鄭建國(guó) 李新

【摘 要】近年來，我國(guó)企業(yè)信用風(fēng)險(xiǎn)上升。文章結(jié)合傳統(tǒng)的財(cái)務(wù)指標(biāo)，加入非財(cái)務(wù)指標(biāo)，以構(gòu)建更為全面的企業(yè)信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系。以2015—2017年的A股上市公司為樣本，將PCA、SMOTE與通過網(wǎng)格搜索法進(jìn)行參數(shù)尋優(yōu)后的SVM結(jié)合，構(gòu)建PCA-SMOTE-GS-SVM模型評(píng)估企業(yè)信用風(fēng)險(xiǎn)，并對(duì)比其他模型，結(jié)果表明，所構(gòu)建模型具有較高的穩(wěn)定性和預(yù)測(cè)能力。

【關(guān)鍵詞】支撐向量機(jī);企業(yè)信用風(fēng)險(xiǎn)評(píng)估;PCA;SMOTE;網(wǎng)格搜索法

【中圖分類號(hào)】F832.4 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】1674-0688（2020）05-0220-03

1 概述

1.1 研究背景

目前，在經(jīng)濟(jì)增長(zhǎng)放緩、生產(chǎn)能力下降、庫(kù)存減少、去杠桿化加劇等多種因素的影響下，我國(guó)信用貸款的風(fēng)險(xiǎn)頻繁發(fā)生，不良貸款不斷增加，所以我國(guó)建立相對(duì)完善的銀行及其他金融機(jī)構(gòu)信用風(fēng)險(xiǎn)評(píng)估體系刻不容緩。支持向量機(jī)（SVM）廣泛應(yīng)用于模型的分類和回歸中，在用于信用風(fēng)險(xiǎn)評(píng)估中，可以實(shí)現(xiàn)將不良貸款與優(yōu)良貸款的主體進(jìn)行分類。

1.2 國(guó)內(nèi)外研究綜述

從近幾年的研究來看，方匡南等人[1]將基于網(wǎng)絡(luò)結(jié)構(gòu)的Logit模型用于企業(yè)信用風(fēng)險(xiǎn)評(píng)估中。蔣翠霞等人[2]基于 Lasso二元選擇分量回歸，建立了一個(gè)評(píng)價(jià)模型，并將其應(yīng)用于中國(guó)上市公司的信用評(píng)價(jià)中，結(jié)論表明所提模型較于Lasso-logit 模型和支持向量機(jī)等具有更好的評(píng)價(jià)效果和變量選擇能力。吳金旺等人[3]建立了Logistic模型以分析A商業(yè)銀行海量客戶信貸數(shù)據(jù)。肖會(huì)敏等人[4]將神經(jīng)網(wǎng)絡(luò)模型用于對(duì)P2P網(wǎng)絡(luò)借款人的信用評(píng)估研究。Guangrong Tong and Siwei Li[5]提出了lsomap-RVM模型，并用它來對(duì)中國(guó)上市公司信用進(jìn)行評(píng)估。Ye Tian等人[6]提出一種新的模糊集和最先進(jìn)的無內(nèi)核QSSVM模型用于信用風(fēng)險(xiǎn)評(píng)估。趙亞等人[7]選取股東、企業(yè)誠(chéng)信情況等構(gòu)建非財(cái)務(wù)指標(biāo)并進(jìn)行研究。

2 企業(yè)信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系的構(gòu)建

2.1 數(shù)據(jù)來源

本文數(shù)據(jù)來自國(guó)泰安金融數(shù)據(jù)庫(kù)，樣本選自2015—2017在A股上市的公司，根據(jù)證監(jiān)會(huì)對(duì)企業(yè)信用風(fēng)險(xiǎn)的標(biāo)準(zhǔn)，ST的公司為信用差的公司，未被認(rèn)定為信用好的公司。樣本數(shù)據(jù)總共有9 060條，因變量表示公司是否違約，賦值0和1，其中0表示良好企業(yè);1表示壞企業(yè)。

2.2 體系構(gòu)建

結(jié)合國(guó)內(nèi)外學(xué)者的研究，我們構(gòu)建了企業(yè)信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，其中財(cái)務(wù)指標(biāo)共17個(gè)，非財(cái)務(wù)指標(biāo)共4個(gè)（見表1）。

（1）財(cái)務(wù)指標(biāo)。償債能力是衡量企業(yè)的經(jīng)營(yíng)狀況和財(cái)務(wù)能力的重要表現(xiàn);而現(xiàn)金流量可以判斷企業(yè)經(jīng)營(yíng)狀況是否良好，是否有足夠的現(xiàn)金流進(jìn)行周轉(zhuǎn);盈利能力可以看出企業(yè)是否可以創(chuàng)造價(jià)值;經(jīng)營(yíng)能力衡量企業(yè)的經(jīng)營(yíng)狀況，企業(yè)利用各種資源來經(jīng)營(yíng)企業(yè);成長(zhǎng)能力反映企業(yè)在生存的同時(shí)不斷擴(kuò)大規(guī)模和發(fā)展實(shí)力。

（2）非財(cái)務(wù)指標(biāo)。通常，我們認(rèn)為企業(yè)規(guī)模越大，說明企業(yè)承擔(dān)風(fēng)險(xiǎn)的能力越強(qiáng)，更有資金還貸;管理者特征表明了企業(yè)的組織結(jié)構(gòu)，一個(gè)具備強(qiáng)大的組織者和領(lǐng)導(dǎo)人的企業(yè)更會(huì)長(zhǎng)期穩(wěn)定地發(fā)展下去。

