CN102779317A - 基于信用等级与违约损失率匹配的信用评级系统与方法 - Google Patents
基于信用等级与违约损失率匹配的信用评级系统与方法 Download PDFInfo
- Publication number
- CN102779317A CN102779317A CN2012102014616A CN201210201461A CN102779317A CN 102779317 A CN102779317 A CN 102779317A CN 2012102014616 A CN2012102014616 A CN 2012102014616A CN 201210201461 A CN201210201461 A CN 201210201461A CN 102779317 A CN102779317 A CN 102779317A
- Authority
- CN
- China
- Prior art keywords
- credit
- lgd
- grade
- promise breaking
- credit rating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一种基于信用等级与违约损失率匹配的信用评级系统与方法,由数据分析模块、系统维护模块、数据查询模块和报告制作模块构成,报告制作模块具有保存信用评级结果、打印及预览功能。满足“信用等级越高、违约损失率越低”的信用本质属性,避免了无穷多次调整方可得到“信用等级越高、违约损失率越低”的调整结果,使商业银行等债权人在清楚不同信用等级对应的违约率的情况下,可以避免对盈亏平衡点以下等级的客户进行贷款,减少贷款损失。根据不同信用等级的违约状况可以对贷款和债券等金融工具进行弥补违约风险溢酬的合理定价,可使商业银行、债券投资者等债权人和社会公众了解每一个信用等级的违约状况,进行投资决策。
Description
技术领域
本发明涉及一种基于信用等级与违约损失率匹配的信用评级系统与方法,属于信用服务技术领域。
背景技术
信用评级对当代社会有着极其重要的影响。不论是主权信用评级、企业信用评级、银行信用评级,还是个人信用评级,若信用等级划分不合理,必将误导债权人和社会公众。2011年8月6日,标准普尔宣布把美国的主权信用从AAA降为AA+,引起了全球金融市场的动荡。
信用评级包括指标筛选、打分、赋权、客户评分以及信用等级划分等步骤。其中,最关键的一步就是信用等级的划分。
现有信用等级划分主要通过信用评价得分属于某个区间,或根据违约概率大于特定阈值的思路来划分客户所属的信用等级。中华人民共和国知识产权局专利号为201010547387.4的“基于信用评级工作系统的评级工作控制方法”为信用评级服务机构提供了数据维护、企业指标分析、打分、评定等级和制作评级报告等功能。中华人民共和国国家知识产权局专利号为201020609868.9的“一种信用评级系统”为信用评级服务机构提供了一种开展信用评级业务的信息化系统。美国专利商标局专利号为6965878的“Currency and credit rating system for business-to-business transaction”通过信用得分属于不同区间的方法来划分信用等级。世界知识产权组织专利号为WO/2012/012623的“CREDIT RISK MINING”利用企业财务、宏观环境等多种数据,提供了企业信用等级变化的概率测算、违约率测算等模型。
现有已公开的信用评级相关专利存在以下不足:缺乏“信用等级越高、违约损失率越低”的信用本质属性的验证。这就有悖于信用评级的根本目的,导致很多在指标上看上去很完美的评级体系,对客户评价时往往得到信用等级很高的客户、对应违约损失率反而不低的怪现象。
本发明根据信用等级越高、违约损失率越低的金字塔原理,提出了一种基于信用等级与违约损失率匹配的信用评级系统与方法,确保信用评级满足信用等级越高、违约损失率越低的信用本质属性。
发明内容
本发明的目的是提供一种满足信用等级越高、违约损失率越低的信用本质属性的信用评级系统与方法。
本发明的目的通过以下技术方案来实现:
一种基于信用等级与违约损失率匹配的信用评级系统与方法,所述信用评级系统由数据分析模块、系统维护模块、数据查询模块和报告制作模块构成,所述数据分析模块能够实现源数据的加载、参数设定、信用等级划分、数据保存功能,所述系统维护模块具有指标参数维护、系统权限管理、数据备份、数据恢复,所述数据查询模块具有查询信用评级记录、查询参数修改记录功能,所述报告制作模块具有保存信用评级结果、打印及预览功能。
本发明所述信用评级方法包括如下步骤,
步骤1:用户登录
输入用户名、密码,申请访问基于信用等级与违约损失率匹配的信用评级系统。
步骤2:数据分析
步骤2.1:数据加载。将依据信用得分降序排列后对应的客户应收未收本息Lik、客户应收本息Rik数据加载到信用评级系统;
步骤2.2:系统参数设定。根据系统参数设定提示:a∈[0.5,1]、b∈[1,1.5],输入参数a、参数b、第1个信用等级样本数m的值;
步骤2.3:信用等级划分。利用信用等级与违约损失率匹配的信用等级划分优化算法,进行客户的信用评级,将信用评级结果显示于系统主界面;
信用等级与违约损失率匹配的信用等级划分优化算法包括:
(1)目标函数:全部相邻等级违约损失率级差之间距离最小,即:minf=g(LGD1, LGD2, LGD3, LGD4, LGD5, LGD6, LGD7, LGD8,LGD9),其中,LGDk表示第k个信用等级的违约损失率,k=1, 2,3, 4, 5, 6, 7, 8, 9;
(2)约束条件1:各等级违约损失率严格递增,即0<LGD1<LGD2<LGD3<LGD4<LGD5<LGD6<LGD7<LGD8<LGD9≤1;
(3)约束条件2:限制相邻等级违约损失率级差的变化范围,即后一个违约损失率级差在0.5至1.5倍的前一个级差的范围内;
(4)约束条件3:第k个信用等级违约损失率LGDk计算的等式约束,即LGDk=h(Lik, Rik);其中,Lik表示第k个等级第i个贷款客户的应收未收本息,Rik表示第k个等级第i个贷款客户的应收本息,k=1, 2, 3,4, 5, 6, 7, 8, 9,i=1, 2, …;
步骤2.3的技术要点在于:通过求解步骤2.3所述目标函数和约束条件1、约束条件2、约束条件3组成的数学规划模型,得到最优的决策变量LGD1, LGD2, LGD3, LGD4, LGD5, LGD6, LGD7, LGD8, LGD9;根据最优决策变量,对应找到最优的信用等级划分,使信用等级的划分,满足信用等级越高、违约损失率越低的特征。
步骤2.4:数据保存。数据计算完成后,点击“保存数据”,可保存本次信用评级结果及其对应的参数值。
步骤3:制作信用评级报告
步骤3.1:保存信用评级结果。将步骤2.3运算生成的信用评级结果,保存为Word或Pdf文档。
步骤3.2:打印信用评级结果。打印步骤3.1保存的信用评级结果,或直接将步骤2.3生成的信用评级结果进行打印。
本发明的效果与益处是:
一是本发明提供了一种基于信用等级与违约损失率匹配的信用评级系统与方法,满足“信用等级越高、违约损失率越低”的信用本质属性。
二是避免了无穷多次调整方可得到“信用等级越高、违约损失率越低”的调整结果;因为按照常理来调整信用等级划分,由于一个信用等级客户数量或违约率的变化、势必引起相邻等级客户数量和违约率的变化,由于任意两点间的有理数是无穷多的常识,经过人为调整满足合理的信用等级划分简直是不可能的。
三是商业银行等债权人在清楚不同信用等级对应的违约率的情况下,可以避免对盈亏平衡点以下等级的客户进行贷款,减少贷款损失。利用该系统对中国某全国性大型商业银行2 044个农户贷款样本进行信用评级,分层随机抽样和T检验的研究结果表明:对盈亏平衡临界点以下信用等级的农户不予贷款,整个十二五期间能给该行减少损失10.437亿元。
四是根据不同信用等级的违约状况可以对贷款和债券等金融工具进行弥补违约风险溢酬的合理定价。
五是本系统的信用评级结果,不但像现有研究和实践那样给出了客户清偿能力的信用等级排序,而且给出了每一个信用等级的违约率和违约损失,比现有的银行信用评级系统揭示了更多、公众更需要了解的信息。
六是根据评级结果揭示的不同等级的违约率,可使商业银行、债券投资者等债权人和社会公众了解每一个信用等级的违约状况,进行投资决策。
附图说明
下面结合附图对本发明作进一步说明:
图1是本发明基于信用等级与违约损失率匹配的信用评级系统的基本架构示意图。
图2是未经优化的信用等级违约损失率金字塔分布图。横轴是违约损失率LGDk,纵轴是对应信用等级k。由图2知,第6个信用等级的违约率小于第5个信用等级的违约率,即:LGD6=0.898%<LGD5 =1.037%,图2中等级6与等级5违约率连线组成的斜线过于陡峭,出现了信用等级越高、违约率反而不低的怪现象,信用评级结果不满足“信用等级越高、违约损失率越低”的信用本质属性。
图3是优化后的信用等级违约损失率金字塔分布图。横轴是违约损失率LGDk,纵轴是对应信用等级k。初始参数a、b、第1个信用等级样本数m的初值分别为:a=0.8、b=1.3、m=117。由图3知,信用评级结果满足“信用等级越高、违约损失率越低”的信用本质属性。
具体实施方式
本发明揭示了一种基于信用等级与违约损失率匹配的信用评级系统与方法的工作流程。
如图1所示,本发明的信用评级系统由数据分析模块、系统维护模块、数据查询模块和报告制作模块构成,各模块与数据库交互,通过信用等级与违约损失率匹配的优化算法,实现客户的信用评级,各模块功能包括:
(1)数据分析模块:实现源数据的加载、参数设定、信用等级划分、数据保存功能。其中,信用等级划分功能即利用信用等级与违约损失率匹配的优化算法来实现信用评级。
(2)系统维护模块:具有指标参数维护、系统权限管理、数据备份、数据恢复、退出系统功能。
(3)数据查询模块:具有查询信用评级记录、查询参数修改记录功能。
(4)报告制作模块:具有保存信用评级结果、打印及预览功能。
本发明所述方案实施步骤如下:
以中国某全国性大型商业银行2 044个农户样本为例,表1是依据各等级样本数服从正态分布特征,得到的信用等级划分结果,如表1所示。以表1第3列的违约损失率LGDk为横轴,以表1第1列的信用等级k为纵轴,得到对应的未经优化的信用等级违约损失率金字塔分布图,如图2所示。由表1第3列知,第6个信用等级的违约率小于第5个信用等级的违约率,即:LGD6=0.898%<LGD5 =1.037%,信用评级结果不满足“信用等级越高、违约损失率越低”的信用本质属性。采用本发明所述方案对表1的信用评级结果进行优化。具体步骤如下:
表1 各等级样本数服从正态分布得到的信用等级划分结果
