作者Toby，来源公众号：Python风控模型，博士论文合集-基于机器学习的企业信用风险预测模型和研究

大家好，我是Toby老师，今天汇总关于企业信用风险预测模型相关的博士毕业论文合集，分享给大家。本文将带你快速梳理该研究的核心方法、主要发现与复现价值。

01

多场景下中小微企业信用风险量化与信贷决策研究

摘要：伴随着我国金融市场的日益发展,中小微企业已成为我国经济社会发展的生力军,是市场主体中的重要力量。中小微企业具有经营方式灵活,组织成本低廉且转移便捷的特点,能够适应多样化的市场需求与消费者需求;在扩大就业、改善民生、促进稳定和国家税收等方面都扮演着重要角色。然而,由于企业规模较小,实力较弱,资信度低,经营状况不稳定,缺乏有效的抵质押物,经济贡献与银行融资规模不匹配等问题的存在,导致大部分中小微企业面临融资难、融资贵的困境。因此,根据中小微企业的发展现状,建立科学有效的信用评估和风险评价方法体系,对中小微企业的融资模式创新、风险管理应对、以及金融服务监管等方面都具有重要意义。 目前金融机构普遍利用财务数据进行信用评估以施行放贷与风险控制,信用风险是最受关注的风险之一。现有中小微企业信用评分模型存在以下问题:在企业信用评级中需要大量的历史数据,而中小微企业普遍存在财务数据不健全或数据缺失现象,导致信用评级效果差;现有指标赋权方法不能反映指标对违约企业和非违约企业的鉴别能力;现有模型未考虑中小微企业信贷风险量化策略对突发因素的应对变化;大多数研究均未考虑关联企业之间的交互影响;在大数据时代,各种非财务数据源也应该被引入信用评估,以提高信用评估策略的合理性和有效性。结合上述问题,本论文的研究工作主要从以下五个方面展开。 (1)基于改进梯度下降和集成学习的中小微企业信贷决策研究 银行考虑是否给中小微企业放贷时,会着重参考中小微企业的自身实力和信誉等级。鉴于此,结合国内外权威金融机构认可的高频指标,筛选量化信贷记录中的核心指标。然后以银行贷款收益最大化、客户流失率最小化、客户违约风险最小化为目标,考虑银行贷款额度、贷款利率、企业违约概率等约束,建立银行信贷策略的非线性多目标规划模型。构建满足信用等级越高、违约损失率越低为目标的中小微企业信用评级体系,并利用集成学习思想,基于梯度下降算法进行迭代优化,对模型求解确定银行的最佳信贷策略。最后与决策树算法和BP(Back Propagation)神经网络模型进行比较。结果表明本章所设计模型的预测准确率达到96.76%,有较大的提升,验证了模型的有效性。 (2)基于双层XGBoost的信息不完备场景下信贷决策研究 通过利用收集到的少量有信贷记录的中小微企业数据,提出一种双层XGBoost(e Xtreme Gradient Boosting)的预测方法。通过XGBoost对有信贷记录的企业数据集进行训练,从而针对无信贷记录的企业设计双层XGBoost算法,实现对无信贷记录企业的违约情况和信用评级进行预测。以银行贷款收益最大化、客户违约风险最小化为目标建立中小微企业信贷策略模型,并使用粒子群算法求解。同时,采用k折交叉验证方法解决小规模数据集可能带来的预测不准确问题,提高模型的预测准确度。最后,利用AUC(Area Under Curve)、ACC(Accuracy)、MSE(Mean Squared Error)等性能指标进行对比分析。结果显示,与其它预测模型相比,双层XGBoost模型的预测效果在不同预测流程下均是最佳的,体现了文中构建的双层XGBoost模型的优越性。 (3)基于突变级数法的突发因素影响下风险量化策略研究 突发因素对不同行业的中小微企业会有不同影响。为了研究金融机构的信贷策略如何进行优化调整,基于新冠疫情的实际背景,利用收集到的中小微企业相关数据,对企业进行分类。综合考虑宏观和微观影响,将突变级数法应用于突发状况下银行对企业信贷策略的调整。并利用主成分分析法、组合权重法,对企业的信贷风险进行量化分析,将各类企业受疫情的影响程度分5类,以确定银行的信贷调整策略。再利用遗传算法,得到最终的信贷最优策略。最后,通过仿真实验,验证了模型的有效性和可行性。 (4)基于马尔可夫随机场和企业关联知识图谱的信贷决策研究 利用收集得到的少量有信贷记录的中小微企业相关数据,通过整理中小微企业的进销项数据,充分挖掘各企业之间的关联程度。将信用等级评级从只考虑企业自身的局限性中跳脱出来,增加考虑企业之间关联性对企业信用评级的影响。通过建立改进马尔可夫随机场模型,利用搜索算法Bean Search,更新已知的企业信用评级。再利用遗传算法求解信贷策略模型,为银行针对中小微企业的放贷策略提供指导。实验表明,融合考虑企业间的相关性之后,可以得到更全面、更准确的信贷决策结果。 (5)基于多模型融合的大数据量场景下信贷决策研究 论文在已有研究的基础上,构建了一个基于特征选择和通道注意力机制的多模型融合算法,算法使用了相关系数法和GBDT(Gradient Boosting Decision Tree)对原始特征进行筛选。通过与基模型、堆叠模型、融合模型等常见模型对比,验证了构建的NABS(NN-ATT-Bayesian-Stacking)模型预测结果较为理想,AUC值达到了0.9675。与堆叠模型中设计的基于注意力机制的卷积神经网络结合长短记忆神经网络模型相比,AUC值提高了4%～5%,说明构建的模型具有较好的鲁棒性,可以在中小微型企业融资、贷款等场景下做出准确可靠的评估。

