CN111784487A - 一种基于动态财资流的中小企业超短期信用评价方法 - Google Patents
一种基于动态财资流的中小企业超短期信用评价方法 Download PDFInfo
- Publication number
- CN111784487A CN111784487A CN202010583969.1A CN202010583969A CN111784487A CN 111784487 A CN111784487 A CN 111784487A CN 202010583969 A CN202010583969 A CN 202010583969A CN 111784487 A CN111784487 A CN 111784487A
- Authority
- CN
- China
- Prior art keywords
- index
- cash
- inflow
- operational
- flow
- 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
Images
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
- G06Q40/06—Asset management; Financial planning or analysis
-
- 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
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于动态现金流的中小企业超短期信用评价方法。本发明放弃了低频、易造假的财务数据和实时性、有效性待验证的大数据风险信息,以Saas资金管理系统为基础,以企业动态财资流为核心,从经营性现金流、客户交易流、产品现金流、现金流计划、经营性自偿能力、资产性自偿能力、计划性偿付能力和还款记录等角度全面充分萃取财资流中的动态信用信息来实时评价企业超短期信用水平。本发明能够更加实时、动态地反映和区分中小企业的信用状况,将其财资流转化为资信信息,为其获取超短期信用支持提供增信,也便于商业合作方和金融机构更准确地把握中小企业的实时信用状况。
Description
技术领域
本发明属于企业主体信用评价领域,具体涉及一种基于动态财资流、针对营业收入2000万元及以上成长性优质中小企业的超短期信用评价方法。
背景技术
广义的财资即“财金资源”,是企业财务与金融资产及资源的集合,包括财资资产、资源、资金与财资信用等。本发明所述的财资流主要是包含业务信息的广义的现金流。
目前,在企业主体的信用风险评价领域,主要有评级公司的主体信用评价、人民银行的企业征信报告、征信机构的企业征信报告/信用分、银行等金融机构的主体信用评价、供应链核心企业的商业信用评价。
评级公司和大部分银行等金融机构的主体信用评价以资产负债表、利润表和现金流量表为基础,以财务科目数据异常或异常变动为抓手,对企业进行全面的尽职调查。人民银行的企业征信报告以企业在银行等金融机构的信贷历史为核心,结合企业基本信息。征信机构的企业征信报告以企业基本信息和政务公开信息为基础,结合自有以及从第三方或政府部门引入的数据,编制信用报告。供应链核心企业的商业信用评价可以分成两种类型,一种仍然以财务报告的信息为核心,或者干脆委托给第三方征信公司进行评价;另一种以合作历史为主要维度,结合财务信息、基本信息,或者再加上第三方信息进行综合评价。
上述信用评价都没有充分考虑企业财资流,其中一部分完全没有考虑企业现金流层面,另一部分也仅以现金流量表为切入点去考虑现金流。他们对于企业的信用评价的有效期一般是一年,跟踪频率一般是每半年或每季度。对于中小企业的生命周期来说,一年可能是一个不短的时间段,他们的信用状况可以发生很大的变化。
大部分征信公司的信用分虽然是实时评价的,但他们要不基于低频的财务数据,或者基于不易量化反映企业经营管理真实变动的政务公开信息,或者只基于一部分经营信息,无法完整、实时的反映中小企业信用状况的真实变化。其中,芝麻企业信用分等极少数信用评价考虑了企业财资流,但他们主要针对小微企业,并且财资流在其信用评价中仅占据一个较小的比重。
此外,极少数银行等金融机构在评价小微企业信用状况时,也开始尝试从财资流的角度去分析,国外一些银行也具有相对成熟的财资流信用评价技术。但他们大多通过线下人工方式推进,没有一套服务于财资流信用评价的信息系统。
