企业风险评价论文范文：浅析基于数据挖掘技术的上市公司信用风险评估

1、中国学术期刊网企业风险评价论文范文:浅析基于数据挖掘技术的上市公司信用风险评估【摘要】近年来，数据挖掘方法被广泛应用于金融、经济领域，在信用风险方面也受到越来越多的重视。本文尝试将数据挖掘方法引入 信用风险预测问题中，全面比较决策树、神经网络和支持向量机算法 在上市公司信息风险预测问题上的优劣，以期为我国上市公司信用风 险预测起到参考作用。【关键词】 数据挖掘 信用风险 决策树 支持向量机一、引言我国上市公司是整个国民经济整体的一个有机组成部分，甚至可以说是整个国民经济的核心所在。至 2008 年底,沪深两市的股票总市 值在缩水 62.9%的情况下仍达到 12.13 万亿占 GDP 的 48.

2、6%。从这 些数据可以看出，上市公司在我国经济中占有主体地位，因此，上市公司的优劣存亡将关系到整个国民经济的发展。然而，我国上市公司所积累的信用风险已经非常巨大，在深交所的诚信档案里仅主板市场就 列出了 20 页的违规通报批评和处分决定。就国有企业而言，信用危机 依然存在，突出的表现就是恶意拖欠逃债现象。企业信用风险状况直 接关系到我国金融市场的健康发展和国民经济的持续稳定。可见，对上市公司信用风险的管理是非常必要和迫在眉睫的，而上市公司信用风险评估模型的建立是防范信用风险的重要手段。因此，研究上市公司信用风险评估这一课题，已经成为我国目前经济生活中亟待解决的 一个重要问题。中国学术期刊网目前

3、许多定量技术和支持工具、软件已付诸商业应用，继传统的比例分析之后，统计方法得到了广泛的应用，如判别分析和 Logistic 回 归等。信用等级评估是通过对企业或个人的某些单一财务指标进行加 权平均确定的，该方法最大的缺陷在于指标和加权值的确定带有很大 的主观性，使得评估结果和实际状况有很大的出入。因此，需要引入科学方法来确定有效评估指标，并建立准确的定量模型来解决信用等级 评估的问题。近年来，信息技术得到了迅速发展，如数据挖掘技术等能 从海量数据中智能发现有用的规则和知识，再加上我国上市公司信息披露制度的不断完善，使得我们的研究能够得到的数据资料也不断的 增多,这些有利条件的出现使得我们对基于

4、数据挖掘的上市公司信用 风险评估模型的研究有了数据基础和技术基础。二、基于数据挖掘的信用风险评估模型比较综述1、决策树决策树方法于 20 世纪 60 年代起源于对概念学习建模；20 世纪 70 年代后期 Quinlan 发明用信息增益作为启发策略的 ID3 算法,从样本中 学习构造专家系统；1993 年 Quinlan 在 ID3 算法基础上研究出了改进 的决策树归纳包（C4.5）,这是目前被普遍采用的数据分类方法。其思想 是一个类似于流程图的树结构，其中每个内部结点表示在一个属性熵 的测试，每个分支代表一个测试输出，而每个树叶节点代表类或类分 布。决策树通过把实例从根节点排列到某个叶子节点来

5、分类实例，叶子节点即为实例所属的分类，树上每个节点说明了对实例的某个属性 的测试，节点的每个后继分支对应于该属性的一个可能值。决策树分中国学术期刊网类模型之所以被广泛应用于信用风险评估，主要是因为决策树具有以下优点：(1)与神经网络或贝叶斯分类等其他分类模型相比，决策树的分类原理简单易懂，很容易被使用人员理解和接受。在决策树分类过 程中，一般不需要人为设定参数，更适合于知识发现的要求；(2)决策树 的学习算法具有建立速度快、计算量相对不是很大、可以处理连续值 和离散值属性；(3)决策树能使用信息原理对大量样本的属性进行信息 量分析，计算各属性的信息量，找出反映类别的重要属性(可以清晰的 显示哪

6、些属性对分类比较重要)；(4)决策树分类方法与其他分类模型 相比，易于生成可理解的规则。决策树方法对记录数越大的数据库，它 的效果越明显，这就是它显著的优点。研究表明，一般情况下，树越小则树的预测能力越强。 要构造尽可 能小的决策树，关键在于选择恰当属性。而属性选择依赖于各种对例 子子集的不纯度度量方法。其中，基于数据挖掘中决策树 C4.5 算法的 分析框架建立的上市公司信用风险评估模型，对数据分布无任何要求, 应用于上市公司信用风险评估的效果比较好，因此具有良好的发展前景,值得我们深入研究。2、神经网络BP 网是面向映射变换的神经网络中应用最广泛的一种，其结构如 图1 所示。典型的 BP 网有三个层次：输入层、隐含层和输出层，相邻