互联网供应链金融信用风险评价的研究 ——以京东金融汽车行业为例
发布时间：2021-09-15 20:07
传统的金融行业都在向着互联网模式下的新形态发展,催生出一批新的互联网金融企业,同时带来了新型的互联网金融产品。基于互联网的供应链金融产品在我国尚处在快速发展阶段,互联网金融企业纷纷推出自己的供应链金融产品。互联网供应链金融产品风险的度量和防范也需要与时俱进,需要根据新产品的特点对于传统的供应链金融风险评估方法进行变化。本文主要研究是互联网供应链金融信用风险评估,建立包括融资企业信用状况、核心企业资信状况、供应链关系状况和互联网平台的情况的信用风险评估指标体系,运用Logistic回归、BP神经网络和机器学习的方法建立信用风险评估模型。基于京东金融和汽车行业案例的数据和资料,建立传统供应链金融信用风险评价不能实现的针对互联网供应链金融的信用风险评价指标体系。本文的实证部分通过将新建立的基于互联网的供应链金融信用风险评价指标体系与传统供应链金融信用风险评价指标体系进行实证检验对比,并且分别使用Logistic模型、BP模型和SVM模型得出的分析结果,通过MATLAB程序得到的结果可以看出,基于互联网供应链金融的信用风险评价指标体系与SVM模型结合起来的分析效果最好。在两种指标体系的对比中,...
【文章来源】：上海师范大学上海市
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
结构风险最小化示意图
图 5.2 线性可分情况下的最优分类超平面型的基本思想可以通过图 5.2 中的二维情况来解释。在写为 = ，对它进行归一化，使得对线性可分的( ) ， ( )， =1,2,…,n 类间隔等于 2/ ，因此，使间隔最大意味着将 最最小化 的超平面称为最优分类超平面，建立介质为支持向量机。使用拉格朗日优化，可以在不等式约束下题，并求得最优的解。最优分类函数为 ( ) = § ￠ ( ) = ( ) 对应于每个样本的拉格朗日乘数，表示只有一些（通常对应的样本是支持向量。 称为分类阈值，通过求解两对值来获得该解。假设样本集不能线性分离，则将松弛项，成为
37图 5.3 SVM 模型训练集样本的实际分类和预测分类图（取某一次训练过程）由图 5.3 可以看出，SVM 模型的预测分类结果和实际分类情况对比的情况，图中纵坐标轴是类别标签，在 SVM 模型的分类结果中，只有分为 1 和 0 两类，因此只有 1 和 0 这两条线上才有样本点。在图 5.3 中，蓝色的圈圈代表的是实际的分类情况，而红色星型实心点代表的是 SVM 模型的预测分类点。经过训练集训练之后
【参考文献】：
期刊论文
[1]互联网+供应链金融与传统供应链金融比较研究[J]. 赵惠. 现代管理科学. 2017(12)
[2]互联网对供应链金融的影响及发展趋势研究[J]. 许淑琴,邱晖. 会计之友. 2017(19)
[3]我国商业银行供应链金融的风险管理研究[J]. 杨妍懿. 科技经济市场. 2017(08)
[4]商业银行供应链金融的风险及防范——基于交易对手信用风险的视角[J]. 王一鸣,宁叶,周天,金秀旭. 金融理论与实践. 2017(08)
[5]供应链金融的演进与互联网供应链金融:一个理论框架[J]. 宋华,陈思洁. 中国人民大学学报. 2016(05)
[6]产业金融创新:从跨界到无界——互联网+供应链金融生态报告[J]. 赵昕. 学术交流. 2016(06)
[7]供应链金融理论综述与研究展望[J]. 雷蕾,史金召. 华东经济管理. 2014(06)
[8]商业银行供应链金融现状与发展趋势分析[J]. 唐时达. 农村金融研究. 2014(05)
[9]互联网金融冲击下我国商业银行供应链金融业务发展现状分析[J]. 赵燕. 经济研究导刊. 2014(11)
