（数量经济学专业论文）信用风险评级模型的应用研究.pdf

中文摘要 信用风险的评估对于银行和投资公司具有重要的理论意义和实际意义。本文 以信用评级问题为核心，通过采用线性判别分析模型、概率神经网络模型、b p 神经网络模型以及支持向量机方法对我国上市公司的信用风险度进行信用评级 模型的建立。在研究方法上，本文采用理论研究和实证分析并重的方式。在问题 研究上，着重定量分析的运用，从而得到既有理论依据同时也具有现实可操作性 的解决方法。 首先，本文对信用评级的概念、我国信用评级的现状及目前面临的问题进行 了综述，接下来对目前广泛应用于该领域的各类方法进行了论述，并讨论了各类 方法的优缺点，以及各类方法在我国目前的可行性。然后，介绍了信用评级模型 建立的主要方法，线性判别分析法、概率神经网络和b p 神经网络，以及引入新 的方法：支持向量机，并对这四种方法在信用风险评估中应用的可行性进行论述。 最后，本文通过实证将以上四种方法应用于我国上市公司信用评级，并对这四种 方法实证结果的分类准确率进行比较。另外，本文还通过实证对支持向量机的小 样本分类性能进行说明。 本文综合了财务管理、计量经济学和信息技术等相关内容，运用多种方法建 立企业信用风险度和多维财务指标之间的量化关系。通过实证结果表明，建立的 信用评级模型具有较好的分类效果。 关键词：信用评级风险评估支持向量机财务指标小样本 a b s t r a c t i t i si m p o 咖t ，b o t l lt l l e o r e t i c a l l ya n dp r a c t i c a l l y ，f 0 rb a n 】岱a n di n v e s t n l e n t c o m p a n i e st 0e v a l 吼t el o a nb 咖w 懿c r e d i tr i s k t h em a i np u 平o s eo ft h i sm e s i si s t of h l do u th o wt 0q 啪t i 匆c r e d i tr i s k l i n e a r - d i s c r i m i n a n ta n a l y s i s ，p r o b a b i l i s t i c n e u m ln e 铆。咄b a u c kp r o p a g a t i n e 啪ln e 咐o r k 蛐ds u p p o r tv e c t o rm a c l 血ea r e “la d 叩t e dt 0d e v e l o pc r e d i tr a t i n gm o d e l s t 0f m dt 1 1 eb e s t 锄dp r a c t i c a lm e m o d ，a q 啪t i f i e d 锄a l y s i s 锄de x p e r i n l e n t a ls t u d ya r ee m p h a s 也e d f i r s t l y ，i nt 1 1 i st i l e s i s 也ec o n c 印to fc r e d i tm ! t i n gi sp r e s e n t e da n dp b l e i i l s e x i s t i n gi nc r e d i tr i s k 印p m i s ef i e l da r es u l 珈m r 娩e d s e c o n d l yt l l ea d v 锄t a g e s 锄d d i s a ( 1 v a n t a g e so fe 虹s t i n gm e m o d sa 托锄a l y z e d 锄d 也ea d 印汕i l i 够o fe x i s t i r l g m e t h o d si nc h i n ai sp r e s e n t e d s o m ep o p u l a rt e c l l l l i q u e sf 0 rd e v e l o p i n gc r e d i tr a t i l l g n 1 0 d e l s ，蚰c ha sl i n e a r d i s c r i m i n 锄ta n a l y s i s ，p r o b a b i l i s t i cn e l m ln e m o 咄b a c k p r 叩a g a t i o nn e 啪l n e t 、) l ，o r ka r ei n 仃0 d u c e d i na d d i t i o n ，s u p p o r tv e c t o rm a c h i i l ef o r c r e d i tm t i n gi sp r e s e n t e d l a s t l y ，f o u rt e c l l i l i q u e sw e r e 印p l i e dt 0m e 踟r c l n e n to f c r e d i tr a t m gf 0 rl i s t e dc o m p a n