基于SVM模型的企業(yè)信用風(fēng)險評估研究

鄭建國 李新

【摘 要】近年來，我國企業(yè)信用風(fēng)險上升。文章結(jié)合傳統(tǒng)的財務(wù)指標(biāo)，加入非財務(wù)指標(biāo)，以構(gòu)建更為全面的企業(yè)信用風(fēng)險評估指標(biāo)體系。以2015—2017年的A股上市公司為樣本，將PCA、SMOTE與通過網(wǎng)格搜索法進行參數(shù)尋優(yōu)后的SVM結(jié)合，構(gòu)建PCA-SMOTE-GS-SVM模型評估企業(yè)信用風(fēng)險，并對比其他模型，結(jié)果表明，所構(gòu)建模型具有較高的穩(wěn)定性和預(yù)測能力。

【關(guān)鍵詞】支撐向量機;企業(yè)信用風(fēng)險評估;PCA;SMOTE;網(wǎng)格搜索法

【中圖分類號】F832.4 【文獻標(biāo)識碼】A 【文章編號】1674-0688（2020）05-0220-03

1 概述

1.1 研究背景

目前，在經(jīng)濟增長放緩、生產(chǎn)能力下降、庫存減少、去杠桿化加劇等多種因素的影響下，我國信用貸款的風(fēng)險頻繁發(fā)生，不良貸款不斷增加，所以我國建立相對完善的銀行及其他金融機構(gòu)信用風(fēng)險評估體系刻不容緩。支持向量機（SVM）廣泛應(yīng)用于模型的分類和回歸中，在用于信用風(fēng)險評估中，可以實現(xiàn)將不良貸款與優(yōu)良貸款的主體進行分類。

1.2 國內(nèi)外研究綜述

從近幾年的研究來看，方匡南等人[1]將基于網(wǎng)絡(luò)結(jié)構(gòu)的Logit模型用于企業(yè)信用風(fēng)險評估中。蔣翠霞等人[2]基于 Lasso二元選擇分量回歸，建立了一個評價模型，并將其應(yīng)用于中國上市公司的信用評價中，結(jié)論表明所提模型較于Lasso-logit 模型和支持向量機等具有更好的評價效果和變量選擇能力。吳金旺等人[3]建立了Logistic模型以分析A商業(yè)銀行海量客戶信貸數(shù)據(jù)。肖會敏等人[4]將神經(jīng)網(wǎng)絡(luò)模型用于對P2P網(wǎng)絡(luò)借款人的信用評估研究。Guangrong Tong and Siwei Li[5]提出了lsomap-RVM模型，并用它來對中國上市公司信用進行評估。Ye Tian等人[6]提出一種新的模糊集和最先進的無內(nèi)核QSSVM模型用于信用風(fēng)險評估。趙亞等人[7]選取股東、企業(yè)誠信情況等構(gòu)建非財務(wù)指標(biāo)并進行研究。

2 企業(yè)信用風(fēng)險評估指標(biāo)體系的構(gòu)建

2.1 數(shù)據(jù)來源

本文數(shù)據(jù)來自國泰安金融數(shù)據(jù)庫，樣本選自2015—2017在A股上市的公司，根據(jù)證監(jiān)會對企業(yè)信用風(fēng)險的標(biāo)準(zhǔn)，ST的公司為信用差的公司，未被認定為信用好的公司。樣本數(shù)據(jù)總共有9 060條，因變量表示公司是否違約，賦值0和1，其中0表示良好企業(yè);1表示壞企業(yè)。

2.2 體系構(gòu)建

結(jié)合國內(nèi)外學(xué)者的研究，我們構(gòu)建了企業(yè)信用風(fēng)險評估指標(biāo)體系，其中財務(wù)指標(biāo)共17個，非財務(wù)指標(biāo)共4個（見表1）。

（1）財務(wù)指標(biāo)。償債能力是衡量企業(yè)的經(jīng)營狀況和財務(wù)能力的重要表現(xiàn);而現(xiàn)金流量可以判斷企業(yè)經(jīng)營狀況是否良好，是否有足夠的現(xiàn)金流進行周轉(zhuǎn);盈利能力可以看出企業(yè)是否可以創(chuàng)造價值;經(jīng)營能力衡量企業(yè)的經(jīng)營狀況，企業(yè)利用各種資源來經(jīng)營企業(yè);成長能力反映企業(yè)在生存的同時不斷擴大規(guī)模和發(fā)展實力。

（2）非財務(wù)指標(biāo)。通常，我們認為企業(yè)規(guī)模越大，說明企業(yè)承擔(dān)風(fēng)險的能力越強，更有資金還貸;管理者特征表明了企業(yè)的組織結(jié)構(gòu)，一個具備強大的組織者和領(lǐng)導(dǎo)人的企業(yè)更會長期穩(wěn)定地發(fā)展下去。

3 實證分析

3.1 主成分分析

通過計算可得特征值和方差累計貢獻率（見表2）。

根據(jù)表2，我們提取了10個主成分，且方差累計貢獻率74%。

3.2 實驗與模型效果對比

我們選取樣本的40%為測試集，將沒有經(jīng)過主成分分析降維和SMOTE平衡數(shù)據(jù)的Logistic模型與不同內(nèi)核函數(shù)的SVM模型進行對比試驗，其中s表示訓(xùn)練集，t表示測試集，最終分類效果見表3。

從表3中我們可以看出，不論是訓(xùn)練集還是測試集，每個模型的分類準(zhǔn)確率都很高，很大一部分原因是由于數(shù)據(jù)的不平衡導(dǎo)致的，因為即使將所有的樣本預(yù)測成0，即違約風(fēng)險低的企業(yè)，預(yù)測準(zhǔn)確率都有97%，所以我們不能根據(jù)準(zhǔn)確率進行判斷。同時，大部分模型的精準(zhǔn)率和召回率、F1_score指標(biāo)較低，說明正確判斷正類樣本效果不好，對比AUC指標(biāo)我們發(fā)現(xiàn)，SVM選擇徑向基核函數(shù)RBF的分類性能較其他內(nèi)核函數(shù)更好。所以，后面我們選擇內(nèi)核函數(shù)為RBF的SVM進行訓(xùn)練。

很明顯，不平衡數(shù)據(jù)和特征抽取之后的模型對企業(yè)信用風(fēng)險進行評估的效果不好，于是我們先做主成分分析，然后用SMOTE算法過采樣平衡樣本，對比模型進行實驗，分類評價指標(biāo)見表4。

我們從表4中可以看出，進行主成分降維和平衡數(shù)據(jù)之后，分類評價指標(biāo)相較于之前大部分都提高了，并且可以看出PCA-SMOTE-SVM模型比PCA-SMOTE-Logistic模型具備更好的分類性能，訓(xùn)練集和測試集各個指標(biāo)都高5%左右，說明分類器的效果較好。

支持向量機模型具有兩個非常重要的參數(shù)，即C和gamma。C表示懲罰系數(shù)，C越小，模型越容易欠擬合，反之，就會過擬合。gamma是內(nèi)核函數(shù)的參數(shù)，gamma越大，支持向量越少，反之越多。我們采用傳網(wǎng)格搜索法尋求最優(yōu)的參數(shù)組合，以達到模型更優(yōu)的預(yù)測效果。設(shè)置5折交叉驗證的網(wǎng)格參數(shù)尋優(yōu)，最后得到最優(yōu)參數(shù)：C=1 000，gamma=1，此時的最優(yōu)性能為0.948。最后各個分類指標(biāo)都上升且很高，AUC值高達97%，準(zhǔn)確率高達95%，表明所提模型的分類效果很好。

4 結(jié)論和不足

為了研究企業(yè)的信用風(fēng)險評估問題，構(gòu)建了具有21個指標(biāo)的企業(yè)信用風(fēng)險評價指標(biāo)體系，選取2015—2017年3年A股上市公司為樣本，構(gòu)建了PCA-SMOTE-GS-SVM模型，并進行對比實驗，所提模型的分類評價指標(biāo)較高，研究的不足之處有以下兩點：①對于參數(shù)尋優(yōu)，文章僅僅采用網(wǎng)格搜索法尋找最優(yōu)參數(shù)，可以尋找最佳分類模型。②本文所提模型，只適用于二分類信用風(fēng)險分級的樣本，可以嘗試對企業(yè)信用風(fēng)險評估進行多分類的研究。

參 考 文 獻

[1]方匡南，范新妍，馬雙鴿.基于網(wǎng)絡(luò)結(jié)構(gòu)Logistic模型的企業(yè)信用風(fēng)險預(yù)警[J].統(tǒng)計研究，2016，33（4）：50-55.

[2]蔣翠俠，黃韻華，許啟發(fā).基于Lasso二元選擇分位數(shù)回歸的上市公司信用評估[J].系統(tǒng)工程，2017，35（2）：16-24.

[3]吳金旺，顧洲一.基于非平衡樣本的商業(yè)銀行客戶信用風(fēng)險評估——以A銀行為例[J].金融理論與實踐，2018（7）：51-57.

[4]肖會敏，侯宇，崔春生.基于BP神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸借款人信用評估[J].運籌與管理，2018，27（9）：112-118.

[5]Tong Guangrong，Li Siwei.Construction and App-lication Research of Isomap-RVM Credit AssessmentModel[J].Mathematical Problems In Engineering，2015（9）：1135-1143.

[6]Tian Ye，Sun，Miao，Deng Zhibin.A New Fuzzy Set and Nonkernel SVM Approach for Mislabeled Binary Classification With Applications[J].IEEE Tra-nsactions On Fuzzy Systems，2017（10）：1536-1545.

[7]趙亞，李田，苑澤明.基于隨機森林的企業(yè)信用風(fēng)險評估模型研究[J].財會通訊，2017（29）：110-114，129.