基于违约状态鉴别的农户小额贷款信用评级模型研究
发布时间：2021-06-27 17:31
信用评级问题是衡量债务人是否能够按时还本付息,本质是“违约状态鉴别能力”,用于识别债务人的违约风险。信用风险衡量的准确性对于整个社会经济影响至关重要,2008年的金融危机就是因为信用风险管理失误引起的。相反,好的信用风险识别体系,则会帮助银行减少大量损失。我国是农业大国,但农村地区金融市场的不健全严重制约着农村经济发展。农民一般为了生产又存在较大资金需求,但农户缺乏抵押物等特点导致了其贷款难问题。因此构建一套合理的农户小额贷款信用评级体系成为解决农户贷款难问题的关键。本文以某全国性商业银行涵盖28个省份的农户小额贷款数据为样本,以“违约状态鉴别能力最大”为核心,以“信用评级指标的遴选→增量式信用评分模型的构建→信用等级的划分”这一逻辑主线,对农户小额贷款的信用评级进行三部分研究:一是信用评级的指标遴选,考虑指标之间相互影响后的整体违约鉴别力,而非单个指标的违约鉴别力,根据违约状态判别力最大为准则构建指标体系。二是增量式信用评分方程的构建,根据旧数据构建初始信用评分方程之后,当新增数据达到后,可以不再使用旧数据,仅利用初始信用评分方程中的关键参数和新增数据,更新信用评分方程。三是信用等级...
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：165 页
【学位级别】：博士
【部分图文】：
图１．２技术路线??Ｆｉｇ．?１．２?Ｔｈｅ?ｔｅｃｈｎｉｃａｌ?ｌｉｎｅ??？?１６－??
ＲＯＣ图中的４５度对角线表示违约状态的判断正确率等于非违约的判断错误率，表??示没有区分能力。当将样本判断为违约的正确率远大于将样本判断为非违约的错误率、??即ＲＯＣ曲线在对角线之上如图２．２所示时，表明对违约与否的区分效果较好。??Ｒ０Ｃ曲线以下的面积大小，如图２．２阴影部分所示，记为ＡＵＣ（ａｒｅａ?ｕｎｄｅｒ?ｃｕｒｖｅ），??－３５－??
本文样本数据来自于我国某全国性大型商业银行总行的农户小额贷款的信贷系统??数据库［１３７】，共有２０４４笔农户小额贷款数据。２０４４个样本包括１８１６个非违约农户、２２８??个违约农户，违约比例为１１．１５％，具体样本比例如图２．５所示。??２０００?－?？数Ｓ?■比例??１５００?？??１０００?；??－ｎｎ?：?２２８??０?：??非违约?违约??图２．５农户小额贷款样本的违约比例??Ｆｉｇ．２．５?Ｔｈｅ?ｄｅｆａｕｌｔ?ｐｒｏｐｏｒｔｉｏｎ?ｏｆ?ｆａｒｍｅｒ＇ｓ?ｍｉｃｒｏｆｍａｎｃｅ?ｓａｍｐｌｅｓ??图２．６中可知，本文贷款样本涉及上海、浙江、江苏、吉林、内蒙、新疆等２８个城??市。其中江苏、浙江、黑龙江地区的农户贷款样本数占据前３。??表２．５中第１列可知，贷款样本均是１年内的短期贷款。全部贷款样本的贷款期限，??最短的是２８天个月，最长是２７４天个月，多数是１２０天左右个月。??表２．５中第２列可知，全部贷款样本的贷款年利率，最低的贷款利率是１２．３０％，最??－４１?－??
【参考文献】：
期刊论文
[1]基于随机森林的加权特征选择算法[J]. 徐少成,李东喜. 统计与决策. 2018(18)
[2]基于违约状态判别的小企业债信评级[J]. 孟斌,迟国泰. 系统工程学报. 2018(04)
[3]AUCRF算法在信用风险评价中的特征选择研究[J]. 刘忻梅,唐俊,段翀. 计算机应用与软件. 2018(04)
[4]基于SVM的高维不平衡数据集分类算法[J]. 赵小强,张露. 南京大学学报(自然科学). 2018(02)
[5]基于粒子群协同优化算法的供应链金融信用风险评价模型[J]. 刘颖,张丽娟,韩亚男,庞丽艳,王帅. 吉林大学学报(理学版). 2018(01)
[6]基于信用差异度最大的信用等级划分优化方法[J]. 赵志冲,迟国泰,潘明道. 系统工程理论与实践. 2017(10)
[7]农户小额贷款违约影响因素研究[J]. 张润驰,杜亚斌,荆伟,孙明明. 西北农林科技大学学报(社会科学版). 2017(03)
[8]基于改进Adaboost的信用评价方法[J]. 蒋翠清,梁坤,丁勇,段锐. 运筹与管理. 2017(02)
[9]基于Probit回归的小企业债信评级模型及实证[J]. 迟国泰,张亚京,石宝峰. 管理科学学报. 2016(06)
[10]信用评估中的特征选择方法研究[J]. 熊志斌. 数量经济技术经济研究. 2016(01)
博士论文
[1]基于极端学习机的分类方法研究[D]. 张晶.大连理工大学 2016
[2]基于支持向量机的农户信用评价研究[D]. 程鑫.山西财经大学 2015
[3]基于违约金字塔原理的小企业信用评级模型研究[D]. 石宝峰.大连理工大学 2014
硕士论文
[1]基于粒子群优化算法的特征选择方法研究[D]. 刘星.南京大学 2015
[2]基于增量支持向量机的商业银行信贷决策动态建模研究[D]. 黄青华.浙江师范大学 2012
本文编号：3253288
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：165 页
【学位级别】：博士
【部分图文】：
图１．２技术路线??Ｆｉｇ．?１．２?Ｔｈｅ?ｔｅｃｈｎｉｃａｌ?ｌｉｎｅ??？?１６－??
