CN115660803A - 互联网背景下供应链金融风险管理方法 - Google Patents

Abstract

本发明公开了一种互联网背景下供应链金融风险管理方法，包括以下步骤：步骤1、识别供应链金融风险，所述供应链金融风险包括信用风险和市场风险；步骤2、构建中小企业信用评价指标体系，根据层次分析法和熵权法计算指标权重，以此进行信用风险的评估；步骤3、根据供应链的质押物，对质押物对数收益率利用GARCH模型进行拟合，再计算多种质押期下的在险价值VaR，再利用在险价值VaR得到具有动态预测性的质押率，以此进行市场风险的评价。本发明可以对处于发展前中的电商平台进行供应链金融风险管理，提高融资业务风险管控水平，从而保证了整体线上供应链金融的健康发展。

Description

互联网背景下供应链金融风险管理方法

技术领域

本发明涉及互联网金融技术领域，特别涉及一种互联网背景下供应链金融风险管理方法。

背景技术

在传统供应链金融中，中小企业依托核心企业提供信用支持获得商业银行贷款，可以在一定程度上解决其存在的融资难、融资成本高等问题。近年来，随着我国科学技术的不断进步，互联网背景下新型供应链金融应运而生。相对于传统供应链金融，线上供应链金融参与主体增加：新增物流企业、软件服务商、电商平台、第三方支付、一站式供应链金融服务商等多个新角色。目前线上供应链金融的模式包括由电商平台自身开展线上的供应链金融服务，这种服务不与其他金融机构合作，放贷资金来源于平台本身以及合作银行。除了阿里巴巴、京东、拼多多等大型电商平台以外，类似于大宗商品的电商平台而言，这类电商平台的业务能力是不强的，资源整合、数据处理能力也不高，组织管理机制不成熟，这会导致电商平台难以形成科学的风控体系，在供应链金融运营过程中面临较大风险。

发明内容

本发明的目的在于，提供一种互联网背景下供应链金融风险管理方法。本发明可以对处于发展前中期的电商平台进行供应链金融风险管理，提高融资业务风险管控水平，从而保证了整体线上供应链金融的健康发展。

本发明的技术方案：互联网背景下供应链金融风险管理方法，包括以下步骤：

步骤1、识别供应链金融风险，所述供应链金融风险包括信用风险和市场风险；

步骤2、构建中小企业信用评价指标体系，根据层次分析法和熵权法计算指标权重，以此进行信用风险的评估；

步骤3、根据供应链的质押物，对质押物对数收益率利用GARCH模型进行拟合，再计算多种质押期下的在险价值VaR，再利用在险价值VaR得到具有动态预测性的质押率，以此进行市场风险的评价。

上述的互联网背景下供应链金融风险管理方法，所述中小企业信用评价指标体系中设置有企业素质、营运能力、盈利能力、偿债能力、成长能力和平台交易历史共6个一级指标；所述企业素质的一级评价指标中包含有员工素质、企业规模、领导素质、管理水平和信息化水平共5个二级指标；所述营运能力的一级评价指标中包含有固定资产周转率、流动资产周转率、存货周转率和应收账款周转率共4个二级指标；所述盈利能力的一级评价指标中包含有资产报酬率和营业利润率共2个二级指标；所述偿债能力的一级评价指标中包含有流动比率、速动比率和资产负债率共3个二级指标；所述成长能力的一级评价指标中包含有利率增长率和总资产增长率共2个二级指标；所述平台交易历史的一级评价指标中包含有交易异常情况、按期还款率和延期还款情况共3个二级指标。

前述的互联网背景下供应链金融风险管理方法，步骤2中，用层次分析法进行权重计算是将一级指标作为准则层，将二级指标作为指标层，然后将各层次的的指标元素进行反复的两两比较，进而确定判断矩阵：

