数据驱动的企业信用风险最优组合评价模型

作     者：罗敏 周礼刚 刘欣悦 朱家明 陈华友 LUO Min;ZHOU Ligang;LIU Xinyue;ZHU Jiaming;CHEN Huayou

作者机构：安徽大学数学科学学院合肥230601 安徽大学应用数学中心合肥230601 安徽大学互联网学院合肥230601 

出 版 物：《计算机工程与应用》 (Computer Engineering and Applications)

年 卷 期：2023年第59卷第10期

页      面：306-313页

核心收录：

学科分类：08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金(72171002,71871001,71901001,71901088,72071001,72001001) 安徽省自然科学基金杰出青年基金(1908085J03) 安徽省学术和技术带头人及后备人选资助项目(2018H179) 安徽省高校学科(专业)拔尖人才学术资助项目(gxbjZD2020056) 安徽省自然科学基金(1808085QG211,2008085QG334)。 

主　　题：Lasso回归 最优组合评价 Logistic回归 贝叶斯分类 支持向量机(SVM) 

摘      要：企业财务数据所提供的各类信息可以有效解释企业的信用水平,然而过多指标往往存在多重共线性问题,造成模型的过拟合,反而降低评价精度。为了约简指标数据,计算企业违约情况与财务指标的相关系数,剔除掉相关性弱的指标。采用Lasso回归方法对相关性高的指标数据进行约简,进而利用Logistic回归模型、贝叶斯模型和支持向量机三种分类模型对企业的信用风险进行分类评价。考虑到不同方法对不同企业的分类精度不同,为了综合利用各方法的优势,构建基于整数规划的企业信用风险最优组合评价模型。对300家创业板上市企业数据进行仿真分析,为了验证模型的有效性,在300家公司中(其中270家为训练样本,30家为测试样本)随机选取3组样本,使用ST公司被执行特别处理(special treatment,ST)前一年的数据进行测试,实验结果表明组合模型具有更高的稳定性和分类精度。