楊揚，周一懋，周宗放

1. 西南財經(jīng)大學(xué)經(jīng)濟(jì)數(shù)學(xué)學(xué)院，四川 成都 611130；2. 江蘇匯譽(yù)通數(shù)據(jù)科技有限公司，江蘇 蘇州 215123；3. 電子科技大學(xué)經(jīng)濟(jì)與管理學(xué)院，四川 成都 611731

基于文本大數(shù)據(jù)的企業(yè)信用風(fēng)險評估

楊揚1，周一懋2，周宗放3

1. 西南財經(jīng)大學(xué)經(jīng)濟(jì)數(shù)學(xué)學(xué)院，四川 成都 611130；2. 江蘇匯譽(yù)通數(shù)據(jù)科技有限公司，江蘇 蘇州 215123；3. 電子科技大學(xué)經(jīng)濟(jì)與管理學(xué)院，四川 成都 611731

相較于個人信用風(fēng)險評估，銀行關(guān)于企業(yè)信用風(fēng)險評估的資料具有更多的文本信息且標(biāo)準(zhǔn)化程度更高，然而文本信息中蘊(yùn)含的大量關(guān)于企業(yè)信用風(fēng)險的增量信息卻沒有得到有效利用。通過對我國上市公司年報以及網(wǎng)民評論的文本進(jìn)行分析，探索了文本大數(shù)據(jù)對企業(yè)信用風(fēng)險評估的作用。研究發(fā)現(xiàn)，年報管理層討論與分析的風(fēng)險提示內(nèi)容、獨立董事意見中關(guān)于關(guān)聯(lián)交易的非正式感情表達(dá)以及網(wǎng)民關(guān)于公司風(fēng)險的評論對于企業(yè)信用風(fēng)險評估都具有明顯的增量信息。

文本；大數(shù)據(jù)；信用風(fēng)險；評估

1 引言

隨著我國市場化水平的不斷提升、信用金融體系的逐步形成，信用風(fēng)險更加凸顯為各大金融機(jī)構(gòu)所面臨的主要風(fēng)險，而銀行信用風(fēng)險管理也面臨著前所未有的挑戰(zhàn)，這種挑戰(zhàn)在當(dāng)前經(jīng)濟(jì)下行和結(jié)構(gòu)調(diào)整深化的宏觀背景下顯得尤為突出[1]。另一方面，互聯(lián)網(wǎng)以及移動互聯(lián)網(wǎng)的發(fā)展和普遍應(yīng)用為銀行提供了通過大數(shù)據(jù)進(jìn)行信用風(fēng)險管理并挖掘新業(yè)務(wù)增長點的重要機(jī)會。根據(jù)Syrus關(guān)于風(fēng)險管理的定義，銀行信用風(fēng)險管理的流程可以分為3個步驟：風(fēng)險數(shù)據(jù)的收集、風(fēng)險的度量和風(fēng)險的模擬評估[2]。而大數(shù)據(jù)的應(yīng)用無論是對銀行信用風(fēng)險數(shù)據(jù)的收集、信用風(fēng)險的度量，還是對信用風(fēng)險的模擬評估，都提供了嶄新的視角和方法。相較于銀行傳統(tǒng)信用風(fēng)險管理手段，通過對大數(shù)據(jù)進(jìn)行整合和分析，降低了成本，提高了效率。這不但可以加強(qiáng)經(jīng)濟(jì)波動周期下的信用風(fēng)險控制，同時也提升了復(fù)雜環(huán)境下交叉風(fēng)險的管理能力[3]。事實上，大多數(shù)金融機(jī)構(gòu)已經(jīng)看到了大數(shù)據(jù)產(chǎn)業(yè)化蘊(yùn)含著的商機(jī)，美國花旗銀行通過對客戶信用卡大數(shù)據(jù)的分析，對客戶進(jìn)行了有效的信息推送，實現(xiàn)了二次精準(zhǔn)營銷；美國富國銀行則通過客戶交易大數(shù)據(jù)的管理，有效識別了欺詐性交易行為，提升了自身風(fēng)險控制水平；在我國，阿里巴巴、騰訊等電子支付通道運營商也通過對客戶社交活動的大數(shù)據(jù)分析，紛紛推出“微粒貸”等金融產(chǎn)品，不斷擠壓金融機(jī)構(gòu)終端零售市場，同時擴(kuò)寬自身新的利益增長點[4]。

對于大多數(shù)銀行而言，企業(yè)信用風(fēng)險評估一直以來都是其核心和市場基點。大量的參考文獻(xiàn)探討了在P2P環(huán)境下大數(shù)據(jù)應(yīng)用對個人信用風(fēng)險評估的影響。例如Greiner M E和艾金娣等人[5,6]對P2P個人信用風(fēng)險的數(shù)據(jù)和信用風(fēng)險進(jìn)行了分析；Carlos S C等人[7]考察了個人財富評級對其信用風(fēng)險的影響；而Larrimore L等人[8]則對Prosper.com的數(shù)據(jù)進(jìn)一步分析指出，一些非結(jié)構(gòu)化信息的利用可以有效降低投資者面臨的信用風(fēng)險；周宗放等人[9]對個人信用風(fēng)險評估的理論和方法進(jìn)行了拓展性研究。相較于個人信用風(fēng)險的評估，一方面銀行所持有的有關(guān)企業(yè)信用風(fēng)險評估的資料包含更多的文本信息（如財務(wù)報表、審計報告等），也更加標(biāo)準(zhǔn)化；另一方面，這些文本信息往往并沒有被有效利用，許多隱藏在文本中的信息被銀行忽略，這大大損失了銀行企業(yè)信用風(fēng)險評估的效率。一些學(xué)者，如Yang Y等人[10]已經(jīng)注意到了充分利用文本信息能大大提高銀行對企業(yè)信用風(fēng)險評估的效率，而本文則進(jìn)一步提出了文本大數(shù)據(jù)應(yīng)用于企業(yè)信用風(fēng)險評估的3個基本視角，希望能借此為大數(shù)據(jù)下的企業(yè)信用風(fēng)險評估提供有益啟示。

2 數(shù)據(jù)說明

為了使文本信息更加標(biāo)準(zhǔn)化，同時考慮到數(shù)據(jù)的真實性和可獲取性，本文選取2009—2015年滬深A(yù)股被“特殊對待（special treatment，ST）”的上市公司樣本，借鑒參考文獻(xiàn)[11]的如下配對準(zhǔn)則，為這些樣本選取“非ST”上市公司的配對樣本。準(zhǔn)則如下：

● 時間一致性，即“ST”樣本和“非ST”樣本為同一年度數(shù)據(jù)；

● 配對樣本行業(yè)類型相同或相近；

● 配對樣本資產(chǎn)總規(guī)模相當(dāng)；

● 配對樣本上市時間接近；

● 剔除數(shù)據(jù)缺失或兩年內(nèi)被“ST”的上市公司；

● 剔除因其他異常情況被“ST”的上市公司。

為了方便研究，本文將樣本和配對樣本的文本信息進(jìn)行了梳理，將年報中“管理層討論與分析”不含“風(fēng)險分析”“風(fēng)險提示”的樣本刪除；進(jìn)一步，將網(wǎng)絡(luò)評論少于30條的樣本刪去。最終得到配對的“ST”樣本和“非ST”樣本，一共600對。

2.1 信用風(fēng)險度量

本文選取Logistic回歸[12]作為樣本的信用風(fēng)險度量。Logistic回歸是一種廣泛應(yīng)用于經(jīng)濟(jì)管理的二分類（成功或失?。┗蛘叨啻涡蚺判虻脑u估（預(yù)測）方法。其核心思想是假設(shè)Xi為第i個企業(yè)的信用風(fēng)險評估的變量向量，企業(yè)出現(xiàn)信用風(fēng)險違約的概率Pi和Xi之間的關(guān)系如下：

其中，α和βi為Logistic回歸的系數(shù)。

通過求最大對數(shù)似然函數(shù)ln(α,β)，就可以得出式（1）中的參數(shù)，然后通過外生性設(shè)定臨界值來判斷企業(yè)的信用風(fēng)險情況，對企業(yè)信用風(fēng)險進(jìn)行評估。

本文將樣本分為訓(xùn)練樣本和檢驗樣本，其中訓(xùn)練樣本400個，檢驗樣本200個。在利用訓(xùn)練樣本對模型進(jìn)行訓(xùn)練的過程中，當(dāng)樣本為“ST”樣本時，響應(yīng)值賦值為1；當(dāng)樣本為“非ST”樣本時，響應(yīng)值賦值為0。在確定了系數(shù)后，再用訓(xùn)練好的Logistic模型對檢驗樣本的評估精準(zhǔn)性進(jìn)行檢驗。在本文中，選取0.4作為信用風(fēng)險評估的臨界值。當(dāng)式（1）中Pi＜0.4時，評估樣本為“非ST”樣本，而當(dāng)Pi≥0.4時，評估樣本為“ST”樣本。

表1 控制變量

2.2 控制變量

財務(wù)數(shù)據(jù)是各大金融機(jī)構(gòu)現(xiàn)用于企業(yè)信用風(fēng)險評估的最為重要的數(shù)據(jù)。本文借鑒已有關(guān)于企業(yè)信用風(fēng)險評估、財務(wù)預(yù)警等相關(guān)文獻(xiàn)[13]，選取財務(wù)變量作為控制變量?？紤]到文本信息部分表征了財務(wù)數(shù)據(jù)中蘊(yùn)含的信息，因此，通過內(nèi)生性檢驗后，本文將表1中的變量作為控制變量。

3 信用風(fēng)險評估

本文將考慮兩類文本（規(guī)范性文本和非規(guī)范性文本）中蘊(yùn)含的有關(guān)企業(yè)信用風(fēng)險的信息增量。規(guī)范性文本來源于企業(yè)的年度財務(wù)報表和獨立董事意見。年度財務(wù)報表和獨立董事意見，特別是本文中樣本上市公司的年度財務(wù)報表和獨立董事意見具有高度的標(biāo)準(zhǔn)化特征。而非規(guī)范性的文本則來源于巨潮資訊網(wǎng)、新浪財經(jīng)網(wǎng)等廣大股民對企業(yè)的評價，體現(xiàn)了文本的多樣性特征。

3.1 規(guī)范性文本

規(guī)范性文本的分析對象在本文中分為兩個部分，即企業(yè)年度財務(wù)報表和企業(yè)關(guān)于關(guān)聯(lián)交易的獨立董事意見。

第一，企業(yè)年度財務(wù)報表。財務(wù)年度報表是各大金融機(jī)構(gòu)用以對其進(jìn)行信用風(fēng)險評估時最為重要的文件。然而企業(yè)的財務(wù)年度報表中除了財務(wù)數(shù)據(jù)以外，大量的文本信息并未得到有效的利用。由于本文要對企業(yè)信用風(fēng)險進(jìn)行評估，因此，選取企業(yè)財務(wù)年度報表中“管理層討論與分析”的風(fēng)險提示相關(guān)內(nèi)容作為文本分析的對象。這部分文本內(nèi)容大多對企業(yè)未來可能面臨的宏觀環(huán)境、行業(yè)競爭以及市場結(jié)構(gòu)等風(fēng)險進(jìn)行定性論述?；诖?，本文借鑒了Morinaga S等人[14]的詞頻分析準(zhǔn)則，并對風(fēng)險提示部分相關(guān)內(nèi)容進(jìn)行了修改。

第二，企業(yè)關(guān)聯(lián)交易的獨立董事意見。關(guān)聯(lián)交易被普遍認(rèn)為是影響企業(yè)信用風(fēng)險的重要因素[15]，中國證券監(jiān)督管理委員會要求上市公司獨立董事針對關(guān)聯(lián)交易給出獨立意見。然而我國獨立董事受限于客戶壓力和失位風(fēng)險，很少發(fā)表否定性意見。盡管如此，從獨立董事意見里仍然可以找出傾向性的感情表達(dá)。例如表2中兩種不同類型的表達(dá)就帶有明顯的感情傾向[16]。

鑒于此，本文借鑒了中文文本情感分析相關(guān)方法，對樣本獨立董事關(guān)于關(guān)聯(lián)交易的意見進(jìn)行分析，將獨立董事就關(guān)聯(lián)交易的意見肯定程度分為0～5這6個標(biāo)度，并作為Logistic模型的判別變量。

表3為在企業(yè)信用風(fēng)險評估的3類分析方法下的第一類錯誤率和第二類錯誤率以及評估的準(zhǔn)確率①第一類錯誤率是指將信用好的樣本誤判為信用差樣本的比例；第二類錯誤率是指將信用差的本樣誤判為信用好樣本的比率；評估準(zhǔn)確率是指正確判別的樣本占總樣本的比率?？梢钥吹剑杭{入企業(yè)財務(wù)報表“風(fēng)險提示”相關(guān)內(nèi)容和獨立董事意見以后，第一類和第二類錯誤率都明顯降低，評估準(zhǔn)確率有所提高。而圖1則顯示了將檢驗樣本分組后，隨著檢驗樣本的增加，評估準(zhǔn)確性率變化。

由表3和圖1可知，無論是企業(yè)年度財務(wù)報表，還是獨立董事意見文本信息，均蘊(yùn)含著關(guān)于企業(yè)信用風(fēng)險的信息增量。將文本分析納入企業(yè)信用風(fēng)險評估能顯著提高評估的準(zhǔn)確性。此外，隨著檢驗樣本量的增加，文本評估準(zhǔn)確性呈單調(diào)上升趨勢。相較于企業(yè)年度財務(wù)報表中“風(fēng)險提示”等相關(guān)文本信息，獨立董事關(guān)于關(guān)聯(lián)交易的感情傾向更能幫助銀行分析企業(yè)的信用風(fēng)險狀況。這可能是由于企業(yè)年度財務(wù)報表的“風(fēng)險提示”相關(guān)文檔過分標(biāo)準(zhǔn)化，很多企業(yè)對這部分內(nèi)容的撰寫甚至前后兩年的修改程度很小，屬于“例行公事”的模版化處理，這也弱化了這部分文本信息的有效性。

3.2 非規(guī)范性文本

表2 企業(yè)關(guān)于關(guān)聯(lián)交易所發(fā)表的獨立董事意見

表3 規(guī)范性文本信用風(fēng)險評估的準(zhǔn)確率

巨潮資訊網(wǎng)和新浪財經(jīng)網(wǎng)作為中國最大的財經(jīng)資訊網(wǎng)，集聚了眾多網(wǎng)友針對我國上市公司各個方面發(fā)表的看法和觀點。這些信息具有典型的非結(jié)構(gòu)化特點。為了簡便，在本文中，僅僅利用Python抓取了其中的純文本部分，由于不同的帖子具有不同的表達(dá)習(xí)慣，因此，本文借鑒了Tetlock P C等人和Loughran T等人[17,18]在處理社交網(wǎng)絡(luò)文本時應(yīng)用的否定詞頻表方法，并進(jìn)一步利用Chen H等人[19]的模型，結(jié)合Logistic模型對企業(yè)信用風(fēng)險進(jìn)行檢驗。表4為通過非規(guī)范性文本進(jìn)行信用風(fēng)險評估的結(jié)果。

從表4可以看出，對網(wǎng)絡(luò)媒體文本信息的分析，顯著提高了企業(yè)信用風(fēng)險評估的準(zhǔn)確率，甚至遠(yuǎn)遠(yuǎn)高于利用規(guī)范文本信用風(fēng)險評估的準(zhǔn)確率。這說明來自網(wǎng)絡(luò)媒體的文本信息蘊(yùn)藏著更多的關(guān)于企業(yè)信用風(fēng)險的增量信息。這可能一方面是由于網(wǎng)絡(luò)媒體的自適應(yīng)性，眾多發(fā)表帖子的網(wǎng)民都顯然將自己認(rèn)為“正確”的信息發(fā)表在了網(wǎng)絡(luò)媒體；而另一方面可能與網(wǎng)絡(luò)大數(shù)據(jù)有關(guān)。對于規(guī)范性文本而言，本文的文本樣本量為2 400個；而對于非規(guī)范性文本而言，本文的文本樣本量增加至12 840個，顯著增加的文本數(shù)據(jù)量可能大大提高了信用風(fēng)險評估的準(zhǔn)確率。

圖1 規(guī)范性文本評估（預(yù)測）準(zhǔn)確率

4 結(jié)束語

表4 非規(guī)范文本信用風(fēng)險評估準(zhǔn)確率

銀行在進(jìn)行企業(yè)信用風(fēng)險評估時，往往都要求企業(yè)提供諸如年度財務(wù)報表、審計報告以及公司所提供抵押擔(dān)保等大量的文本材料。相較于個人信用風(fēng)險評估，這些文本材料標(biāo)準(zhǔn)化程度更高。然而銀行對這些文本信息的利用效率卻并不高，大量隱藏在文本中的有關(guān)企業(yè)信用風(fēng)險的增量信息都被浪費，并未能形成銀行貸款策略的決策支持。為此，本文利用我國上市公司年報標(biāo)準(zhǔn)文本數(shù)據(jù)以及在線數(shù)據(jù)，從公司年報管理層討論與分析中“風(fēng)險提示”的內(nèi)容、公司年報中關(guān)聯(lián)交易“獨立董事意見”的感情以及眾多網(wǎng)友網(wǎng)上回帖內(nèi)容的多樣性等方面著手，探索了文本大數(shù)據(jù)對企業(yè)信用風(fēng)險評估的影響。研究發(fā)現(xiàn)，現(xiàn)有企業(yè)文本信息中仍然具有大量的關(guān)于企業(yè)信用風(fēng)險的增量信息沒有被銀行有效利用；進(jìn)一步利用好文本大數(shù)據(jù)，從中挖掘出有益信息對銀行針對企業(yè)信用風(fēng)險的評估和控制具有重要意義。

總體而言，本文嘗試了利用文本大數(shù)據(jù)對企業(yè)信用風(fēng)險的評估，然而這種研究仍然是探索性的。所用的方法和對數(shù)據(jù)的處理還比較粗糙，對文本信息的利用也缺乏精細(xì)度。相信對企業(yè)文本更加細(xì)致的挖掘和分析將能更深刻地認(rèn)識企業(yè)的信用風(fēng)險，進(jìn)一步提高銀行關(guān)于企業(yè)信用風(fēng)險評估的準(zhǔn)確度，也為銀行信用風(fēng)險管控提供更多的幫助。希望本文不但能對銀行利用文本大數(shù)據(jù)進(jìn)行企業(yè)信用風(fēng)險評估起到啟示作用，更能起到拋磚引玉的作用，為更多的大數(shù)據(jù)情景下銀行信用風(fēng)險評估的研究提供借鑒。

[1] 龐淑娟. 大數(shù)據(jù)在銀行信用風(fēng)險管理中的應(yīng)用[J]. 征信, 2005, 33(3): 12-15. PANG S J. The application of big data to bank credit risk management[J]. Credit Reference, 2005, 33(3): 12-15.

[2] DUFFIE D, SINGLETON K. Credit risk[M]. Princeton: Princeton University Press, 2003.

[3] 宋長龍. 大數(shù)據(jù)背景下的銀行信用風(fēng)險管理[J]. 商業(yè)經(jīng)濟(jì), 2015(10): 108-109. SONG C L. Credit risk management of banks in the circumstance of big data[J]. Business Economy, 2015(10): 108-109.

[4] 曾偉, 孔新川, 陳威, 等. 大數(shù)據(jù)發(fā)現(xiàn)銀行貸款風(fēng)險[J]. 大數(shù)據(jù), 2014024. ZENG W, KONG X C, CHEN W, et al. Uncovering the risk in bank loans by big data[J]. Big Data Research, 2014024.

[5] GREINER M E, WANG H. The role of social capital in people-to-people lending market place[C]// The 2009 International Conference on Information Systems, December 15-18, 2009, Arizona, USA. [S.l.:s.n.], 2009: 1-17.

[6] 艾金娣. P2P網(wǎng)絡(luò)借貸平臺風(fēng)險防范[J]. 中國金融, 2012(14): 79-81. AI J D. Risk prevention of online P2P lending platform [J]. China Finance, 2012(14): 79-81.

[7] CARLOS S C, BEGONA G N. The use of profit scoring as an alternative to credit scoring systems in P2P lending[J]. Decision Support Systems, 2016, 9(89): 113-122.

[8] LARRIMORE L,JIANG L,MARKOWITZ D, et al. Peer to peer lending: the relationship between language features, trustworthiness, and persuasion success[J]. Journal of Applied Communication Research, 2011, 1(39): 19-37.

[9] 周宗放, 帥理, 周一懋. 個人信用風(fēng)險評估理論和方法：拓展性研究[M]. 北京：中國金融出版社, 2015. ZHOU Z F, SHUAI L, ZHOU Y M. Personal credit assessment theories and methods：extension research[M]. Beijing: China Financial Publishing House, 2015.

[10] YANG Y, JING G, ZHOU Z F. Credit risk evaluation based on social media[J]. Environmental Research, 2016, 7(148): 582-585.

[11] 賴娟, 肖珉, 周宗放. 我國集團(tuán)上市公司財務(wù)危機(jī)預(yù)測建模與實證[J]. 管理學(xué)家, 2010(9): 18-24. LAI J, XIAO M, ZHOU Z F. Empirical study on forecasting financial distress of listed enterprise groups[J]. An Academic Edition of ManaMaga, 2010(9): 18-24.

[12] MARTIN K, HIRSHLEIFER D, TEOH S H. Investor psychology in capital markets: evidence and policy implications[J]. Journal of Monetary Economics, 2002, 49(1): 139-209.

[13] 劉新文. 制造業(yè)上市公司信用風(fēng)險實證研究——基于邏輯回歸方法分析[J]. 金融經(jīng)濟(jì), 2016(7): 113-115.LIU X W. Empirical study on credit risk of listed manufacturings [J]. Finance & Economy, 2016(7): 113-115.

[14] MORINAGA S, YAMANISHI K, TATEISHI K. Mining product reputations on the Web[C]//The 8th ACM International Conference on Knowledge Discovery and Data Mining, July 23-26, 2002, Edmonton, Alberta, Canada. New York: ACM Press, 2002: 341-349.

[15] DOWNS D H, OOI J T L, WONG W C, et al. Related party transactions and firm value: evidence from property markets in hong kong malaysia and singapore[J]. Journal of Real Estate Finance and Economics, 2016, 52(4): 408-427.

[16] 趙子夜. “無過”和“有功”:獨立董事意見中的文字信號[J]. 管理世界, 2014(5): 131-141. ZHAO Z Y. “No mistake” and “having meritorious deed”: the text information in independent directors’ opinions [J]. Management World, 2014(5): 131-141.

[17] TETLOCK P C, SAAR-TSECHANSHY M, MACSKASSY S. More than words: quantifying language to measure firms’fundamental[J]. Journal of Finance, 2008, 43(1): 1437-1467.

[18] LOUGHRAN T, MCDONALD B. When is a liability not a liability? textual analysis, dictionaries, and 10-ks[J]. Journal of Finance, 2011, 66(1): 35-65.

[19] CHEN H, PRABUDDHA D, HU Y J, et al. Wisdom of crowds: the value of stock opinions transmitted through social media[J]. Review of Financial Studies, 2014, 5(27): 1367-1403.

Credit risk evaluation with text big data from text

YANG Yang1, ZHOU Yimao2, ZHOU Zongfang3
1. School of Economic Mathematics, Southwestern University of Finance and Economics, Chengdu 611130, China 2. Jiangsu HYT Data Technology Co., Ltd., Suzhou 215123, China 3. School of Economics and Management, University of Electronic Science and Technology of China, Chengdu 611731, China

Banks have more text information pertaining to credit risk of enterprises. This information is more complete and standardized compared with that of individuals. Nevertheless, this incremental information of enterprise credit risk, which is contained in documents has not been effectively utilized by banks. The role of text big data on credit risk evaluation through annual reports and commentaries of crowds on networks was explored. It found that both the annual reports and crowds’ commentaries significantly contain the incremental information on credit risk of enterprises.

text, big data, credit risk, evaluation

F830

A

10.11959/j.issn.2096-0271.2017006

楊揚（1987-），男，博士，西南財經(jīng)大學(xué)經(jīng)濟(jì)數(shù)學(xué)學(xué)院講師、碩士生導(dǎo)師，主要研究方向為信用風(fēng)險管理、管理信息系統(tǒng)、集團(tuán)管控、風(fēng)險投資。

周一懋（1982-），男，江蘇匯譽(yù)通數(shù)據(jù)科技有限公司大數(shù)據(jù)事業(yè)部總監(jiān)、工程師，主要研究方向為數(shù)據(jù)挖掘、信用評價、項目管理、系統(tǒng)平臺設(shè)計等。

周宗放（1950-），男，電子科技大學(xué)經(jīng)濟(jì)與管理學(xué)院教授、博士生導(dǎo)師，風(fēng)險分析與數(shù)據(jù)科學(xué)研究中心主任，中國科學(xué)院/匯譽(yù)通大數(shù)據(jù)聯(lián)合實驗室特聘研究員，主要研究方向為信用風(fēng)險管理、信用評估、優(yōu)化理論與方法等。

2016-12-14

國家自然科學(xué)基金項目（No.71271043）

Foundation Item:The National Natural Science Foundation of China(No. 71271043)