式中：F表示判断矩阵，f_ij表示第i个指标相对于第j个指标的重要程度，m表示指标层中二级指标的个数；

计算出的判断矩阵的最大特征根对应的特征向量，将特征向量进行归一化处理得到权重ω_iAHP，权重ω_iAHP即为层次分析法计算得到的权重；

用熵权法计算权重是用m表示指标层中二级指标的个数，用n表示待评对象，则第g个对象的第p个指标是x_gp，当指标为正向指标是，归一化的公式如下：

式中，x'_gp表示x_gp归一化后的值；

再计算指标的熵和权：

先计算第g个对象的第p个指标的比重y_gp：

然后计算第p个指标的信息熵E_p：

再计算第p个指标的权重ω_pshang，权重ω_pshang即为熵权法计算得到的权重；

最后结合层次分析法计算得到的权重ω_iAHP和熵权法计算得到的权重ω_pshang，获得最后的综合指标权重：

式中：i＝p，w取0.5。

前述的互联网背景下供应链金融风险管理方法，所述质押物对数收益率的计算是获取质押物对应的期货价格，将期货的开盘价、收盘价、最高价和最低价的均值P_t进行对数处理，得到质押物对数收益率r_t：

r_t＝ln(P_t)-ln(P_t-1)；

式中：t表示时间。

前述的互联网背景下供应链金融风险管理方法，对质押物对数收益率利用GARCH模型进行拟合，是分别建立条件均值和条件方差方程：

r_t＝μ_t+ε_t；

式中：r_t表示第t日质押物对数收益率；μ_t表示质押物对数收益率的条件均值，μ_t＝β₁r_t-1，β₁是自回归系数；ε_t＝σ_tz_t是残差项，z_t为新生变量；

是第t日质押物对数收益率r_t的条件方差，a₀是常数项，a_r和b_s分别是前期残差项和前期条件方差的参数估计值，r表示GARCH模型一般表达式中的r个ARCH项；s表示GARCH模型一般表达式中的s个GARCH项；

在GARCH模型拟合过程中，当a_r＞0，,b_s＞0，且a_r+b_s＜1，则表示GARCH模型平稳，拟合完成。

前述的互联网背景下供应链金融风险管理方法，在GARCH模型拟合过程中，将新生变量zt的分布设定为均值为0，方差为1的正态分布，由于拟合过程中数据会出现尖峰厚尾状况，使用t-分布对质押物对数收益率的尖峰厚尾特征进行描述，其概率密度方程如下：

其中，Γ为伽马函数，v为自由度，当v趋近于无穷大时，t-分布趋近于正态分布。

前述的互联网背景下供应链金融风险管理方法，所述多种质押期下的在险价值VaR计算是根据长期条件方程计算方法对多种质押期下的在险价值VaR进行预测，则第k质押期的在险价值VaR表示为：

其中：P_t为开始预测的期初价格，

为置信水平α下的左尾分位数；e为自然常数；k表示质押期限；

；

式中：

表示向后k期的条件方差预测值，

前述的所述的互联网背景下供应链金融风险管理方法，所述质押率的计算如下：

式中：χ表示质押率。

与现有技术相比，本发明通过识别供应链金融风险，对其中的主要的信用风险和市场风险进行量化研究。在评估信用风险时，本发明通过构建中小企业信用评价指标体系，根据层次分析法和熵权法来计算指标权重，降低了权重计算的主观过度依赖性。在评估市场风险时，本发明根据供应链的质押物，对质押物对数收益率利用GARCH模型进行拟合，再计算多种质押期下的VaR值，利用VaR值得到具有动态预测性的质押率，对现有存货质押率设定模式进行了优化改进。本发明的指标体系的构建和综合权重的计算，能够为电商平台提供更优的融资决策参考；本发明质押率的设定能够根据质押物品种及质押期长短进行调整，从而更好地规避质物价格风险。本发明为电商平台优化自身风控体系、提高融资效率、促进线上供应链金融健康发展和完善银企合作机制提供了思路。

附图说明

图1是实施例中热轧板每日价格走势图；

图2是热轧板对数收益率正态性检验示意图；

图3是热轧板对数收益率相关图；

图4是热轧板对数收益率时序图；

图5是样本内对数收益率回测结果示意图。

具体实施方式

下面结合实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。

实施例：互联网背景下供应链金融风险管理方法，包括以下步骤：

步骤1、识别供应链金融风险，所述供应链金融风险包括信用风险和市场风险；在电商平台的放贷过程中，首先用户企业递交申请资料时都有可能存在伪造企业信息提交虚假资料的情况，妄图以此来提高自身的授信资质；或用户企业上传资料时利用电子商务平台可能存在的网络漏洞更改已有的公开信息，骗取更高的贷款额度；对于电子订单业务，用户企业可能联合上下游企业进行合同造假从而骗取不等的贷款金额，上述情况等均属于信用风险。对于电子仓单融资，贷款到期后融资企业无法履约，合作银行在处置变卖质押货物时因渠道受限等问题导致无法及时变现，或者由于市场波动导致质押货物价值下跌，从而造成损失，这在大宗商品中是普遍存在的市场风险。固本实施例通过识别供应链金融风险，对其中的主要的信用风险和市场风险进行后续的量化分析管理。本实施例以隶属于稳健发展的钢铁行业、销售流通性强及需求量大的大宗商品的中拓钢铁网作为案例，其电商平台近年来发展愈来愈佳，供应链金融服务也吸引了很多钢铁业中小企业用户，具有较多的融资业务。

