论文引入WFCM算法能提高信用违约测度模型准确率吗是适合测度论文写作的大学硕士及相关本科毕业论文，相关测度是什么意思开题报告范文和学术职称论文参考文献下载。
摘 要：选取沪深A股上市的制造业公司财务变量构建信用风险评价体系,在利用因子分析法对其进行维数约简后,采用数据挖掘技术和统计学方法对信用违约概率测度作了有价值的探索.模型包含两个阶段,聚类阶段采用加权模糊C均值聚类（WFCM）算法将样本聚成同质的类,使同簇样本更具代表性；违约测度阶段应用Logistic回归方法分别对不同组样本进行测度.实证结果表明：在Logistic模型中引入WFCM算法能显著提高预测样本的违约概率测度准确率；对于样本总体和ST企业而言,其违约预测准确率比Logistic模型分别提高了10.7%和20%；ROC检验结果也说明WFCM.Logistic模型具有更强适用性.
关键词： 违约预测；加权模糊C均值聚類；Logistic模型；信用评级
中图分类号：F064.1 文献标识码： A 文章编号：1003.7217（2018）01.0147.07
一、引 言
上市公司作为各自行业领域内实力雄厚且盈利能力较好的企业,已日益成为商业银行所青睐的贷款对象.截至2015年底,境内上市公司数目达到2,827家,总市值规模达到531,304亿元①,上市公司在数量和规模上均实现了很大发展；和此同时,我国银行业不良贷款余额已达12,613亿元②,不良贷款规模呈不断增长趋势.商业银行之间竞争加剧、上市公司持续强劲的信贷需求,不断增加的杠杆扩大了企业受财务风险冲击的可能性,银行业资产质量的脆弱性也不断增加,不良贷款规模持续增长已严重阻碍了国民经济健康发展.为实现对贷款客户的授信以及有效的贷后管理,提高信用违约概率测度准确率以及降低第I类错误风险成为金融业孜孜不倦的追求.正如West等所说,预测模型每提高1%的准确率,都足以为金融业节省巨大成本[1].
早期对信用违约概率大小的判断主要依靠信贷专家个人经验,传统的专家判断法由于主观性太强及判断标准不一致,逐渐不适用于复杂的信用市场.此后,随着数理统计和计算机技术快速发展,量化模型被引入到信用风险管理领域,现代信用风险模型也逐渐过渡到以数据为驱动、以数学模型和统计计量方法为基础的量化模型时代.
企业信用风险量化模型主要分为计量模型和人工智能模型.计量模型主要包含ZETA评分、Logistic模型、KMV等,人工智能模型主要包含神经网络、支持向量机和聚类分析等.国内外众多学者对各类模型的适用性、准确性进行了比较研究,如Lee和Sung采用神经网络和Logistic模型对韩国信用违约账户进行预测,发现Logistic模型具有更强稳定性,更适合对违约风险进行分析[2].李志辉和李萌利用在银行有过贷款的上市公司财务信息和违约数据分别构建线性判别模型和Logistic模型,实证结果表明Logistic模型是较为理想的信用风险识别模型[3].韩岗在对国外主流信用风险测度模型进行比较研究后,结合我国国情,指出Logistic模型其拟合度较高、适用性较强[4].张洪祥和毛志忠利用模糊聚类方法对上市公司信用风险进行评价,证实该方法具有良好的评价效果及实用价值[5].刘祥东和王未卿对贝叶斯判别方法、Logistic模型和BP神经网络模型在信用风险中的识别能力进行比较,发现贝叶斯判别法和Logistic模型可识别重要财务变量、有效解释公司财务状况,而BP神经网络则缺乏对信用风险识别结果解释能力[6].上述学者通过比较研究发现Logistic模型风险识别能力强、预测精度较高且可有效解释公司财务状况,以Logistic模型作为企业信用违约概率测度模型具有较强适用性.