关键词：

信贷风险评估;信贷决策;突发因素;企业关联性;融合模型;

• 专辑：

  经济与管理科学

• 专题：

  企业经济;金融;投资

• DOI：

  10.27671/d.cnki.gcjtc.2023.001585

• 分类号：

  F832.4;F276.3;F275

导师：

宋乾坤

学科专业：

管理科学与工程

博士电子期刊出版信息：

年期：2025年第03期 网络出版时间：2025-02-16—2025-03-15

• 文章目录

• 摘要

• ABSTRACT

• 第1章 绪论

•     1.1 选题背景及意义

•         1.1.1 选题背景

•         1.1.2 研究意义

•     1.2 文献综述

•         1.2.1 信息不完备情况下信用评估研究综述

•         1.2.2 突发因素影响下信用评估研究综述

•         1.2.3 考虑企业关联性信用评估研究综述

•         1.2.4 大数据量场景下信用评估研究综述

•         1.2.5 相关研究评述

•     1.3 研究内容与技术路线

•         1.3.1 研究内容

•         1.3.2 技术路线

• 第2章 相关概念、技术与方法

•     2.1 中小微企业的界定和现状

•         2.1.1 中小微企业

•         2.1.2 中小微企业发展现状

•     2.2 信用与信用风险及信用评估

•     2.3 数据挖掘及其建模方法

•     2.4 模型性能评价方法

•     2.5 本章小结

• 第3章 基于改进梯度下降和集成学习的中小微企业信贷决策研究

•     3.1 问题描述

•     3.2 中小微企业信贷决策

•         3.2.1 特征评估指标选取

•         3.2.2 基于改进梯度提升决策树算法的信贷风险模型

•         3.2.3 基于非线性规划算法的信贷模型

•     3.3 实验结果与比较

•         3.3.1 信贷风险评估

•         3.3.2 信贷风险分析

•         3.3.3 银行的最优贷款策略

•     3.4 本章小结

• 第4章 基于双层XGBOOST的信息不完备场景下信贷决策研究

•     4.1 问题描述

•     4.2 中小微企业信贷决策

•         4.2.1 建立双层XGBoost信用风险评估模型

•         4.2.2 建立粒子群信贷决策模型

•     4.3 实验结果与比较

•         4.3.1 数据集和数据预处理

•         4.3.2 实验设置

•         4.3.3 信誉度指标预测模型对比

•         4.3.4 XGBDL-CRE预测模型的有效性分析

•         4.3.5 粒子群信贷决策优化

•     4.4 本章小结

• 第5章 基于突变级数法的突发因素影响下风险量化策略研究

•     5.1 问题描述

•     5.2 突发因素对企业信贷决策的影响分析

•     5.3 应用突变级数法对宏观因素建模及分析

•         5.3.1 突变级数法基本概念

•         5.3.2 突变级数法评价步骤

•         5.3.3 主成分分析及相关性分析辅助建模

•     5.4 银行对企业信贷决策建模及分析

•         5.4.1 遗传算法模型建立过程

•         5.4.2 中小微企业信贷风险评级建模与分析

•         5.4.3 信贷决策模型的建立

•     5.5 案例仿真与结果分析

•         5.5.1 数据集和数据预处理

•         5.5.2 企业分类过程

•         5.5.3 突发因素的燕尾突变建模和分析

•         5.5.4 突发因素下信贷决策优化

•         5.5.5 与无突发因素下对比分析

•     5.6 本章小结

• 第6章 基于马尔可夫随机场和企业关联知识图谱的信贷决策研究

•     6.1 问题描述

•     6.2 关联企业对信用风险评级的影响分析

•     6.3 改进马尔可夫随机场建模及分析

•         6.3.1 企业知识图谱

•         6.3.2 马尔可夫随机场

•         6.3.3 BeanSearch搜索算法

•         6.3.4 信贷风险评级建模与分析

