新三板融资环境下中小企业信用风险评估

新三板市场存在信息披露不足、流动性弱的问题。为有效利用公开数据控制挂牌中小企业信用风险,构筑了包含财务和非财务特征的评价体系,建立了Lasso-logistic评估模型。研究发现:Lasso-logistic模型不仅能筛选出精简实用的指标体系,而且能甄别风险因素的重要性和方向,有优良的评估性能。新三板企业普遍信用水平偏低,建议大力整合数据信息平台,加强对挂牌企业的信息披露监管,科学运用信用评估手段,保障健康的融资环境。     

电子商务信用风险评估模型

准确评估电子商务信用风险,有助于企业提高风险监控预警能力,促进健康持续发展.文章构建了基于灰色关联分析和最小二乘支持向量回归(LSSVR)的电子商务信用风评估模型.首先,引入灰色关联分析提取电子商务信用风险重要影响指标;其次,应用LSSVR建立电子商务信用风险评估模型,并利用粒子群优化算法选择LSSVR模型参数;最后,利用实际样本数据进行实证分析,并根据评估结果提出相应的应对策略.     

信息不对称下网络借贷市场信用风险识别

文章以美国Lending Club网贷平台为研究对象,探索在信息不对称下,不同信用评价模式对网络借贷行为影响的差异性.结果显示,两种信用评级方式,即平台内部对借款人的信用评级和外部第三方提供的信用评级对贷款人放贷行为的影响具有显著差异.具体而言,贷款人是否放贷以及以何种价格放贷主要取决于平台内部的信用评级;在相同条件下,贷款人更依赖于平台内部的信用评级识别借款人的信用风险.     

新经济业态P2P网络借贷的风险甄别研究

国内P2P网贷平台存在的问题及风险令人触目惊心,本研究旨在探索P2P网络借贷这一重要新经济业态的风险甄别问题.本文在我国444家P2P平台基本信息与交易信息基础上,通过网络爬虫获取了30万余条网民评论和新闻数据,利用文本挖掘技术提取了重要的外部信息,综合使用11种统计模型评估变量的重要性并讨论其经济意义.研究表明:①平台风险与基本信息、交易信息和外部信息间存在复杂的非线性关系,SVM、树类模型等非线性模型对预判P2P平台风险更加有效;②网民评论、关注度等基于互联网的非结构化信息,以及平均利率波动、资金净流入波动、未来待还金额波动等信息对甄别风险具有重要的作用;③根据拍拍贷的案例,小额、超短期、男性借款人具有更高的违约风险;④基于线性模式的传统风险指数构建方法并不适用于甄别P2P平台风险.有关部门应从完善法律法规、加大信息披露力度、发布风险预警综合指数等对P2P行业进行监管.     

基于信用溢价的融资租赁企业信用风险的测度

依靠KMV模型的理论基础与Merton提出的内生信用溢价公式,在违约距离的基础上衍生出信用溢价;通过承租人企业二级市场股价表现与财务等相关信息得出资产价值波动与违约距离,进而使用信用溢价指标来衡量承租人产生的信用风险,并收集融资租赁行业主要上市公司数据,对模型的有效性进行实证研究。信用溢价指标作为分析企业债信用风险的计量方法,在融资租赁行业信用风险研究中可以起到借鉴作用。     

P2P网贷企业寿命影响因素研究——来自718家企业的经验数据

对于新兴制度创业行业而言,合法性根基较弱,生存问题至关重要。以网贷之家统计的718家跑路P2P网贷企业数据为基础,分析其寿命影响因素,为P2P网贷企业、政府监管部门以及投资者和借款人提供参考。研究发现,注册资本、上线时间、跑路时间、跑路前1月股票指数、跑路前2月存款利率、跑路前1季度GDP均与企业寿命显著相关。层次回归模型中,上线时间、跑路前2月存款利率、跑路前1季度GDP对企业寿命有负向影响,而跑路时间则对企业寿命呈正向影响。在控制其它四个变量的条件下,注册资本与跑路前1月股票指数对企业寿命影响不显著。     

基于支持向量机的上市公司信用风险评估研究

文章运用一种基于小样本学习的支持向量机(SVM)方法构建信用风险模型进而应用于我国上市公司信用风险评估。实证分析的结果表明:支持向量机在信用风险评估中比多元判别分析(MDA)方法更为准确和有效;研究结果为银行、投资者有效判别信用风险提供了理论依据。     