i e si nc h i n a ，觚dm ec l a s s i f i c a t i o na c c u r a c yi sa l s o c o m p a r e d m o r e0 v e r ，s u p p o r tv e c 白0 rm a c h i i l ei sa l s op r 叩o s e df ；wc l a s s i f i c a t i o no f s m a us 锄p l e s t o 叫nu p ，f _ m a n c em a n a g 锄e n t ，e c o n o m e t r i c s 锄di n f o r m a t i o nt e c l l l l i q u ea r e s y n t h e t i c a l l yt a k e ni n t 0a c c o 嘶，a n dv a r i o u sm e a s u r e sa r ea p p i i e d t 0b u i l d i n gc r e d i t 枷n gm o d e li nt h i s 也e s i s t h em e 嬲u r e m e n tm 眦i f e s t st l l a tt h ef b u rm o d e l sh a v ea 9 0 0 da b i l 时o fc l 舔s i f i c a t i o n k e ”o r d s ：c r e d i tm t i n g ；r i s kc v a 胁i o n ； s u p p o r tv e c t o rm a c h i n e ；f i i l 锄c i a l v a d a b l e s ；s m a l ls a m p l e s 表4 一l 表5 一l 表5 2 表5 3 表5 4 表5 5 表5 6 表5 7 表5 8 表5 9 表5 一1 0 表5 一1 1 表5 1 2 表5 1 3 表5 一1 4 目录( 表) 信用等级含义3 4 主成分法提取的因子载荷矩阵初始解3 8 主成分法提取的旋转后因子载荷矩阵3 9 各组样本均值及标准差4 0 单变量组问均值相等检验4 1 标准化的典型判别函数系数4 1 两个函数的特征值及方差贡献率4 2 标准化的典型判别分析模型的判别结果4 2 b p 网络训练及泛化结果比较4 3 b p 网络泛化样本输出值4 3 p n n 训练与泛化样本的误判个数及分类准确率4 5 b p 网络基于小样本的训练及泛化结果比较4 7 b p 网络基于小样本泛化结果；4 8 四种方法泛化样本验证结果4 9 s v m 模型与b p 网络分类准确率比较4 9 v 图3 1 图3 2 图3 3 图3 4 图3 5 图5 1 图5 2 图5 3 图5 4 目录( 图) b p 算法网络结构1 4 b p 网络单元，的信号流图1 5 p n n 网络工作原理2 0 支持向量分类机逻辑关系图2 6 一对一算法流程图2 8 b p 网络结构图4 3 p n n 网络结构4 4 s 参数万2 调整结果4 6 s 参数c 调整结果4 7 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的 研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含为获得鑫鲞盘鲎或其他教育机构的学位或证 书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均己在论文中 作了明确的说明并表示了谢意。 学位论文作者签名：园疑 签字日期：d 7 年 6 月z 日 学位论文版权使用授权书 本学位论文作者完全了解苤鲞盘堂有关保留、使用学位论文的规定。 特授权墨鲞盘堂可以将学位论文的全部或部分内容编入有关数据库进行检 索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校 向国家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名：刭旋 导师签名： 签字日期：沙7 年6 月 二日 签字日期：山唧年 石月2 日 第一章绪论 1 1 研究背景及意义 第一章绪论 上市公司是证券市场的基石，其行为的规范与否及其财务状况的好坏将直接 影响到证券市场的发展和投资者的利益。近年来，我国上市公司的财务状况、经 营状况、管理方法等方面呈现很大的波动性，企业普遍抗风险能力减弱，很多中 小型企业不得不宣布破产，还有一些企业也正濒临倒闭，使投资者很难把握投资 机会。因此，需要借助科学的方法分析并判断上市公司的经营好坏及其投资价值 显得格外重要。为此，迫切需要信用评级机构对上市公司进行信用评级，一来为 投资者的投资提供参考；二来为银行及其他债权人提供可否贷款的依据；三来为 各级证券监管部门在评价上市公司质量方面作一参考。 对上市公司进行信用评级，建立相应的信用评价模型，并运用此模型预测某 种事态或性质发生的可能性，以便及早发现信用危机信号。