基于数据挖掘的上市公司信用评级变动预测

文章研究如何利用机器学习算法来预测中国上市公司的信用评级变动.选取了中国2003-2015年可得信用评级的记录,得到330条信用评级变动的记录.随后利用包含传统的线性分类器和最近提出的AdaBoost及随机森林分类模型等五类模型进行了实证.实证结果显示,随机森林分类模型对信用评级变动的预测能力最强.     

基于期权定价理论的上市公司信用分类建模及应用研究

在分析研究期权定价理论框架的基础上,以中国资本市场的实际数据为样本,建立了期权定价信用分类模型,并得到了比较满意的结果.研究结果表明:在中国资本市场完全可以利用期权定价信用分类模型来及时识别上市公司的信用风险,与经典的统计方法相比,此法是一种比较理想的信用度量方法,具有广泛的适用范围和较高的推广价值.     

基于BIC的粗糙集择优和属性约简

粗糙集优良性评估标准对粗糙集应用至关重要,目前常用的标准是误判率,在测试集中误判率小的粗糙集并不总是具有最高预测准确度。在引入BIC准则评价粗糙集优良性的基础上,给出基于BIC准则的粗糙集择优方法和基于BIC的粗糙集属性约简方法;利用粗糙集分类规则构建Logistic模型,将拟合Logistic模型的BIC值作为该粗糙集的BIC值,并用于粗糙集优良性评估;实际应用显示:基于BIC的粗糙集择优方法能够筛选出预测高准确度的粗糙集,当多个粗糙集的误判率差异小时,新方法更可能选出预测准确度高的粗糙集,信息熵和BIC组合的属性约简结果更好。     

不平衡数据下模型评价指标的有效性探讨

模型评价指标对于衡量模型的表现尤为关键,只有正确合理的评价指标才能更好地反映模型的性能优劣。由于AUC和KS指标在被用于评价信用评级模型时,均存在忽视了数据的不平衡性和类别误判代价不等价性的不足,故文章从代价敏感矩阵出发计算总损失,进而提出新的评价指标——AKS指标。进一步地,模拟分析的结果表明,由AKS指标确定的阈值较KS指标更合理,且不同情形下AUC、KS和AKS指标的有效性分析结果表明AKS指标可以较好地衡量模型的分类性能。     

我国创业板上市公司信用评级研究

文章选取2015年我国创业板上市公司的多元财务指标,运用因子分析法,在对每家企业进行K-means聚类分析的基础上,用Z值进行分类,将之作为该年度创业板上市公司信用评级的基准.然后利用该年度的数据作为测试集,以该模型对创业板上市公司的评级结果作为目标输出构建BP神经网络模型,并利用2016年创业板上市公司的财务数据,套用该模型进行仿真预测.发现创业板公司评级整体在中等偏下水平,且涨幅排名前十的公司信用评级整体上明显优于排名最后的十家公司,该评级结果说明,在2016年股市波动较大的情况下,创业板上市公司财务状况越好,其评级越高,越能经受住市场的考验.     

基于Logistic回归和BP神经网络的财务预警模型比较

国内对Logistic回归模型和BP神经网络模型在财务预警方面已有不少实证研究,这些研究大多从预测准确度较高的角度出发,认为两个模型可以借鉴使用,但没有具体讨论模型犯第一类错误(将财务危机误判为财务正常)和第二类错误(将财务正常误判为财务危机)的概率.文章结合Logistic回归模型及BP神经网络模型的原理,选取上市公司财务数据进行实证,研究结果表明BP神经网络模型总体预测准确性较高,犯第一类错误的概率较低,对财务预警分析有一定借鉴作用;Logistic回归模型预测准确度低于BP神经网络模型,且犯第一类错误的概率远高于BP神经网络模型,因此运用该模型进行财务预警时应十分谨慎.     

基于PCA和GRA的虚拟企业信用评价模型

文章提出了一种基于PCA和GRA的集成信用评价模型.在该模型中,首先利用PCA原理从信用评价指标中遴选出了最能反映原始数据足够信息的主成分因子,并将该主成分因子作为关键指标构建虚拟企业信用评价的决策模型;然后利用GRA原理计算了虚拟企业信用综合评价值.算例验证了模型具有可行性.     

基于MCD估计的稳健Fisher判别分析及其实证

为有效解决存在异常数据时传统Fisher判别分析(FDA)方法误判率高的问题,文章提出了一个简单而稳健的FDA方法.该方法首先用最小协方差行列式(MCD)稳健估计技术获得稳健的样本均值和协方差估计;然后再用FDA进行判别分析.为验证方法的有效性,文章将此方法应用于我国上市公司财务困境的预测问题.实证研究表明,在没有异常值的情况下,基于MCD的稳健FDA判别和传统的FDA判别结果基本一致;而在有异常值的情况下,新方法明显优于传统的FDA,不仅可有效抵御异常数据的干扰,而且仍保持较低的误判率.     