发明内容
基于动态财资流的中小企业超短期信用评价模型的开发是为了更加实时、动态地去评价营业收入2000万元及以上的成长性优质中小企业当前的信用状况,从而便于企业更清晰地把握自身信用风险,提升信用管理水平,增强生存能力;进而帮助企业将稳健经营所积累的现金流数据转化为信用价值,更好地对接融资,获得更大的成长空间;同时帮助银行筛选优质企业,开发超短期信用产品,在风险可控的前提下更好地服务中小企业;最终为削弱银行与中小企业间的信息不对称,缓减中小企业融资难问题添砖加瓦。
本模型以Saas资金管理系统为基础动态获取企业财资流,以动态财资流为核心,从经营性现金流、客户交易流、产品现金流、现金流计划、经营性自偿能力、资产性自偿能力、计划性偿付能力和还款记录等角度全面充分萃取与企业超短期信用相关的信息。
本发明有益效果如下:
本模型采用层次分析法、变异系数法、Delphi法等手段对各维度和指标的权重进行设定;并在对大量样本数据进行分析的基础上,采用delphi法、秩和比法等设定具体评价标准。
本模型能够更加实时、动态地反映和区分中小企业的信用状况,将其经营性现金流转化为资信信息,为其申请商业信用、超短期金融机构授信等行为提供增信,也便于商业合作方和金融机构更准确地把握中小企业的实时信用状况,采取合适的信用策略,从而促成更多的金融合作,助力提升中小企业整体信用状况。
附图说明
图1为本发明企业超短期信用相关的信息示意图;
图2为本发明一级指标和二级指标层次关系及其下三级指标示意图;
具体实施方式
本模型的实施包括模型的构建与使用。
模型的构建分成8个步骤:
步骤1、数据采集:
以Saas资金管理系统为基础,通过与企业的持续合作,帮助企业提升财资管理能力,在企业授权下动态获取财资流信息。
财资流信息包括:
a.企业经营管理中所有资金流入和流出的数量、时间、交易对手方、对手方所在区域、用途、类型(包括经营性、非经营性)等信息;
b.企业资金流入和流出的计划,包括数量、日期、对手方、用途和类型;
c.企业投融资引起的未来资金流入(投资收益)和流出(本金偿还、利息支付、计划投资)。
步骤2、使用ARIMA模型对经营性现金流入、经营性现金流出、经营性现金净流入、现金净流入进行预测,无法预测的企业暂时不进行评价。
所述的现金净流入指总的现金净流入,包括经营性现金净流入和非经营性现金净流入。
2-1.以30天为一个周期,分别构建经营性现金流入、经营性现金流出、经营性现金净流入、现金净流入的时间序列;经营性现金流入的时间序列表示{Xt}={Xt:t∈(1,2,…,T)}。T为最近的一个周期,XT为最近一个周期内经营性现金流入近30天的样本数据,随着t的减小,时间区间以30天为单位向前移动。
同理,经营性现金流出的时间序列表示为{X′t}={X′t:t∈(1,2,…,T)};经营性现金净流入的时间序列表示为{X″t}={X″t:t∈(1,2,…,T)};现金净流入的时间序列表示为{X″′t}={X″′t:t∈(1,2,…,T)};
2-2.对经营性现金流入、经营性现金流出、经营性现金净流入和总的现金净流入的时间序列进行平稳非白噪声序列的验证;
2-2-1.平稳序列验证
则称{Xt}是平稳时间序列,简称为平稳序列。称实数列{γt}为{Xt}的自协方差函数。其中EXt指代{Xt}的期望;E表示求期望;μ指代Xt均值;γt-s表示Xt-s的自协方差。
若原时间序列{Xt}不是平稳序列,则通过差分方法转化成一个平稳序列:
2-2-2.白噪声验证
则称{εt}是一个白噪声,记做WN(μ,σ2)。
设{εt}是WN(μ,σ2)
当{εt}是独立序列时,称{εt}是独立白噪声;
当μ=0时,称{εt}为零均值白噪声;
当μ=0,σ2=1时,称{εt}为标准白噪声。
对独立白噪声,当εt服从正态分布时,称{εt}是正态白噪声。
若时间序列{Xt}是一个白噪声序列,即未来与历史值之间不相关,那没有继续分析的必要。因此时间序列{Xt}需要经过白噪声检验。
白噪声检验
2-2-3.计算自相关系数和偏相关系数
a.自相关系数
定义3设平稳序列{Xt}的标准化序列是{Yt}。{Yt}的自协方差函数ρk称为平稳序列{Xt}的自相关系数:
ρk=γk/γ0,k∈Z
γk=E[(Xk+1-μ)(X1-μ)]
γ0=E[(X1-μ)(X1-μ)]
b.偏相关系数
定义4如果平稳序列{Xt}的n阶自协方差矩阵Γn正定,对1≤k≤n有:
