构建并优化小微企业信用评估技术已经成为商业银行开展小微业务必然选择。基于小微企业内在特征，设计以小微企业现金流信息为违约触发机制的小微企业信用评估指标体系，构建最小二乘支持向量机模型（ＬＳＳＶＭ），运用某国有控股银行的小微企业贷款微观数据证实该模型能够相对提高预测精确度和稳定性。应用ＬＳＳＶＭ构建的小微企业信用评估指标体系以及评估模型有助于提升银行对小微企业的了解程度和小微业务风险管理能力，减轻信息不对称，在一定程度能够化解供给型信贷配给导致的小微企业融资难问题。

构建并优化小微企业信用评估技术已经成为商业银行开展小微业务必然选择。基于小微企业内在特征，设计以小微企业现金流信息为违约触发机制的小微企业信用评估指标体系，构建最小二乘支持向量机模型（ＬＳＳＶＭ），运用某国有控股银行的小微企业贷款微观数据证实该模型能够相对提高预测精确度和稳定性。应用ＬＳＳＶＭ构建的小微企业信用评估指标体系以及评估模型有助于提升银行对小微企业的了解程度和小微业务风险管理能力，减轻信息不对称，在一定程度能够化解供给型信贷配给导致的小微企业融资难问题。

In this paper, a new method based on LS-SVM (Least Squares Support Vector Machines) is presented to deal with credit assessment in commercial banks for solving the problem of inadequate samples of the financial data,which usually happended in most banks in China.On the basis of SLT(Statistical Learning Theory),this approach with methodology of SRM (Structural Risk Minimization)will overcome the shortcomings of traditional credit assessment models,such as over fitting and local optimization,and,by using kernel functions in model,it will effectively solve the problems of linear inseparability and selecting parameters of model.The approach has some good properties including a generalization ability and global optimization in terms of sample processing.It is a new way for the credit assessment on the condition of small samples from bank data.The feasibility,effectiveness and practicability of presented approach was verified by experiments.

小微企业信用风险评估体系的不完善导致小微企业融资难和贷款违约率高等问题。设计包括企业特质、企业财务指标、企业主特质和贷款方式在内的小微企业信用风险评价指标体系,利用具有小样本学习优势的模糊积分支持向量机回归集成方法,构建小微企业信用风险度评估模型,并将此模型与支持向量机、神经网络等模型对比。实证结果表明该模型具有较高的精度和效率,证实了模型的可行性和优越性,为小微企业信用风险评估系统的构建提供了依据。

针对Bagging算法下基于模糊积分的SVM集成方法在企业信用评估应用中存在的不足，提出一种基于改进模糊密度-Choquet模糊积分SVM集成的企业信用评估模型。该模型借鉴Boosting算法“注重”错分样本的基本思想，考虑SVM基分类器的总体错分程度，重新定义SVM基分类器的模糊密度，实现对模糊密度的改进；在此基础上，采用Choquet模糊积分作为SVM基分类器的结合方法，从而将基于Choquet模糊积分的SVM集成方法引入到企业信用评估中。实证结果表明，与传统方法相比，该模型的预测准确率更高，第一类错误率和第二类错误率更低；精确率、召回率、F1值和Macro-F1值等分类性能指标也明显占优，说明了该模型的可行性和有效性。

本文在文献调研和问卷调查的基础上,构建中小企业信用风险评价指标体系,并以A股非金融上市公司中的中小企业为研究对象,通过SVM构建信用风险评估模型。将逐级优化递减欠采样方法 (ODR)和边界自适应合成抽样方法 (BADASYN)与SVM相结合,构建ODR-BADASYN-SVM模型评估中小企业信用风险,以克服样本不平衡性对模型性能的影响。研究结果表明,改进后的SVM模型在中小企业信用风险评估中具有较高的稳定性及预测能力。

针对中小微企业的融资难问题，应对传统的信用风险评级方法进行改进。本文以我国2021年新三板中小微企业为样本，加入管理层角度的新指标，使信息更加完整。另外改进了经典的黏菌算法(SMA),结合基础支持向量机模型(SVM)进行参数优化，建立了RF-LSMA-SVM模型，考察信用风险判定问题。结果表明，管理层各角度、企业偿债能力和企业盈利能力等方面的指标对于信用风险均具有一定的解释能力，而企业的客户结构和企业性质是冗余信息。在大数据背景下，银行和中小微企业可以利用所构建的RF-LSMA-SVM模型进行信用风险评级来增强分类能力。本文研究结果补充了信用风险评级指标，也完善了评级模型，对提高评级准确性具有启示意义。