•     6.4 实验仿真与对比分析

•         6.4.1 数据集和数据预处理

•         6.4.2 关联企业网络拓扑图计算与分析

•         6.4.3 关联企业间接影响的对比分析

•     6.5 本章小结

• 第7章 基于多模型融合的大数据量场景下信贷决策研究

•     7.1 问题描述

•     7.2 基模型模块

•         7.2.1 CNN

•         7.2.2 LSTM

•         7.2.3 SE-Block

•         7.2.4 注意力机制

•     7.3 基于堆叠模型的企业信贷风险评级建模与分析

•         7.3.1 CNN-LSTM-ATT企业信用风险评估模型

•         7.3.2 实验设置

•         7.3.3 仿真结果与分析

•     7.4 基于注意力机制的多模型融合企业信贷风险评级建模

•         7.4.1 特征选择

•         7.4.2 NN-ATT-Logistic-Stacking融合模型设计

•         7.4.3 不同评估模型的性能比较

•     7.5 本章小结

• 第8章 结论及展望

•     8.1 研究总结

•     8.2 模型创新点

•     8.3 模型应用

•     8.4 研究展望

• 参考文献

02

高维非平衡环境下的信用评估方法研究

摘要：信用评估是金融业的重要组成部分并且对金融业的发展具有促进和推动作用。它不仅可以帮助金融机构降低贷款违约的风险,提高贷款效率,促进金融市场稳定,还可以提高金融服务质量,从而促进金融业的健康发展。信用评估是一种评估借款人信用状况的方法,旨在帮助金融机构识别借款人的信用风险。通过对借款人的信用历史、收入、资产等因素进行评估,金融机构可以识别借款人的信用风险,从而决定是否授予贷款。随着大数据和机器学习方法的进步,基于机器学习方法的信用评估方法研究成为热门应用研究之一。然而,在现实应用场景中的信用评估问题中,通常面临着样本层面的类别分布不均衡,特征层面的特征数量过大,冗余特征较多等问题。此外,在金融机构实际的信用评估场景中,还存在着一些算法模型之外的问题。例如机器学习的可解释性较弱导致的被采用率较低以及申请人提供的信息造假和欺诈等问题。为了解决以上这些问题,本项研究从文献梳理出发,通过银行信贷机构的实地调研,发现金融机构在真实的信用评估场景下遇到的典型问题。针对信用数据样本层面的类别分布失衡以及特征层面的筛选和冗余特征去除等问题,提出了对应的改进方法并分析了这些方法的应用价值。具体来说,本文的研究包括以下几个部分:首先,为了了解真实应用场景下金融机构在进行信用评估时所面临的主要问题和挑战,研究使用访谈法,资料收集法等方法对银行的信贷部门进行了实地调研。所得到的调研发现帮助本项研究进一步聚焦关键的研究问题,并将研究问题同实践应用相结合。基于以上工作,在方法层面,针对信用评估中存在的高维非平衡现象,本项研究提出了4种改进的信用评估模型。第二,针对信用数据中存在的样本分布类别失衡问题,在现有研究的基础上,提出了改进的基于聚类和距离度量的非平衡数据学习方法。此外,还在此基础上构建了基于多类重采样方案的非平衡集成学习框架,并对不同的组合方式进行了实验对比和验证。第三,针对信用评估问题中少数类样本过于稀少,难以使用欠采样方法的应用场景,提出了基于生成式神经网络的数据增强方法和基于聚类和距离度量的欠采样方法相结合的非平衡学习算法。这种融合了数据增强和欠采样的方法可以更好地应对少数类样本稀疏的非平衡学习问题。第四,针对信用评估中的特征冗余和选择问题,提出了改进的两阶段特征选择模型。通过将过滤法和启发式优化算法进行结合,使用两阶段模型进行特征筛选,可以提高信用评估问题中特征选择的效率和精确度。最后,考虑到信用评估问题中经常会出现的样本层面的类分布失衡和特征层面的特征冗余问题,结合以上关于非平衡学习和特征选择的方法,本文提出了改进的同时使用样本层面方法和特征层面处理方法的信用评估综合模型。这种模型可以用来解决高维非平衡情境下的信用评估问题。此外,基于银行实地调研中所发现的信用评估现状和主要问题和挑战,本文还给出了针对银行等信贷机构在实践应用层面的建议,以及信用体系中其它主体的改进建议。本项研究在理论层面提出了四种分别用来解决机器学习中非平衡学习和特征选择的改进模型,在实践层面,基于信用评估数据集的测试结果表明,提出的改进方法可用来提升信用评估模型的表现。此外,结合银行的实地调研的一手资料,本文在最后给出了改善实际信用评估应用场景中问题的建议和对策。  

关键词：

非平衡学习;特征选择;机器学习方法;信用评估;金融科技;

