本研究在加权贝叶斯模型的基础上,以模型的违约判别能力最高为目标,构建违约判别模型。主要贡献是提出了一种新的最优权重贝叶斯违约判别模型,以模型的违约判别能力t统计量值最大为目标函数,以指标的权重之和为1为主要约束,构建目标规划模型,反推出使加权贝叶斯违约判别模型判别能力t统计量值最大的一组最优指标权重,用于违约概率的测算,确保了基于该最优加权贝叶斯违约判别模型进行违约判别时效果较好,改变了现有加权贝叶斯模型忽略了违约判别能力最强标准的弊端。本研究以1231笔小企业数据进行实证,结果表明,相较朴素贝叶斯违约判别模型和信息增益加权贝叶斯违约判别模型,本模型计算的违约概率的t统计量值和KS值均最大,也即违约状态判别能力最好。

文章针对现有的大部分单一分类器预测精度不高,且具有一定限制条件的弱点,提出了应用组合分类模型对中小企业信贷违约预判的方法。以调整的SVM后验概率分类器和多维正态分布概率分类器为基本模型,构建了基于贝叶斯规则动态分配权重的组合分类模型,并把它应用于中小企业信贷违约预判。结果表明,该模型克服了普通组合预测模型权重分配固定的弱点,可获得较高的稳健性和分类精度。

针对企业债务违约损失率判别问题中属性变量居多这一特点,选择支持向量机模型进行判别,并从贷款回收的角度将以往简单的两类有无回收模式(有回收和无回收)扩展为三类。为提高模型效率,将逐步判别分析法应用到模型变量的选择上,同时为了避免人为选择参数的随意性,采用粒子群算法优化支持向量机的参数,将建立的PSO-SVM多分类判别模型对500笔银行贷款进行实证研究。结果表明,该模型不仅提高了分类准确率,而且具有良好的稳健性。

违约判别临界点是金融机构是否接受客户贷款申请的重要参考，合适的违约判别临界点对减少金融机构贷款损失实现稳健经营具有重要意义。本文研究的问题是如何保证计算客户违约概率的准确性，并找到利润最大化的违约判别临界点。本文的创新与特色：一是通过将多个不同类型的违约判别模型计算的客户违约概率进行加权平均，保证了计算客户违约概率的的整体准确性，避免了使用单一模型计算客户违约概率不准确的弊端；二是通过定义金融机构从贷款中获得利润的计算公式，以利润最大为目标，求解违约判别临界点，避免了现有计算临界点的方法如广义对称点估计和经验似然法等方法得到的临界点利润不是最大的弊端。研究发现：混合模型比单一模型的准确性高，AUC值显著提高；在人人贷数据集中本文的违约判别临界点下贷款利润远高于其他方法下临界点的利润。

本文构建可违约债券利率期限结构的贝叶斯分层模型,通过采用Dirichlet多层先验分布和联合估计思路,获得了不同信用级别下的收益曲线。利用交易所市场的企业债券交易数据对模型的有效性进行了实证检验。检验结果表明,基于Svensson函数的贝叶斯分层模型可以有效的克服小样本问题和异常值的影响,提高了模型拟合精度和样本预测绩效,而且能避免单曲线模型导出的收益率曲线交错的问题,说明贝叶斯分层模型可以有效的拟合交易所企业债券收益率曲线。模型丰富了中国企业债券收益曲线估计方法,对于企业债券的合理定价具有较强的参考价值

本文构建可违约债券利率期限结构的贝叶斯分层模型,通过采用Dirichlet多层先验分布和联合估计思路,获得了不同信用级别下的收益曲线。利用交易所市场的企业债券交易数据对模型的有效性进行了实证检验。检验结果表明,基于Svensson函数的贝叶斯分层模型可以有效的克服小样本问题和异常值的影响,提高了模型拟合精度和样本预测绩效,而且能避免单曲线模型导出的收益率曲线交错的问题,说明贝叶斯分层模型可以有效的拟合交易所企业债券收益率曲线。模型丰富了中国企业债券收益曲线估计方法,对于企业债券的合理定价具有较强的参考价值。