快速构建各种与异质小微企业群体金融需求相适应的信用评估模型,是当前信贷机构亟需解决的关键问题,其中评估指标的确权比较棘手。鉴此,基于三标度、多专家、独立判断、多数为主兼顾少数等策略思想的3-SEIJ的确权方法,采用标度映射、判断矩阵一致性调整,以及融合计算三个关键技术,以解决实践中专家判断意见难以清晰表达,需要反复判断,以及意见分歧难以综合的问题。结果表明:在没有牺牲评估准确性能的前提下,本文方法简化了确权操作而提升了效率,适合如信贷业务初期等数据欠缺情境下的信用评估模型的开发。

小微企业信贷信息不对称问题突出,且信用成本高,因信用评估困难而引致的融资困境严重妨碍了小微企业发展,建构稳健的信用风险管理系统已成为当务之急。针对小微企业信用评估模型建构、类别不均对问题分类,以及多分类器集成等热点议题的研究进行综述。研究结果将对这些领域的理论前沿议题做出相关具体贡献。

近年来，工行、建行等多家银行以及阿里巴巴等电商借助网络技术实现传统信贷业务与电子商务的有效结合，着力发展网络融资平台，较好地缓解了小微企业的融资难题。同时，由此引发的网络融资信用风险评估问题不容忽视。本文针对小微企业，构建基于网络融资的企业信用评估指标体系，以便对其信用风险进行评估与防范。

针对传统BP神经网络在小微企业信用风险评估实际应用中,随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及运算结果误差较大等缺陷,借助群智能萤火虫(GSO)算法,提出一种基于改进离散型萤火虫(IDGSO)算法的BP神经网络集成学习算法的小微企业信用风险评估IDGSO-BP模型。该模型以BP神经网络为基本框架,在学习过程中引入离散型萤火虫算法,优化设计神经网络的网络结构与连接权值,得到一组相对合适的权值与阈值,再进行新一轮网络训练,以"均平方误差最小"为评价准则,产生网络的输出结果,以此建立小微企业信用风

针对传统BP神经网络在小微企业信用风险评估实际应用中,随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及运算结果误差较大等缺陷,借助群智能萤火虫(GSO)算法,提出一种基于改进离散型萤火虫(IDGSO)算法的BP神经网络集成学习算法的小微企业信用风险评估IDGSO-BP模型。该模型以BP神经网络为基本框架,在学习过程中引入离散型萤火虫算法,优化设计神经网络的网络结构与连接权值,得到一组相对合适的权值与阈值,再进行新一轮网络训练,以"均平方误差最小"为评价准则,产生网络的输出结果,以此建立小微企业信用风险评估模型。其仿真实验结果表明,该模型在收敛速度及运算精度方面较传统BP神经网络模型、遗传GABP模型及连续GSO-BP模型有较明显优势。因此,IDGSO-BP模型可以有效提高小微企业信用风险评估的准确性。

随着小微企业在国家发展战略中的重要地位日益显现,小微企业信用评价问题受到广泛关注。基于这一背景,借鉴国内外信用评价技术,综合考虑小微企业开展信用评价的科学性和可实现性,构建包含小微企业所有者特征、小微企业特征和行业特征的3个一级指标、12个二级指标的信用评价指标体系。在此基础上,运用支持向量机方法,构建信用分类模型并对某商业银行数据进行验证,结果表明:该模型分类准确性高、性能良好,可为金融机构科学、有效开展小微企业信用评级提供可靠方法。

基于大数据的小微企业信用评级体系具有数据优势、成本优势和效率优势,互联网金融企业、第三方评级机构及传统商业银行纷纷开展了相关实践和探索。但目前基于大数据的小微企业信用评级体系仍不完善,应加强对小微企业信用数据的管理,完善基于大数据的小微企业信用评级指标体系和信用评级监管体系,以促进基于大数据的小微企业信用评级体系的构建。

近年来,依托中小企业与核心企业间真实贸易背景开发的供应链金融业务在我国发展迅速,这要求商业银行从新的视角对中小企业的信用风险进行认识和评估。本文从供应链金融的视角,提出了新的中小企业信用风险评估指标体系,该体系结合了核心企业资信情况及供应链关系情况,运用机器学习的方法支持向量机(SVM)建立信用风险评估模型;并通过与用BP神经网络算法建立的信用风险评估模型进行实证结果对比,结果表明在小样本下基于SVM的信用风险评估模型更具有效性和优越性,同时证实了供应链金融视角下的中小企业信用风险评估指标体系能够更准确地判断中小融资企业的信用状况,有助于缓解中小企业融资困境。