汉语古诗词中缺省现象的认知解读和翻译策略

汉语古诗词往往通过设置空白激发丰富的言外之意。从认知的角度看,这些空白是诗人考虑到与读者共享一些知识而留在文中的缺省信息,也是读者在阅读过程中所激活的认知结构的空位,他们必须调用认知结构的默认信息(包括框架的默认值、脚本的隐含序列、隐含的隐喻源域或目标域、隐含的转喻次域或主域)填补空白才能获取其中的言外之意。在翻译过程中,译者须考虑到译入语读者的认知知识和文化传播的目的,采取明示或保留缺省信息的翻译方法,也就是认知默认值的显译或隐译策略。     

论违约责任和侵权责任的竞合处理

违约责任与侵权责任是两种性质不同的民事责任,侵权责任保护的是固有利益,在合同签定、履行过程中可能有侵权性违约行为、违约性侵权行为发生,从而会产生违约责任和侵权责任竞合的情形。合理分析和处理违约责任和侵权责任竞合的不同情形,对最大限度地维护当事人的合法权益会起到积极作用。     

受领迟延制度的属性争议

受领迟延制度是大陆法系一项传统的债法上的制度,我国民法虽然有相关规定,但也未形成系统的制度.受领行为的性质直接决定了受领迟延责任的定性,即迟延受领是否要承担违约责任.主要大陆法系国家包括我国法律中都没有明确规定受领行为的性质,透过学说和外国立法例的分析,受领实质上是债权人的权利,而在一般情况下,受领迟延系对权利的放弃,债权人不承担违约责任;意定或者法定情况下,若违反相关义务,债权人则要承担迟延责任.     

从文化缺省角度看《围城》的翻译

来自同一社会文化背景的成员都具有关于这一社会文化的共同的知识,在交际过程中,这些共同知识作为背景知识常常被交际双方所省略。如果被省略的部分与语篇外的文化背景知识有关,那么这部分的缺省就是文化缺省。在翻译过程中,译者要补偿由这种具有鲜明文化特性的文化缺省所造成的意义真空。以珍妮·凯利（Jeanne Kelly）和茅国权翻译的《围城》为例,分析了译者所采取的几种翻译方法以及译者如何补偿《围城》中所体现的在中国社会文化中作为预设的文化和情境认同在英语文化中的缺失。     

企业违约风险因素分析与模糊综合评价

通过比较当前违约风险主流评价方法的优劣 ,论证了选择模糊综合评价法分析违约风险的必要性 ,给出了企业流动性违约和战略性违约的定义 ,并分析了导致企业违约发生的几个主要因素 ,在此基础上 ,运用层次分析和模糊评价法提出了构建了企业违约风险分析的量化模型     

分贷统还合同的法律性质与违约风险化解

分贷统还合同为政府通过合约统一贴息实现了扶贫资金的公司化运作,有效地发挥财政扶贫资金的整体效益,但也产生了合同法律性质认定争议大、合同履行易受政策变化影响;户贷企用导致贷款用途和资金安全存在风险,公司分红还款系统性违约等弊端,如公司经营不善,贷款亏空,一旦出现系统性违约,不仅影响农村社会稳定和政府公信力,司法机关亦将面临纠纷批量涌入的现实问题。为趋利避害,分贷统还合同有必要在综合衡量扶贫目的、公司盈利及扶贫责任和银行资金安全的基础上,调整户贷企用政策,甄别债权类型,考虑违约的具体情势,从实操层面化解分贷统还合同违约风险。     

基于违约鉴别能力组合赋权的小企业信用评级——基于小型工业企业样本数据的实证分析

信用评级是衡量债务违约的可能性,因此评级体系要有违约风险识别能力,能够将违约客户和非违约客户显著地区分开.通过逼近理想点的思路,构建多目标规划模型求解最优的组合权重,并对中国某区域性商业银行1 814笔小型工业企业贷款进行实证分析.本文的创新与特色一是以非违约企业的数据到正理想点的距离代数和最小为第一个目标函数,以违约企业的数据到负理想点的距离代数和最小为第二个目标函数,构建多目标非线性规划模型进行组合赋权,在满足了“非违约企业的评价得分越高、违约企业的评价得分越低”要求的目标下得到最优的组合赋权的权重系数,使赋权结果保证了评级模型能够将违约企业与非违约企业最大地区分开.改变了现有研究的组合赋权脱离评价目的的弊端,改变了现有研究中违约与非违约企业的评价得分存在大量重叠、对两类企业的区分能力低的弊端.二是通过检验“违约企业的信用得分是否显著小于非违约企业的信用得分”的J-T非参数检验,验证信用评价模型的合理性.改变现有研究忽略对信用评价模型的合理性进行验证的弊端.三是经过实证,发现本研究建立的组合赋权模型的违约鉴别能力(Z=5.546)要高于现有研究的两种常用组合赋权模型、即基于方差最大的组合赋权(Z=4.298)和基于偏差最小的组合赋权(Z=5.182)     

边界Logistic违约率模型及实证研究

在前人研究基础上对边界Logistic违约率模型展开进一步研究.首先通过抽样分布性质的研究从理论上说明了为什么边界Logistic违约率模型更优越.然后利用中国公司数据展开实证研究,不仅找到了Cramer问题的中国证据,同时还发现边界Logistic违约率模型不仅能够克服Cramer问题、而且对临界值不敏感、同时预测效率也相对较高.     

中国影子银行违约风险和防范机制研究——来自上市公司委托贷款数据的经验证据

本文运用中国上市公司披露的委托贷款公告数据，实证研究了影子银行的违约风险及其防范机制。数据显示，我国委托贷款的整体违约率为10.09%，远高于同期银行业金融机构的不良贷款率。进一步研究发现，与影子银行风险受信息因素影响的直觉一致，抵押条款和借贷距离会显著影响委托贷款违约率：其一，从抵押视角来看，抵押条款和贷款违约率显著正相关，这表明，为了防范事后的道德风险问题，贷款者会要求借款者提供抵押；其二，从借贷距离视角看，与近距离借贷（或同省借贷）相比，远距离借贷（或异省借贷）的违约风险相对较高，这揭示出，借贷距离越远，贷款者越难对借款者进行甄别和监督，从而推高了借款企业的违约概率。本文研究不仅为我国委托贷款这一影子银行机制的风险状况提供了直接的经验证据，而且对影子银行参与者如何有效防范风险和相关政府部门加强监管具有重要的借鉴意义。     

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.