3 實(shí)證分析

3.1 主成分分析

通過計(jì)算可得特征值和方差累計(jì)貢獻(xiàn)率（見表2）。

根據(jù)表2，我們提取了10個(gè)主成分，且方差累計(jì)貢獻(xiàn)率74%。

3.2 實(shí)驗(yàn)與模型效果對(duì)比

我們選取樣本的40%為測(cè)試集，將沒有經(jīng)過主成分分析降維和SMOTE平衡數(shù)據(jù)的Logistic模型與不同內(nèi)核函數(shù)的SVM模型進(jìn)行對(duì)比試驗(yàn)，其中s表示訓(xùn)練集，t表示測(cè)試集，最終分類效果見表3。

從表3中我們可以看出，不論是訓(xùn)練集還是測(cè)試集，每個(gè)模型的分類準(zhǔn)確率都很高，很大一部分原因是由于數(shù)據(jù)的不平衡導(dǎo)致的，因?yàn)榧词箤⑺械臉颖绢A(yù)測(cè)成0，即違約風(fēng)險(xiǎn)低的企業(yè)，預(yù)測(cè)準(zhǔn)確率都有97%，所以我們不能根據(jù)準(zhǔn)確率進(jìn)行判斷。同時(shí)，大部分模型的精準(zhǔn)率和召回率、F1_score指標(biāo)較低，說明正確判斷正類樣本效果不好，對(duì)比AUC指標(biāo)我們發(fā)現(xiàn)，SVM選擇徑向基核函數(shù)RBF的分類性能較其他內(nèi)核函數(shù)更好。所以，后面我們選擇內(nèi)核函數(shù)為RBF的SVM進(jìn)行訓(xùn)練。

很明顯，不平衡數(shù)據(jù)和特征抽取之后的模型對(duì)企業(yè)信用風(fēng)險(xiǎn)進(jìn)行評(píng)估的效果不好，于是我們先做主成分分析，然后用SMOTE算法過采樣平衡樣本，對(duì)比模型進(jìn)行實(shí)驗(yàn)，分類評(píng)價(jià)指標(biāo)見表4。

我們從表4中可以看出，進(jìn)行主成分降維和平衡數(shù)據(jù)之后，分類評(píng)價(jià)指標(biāo)相較于之前大部分都提高了，并且可以看出PCA-SMOTE-SVM模型比PCA-SMOTE-Logistic模型具備更好的分類性能，訓(xùn)練集和測(cè)試集各個(gè)指標(biāo)都高5%左右，說明分類器的效果較好。

支持向量機(jī)模型具有兩個(gè)非常重要的參數(shù)，即C和gamma。C表示懲罰系數(shù)，C越小，模型越容易欠擬合，反之，就會(huì)過擬合。gamma是內(nèi)核函數(shù)的參數(shù)，gamma越大，支持向量越少，反之越多。我們采用傳網(wǎng)格搜索法尋求最優(yōu)的參數(shù)組合，以達(dá)到模型更優(yōu)的預(yù)測(cè)效果。設(shè)置5折交叉驗(yàn)證的網(wǎng)格參數(shù)尋優(yōu)，最后得到最優(yōu)參數(shù)：C=1 000，gamma=1，此時(shí)的最優(yōu)性能為0.948。最后各個(gè)分類指標(biāo)都上升且很高，AUC值高達(dá)97%，準(zhǔn)確率高達(dá)95%，表明所提模型的分類效果很好。

4 結(jié)論和不足

為了研究企業(yè)的信用風(fēng)險(xiǎn)評(píng)估問題，構(gòu)建了具有21個(gè)指標(biāo)的企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系，選取2015—2017年3年A股上市公司為樣本，構(gòu)建了PCA-SMOTE-GS-SVM模型，并進(jìn)行對(duì)比實(shí)驗(yàn)，所提模型的分類評(píng)價(jià)指標(biāo)較高，研究的不足之處有以下兩點(diǎn)：①對(duì)于參數(shù)尋優(yōu)，文章僅僅采用網(wǎng)格搜索法尋找最優(yōu)參數(shù)，可以尋找最佳分類模型。②本文所提模型，只適用于二分類信用風(fēng)險(xiǎn)分級(jí)的樣本，可以嘗試對(duì)企業(yè)信用風(fēng)險(xiǎn)評(píng)估進(jìn)行多分類的研究。

參 考 文 獻(xiàn)

[1]方匡南，范新妍，馬雙鴿.基于網(wǎng)絡(luò)結(jié)構(gòu)Logistic模型的企業(yè)信用風(fēng)險(xiǎn)預(yù)警[J].統(tǒng)計(jì)研究，2016，33（4）：50-55.

[2]蔣翠俠，黃韻華，許啟發(fā).基于Lasso二元選擇分位數(shù)回歸的上市公司信用評(píng)估[J].系統(tǒng)工程，2017，35（2）：16-24.

[3]吳金旺，顧洲一.基于非平衡樣本的商業(yè)銀行客戶信用風(fēng)險(xiǎn)評(píng)估——以A銀行為例[J].金融理論與實(shí)踐，2018（7）：51-57.

[4]肖會(huì)敏，侯宇，崔春生.基于BP神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸借款人信用評(píng)估[J].運(yùn)籌與管理，2018，27（9）：112-118.

[5]Tong Guangrong，Li Siwei.Construction and App-lication Research of Isomap-RVM Credit AssessmentModel[J].Mathematical Problems In Engineering，2015（9）：1135-1143.

[6]Tian Ye，Sun，Miao，Deng Zhibin.A New Fuzzy Set and Nonkernel SVM Approach for Mislabeled Binary Classification With Applications[J].IEEE Tra-nsactions On Fuzzy Systems，2017（10）：1536-1545.

[7]趙亞，李田，苑澤明.基于隨機(jī)森林的企業(yè)信用風(fēng)險(xiǎn)評(píng)估模型研究[J].財(cái)會(huì)通訊，2017（29）：110-114，129.