ＲＯＣ图中的４５度对角线表示违约状态的判断正确率等于非违约的判断错误率，表??示没有区分能力。当将样本判断为违约的正确率远大于将样本判断为非违约的错误率、??即ＲＯＣ曲线在对角线之上如图２．２所示时，表明对违约与否的区分效果较好。??Ｒ０Ｃ曲线以下的面积大小，如图２．２阴影部分所示，记为ＡＵＣ（ａｒｅａ?ｕｎｄｅｒ?ｃｕｒｖｅ），??－３５－??
本文样本数据来自于我国某全国性大型商业银行总行的农户小额贷款的信贷系统??数据库［１３７】，共有２０４４笔农户小额贷款数据。２０４４个样本包括１８１６个非违约农户、２２８??个违约农户，违约比例为１１．１５％，具体样本比例如图２．５所示。??２０００?－?？数Ｓ?■比例??１５００?？??１０００?；??－ｎｎ?：?２２８??０?：??非违约?违约??图２．５农户小额贷款样本的违约比例??Ｆｉｇ．２．５?Ｔｈｅ?ｄｅｆａｕｌｔ?ｐｒｏｐｏｒｔｉｏｎ?ｏｆ?ｆａｒｍｅｒ＇ｓ?ｍｉｃｒｏｆｍａｎｃｅ?ｓａｍｐｌｅｓ??图２．６中可知，本文贷款样本涉及上海、浙江、江苏、吉林、内蒙、新疆等２８个城??市。其中江苏、浙江、黑龙江地区的农户贷款样本数占据前３。??表２．５中第１列可知，贷款样本均是１年内的短期贷款。全部贷款样本的贷款期限，??最短的是２８天个月，最长是２７４天个月，多数是１２０天左右个月。??表２．５中第２列可知，全部贷款样本的贷款年利率，最低的贷款利率是１２．３０％，最??－４１?－??
【参考文献】：
期刊论文
[1]基于随机森林的加权特征选择算法[J]. 徐少成,李东喜. 统计与决策. 2018(18)
[2]基于违约状态判别的小企业债信评级[J]. 孟斌,迟国泰. 系统工程学报. 2018(04)
[3]AUCRF算法在信用风险评价中的特征选择研究[J]. 刘忻梅,唐俊,段翀. 计算机应用与软件. 2018(04)
[4]基于SVM的高维不平衡数据集分类算法[J]. 赵小强,张露. 南京大学学报(自然科学). 2018(02)
[5]基于粒子群协同优化算法的供应链金融信用风险评价模型[J]. 刘颖,张丽娟,韩亚男,庞丽艳,王帅. 吉林大学学报(理学版). 2018(01)
[6]基于信用差异度最大的信用等级划分优化方法[J]. 赵志冲,迟国泰,潘明道. 系统工程理论与实践. 2017(10)
[7]农户小额贷款违约影响因素研究[J]. 张润驰,杜亚斌,荆伟,孙明明. 西北农林科技大学学报(社会科学版). 2017(03)
[8]基于改进Adaboost的信用评价方法[J]. 蒋翠清,梁坤,丁勇,段锐. 运筹与管理. 2017(02)
[9]基于Probit回归的小企业债信评级模型及实证[J]. 迟国泰,张亚京,石宝峰. 管理科学学报. 2016(06)
[10]信用评估中的特征选择方法研究[J]. 熊志斌. 数量经济技术经济研究. 2016(01)
博士论文
[1]基于极端学习机的分类方法研究[D]. 张晶.大连理工大学 2016
[2]基于支持向量机的农户信用评价研究[D]. 程鑫.山西财经大学 2015
[3]基于违约金字塔原理的小企业信用评级模型研究[D]. 石宝峰.大连理工大学 2014
硕士论文
[1]基于粒子群优化算法的特征选择方法研究[D]. 刘星.南京大学 2015
[2]基于增量支持向量机的商业银行信贷决策动态建模研究[D]. 黄青华.浙江师范大学 2012
本文编号：3253288
本文链接：https://www.wllwen.com/jingjilunwen/touziyanjiulunwen/3253288.html
最近更新
教材专著