自相关系数和偏相关系数用于下一步的模型识别,判断时间序列{Xt}属于哪一种模型以及阶数估计。
2-2-4.模型识别
若条件Ⅰ和条件Ⅱ都不满足,则考虑ARMA模型。
如果根据数据的性质可以知道阶数的大约范围,则在这个范围内对每一对(p,q)建立ARMA(p,q)模型,如果任意一对(p,q)建立ARMA(p,q)模型通过检验,则将通过检验的模型留做备用。
如果不能确定阶数的范围,则采用p+q=1,p+q=2,…,开始由低阶到高阶的依次搜寻的方法。
如果有多个备用模型,根据后文AIC定阶准则选取其中最优模型;
2.2.5.估计模型中未知参数的值
定义5设{εt}是WN(μ,σ2),实系数多项式A(z)和B(z)没有公共根,满足b0=1,apbq≠0和
则表达式如下:
差分方程是一个自回归滑动平均模型,简称为ARMA(p,q)模型。称满足(2.2)的平稳序列为平稳解或ARMA(p,q)序列。
若是由d次差分计算后得到的ARMA(p,q)模型,则称原模型为ARIMA(p,d,q)模型。
模型中的阶数p,q由步骤2-2-4得到,其余参数常用的估计方法有自回归逼近法。
具体步骤如下:
计算残差
然后写出近似的ARMA(p,q)模型
下面是a,b的最小二乘估计的计算方法。定义
在(X,ε)T(X,ε)满秩的情况下,可以解出最小二乘估计
在计算模型参数后,还需要对模型进行检验和优化。
首先:模型检验
递推计算模型的残差
取m=O(N1/3)和m>max(p,q)。如果残差
可以通过白噪声的检验,就认为模型合适。否则寻找其他的模型。
其次:模型优化
在第三步模型识别中,可能会存在多个备用模型。可以采用下面的AIC定阶方法,确定出一个最优的模型。
给定ARMA(p,q)模型的阶数(p,q)的一个估计后,无论这个估计是怎样得到的,按前面的方法都可以估计出ARMA(k,j)模型的参数。用表示白噪声方差σ2的估计。一般来讲,希望的取值越小越好。因为越小表示模型拟合的越精确。通常较小的残差方差对应于较大的阶数k,j。这样,过多追求拟合的精度,或说过分追求较小的残差方差会导致较大的和从而导致较多的待估参数。其结果会使建立的模型关于数据过于敏感,从而降低模型的稳健性。AIC定阶准则就是为了克服模型的过度敏感而提出的。
如果已知p的上界P0和q的上界Q0,对于每一对(k,j),0≤k≤P0,0≤j≤Q0计算AIC函数
最后通过模型预测经营性现金流入、经营性现金流出、经营性现金净流入和现金净流入。
步骤3、从基础素质、现金流经营、偿债能力、信用历史4个一级指标和现金流规模、经营性现金流、客户交易流、产品现金流、现金流计划、经营性自偿能力、资产性自偿能力、计划性偿付能力、还款记录9个二级指标全面萃取财资流中与信用相关的信息来评价企业超短期的信用水平。所述的一级指标和二级指标存在层级关系,并通过三级指标来体现。具体如图2所示:
所述的基础素质通过现金流规模来考察。现金流规模考察企业未来30天预计经营性现金流入的总和,数据来源于步骤2的经营性现金流入预测。现金流规模越大企业短期信用状况越好。
所述的现金流经营从经营性现金流、客户交易流、产品现金流和现金流计划四个维度来考察。经营性现金流包括经营性现金流量比、经营性现金流稳定性和经营性现金流趋势三个指标。其中,经营性现金流量比=预测的未来30天经营性现金流入/预测的未来30天经营性现金流出,该值越大,信用状况越好;经营性现金流稳定性=最近一年月度经营性现金流入的标准差,经营性现金流越稳定,信用状况越好;经营性现金流趋势=预测的未来30天经营性现金流入/最近30天经营性现金流入,经营性现金流趋势越好,信用状况越好。客户交易流包括客户集中度、客户稳定性和应收账款集中度三个指标。客户集中度衡量最近90天分客户经营性现金流入的吉尼系数,该系数越大,说明企业客户集中度越高,企业的风险相对较高;客户稳定性衡量最近一年企业销售收入达到80%的前几大客户月度变动情况,变动越频繁,企业面临的风险越大;应收账款集中度衡量企业当前分客户应收账款吉尼系数,系数越大,企业应收账款风险及其对企业影响越大,企业信用面临的风险越高。产品现金流包括产品集中度和主导产品加权波动率两个指标。产品集中度考察最近90天企业分产品销售收入吉尼系数,系数越大,说明企业对单一产品的依赖性越高,企业风险越大。主导产品加权波动率考察占企业销售收入80%的前几大产品在最近一年月收入的标准差,权重为这几大产品月均销售收入。主导产品加权波动率越高,企业经营风险越大。