使经营者能够在危机 出现的萌芽阶段，采取有效措施，改善经营方式，防范危机发生；使投资者和债 权人可依据这种信号及时转移资产，管理应收账款及做出信贷决策；使审计师可 以准确判断企业的经营状况，避免因未能正确披露其经营失败而招致法律诉讼； 同时还可以减少证券监管部门对上市公司的质量分析成本；面对那些准备借“壳， 或者买“壳”的上市公司，在寻找重组公司时，对财务的评级也是必不可少的。 目前，良莠不齐的上市公司很多，为了防止上市公司的造假和鱼目混珠，使投资 者更了解市场动态和企业的经营状况，增强投资信心，必须对上市公司进行信用 评级，加强上市公司的有效监管。 目前，西方国家的信用评级系统已经形成了成熟的理论和实践体系，而我国 信用评级分析以及管理方面存在很多不完善的地方，仍然大量使用专家打分法和 单一的比例分析手段，这些已经不能满足投资者、银行及监管部门对上市公司进 行风险度测算的准确性和客观性的要求。 综上所述，本文利用神经网络、支持向量机及统计学方法，建立适合于我国 上市公司信用评价模型，对我国部分制造业上市公司的财务状况进行信用评级， 以期能有效减少信用危机的发生，增强企业抵御风险的能力，保护投资者、银行 及债权人的利益。这些都具有重要的现实意义。 第一章绪论 1 2 论文结构和创新点 在研究方法上，本文采用的是理论研究和实证分析并重的方式。在问题研究 上，着重定量分析的运用，从而得到既有理论依据同时也具有现实可操作性的解 决方法。本文以上市公司的信用评级问题为核心，通过使用判别分析模型、p n n 概率神经网络模型、b p 神经网络模型以及支持向量机四种方法建立适合我国上 市公司的信用评级模型，具体研究内容如下： 第一章介绍了我国目前信用评级的状况以及存在的问题，并对本文的结构与 创新点作了说明。 第二章介绍了信用评级的有关概念和作用，并对我国信用评级的现状及目前 采用的方法进行了综述。 第三章对本文将采用的信用评级模型建立技术进行简要介绍。 第四章对信用评级体系进行系统的阐述。包括评级体系指标的选取以及信用 级别的划分与设置。 第五章基于我国上市公司的公开财务报表，分别选取了四种技术进行信用评 级模型的建立，并给出了有效性检验结果对比评价。 本文有以下两个主要创新点： 1 、根据中国信用评级的特点及需求，建立“好”、“中等”、“差”三级分类 的评价体系模型。 2 、将支持向量机方法应用于三类级别的信用评级模型的建立，并且与基于 线性判别分析、p n n 神经网络模型和b p 神经网络模型建立的信用评级模型进行 了分类准确率的比较，从而突出了新方法的优越性。 2 第二章信用评级系统研究 第二章信用评级系统研究 信用等级是用最简单的、最易理解的字母符号将信用评级机构的信用风险分 析结果传达给市场。即对债务人信用能力的简单符号化表示，信用等级高的债务 人其违约概率相对低于信用等级低的债务人。因此，信用评级的过程实质是通过 综合考虑影响企业偿债能力的各种因素对企业信用能力进行评估。 2 1 企业信用评级的概念 信用评级是随着市场经济的发展、借贷关系趋向成熟而形成的产物，在国际 市场上已有1 0 0 多年的发展历史，在我国，信用评级只有十几年的历史，仍处在 萌芽阶段，因此，除了国际上对其比较标准和市场化的定义外，我国理论界也根 据我国实际情况对其作了较为全面的界定。 按照美国银行和金融大百科全书的定义，信用评级是以一套相关指标体 系为考量基础，标示出个人和经济体偿付其债务能力( 偿债历史纪录) 和意愿的 值。市场经济活动中会发生各种类型的债务和信用关系，一般的说，无论是政府 机构发债、企业的市场融资，还是经济组织和个人商业性借贷，当其向债权人举 债时，后者自然需要对前者的还债能力与意愿进行评价，以估量到期还债的可能 性。 著名经济学家董辅祁教授认为：所谓信用评级，简单地说，就是由专门的 评级机构，对市场主体偿还债务的能力或某种金融工具的投资风险加以评价，以 特定符号表示出其可信任程度，并展示给广大投资者的过程。”他把信用评级的 内容明确为市场主体的偿债能力或金融工具的投资风险。 国内资深信用专家邹建平在证券评级概论中提出i l j ，信用评级是“通过 综合考察影响各类经济组织或各类金融工具的内外部因素，使用科学严谨的方 法，对它们履行各种经济承诺的能力及可信任程度进行综合分析与判断，并以简 单明了的符号表示优劣，公告给社会大众的一种评价或咨询行文”。信用评级的 对象既包括经济体或组织，也包括金融工具，如企业长期债券、短期融资券等； 信用评价揭示的不仅仅是偿债能力，而是广义的“履行各种经济承诺的能力及可 信任程度”。 清华大学教授朱宝宪在金融市场中论道1 2 。，信用评级是对市场经济中不 同信用主体承担债务的能力和获得社会信誉的程度进行分析和评价，并用一定的 形式来表示这种信用的质量水平的专门方法与制度。朱先生的信用评级定义表 第二章信用评级系统研究 明，在市场经济体制下，信用评级不仅是对信用主体信用质量评级的专门方法， 而且还是对信用主体信用质量评价的专门制度，即发达国家现代市场经济体系运 营中的信用评级制度。 企业信用是一个企业履行自身承诺的能力与意愿，其中包括了企业履行承诺 的历史记录。