基于组合分类器的上市公司信用风险评价.PDFVIP

基于组合分类器的上市公司信用风险评价 张 杰 王 凡 渊北 京 工 业 大 学 经 济 与 管 理 学 院 北 京 100022冤 】 ，本文利用 【摘要 针对传统信用风险评价模型只含有一个分类器的缺陷 AdaBoost组合分类器来对上市公司信用风险 进行评价,并与基于支持向量机和神经网络的分类模型进行了效果比较。实证研究表明，组合分类器克服了单一分类器的诸 多缺点，预测准确率高于单一分类器。 】 【关键词 组合分类器 AdaBoost 信用风险评价 一、信用风险及判别方法简述 以是不同的算法组合，也可以通过对样本取样、变化样本空 信用风险是指在以信用关系为纽带的交易过程中，交易 间、构造不同的分类器，然后按照一定的加权方法对分类器进 一方不能履行给付承诺而给另一方造成损失的可能性。自 最后确定可用的分类器。 ， 行组合， 1995年 Freund和Schapir Altman 在企业财务危机及信用风险分析方面所做的开创性 。 提出了AdaBoost算法 AdaBoost 即自适应提升算法，解决了 （ ，不需要预先知道弱学 工作以来，多元统计分析特别是多元判别分析技术 MDA）获 早期Boosting算法很多实践上的困难 。 。由于 得了广泛应用 MDA 的最大优点在于其具有较好的解释性 习器学习正确率的下限，可以很容易应用到实际问题中 —— 和简明性，其缺陷是设定有较严格的前提条件—要求数据 AdaBoost算法最后结果的准确度依赖于弱学习返回的所有 服从多元正态分布和协方差矩阵相等。国外学者对MDA 的 假设，而不是只依赖于准确率最低的那个假设，因此它可以全 缺陷从不同角度进行了改进，形成了两类模型，即统计模型和 面开发弱学习的能力。 人工智能模型。 2. AdaBoost组合分类器算法及分析。AdaBoost算法的基 ，以 ，以 ，其中每个分量分类器的 在统计模型方面 Altman 提出的Z值模型为代表 本过程是：依次训练一组分量分类器 财务信息作为输入变量，运用多元统计方法得到与企业信用 训练集都是选择由其他分量分类器给出的“最富信息”的样本 。 ，但由于 显著相关的变量组合 Z值模型直观可行，操作简便 组成，最后用线性加权集成这些分量分类器，从而得出最终判 它的精确性对企业所处的行业、所在的国家和所处的历史时 断结果。其中，“最富信息”样本的选取方法为：每个训练样本 期是非常敏感的，所以其在各国间的应用有相当大的差异，直 都被赋予一个权重，表明它被某个分量分类器选入训练集的 接使用该模型的效果并不理想。在人工智能模型方面，神经网 那么它的权重 概率。如果某个样本被当前弱分类器准确分类， ， ，它被选中 络技术（NN）在20世纪90年代被引入企业信用评价中 NN 就会降低，则在