步骤2、构建中小企业信用评价指标体系，根据层次分析法和熵权法计算指标权重，以此进行信用风险的评估；所述中小企业信用评价指标体系中设置有企业素质、营运能力、盈利能力、偿债能力、成长能力和平台交易历史共6个一级指标；如表1所示：

表1

所述企业素质的一级评价指标中包含有员工素质、企业规模、领导素质、管理水平和信息化水平共5个二级指标；企业素质是一个整体的概念，在分析企业素质时，不仅要分析企业各个部分的质量，也应注重各个要素之间的内部联系并进行有效整合。钢铁行业中的从业人员整体学历水平和专业素养层次不齐，是否拥有过硬的技术、高素质的指导和领导人员是评判一个公司能力的关键因素；中小企业的管理机制完善程度对其发展也有着至关重要的影响；信息化水平是指企业对信息技术的重视程度，是否能合理的借助信息技术对企业的生产、销售、采购等流程进行规范。以上都是定性指标，可以用程度数据进行定义。企业规模是指企业的整体运营情况，可以了解到企业的已有发展情况和已有资本，用ln(主营业务收入)表示。

所述营运能力的一级评价指标中包含有固定资产周转率、流动资产周转率、存货周转率和应收账款周转率共4个二级指标；营运能力是指企业根据自身拥有的各项资产进行生产、销售、经营获得收入的能力，是衡量企业能否正常稳健发展的重要指标，能力的度量通常由财务数据作为指标，本文综合固定资产周转能力、流动资产周转能力、存货周转能力和应收账款周转能力对企业的总体运营能力进行阐述，这四个指标均为正向指标，周转速度越快说明企业对经济资源管理、运用的效率越高。

所述盈利能力的一级评价指标中包含有资产报酬率和营业利润率共2个二级指标；盈利能力是企业经营活动的核心，是财务分析的关键，是评价企业规避风险能力的重要依据。营业利润率越高、资产报酬率越高意味着企业盈利能力越强。通过对该指标的数据分析，可以侧面反映出中小钢铁企业的管理水平的高低，进而体现其信用等级。

所述偿债能力的一级评价指标中包含有流动比率、速动比率和资产负债率共3个二级指标；偿债能力是评价财务风险的重要指标之一。通过该指标分析，可以及时发现企业财务中的问题，了解到企业中可变现资金的规模。一般情况下，偿债能力与长期债务偿还能力和短期债务偿还的能力并不一一对应，需要结合其他指标综合分析。例如短期偿债能力需要结合流动比率、速动比率和现金比率三个指标，长期偿债能力需要结合资产负债率、产权比率两个指标。

所述成长能力的一级评价指标中包含有利率增长率和总资产增长率共2个二级指标；企业成长能力是评估企业经营和发展水平的重要指标之一。该能力主要包括两个方面，一个是规模资源数量的增加情况，一个是企业的创新变革运营质量。本文从定量角度出发，选取利润增长率和总资产增长率两个指标来衡量企业成长能力。这两个指标数值越高，该企业成长能力越强，可增加投资可能性。

所述平台交易历史的一级评价指标中包含有交易异常情况、按期还款率和延期还款情况共3个二级指标，交易历史是电子商务平台拥有的关于融资企业的信用历史，这里分别包括交易异常数，按期还款率和延期还款情况。交易异常数是指该中小企业在电商平台以买方或卖方的身份进行线上交易的异常情况，包括双方交易情况，是否存在向平台申诉的低质量交易情况；按期还款率是指该企业在平台的历史还款次数中，按时还款的次数占总贷款次数的比例；延期还款情况主要是指融资企业历史拖欠还贷的时长，这里是指历史延期还贷时长的均值。若前来申请供应链融资的企业是首次享受服务，则默认其交易历史属于无不良记录，具体的评分标准由中拓钢铁网自身进行评判。