这里应该讲有两层含义，一、企业是不是有积极的履行承诺的意愿， 从而使企业一直保持着良好的信用记录；二、企业是不是具备保持良好信用水平 的能力，对这个能力高低的判定，就是信用评级所做的工作。企业有良好的履约 愿望，愿意维护它自身的良好信用，希望能始终信守承诺，但是其自身是否具备 这个条件。企业发展到一定程度，就有可能使得企业虽想维持诚信，但其条件、 能力已达不到了，那么这个风险谁来揭示，就由评级来揭示。前者我们可以通过 考查企业的历史记录，看企业是不是具有良好的履行承诺的意愿，后者可以通过 评级结果，看企业具备不具备履行承诺的能力。综合以上各家观点，本文认为， 企业信用评级是采用规范化的程序和恰当的方法，对企业的偿债能力及偿债愿望 进行评价，并将评价结果通过简明的符号表示出来，以供投资者、社会监管机构 及其他利益相关主体进行参考的种经济活动。 2 2 企业信用评级的作用 通过企业信用评级，即通过对企业整体债务或特定债务( 如债券、可转债等) 的偿债能力( 或支付能力、整体信用状况等) 和意愿的评价，可以避免因信息不 对称所导致的交易发生之前的逆向选择和交易发生之后的道德风险。具体来讲企 业信用评级的作用体现在以下几个方面。 ( 1 ) 保护资本市场广大投资者的利益 在资本市场上，投资人在决定是否要投资于某证券或项目时，要考虑一系列 影响投资回报的因素和相关风险。但投资者并不都是专家，并且金融工具的发行 主体与投资者之间普遍存在着信息不对称现象，特别是由于市场对披露信息的要 求、会计标准和法律安排有所不同；国际市场面临的信息不对称问题更大，投资 者不仅信息收集成本昂贵而且还面临着很大的不确定性，因此难以对发行主体的 信用状况做出准确的判断，也很难对资本市场上品种繁多的证券逐个进行分析。 信用评级信息就可为投资者提供简单而客观的信用风险结论，为其选择投资工具 提供重要的参考依据。 同时，随着金融市场的发展，各种金融工具的日益增多，信用评级也被广泛 应用于投资组合的风险控制与管理中，很多投资机构将投资工具的信用级别作为 金融工具定价、风险与报酬的评估参考，并以定的信用等级作为投资标准，在 4 第二章信用评级系统研究 投资组合中确定相应比例的不同信用级别的金融投资工具。 ( 2 ) 有效防范货币信贷市场风险 作为经济活动的重要主体，企业与各类金融机构有着密切的信用往来关系， 信贷资金是其开展经营活动的资金来源之一，其生产经营活动状况的好坏、行为 规范与否，直接关系到金融机构信贷资金使用好坏和效益的高低。金融机构通过 对贷款主体的信用评级或者参考资本市场对贷款主体已有的评级结果，可以对其 未来的经营状况及偿债能力等给予科学的评价，以确定贷款项目的可行性、已有 信贷资产损失的不确定程度，最大限度地防范贷款风险。此外，根据新的巴塞尔 协议要求，商业银行在信贷资产风险管理过程中，需充分借鉴内部评级与外部评 级的结果。信用评级是银行等金融机构确定贷款风险程度的依据和信贷资产风险 管理的基础。 ( 3 ) 有利于企业防范风险，提高管理水平 在生产流通领域，交易双方信息不对称，信用的让渡方若对交易对象不信任， 将阻碍交易活动的顺利进行，若对交易对象过分信任又将为自己带来巨大的潜在 风险。通过信用评级，经济主体可以了解交易对象的真实情况，把握交易对象是 否有能力并愿意及时全额履行经济契约的相对风险信息，从而减少盲目决策带来 的风险，有效促进各类经济活动的顺利开展。 高等级的信用级别是各类经济主体在市场经济中的“身份证”，良好的信用等 级既可以提升其信用形象，又可以使其在经济交往中获得更有利的信用政策，吸 引更多投资人和客户与之合作，因此信用评级为企业改善经营管理提供了压力和 动力，有利于企业及时发现经营管理中的薄弱环节，提高经营管理水平。 ( 4 ) 为监管部门进行市场监管提供重要参考依据 借助于信用评级结果，一方面使政府管理部门缓解了不能全面、及时地深入 调查了解监管对象经营管理情况的矛盾；另一方面可以把政府管理部门从日常、 繁琐的事务性工作中解脱出来。利用评级结果政府管理部门可以进行重点的、事 前的、预警性的监管与调控；金融监管部门也往往利用信用评级对商业银行、保 险公司和公用事业公司进行监管，以有效地控制金融风险：我国也有不少法规要 求把信用评级结果作为监管的参考依据。如上市公司发行可转换债券实施办 法、证券公司债券发行实施办法都明确规定，发行人可委托信用评级机构 对发行债券的信用或发行人的信用进行评级，信用评级结果可作为确定有关发行 条款的依据并予以披露。 5 第二章信用评级系统研究 2 3 信用评级方法综述 纵观信用评级的历史，从最初依靠训练有素的专家主观判断的古典信用度量 术到现代以统计学、运筹学和现代金融理论为基础的信用风险模型，企业信用评 级方法在不断演进中发展和完善。传统的方法是以5 c 法为代表的要素分析法( 专 家法) ，后来出现了简单的财务比率分析模型；随着统计理论的发展，基于多元 统计分析的多元判别分析模型得到了广泛的应用；9 0 年代，随着人工智能技术的 发展，神经网络技术、专家系统技术等都被引进到信用评价分析中，建立了多种 人工智能模型，由于信用评估本身具有的模糊性，又出现了更具有适用性的模糊 综合评价法，下面就有关方法的发展综述如下： 2 3 1 要素分析法 要素分析法是指通过对影响企业经营业绩的有关经营要素分析评分，使信用 定量化，然后求加权平均得出企业信用等级的一种方法。