CN108765136A - 基于Informedness系数的信用评级最优指标组合遴选方法 - Google Patents
基于Informedness系数的信用评级最优指标组合遴选方法 Download PDFInfo
- Publication number
- CN108765136A CN108765136A CN201810530712.2A CN201810530712A CN108765136A CN 108765136 A CN108765136 A CN 108765136A CN 201810530712 A CN201810530712 A CN 201810530712A CN 108765136 A CN108765136 A CN 108765136A
- Authority
- CN
- China
- Prior art keywords
- index
- informedness
- coefficients
- promise breaking
- credit
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种基于Informedness系数的信用评级最优指标组合遴选方法,属于信用服务技术领域。旨在解决现有信用评价体系不能保证整体违约鉴别能力最强、同时遴选一组指标时没有考虑指标间相关性的问题。以信用得分的Informedness系数违约鉴别能力最大为最优指标组合标准,以指标是否被选入指标组合作为决策变量,以Informedness系数违约鉴别能力最大为目标函数、以反映信息重复指标不能同时入选作为约束条件建立0‑1规划模型,遴选信用评级的最优指标组合。本发明的方法确保了信用评价体系整体的Informedness系数违约鉴别能力最大,为银行、信用评级机构等提供了有效识别信用风险的决策依据。
Description
技术领域
本发明提供一种信用评级体系的最优指标组合的遴选方法,具体涉及以信用得分的Informedness系数违约鉴别能力最大为最优指标组合标准,以指标是否被选入指标组合作为决策变量,以Informedness系数违约鉴别能力最大为目标函数、以反映信息重复指标不能同时入选作为约束条件建立0-1规划模型,遴选信用评级的最优指标组合的方法,属于信用服务技术领域。
背景技术
信用是以还本付息为条件的借贷活动。信用评级旨在通过评级指标的数值和状态对客户的信用级别及其对应的违约率进行评价。信用评级最优指标组合遴选是在众多的信用评级指标组合中,遴选违约鉴别精度最高的一组指标组合的过程。
由于每一个指标都有被选中和不被选中的两种状态,故指标的组合的个数巨大,其最优组合的难度也就更大。因为对于每一个指标、都存在入选指标组合或不入选指标组合这2种情况,且每一个指标是否入选并不影响其他指标是否入选,故组合数为每个指标入选可能情况(即2种)的连乘,则对于n个指标则有2×2×…×2=2n种组合。
关于评价指标遴选的现有研究包括两类:一类是基于单个指标的信用评级指标遴选研究,另一类是基于指标组合遴选的信用评级指标遴选。
基于单个指标遴选的信用评级指标体系方面,Guotai Chi(2017)在包含还款能力和还款意愿两方面的初始指标集基础上,通过秩和检验筛选能鉴别违约状态的的单个指标、秩相关分析剔除反映信息重复的指标,最终建立了涵盖品德、资本、能力、经营环境和担保情况等5C原则的小企业信用评价指标体系。Wang Di(2016)基于F-score、信息增益比和Pearson相关系数等多种指标遴选方法,遴选单个指标构成指标体系。
现有基于指标组合遴选的信用评级指标体系研究,主要包括序列选择方法、Lasso回归方法、以及逐步回归方法三类。例如:Sun Jie等(2011)通过顺序浮动向前选择算法,使得最终选择的指标集与整体指标集的信息含量最相似。Choi等(2015)基于混合Lasso方法,对包括离散型指标和连续性指标在内的指标集进行筛选,建立信用评级模型指标体系。Yiwen Chien等(2001)通过逐步回归遴选出了收入、婚姻状态等影响信用卡违约情况的指标。
现有研究在构建指标体系时,存在以下问题:一方面,现有研究仅仅从单个指标是否具有违约鉴别能力的角度出发构建指标体系,没有考虑到单个指标违约鉴别力强、指标体系整体违约鉴别力不一定强的现象。另一方面,即或是遴选一组信用评级指标,但序列选择算法、Lasso算法以及逐步回归方法,均未考虑指标之间的相关性,极可能将彼此反映信息相同的指标选入指标体系,造成指标体系的反映信息冗余。
本发明通过0-1规划寻找指标体系对应的Informedness系数最大、即违约鉴别能力最强的指标体系,保证指标体系整体对违约的鉴别能力。并通过在0-1规划中构建“在反映信息重复的一组指标中、最多只有1个入选指标组合”的约束条件,在指标组合Informedness系数最大的同时,剔除了反映信息重复的指标,避免了指标体系的信息冗余。
发明内容
本发明的目的是提供一种能使信用得分违约鉴别能力Informedness系数最大的信用评级最优指标组合的方法。
本发明的技术方案:
通过对客户的违约状态判别精度越高、信用得分对应的Informedness系数越大的思路,以信用得分Informedness系数IN最大为目标函数,以“在反映信息重复的一组指标中、最多只有1个入选指标组合”为约束条件,建立0-1规划模型,反推出标识指标是否入选的一组0-1变量ci及其对应的指标组合,确保遴选出的指标体系具有最高的违约鉴别精度,同时又避免了指标体系的信息冗余。
