基于SVM模型的企业信用风险评估研究.pdfVIP

基于SVM模型的企业信用风险评估研究

作者：郑建国李新

来源：《企业科技与发展》2020年第05期

【摘要】近年来，我国企业信用风险上升。文章结合传统的财务指标，加入非财务指

标，以构建更为全面的企业信用风险评估指标体系。以2015—2017年的A股上市公司为样

本，将PCA、SMOTE与通过网格搜索法进行参数寻优后的SVM结合，构建PCA-SMOTE-

GS-SVM模型评估企业信用风险，并对比其他模型，结果表明，所构建模型具有较高的稳定性

和预测能力。

【关键词】支撑向量机;企业信用风险评估;PCA;SMOTE;网格搜索法

【中图分类号】F832.4【文献标识码】A【文章编号】1674-0688（2020）05-0220-03

概述1

研究背景1.1

目前，在经济增长放缓、生产能力下降、库存减少、去杠杆化加剧等多种因素的影响

下，我国信用贷款的风险频繁发生，不良贷款不断增加，所以我国建立相对完善的银行及其他

金融机构信用风险评估体系刻不容缓。支持向量机（SVM）广泛应用于模型的分类和回归

中，在用于信用风险评估中，可以实现将不良贷款与优良贷款的主体进行分类。

国1.2内外研究综述

从近几年的研究来看，方匡南等人[1]将基于网络结构的Logit模型用于企业信用风险评估

中。蒋翠霞等人[2]基于Lasso二元选择分量回归，建立了一个评价模型，并将其应用于中国上

市公司的信用评价中，结论表明所提模型较于Lasso-logit模型和支持向量机等具有更好的评价

效果和变量选择能力。吴金旺等人[3]建立了Logistic模型以分析A商业银行海量客户信贷数

据。肖会敏等人[4]将神经网络模型用于对P2P网络借款人的信用评估研究。GuangrongTong

andSiweiLi[5]提出了lsomap-RVM模型，并用它来对中国上市公司信用进行评估。YeTian等

人[6]提出一种新的模糊集和最先进的无内核QSSVM模型用于信用风险评估。赵亚等人[7]选

取股东、企业诚信情况等构建非财务指标并进行研究。

企业信用风险评估指标体系的构建2

数2.1据来源

本文数据来自国泰安金融数据库，样本选自2015—2017在A股上市的公司，根据证监会

对企业信用风险的标准，ST的公司为信用差的公司，未被认定为信用好的公司。样本数据总

共有9060条，因变量表示公司是否违约，赋值0和1，其中0表示良好企业;1表示坏企业。

体系构建2.2

结合国内外学者的研究，我们构建了企业信用风险评估指标体系，其中财务指标共17

个，非财务指标共4个（见表1）。

（1）财务指标。偿债能力是衡量企业的经营状况和财务能力的重要表现;而现金流量可以

判断企业经营状况是否良好，是否有足够的现金流进行周转;盈利能力可以看出企业是否可以

创造价值;经营能力衡量企业的经营状况，企业利用各种资源来经营企业;成长能力反映企业在

生存的同时不断扩大规模和发展实力。

（2）非财务指标。通常，我们认为企业规模越大，说明企业承担风险的能力越强，更有

资金还贷;管理者特征表明了企业的组织结构，一个具备强大的组织者和领导人的企业更会长

期稳定地发展下去。

实证分析3

主3.1成分分析

通过计算可得特征值和方差累计贡献率（见表2）。

根据表2，我们提取了10个主成分，且方差累计贡献率74%。

实3.2验与模型效果对比

我们选取样本的40%为测试集，将没有经过主成分分析降维和SMOTE平衡数据的

Logistic模型与不同内核函数的SVM模型进行对比试验，其中s表示训练集，t表示测试集，

最终分类效果见表3。

从表3中我们可以看出，不论是训练集还是测试集，每个模型的分类准确率都很高，很

大一部分原因是由于数据的不平衡导致的，因为即使将所有的样本预测成0，即违约风险低的

企业，预测准确率都有97%，所以我们不能根据准确率进行判断。同时，大部分模型的精准率

和召回率、F1_score指标较低，说明正确判断正类样本效果不好，对比AUC指标我们发现，

SVM选择径向基核函数RBF的分类性能较其他内核函数更好。所以，后面