常见的有5 c 、5 p 、l a p p 法等，5 c 要素分析法是指：品格( c h a r a c t e r ) 主要是评价客户的品行是否诚实可 信、其偿还贷款的主动性如何。对于公司而言，品格是指其主要领导人的经营能 力与经营作风，公司文化及其伦理，也包括企业在同行业中的信誉、地位等；资 本( c a p i t a l ) 是反映授信企业资金实力的一个重要方面，也间接反映了授信企业 的资金积累情况。资本充足、资金积累多，则企业信用状况就好；能力( c a p a c i t y ) ， 主要包括经济上的借款与偿还能力和法律上的借款能力。从经济上看，信用评价 应着重评价授信企业的偿债能力、盈利能力和营运能力，与财务比率分析法所强 调的因素完全一致，从法律上看，信用评价应着重评价授信企业是否具备法定的 资格和权利，通过对政府法规以及公司章程的调查分析可以获得此类信息；经营 环境( c o n d i t i o n ) ，是授信企业的内在环境和所处的外在环境。内在环境主要是 指企业的经营特点、经营方式、技术设备状况、劳资关系等企业自身能够控制的 方面；企业外在环境主要是指国家经济状况、行业竞争状况、行业发展趋势、市 场状况等。环境条件有利，则信用程度将提高；担保品( c o l l a t e r a l ) 是指授信企 业可以用来为信用担保( 如抵押) 的物品。担保物品丰富且价值良好，则信用相 对就高，信用一旦发生危机则发生损失的可能性也相应少。但在评价时也应注意 担保品的所有权、担保品的价值状况等。5 p 要素分析法是指：个人因素( p e r s o n a l f a c t o r ) 主要分析企业经营者品德、能力，是否诚实守信，还款意愿等；资金用 途因素( p u r p o s ef a c t o r ) 主要包括生产经营、还款缴税、替代股权等三个方面； 还款财源因素( p a y m e n tf a c t o r ) 主要有两个来源，一是现金流量，二是资产变 现；债权保障因素( p r o t e c t i o nf a c t o r ) 主要包括内部保障和外部保障两个方 6 第二章信用评级系统研究 面；企业前景因素( p e r s p e c t i v ef a c t o r ) 主要分析借款企业的发展前景，包括 产业政策、竞争能力等；l a p p 法是以l i q u i d i t y ( 流动性) 、a c t i v i t y ( 活动性) 、 p r o f i t a b i l i t y ( 盈利性) 、p o t e n t i a l i t i e s ( 潜力) 4 个词的第一个字母命名， 从这四个方面评价企业的信用。 这种定量化过程虽然是有经验的专家将定性的指标量化，但是不可避免的主 观性因素会对该过程产生影响，从而使量化的指标受人质疑。 2 3 2 财务比率分析法 该方法在1 9 6 6 年被引入预测企业破产领域，经过多年的发展形成了一系列财 务比率分析方法，总体上讲就是对企业各项财务指标作一个全面、系统和综合的 分析，从而对企业的经营状况和财务状况进行剖析、解析和评价。在实际应用中 这是一种简单的加权方法，即给每个财务比率确定相应的权重和计算标准，将企 业与标准值进行对比后给出个体的得分，然后加权求和得出该企业的信用得分并 进行等级划分。财务比率分析法克服了要素分析法的主观性使得评价独立于评估 人员的主观努力并使计算机的使用成为可能，但是其指标权重和与标准分对比后 得出的财务比率得分有明显的主观性，使得评价结果与企业的实际情况有很大的 出入。 2 3 3 评级模型法 评级模型法属于定量评级方法，是指在充分分析客户历史数据的基础上，借 助信用评级模型，即模型变量和参数，计算违约风险的大小，从而确定受评对象 信用等级的一种经济计量方法。因为信用评级的因素，大多可以用数量指标来表 示，通过同类指标的相互对比，就能计算出这项指标的数量差距。在信用评级中， 通常都把经济指标定出一个标准，作为相互对比的依据。达到并超过这个指标的， 信用状况就好，达不到的，信用状况就差。现有的评级模型大都基于统计判别方 法，是f i s h e r 于1 9 3 6 年做出启发性研究之后提出来的。总的来说，这些模型都 被表述为一种分类问题，它们接受定义在已选变量集合上的一个随机观测值样 本，建立判别函数，进行分类。根据判别函数形式和样本分布的假定不同，常见 的模型有多元判别分析模型、l o g i t 分析模型、p r o b i t 模型和线性概率模型。其 中多元判别分析法最受青睐，l o g i t 模型次之。最典型的是爱德华阿尔特曼博 士( e d w a r d i a 1 t m a n ) 在1 9 6 8 年建立的5 变量z s c o r e 模型和在此基础上改进 的“z e t a ”判别分析模型【3 j 。但是得出该模型的前提是样本公司是首先知道其信 用等级的，然后在此基础上得出的判别函数而且使其错判率最小，来判断观察得 到的新样品归属于哪一类。我国资本市场起步晚，尚不成熟，信用等级的划分没 7 第二章信用评级系统研究 有一个统一的标准，因此利用该模型的前提就不符合，故该模型不能直接为我国 所用。宋秋萍( 2 0 0 0 ) 【4 】直接采用美国a 1 t m a n 的z 一分数模型对我国6 家公司进 行预测分析，结果就发现与实际情况差别很大。 2 3 4 人工智能模型法 近年来随着信息技术的发展，人工智能技术被引入到信用风险评估中，比较 常用的主要有决策树、遗传算法、神经网络技术、专家系统等。决策树是q u i n l a n 在h u n t 的概念学习系统c l s ( c o n c e p tl e a r n i n gs y s t e m ) 上发展起来的一种自下 而上的分类方法，它通过对一组训练样本的学习，构造出决策性的知识表示。决 策树模型较统计模型从直观上更易理解，但在实际应用中，由于问题的复杂性增 加，决策树模型会出现组合爆炸；同时，这种归纳学习建模方法容易造成模型的 过度拟合，在建模时缺乏效率。g r e e n e 和s m i t h 试图运用遗传算法( g a ，g e n e r a t i o n a 1 9 0 r i t h m ) 来解决信用风险评估问题，他们用一种定长的编码来表示风险识别的 准则。然而这种方法在实际应用中遇到了极大的困难，主要的问题在于：由于定 长编码机制的局限性，编码出现困难或过长，编码和解码过程需要大量时间而使 其缺乏效率。神经网络方法可以看作是从输入空间到输出空间的一个非线性映 射，它通过调整权重和阈值来学习和发现变量之间的关系，实现对事物的分类。 它克服了传统分析过程的复杂性以及选择适当模型函数形式的困难。将该方法用 于企业信用风险研究时，一方面利用其映射能力，另一方面主要利用其泛化能力， 即在经过一定数量的带噪声的样本训练后，网络可以抽取样本所隐含的特征关 系，并对新情况下的数据进行内含和外推以推断其属性。虽然神经网络可以有效 解决非正态分布、非线性的信用评估问题，但还是存在着一些缺陷，比如不具有 解释性、结构确定困难等。专家系统是人工智能中应用最广的技术之一，它能够 利用知识库中的领域知识，通过合理的推理从而有效解决领域范围内的问题。 r o m a n i u k 和h a l l 开发了一套f u z z y n e t 的信用评价专家系统，用来作为判断是否贷 款给申请企业的辅助工具。但是一方面专家系统本身具有知识获取困难的缺点， 另一方面信用评价过程中包含了对带噪声数据的处理过程，不适合基于逻辑处理 机制的专家系统来处理。 2 3 5 模糊评估法 信用评价本质上是一个模糊性问题，因此引用模糊数学方法研究企业信用问 题，主要有模糊算子法、模糊积分法、模糊综合评估法等。模糊算子法是z i 姗e 瑚a n 和z y s n o 在1 9 8 2 年提出的，首次把模糊数学的概念运用到因素综合分析领域，对 分层次因素进行综合评价。r o m a n i u k 和h a l l ( 1 9 8 9 ) 利用上述研究成果，在上述 第二章信用评级系统研究 模型的基础上开发了一个客户资信评价专家系统，使上述方法能够在计算机上实 现。但是模糊算子模型过于简单，对于综合评价没有提出具体可操作的步骤。日 本学s u g e n o ( 1 9 7 9 ) 在他的博士论文中提出了模糊积分即s u g e n o 积分的概念，模 糊积分给出了积分测度和被积函数之间的相似形，积分数值大，两者就越类似， 在企业信用评估中，积分测度由评价客观标准来确定，被积函数由被评价企业的 有关参数来确定，通过s u g e n o 积分的值可以确定该企业是否符合有关标准，从而 达到为企业信用定位的目的。该方法虽然能够综合处理模糊性评价，但是必须要 事先确定评价标准，这对于企业信用等级确定有一定的难度，对于某类固定企业 很难给出固定的评价模式。模糊综合评估法克服了s u g e n o 积分法所要求的评价标 准的限制，在对影响因素进行综合分类基础上确定因素体系，利用层次分析法对 所有因素的重要性进行比较、并通过计算得到有关权数。然后进行单因素判别建 立模糊判别矩阵，从而得到综合评价。周埠华、张综益和杨俊( 2 0 0 0 ) 对模糊综 合评估法进行了修正，提出了多层次模糊综合评估法，把模糊综合评估法的算法 局限在同层次的因素类内，并把判别结果作为上一层模糊变换矩阵的一个部分， 不但减少了工作量而且提高了判别精度【5 j 。 2 4 本章小结 本章主要对信用评级的概念、作用以及目前出现的研究方法作了简单的介 绍。信用评级在我国起步较晚，虽仍处于萌芽阶段，但其却对我国经济健康、快 速发展有着不可估量的作用，所以建立适合我国国情的信用评级体系尤为重要。 目前出现的各种信用评级方法和模型，都各自具有优缺点，这是由企业信用评估 的复杂性决定的。国外在信用风险分析方面起步的比较早，其研究已走向成熟阶 段，而且大多都己商业化。但在我国，无论是用统计方法、计量经济模型还是用 神经网络技术来研究信用风险分析起步都非常晚，而且倾向于理论研究。 