基于Informedness系数的信用评级最优指标组合遴选的方法,共包括9个步骤。其中:步骤1-2是数据的载入与预处理,步骤3-7是确定0-1规划的目标函数,步骤8是确定0-1规划的约束条件,步骤9是0-1规划模型的求解与最优指标组合的确定,具体步骤如下:
步骤1:数据载入
将N个客户的M0个初始信用评级指标数据以及N个客户的违约状态数据载入Excel文件中;其中,违约=1,非违约=0;
步骤2:数据预处理
将信用评级海选指标的数据进行标准化,消除指标量纲的影响;
指标数据的标准化具有若干种方法,Max-Min仅是其中之一。
步骤3:计算单个信用评级海选指标的违约鉴别能力ini
采用指标的Informedness系数ini用于衡量指标的违约鉴别能力大小,指标的Informedness系数越大,则将实际违约客户更多地判为违约,同时将实际非违约客户更多地判为非违约,即该指标具有一个指标具有违约鉴别能力;指标i的Informedness系数公式如下:
式(1)中,a表示实际违约、且被判定为违约的客户数;b表示实际违约、但被错判为非违约的客户数;c表示实际非违约、但被错判为违约的客户数;d表示实际非违约、且被判定为非违约的客户数;
式(1)中的a、b、c、d是判定的违约状态Dj与实际违约状态Tj的对比结果得到;而判别的违约状态又根据阈值得到;当客户j的指标i数值xij大于指标i的阈值时,该客户被判定为非违约,反之判定为违约,即:
取遍全部客户指标i数值的取值,分别作为阈值判别所有客户的违约状态;令指标i对应的Informedness系数ini最大的阈值即为指标i的阈值,对应的最大Informedness系数即为指标i的Informedness系数;
步骤4:剔除Informedness系数ini≤0、即不能鉴别违约状态的指标,剩余指标个数变为M1;
步骤5:引入决策变量ci,并对评级指标赋权wi
采用指标的Informedness系数ini对评级指标进行赋权,确保Informedness系数越大、违约鉴别能力越强的指标对应权重越大,即:
式(3)中,wi表示第i个指标的权重;ci表示第i个指标是否入选指标体系,若入选则ci=1,反之ci=0,ci也是最优指标组合0-1规划模型的决策变量;M1表示需要赋权的指标个数;
步骤6:构建客户信用评分Sj与指标权重wi的函数关系
采用线性加权公式构建客户信用评分Sj的表达式,即:
式(4)中wi表示第i个指标的权重,xij是第i个指标下第j个客户的数值;
步骤7:以信用得分Informedness系数IN最大、构建0-1规划模型的目标函数
将步骤3中的指标的数值替换为信用得分,即得到信用得分对应的Informedness系数,记为IN;以信用得分Informedness系数IN最大为目标函数,如式(5):
式(5)中的信用得分对应Informedness系数IN,是根据a和d的对比分析得到的,即根据所有客户判别出的违约状态Dj与真实违约状态Tj对比得到,即IN=f(Dj,Tj);而违约状态的对比又是根据客户的信用得分Sj与信用得分阈值Sc的大小关系得到,即IN=f[g(Sj,Sc),Tj],故信用得分对应Informedness系数IN与客户的信用得分有关;
客户的信用得分Sj是客户的指标数值xij与指标权重wi的线性加权,如式(4)所示,即IN=f[h(xij,wi),Tj];而权重wi又是0-1规划模型的变量ci和指标Informedness系数ini的函数,如式(3)所示,即IN=f{h[xij,q(ci,ini)],Tj};故信用得分对应的Informedness系数IN是决策变量ci的函数;
入选的指标不同,即ci不同,则通过步骤5求得的指标权重wi不同,通过步骤6求得的信用得分Sj不同,信用得分对应的Informedness系数IN也不同;以信用得分Informedness系数IN最大为目标函数,以指标是否入选ci为决策变量,构建0-1规划遴选一组违约鉴别能力最强的指标组合作为指标体系;
步骤8:构建0-1规划模型的约束条件
通过秩相关分析确定反映信息重复的指标;若一对指标的秩相关系数大于等于0.8,则这一对指标反映信息重复;对于每一对重复指标,都建立一个不等式约束条件,保证反映信息重复的一组指标中、最多只有1个入选最终体系,如式(6)所示:
ck+cl≤1 (6)
其中,ck、cl是指标k和l这一对反映信息重复的指标、是否入选最终指标体系的0-1变量;有几对指标反映信息重复,就有几个约束条件式(6);
确定指标间反映信息重复具有若干种方法,秩相关方法仅是其中之一;
步骤9:0-1规划模型的求解与最优指标组合的确定
以式(5)为目标函数、以式(6)为约束条件,构建0-1规划模型,求解得到信用得分Informedness系数IN最大的那一个指标组合及其对应的最大的Informedness系数违约鉴别能力;
通过上述9个步骤,遴选所有指标组合中、信用得分违约鉴别能力Informedness系数最大的那组指标为最优的指标组合,确保最终的指标组合能最大程度的判对违约和非违约客户。
本发明的有益效果:
1、本发明提供了一种基于Informedness系数违约鉴别能力最大的信用评级最优指标组合的方法,能够确保信用评价体系整体的违约鉴别能力最大,提供了信用评级指标体系构建的新方法与新思路。