• 专辑：

  信息科技;经济与管理科学

• 专题：

  自动化技术;金融

• DOI：

  10.27412/d.cnki.gxncu.2023.000025

• 分类号：

  F831.2;TP181

导师：

寇纲

学科专业：

大数据管理

博士电子期刊出版信息：

年期：2024年第04期 网络出版时间：2024-03-16—2024-04-15

文章目录

• 摘要

• abstract

• 1.绪论

•     1.1 选题背景与研究意义

•         1.1.1 研究背景

•         1.1.2 研究意义

•     1.2 研究框架、研究问题与论文结构

•         1.2.1 总体研究框架

•         1.2.2 主要研究问题

•         1.2.3 论文结构框架

•     1.3 研究内容、方法

•         1.3.1 研究内容

•         1.3.2 研究方法

•     1.4 研究的主要特点

• 2. 相关研究文献综述和银行实地调研

•     2.1 针对非平衡数据的分类问题的研究

•         2.1.1 数据非平衡现象和应用情景

•         2.1.2 类别非平衡问题对数据挖掘的影响

•         2.1.3 非平衡数据的处理方法

•         2.1.4 非平衡数据分类性能评价指标

•     2.2 特征选择和处理方法的研究

•         2.2.1 机器学习中的特征选择和处理

•         2.2.2 高维问题影响数据挖掘的原因分析

•         2.2.3 特征选择算法

•     2.3 信用风险及评估模型研究

•         2.3.1 信用评估问题

•         2.3.2 信用评估的分类

•         2.3.3 信用评估的方法

•         2.3.4 基于大数据和机器学习模型的信用评估

•     2.4 银行机构的信贷部门实地调研

•         2.4.1 调研内容和目的

•         2.4.2 使用的方法

•         2.4.3 主要的发现

• 3.融合聚类思想和距离度量的非平衡数据集成学习方法

•     3.1 引言

•     3.2 改进模型的原理和假设

•         3.2.1 相关的研究方法

•         3.2.2 改进模型的原理和假设

•     3.3 基于聚类和距离度量的非平衡集成学习模型

•         3.3.1 所提出的方法的动机和原理

•         3.3.2 基于聚类和距离度量的非平衡集成学习模型Clustering and distance-based imbalance learning model (CDEILM)

•         3.3.3 基于聚类簇大小降采样的非平衡集成学习模型 (Clustersize-based resampling model)

