基于逻辑样条回归的信用风险预测模型

摘要

信用风险预测是根据企业财务和非财务数据推断企业的违约状态。公司信用风险预测为股票投资者，公司债投资者，商业银行贷款，公司之间的应收、应付账款的商业信用管理提供重要的决策依据。 本文研究的是基于逻辑样条回归的信用风险预测模型。本文的第一章是引言，第二章是理论基础，第三章是基于最优指标组合和逻辑样条回归模型的建立，第四章是实证分析，第五章是结论。 本文的研究重点一是样条函数节点个数的确定。样条函数的节点个数不同会导致模型的信用风险预测精度不同，随机选取样条函数的节点个数会导致模型的预测精度过低。二是对样条函数“过度拟合”的控制。若不对样条函数施加任何约束控制，会导致模型对数据的“过度拟合”，模型的稳健性较差。三是模型预测期限的确定。预测期限是预测能力时长的体现。 本文的创新与特色：一是本文建立的模型预测t+s年的违约状态的预测精度，高于不带惩罚项的逻辑样条回归模型及包括神经网络模型、决策树、K近邻、线性判别、逻辑回归模型、高斯朴素贝叶斯和支持向量机模型在内的7个典型预测模型的精度，且达到了利用t年份的数据预测t+s(s=1,2,…,5)年后企业违约状态的效果。二是利用广义交叉验证(GCV)方法确定样条函数的最优平滑参数和节点个数，建立了高精度的信用风险预测模型。三是将样条函数与逻辑回归相结合建立模型，并引入样条函数的惩罚项来控制模型的拟合优度与拟合曲线平滑性之间的平衡，避免了过度拟合的现象，保证了模型较好的稳健性。 研究发现，中国上市公司信用的区域特征为：信用资质从高到低依次是华东、中南、华北、西南、东北和西北地区。中国上市公司信用的行业特征为：“交通运输、仓储和邮政业”的信用资质最好，“批发和零售业”的信用资质居中，“房地产”行业的信用资质最差。

目录

声明

1 引言

1.1 选题背景及意义

1.1.1 选题背景

1.1.2 选题意义

1.2 国内外研究现状及评述

1.2.1 基于广义线性模型的信用风险预测模型的研究现状

1.2.2 基于非线性模型的信用风险预测模型的研究现状

1.3 研究内容与框架

1.3.1 研究内容及方法

1.3.2 研究框架

1.3.3 技术路线

2 理论基础

2.1 logistic回归模型

2.2 三次样条

3 基于最优指标组合和逻辑样条回归模型的建立

3.1 指标数据的标准化方法

(1)正向指标标准化的方法

(2)负向指标标准化的方法

(3)区间型指标标准化的方法

(4)定性指标标准化的方法

3.2 基于偏相关分析的指标初筛方法

(1)计算准则层内的指标间偏相关系数

(2) F值的计算

(3) 基于偏相关分析的指标初筛

3.3 基于Lasso-logistic回归的指标体系构建

3.4 逻辑样条回归模型的建立

3.5 带惩罚项的逻辑样条回归模型的建立

3.6 模型评价方法

4 实证分析

4.1 样本的选取

4.2 基于偏相关性分析的指标初筛结果

4.3 基于Lasso-logistic回归的指标筛选结果

4.5第3264列对应行处填入“保留”。

4.4 带惩罚项的逻辑样条回归模型的结果

4.5 对比分析

4.6 中国上市公司信用特征分析

4.6.1 中国上市企业行政区域信用特征描述

4.6.2 中国上市企业行业信用特征描述

5 结论

5.1 主要结论

5.2 主要创新与特色

5.2.1 主要创新

5.2.2 主要特色

参考文献

攻读硕士学位期间发表学术论文情况

致谢

大连理工大学学位论文版权使用授权书