9 第三章信用评级模型 第三章信用评级模型 信用评级是对企业偿还债务能力和意愿的评估，是对其债务偿还风险的综合 评价。能否正确的对企业的风险状况进行评估对于投资者及金融机构来说是非常 重要。错误的信用决策会带来严重的后果，对于一笔好的信用投资的拒绝会给未 来的利润空问带来损失( 商业风险) ，而对于一笔不良信用投资的批准则会带来 收益甚至本金的损失( 信用风险) 。精确的信用评级可以使得投资者能够正确的 评估信用风险，从而有效减少预期损失。 分析类模型，如基于企业真实财务数据实证分析得出的信用评级系统，并不 是完全消除了人为的主观因素，如切割点分数是人做出的主观判断。而且，对于 分数介于接受分数和拒绝分数之间的申请人，需要主观决定。 本章对将要应用于我国上市公司信用评分模型的分类技术：判别分析法， b p 神经网络，概率神经网络和支持向量机分别进行简要介绍。 3 1 判别分析法 3 1 1 判别分析法用于信用评价文献回顾 1 9 6 8 年，a l 咖a n 率先将判别分析法应用于财务危机、公司破产及违约风险 的分析，他从2 2 个财务比率中选取5 个财务比率：运营资本总资产、存留收益 总资产、息税前利润总资产，股东的权益资产负债总额、销售收入总资产， 对3 3 家困境公司和3 3 家非困境公司进行判别分析，建立了如下著名的线性判别 分析( l i n e a rd i s 嘶m i n a n ta m a l y s i s ，简称l d a ) 模型： z = 0 0 1 2 x 1 + 0 0 1 4 x 2 + 0 0 3 3 x 3 + 0 0 0 6 x 4 + o 9 9 9 x 5 该模型也称为z s c o r e 模型，用来对3 3 家困境公司和3 3 家非困境公司进行 判别分析。其中，z 为判别值；置反映上市公司的资产折现规模特征，一个财务 状况持续恶化的上市公司必定表现为五不断减少；而反映上市公司的累积获利 能力，该比率越大，说明上市公司抵御危机的能力越强；矗反映上市公司的盈利 能力水平，通常是衡量上市公司财务危机的最重要的指标之一；x 。衡量上市公 司的资本结构，反映了上市公司的价值和承担的债务之间的关系；款反映上市公 司的资产总额的周转速度，速度越快，销售能力越强，竞争力越大。 1 0 第三章信用评级模型 一般来说，z 值越低，上市公司发生财务危机的可能性越大，越有可能破产。 触锄粕给出了上市公司破产的临界值：当z 2 9 9 时，上市公司划为不会破产之 列；当z p ( ql 力，f 歹，f ，歹= 1 ，2 ，拧 ( 3 3 0 ) i 待判，其他 若先验概率尸( g ，) 已知，则b a y e s 判别准则变为 ，工g ，若p og j ) p ( g ，) p i g ，) p ( g j ) ，f ，_ ，= 1 ，2 ，刀 ( 3 3 1 ) 【待判，其他 若每一类的数据样本个数都相同，即p ( g ，) = 三，此时总体g i 的后验概率p ( gl 石) 变为 ，= 锷产2 篇2 篇仔3 2 ) 于是，可得到如下更为简单的判别准则 x g ，若p ( x g ) p ( x g ，) ( 3 3 3 ) 【待判，其他 其中，尸 ig ，) 使用如下估计方程式 p ( xg ；) = 南e x p 吉( z 一，) 7 ：1 ( x 一t ) _ 3 3 4 ) ( 2 万) - i ，i j m 。 其中，肛为均值向量，为g ，的协方差矩阵，1 为g r 的协方差矩阵的逆 矩阵( 扛1 ，2 ，”) 。 对于具有相同样本个数的任意两个总体g ，g ，p n n 的工作原理如图3 3 1 9 第三章信用评级模型 j i 二厶峥 图3 3p n n 网络工作原理 其中，实曲线为g ，的概率密度函数p lg ，) ，虚曲线为q 的概率密度函数 p q ) 。对于在区域内的测试样本x ，由于p ig ) p iq ) ，所以由判 别准则( 3 3 3 ) 知，x g ( z ，= 1 ，2 ，力，但f ，) 。 3 3 3 神经网络方法建立信用评级模型的评论 下面对人工神经网络方法应用于信用评价模型的建立进行简单的评论。 ( 1 ) 准确性比较高。特别是在测试数据为非线性关系的情况下，尤其如此。 比如，在信用分类中加入了行业分析、发展潜力等因素的情况下，神经网络的准 确性明显高于线性判别分析，而在测试数据线性可分时，则线性判别分析方法的 准确性和神经网络相当。这主要是神经网络通过学习样本获取了映射关系这一客 观知识，而较少的搀入人为主观因素。 ( 2 ) 适应性强。神经网络有较强的适应训练样本变化的能力，当训练样本 增加新的数据时，能够记忆原有的知识，根据新增的数据作恰当的调整，使之表 示的映射关系能够更好的刻画新样本所含的信息。这一点不仅使得神经网络具有 较强的适应样本变化的能力，还使它具有动态刻画映射关系能力，也克服了线性 判别分析方法的静态特点。 ( 3 ) 具有鲁棒性。神经网络对于样本的分布、协方差等没有要求，对样本 中存在的噪音数据、偏差数据不敏感。线性判别分析方法虽然对噪声数据不很敏 感，但是它对样本分布和协方差均有很高的要求。 ( 4 ) 神经网络的主要缺点是对样本的依赖性过强，这就要求在选择样本时 既要全面又要典型。