本发明用层次分析法进行权重计算是将中小企业信用评价作为目标层，将一级指标作为准则层，将二级指标作为指标层，然后将各层次的的指标元素进行反复的两两比较，其中，以一准则层B来说，其指标层共有m个指标，每次取出其中两个指标按照表2的Saaty标度发对其进行两两比较：

表2进而确定判断矩阵：

式中：F表示判断矩阵，f_ij表示第i个指标相对于第j个指标的重要程度，m表示指标层中二级指标的个数。

经过检验，该判断矩阵符合一致性要求。故计算出的判断矩阵的最大特征根对应的特征向量，将特征向量进行归一化处理得到权重ω_iAHP，权重ω_iAHP即为层次分析法计算得到的权重；

实施例中，对于表1中的一级指标，其判断矩阵如表3所示：

表3

再逐次对各一级指标下的二级指标进行重要比分处理，构建判断矩阵，求得判断矩阵的特征值和特征向量，计算出最大特征根并通过一致性检验后得到权重值，最终得到的主观权重赋值如表4所示：

表4

本发明用熵权法计算权重是同样根据表1搭建中小企业信用评价指标体系确定具体量化的变量，具体的，用m表示指标层中二级指标的个数，用n表示待评对象，则第g个对象的第p个指标是x_gp，当指标为正向指标是，归一化的公式如下：

式中，x′_gp表示x_gp归一化后的值；

再计算指标的熵和权：

先计算第g个对象的第p个指标的比重y_gp：

然后计算第p个指标的信息熵E_p：

再计算第p个指标的权重ω_pshang，权重ω_pshang即为熵权法计算得到的权重；

实施例中，熵权法计算权重如表5所示：

表5

最后结合层次分析法计算得到的权重ω_iAHP和熵权法计算得到的权重ω_pshang，获得最后的综合指标权重：

式中：i＝p，w取0.5。

实施例中，综合指标权重如表6所示：

表6

从上表中可以看出，指标层中重要性打分较高的两个指标分别是流动比率和速动比率，两者都是衡量企业短期偿债能力的重要指标，流动比率代表企业变现能力，速动比率代表即刻用来偿付到期债务的能力，由于供应链金融质押贷款周期一般不超过半年，所以衡量短期偿债能力相对重要。准则层中偿债能力在企业信用风险评估中占比第一，依次分别为营运能力、盈利能力、信用历史、成长能力和企业素质，说明中拓金融在发放融资时，首先应该关注中小企业的偿债情况，包括流动比率、速动比率和资产负债率等具体情况，其次是营运和盈利能力，电商平台应对融资公司的各项数据进行收集整理，根据平台本身设定的风险接受标准对公司的风险等级进行测度；平台交易历史也十分重要，融资企业在平台上包括异常交易情况、按期偿还率和延期还款情况在内的历史表现对公司整体信用水平影响较大；另外，成长能力与企业素质位居末位，一般钢铁行业中小企业整体管理水平和员工素质不算太高，差距不大，且供应链金融质物抵押贷款期限不长，成长能力与企业素质的重要性与其他几个相比较低。

步骤3、根据供应链的质押物，对质押物对数收益率利用GARCH模型进行拟合，再计算多种质押期下的在险价值VaR，再利用在险价值VaR得到具有动态预测性的质押率，以此进行市场风险的评价。

本发明中，所述质押物对数收益率的计算是获取质押物对应的期货价格，将期货的开盘价、收盘价、最高价和最低价的均值P_t进行对数处理，得到质押物对数收益率r_t：

r_t＝ln(P_t)-ln(P_t-1)；

式中：t表示时间。

实施例中以上海期货交易所热轧板期货每日交易数据作为数据初始研究对象，由于期货交易每日时刻价格波动较大，因此选取2017年1月3日至2020年12月31日共974天每日交易的收盘价、开盘价、最高值和最低值的平均价作为研究的每日价格P_t，如图1所示。

图1是热轧板期货每日价格的时序图，从图中可以看出，热轧板价格变化波动较大，观测期间内最高价格为4773.75元/吨，最低价格为2887.75/吨，标准差为313.1555，价格变化的走势不稳定，当其作为质押品时很有可能因为市场原因带来相应的风险。本发明将用每日价格对数差分得来的押物对数收益率r_t作为模型参数估计研究对象。