商业银行信用风险识别的模型构建与政策建议

文章构建的普通Logistic识别模型在商业银行信用风险的识别中稳定性不强,影响了其预测性能。在使用主成分分析法对数据信息进行有效压缩后,构建的主成分Logistic混合识别模型不仅精度高,而且稳定性好,为商业银行识别和评估信用风险提供了一种有效的方法。最后,对于我国商业银行如何提高信用风险识别水平给出了相关政策建议。     

信用风险管理中损失分布法与价值分布法的模拟比较

文章通过实际模型比较了信用风险的两大类模型:违约模型和盯市模型。信用风险具有广义与侠义之分,狭义的信用风险就指违约风险,即相关金融资产(贷款)发生违约的可能性及违约的可能损失;广义的信用风险在违约风险的基础上应该包括信用变化所带来风险,也就是信用迁移风险。文章通过构建具有蒙特卡洛模拟的信用风险模型,计算这两种风险值,通过比较得出如下结论:并不是广义的信用风险就大,而是与资产组合的信用状况相关,高信用品质的资产信用迁移增加风险,而对低信用品质的资产信用迁移减少风险。     

现代信用风险研究综述

现代信用风险模型主要分为结构法模型和简约法模型。这两类模型各有特点,但总体上是围绕着违约时间、违约概率、违约债券定价、违约的可预测性等问题展开,两类模型各自的特点也都缘于对这些关键问题的不同假定或处理方法。传统的结构法模型和简约法模型都是基于完全信息条件下的信用风险模型。近年来一些学者放松了关于完全信息的假定,建立了非完全信息的信用风险模型,使信用风险的评估和预测更加接近现实。     

Establishing decision tree-based short-term default credit risk assessment models

ABSTRACT

Traditional credit risk assessment models do not consider the time factor; they only think of whether a customer will default, but not the when to default. The result cannot provide a manager to make the profit-maximum decision. Actually, even if a customer defaults, the financial institution still can gain profit in some conditions. Nowadays, most research applied the Cox proportional hazards model into their credit scoring models, predicting the time when a customer is most likely to default, to solve the credit risk assessment problem. However, in order to fully utilize the fully dynamic capability of the Cox proportional hazards model, time-varying macroeconomic variables are required which involve more advanced data collection. Since short-term default cases are the ones that bring a great loss for a financial institution, instead of predicting when a loan will default, a loan manager is more interested in identifying those applications which may default within a short period of time when approving loan applications. This paper proposes a decision tree-based short-term default credit risk assessment model to assess the credit risk. The goal is to use the decision tree to filter the short-term default to produce a highly accurate model that could distinguish default lending. This paper integrates bootstrap aggregating (Bagging) with a synthetic minority over-sampling technique (SMOTE) into the credit risk model to improve the decision tree stability and its performance on unbalanced data. Finally, a real case of small and medium enterprise loan data that has been drawn from a local financial institution located in Taiwan is presented to further illustrate the proposed approach. After comparing the result that was obtained from the proposed approach with the logistic regression and Cox proportional hazards models, it was found that the classifying recall rate and precision rate of the proposed model was obviously superior to the logistic regression and Cox proportional hazards models.     

基于高维分步投影的多重分区聚类算法

基于数据分布密度划分的聚类算法是数据挖掘聚类算法中的主要方法之一。针对传统密度划分聚类算法存在运算复杂、运行效率不高等缺陷,设计出高维分步投影的多重分区聚类算法;以高维分布投影密度为依据,对数据集进行多重分区产生数据集的子簇空间,并进行子簇合并形成了理想的聚类结果;依据算法进行实验,结果证明该算法具有运算简单和运行效率高等优良性。     

An Examination of the Conceptual Issues Involved in Developing Credit-Scoring Models

Multiple discriminant analysis (MDA) is frequently used to develop statistical credit-scoring models for loan evaluation purposes. Current legislative efforts to insure that credit is being granted in a nondiscriminatory manner have focused considerable attention on the reliability of such models. This article examines the theoretical requirements of the MDA model in the context of a realistic lending situation and illustrates the extent of bias when these theoretical assumptions are not fully met. The article concludes that failure to rigorously meet all the theoretical assumptions of the statistical model may not be as critical as insuring that credit managers fully understand the limitations of these types of decision tools. Furthermore, the evidence indicates that statistical models other than multiple discriminant analysis are possibly more relevant to the credit-granting decision.     