步骤1:用户登录
输入用户名、密码,申请访问基于信用等级与违约损失率匹配的信用评级系统。
步骤2:数据分析
步骤2.1:数据加载。将依据信用得分降序排列后对应的客户应收未收本息Lik、客户应收本息Rik数据加载到信用评级系统。
步骤2.2:系统参数设定。根据系统相邻等级违约损失率级差变化范围的设定提示:a∈[0.5,1]、b∈[1,1.5],输入参数a、b的值;根据系统第1个信用等级样本数m的设定提示,输入参数m的值。
步骤2.3:信用等级划分。利用信用等级与违约损失率匹配的信用等级划分优化算法,进行客户的信用评级,将信用评级结果显示于系统主界面;其中,信用评级结果包括:初始参数a、b、m的值、各信用等级的客户数mk、各信用等级的违约损失率LGDk(k=1, 2, 3, 4, 5,6, 7, 8, 9)、目标函数值、各信用等级违约损失率金字塔分布,如图3所示。
信用等级与违约损失率匹配的信用等级划分优化算法包括:
(1)目标函数:全部相邻等级违约损失率级差之间距离最小,即:minf=g(LGD1, LGD2, LGD3, LGD4, LGD5, LGD6, LGD7, LGD8,LGD9),其中,LGDk表示第k个信用等级违约损失率,k=1, 2, 3,4, 5, 6, 7, 8, 9;
目标函数的作用:确保能遴选出违约损失率分布图最贴近等腰三角形的最优信用等级划分方案。在满足约束条件1、2、3的可行域内,根据相邻等级违约损失率级差之间距离越小、违约损失率金字塔分布图越完美的思路,建立目标函数,保证了遴选出的违约损失率分布图最接近等腰三角形;
(2)约束条件1:各等级违约损失率严格递增,即0<LGD1<LGD2<LGD3<LGD4<LGD5<LGD6<LGD7<LGD8<LGD9≤1;
约束条件1的作用:通过设定各信用等级违约损失率严格递增的约束,保证了信用评级满足“信用等级越高、违约损失率越低”的信用本质属性,改变了现有评级体系可能导致的信用等级很高、但违约损失率反而不低的怪现象;
(3)约束条件2:限制相邻等级违约损失率级差的变化范围,即后一个违约损失率级差在0.5至1.5倍的前一个级差的范围内;
(4)约束条件3:第k个信用等级违约损失率LGDk计算的等式约束,即LGDk=h(Lik, Rik);其中,Lik表示第k个等级第i个贷款客户的应收未收本息,Rik表示第k个等级第i个贷款客户的应收本息,k=1, 2, 3,4, 5, 6, 7, 8, 9,i=1, 2, …。
约束条件3的作用:通过贷款客户的应收未收本息Lik和应收本息Rik的对比关系,计算各信用等级贷款客户的违约损失率。
步骤2.4:数据保存。数据计算完成后,点击“保存数据”按钮,可保存本次信用评级结果及其对应的参数值。
步骤3:制作信用评级报告
步骤3.1:保存信用评级报告。将步骤2.3运算生成的信用评级结果,保存为Word或Pdf文档。
步骤3.2:打印信用评级结果。打印步骤3.1保存的信用评级结果,也可直接打印步骤2.3生成的信用评级结果。
步骤4:退出系统
当用户使用完信用评级系统后,点击菜单栏的“退出系统”按钮,退出本系统。
以中国某全国性大型商业银行2 044个农户数据为样本,选取参数a、b、第1个信用等级样本数m的初值分别为:a=0.8、b=1.3、m=117,利用本发明所述评级系统进行信用等级划分,得到的基于信用等级与违约损失率匹配的信用评级结果,如表2所示。
表2 各信用等级的贷款客户数及违约损失率
以表2第3列违约率LGDk作为横轴,以对应信用等级为纵轴,得到的各等级违约损失率LGDk的金字塔趋势示意图,如图3所示。由表2第3列可知,各等级违约损失率严格递增,信用评级结果满足“信用等级越高、违约损失率越低”的信用本质属性;由图3可知,遴选出的信用等级划分结果对应的违约损失率分布图贴近等腰三角形。
本发明尚有多种具体的实施方式,凡采用本发明所述“信用等级与违约损失率匹配的信用等级划分优化算法”等同替换、或等效变换而形成的所有技术方案,均落在本发明要求保护的范围之内。
Claims (1)
1.一种基于信用等级与违约损失率匹配的信用评级系统与方法,所述信用评级系统由数据分析模块、系统维护模块、数据查询模块和报告制作模块构成,所述数据分析模块能够实现源数据的加载、参数设定、信用等级划分、数据保存功能,所述系统维护模块具有指标参数维护、系统权限管理、数据备份、数据恢复,所述数据查询模块具有查询信用评级记录、查询参数修改记录功能,所述报告制作模块具有保存信用评级结果、打印及预览功能,其特征包括如下步骤,
步骤1:用户登录
输入用户名、密码,申请访问基于信用等级与违约损失率匹配的信用评级系统;
步骤2:数据分析
步骤2.1:数据加载,将依据信用得分降序排列后对应的客户应收未收本息Lik、客户应收本息Rik数据加载到信用评级系统;
步骤2.2:系统参数设定,根据系统参数设定提示:a∈[0.5,1]、b∈[1,1.5],输入参数a、参数b、第1个信用等级样本数m的值;
步骤2.3:信用等级划分,利用信用等级与违约损失率匹配的信用等级划分优化算法,进行客户的信用评级,将信用评级结果显示于系统主界面;
信用等级与违约损失率匹配的信用等级划分优化算法包括:
(1)目标函数:全部相邻等级违约损失率级差之间距离最小,即:minf=g(LGD1, LGD2, LGD3, LGD4, LGD5, LGD6, LGD7, LGD8,LGD9),其中,LGDk表示第k个信用等级的违约损失率,k=1, 2,3, 4, 5, 6, 7, 8, 9;
