【摘要】研究目标:非均衡样本信用风险的有效预测。研究方法:针对反向传播神经网络BPNN交叉熵损失函数在非均衡样本信用评级中对非违约样本识别过度、违约样本识别不足的现象，利用标签分布交叉熵(Label Distribution Aware Margin Cross Entropy,简记LDAMCE)函数对交叉熵损失函数进行改进，并采用两阶段方式对BPNN模型进行训练，构建基于BPNN-LDAMCE的信用评级模型；基于多模型对比思路，验证BPNN-LDAMCE模型对中国某金融机构1298笔真实贷款数据信用风险预测的有效性；利用UCI公开的A地区、B地区信贷数据，检验BPNN-LDAMCE模型的稳健性。研究发现:BPNN-LDAMCE在保证对非违约样本识别力的同时，提升了对违约样本的预测准确率。研究创新:通过测算非违约、违约样本到分类面的“最优分类间隔”γ_1~*、γ_2~*,利用γ_1~*、γ_2~*对交叉熵损失函数进行改进，构建基于“最优分类间隔”的BPNN-LDAMCE信用风险评价模型，既可提升BPNN信用评价模型对违约样本的预测性能，也可缓解直接加权的非均衡评级模型BPNN-WCE对非违约样本识别造成的不利影响。研究价值:为不均衡样本信用评级提供新思路。