基于差分进化自动聚类的信用风险评价模型研究

随着风险评价的日益复杂化, 多维度、多时序等不规则的样本数据增加了评估的难度。本文建立信用风险评价的差分进化自动聚类模型, 并将其应用到我国上市公司信用风险评价中。该模型不要求事先知道分类的数据, 相反, 通过群体智能去寻找最优的分区。通过数据仿真, 并与遗传算法、决策树、BP神经网络模型进行信用风险评价的实证对比研究, 结果表明, 该模型能够非常准确的找到数据对应的分区, 大大提高了信用评估的准确性, 降低了风险成本, 对信用风险的管理和控制具有很高的利用价值。