(2)约束条件1:各等级违约损失率严格递增,即0<LGD1<LGD2<LGD3<LGD4<LGD5<LGD6<LGD7<LGD8<LGD9≤1;
(3)约束条件2:限制相邻等级违约损失率级差的变化范围,即后一个违约损失率级差在0.5至1.5倍的前一个级差的范围内;
(4)约束条件3:第k个信用等级违约损失率LGDk计算的等式约束,即LGDk=h(Lik, Rik);其中,Lik表示第k个等级第i个贷款客户的应收未收本息,Rik表示第k个等级第i个贷款客户的应收本息,k=1, 2, 3,4, 5, 6, 7, 8, 9,i=1, 2, …;
步骤2.3的技术要点在于:通过求解步骤2.3所述目标函数和约束条件1、约束条件2、约束条件3组成的数学规划模型,得到最优的决策变量LGD1, LGD2, LGD3, LGD4, LGD5, LGD6, LGD7, LGD8, LGD9;根据最优决策变量,对应找到最优的信用等级划分,使信用等级的划分,满足信用等级越高、违约损失率越低的特征;
步骤2.4:数据保存,数据计算完成后,点击“保存数据”,可保存本次信用评级结果及其对应的参数值;
步骤3:制作信用评级报告
步骤3.1:保存信用评级结果,将步骤2.3运算生成的信用评级结果,保存为Word或Pdf文档;
步骤3.2:打印信用评级结果,打印步骤3.1保存的信用评级结果,或直接将步骤2.3生成的信用评级结果进行打印。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210201461.6A CN102779317B (zh) | 2012-06-18 | 2012-06-18 | 基于信用等级与违约损失率匹配的信用评级系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210201461.6A CN102779317B (zh) | 2012-06-18 | 2012-06-18 | 基于信用等级与违约损失率匹配的信用评级系统与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102779317A true CN102779317A (zh) | 2012-11-14 |
CN102779317B CN102779317B (zh) | 2015-08-19 |
Family
ID=47124227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210201461.6A Active CN102779317B (zh) | 2012-06-18 | 2012-06-18 | 基于信用等级与违约损失率匹配的信用评级系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102779317B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017181346A1 (zh) * | 2016-04-19 | 2017-10-26 | 大连理工大学 | 基于信用相似度最大的信用等级最优划分方法 |
CN107608958A (zh) * | 2017-09-07 | 2018-01-19 | 湖南湘君奕成信息技术有限公司 | 基于条款统一建模的合同文本风险信息挖掘方法和系统 |
CN108416662A (zh) * | 2017-02-10 | 2018-08-17 | 腾讯科技(深圳)有限公司 | 一种数据验证方法及装置 |
CN108961031A (zh) * | 2017-05-24 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 实现贷款审批的信息处理方法、装置和计算机可读存储介质 |
WO2019140675A1 (zh) * | 2018-01-22 | 2019-07-25 | 大连理工大学 | 基于逼近理想点违约鉴别能力最大的信用评级最优权重向量的方法 |
WO2019140674A1 (zh) * | 2018-01-22 | 2019-07-25 | 大连理工大学 | 基于Fisher Score违约鉴别能力最大的信用评级最优指标组合的方法 |
CN110288173A (zh) * | 2018-03-19 | 2019-09-27 | 江苏伊斯特威尔供应链管理有限公司 | 一种业务员信用额度管理系统 |
CN113011972A (zh) * | 2021-04-28 | 2021-06-22 | 阜阳市星启链数据科技有限公司 | 基于供应链的金融安全交易系统 |
CN113450211A (zh) * | 2021-08-31 | 2021-09-28 | 支付宝(杭州)信息技术有限公司 | 一种用户授信方法、装置、电子设备与存储介质 |
CN113610638A (zh) * | 2021-08-20 | 2021-11-05 | 东北大学秦皇岛分校 | 基于smaa-ds的信用等级与违约损失率相匹配的评级系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976400A (zh) * | 2010-11-17 | 2011-02-16 | 苏州德融嘉信信用管理技术有限公司 | 基于信用评级工作系统的评级工作控制方法 |
WO2011034715A1 (en) * | 2009-09-15 | 2011-03-24 | Chicago Mercantile Exchange Inc. | Multi-factor modeling, analysis and margining of credit default swaps for risk offset |
CN102081781A (zh) * | 2009-11-26 | 2011-06-01 | 陈晓明 | 基于信息自循环的金融建模优化方法 |
-
2012
- 2012-06-18 CN CN201210201461.6A patent/CN102779317B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011034715A1 (en) * | 2009-09-15 | 2011-03-24 | Chicago Mercantile Exchange Inc. | Multi-factor modeling, analysis and margining of credit default swaps for risk offset |
CN102081781A (zh) * | 2009-11-26 | 2011-06-01 | 陈晓明 | 基于信息自循环的金融建模优化方法 |
CN101976400A (zh) * | 2010-11-17 | 2011-02-16 | 苏州德融嘉信信用管理技术有限公司 | 基于信用评级工作系统的评级工作控制方法 |
Non-Patent Citations (1)
Title |
---|
程砚秋: "基于支持向量机的农户小额贷款决策评价研究", 《中国博士学位论文全文数据库》, no. 9, 15 September 2011 (2011-09-15) * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017181346A1 (zh) * | 2016-04-19 | 2017-10-26 | 大连理工大学 | 基于信用相似度最大的信用等级最优划分方法 |
CN108416662B (zh) * | 2017-02-10 | 2021-09-21 | 腾讯科技(深圳)有限公司 | 一种数据验证方法及装置 |
CN108416662A (zh) * | 2017-02-10 | 2018-08-17 | 腾讯科技(深圳)有限公司 | 一种数据验证方法及装置 |
CN108961031A (zh) * | 2017-05-24 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 实现贷款审批的信息处理方法、装置和计算机可读存储介质 |
CN107608958A (zh) * | 2017-09-07 | 2018-01-19 | 湖南湘君奕成信息技术有限公司 | 基于条款统一建模的合同文本风险信息挖掘方法和系统 |
CN107608958B (zh) * | 2017-09-07 | 2023-06-16 | 长沙森悦电子信息有限责任公司 | 基于条款统一建模的合同文本风险信息挖掘方法和系统 |
WO2019140675A1 (zh) * | 2018-01-22 | 2019-07-25 | 大连理工大学 | 基于逼近理想点违约鉴别能力最大的信用评级最优权重向量的方法 |
WO2019140674A1 (zh) * | 2018-01-22 | 2019-07-25 | 大连理工大学 | 基于Fisher Score违约鉴别能力最大的信用评级最优指标组合的方法 |
CN110288173A (zh) * | 2018-03-19 | 2019-09-27 | 江苏伊斯特威尔供应链管理有限公司 | 一种业务员信用额度管理系统 |
CN113011972B (zh) * | 2021-04-28 | 2022-05-31 | 中数智创科技有限公司 | 基于供应链的金融安全交易系统 |
CN113011972A (zh) * | 2021-04-28 | 2021-06-22 | 阜阳市星启链数据科技有限公司 | 基于供应链的金融安全交易系统 |
CN113610638A (zh) * | 2021-08-20 | 2021-11-05 | 东北大学秦皇岛分校 | 基于smaa-ds的信用等级与违约损失率相匹配的评级系统及方法 |
CN113610638B (zh) * | 2021-08-20 | 2023-11-21 | 东北大学秦皇岛分校 | 基于smaa-ds的信用等级与违约损失率相匹配的评级系统及方法 |
CN113450211A (zh) * | 2021-08-31 | 2021-09-28 | 支付宝(杭州)信息技术有限公司 | 一种用户授信方法、装置、电子设备与存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102779317B (zh) | 2015-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102779317A (zh) | 基于信用等级与违约损失率匹配的信用评级系统与方法 | |