基于首末位质量因子的BP神经网络财务风险预警模型

上市公司往往存在粉饰财务数据来美化企业经营状况的动机,这会降低财务风险预警模型预测的准确性。文章利用Benford律和Myer指数两种数据质量评估方法,构建Benford和Myer质量因子,引入BP神经网络模型,构造BM-BP神经网络财务风险预警模型;并进一步利用2000—2019年中国A股上市公司数据,评价数据质量因子对财务风险预警模型预测准确性的影响,分析新模型预测准确性的稳定性。实证分析结果显示:Benford和Myer质量因子提高了BP神经网络财务风险预警模型预测的准确性;在不同质量因子的比较结果中,包含评选指标Benford和Myer质量因子的BP神经网络财务风险预警模型具有较高的预测准确率和较低的二类误判率,稳定性良好;利用决策树算法筛选指标有效提高了新模型的预测准确性。     

支持向量机在选择优质股票中的应用

本文利用支持向量机建立挑选优质股票的分类模型,选取上交所1999-2005年的所有上市公司作为研究样本,代入支持向量机模型进行实证测算,结果表明上市公司下一年的每股收益与该公司当年的财务指标有着密切的联系。通过上市公司财务指标,利用SVM分类模型选中的股票其平均每股收益远远超过了上市公司平均每股收益。     

基于交易大数据的小微企业信用动态评价

我国小微企业普遍存在融资难、融资贵的问题,其根源在于信息不对称导致的信用评价困难。本文提出了基于动态数据源的信用评价体系分类方法,讨论了基于交易大数据的小微企业信用评价体系的优势;将小微企业动态交易大数据和工商注册等静态数据相结合,设计了能反映企业信用变化的小微企业信用动态评价模型;最后对13个不同行业的755家小微企业时信用进行实证分析,并与外部征信机构(天眼查)的信用评价结果进行比较,验证了本文设计的小微企业信用动态评价模型飾可行性、可操作性和有效性。     

基于改进的AdaBoost算法的信用评分模型

将AdaBoost组合算法应用于信用评分模型中的分类问题,并针对该算法在解决不平衡分类问题上的一些不足,对算法进行了改进。应用此改进的AdaBoost算法,创建了新的信用评分模型,并进行了实证分析。实证结果表明,基于改进的AdaBoost算法的信用评分模型可以有效降低由于模型错判而导致的损失。     

KMV模型的改进及对上市公司信用风险的度量

针对我国资本市场和上市公司的特征,笔者对KMV模型进行了参数的改进,充分考虑了流通股和非流通股的分别计价问题,上市公司的违约点设定问题.因而参数调整后的KMV模型更加符合我国的实际.通过对沪市上市公司的信用风险评估的检验,充分证明参数调整后的KMV模型能够及时准确地识别出我国上市公司的信用质量变化趋势.     

上市公司信用风险的度量

文章根据通达信概念板块的分类,在11个经济区中分别选取3个行业组成研究样本,应用修正的TGARCH-KMV模型度量不同经济区、不同行业上市公司的信用风险.研究结果表明:在经济区比较上,东部沿海地区上市公司的信用水平最佳,中部次之,西部最劣.其中,位于环渤海经济区的上市公司信用风险最小,而地处成渝特区的企业信用风险最高;在行业比较上,资产规模最大的房地产业,其上市公司信用风险最小,医药制造业次之,而高科技的信息技术企业信用风险最大.同时,利用因子分析法阐述影响上市公司行业信用风险的财务因子及其对应政策.     

基于因子分析模型的上市公司经营业绩评价

本文首先分析比较了目前上市公司经营业绩评价的主要方法,并剖析其存在的不足之处,在此基础上引入因子分析模型,并构建评价上市公司经营业绩的指标体系,然后应用该模型对上市公司经营业绩做出实证研究,最后得出研究结论,并指出了由于会计信息失真等因素的存在,使得该研究方法存在一些局限性.     

上市公司竞争力区域间比较研究

本文以全国在沪、深两市挂牌交易的1629家上市公司，按地区分类，建立了各省上市公司的竞争力评价指标体系，用因子分析法构建了上市公司区域竞争力综合评价模型，并以2006年年报数据为基础对上市公司的竞争力状况进行了区域间实证比较分析，为决策者提供相关信息。     

基于KMV模型上市公司违约点的确定

上市公司的信用风险同时关系到企业与银行的健康发展.在发达国家,信用风险预测模型越来越严密与精确.文章根据KMV模型的原理,利用我国上市公司的实际数据,采用最小误判法,确定了我国上市公司的违约点和违约距离,井对此违约点及违约距离进行了实证检验.     

基于误判率的最大差异度量法

最大差异度量法在市场研究中越来越受到重视,但是其问卷设计中包含的误判信息并没有被有效利用,文章在定义了顺序比较和三角误判的概念后,提出了计算个人误判率的方法,统计出的个人误判率可以作为排除误判率较高评价者的依据.在此基础上,结合汽车消费者购买因素调查的实际案例,验证了基于误判率的最大差异度量法的有效性,同时利用不同购买因素之间的有效对比计数和概率信息,得到了个体的最优排序,为后续研究提供了更有价值的数据信息.     

数据挖掘模型在小企业主信用评分领域的应用

国际经验表明,信用评分技术可较好地解决小企业贷款高成本、高风险及信息不对称难题.本文广泛选取了可适用于小企业主信用评分领域的12种数据挖掘模型(包括本文的改进模型门限Logistic),并以3个银行微观客户数据集为案例,通过10折交叉验证和预期分类错误成本的方式,检验了这些模型的综合信用评分能力.分析结果及稳健性检验表明,本文改进的门限Logistic模型在模型预测能力及预期错误分类成本等多方面表现优秀;而基于决策树的组合方法也表现良好.本研究对国内商业银行建立合适的小企业主贷款信用评分模型具有参考意义,也有助于推动银行微观金融统计,完善金融统计工作.     

上市公司信用风险计量研究——KMV模型及其应用

文章系统地讨论了KMV模型的基本结构及其形式,并对我国上市公司的信用状况给予了实证分析,指出了KMV模型在分析中国上市公司信用风险时所面临的一些问题与不足.