机器学习在信用评级中应用.doc

机器学习在信用评级中应用 　　[摘要]2007年次贷危机之后，信用评级问题引起了包括银行等金融机构以及企业本身的高度关注。信用评级简单理解就是通过一定的方法将贷款客户进行分类，产生一系列的级别，因此其核心算法可以理解为是经典的多分类问题。随着近20年来机器学习的发展和兴起，越来越多与之相关的技术被运用到信用评级的工作中。 　　[关键词]机器学习；计算数学；信用评级；人工神经网络 　　引言 　　2007年次贷危机之后，信用评级问题引起了包括银行等金融机构以及企业本身的高度关注。根据评价主体的不同，信用评级可以分为外部信用评级和内部信用评级两种，其中外部信用评级主要是由专门的评级机构作出，并给出相应的信用统计信息[1]，而内部信用评级则是由企业内部或者银行等金融机构给出，以用于是否放贷等金融决策。本文研究的对象即为内部信用评级。而根据被评价对象的不同，又可以分为对消费者个人的信用评级和对企业用户的信用评级，对于企业用户的信用评级需要通过构建其还贷能力（主要通过其相关财务指标进行衡量）、还贷意愿（公司过往的还贷记录、公司中高层领导素质、企业规模[3]）与公司违约之间的联系，通过一定的模型来预测企业的违约可能性。 　　1、传统信用评级方法 　　信用评级简单理解就是通过一定的方法将贷款客户进行分类，产生一系列的级别，因此其核心算法可以理解为是经典的多分类问题。企业信用评级的传统方法主要是包括专家法、打分法等在内的主观综合法，在信用评级行为越来越频繁和普遍的今天，冗繁的评定过程和过强的主观性使人们开始寻求传统法之外的信用评级方法。20世纪30年代以来，随着统计学的发展，基于统计判别方法的评级方法成为国外信用评级体系的支柱，主流方法包括多元判别分析法（MDA）、加权Logistic回归分析模型、Probit回归分析模型等。除此之外，传统的信用评级常用的方法还包括：模糊综合评价法FCE（Romaniuk等1992）、层次分析法（赵家敏等2006）等。 　　随着近20年来机器学习的发展和兴起，越来越多与之相关的技术被运用到信用评级的工作中，其中应用较为广泛的包括：人工神经网络（Artificial Neural Network，ANN）、支持向量机（SVM）和投影寻踪等。而他们也因为对于财务样本较少的依赖以及良好的预测效果越来越成为信用评级中的热门研究领域。 　　3、人工神经网络在信用评级中的应用 　　人工神经网络（Artifical Neural Networks，ANN）近年来在多个领域迅速兴起，在包括会计和金融[7]，健康和医药[8，9]，工程和制造业[10，11]，营销[12]等在内的多个领域内取得了很好的应用。ANN相比于传统的统计学方法也是一种有效的处理回归和分类问题的方法[13]。并被证明在信用评级问题上也具有良好的表现[14，15，16]。ANN通过模拟生物神经网络的结构和功能的数学模型。ANN是一种自适应的非线性的建模方式，常用来针对输入和输出之间的复杂关系进行探索。 　　4、数据介绍 　　对于企业信用评级而言，目前国际上较为权威的信用评级机构为：穆迪投资者服务（Moody’s Investor Services，MIS）、标准普尔（Standard Poors rating service，SnP）以及惠誉国际（Fitch Group）。为评级标准和等级的一致性，本次主要选用MIS下的被评级机构作为研究对象。 　　通过对企业的履约情况进行评定，MIS将企业的信用等级分为21级，其中券信誉高，履约风险小，被称为“投资级”，主要包括：Aaa级（优等）、Aa级（高级）、A级（中上级）、Baa级（中级）；相比之下，信誉较低，履约风险较大的则被成为“投机级”，主要包括：Ba级（具有投机性质的因素）、B级（缺少理想投资的品质）、Caa级（劣质债券）、Ca级（高度投机性）、C级（最低等级评级） 　　相应的财务数据则可以通过分析企业的财务报告获得[17]。公司的财务报告包括各项评定企业业务表现的财务数据，其中常被使用的列示于表1。常用的财务比率主要包括以下几个： 　　表1 企业常用财务比率 　　为避免企业所处行业差异对研究带来的影响，本文中主要选取了38家房地产上市企业的财报数据进行研究，以保证模型评判标准的统一性。 　　5、方法步骤 　　（1）选取38家房地产上市企业财报，根据表1中公式计算各项财务比率。采用计算而得的财务比率而非直接利用财报中数字的原因在于，各上市公司因规模差异，财报中财务指标绝对值相差较大，且因其上市地点不同，财报中所披露的指标数据的货币单位也不尽相同。但财务指标的绝对值并不能全面的反应一个公司的发展状况，采取财务比率作为数学模型依据，可以消除规模差异及汇率变化带来的影响，使结果更