基于机器学习的信用评级展望研究——以发电企业为例

被引：3

作者：

董申 ^{[1
]}

王倩 ^{[2
]}

机构：

[1] 中国农业银行大客户部

[2] 中国农业银行信用审批部

来源：

农村金融研究 | 2017年 / 03期

关键词：

发电企业; 决策树; 解释变量; 判定树; 决策方法; 信用评级; 机器学习; 学习(人工智能); 神经网络; 计算机网络;

D O I：

10.16127/j.cnki.issn1003-1812.2017.03.010

中图分类号：

F426.61 [];

学科分类号：

020205 ; 0202 ;

摘要：

信用评级展望是对信用评级变化趋势的预估。目前主流评级机构给出的评级展望主要来自专家主观判断,且准确率较低。论文以225个发电企业为样本,使用Logistic回归、决策树集成、支持向量机、神经网络等多种机器学习手段,尝试建立分类算法,最终选取BP神经网络得出了评级展望模型。

引用

页码：41 / 46

页数：6

共 7 条

[1]

Variations in sovereign credit quality assessments across rating agencies[J] . Paula Hill,Robert Brooks,Robert Faff. &nbspJournal of Banking and Finance . 2009 (6)

[2]

Rating Dynamics of Fallen Angels and Their Speculative Grade-Rated Peers:Static vs.Dynamic Approach. DANG H. Handbook of Financial Econometrics and Statistics . 2015

[3] 评级展望及评级观察的含义与使用 [J].

李丹 ;

伦杭 ;

聂逆 ;

宿夏荻 .

债券, 2013, (11) :75-79

[4]

Regularization and variable selection via the elastic net[J] . HuiZou,TrevorHastie. &nbspJournal of the Royal Statistical Society: Series B (Statistical Methodology) . 2005 (2)

[5]

RUSBoost: A Hybrid Approach to Alleviating Class Imbalance. C. Seiffert,T. M. Khoshgoftaar,J. Van Hulse,A. Napolitano. IEEE Transactions on Systems Man and Cybernetics . 2010

[6]

Effects of watches,outlooks,and previous rating actions on rating transitions and default rates. GUPTA V,METZ A. https://www.moodys.com,Aug . 2011

[7] 基于二元Logistic模型的国内上市企业信用评级展望的影响因素研究 [J].

邹蕾 ;

叶华平 .

特区经济, 2007, (05) :128-129

← 1 →