现金流计划使用加权达成率来衡量。加权达成率计算公式如下:
其中,D为偏差向量,m为流入计划数量,n为流出计划数量,第i项流入计划提前流入的金额,为第i项流入计划流入提前的天数,第i项流入计划延迟流入的金额,为第i项流入计划流入延迟的天数,第i项流出计划提前流出的金额,为第i项流出计划流出提前的天数,第i项流出计划延迟流出的金额,为第i项流出计划流出延迟的天数。
aω为各项偏差对总体达成率影响的权重。权重的设定采用层次分析法。
首先,通过Delphi法构建判断矩阵:
提前流入 | 提前流出 | 延迟流入 | 延迟流出 | |
提前流入 | 1 | 1/3 | 1/7 | 1/9 |
提前流出 | 3 | 1 | 1/5 | 1/7 |
延迟流入 | 7 | 5 | 1 | 1/2 |
延迟流出 | 9 | 7 | 2 | 1 |
令第i行第j列元素为uij。
最后,进行一致性检验。
查找四阶随机一致性指标并计算比值CR=CI/RI=0.029<0.1。通过一致性检验,确定aω=(0.0435 0.3295 0.0872 0.5398)。
所述的偿债能力从经营性自偿能力、资产性自偿能力和计划性偿付能力三个维度进行考察。经营性自偿能力包括经营性现金净流入债务保障倍数、经营性现金净流入利息保障倍数和现金净流入债务保障倍数三个指标。经营性现金净流入债务保障倍数=预测未来90天经营性现金流入/未来90内到期的负债。经营性现金净流入利息保障倍数=预测未来30天经营性现金净流入/未来30天利息支出。现金净流入债务保障倍数=预测未来90天现金净流入/未来90内到期的负债。保障倍数越大,企业偿债能力越强,短期信用状况越好。资产性自偿能力从财资速动比率进行考查;财资速动比率=速动资产/未来90内到期的负债,用于衡量企业资产中可以立即变现用于偿还财资速动负债的能力,财资速动比率越高,短期偿债能力越强,速动资产=账户余额+理财金额+收益金额+应收承兑汇票金额+应收信用证金额。计划性偿付能力通过可信计划净流入债务保障倍数来衡量,可信计划净流入债务保障倍数=未来90天计划资金净流入*现金流计划加权达成率/未来90内到期的负债。
所述的信用历史从还款记录进行考察。还款记录包括正常偿还本息、逾期偿还本息两个指标。
步骤4、基于样本数据的分布设计评价标准,每个指标均采用100分制。
对其中大部分的数值型变量,采用秩和比法划分区间,并在使用过程中对标准进行动态调整;采用Delphi法给定档次数量和每档得分:
A.编秩:编出每个数据对应的秩
C.确定R的分布:R的分布是指用概率单位Probit表达的值特定的向下累计频率。其方法为:
a)编制R频数分布表,列出各组频数f,计算各组的累计频数∑f;
b)确定各组R的秩次范围Ro和R的平均秩次Ra;
c)计算平均秩次的向下累计频率p=Ra/n;
d)将百分率p换算为概率单位Probit,Probit为百分率p对应的标准正态离差加5;
准见下表:
D.将各个分档映射至相应分值,各指标的分档数和分值采用Delphi法(详情见下表)。
进一步的,对其中少部分的数值型变量,采用公式法进行赋分。
其中,m为近一年逾期偿还本金或利息的笔数,Si为第i笔逾期的本金或利息的金额,Ti为逾期天数。
步骤5、结合变异系数法和层次分析法对指标体系的权重进行设定。
表示第i个样本第j个三级指标的值,m为样本数量,n为三级指标个数。
5-5.构建每一个上级指标下各指标的贡献度判断矩阵Ut:
将献度判断矩阵Ut简化后为:则utitj表示第t个上级指标下,第i个指标与第j个指标之间的相对重要程度。根据层次分析法,utitj的取值所代表的含义如下表所示(指标ti和指标tj分别表示第t个上级指标下第i个指标和第j个指标)。但本方案的取值显然更加连续,这是有意义的,代表本方案在同一上级指标下各指标之间重要性的判别更加精细,这是Delphi法所难以做到的。
u<sub>titj</sub>取值 | 相对重要程度 |
1 | 指标ti与指标tj同等重要(或相同强) |
3 | 指标ti比指标tj稍微重要(或稍微强) |
5 | 指标ti比指标tj基本重要(或比较强) |
7 | 指标ti比指标tj明显重要(或明显强) |
9 | 指标ti比指标tj绝对重要(或绝对强) |
2,4,6,8 | 两相邻程度的中间值 |
1/3 | 指标ti比指标tj稍微不重要(或稍微弱) |
