我国制造业上市公司信用风险评估模型探究.pdfVIP

全国大学生统计建模大赛论文 论文题目： 我国制造业上市公司信用风险评估模型探究 参赛队员：何毓彬 翁欣月 赵田 指导老师： 李金昌 参赛单位： 浙江工商大学 承 诺 书 我们报送参加2015年（第四届）全国大学生统计建模大赛的论 文题目是：我国制造业上市公司信用风险评估模型探究 我们申明，所报送论文是我们于本届大赛赛期 （2015年4月至6 月底）期间原创构思并创作，不涉及他人的著作权。 我们理解，抄袭别人的成果是违反比赛规则的，如果引用别人的 成果或其他公开的资料（包括网上查到的资料），必须注明其来源。 我们承诺使用正版软件。 我们郑重承诺，遵守比赛规则，以保证比赛的公正、公平性。如 有违反比赛规则的行为，我们愿意接受赛会的处理。 参赛队员（亲笔签名）: 年 月 日 i 摘 要 经济新常态下，宏观政策的转变对我国各行业的发展产生了极大影响，尤其 对制造业中上游企业的冲击尤为显著，从而引起偿债能力、信用水平的波动。本 文基于这种现实背景，构建分类模型，评估制造业上市公司的信用风险状况。 首先，本文用是否被特别处理 （ST）来界定信用水平的优劣，同时对制造业 进行了二级行业细分，并依细分行业ST企业的数量按比例抽取非ST企业,以尽 可能消除行业因素的影响，一共选取了32家ST企业和96家非ST企业。 其次，从这128家企业2013年的公开财务报表中选取了20个财务指标纳入 信用评估指标体系，数据从上海证券交易所网站、深圳证券交易所网站、巨潮咨 询网、证券之星获取。接着通过非参数Kolmogorov-Smirnov检验进一步筛选出 17个财务指标。根据正态分布Q-Q 图的结果，这些指标都不服从正态分布，因 此本文接着选择了多个不需要样本分布满足正态分布的方法构建评估模型。 第一步，从传统方法中选用了Fisher判别模型进行信用评估，以7:3为比 例随机抽取训练集和测试集 （以下模型同样采取这一步措施，不赘述），结果显 示，测试集中63.64%的ST股分类正确，3.57%的非ST股分类错误。 第二步，采用机器学习中支持向量机、K近邻和决策树三种基分类器分别建 立评估模型，经过多次试验比对选择最优参数，得到测试集ST股的分类正确率 分别为80%、80%、100%，非ST股的分类正确率分别为100%、100%、92.86%。 第三步，采用组合分类的方法建模，包括Boosting模型和基于决策树与 Bagging的随机森林模型，得到测试集ST股的分类正确率分别为92.31%和100%， 非ST股的分类正确率均为100%。 第四步，通过第一类、第二类错误以及平均误判代价比较模型精度，结果显 示，机器学习模型精度普遍好于Fisher判别模型；在基分类器中，决策树要优 于其它；组合模型显著地提升了模型的精确度，尤其 随机森林模型的正确率达 到了100%。根据随机森林的结果，在17个指标中每股净资产、每股收益、净资 产收益率、总资产报酬率、销售利润率、资本累积率和资产负债率在判别企业信 用状况时影响最大，故在实际中，企业应当着重关注这些财务指标。 【关键词】：信用评估 Kolmogorov-Smirnov Fisher判别 支持向量机 K近邻 决策树 Boosting 随机森林 平均误判代价 ii 目 录 一、问题的提出1 二、文献综述1 （一）西方信用风险管理模型1 （二）传统的分类评价方法2 （三）基于机器学习的分类模型2 （四）小结与本文思路2 三、指标体系的构建3 四、数据来源及处理6