2、如何从全部指标组合中找到违约鉴别能力最大的指标组合是信用评级指标体系构建中亟待解决的难题。本发明通过以信用得分的Informedness系数违约鉴别能力最大为目标函数、以反映信息重复指标不能同时入选作为约束条件建立0-1规划模型,遴选信用得分的Informedness系数最大的那组指标形成指标体系的思路解决了上述难题。
3、为银行、信用评级机构、征信机构、开展信用违约业务的保险公司等机构进行信用评级提供决策依据。为购买企业债券的投资者、网络借贷(P2P)的资金出借人提供投资参考。
附图说明
图1是基于Informedness系数违约鉴别能力最大的信用评级最优指标组合方法的流程图。
具体实施方式
以下结合附图和技术方案,进一步说明本发明的具体实施方式。
本发明基于Informedness系数违约鉴别能力最大的信用评级最优指标组合的方法的工作流程如下。
通过对客户的违约状态判别精度越高、信用得分的Informedness系数越大的思路,运用Informedness系数衡量信用得分的违约鉴别能力。基于0-1规划模型,以指标是否入选作为决策变量,以Informedness系数违约鉴别能力最大为目标函数、以反映信息重复指标不能同时入选作为约束条件建立规划模型,遴选信用得分Informedness系数最大的那组指标形成指标体系。
本发明所述方案实施步骤如下:
以中国某商业银行近20年1451笔小型工业企业贷款数据为实证样本,对本发明所述方案的步骤进行说明。
步骤1:数据载入
将所有N=1451个样本、M0=81个海选评级指标和违约状态(违约=1,非违约=0)指标的源数据载入到Excel文件中。
表1第c列前81个指标是海选的可观测指标。表1第b列为指标对应的准则层,表1第d列为指标的类型。表1第1-1451列前81行是信用评级指标的原始数值,第82行是违约状态数值。
步骤2:数据预处理
通过Max-Min等标准化方法,将表1第1-1451列前81行信用评级海选指标的原始数据进行标准化,消除指标量纲的影响。
指标数据的标准化具有若干种方法,Max-Min仅是其中之一。
表1第1452-2902列前81行是81个指标标准化后的数值。
表1 81个信用评级海选指标的原始数据及标准化数据
步骤3:计算单个信用评级海选指标的违约鉴别能力ini
采用指标的Informedness系数大小ini衡量指标的违约鉴别能力大小,指标的Informedness系数越大,则会将实际违约客户更多地判为违约,同时将实际非违约客户更多地判为非违约,即该指标具有一个指标具有违约鉴别能力。指标xi的Informedness系数公式如下:
式(1)中,a表示实际违约、且被判定为违约的客户数;b表示实际违约、但被错判为非违约的客户数;c表示实际非违约、但被错判为违约的客户数;d表示实际非违约、且被判定为非违约的客户数。
上述的a、b、c、d是判定的违约状态Dj与实际违约状态Tj的对比结果得到。而判别的违约状态又根据阈值得到。当客户j的指标i数值xij大于指标i的阈值时,该客户被判定为非违约,反之判定为违约,即:
分别以表1第1行第1452-2902列各列作为指标X1的阈值x1 c,将表1第1行第1452-2902列全部列的指标X1数值x1j,代入式(2),判别所有客户的违约状态。对所有客户的违约状态进行计数,得到1451组a、b、c、d的值,代入式(1),得到指标X1对应的1451个Informedness系数。选出其中最大的一个Informedness系数,作为指标X1最终的Informedness系数。同理,可得表1各行所有指标的Informedness系数,如表1第e列所示。
步骤4:剔除Informedness系数ini≤0、即不能鉴别违约状态的指标,剩余指标个数变为M1。
根据表1第e列,删除“年龄”等Informedness系数非正的4个指标,在表1第f列以“初筛删除”进行标记。剩余M1=77个指标,对这77个指标进行重新编号,序号如表1第g列所示。下文即在这77个指标中选取最优指标组合。
步骤5:引入决策变量ci,并对评级指标赋权wi
采用指标的Informedness系数ini对评级指标进行赋权,确保Informedness系数越大、违约鉴别能力越强的指标对应权重越大,即:
式(3)中,wi表示第i个指标的权重;ci表示第i个指标是否入选指标体系,若入选则ci=1,反之ci=0,ci也是最优指标组合0-1规划模型的决策变量;M1表示需要赋权的指标个数。
将表1第e列中没有标记“初筛删除”的指标Informedness系数ini及M1=77,代入式(3),得到77个指标对应的权重wi。如式(3’-1)-式(3’-77)所示。
步骤6:构建客户信用评分Sj与指标权重wi的函数关系。
采用线性加权公式构建客户信用评分Sj的表达式,即:
式(4)中wi表示第i个指标的权重,xij是第i个指标下第j个客户的数值。
分别将表1第1452-2902列各指标数据xij、以及式(3’-1)-式(3’-77)的指标权重wi代入式(4),得到第j个客户的信用得分sj,如式(4’-1)-式(4’-1451)所示:
步骤7:以信用得分Informedness系数IN最大、构建0-1规划模型的目标函数
将步骤3中的指标值替换为信用得分,即可得到信用得分对应的Informedness系数,记为IN。以信用得分Informedness系数IN最大为目标函数,如式(5):