1/5 | 指标ti比指标tj基本不重要(或稍微弱) |
1/7 | 指标ti比指标tj明显不重要(或明显弱) |
1/9 | 指标ti比指标tj绝对不重要(或绝对弱) |
1/2,1/4,1/6, | 两相邻程度的中间值 |
5-6.采用Delphi法审视每一个简化后的贡献度判断矩阵中每一个元素utitj,它所代表的指标ti与指标tj之间的重要程度的对比与实际情况是否相符,如果不相符则需要根据实际情况调整该元素。确保调整后utitj的取值范围在[1/9,9]。如果utitj取值小于1/9,说明指标ti相对于指标tj来说是非常不重要的,依据指标体系构建的平衡性原则,指标ti应该被剔除;反之,指标tj应该被剔除。
5-8.计算简化后的每一个贡献度判断矩阵Ut的一致性指标CIt,λtmax为Ut的最大特征值,引入不同阶数判断矩阵的平均随机一致性指标值RIt的合集(见下表),计算一致性比率如果CRt<0.01,则贡献度判断矩阵Ut通过一致性检验;反之,对贡献度矩阵Ut进行调整,再次计算权重,直到其通过一致性检验为止。必须指出,未经人为调整的贡献度判断矩阵是符合一致性的,我们可以从数学上进行严格的证明(此处不展开论证),不需要进行一致性检验。
矩阵阶数 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
RI | 0 | 0 | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 | 1.49 |
5-10.重复步骤5-2至步骤5-9,计算所有二级指标相对于其所属一级指标的权重,计算无量纲化的一级指标取值。
5-11.再次重复步骤5-2至步骤5-8,计算出所有一级指标权重。
5-12.用乘积法计算各层次各指标的组合权重。
各指标权重如下表所示:
步骤6.每半年对模型使用情况进行分析,对模型指标、权重或评价标准进行微调。
模型的使用分成4个步骤:
步骤1.动态收集评价对象的现金财资流;
步骤2.计算评价对象的三级指标;
步骤3.对应评价标准确定评价对象各三级指标的得分;
步骤4.将三级指标得分乘以权重并加总得到评价对象实时超短期信用状况。
Claims (4)
1.一种基于动态财资流的中小企业超短期信用评价方法,其特征在于包括如下步骤:
步骤1、数据采集:
以Saas资金管理系统为基础,通过与企业的持续合作,帮助企业提升财资管理能力,在企业授权下动态获企业取财资流信息;
所述的财资流信息包括:
a.企业经营管理中所有资金流入和流出的数量、时间、交易对手方、对手方所在区域、用途、类型信息;
b.企业资金流入和流出的计划,包括数量、日期、对手方、用途和类型;
c.企业投融资引起的未来资金流入和流出;
步骤2、使用ARIMA模型对经营性现金流入、经营性现金流出、经营性现金净流入、现金净流入进行预测;
步骤3、从基础素质、现金流经营、偿债能力、信用历史4个一级指标和现金流规模、经营性现金流、客户交易流、产品现金流、现金流计划、经营性自偿能力、资产性自偿能力、计划性偿付能力、还款记录9个二级指标全面萃取财资流中与信用相关的信息来评价企业超短期的信用;
步骤4、基于样本数据的分布设计评价标准,每个指标均采用100分制;
步骤5、结合变异系数法和层次分析法对指标体系的权重进行设定;
步骤6.每半年对模型使用情况进行分析,对模型指标、权重或评价标准进行微调。
2.根据权利要求1所述的一种基于动态现金流的中小企业超短期信用评价方法,其特征在于步骤2具体实现如下:
2-1.以30天为一个周期,分别构建经营性现金流入、经营性现金流出、经营性现金净流入和现金净流入的时间序列;经营性现金流入的时间序列表示{Xt}={Xt:t∈(1,2,…,T)};T为最近的一个周期,XT为最近一个周期内经营性现金流入近30天的样本数据,随着t的减小,时间区间以30天为单位向前移动;
同理,经营性现金流出的时间序列表示为{X′t}={X′t:t∈(1,2,…,T)};
经营性现金净流入的时间序列表示为{X″t}={X″t:t∈(1,2,…,T)};
现金净流入的时间序列表示为{X″′t}={X″′t:t∈(1,2,…,T)};
2-2.对经营性现金流入、经营性现金流出、经营性现金净流入和现金净流入的时间序列进行平稳非白噪声序列的验证。
3.权利要求1或2所述的一种基于动态现金流的中小企业超短期信用评价方法,其特征在于步骤3具体实现如下:
所述的基础素质通过现金流规模来考察;现金流规模考察企业未来30天预计经营性现金流入的总和;
所述的现金流经营从经营性现金流、客户交易流、产品现金流和现金流计划四个维度来考察;经营性现金流包括经营性现金流量比、经营性现金流稳定性和经营性现金流趋势三个指标;其中,经营性现金流量比=预测的未来30天经营性现金流入/预测的未来30天经营性现金流出;经营性现金流稳定性=最近一年月度经营性现金流入的标准差;经营性现金流趋势=预测的未来30天经营性现金流入/最近30天经营性现金流入;
客户交易流包括客户集中度、客户稳定性和应收账款集中度三个指标;客户集中度衡量最近90天分客户经营性现金流入的吉尼系数;客户稳定性衡量最近一年企业销售收入达到80%的前几大客户月度变动情况;应收账款集中度衡量企业当前分客户应收账款的吉尼系数;
产品现金流包括产品集中度和主导产品加权波动率两个指标;产品集中度考察最近90天企业分产品销售收入的吉尼系数;主导产品加权波动率考察占企业销售收入80%的前几大产品在最近一年月收入的标准差,权重为这几大产品月均销售收入;
现金流计划使用加权达成率来衡量;加权达成率计算公式如下:
m为流入计划数量,n为流出计划数量,第i项流入计划提前流入的金额,为第i项流入计划流入提前的天数,第i项流入计划延迟流入的金额,为第i项流入计划流入延迟的天数,第i项流出计划提前流出的金额,为第i项流出计划流出提前的天数,第i项流出计划延迟流出的金额,为第i项流出计划流出延迟的天数;
其中,aω为各项偏差对总体达成率影响的权重,采用层次分析法确定aω=(0.04350.3295 0.0872 0.5398);
所述的偿债能力从经营性自偿能力、资产性自偿能力和计划性偿付能力三个维度进行考察;经营性自偿能力包括经营性现金净流入债务保障倍数、经营性现金净流入利息保障倍数和现金净流量债务保障倍数三个指标;经营性现金净流入债务保障倍数=预测未来90天经营性现金流入/未来90内到期的负债;经营性现金净流入利息保障倍数=预测未来30天经营性现金净流量/未来30天利息支出;现金净流量债务保障倍数=预测未来90天现金净流入/未来90内到期的负债;资产性自偿能力从财资速动比率进行考查;财资速动比率=速动资产/未来90内到期的负债;速动资产=账户余额+理财金额+收益金额+应收承兑汇票金额+应收信用证金额;计划性偿付能力通过可信计划净流入债务保障倍数来衡量,可信计划净流入债务保障倍数=未来90天计划资金净流入*现金流计划加权达成率/未来90内到期的负债;
所述的信用历史从还款记录进行考察;还款记录包括正常偿还本息、逾期偿还本息两个指标。
4.权利要求3所述的一种基于动态现金流的中小企业超短期信用评价方法,其特征在于步骤5具体实现如下:
5-5.构建每一个上级指标下各指标的贡献度判断矩阵Ut:
将贡献度判断矩阵Ut简化为:则utitj表示第t个上级指标下,第i个指标与第j个指标之间的相对重要程度;根据层次分析法,utitj的取值所代表的含义为:指标ti和指标tj分别表示第t个上级指标下第i个指标和第j个指标;
5-6.采用Delphi法审视每一个简化后的贡献度判断矩阵中每一个元素utitj,它所代表的指标ti与指标tj之间的重要程度的对比与实际情况是否相符,如果不相符则需要根据实际情况调整该元素;确保调整后utitj的取值范围在[1/9,9];如果utitj取值小于1/9,说明指标ti相对于指标tj来说是非常不重要的,依据指标体系构建的平衡性原则,指标ti应该被剔除;反之,指标tj应该被剔除;
5-8.计算简化后的每一个贡献度判断矩阵Ut的一致性指标CIt,λtmax为Ut的最大特征值,引入不同阶数判断矩阵的平均随机一致性指标值RIt的合集(见下表),计算一致性比率如果CRt<0.01,则贡献度判断矩阵Ut通过一致性检验;反之,对贡献度矩阵Ut进行调整,再次计算权重,直到其通过一致性检验为止;
5-10.重复步骤5-2至步骤5-9,计算所有二级指标相对于其所属一级指标的权重,计算无量纲化的一级指标取值;
5-11.再次重复步骤5-2至步骤5-8,计算出所有一级指标权重;