[10]互联网供应链金融的识别及概念构建[J]. 袁昌劲. 北方经贸. 2014(03)
硕士论文
[1]商业银行供应链金融业务中信用风险管理问题研究[D]. 方天.首都经济贸易大学 2018
[2]我国商业银行供应链金融业务项目风险管理研究[D]. 张媛.青岛大学 2017
[3]供应链金融风险控制研究[D]. 范堃.中国海洋大学 2013
[4]供应链金融违约风险评估及防范[D]. 张志浩.东华大学 2013
[5]供应链金融中企业组合信用风险度量问题研究[D]. 王苗雯.上海师范大学 2012
本文编号：3396724
【文章来源】：上海师范大学上海市
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
结构风险最小化示意图
图 5.2 线性可分情况下的最优分类超平面型的基本思想可以通过图 5.2 中的二维情况来解释。在写为 = ，对它进行归一化，使得对线性可分的( ) ， ( )， =1,2,…,n 类间隔等于 2/ ，因此，使间隔最大意味着将 最最小化 的超平面称为最优分类超平面，建立介质为支持向量机。使用拉格朗日优化，可以在不等式约束下题，并求得最优的解。最优分类函数为 ( ) = § ￠ ( ) = ( ) 对应于每个样本的拉格朗日乘数，表示只有一些（通常对应的样本是支持向量。 称为分类阈值，通过求解两对值来获得该解。假设样本集不能线性分离，则将松弛项，成为
37图 5.3 SVM 模型训练集样本的实际分类和预测分类图（取某一次训练过程）由图 5.3 可以看出，SVM 模型的预测分类结果和实际分类情况对比的情况，图中纵坐标轴是类别标签，在 SVM 模型的分类结果中，只有分为 1 和 0 两类，因此只有 1 和 0 这两条线上才有样本点。在图 5.3 中，蓝色的圈圈代表的是实际的分类情况，而红色星型实心点代表的是 SVM 模型的预测分类点。经过训练集训练之后
【参考文献】：
期刊论文
[1]互联网+供应链金融与传统供应链金融比较研究[J]. 赵惠. 现代管理科学. 2017(12)
[2]互联网对供应链金融的影响及发展趋势研究[J]. 许淑琴,邱晖. 会计之友. 2017(19)
[3]我国商业银行供应链金融的风险管理研究[J]. 杨妍懿. 科技经济市场. 2017(08)
[4]商业银行供应链金融的风险及防范——基于交易对手信用风险的视角[J]. 王一鸣,宁叶,周天,金秀旭. 金融理论与实践. 2017(08)
[5]供应链金融的演进与互联网供应链金融:一个理论框架[J]. 宋华,陈思洁. 中国人民大学学报. 2016(05)
[6]产业金融创新:从跨界到无界——互联网+供应链金融生态报告[J]. 赵昕. 学术交流. 2016(06)
[7]供应链金融理论综述与研究展望[J]. 雷蕾,史金召. 华东经济管理. 2014(06)
[8]商业银行供应链金融现状与发展趋势分析[J]. 唐时达. 农村金融研究. 2014(05)
[9]互联网金融冲击下我国商业银行供应链金融业务发展现状分析[J]. 赵燕. 经济研究导刊. 2014(11)
[10]互联网供应链金融的识别及概念构建[J]. 袁昌劲. 北方经贸. 2014(03)
硕士论文
[1]商业银行供应链金融业务中信用风险管理问题研究[D]. 方天.首都经济贸易大学 2018
[2]我国商业银行供应链金融业务项目风险管理研究[D]. 张媛.青岛大学 2017
[3]供应链金融风险控制研究[D]. 范堃.中国海洋大学 2013
[4]供应链金融违约风险评估及防范[D]. 张志浩.东华大学 2013
[5]供应链金融中企业组合信用风险度量问题研究[D]. 王苗雯.上海师范大学 2012
本文编号：3396724
本文链接：https://www.wllwen.com/qiyeguanlilunwen/3396724.html