•     3.4 基于多类别重采样方法的非平衡集成学习框架

•     3.5 实验测试和分析

•         3.5.1 测试数据

•         3.5.2 实验度量指标

•         3.5.3 实验结果对比和分析

•     3.6 主要结论

• 4. 基于GAN数据增强和聚类后距离度量降采样的非平衡学习方法

•     4.1 改进模型的原理和假设

•     4.2 基于GAN数据增强和聚类后距离度量降采样的非平衡学习方法

•         4.2.1 模型的基本结构

•         4.2.2 模型的实施步骤

•     4.3 实验测试和分析

•         4.3.1 实验设计

•         4.3.2 度量指标

•         4.3.3 实验结果对比和分析

•     4.4 本章小结

• 5. 基于过滤法和启发式优化算法的两阶段特征选择方法

•     5.1 引言

•     5.2 研究背景

•     5.3 基于过滤法和量子群优化算法的两阶段特征选择方法

•     5.4 实验测试和分析

•     5.5 本章小结

• 6. 融合非平衡学习混合方法和两阶段特征选择的信用评估模型

•     6.1 引言

•     6.2 融合非平衡学习混合方法和两阶段特征选择的信用评估模型

•     6.3 实验测试和分析

•         6.3.1 实验设计

•         6.3.2 实验结果对比和分析

•     6.4 本章小结

• 7.针对银行和其它信贷机构的政策建议

•     7.1 大数据和人工智能在信用评估评估中存在的主要问题

•     7.2 信贷机构的应对策略

•     7.3 针对信用体系中其它信贷机构的政策建议

• 8. 结论与展望

•     8.1 论文的主要工作

•     8.2 论文的主要结论

•     8.3 论文的主要创新点和不足

•     8.4 展望

• 参考文献

• 附录 1:银行信贷部门实地调研访谈

03

小微企业信用评分激发商业银行贷款意愿与实现方法研究

摘要：小微企业作为社会经济发展的重要动力源泉和组成部分,在促进经济发展、增加就业机会和激发创新活力等发面发挥着举足轻重的作用。一直以来,党中央、国务院、省市各级政府及监管部门高度重视小微企业融资问题,通过一系列的政策措施激励和引导商业银行持续加强小微企业信贷投放,商业银行也开始积极探索小微企业信贷技术模式,并取得了一定成效。然而在小微企业信贷批量化发展的大前提下,商业银行对小微企业的户均信贷金额越小,普惠效益越大,但难度随之增大,与小微企业巨大的信贷融资需求相比仍呈现出信贷供给不足的问题,因此要解决小微企业贷款难,难在改变商业银行放贷偏好,激发商业银行贷款意愿,这也是当前金融供给侧改革破题的关键。对此本文从小微企业信贷技术发展的角度出发,基于缓解信息不对称,降低交易成本两个方面研究一项信贷技术是如何有效激发商业银行小微企业贷款意愿,通过有效的实施和部署进而解决小微企业中长尾端客户信贷需求,实现小微企业信贷市场内生化长效发展,这也是本文研究小微企业信用评分技术的重要原因所在。小微企业信用评分(Small Business Credit Scoring,以下简称SBCS)作为一项小微信贷技术自20世纪90年代开始在美国商业银行逐步推广及普及,并被日本、加拿大、澳大利亚等国家广泛应用,大量的经验证明SBCS技术在提高审批效率,实现小微信贷批量化发展等方面发挥着重要作用。因此,基于我国当前已形成的小微企业信贷技术模式及路径,研究并借鉴国外SBCS实践的经验和做法,有利于激发我国商业银行小微企业贷款意愿,突破发展瓶颈,这既是我国社会经济稳定发展、深化金融供给侧改革、我国政府及银行监管部门管理职责的外在要求,也是商业银行多元化发展、调整信贷结构、平衡收益与风险的内在要求,具有一定的理论意义和现实意义。基于上述原因,本文首先运用面板数据模型,结合商业银行小微企业信贷技术模式和特点,分析研究不同类型商业银行信贷技术发展对其小微企业贷款意愿的激发力度,总结作为量化评估技术的SBCS符合商业银行信贷技术路径和业务发展内在需求,可有效激发贷款意愿。同时通过介绍SBCS的原理、特征等,运用“长尾效应”和演化博弈论解释其可有效激发商业银行贷款意愿的机理和条件;随后从SBCS技术的“数据化”和“预测性”两个重要特征实现方法开展研究,并基于Ⅳ值测度对K-means、Chi-Merge及CART算法各特征分箱的结果进行优化整合,再分别运用Elastic Net逻辑回归和一维卷积神经网络构建SBCS。最后,根据我国实际情况提出相关实践建议,总结主要研究成果。在具体内容方面全文分为六章,其中前三章中除导论部分外主要研究SBCS如何激发商业银行贷款意愿,第四章和第五章主要研究SBCS的实现方法,最后一章是建议和结论,各章节内容具体如下:第一章导论部分。主要阐述选题的背景和意义,对国内外SBCS相关研究文献进行系统梳理,介绍论文研究框架、内容、方法及主要创新点和不足等。第二章主要研究哪一种小微企业信贷技术可有效激发商业银行贷款意愿。首先从小微企业定义、融资需求特点等分析得出当前我国小微信贷市场上存在信贷供给不足的问题,特别是对小微企业中长尾端客户信贷供给不足,因此需从供给端角度研究商业银行贷款意愿问题。基于此,以当前我国不同类型商业银行已形成的信贷技术模式为切入点,通过总结和提炼小微企业信贷技术发展的三个阶段特点,运用面板数据模型分析论证基于交易型贷款技术的量化评估技术是小微企业信贷技术发展的趋势,可有效激发商业银行贷款意愿,而SBCS属于该类技术。第三章主要研究小微企业信用评分如何有效激发商业银行贷款意愿。通过介绍SBCS发展历史、原理等,结合其基本特征及对商业银行的影响,从理论和实践两个方面分析SBCS激发商业银行小微企业贷款意愿的机理。在理论方面,从静态理论角度运用“长尾效应”分析SBCS如何改善小微企业信贷市场中的信贷配给;从动态理论角度运用演化博弈论分析SBCS长期有效的条件。在实践方面,通过对发达国家及发展中国家商业银行SBCS实践情况分析该技术在激发贷款意愿时的相关经验和启示。第四章主要分析小微企业信用评分有效实现方法有哪些。以SBCS两个特征入手,首先从“数据化”特征研究数据共享模式和运用替代数据如何解决构建SBCS基础性问题,即数据的有效来源问题。同时从“预测性”特征研究如何有效构建SBCS模型,包括特征分析中运用K-means、Chi-Merge及CART算法分箱及优化整合方法,及Elastic Net逻辑回归和一维卷积神经网络在评分模型构建的基础方法及优化方法。最后从微观实践的两个典型开发案例,即通用型SBCS-费埃哲开发的“小微企业评分服务”,及定制型SBCS-富国银行开发的“企业通”,来介绍开发SBCS的相关方法、经验及实践效果。第五章是根据小微企业信用评分有效实现方法开展实证研究。运用某区域商业银行小微企业相关数据构建SBCS模型,该数据集除大部分特征具有“硬信息”属性外,还包含相关替代数据即纳税数据的运用,贴近小微企业信贷业务实际。在特征分析中分别运用K-means、Chi-Merge及CART算法实现特征分箱,并根据Ⅳ值测度对分箱结果进行整合优化,再分别运用Elastic Net逻辑回归和一维卷积神经网络完成模型训练,用测试集对预测效果进行检验,最终实现分数的转换,完成SBCS模型的构建。第六章是实践建议与主要结论。通过分析当前我国小微企业信用评分实践现状、存在的问题及有利的条件,从国家顶层设计层面和商业银行执行层面两个方面提出建议,建议构建以征信机构通用型信用评分与各商业银行定制型信用评分的多维度的小微企业风险评估与价值发现体系,最后综合全文研究得出主要结论,并对下一步的研究方向进行展望。结合以往的研究,本文的创新点如下:一是分析了不同类型商业银行信贷技术发展与激发其小微企业贷款意愿之间的关系。在使用熵权法构建商业银行小微企业贷款意愿评价指标后,运用面板数据模型分析国有商业银行、全国股份制商业银行及城市商业银行三类银行信贷技术发展对小微企业贷款意愿的激励作用,其中对全国股份制商业银行意愿激励最强,其次是国有商业银行、最后是城市商业银行,通过结合三类商业银行的信贷技术特点及技术发展路径,进而论证了作为交易型贷款的量化评估技术是小微企业信贷技术发展的趋势和方向,可有效激发商业银行小微企业贷款意愿。二是从静态理论和动态理论两个方面分析小微企业信用评分如何激发商业银行小微企业贷款意愿。在静态理论方面运用“长尾效应”分析当SBCS在有效识别风险的情况下所产生的经济效应和规模效应将有利于激发商业银行贷款意愿,并实现小微企业信贷市场中信贷配给的改善。在动态理论方面当考虑时间因素时,运用演化博弈论方法分析实现SBCS技术长期有效的条件,结论是除SBCS有效改进效率必须大于临界值外,更重要的是要确保商业银行对小微企业相关特征数据采集的便利性和有效性。三是尝试运用不同于传统模型方法来构建小微企业信用评分,并取得良好效果。除在特征分析中运用K-means、Chi-Merge及CART算法进行特征分箱并根据Ⅳ值实现分箱结果的整合优化外,在SBCS的构建上本文运用了一种基于逻辑回归的Elastic Net优化方法,该方法可使得模型如L1正则化一样实现模型的稀疏,又能保持如L2的正则化性质,提升模型的泛化能力。与此同时鉴于神经网络作为深度学习方法在特征的提取和预测方面具有良好的拟合能力,并开始在信贷欺诈识别中运用,但目前很少有文献运用一维卷积神经网络解决预测问题,特别是运用该方法构建SBCS几乎没有,本文通过对分箱后的特征进行重要性排序,在转化为序列数据后尝试运用一维卷积神经网络构建SBCS模型,并运用归一化方法和Dropout正则化方法对模型进行优化,其模型整体预测效果即F1得分、准确率,均优于逻辑回归模型及非序列特征数据下的神经网络模型。  还原

关键词：

小微企业信用评分;商业银行贷款意愿;长尾效应;演化博弈;Elastic Net逻辑回归;一维卷积神经网络;

• 专辑：

  经济与管理科学

• 专题：

  企业经济;金融;投资

• DOI：

  10.27006/d.cnki.gdbcu.2022.001280

• 分类号：

  F832.4;F276.3

导师：

王志强

学科专业：

金融工程

博士电子期刊出版信息：

年期：2023年第09期 网络出版时间：2023-08-16—2023-09-15

文章目录

• 内容摘要

• ABSTRACT

• 1 导论

•     1.1 研究背景和选题意义

•         1.1.1 研究背景

•         1.1.2 选题意义

•     1.2 国内外文献综述

•         1.2.1 商业银行小微企业贷款意愿与信贷技术模式研究

•         1.2.2 小微企业信用评分在商业银行信贷业务实践方面的研究

•         1.2.3 小微企业信用评分数据来源相关研究

•         1.2.4 小微企业信用评分模型构建相关研究

•         1.2.5 文献评述

•     1.3 研究框架与研究方法

•         1.3.1 研究框架

•         1.3.2 研究内容

•         1.3.3 研究方法

•     1.4 创新与不足

•         1.4.1 主要创新点

•         1.4.2 存在的不足

• 2 我国商业银行小微企业贷款意愿及信贷技术特点

•     2.1 小微企业的划分标准及融资需求特点

•         2.1.1 小微企业划分标准

•         2.1.2 小微企业融资需求现状及特点

•     2.2 我国商业银行小微企业信贷技术模式特点

•         2.2.1 国有大型商业银行小微企业信贷技术模式特点

•         2.2.2 全国股份制商业银行小微企业信贷技术模式

•         2.2.3 城市商业银行小微企业信贷技术模式

•         2.2.4 商业银行小微企业信贷技术特点及路径发展方向

•     2.3 基于信贷技术视角下我国商业银行小微企业贷款意愿分析

•         2.3.1 我国商业银行支持小微企业信贷发展基本概况

•         2.3.2 信贷技术发展在促进我国商业银行小微企业贷款意愿实证分析

• 3 小微企业信用评分有效激发商业银行贷款意愿分析

•     3.1 小微企业信用评分发展概述、原理及对商业银行的影响

•         3.1.1 信用评分与小微企业信用评分发展概述

•         3.1.2 小微企业信用评分定义及基本原理

•         3.1.3 小微企业信用评分的分类

•         3.1.4 小微企业信用评分对商业银行信贷业务的影响

•     3.2 小微企业信用评分有效激发商业银行贷款意愿理论分析

•         3.2.1 基于“长尾效应”的小微企业信用评分激发商业银行贷款意愿的静态理论分析

•         3.2.2 基于演化博弈的小微企业信用评分激发商业银行贷款意愿的动态理论分析

•     3.3 小微企业信用评分有效激发商业银行贷款意愿实践分析

•         3.3.1 发达国家商业银行小微企业信用评分实践

•         3.3.2 发展中国家商业银行小微企业信用评分实践

•         3.3.3 小微企业信用评分激发商业银行贷款意愿的启示

• 4 小微企业信用评分有效实现方法研究

•     4.1 实现小微企业信用评分“数据化”特征方法

•         4.1.1 基于数据共享模式下小微企业信用评分“数据化”特征实现方法

•         4.1.2 基于替代数据运用下小微企业信用评分构建方法

•     4.2 实现小微企业信用评分“预测性”特征的关键方法

•         4.2.1 特征分析—关于特征分箱、WOE编码及特征筛选方法

•         4.2.2 小微企业信用评分模型构建方法—基于Elastic Net逻辑回归和一维卷积神经网络

•         4.2.3 小微企业信用评分模型的检验及分数的转化

•     4.3 实现小微企业信用评分有效构建的实践经验研究

•         4.3.1 费埃哲小微企业信用评分开发经验及实践效果

•         4.3.2 富国银行小微企业信用评分开发经验及实践效果

• 5 小微企业信用评分实证开发研究

•     5.1 数据的来源

•         5.1.1 数据的获取

•         5.1.2 数据的预处理

•     5.2 数据准备

•         5.2.1 描述性统计

•         5.2.2 相关性检验与异常值检验

•     5.3 特征的粗分箱和优化

•         5.3.1 运用K-means算法、CART算法和Chi-Merge算法进行分箱

•         5.3.2 分箱结果的优化

•     5.4 基于Elastic Net逻辑回归模型优化构建SBCS

•     5.5 基于一维卷积神经网络优化构建SBCS

• 6 实践建议与主要结论

•     6.1 我国小微企业信用评分实践现状及建议

•         6.1.1 我国小微企业信用评分实践现状

•         6.1.2 我国小微企业信用评分实践建议

•     6.2 主要结论与展望

•         6.2.1 主要结论

•         6.2.2 研究展望

• 攻读学位期间承担的科研任务与主要成果

• 参考文献

• 后记

04

基于机器学习的公司债券违约风险估计

基于机器学习的公司债券违约风险估计

黄颖

西南财经大学

摘要：2007年我国开始发行企业债券,借着经济发展的东风,公司债券的发展十分快速。直到2014年3月,国内公司债券出现了第一例违约事件。可以说这并非偶然,在随后的几年里,债券违约事件越发频繁,尤其是在2018年后,债券违约的数量及规模如“火箭”般直线上升,究其原因,是国内企业制度、市场发展、市场监督、投资者素质等各方面的因素综合起来造成。通过对近些年来我国金融市场的发展进行洞悉发现,诸如信贷违约、信托违约等越来越多的违约事件出现,给市场发展带来了很多不确定性。基于高投资回报的诱惑,人们往往经不住诱惑,在诱惑面前缺失理性,抱有侥幸心理挺而走险,导致各种违规违法事件出现,市场风险加剧。这篇文章通过进一步研究分析这些上市企业的对外财务报表,基于盈利、经营、偿债能力等指标分析公司的财务状况,并深入判断财务风险,从财务风险的角度去分析公司债券可能面临的信用风险等等,进一步帮助企业做出投资决策。即使财务比率、财务报告在很多时候都会被质疑:财务造假、财务被粉饰这些情况出现,考虑到当前市场和学术界的情况,使用财务信息是辨别信贷风险的最简单、最有效的方法。在这篇文章中,我们避免使用由许多条件和模型的实用性所限制的复杂模型。由于通常需要基于财务信息的优点来建立和使用模式,所以其适用性很容易被投资者接受。据专家介绍,考虑到时间、成本和有效性,首先需要选择财务信息。而且,从实际应用效果来看,上市公司发行的债券有可能发挥非常好的风险判断效果。即便在判定风险是无法作出一个比较清晰明了的量化性定义,但通过判断,投资人能够以自身的实际情况来决定自己自己是否需要对该企业做投资。本文中,笔者在机器学习的理论基础和数学原理以及数据挖掘的实际操作方法进行了具体的研究,证明了数据清洗和数据降维在使用机器学习训练算法的过程中的举足轻重的地位,使用了SPSS这一强大的数据处理软件和Python这个新晋的编程界“顶流”软件,通过实证分析验证了模型的可信度。用SPSS进行了数据处理和独立性T检验等工作,利用Python编程软件分别验证了决策树模型和light GBM模型的在评估企业信用风险方面的准确性,并对其评估结果进行对比,总结出一个最好的方式。  还原

关键词：

信用风险;公司债券;财务风险;机器学习;