Bonus—Malus模型在银行贷款机制中的应用

将Bonus—MalLis模型应用到银行贷款业务，通过调整银行的Bonus-MalLis贷款利率来减少贷款欺诈行为。主要是建立借款人的银行个人信用体系，通过借款人上阶段的还款利率和表现决定其下阶段还款利率，这样就提供了一种与完全审计机制不同的奖惩机制。在一些简单假设下可证明Bonus—Malus利率将会消除所有欺诈行为，而非仅仅减少欺诈行为。     

企业财务风险预测模型实证比较分析

企业财务风险一直是风险管理理论和实务界关心的热点话题。运用判别分析和计量经济方法对重庆市某商业银行的461个样本企业2002-2005年的违约特征进行实证检验和预测。结果发现最重要的决定变量是资产负责率、酸性试验比率、资产净利率等7个财务比率以及企业所处的产业部门,考虑了异方差性的probit模型有更好的预测能力。     

基于神经网络的贷款违约识别研究

随着国内金融市场的逐步开放,我国商业银行将面临日益激烈的市场竞争。提高商业银行的信用风险管理水平,增强市场竞争力,已经成为非常迫切的问题。除了完善信贷管理体制以外,研发信用风险模型以降低信用风险很有必要。鉴于目前的数据情况,现实的选择是研发贷款违约识别系统。本文对神经网络用于贷款违约识别做了实证研究,并与判别分析和决策树做了性能比较,得到了一些有意义的结论。     

中国P2P网络借贷信用风险的测量

分析中国P2P网络借贷信用风险的生成机理,借鉴商业银行典型个人信用风险测量理论基础与方法,构建基于涵盖借款人软信息的P2P网络借贷信用风险评级指标体系。通过向在银行从事信贷工作的专业人员发放调查问卷,确定具体指标,使用AHP(层次分析法)与DEMATEL(决策实验室法)相结合的方法综合确定指标体系权重,最后评级结果以百分制数值给出,并换算成具体的信用等级,有效解决了平台对借款人信用等级测量问题。     

中国省域信贷风险判别分析

现阶段，商业银行信贷仍是我国社会资金配置的主要方式。出于盈利和风险考虑，商业银行信贷行为天然具有顺周期特征。为实现稳增长目标，政府更倾向于逆周期调节。受到地方财政收支状况影响，省级地方政府会采取不同方式、不同程度地干预省域资金配置。十九大报告明确指出，要健全货币政策和宏观审慎政策双支柱调控框架。因此，省域信贷风险判别是一个动态过程，需在经济周期与宏观审慎政策框架下整体考虑。在此背景下，本文基于新古典经济学分析框架，建立了2008年以来省域信贷风险识别模型，研究发现，第一，地方财政支出收入比与不良贷款率存在正向影响关系，资本回报率与不良贷款率存在负向影响关系，且地方财政支出收入比对不良贷款率的影响程度更大；第二，依据分类准则，属于信贷高风险的省域分别是：河南，海南，重庆，四川，贵州，云南，陕西，甘肃，青海，宁夏，新疆，西藏；第三，在地方财政支出收入比、资本回报率的显著作用影响下，我国各省域不良贷款率呈现U型变化，不良贷款率阈值为1.49%，即当不良贷款率大于1.49%时，省域贷款风险较高；第四，当我国资本回报率处于企稳阶段，不良贷款率处于低于阈值的谷底阶段，且省域间风险差异性较小。当我国资本回报率处于下行阶段时，不良贷款率上升至阈值线以上，且省域间风险差异性较大。     

基于稀疏结构连续比率模型的消费金融风控研究

近年来,我国消费金融发展迅速,但同时也面临着更加复杂的欺诈和信用风险,为了更好地对消费金融中借贷客户的信用风险进行监测,本文提出了基于稀疏结构连续比率模型的风控方法。相对于传统的二分类模型,该模型的特点是可以处理借贷客户被分为三类或三类以上的有序数据,估计系数的同时能从众多纷繁复杂的数据中自动筛选重要变量,并在变量筛选过程中考虑不同子模型系数的结构特征。通过蒙特卡洛模拟发现,本文所提出的稀疏结构连续比率模型在分类泛化误差和变量筛选上的表现都较好。最后将本文提出的模型应用到实际的消费金融信用风险分析中,针对传统征信信息不足的借款人,通过引入高频电商消费行为数据,利用本文提出的高维有序多分类模型能有效识别借款人的信用风险,可以弥补传统征信方法的不足。     

信用风险、融资担保和动态保费估值

基于市场化信息和风险中性的概念,度量了有担保贷款的边际违约概率和累积违约概率,确定了贷款担保风险的精算现值,根据市场信用价差的变化给出了动态保费每期的调整幅度,并利用数值模拟进行了担保费率的比较静态分析,最后根据实际的担保数据给出了动态保费的实证检验.结果显示,实际的违约支付非常接近于动态保费的估值,证明动态保费估值模型是一个简单、可行和实用的定价模型.