基于支持向量机回归集成的商业银行信用风险评估研究

论文摘要

商业银行信用风险已经成为目前我国金融风险最主要、最集中的一种表现形态,对整个经济运行有着极为重要的影响。信用风险评估作为风险管理的核心环节起着至关重要的特殊作用。在揭示信用风险各评估要素间相互作用、相互影响的内部作用机理的基础上,将贷款方式引入信用风险评估指标体系,强调各评估要素的统一性和信用风险的相对性特征。本文构建了含有16项指标的评估体系,经过因子分析最终形成4个经济含义较为明确的因子,并以此作为评估模型的输入。通过这些指标可以在突出反映企业偿债能力的同时较为全面地刻画企业的资信状况。本文介绍了支持向量机方法和模糊积分,论述了支持向量机回归方法的结构及算法原理,构建了支持向量机回归集成模型。目前的支持向量机的集成融合技术没有考虑每个子支持向量机之间的权重关系。在本文中提出了一种新的基于模糊积分的支持向量机回归集成来解决此类问题。根据子支持向量机的回归预测结果,通过模糊积分赋予每个子支持向量机不同的权值对其进行集成。该方法考虑了各子学习器的预测结果和各子支持向量机学习器的预测对最终结果的影响程度。将模型的评价结果与单一支持向量机回归、单一神经网络和神经网络集成进行比较,结果表明本文提出的方法比其他方法的拟和精度高,证实了该方法的可行性和有效性,为银行建立可靠的评估系统提供了依据。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题来源及研究意义
• 1.1.1 课题研究的背景和问题的提出
• 1.1.2 课题研究的意义
• 1.2 信用风险评估研究综述
• 1.2.1 国外信用风险评估研究综述
• 1.2.2 国内信用风险评估研究综述
• 1.2.3 国内外信用风险评估研究现状评述
• 1.3 研究方法和主要内容
• 第2章 我国商业银行信用风险评估的理论基础
• 2.1 商业银行信用风险评估概述
• 2.1.1 信用风险的内涵
• 2.1.2 商业银行信用风险的客观性
• 2.1.3 商业银行信用风险的特征
• 2.2 我国商业银行信用风险管理的模式
• 2.2.1 信用风险管理的特征
• 2.2.2 我国商业银行信用风险管理的模式
• 2.3 我国商业银行信用风险管理中存在的问题
• 2.4 支持向量机的理论基础
• 2.4.1 统计学习理论（SLT）
• 2.4.2 支持向量分类（SVC）算法
• 2.4.3 支持向量机（SVM）的核函数
• 2.4.4 支持向量机回归（SVMR）方法
• 2.4.5 ε-不敏感函数
• 2.4.6 SVM 回归方法的特点
• 2.5 本章小结
• 第3章 我国商业银行信用风险评估指标体系设计
• 3.1 信用风险指标体系的设计原则
• 3.2 贷款企业财务风险的分析
• 3.2.1 偿债能力分析
• 3.2.2 盈利能力分析
• 3.2.3 营运能力分析
• 3.2.4 增长能力分析
• 3.3 贷款企业非财务风险的分析
• 3.3.1 企业信誉状态分析
• 3.3.2 企业贷款方式因素分析
• 3.3.3 企业核心竞争力因素分析
• 3.3.4 企业经营管理水平分析
• 3.3.5 企业发展前景分析
• 3.3.6 宏观经济环境风险分析
• 3.3.7 政策风险和行业风险分析
• 3.4 信用风险评估的基本思路
• 3.5 信用风险评估指标体系的构建
• 3.6 本章小结
• 第4章 基于支持向量机回归集成的商业银行信用风险评估模型
• 4.1 模型构建思路
• 4.2 支持向量机回归集成模型的构建
• 4.2.1 Bagging个体生成
• 4.2.2 基于模糊积分的支持向量机回归集成
• 4.3 模糊密度的确定方法
• 4.4 因子分析的数据预处理
• 4.5 本章小结
• 第5章 实证研究
• 5.1 数据收集
• 5.2 数据预处理
• 5.2.1 数据稳健性处理
• 5.2.2 样本数据的归一化和因子分析
• 5.3 支持向量机回归集成模型的实验设计及评价
• 5.3.1 参数的选择
• 5.3.2 模型试验结果与评价
• 5.4 本章小结
• 结论
• 参考文献
• 附录
• 攻读学位期间发表的学术论文
• 致谢