本发明对质押物对数收益率利用GARCH模型进行拟合，是分别建立条件均值和条件方差方程：

r_t＝μ_t+ε_t；

式中：r_t表示第t日质押物对数收益率；μ_t表示质押物对数收益率的条件均值，μ_t＝β₁r_t-1，β₁是自回归系数；ε_t＝σ_tz_t是残差项，z_t为新生变量；

是第t日质押物对数收益率r_t的条件方差，a₀是常数项，a_r和b_s分别是前期残差项和前期条件方差的参数估计值，r表示GARCH模型一般表达式中的r个ARCH项；s表示GARCH模型一般表达式中的s个GARCH项；

在GARCH模型拟合过程中，当a_r＞0，,b_s＞0，且a_r+b_s＜1，则表示GARCH模型平稳，拟合完成。

在GARCH模型拟合过程中，将新生变量z_t的分布设定为均值为0，方差为1的正态分布，由于拟合过程中数据会出现尖峰厚尾状况，使用t-分布对质押物对数收益率的尖峰厚尾特征进行描述，其概率密度方程如下：

其中，Γ为伽马函数，v为自由度，当v趋近于无穷大时，t-分布趋近于正态分布。

实施例中，GARCH模型拟合的前提条件就是样本数据必须是平稳的，否则会出现伪回归的情况。目前较为常用的序列平稳性检验的方法是ADF单位根检验，根据平稳性检验，热轧板对数收益率的t统计量值为-23.77287，比其对应三种不同的置信水平下的统计值要小，且p统计值为零，因此拒绝存在单位根的原假设，即该序列不存在单位根，认为序列是平稳的。

在确定序列的平稳性之后，接下来要进行GARCH模型拟合，首先检验热轧板对数收益率(即质押物对数收益率)是否服从正态分布，正态性检验如图2所示。正态性检验结果中，收益率序列的均值大小为0.000311，标准差为0.012108，偏度为-1.382839，小于0，说明该序列有较长的左拖尾现象。该序列的峰值为10.51661，显著大于正态分布的峰度值3，认为序列具有尖峰厚尾的特点。JB统计量值为2603.356，对应的P值为0，可以拒绝对数收益率服从正态分布的假设。

通过观察图3，在(偏)相关系数图作为均值模型定阶的基础上，结合R语言自动定阶结果和相应几个模型的测试，在通过参数检验后，利用AIC、BIC越小越优原则，最后计算热轧板对数收益率序列的均值方程为：

r_t＝C+β₁r_t-1+ε_t；

式中：c是常数项；

接下来进行ARCH效应检验，图4是收益率序列的时序图。根据图4可以大致浏览到它在时间跨度上的波动和走向，能够看出序列变化存在波动聚集性，初步认为具有ARCH效应。接下来对其进行ARCH效应检验，从而判定均值模型拟合后的残差信息是否已经被提取干净。本发明采用ARCH-LM检验法(原假设为ARCH模型里所有回归系数同时为零)进行检验，经检验热轧板的ARCH-LM检验的P值小于0.05，拒绝不存在ARCH效应的原假设，认为对数收益率波动具有波动聚集性。在假设其扰动项服从t分布以及收益率均值方程上对GARCH模型进行定阶拟合，利用AIC值最小准则，选取相应的模型作为序列的最佳拟合模型，具体拟合结果如表7下：

表7

从上述的模型模拟结果可以看出，所有参数均通过检验，p值小于0.05，热轧板收益率的条件均值方程及条件方差方程如下：

r_t＝0.001088+0.331672r_t-1-+ε_t；

；

其中a₁+b₁＝0.919809＜1，表明拟合的GARCH模型平稳。

经历模型拟合后，再次对其进行ARCH效应检验，结果中的P值均大于0.05，接受没有ARCH效应的原假设，说明GARCH模型拟合良好，已经消除了序列中的ARCH效应，残差序列的信息被全部提取。