Babajide et al. | Financial inclusion and economic growth in Nigeria | |
Jansen | External finance in Thailand’s development: An interpretation of Thailand’s growth boom | |
Martin et al. | Economic growth with bubbles | |
Alkaabi et al. | A study on financial management in promoting sustainable business practices & development | |
Poelhekke et al. | Do Natural Resources Attract FDI? Evidence from non-stationary sector level data | |
CN103208081A (zh) | 一种投融资风险评估方法 | |
Tian | Role of capital market to accelerate the transition to low-carbon energy system | |
Khan et al. | A review of e-financial reporting research | |
Kumar et al. | Effectivness of the Adoption of the XBRL Standard in the Indian Banking Sector | |
CN111433806A (zh) | 用于分析众筹平台的系统和方法 | |
CN102800016A (zh) | 基于信用等级与违约损失率匹配的信用评级调整方法 | |
van Gelder et al. | Biofuel finance: global trends in biofuel finance in forest-rich countries of Asia, Africa and Latin America and implications for governance | |
Sarıoğlu et al. | The future of corporate reporting: integrated reporting | |
Chen et al. | Misallocation and the recovery of manufacturing TFP after a financial crisis | |
Rao | Current state of assurance on sustainability reports | |
Vidican | Reforming fossil fuel subsidy regimes in the Middle East and North African countries | |
Zhao | Research on the financing of small and medium enterprises | |
Dionne | Structured finance, risk management, and the recent financial crisis | |
Yu | [Retracted] Big Data Analytics and Discrete Choice Model for Enterprise Credit Risk Early Warning Algorithm | |
Krišto et al. | Impact of institutional investors on financial market stability: lessons from financial crisis | |
Wijesinghe et al. | Foreign Portfolio Investment and Earnings Quality: Evidence from Sri Lanka | |
Bakare et al. | Does financial structure development drive economic performance? Theoretical and empirical evidence from Nigeria | |
Ma | Build the structural model of risk assessment on the AHP method by Yaahp software: a case study on housing fund | |
Torvanger et al. | Estimating mobilized private climate finance for developing countries-A Norwegian pilot study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |