一种基于PSO优化加权随机森林算法的上市公司信用评级模型设计

发布时间：2022-11-01 17:51

　　研究目标:根据企业财务比率数据,将企业经营状况通过评级机构所公布的信用级别反映出来。研究方法:本文针对传统随机森林模型在投票机制中存在的弊端,通过改进指标选取、重要性排序及算法优化三个方面,创新性地将PSO算法运用于基于加权随机森林模型的企业信用评级中,并对2016年2840家中国上市企业的财务数据进行应用分析。研究发现:采用PSO优化加权随机森林模型的上市公司信用评级准确率有所提高;其评级准确率普遍优于传统的决策树、支持向量机和随机森林模型;制造业企业信用评级状况不佳,被标记为财务危险的企业占比较多。研究创新:在企业信用评级领域提出一种基于PSO优化加权随机森林模型。研究价值:为完善企业信用评级体系提供新思路。 

【文章页数】：18 页

【文章目录】：
一、问题提出
二、现有方法述评
三、方法的改进
    1.随机森林模型
        (1)泛化误差。
        (2)OOB估计。
        (3)特征变量的重要性估计。
    2.加权随机森林模型
    3.粒子群优化加权随机森林模型
        (1)粒子群优化算法原理。
        (2)粒子群优化加权随机森林。
四、方法的应用
    1.数据来源及处理
    2.指标体系构建
    3.特征指标选取
    4.基于加权随机森林模型的上市公司企业信用评级
        (1)决策树数目对加权随机森林算法的影响。
        (2)剪枝阈值对加权随机森林算法的影响。
        (3)预测试样本率对加权随机森林算法的影响。
    5.基于粒子群优化加权随机森林模型上市公司企业信用评级
        (1)优化加权随机森林模型评级效果。
        (2)特征选择对评级效果的影响。
    6.基于其他对比模型的上市公司企业信用评级
        (1)决策树。
        (2)支持向量机。
        (3)各模型实证分析结果比较。
五、方法应用需注意的事项


【参考文献】：
期刊论文
[1]中小企业信用评级模型研究——基于CAMEL框架[J]. 龙贞杰,王善康,孙浩.  系统科学学报. 2017(03)
[2]基于机器学习的信用评级展望研究——以发电企业为例[J]. 董申,王倩.  农村金融研究. 2017(03)
[3]基于模糊神经网络的小微企业信用评级研究[J]. 肖斌卿,杨旸,李心丹,李昊骅.  管理科学学报. 2016(11)
[4]基于随机森林-支持向量机的企业债主体信用评级研究[J]. 陈军飞,张强.  金融理论与实践. 2016(03)
[5]基于随机森林的保险客户利润贡献度研究[J]. 方匡南,吴见彬,谢邦昌.  数理统计与管理. 2014(06)
[6]基于logistic回归的我国上市公司信用评级模型研究[J]. 邹亚宝,梁红漫.  西南金融. 2013(03)
[7]基于Logistic模型的我国上市公司信用风险预警研究[J]. 邓晶,秦涛,黄珊.  金融理论与实践. 2013(02)
[8]电子商务环境下中小企业信用评价[J]. 李菁苗,吴吉义,章剑林,柯丽敏.  系统工程理论与实践. 2012(03)
[9]用于分类的随机森林和Bagging分类树比较[J]. 马景义,谢邦昌.  统计与信息论坛. 2010(10)
[10]基于节能减排的企业信用评价指标体系研究[J]. 李敏婷,褚义景.  武汉理工大学学报. 2010(04)

硕士论文
[1]基于人工神经网络的商业银行信用风险评估模型研究[D]. 翟万里.长沙理工大学 2013
[2]个人信用评分混合模型研究[D]. 王帅.华东师范大学 2010
[3]PSO-BP神经网络在商业银行信用风险评估中的应用研究[D]. 郭阳.厦门大学 2009



本文编号：3699830