进一步地，所述多种质押期下的在险价值VaR计算是根据长期条件方程计算方法对多种质押期下的在险价值VaR进行预测，则第k质押期的在险价值VaR表示为：

其中：P_t为开始预测的期初价格，

为置信水平α下的左尾分位数；e为自然常数；k表示质押期限；

；

式中：

表示向后k期的条件方差预测值，

实施例中，还对模型拟合效果进行检测，本发明使用VaR的Kupiec回测检验，以已有部分样本内数据为基础对样本内剩下数据运用模型进行对数收益率拟合，分别计算90％、95％和99％置信水平下向后预测一日对数收益率的VaR值，再与实际的一期VaR值做对比，看能否在5％的显著性水平下通过检验。原假设为模型准确率高，使用的统计量公式如下：

；

式中，p为异常值概率，N为异常值数量，T为检测样本数量，若检验p值小于显著性水平(本实施例取0.05)，则拒绝原假设，模型准确率不高。本发明从收益率序列第500个数据进行检验，即检验473个样本内数据，对数收益率拟合效果图和向后预测一期的VaR回测结果如8所示：

表8

图5中线2是每日对数收益率的拟合结果，线1是样本真实的历史走向。从图5和表8检验结果可以看到在90％、95％和99％置信水平下的一期VaR实际突破天数均与预期突破天数不等，但是Kupiec检验p值均大于设定的显著性水平0.05，不能拒绝原假设，即突破是合理的。说明基于GARCH模型在样本内预测的一期VaR值是有效的，也反向证明了AR(1)－GARCH(1,1)模型构建有效，检验通过，可以运用已有的模型对未来的每日对数收益率及多期VaR值进行预测。

最后，利用VaR预测值进行多种质押期下的质押率计算，理论上，将VaR预测值从存货质押品价值中减去就是中小企业所能获得的融资金额，但由于一些不可控因素的影响，此模型并不能考虑到百分百的价格变动风险，为了确保结果的准确性辅以修正参数，本发明加入了一个安全系数d，指定值为0.9，固质押率的计算如下：

式中：χ表示质押率。

实施例中已经证明依据历史数据构建的AR(1)-GARCH(1,1)的拟合效果良好，现在使用该模型对2021年1月1日开始的交易日的模型预测的变量值进行处理，以2020年12月31日的热轧板每日价格P_t作为预测初始价格，并进行长期质押期限下的VaR预测计算，得到相应的质押率。设一年有252个交易日，一周有5个交易日，一月有21个交易日，分别对1天、1周、1个月、3个月和6个月的质押期的结果进行计算，其结果如表9所示：

表9

由表9中各质押期内的风险价值预测值和质押率结果可知，随着质押期限的增加，VaR值也逐渐增加，表明可能损失风险随着未来质押期延长而递增，相应的质押率随之减少，意味着合作银行提供的融资额也会相应减少；随着置信水平的增加，对应质押期内的VaR同时增加，即在保证更高确定可能性下的最大损失额增加，随之的质押率就有所降低。不同于以往金融机构的质押率经验值安排法则，对质物历史数据进行多期收益率预测计算得来的质押率随着质押期限的长度不断变化，具有动态预测性，可以为中拓钢铁网的合作银行在针对不同质押物的不同贷款时长给予基于质押率的放贷金额，有效缓解因融资企业无法偿还贷款而变卖质押物带来的市场价格风险。

综上所述，本发明构建了新型的中小企业信用评价体系，然后使用层次分析法和熵权法主客观并用的方法对各个指标进行综合权重计算，该权重为该电商平台对于融资中小企业的信用评级提供了有力依据和基础。同时本发明对市场变动带来的质押物价格风险进行量化分析，并计算相应的质押率，不同于以往金融机构的经验值安排法则，这样的质押率随着质物种类、历史价格和质押时长的不同可以动态变化，更好地采集到金融质物风险信息，有效地降低电商平台和合作银行的市场风险，同时有效提升整体电商平台线上供应链金融运转质量，快速精准地为融资企业提供相应的贷款。

Claims (8)

1.互联网背景下供应链金融风险管理方法，其特征在于：包括以下步骤：

步骤1、识别供应链金融风险，所述供应链金融风险包括信用风险和市场风险；

步骤2、构建中小企业信用评价指标体系，根据层次分析法和熵权法计算指标权重，以此进行信用风险的评估；

步骤3、根据供应链的质押物，对质押物对数收益率利用GARCH模型进行拟合，再计算多种质押期下的在险价值VaR，再利用在险价值VaR得到具有动态预测性的质押率，以此进行市场风险的评价。