5-12.用乘积法计算各层次各指标的组合权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010583969.1A CN111784487A (zh) | 2020-06-23 | 2020-06-23 | 一种基于动态财资流的中小企业超短期信用评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010583969.1A CN111784487A (zh) | 2020-06-23 | 2020-06-23 | 一种基于动态财资流的中小企业超短期信用评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784487A true CN111784487A (zh) | 2020-10-16 |
Family
ID=72757718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010583969.1A Pending CN111784487A (zh) | 2020-06-23 | 2020-06-23 | 一种基于动态财资流的中小企业超短期信用评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784487A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313574A (zh) * | 2021-06-09 | 2021-08-27 | 中关村科技租赁股份有限公司 | 一种科技租赁信用风险计量方法及系统 |
CN113327160A (zh) * | 2021-05-07 | 2021-08-31 | 浙江保融科技股份有限公司 | 基于企业财资大数据的银行贷后风险预测方法和系统 |
CN114372681A (zh) * | 2021-12-27 | 2022-04-19 | 见知数据科技(上海)有限公司 | 基于流水数据的企业分类方法、装置、设备、介质和产品 |
-
2020
- 2020-06-23 CN CN202010583969.1A patent/CN111784487A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327160A (zh) * | 2021-05-07 | 2021-08-31 | 浙江保融科技股份有限公司 | 基于企业财资大数据的银行贷后风险预测方法和系统 |
CN113313574A (zh) * | 2021-06-09 | 2021-08-27 | 中关村科技租赁股份有限公司 | 一种科技租赁信用风险计量方法及系统 |
CN114372681A (zh) * | 2021-12-27 | 2022-04-19 | 见知数据科技(上海)有限公司 | 基于流水数据的企业分类方法、装置、设备、介质和产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11599939B2 (en) | System, method and computer program for underwriting and processing of loans using machine learning | |
Liu et al. | Competition in banking: measurement and interpretation | |
Gatti et al. | Measuring value‐at‐risk in project finance transactions | |
CN111784487A (zh) | 一种基于动态财资流的中小企业超短期信用评价方法 | |
KR102246782B1 (ko) | 상거래데이터를 이용한 ai기반의 평가모델을 포함하는 기업의 채무상환능력 평가시스템 | |
Barbone et al. | Study to quantify and analyse the VAT Gap in the EU-27 Member States | |
Karaa et al. | Credit-risk assessment using support vectors machine and multilayer neural network models: a comparative study case of a tunisian bank | |
CN115660803A (zh) | 互联网背景下供应链金融风险管理方法 | |
