Logistic 回归模型在信用风险分析中的应用.doc

文库下载 免费文档下载  HYPERLINK / / 　　 本文档下载自 HYPERLINK / 文库下载网，内容可能不完整，您可以点击以下网址继续阅读或下载：  HYPERLINK /doc/cb76aabb1a37f111f1855b18.html /doc/cb76aabb1a37f111f1855b18.html Logistic回归模型在信用风险分析中的应用 Logistic回归模型在信用风险分析中的应用 第３６卷第９期数学的实践与认识 ｖ０１．３６Ｎｏ．９ ２００６年９月 ＭＡＴＨＥＭＡＴＩＣＳ ＩＮＰＲＡＣＴＩＣＥＡＮＤＴＨＥＯＲＹ Ｓｅｐ．，２００６ Ｌｏｇｉｓｔｉｃ回归模型在信用风险分析中的应用 庞素琳 （暨南大学数学系，广州广东 ５１０６３ｚ） 摘要： 通过运行ｓＰｓｓ，建立Ｌｏｇｉｓｔｉｃ回归信用评价模型（ｃｒｅｄｉｔ ｅｖａｌｕａｔｉｏｎ ｍｏｄｅｌ），用来对中国２０００年１０６ 家上市公司进行两类模式分类，这两类模式是指按照公司的经营状况分为“差”和“正常”两个小组．对每一家 上市公司．考虑其经营状况的４个主要财务指标：每股收益、每股净资产、净资产收益率和每傲现金流量．仿 真结果表明．Ｌｏｇｉｓｔｉｅ回归信用评价模型对总体１０６个样本，判别准确率达到９９．０６％．此外．本文的研究结果还发现．当利用ｓＰＳＳ的Ｄｉｓｃｒｉｍｉｎａｎｔ给出的模型系数建立的线性判别分析模型和利用ｓＰＳｓ的ＭｕｌｔｉｎｏｍｉａｌＬｏｇｉｓｔｉｃ给出的模型参数建立的Ｌｏｇｉｓｔｉｃ回归模型．Ｌｏｇｉｓｔｉｃ回归模型的判别结果不如线性判别模型．但如果剔除不合格的样本．或是将样本数据规格化．则可以提高Ｌｏｇｉｓｔｉｃ回归模型的分类准确率． 关键词： 信用风险分析；信用评价模型；Ｌｏｇｉｓｔｉｃ回归模型；线性判别分析 ｌ 引言 Ｉ。ｏｇｉｓｔｉｃ模型最早是由Ｍａｒｔｉｎ［１］（１９７７）用来预测公司的破产及违约概率．他从１９７０一１９７７年间大约５７００家美联储成员银行中界定出５８家困境银行，并从２５个财务指标中选取总资产净利润率等８个财务比率，用来预测公司的破产及违约概率，建立了Ｉ。ｏｇｉｓｔｉｃ回归模型（Ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ），根据银行、投资者的风险偏好设定风险警界线，以此对分析对/doc/cb76aabb1a37f111f1855b18.html象进行风险定位 和决策．他还将Ｚ—Ｓｃｏｒｅ模型，ＺＥＴＡ模型和Ｉ。ｏｇｉｓｔｉｃ模型的预测能力进行了比较，结果发现Ｉ，ｏｇｉｓｔｉｃ回归模型优于Ｚ—Ｓｃｏｒｅ模型和ＺＥＴＡ模型．０ｈｌｓｏｎ［２］（１９８０）也将Ｉ。ｏｇｉｓｔｉｃ模型应用于 信用风险分析．Ｍａｄａｌｌａ［３］（１９８３）则采用Ｉ。ｏｇｉｓｔｉｃ模型区别违约与非违约贷款申请人．其研究结果表明，当违约概率ｐ≥ｏ．５５１时是风险贷款，当户＜ｏ．５５１时是非风险贷款． Ｄａｖｉｄ ｗｅｓｔ［４］（２０００）建立了５种神经网络模型：多层感到知器（ｍｕｌｔｉｌａｙｅｒｐｅｒｃｅｐｔｒｏｎ）、专 家杂合系统（ｍｉｘｔｕｒｅ—ｏｆ—ｅｘｐｅｒｔｓ）、径向基函数网络（ｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎ ｎｅｔｗｏｒｋ）、学习向量化 子（１ｅａｒｎｉｎｇ ｖｅｃｔｏｒ ｑｕａｎｔｉｚａｔｉｏｎ）和模糊自适应共振（ｆｕｚｚｙ ａｄａｐｔｉｖｅ ｒｅｓｏｎａｎｃｅ）与５种统计分类 模型：线性判别分析法（１ｉｎｅａｒｄｉｓｃｒｉｍｉｎａｎｔ ａｎａｌｙｓｉｓ）、Ｉ。ｏｇｉｓｔｉｃ回归模型（Ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ）、Ｋ最邻近法（Ｋ ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒ）、核密度分类方法（Ｋｅｒｎｅｌｄｅｎｓｉｔｙ）、分类树法 （Ｃｌａｓｓｍｃａｔｉｏｎｔｒｅｅｓ），分别对德国和澳大利亚两组财务数据进行两类模式分类．研究结果表明， Ｉ。ｏｇｉｓｔｉｃ模型在这１０种模型中的判别准确率都最高，分别为７６．３％和８７．２５％． 在我们国家，齐治平，余妙志［５］（２００２）从我国沪、深两交易所选取１６４家上市公司，然后随机分成两组：第一组９９家用来作为估计的样本，其中含５８家非ＳＴ公司，４１家ＳＴ公司；第二组６５家用来作为检验样本，其中/doc/cb76aabb1a37f111f1855b18.html含３５家非ＳＴ公司，３０家ＳＴ公司．然后运用线性判别模 型、Ｉ。ｏｇｉｓｔｉｃ回归模型以及含有二次项和交叉项的Ｌｏｇｉｓｔｉｃ模型对数据样本提前两年进行预 收稿日期：２００６—０６—２０ 基金项目：国家自然科学基金ｉ广东省软科学研究项目（２００５８７０ｌＯｌ０４４） １３０ 数学的实践与认识３６卷 测．结果发现，含有二次项和交叉项的Ｉ。ｏｇｉｓｔｉｃ模型对前一年数