2.根据权利要求1所述的互联网背景下供应链金融风险管理方法，其特征在于：所述中小企业信用评价指标体系中设置有企业素质、营运能力、盈利能力、偿债能力、成长能力和平台交易历史共6个一级指标；所述企业素质的一级评价指标中包含有员工素质、企业规模、领导素质、管理水平和信息化水平共5个二级指标；所述营运能力的一级评价指标中包含有固定资产周转率、流动资产周转率、存货周转率和应收账款周转率共4个二级指标；所述盈利能力的一级评价指标中包含有资产报酬率和营业利润率共2个二级指标；所述偿债能力的一级评价指标中包含有流动比率、速动比率和资产负债率共3个二级指标；所述成长能力的一级评价指标中包含有利率增长率和总资产增长率共2个二级指标；所述平台交易历史的一级评价指标中包含有交易异常情况、按期还款率和延期还款情况共3个二级指标。

3.根据权利要求2所述的互联网背景下供应链金融风险管理方法，其特征在于：步骤2中，用层次分析法进行权重计算是将一级指标作为准则层，将二级指标作为指标层，然后将各层次的的指标元素进行反复的两两比较，进而确定判断矩阵：

式中：F表示判断矩阵，f_ij表示第i个指标相对于第j个指标的重要程度，m表示指标层中二级指标的个数；

计算出的判断矩阵的最大特征根对应的特征向量，将特征向量进行归一化处理得到权重ω_iAHP，权重ω_iAHP即为层次分析法计算得到的权重；

用熵权法计算权重是用m表示指标层中二级指标的个数，用n表示待评对象，则第g个对象的第p个指标是x_gp，当指标为正向指标是，归一化的公式如下：

式中，x′_gp表示x_gp归一化后的值；

再计算指标的熵和权：

先计算第g个对象的第p个指标的比重y_gp：

然后计算第p个指标的信息熵E_p：

再计算第p个指标的权重

权重

即为熵权法计算得到的权重；

最后结合层次分析法计算得到的权重ω_iAHP和熵权法计算得到的权重

获得最后的综合指标权重：

式中：i＝p，w取0.5。

4.根据权利要求1所述的互联网背景下供应链金融风险管理方法，其特征在于：所述质押物对数收益率的计算是获取质押物对应的期货价格，将期货的开盘价、收盘价、最高价和最低价的均值P_t进行对数处理，得到质押物对数收益率r_t：

r_t＝ln(P_t)-ln(P_{t_1})；

式中：t表示时间。

5.根据权利要求4所述的互联网背景下供应链金融风险管理方法，其特征在于：对质押物对数收益率利用GARCH模型进行拟合，是分别建立条件均值和条件方差方程：

r_t＝μ_t+ε_t；

式中：r_t表示第t日质押物对数收益率；μ_t表示质押物对数收益率的条件均值，μ_t＝β₁r_t-1，β₁是自回归系数；ε_t＝σ_tz_t是残差项，z_t为新生变量；

是第t日质押物对数收益率r_t的条件方差，a₀是常数项，a_r和b_s分别是前期残差项和前期条件方差的参数估计值，r表示GARCH模型一般表达式中的r个ARCH项；s表示GARCH模型一般表达式中的s个GARCH项；

在GARCH模型拟合过程中，当a_r＞0，,b_s＞0，且a_r+b_s＜1，则表示GARCH模型平稳，拟合完成。

6.根据权利要求5所述的互联网背景下供应链金融风险管理方法，其特征在于：在GARCH模型拟合过程中，将新生变量z_t的分布设定为均值为0，方差为1的正态分布，由于拟合过程中数据会出现尖峰厚尾状况，使用t-分布对质押物对数收益率的尖峰厚尾特征进行描述，其概率密度方程如下：

其中，Γ为伽马函数，v为自由度，当v趋近于无穷大时，t-分布趋近于正态分布。

7.根据权利要求5所述的互联网背景下供应链金融风险管理方法，其特征在于：所述多种质押期下的在险价值VaR计算是根据长期条件方程计算方法对多种质押期下的在险价值VaR进行预测，则第k质押期的在险价值VaR表示为：

其中：P_t为开始预测的期初价格，

为置信水平α下的左尾分位数；e为自然常数；k表示质押期限；

；

式中：

表示向后k期的条件方差预测值，

8.根据权利要求7所述的所述的互联网背景下供应链金融风险管理方法，其特征在于：所述质押率的计算如下：

式中：χ表示质押率。

Images