Matoussi et al. | CREDIT-RISK EVALUATION OF A TUNISIAN COMMERCIAL BANK: LOGISTIC REGRESSION VS NEURAL NETWORK MODELLING. | |
CN110322347A (zh) | 一种长短期策略多因子量化投资方法及装置 | |
CN113643115A (zh) | 基于期权定价模型的商业承兑汇票信用评分方法及系统 | |
Mačerinskiene et al. | The evaluation model of a commercial bank loan portfolio | |
KR102249028B1 (ko) | 기업의 채무상환능력 평가시스템 | |
Tikhonov et al. | The Relationship Between the Financial Performance of Banks and the Quality of Credit Scoring Models | |
CN116703563A (zh) | 一种基于量化分析模型的信贷策略 | |
Dai et al. | Evaluation Method of Customs' Price Evaluation Risks in China's Coastal Special Economic Zones | |
CN114862563A (zh) | 基于主成分分析和神经网络的中小信贷策略模型 | |
Taherinia et al. | Prediction the Return Fluctuations with Artificial Neural Networks' Approach | |
Kuznichenko et al. | Defining the probability of bank debtors’ default using financial solvency assessment models | |
Matoussi et al. | Using a neural network-based methodology for credit–risk evaluation of a Tunisian bank | |
Taha | The possibility of using artificial neural networks in auditing-theoretical analytical paper | |
Gautam | Competitive Conditions in Nepalese Commercial Banks | |
Sahiner | Essays on Financial Market Volatility | |
Zaverdinos | Nelson-Siegel vs. Constant Spread Bond Price Prediction | |
Zhou | Forecasting Loan Risk of Banks with Machine Learning in Main Street Lending Program |
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 | ||
CB02 | Change of applicant information |
Address after: Room 236, building 3, no.1500, Wenyi West Road, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province, 310013 Applicant after: Zhejiang Baorong Technology Co.,Ltd. Address before: Room 236, building 3, no.1500, Wenyi West Road, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province, 310013 Applicant before: Zhejiang Baorong Technology Co.,Ltd. |
|
CB02 | Change of applicant information |