基于人工神经网络的商业银行信用风险模型

在对人工神经网络的基本原理进行简要介绍的基础上 ,着重对构建商业银行信用风险的人工神经网络模型进行了研究 ,实证结果表明 ,人工神经网模型具有很高的预测精度     

众筹模式下小微企业信用风险测度与评级转移模型

通过判断矩阵的特征向量与直觉判断矩阵对众筹模式下小微企业信用风险进行测度,得出专家组合权重,然后根据权重结果,选取主要5个信用风险因素为研究对象,利用信用评级的马尔科夫链,构建出众筹模式下小微企业信用风险评级转移模型,得出信用风险等级转移矩阵,再利用JLT调整法对此信用风险等级转移矩阵进行调整,得出调整后的转移矩阵,最...     

基于Stacking算法集成的我国信用债违约预测

通过对2014～2019年我国信用债违约案例的原因分析及相关文献综述，从债券资质、债务主体、财务数据、宏观因素四个维度构建债券违约的指标体系，利用随机森林算法优化，研究发现当影响因素选择18项与37项时，样本内外预测结果达到均衡。基于不同角度的七种算法对比分析，择优选取三种作为底层算法：随机森林算法、梯度提升决策树算法与贝叶斯算法，并结合逻辑回归算法为次级训练算法融合构建基于Stacking算法集成的债券违约预测模型。实证结果表明，第一，Stacking算法的双重集成作用相对底层的单次集成总体精确度提升了1%到8%;第二，对不同指标数量的Stacking算法集成模型的评估表明所构建的指标体系提高了预测水平；第三，基于样本内外预测均衡的底层算法选择方法有效可取，分别纳入相对劣势的底层算法时，会逐渐影响模型稳定性。研究成果可以为我国债券市场风险管理提供技术支持与参考。     

基于KMV模型的我国上市公司信用风险研究

在KM V框架的基础上对股权价值计算方法进行了改进,通过改进后的方法,计算出1999年至2006年各年所有上市公司的违约距离、理论违约率、企业价值、股权价值等指标数据.从分析的结果来看,上市公司规模对信用风险有一定影响,上市公司规模越大,信用风险越小,公司规模越小,信用风险越大.从违约风险的变化情况看,2003—2006年上市公司的违约距离呈下降态势,说明近年来上市公司的违约风险加大.对比沪深300上市公司股改前和股改后信用状况,发现股改前后信用状况有显著不同,股改后上市公司的违约风险变大.通过违约距离的敏感性分析,认为股权价值波动率对违约距离最敏感.     

基于KMV模型的农业上市公司信用风险测度研究

通过构建改进后的KMV模型,设定三种不同违约情境,对2010-2012年我国农业上市公司的信用风险进行测度与比较研究,并确定其隶属的风险类型,以揭示现阶段农业上市公司的信用状况.研究结果表明:不同农业上市公司的资产价值均高于股权价值,其未来发展具有较好的价值增值空间;农业上市公司的资产价值波动率总体呈下降趋势;农业上市公司信用状况相对较差,且风险类型主要集中于"∩"型和↘型".由此得出农业上市公司未来的发展,应在推进"股权分置"改革、建立可量化的风险管理机制、实现风险管理与业务流程融合等方面采取措施,从而有效降低我国农业上市公司的信用风险.     

含信用风险的上限型权证期权定价

本文通过公司价值模型研究一类含信用风险的上限型权证期权的定价.一方面利用鞅的方法推导出公司负债和无风险利率为常数情况下上限型权证期权的定价;另一方面通过概率的方法推导出含信用风险的上限型权证期权定价公式,该公式推广了Black-Scholes的欧式期权定价.     

信用，全程管理

基于应收账款的企业信用风险管理,成为企业现实经营中需要进行监控和提升的一个至关重要的环节,价值、效率与风险,则是企业信用管理的关键词。     

评估客户的信用风险

对任何企业的生存来说,保持健康的现金流都至关重要。但在当今恶劣的经济环境下,要管理来自债权人的现金流变得越来越困难。问题在于：每个债权人的信用风险程度都不相同,为了保护你的现金流,你必须了解客户拥有的不同信用风险水平,然后有效地管理那些风险。