您的位置:行研>行研详情
返回列表

基于神经网络算法的企业信用风险评估

信用风险是银行业决策和利润的重要因素。信用风险仍然是单一的最大风险,难以被银行抵消,它阐述了未来损失的概念。由于客户不履行还款义务,信用风险也能体现银行利润的损失。

通常,信用风险评估的一般方法是将分类模型应用于过去的历史客户数据,包括违约客户和非违约客户,从而找到用户特征与潜在违约之间的关系。基于统计数据的信用风险评估模型已经成为金融机构评估信用风险的主要分析工具。通过分析评估对象的多种风险因素,信用风险评估是评估借款人还款意愿和偿还能力的独立过程。信用风险评估模型已被债券投资者,债务发行人和政府官员广泛用于评估公司风险。它们提供了确定风险溢价和债券市场的方式,以便公司可以评估发行债券的可能的投资回报率。建立一个可信的信用风险评估体系的优势是:降低信用分析的成本,确保快速做出决策,保证信用征集和减少可能存在的风险。

最近的研究表明,在信用风险评估问题上,现有的人工智能(AI)技术,例如决策树(DT),支持向量机(SVM)等,表现出比统计模型和优化方法更好的性能。与统计模型不同,AI模型不需要假设变量分布,并且可以直接从训练数据集中获取知识。在信用风险评估领域,特别是当信用风险评估问题为非线性模式分类时,AI模型的性能要优于统计模型。

为了探索企业信用风险评估,本文比较了几种常见神经网络模型在中国中小企业数据集中的应用效果,并确定了每种模型的最佳参数。

Chang, Chang, Chu, and Tong (2016)提出了一个基于决策树的短期信贷风险评估模型,使用决策树过滤短期违规行为,以产生可以区分违约贷款的高度准确的模型。本文通过结合袋装算法和少数采样技术建立信用风险模型,以提高决策树的稳定性和不平衡数据的性能。Zhang,Zhao,Wu(2017),基于粒子群优化遗传算法的神经网络,研究了跨境电子商务信用风险评估模型,提出了基于粒子群遗传算法的信用风险评估模型的构建过程。

在BP神经网络中,Bao(2016)使用BP神经网络模拟从P2P网络获得单个借款人的信用等级,有效评估个人借款人的信用风险。Bekhet 和Eletter(2014)提出了两种使用数据挖掘技术的信用评分模型,以支持约旦商业银行的贷款决策。在整体准确率方面,logistic回归模型优于径向基函数(RBF)模型。但是,径向基函数比识别可能违约的更好。

Yang(2014)首先基于统计独立性提出了一种改进的量化方法,即IDM。然后,使用数据挖掘技术,即决策树C4.5,朴素贝叶斯和SVM分类器,对量化的信用数据进行分类和预测。研究了定量方法对信用审批数据分类的影响。该方法比其他已知的量化方法显着提高了分类的平均准确性。Zhang,Hu和Zhang (2015)建立了信用风险评估指标体系,并采用了考虑企业信用状况和供应链之间关系的供应链观点,建立了基于支持向量机(SVM)的信用风险评估模型和BP神经网络的实现技术。Fatemi 和Fooladi (2014)认为,基于支持向量机(SVM)的SCF信用风险评估模型具有良好的泛化能力和稳健性,比BP神经网络评估模型更有效。

本文利用三角地区46家未上市中小企业的财务数据来制定指标,并对用于风险评估的4种神经网络模型和决策树方法进行了深入的比较研究。本研究中的信用风险评估模型可以为有效的银行信用风险预警提供有力的工具和技术支持,并可以为贷款审批提供科学合理的量化依据。因此,可以提高银行的风险管理水平和综合竞争力。同时,它在促进企业发展方面也可以起到一定的作用。另外,本文比较了模型的分类精度和适用性,最后解决了基于种群的优化神经网络算法的普遍问题:需要事先确定维度。实验结果表明,概率神经网络(PNN)具有最小的错误率和第二类错误。PNN模型具有最高的AUC值并且很稳健。综上所述,该算法为解决中国的中小型企业小额信贷的融资问题做出了一些贡献。

(详细内容请参看原文)

原文链接:https://www.researchgate.net/publication/326594109_Enterprise_Credit_Risk_Evaluation_Based_on_Neural_Network_Algorithm