因为式(5)中的信用得分对应Informedness系数IN,是根据a和d的对比分析得到的,即根据所有客户判别出的违约状态Dj与真实违约状态Tj对比得到,即IN=f(Dj,Tj)。而违约状态的对比又是根据客户的信用得分Sj与信用得分阈值Sc的大小关系得到,即IN=f[g(Sj,Sc),Tj],故信用得分对应Informedness系数IN与客户的信用得分有关。
又因为客户的信用得分Sj是客户的指标数值xij与指标权重wi的线性加权,如上文式(4)所示,即IN=f[h(xij,wi),Tj]。而权重wi又是0-1变量ci和指标Informedness系数ini的函数,如上文式(3)所示,即IN=f{h[xij,q(ci,ini)],Tj}。故信用得分对应的Informedness系数IN是决策变量ci的函数。
入选的指标不同、即ci不同,则通过步骤5求得的指标权重wi不同,通过步骤6求得的信用得分Sj不同,信用得分对应的Informedness系数IN也不同。以信用得分Informedness系数IN最大为目标函数,以指标是否入选ci为决策变量,构建0-1规划遴选一组违约鉴别能力最强的指标组合作为指标体系。
步骤8:构建0-1规划模型的约束条件
通过秩相关分析确定反映信息重复的指标。若一对指标的秩相关系数大于等于0.8,则这一对指标反映信息重复。对于每一对重复指标,都建立一个不等式约束条件,保证反映信息重复的一组指标中、最多只有1个入选最终体系,如式(6)所示:
ck+cl≤1 (6)
其中,ck、cl分别标记指标k和l是否入选最终指标体系的0-1变量。有几对指标反映信息重复,就有几个约束条件式(6)。
经过秩相关分析,共有23对反映信息重复的指标,指标名称与两两指标的秩相关系数如表2所示。
表2高相关指标
将表2第1-23行代入式(6),即:
确定指标间反映信息重复具有若干种方法,秩相关方法仅是其中之一。
步骤9:0-1规划模型的求解与最优指标组合的确定
以式(5)为目标函数、以式(6’)为约束条件,构建0-1规划模型,求解得到信用得分Informedness系数IN最大的那一个指标组合及其对应的最大的Informedness系数违约鉴别能力。
利用本发明最优指标组合确定方法,以中国某商业银行近20年1451笔小型工业企业贷款样本为实证数据,得到基于Informedness系数违约鉴别能力最大的包括29个指标的信用评级最优指标组合,在表1第f列以“1”标识,未入选指标以“0”标识。为方便阅读,将表1第f列标识为“1”的指标挑出,列入表3第2列,该指标组合的Informedness系数为0.973。
表3最优的指标组合及其对比指标组合
表3第3列是所有非冗余指标中Informedness系数最大的前29个指标组成的指标组合。基于该指标组合的客户信用得分的Informedness系数为0.885,明显小于基于本专利方法构建的指标组合的Informedness系数为0.973,说明违约鉴别能力强的单个指标组成的指标组合,其违约鉴别能力不一定也强。
本发明尚有多种具体的实施方式,凡采用本发明所述“基于Informedness系数违约鉴别能力最大的信用评级最优指标组合的方法”等同替换、或者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内。
Claims (1)
1.一种基于Informedness系数的信用评级最优指标组合遴选的方法,其特征在于,步骤如下:
步骤1:数据载入
将N个客户的M0个初始信用评级指标数据以及N个客户的违约状态数据载入Excel文件中;其中,违约=1,非违约=0;
步骤2:数据预处理
将信用评级海选指标数据进行标准化,消除指标量纲的影响;
步骤3:计算单个信用评级海选指标的违约鉴别能力ini
采用指标的Informedness系数ini用于衡量指标的违约鉴别能力大小,指标的Informedness系数越大,则将实际违约客户更多地判为违约,同时将实际非违约客户更多地判为非违约,即该指标具有一个指标具有违约鉴别能力;指标i的Informedness系数公式如下:
式(1)中,a表示实际违约、且被判定为违约的客户数;b表示实际违约、但被错判为非违约的客户数;c表示实际非违约、但被错判为违约的客户数;d表示实际非违约、且被判定为非违约的客户数;
式(1)中的a、b、c、d是判定的违约状态Dj与实际违约状态Tj的对比结果得到;而判别的违约状态又根据阈值得到;当客户j的指标i数值xij大于指标i的阈值xi c时,该客户被判定为非违约,反之判定为违约,即:
取遍全部客户指标i数值的取值,分别作为阈值判别所有客户的违约状态;令指标i对应的Informedness系数ini最大的阈值即为指标i的阈值,对应的最大Informedness系数即为指标i的Informedness系数;
步骤4:剔除Informedness系数ini≤0、即不能鉴别违约状态的指标,剩余指标个数变为M1;
步骤5:引入决策变量ci,并对评级指标赋权wi
采用指标的Informedness系数ini对评级指标进行赋权,确保Informedness系数越大、违约鉴别能力越强的指标对应权重越大,即:
式(3)中,wi表示第i个指标的权重;ci表示第i个指标是否入选指标体系,若入选则ci=1,反之ci=0,ci也是最优指标组合0-1规划模型的决策变量;M1表示需要赋权的指标个数;