然而Logistic回归模型也有其不容忽视的局限性,该模型第I类错误率较高,且无法分析不同企业之间违约因素的差异性.针对单一模型由于自身固有缺陷可能影响风险识别准确率的问题,学者们尝试通过构建混合模型来进一步提高风险识别准确率.学者Hush和Gopalakrishnan等[7-8]先后证明聚类分析是一种计算简便且较为精确的分类方法,其分类结果更为稳健.Yu等通过对混合模型和单一模型的对比研究,指出通过不同分类模型的组合能够比使用单一分类模型实现更高精确度[9].Tsai和Chen对四种混合方式进行研究发现,基于聚类和分类相结合的混合模型可以提供更高的预测精度[10].马海英[11]通过混合神经网络和Logistic回归分析发现混合模型的预测精度比单独使用神经网络模型和Logistic回归的预测精度高.De等以2007年西班牙破产企业和非破产企业作为样本,通过利用模糊C均值聚类（FCM）和多元自适应回归样条法构造混合模型,并和判别分析,多元自适应样条法以及前馈神经网络进行比较分析,研究结果表明,混合模型的准确率优于单一模型[12].
综上,本文选取具有较强适用性的Logistic回归模型作为企业信用违约概率测度模型,并试图构建混合模型来解决其固有局限对预测精度的影响.同时,在参考弗兰克·奈特和Hu等相关研究结论[13,14]的基础上,本文在违约概率测度前引入FCM算法对样本进行聚类处理,通过模糊聚类将具有相似风险特征的样本进行归组,以提高同簇样本数据的代表性,探索不同组企业间的违约风险差异性特征以提高违约风险整体识别准确率.此外,学者Yuan等通过研究发现属性特征的重要性程度对分类结果有显著影响,提出了基于属性加权策略的FCM算法[15].因此,考虑到不同风险评价变量在违约重要性程度上的差异,本文对传统的FCM算法做了风险加权校正,使得聚类结果更符合信用风险识别要求.
二、WFCM.Logistic混合模型设计
通过上文对模型的比较分析发现,Logistic模型具有风险识别能力强、预测精度较高且可有效解释公司财务状况等优点.然而,在实际应用中,为对信用风险进行准确评估,信贷审批人员一般会尽量多地收集贷款人的大量相关信息,尤其是企业相关财务数据,从而使解释变量的估计系数可靠性降低,进而导致违约概率测度结果不准确.Logistic模型一般采用逐步回归方法对变量加以筛选,这就造成对违约有显著影响的部分变量信息丢失情况,回归方程估计结果不准确,没有考虑变量之间相互影响的问题.
总结:此文是一篇测度论文范文,为你的毕业论文写作提供有价值的参考。
参考文献：
1、 引入金融工程技术提高商业银行风险管理水平 传统模式下，商业银行采用的风险管理主要分为三种类型，分别是保险行业的发展，投资金融的管理和资产负债的计算，伴随经济全球化的不断发展，金融与工程逐。
2、 信用违约互换功能、现状和问题 【摘要】2007年的金融危机使得学术界对CDS相关产品的过度开发、定价缺陷以及风险管理进行反思；近年来欧洲各国主权债务危机的频发，又使得主权CD。
3、 信用违约互换对中国公司债影响分析 【摘要】近年来，我国公司债违约的现象不断发生，这使得债权人的利益受到损失。虽然我国创新了信用缓释工具（CRM），但其效果并不明显。然而，已在国外。
4、 信用平稳下商业银行信用风险测度模型应用 收稿日期： 2014-01-12基金项目： 国家社会科学基金（13BGL041）作者简介： 顾海峰（1972—），男，江苏苏州人，金融学博士。
5、 我国中小企业信用风险度量模型和实证 中小企业是社会主义市场经济中的重要组成部分，对经济发展和社会稳定起着重要的作用。据统计，我国中小企业数量占国内市场中企业总量的99%以上，吸纳了。
6、 信用违约事件对股市影响多大 目前信用违约率很低，稳中求进、发展中解决问题的政策基调下，信用风险全面扩散概率不大，对股市影响更偏情绪面。近期，债市频繁曝出信用违约事件，新增。