文章通过非参数贝叶斯判别对所有信用指标进行第一轮筛选,通过非参数聚类方法对保留的信用指标进行第二轮筛选,提供了一套指标分布未知下筛选信用评价指标的非参数方法,并以某商业银行的860个企业信贷数据为样本进行了应用分析。其要点一是通过非参数核密度分布函数构建违约客户与非违约客户的二分类贝叶斯判别模型,删除判别精度影响度大于等于0的信用指标,保留判别精度影响度小于0的信用指标。二是通过非参数聚类将保留的指标聚为19类,在聚为一类的指标中保留判别精度影响度比重最大的信用指标,最终构建具有显著信用判别能力且信息不重复的指标体系。实证结果表明,最终构建的20个指标的企业信用评价指标体系符合5C要素模型。最终构建指标的判别精度高于全部指标判别精度3个百分点。

以我国沪市A股上市公司为研究对象,选取2004年和2005年的ST公司和正常的公司各40家作为分析样本,另外各20家作为检验样本,采用9个财务指标进行贝叶斯判别分析。研究结果发现,该方法有较好的预测效果,可以为投资者、债权人和监管机构等提供判别依据。

本文选取了在中国A股市场上市的4家具有一定代表性的ST公司和4家对照公司,并通过计算从2003年到2005年的静态违约距离和不变增长率假设下的违约距离,发现后者比前者具有更好的判别能力;同时对影响违约距离大小的输入变量进行了敏感性分析,发现违约距离对股票收益波动率的变化最为敏感,因而精确计算波动率是关键。

当上市银行的长期负债系数γ的取值不同时,应用KMV模型测算出的银行违约概率大相径庭。根据债券的实际信用利差可以推算出上市银行的违约概率PDi,CS,根据长期负债系数γ可以运用KMV模型确定上市银行的理论违约概率PDi,KMV。本文通过理论违约率与实际违约率的总体差异∑ni=1|PDi,KMV-PDi,cs|最小的思路建立规划模型,确定了KMV模型的最优长期负债γ系数;通过最优长期负债系数γ建立了未发债上市银行的违约率测算模型、并实证测算了我国14家全部上市银行的违约概率。本文的创新与特色一是采用KMV模型计算的银行违约概率PDi,KMV与实际信用利差确定的银行违约概率PDi,CS总体差异∑ni...

本文运用判别分析法和决策树模型对非上市中小企业违约风险进行了分析,并将两种方法的分析结果进行了对比。分析结果表明,两种方法均能较好地判别企业违约的可能性,而采用决策树模型的最大的好处是,除了能够较好地判断企业的违约率之外,它还能够找出影响企业违约的关键性因素。从我们的分析样本来看,商业银行在判断企业的信用水平时,现金流量/总债务的比例、流动资产/流动负债比例是两个非常重要的考察因素。如果银行花精力对它们进行调查、核实,保证其准确性,将大大提高对企业违约率判断的准确性。

数据挖掘是实施客户关系管理的关键技术,近年来成为人们研究的热点。针对传统数据挖掘技术的不足,本文提出了贝叶斯网络学习模型。通过研究客户关系管理网络学习过程的特点,证明了贝叶斯网络在客户关系管理中应用的有效性和可行性。实证分析表明:与传统挖掘技术相比,贝叶斯网络学习模型结合先验信息和后验信息,能够更准确地反映客户数据间的潜在关系。

近几年,我国农林牧渔业短期贷款企业的违约严重程度一直居所有行业之首,从跨行业的角度评估该行业短期贷款企业的违约具有重要意义。本文基于全国跨银行的贷款企业海量数据库样本,针对农林牧渔业的短期贷款企业进行了分规模和分地区样本的多元判别分析模型、Logistic模型与神经网络模型等的构建与实证探索,进而找出了影响我国农林牧渔业企业违约的关键变量,构建了最佳违约判别模型。这些关键变量和判别模型对中国人民银行和各商业银行监测该行业企业的信用风险具有重要的参考价值。

信用风险是商业银行面临的最主要和最复杂的风险。《巴塞尔新资本协议》对信用风险的计量提出了标准法和内部评级法,指出有条件的银行要实施内部评级法,通过对历史数据构建模型测算客户的违约概率。本文结合内部评级法和我国的实际情况,从客户评级的角度,研究了个人客户违约概率和公司客户违约概率。

Since 1960s,studies on corporate failure prediction have prevailed both in the United States and in European countries.But few researches on this subject have been conducted in our country until very recently.We make use of the financial statements of companies incorporated in Shenzhen and build a successful model for corporate failure discrimination.We conclude that under current economic and accounting envionment in China,financial statements can sufficiently reflect the characteristics of failed corporations.Thus it is feasible to use two linear discriminant functions,which just include four financial ratioes respectively,to discriminate and predict corporate failure very well.