步骤6:构建客户信用评分Sj与指标权重wi的函数关系
采用线性加权公式构建客户信用评分Sj的表达式,即:
式(4)中wi表示第i个指标的权重,xij是第i个指标下第j个客户的数值;
步骤7:以信用得分Informedness系数IN最大、构建0-1规划模型的目标函数
将步骤3中的指标的数值替换为信用得分,即得到信用得分对应的Informedness系数,记为IN;以信用得分Informedness系数IN最大为目标函数,如式(5):
式(5)中的信用得分对应Informedness系数IN,是根据a和d的对比分析得到的,即根据所有客户判别出的违约状态Dj与真实违约状态Tj对比得到,即IN=f(Dj,Tj);而违约状态的对比又是根据客户的信用得分Sj与信用得分阈值Sc的大小关系得到,即IN=f[g(Sj,Sc),Tj],故信用得分对应Informedness系数IN与客户的信用得分有关;
客户的信用得分Sj是客户的指标数值xij与指标权重wi的线性加权,如式(4)所示,即IN=f[h(xij,wi),Tj];而权重wi又是0-1规划模型的变量ci和指标Informedness系数ini的函数,如式(3)所示,即IN=f{h[xij,q(ci,ini)],Tj};故信用得分对应的Informedness系数IN是决策变量ci的函数;
入选的指标不同,即ci不同,则通过步骤5求得的指标权重wi不同,通过步骤6求得的信用得分Sj不同,信用得分对应的Informedness系数IN也不同;以信用得分Informedness系数IN最大为目标函数,以指标是否入选ci为决策变量,构建0-1规划遴选一组违约鉴别能力最强的指标组合作为指标体系;
步骤8:构建0-1规划模型的约束条件
通过秩相关分析确定反映信息重复的指标;若一对指标的秩相关系数大于等于0.8,则这一对指标反映信息重复;对于每一对重复指标,都建立一个不等式约束条件,保证反映信息重复的一组指标中、最多只有1个入选最终体系,如式(6)所示:
ck+cl≤1 (6)
其中,ck、cl是指标k和l这一对反映信息重复的指标、是否入选最终指标体系的0-1变量;有几对指标反映信息重复,就有几个约束条件式(6);
确定指标间反映信息重复具有若干种方法,秩相关方法仅是其中之一;
步骤9:0-1规划模型的求解与最优指标组合的确定
以式(5)为目标函数、以式(6)为约束条件,构建0-1规划模型,求解得到信用得分Informedness系数IN最大的那一个指标组合及其对应的最大的Informedness系数违约鉴别能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810530712.2A CN108765136A (zh) | 2018-05-22 | 2018-05-22 | 基于Informedness系数的信用评级最优指标组合遴选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810530712.2A CN108765136A (zh) | 2018-05-22 | 2018-05-22 | 基于Informedness系数的信用评级最优指标组合遴选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108765136A true CN108765136A (zh) | 2018-11-06 |
Family
ID=64003364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810530712.2A Pending CN108765136A (zh) | 2018-05-22 | 2018-05-22 | 基于Informedness系数的信用评级最优指标组合遴选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765136A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113628037A (zh) * | 2021-08-26 | 2021-11-09 | 东北大学秦皇岛分校 | 基于整体违约鉴别能力最优的特征选择与判断方法及系统 |
-
2018
- 2018-05-22 CN CN201810530712.2A patent/CN108765136A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113628037A (zh) * | 2021-08-26 | 2021-11-09 | 东北大学秦皇岛分校 | 基于整体违约鉴别能力最优的特征选择与判断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aminian et al. | Investigate the ability of bankruptcy prediction models of Altman and Springate and Zmijewski and Grover in Tehran Stock Exchange | |
Abdou et al. | Neural nets versus conventional techniques in credit scoring in Egyptian banking | |
