基于决策树法的我国商业银行信用风险评估模型研究

结合我国商业银行的实际,基于数据挖掘中决策树C4.5算法的分析框架建立了商业银行的信用风险评估模型,通过此模型可以根据贷款企业的财务指标,得出企业是否违约的分类。此分类将对商业银行信用风险控制工作具有很好的指导意义。还通过案例进行了实际的风险评估分析。     

一种基于神经网络和决策树的信用评估新方法

分析了数据挖掘在国内外金融领域的应用及研究现状,提出了一种基于神经网络和决策树相结合的信用评估新方法。该方法通过RBF神经网络,进行条件属性裁减,并利用决策树抽取出评估规则。此方法利用神经网络的“黑箱”工作特性,选择重要条件属性,并利用决策树自动生成评估规则,大大提高了信用评估的效率和客观性。     

基于遗传算法和BP神经网络的信用风险测量模型

随着新巴赛尔协议的推出,信用风险测量问题越来越受到重视。在西方发达国家,商业银行的信用风险管理测量技术已比较成熟,继传统的比例分析、主观分析之后,统计方法得到广泛的应用,如判别分析和logit回归分析等。自从20世纪80年代末期以来,人工智能技术如神经网络、专家系统等也被应用于商业银行信用风险测量中。目前,该领域应用最多的就是BP神经网络,但其固有的一些缺点,如易陷入局部极小点,会影响预测效果。但可以利用改进的遗传算法对BP神经网络进行优化,实验证明效果非常好。     

基于神经网络的商业银行信用风险研究

针对商业银行信用风险的性质和借款人财务指标的非线性、高度相关性、不成正态分布等,利用人工神经网络能模拟人的部分形象思维能力能较好地处理非线性问题,信息的并行分布式处理与存储,可以多输入、多输出,能进行学习以适应环境的变化等特点,构建商业银行信用风险神经网络模型。该神经网络模型由输入层、隐层和输出层三部分组成,输出结果表明,利用三层隐节点的神经网络模型能达到理想的输出结果,比传统的信用风险管理方法有较高的预测精度。     

基于BP算法的神经网络信用风险度量实证研究

理论与实际相结合,应用神经网络技术,构建了一个基于BP神经网络技术的信用风险评价模型,对我国传统的信用风险分析方法进行改进,克服了以往我国信用风险度量中存在主观随意性的特点,为我国信用风险度量模型的建设拓宽了思路,丰富了我国信用风险体系建设中的度量方法.     

基于BP-KMV模型的商业银行信用风险评价研究

建立BP神经网络和KMV模型相结合的BP-KMV信用风险评价模型,并选择上市的49家样本公司的财务数据和股价水平对BP-KMV模型进行实证分析,将结果与商业银行现行的评价结果相比较,表明BP-KMV模型更符合实际情况。进一步发现评价结果的差异体现在信用度相对较高、风险相对较大的区域。     

商业银行信用风险评估模型比较研究

信用风险评估是商业银行信用风险管理的首要工作和关键环节,信用风险的量化和模型化是现今信用风险研究的主要趋势,随着对信用风险评估模型领域的探索研究不断地深入,建立适合我国国情的商业银行信用风险评估模型刻不容缓.通过对西方商业银行信用风险评估模型的比较研究,指出其特征和优缺点,以期为我国商业银行信用风险评估模型的建立提供借鉴和参考.     

基于粗糙集和RBF神经网络的分类模型研究

分类是数据挖掘中一个重要的研究领域。针对原始决策表中往往存在大量冗余信息,从而影响决策分类综合性能这一问题,提出了一种基于粗糙集和RBF神经网络的分类模型。该模型在保持训练样本分类质量的情况下,运用属性约简方法对决策表进行约简,得到维数较小的训练样本空间。通过这样确定RBF神经网络输入层变量,优化了网络结构。实例结果表明了该方法的有效性和实用性。     

物流金融信用风险评估模型构建研究

物流金融业务不仅可以解决制造企业的融资瓶颈问题,推动物流企业的业务拓展,还可以为银行业的金融创新提供条件。但是这种新兴的业务在给商业银行提供诸多利益的同时,也带来了一定的信用风险。文章分析了物流金融信用风险的影响要素,构建了物流金融信用风险评价指标体系,在此基础上建立了物流金融信用风险评估模型。     

基于神经网络房地产价格指数的预测研究

研究表明,房地产价格指数常表现为非线性,要对它进行预测就必须利用一种能模拟非线性的模型。从理论上讲,神经网络能够无限逼近非线性函数,所以本文便尝试采用神经网络模型作为预测的模型。本文具体运用的是基于误差反向传播算法的多层前馈网络(BP神经网络)和径向基函数(RBF)神经网络。首先利用BP神经网络对采集到的中国房地产价格指数进行训练和模拟,最后进行预测,并比较预测结果和真实值,发现误差比较大,一方面是因为选取的样本数据少,另一方面是因为BP神经网络本身具有缺陷。为了克服BP神经网络预测的缺陷,本文接着运用RBF神经网络对选取的数据进行训练和模拟,用训练好的网络来进行预测,得到的预测结果与真实值相比较,误差很小,而且RBF神经网络的运行速度要比BP神经网络快很多。经过比较可以得出RBF神经网络用于经济预测可以达到很好的效果。     

基于BP神经网络的农户小额信贷信用风险评估研究

利用2009年杨凌区三家农村信用社的实地调研资料进行了农户小额信贷信用风险评估的实证研究,对指标变量分别进行正态性检验、差异性检验和多重共线性检验,利用MATLAB7.0软件建立了8—14—1结构的BP神经网络农户信用风险评估模型。模型对训练集样本的总体判别正确率为100%,对测试集样本违约类农户的预测正确率达90%,总体正确率达84.09%。准确度较高,能够为农村信用社识别农户信用风险提供较好的依据。     

基于模糊神经网络的企业信用风险评估模型研究

根据浙江省企业信用评价指导性标准和规范所确定的企业信用评价指标体系,建立了模糊神经网络的企业信用风险评估模型。该模型中确定的模糊规则层具有自调节的功能,可以较好地实现对企业信用风险的评价。利用MATLAB2010a编程对样本数据进行实证分析,结果表明模糊神经网络评价企业信用风险具有较高的准确性和稳定性。     

基于BP神经网络组和DS证据理论的信用风险评估算法

结合BP神经网络和DS证据理论,将其有效地结合应用于商业银行的信用评估中。该方法通过对信用风险的输入数据特征进行分类,建立BP网络组,对网络组的输出,建立对于各类信用度的基本概率分配函数,最后利用DS证据理论融合,从而实现信用风险的最终决策。通过实际案例,验证了算法的可行性和有效性。     

基于决策树的网络教学系统的学生模型研究

基于遗传算法与决策树思想相结合的方法,对学生的学习历史、方式,知识情况,认知能力等要素进行数据分析和分类,将学生模型分为偏差模型、覆盖模型、心理模型和认知模型．为用户提供了个性化的教学环境．     

基于ART2模型的信用风险评估

自适应共振模型是为了能够分类任意次序模拟输入模式而设计的,它可以按任意精度对输入的模拟观察矢量进行分类,较好地解决了前稳定性和灵活性问题,同时能够避免对网络先前所学的学习模式修改。本文将ART2模型应用于信用风险评估,通过实证比较研究,结果显示应用自适应共振模型进行信用风险评估在精度和准确性上,都优于其他神经网络模型和统计方法。     

基于BP神经网络的中小企业信用评价研究

利用因子分析法建立了我国中小企业信用评价财务指标体系,据此构建了单隐层结构的BP神经网络,并以2006年100家ST和非ST上市公司为训练样本,详细考察了隐含层结构和网络训练函数对BP神经网络辨识性能的影响,最终得到了具有较快收敛速度和较高准确率的BP神经网络。在此基础上,以2006年财务数据为研究样本,对102家上市中小企业进行了信用评价。结果表明,各中小企业之间的信用评价结果存在较大的异质性,说明采用BP神经网络进行信用评价具有较高的可操作性。