因为它甚少有人的主观判断的介入，所以它对样本提出了很 高的要求。 ( 5 ) 神经网络方法的第二个缺点是解释功能差。它仅能给出一个判断结果， 而不能告诉你为什么。为了解决这个缺点，就应该将神经网络和其他解释功能较 第三章信用评级模型 好的方法结合起来，形成杂合系统( h y b r i ds y s t e m ) 。这样既可以保持神经网络 的准确性高、适应性强、鲁棒性的特点，同时也增加了它的解释功能。 ( 6 ) 在神经网络方法中还有一个比较重要的问题，即输入特征变量的确定j 首先，要从所有可能的指标中确定出关键指标，这同时也需要依赖于其他的统计 分析方法。第二个问题是样本分成多少个种类，即分成哪几种信用等级比较合适。 这些问题都是神经网络方法无法独自解决的，要依赖于其他方法。 3 4 支持向量机 3 4 1 支持向量机用于信用评价文献回顾 1 9 6 2 年，r o s e n b l a t t 提出了第一个学习机器的模型，称作感知器，标志着人 们对学习过程进行数学研究的真正开始。v o v i k o 仃( 1 9 6 2 年) 证明了关于感知器 的第一个定理，定理指出： ( 1 ) 训练向量z 的模以某个常数r 为界( 即i z l 尺) ； ( 2 ) 训练数据能够以间隔p 分开，即 s u p 啦y f ( z f ) p w i 厂d 2 ( 3 ) 在对感知器进行足够多次训练的过程中，最多在i 等1 次修正后， l 夕j 可以构造出将训练数据分开的超平面。 v i k o f r 的这一定理实际上是学习理论的开始，在创建学习理论中起到了非 常重要的作用，它在一定意义上将导致机器具有推广能力的原因和最小化训练集 上的错误数的原则联系了起来。 传统的统计模式识别方法是在样本数目足够多的情况下进行的，然而在实际 应用中，这一前提往往得不到保证。1 9 6 8 年，v a p n i l 【和c h e r v o n e n k i s 首次提出 了统计学习理论( s t a t i s t i cl e 锄i l 玛1 h e r o y ，简称s u ) ，专门研究有限样本情况 下的机器学习规律。1 9 9 5 年，v - a p n i k 等( 1 9 9 5 年，1 9 9 8 年) 又根据统计学习理 论提出支持向量机( s u p p o nv e c t o rm a c h i n e ，简称s v m ) 的学习方法，研究如 何根据有限学习样本，进行模式识别和回归预测等，使在对未知样本的估计过程 中，期望风险达到最小驯。近年来，s v m 已成为解决模式分类和回归问题的有 利工具。 t a y 和g a 0 ( 2 0 0 1 年，2 0 0 2 年) 、圳u a ng a 0 ( 2 0 0 3 年) 、k y o 岫鲥a c 尉m ( 2 0 0 3 年) 利用s 、刁讧对金融时间序列进行预测。l i nc h l l n m 等( 2 0 0 4 年) 和1 嘶i n i s h i d a i s u k e 等( 2 0 0 3 年) 利用模糊s 方法研究模式识别问题。f 锄和p a l 孤i s w 锄i 2 l 第三章信用评级模型 ( 2 0 0 0 年) 利用s v m 对企业破产进行预测瞄l 。q i l 砌。和t e m a y 0 利用统计学 和机器学习的方法对银行信用风险进行评估【2 9 】。姚奕和叶中行( 2 0 0 4 年) 利用 s 讧研究银行客户信用评估系统【3 0 】。h u a n gz 趾和c h e nh s i n c h u n 等【3 1 】( 2 0 0 4 年) 、沈翠华和高万林( 3 2 】( 2 0 0 4 年) 利用s 对企业信用等级进行分析。 3 4 2 支持向量机算法 支持向量机用于模式识别的基本思想是将一个超平面作为决策平面，不但能 将分类中的两类样本正确分开( 训练错误率为0 ) ，而且使分类间隔最大，即将 优化问题转化为一个凸型的二次规划问题，由标准的拉格朗日乘子法解得即为全 局最优解，且具有很高的精度。 首先，考虑一个两类模式分类的问题。设输入模式集 ，五r ”， 待1 ，2 ，刀，撑为样本数，所为样本为数；输出集化) ，i r ，且i = 一1 或1 ， 代表类别标号，目的是寻找一个超平面，实现该分类函数将空间x 】，划分为两 个子空间，不同模式样本属于不同的子空间，且距该超平面最近的样本到超平面 的距离最大，则称该超平面为最优超平面。其中，距离超平面最近的样本称为支 持向量( s u p p o r tv e c t o r ) ，所对应得到的模型称为支持向量机( s u p p o nv e c t o r m a c h i n e ，简称s 垤) 。 3 4 2 1 线性可分支持向量分类机( 线性硬间隔分类机) 在线性可分的情况下：利用分类函数厂( 工) = w 石+ 6 ，其中，w 尺”，实现 对两类样本的分类。分类超平面的方程为： w x + 6 = 0( 3 3 5 ) 其中，w 为分类超平面的法线；6 为偏置，决定相对原点的位置；“ 表示向量 的点