• 专辑：

  经济与管理科学

• 专题：

  企业经济;金融;证券;投资

• DOI：

  10.27412/d.cnki.gxncu.2021.003081

• 分类号：

  F832.51;F275

导师：

刘强

学科专业：

金融

博士电子期刊出版信息：

年期：2022年第11期 网络出版时间：2022-10-16—2022-11-15

文章目录

• 摘要

• abstract

• 1.绪论

•     1.1 研究背景及意义

•         1.1.1 研究背景

•         1.1.2 研究意义

•     1.2 债券违约风险的研究文献综述

•         1.2.1 信用风险评估指标的选择

•         1.2.2 信用风险预测模型的选择

•         1.2.3 总结

•     1.3 研究方法

•     1.4 论文结构及研究内容

• 2.目前债券市场信用风险的实际应用

•     2.1 我国公司债券的现状

•         2.1.1 在我国公司债券的发行

•         2.1.2 我国公司债劵市场现状

•     2.2 公司债券的信用风险

•         2.2.1 公司债券信用风险的特征

•         2.2.2 信用风险的分解

•     2.3 评估信用风险大小的标准

•     2.4 本章小结

• 3.机器学习的理论基础

•     3.1 机器学习的概念及发展历程

•         3.1.1 机器学习的概念

•         3.1.2 机器学习的发展历程

•     3.2 机器学习的方法介绍

•         3.2.1 机器学习的类型

•         3.2.2 用有监督学习进行分类的模型

•     3.3 机器学习调参方法

•     3.4 机器学习评估指标

•         3.4.1 混淆矩阵与精度

•         3.4.2 召回率、准确率与F值

•         3.4.3 ROC曲线与AUC

•     3.5 本章小结

• 4.信用风险评估指标选择与数据初筛

•     4.1 信用风险识别指标选取原则

•     4.2 信用风险的评估指标

•         4.2.1 指标的选择

•         4.2.2 初选指标的数据挖掘

•         4.2.3 指标的初步筛选

•         4.2.4 使用SPSS进行主成分分析法降维

•     4.3 本章小结

• 5.债券市场信用风险识别实证分析

•     5.1 对数几率回归法建模及结果分析

•         5.1.1 对数几率回归模型的设计流程

•         5.1.2 模型结果分析

•     5.2 决策树算法建模及结果分析

•         5.2.1 决策树模型设计流程

•         5.2.2 决策树模型分析结果

•     5.3 LightGBM算法

•         5.3.1 LightGBM算法的训练过程

•         5.3.2 分析结果

•     5.4 多个模型效果的对比分析

•     5.5 本章小结

• 6.结论与展望

•     6.1 结论

•     6.2 展望

• 参考文献

• 附录

• 致谢

05

博士毕业论文难度很大

1.金融博士的培养周期相对固定，毕业门槛明确，尤其是在学术期刊发表方面有硬性要求，整体挑战不小。多数院校要求在核心刊物（如SSCI、CSSCI）上发表1篇，或在普通审稿期刊上发表2篇论文。这是申请答辩的前置条件。

2.国内高校对博士论文质量有多重监管环节，包括开题、中期检查、预答辩、学术不端检测、隐名评阅和正式答辩。

3.全国博士论文抽检数据显示，经济学门类的合格率低于平均水平，反映出该领域博士学位论文的挑战性较大。全国博士学位论文抽检数据揭示了宏观层面的情况。经济学博士论文的合格率在主要学科门类中相对靠后。专家评阅意见指出，“分析论证”、“对学科现状的了解”和“研究方法” 是经济学门类不合格论文最集中的问题领域。这意味着你的论文不仅要有严谨的逻辑和深度，还必须建立在扎实的文献基础和科学的研究方法之上。

4.不同学校有具体规定。例如，澳门城市大学金融学院要求发表论文须与毕业论文相关，并明确了署名单位。湖南大学金融与统计学院则对期刊级别和论文数量有进一步要求。

06

给博士用户建议

1.尽早熟悉规则：入学后，第一时间详细了解所在学院的具体毕业要求，包括学分、讲座次数、期刊发表标准和论文流程。

2.与导师建立良好沟通：导师的指导至关重要。尽快确定导师，并在研究选题、论文写作和期刊投稿上积极寻求帮助。Toby老师在多年经验总结出，毕业论文光靠能力是不够的，如果和导师关系紧张，也可能被鸡蛋里挑骨头，处境艰难。

3.将发表纳入时间表：不要将期刊发表任务留到最后。从博士阶段早期就开始积累研究想法，尝试写作，并了解目标期刊的风格。博士毕业论文前提是先发期刊论文，而很多期刊论文目前排队较长，因此要提前规划。

4.高度重视论文质量：在论文写作中，要特别关注文献综述的深度、研究方法的科学性以及分析论证的严谨性，这些都是避免在抽检和答辩中出问题的关键。博士毕业论文都是盲审，盲审通过率远低于非盲审。因此论文质量是通过的基础。

5.如果不清楚期刊选择和写作，可以参考我们汇总的文章《金融风控期刊论文投稿和写作指南汇总》

版权声明：文章来自公众号(python风控模型),未经许可，不得抄袭。遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。