McKee | Rough sets bankruptcy prediction models versus auditor signalling rates | |
Bastos | Credit scoring with boosted decision trees | |
Dhar et al. | Performance evaluation of Neural Network approach in financial prediction: Evidence from Indian Market | |
Doeksen et al. | Real stock trading using soft computing models | |
Bapat et al. | Comparison of bankruptcy prediction models: Evidence from India | |
Abdou et al. | On the applicability of credit scoring models in Egyptian banks | |
Daubie et al. | A comparison of the rough sets and recursive partitioning induction approaches: An application to commercial loans | |
Michael et al. | A fuzzy knowledge-based decision aiding method for the assessment of financial risks: the case of corporate bankruptcy prediction | |
Tilakaratne et al. | Predicting stock market index trading signals using neural networks | |
CN108765136A (zh) | 基于Informedness系数的信用评级最优指标组合遴选方法 | |
Gupta et al. | Artificial neural networks for developing early warning system for banking system: Indian context | |
Azayite et al. | The impact of payment delays on bankruptcy prediction: A comparative analysis of variables selection models and neural networks | |
Khedr et al. | An ensemble model for financial statement fraud detection | |
Lakshmi et al. | Machine learning approach for taxation analysis using classification techniques | |
Chowdhury et al. | Bankruptcy prediction for imbalanced dataset using oversampling and ensemble machine learning methods | |
Olteanu et al. | Non-linear analysis of shocks when financial markets are subject to changes in regime | |
CN108364183A (zh) | 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 | |
Yim et al. | Predicting financial distress in the Australian financial service industry | |
WO2019222902A1 (zh) | 基于Informedness系数的信用评级最优指标组合遴选方法 | |
EMBARK et al. | A Framework for Prediction Banking Risk Using Machine Learning Techniques | |
CN113610638B (zh) | 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 | |
Janková et al. | Analysis of Financial Market Using Soft Computing Techniques | |
Liu et al. | Empirical Study on Indicators Selection Model Based on Nonparametric K‐Nearest Neighbor Identification and R Clustering Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |