导读:本文包含了信用风险预测论文开题报告文献综述及选题提纲参考文献，主要关键词:大数据背景,信用风险,预测技术
信用风险预测论文文献综述
张颖[1]（2019）在《大数据背景下银行信用风险预测技术研究》一文中研究指出大数据背景下银行信用风险的预测变得更加复杂,从银行管理者的角度来讲,如何在大数据背景下进行信用风险预测成为管理者亟需解决的问题。本文首先简单介绍了银行信用风险,然后分析了对银行进行信用风险预测的必要性,通过运用XGBoost算法这一机器学习语言来预测银行信用风险,从而提高银行风险预测的准确性,对银行的风险管理起到一定的借鉴意义。(本文来源于《东方企业文化》期刊2019年S1期）
崔佳妮[2]（2019）在《CART算法在我国债券市场信用风险预测中的应用》一文中研究指出近几年我国债券市场迅猛发展,债务融资主体的融资手段、融资渠道及融资条款不断拓展及推陈出新,使债券市场的债务类型更加的多样化,债务主体更加广泛化。随着宏观经济形势调整和债券余额增速不断创下新高,债券违约风险也在不断的累积。自2014年债券刚性兑付打破以来,债券违约事件频发,2018年债券违约量创新高。因此有效预测债券信用风险对于当前金融风险防范具有重要的理论与实践意义。随着数据挖掘,人工智能等计算机技术日益成熟,并成功地应用到了各个领域,对于各投资机构来讲,通过数据挖掘技术,将机器学习应用到债券市场信用风险预测领域,以获得高效、持续、稳定、健康发展是十分必要的。本文根据财务管理及数据挖掘理论的知识,探讨了如何运用CART树算法构建信用风险预测模型。本文通过CART算法得出的特征因子结构,较好解释债券市场问题企业近几年的风险特征,同时给出了相对可靠的识别结果。在运用多模型预测对比中,CART树模型整体准确率表现较好,但召回率相对逻辑回归及神经网络两种算法表现略有不足。不过,在特征分析中,CART树算法可以清晰提供企业问题所在,分析成果可以协助投资者快速把握风险特征,在债券风险预测实践中具有一定的参考意义。(本文来源于《对外经济贸易大学》期刊2019-05-01）
蒋柳[3]（2019）在《基于Cox模型的供应链金融信用风险预测研究》一文中研究指出中小企业融资困境、银行利差收窄、大型企业供应链关系维稳、物流企业寻求新的利润增长点,以上种种合力促使供应链金融在我国实现快速发展,未来供应链金融行业资金与业务能力融合,多元市场参与者合作加深,市场空间巨大。但以银行为主的金融机构创新的供应链金融业务本质上属于企业授信方式的创新,所以对其进行信用风险预警研究显得尤为重要。首先,本文梳理了供应链金融研究现状及Cox模型应用于信用风险研究现状。阐释了供应链金融的保兑仓、融通仓和应收账款等叁种常用融资模式,界定了信用风险并分析了信用风险影响因素,为构建评价指标提供了基础。分析诸多供应链金融信用风险评估方法,并介绍了本文采用的生存分析方法及Cox比例风险模型理论部分,阐述了模型的适用性。其次,以融资企业和供应链关系为中心,利用我国中小企业板制造业上市公司为样本数据来源,从中小企业偿债能力、盈利能力、营运能力、成长能力、现金流量能力以及供应链关系六个方面构建供应链金融信用风险预警研究指标体系,初步选取27个财务指标,对选取的指标进行标准化处理后进一步进行显着性检验以及多重共线检验,最终筛选了10个有代表性的指标进行建模分析。随后,本文基于上述的处理构建了Cox比例风险模型,囿于样本数量较小,最终流动比率、销售净利率和总资产现金回收率叁个指标进入模型,且均为保护因素,与实际意义相符。最后,根据回归模型的估计结果,分别利用建模样本和预测样本对模型的预测精度进行检验,综合准确率分别为74.28%和76.66%,模型整体预测效果较好。本文的研究有助于中小企业动态地掌握信用风险水平,减少信用违约风险,为供应链正常运作提供参考。(本文来源于《南华大学》期刊2019-05-01）
孙琦[4]（2019）在《基于卷积神经网络的中小企业信用风险预测模型研究》一文中研究指出中小企业的发展在促进我国经济增长方面发挥了关键作用。然而,尽管得到了政府的大力扶持,中小企业的发展仍然存在一系列的问题,其中,融资困难是限制我国中小企业发展的主要难题之一。中小企业的融资困难,源自于金融机构和银行缺乏对于中小企业的信用预测方法,导致金融机构因无法掌握中小企业信用风险状况而采取了少贷,拒贷等保守措施。因此,运用科学的方法客观准确地预测中小企业的信用风险情况,对中小企业的发展,甚至于我国国民经济的持续稳定增长,都具有重要意义。首先,在梳理分析国内外企业信用风险预测模型的基础上,本文对比分析了不同类型预测模型的适用性,发现已有的各种模型受制于中小企业信用风险数据难以获取这一客观条件,其适用性受到限制,而可以根据数据情况进行自适应和自学习的卷积神经网络方法更适用于我国中小企业信用风险研究;然后,本文根据指标体系建立的基本原则,并针对中小企业的企业运行数据特征,构建了信用风险预测指标体系,该指标体系既包括了财务指标,也包括了非财务指标,因此相较传统方法能够更为全面、综合的反映信用风险状况,并运用统计方法对指标数据进行分析筛选,以确定神经网络的输入变量;接下来,本文为了克服传统信用预测方法在数据适应性方面的不足,选取了GoogleNet神经网络方法构建信用风险预测模型。本文介绍了基于GoogleNet神经网络结构进行网络设计和训练提升的过程,并说明了如何应用预处理和Dropout正则化等方法解决神经网络运行过程中的诸多问题;最后,通过理论与实证分析,在介绍了中小企业信用风险数据特征的基础上,运用TensorFlow深度学习框架,使用Python语言进行编程,输入相关定性和定量数据,经过网络自适应学习得到样本公司的信用风险状况。为了验证该模型判别正常公司与风险公司的准确性,本文将该模型与几种典型风险预测模型的计算结果进行对比,验证了该模型的理论意义和实用价值。本文的贡献在于,对比分析了不同类型中小企业信用风险预测模型,并优化了指标体系,运用卷积神经网络方法构建了具有数据特点针对性的信用风险预测模型,通过运用wind数据库中的沪深中小企业板块实际运行数据和实际风险情况数据进行验证,证明其具有面对不同类型数据的强自适应能力,较强的可操作性和较高的预测精度。本研究在如何对中小企业进行信用风险预测方面做出了一次有益的探索,给出了一套量化分析的办法,丰富了中小企业信用风险预测这一研究领域,具有相当的理论和实践意义。(本文来源于《北京交通大学》期刊2019-05-01）
张丽霞[5]（2019）在《基于机器学习算法的网络借贷信用风险预测模型研究》一文中研究指出从最初的银行贷款到现在的P2P网络借贷,不得不承认互联网金融不仅改变着传统借贷行业,更在颠覆着人们的生活.金融行业遇上互联网+的时代,P2P网络借贷可以说是大有可为.网络借贷就是在这种大环境下应运而生的,它为交易双方(即借款方和投资方)提供了一个交易平台,它根据借款方所提供的基本信息和借款信息去评估借款方的信用程度,从而评估借款人在未来会不会违约.在本文中,将这种由于借款方违约所带来的的风险称为信用风险.本文通过对借款人的个人基本信息和借款信息进行分析建模,预测借款人在未来是否会发生违约情况.本文运用决策树,随机森林,支持向量机叁种方法分别对标的状态进行预测,通过预测的准确性度量指标来比较叁种方法的预测效果.实证分析表明:随机森林算法在进行预测时效果最好,且该方法可以根据其变量重要程度选取出需要重点关注的变量。(本文来源于《兰州大学》期刊2019-04-01）
昌黎[6]（2019）在《互联网信贷信用风险预测研究——基于XGBoost算法》一文中研究指出近年来,随着经济社会发展,互联网信贷行业呈现井喷式的扩大,如何正确有效的对客户的信贷风险进行预测成为企业关注的重点。XGBoost算法是一种高效准确的分类算法,文中将XGBoost算法应用于申请贷款用户的信用风险预测中,从而实现了准确预测用户贷后行为,为互联网信贷信用风险预测提供了一种有效的方法。(本文来源于《现代商业》期刊2019年08期）
张亚琴[7]（2019）在《基于集成学习的信用风险预测研究》一文中研究指出消费信贷是金融机构为满足消费者对商品、服务的消费需求所提供的贷款服务并要求用户按期偿还的一种信贷活动。随着互联网金融的快速发展,信用风险也是众多金融机构面临的主要问题。信用风险是指银行向用户提供金融服务后用户不履行到期债务的风险,信用风险一直是银行贷款决策中主要研究的领域。本文主要研究集成学习算法在信用风险预测中的应用。文章介绍了简单机器学习算法:KNN、朴素贝叶斯、Logistic回归、决策树;集成学习算法:GBDT、XGboost、随机森林这叁种以决策树作为基学习器和以随机森林作为基学习器的GBM,以及常用的评价模型性能的指标。在实证分析中,本文先对特征进行了哑元化处理;然后采用简单的机器学习算法对数据进行拟合,使用查准率、查全率和AUC等模型评估指标选出最优的模型喑喑决策树;最后将决策树作为基学习器进行进一步的集成学习。我们发现GBM的拟合效果最好,随机森林的效果次之,从而为金融机构贷款业务的授信审批提供了参考依据。目前国内关于梯度提升机(GBM)的应用主要集中在交通和行人检测、电子商务、异常检测等方面,在其他领域的应用比较少,尤其是以随机森林为基学习器的梯度提升机的应用就更少了。本文的创新之处是将GBM引入到信用风险的预测当中,使用了以随机森林为基学习器的GBM,并将查准率和查全率作为模型评估的指标。(本文来源于《兰州大学》期刊2019-03-01）
刘厚钦[8]（2019）在《机器学习算法信用风险预测模型》一文中研究指出由于近年来我国经济的急速飞腾,银行业务蓬勃发展。信贷业务是银行的主流业务之一,但是如何评价借款人的信用风险已经成为当今互联网金融行业的热门课题之一,日益受到人们的注意。自2013年我国征信系统启动以来,信贷业务的主动风险控制一直是我国金融领域研究的热门话题之一。其本质为将客户准确的划分为信誉客户以及非信誉客户。而随着当代计算机业务的迅猛发展,机器学习算法逐渐在金融领域得到普及以及应用,结合机器学习算法中的GBDT算法,利用银行客户的基本信息、流水记录、用户检测信息以及用户检测量表等相关数据,进行综合评定。最后结合算法给出实例进行相关分析。(本文来源于《微型电脑应用》期刊2019年02期）
崔玉征[9]（2019）在《运用刚性数据和机器学习方法探讨债券市场信用风险预测》一文中研究指出大数据、人工智能技术的运用为企业信用风险预测提供了新的视角。本文通过爬虫程序抓取全市场约9000家企业的司法诉讼信息、招聘信息、法人和核心团队工商变更记录等无法粉饰的刚性数据,并采用机器学习等人工智能方法,开发出违约概率预测模型,可对企业违约概率做出前瞻性预测,从而实现对企业信用风险更早的预警。(本文来源于《债券》期刊2019年01期）
李佳,黄之豪[10]（2018）在《银行信用风险预测——基于SVM和BP神经网络的比较研究》一文中研究指出本文使用支持向量机和BP神经网络两种人工智能方法对2015-2016年间我国144家沪深两市上市公司进行研究,考察人工智能方法在商业银行构建信用风险预测模型中的作用。研究结果表明:SVM模型和BP神经网络模型都具有良好的预测能力,SVM模型在性能和预测精度上略优于BP神经网络模型。(本文来源于《上海立信会计金融学院学报》期刊2018年06期）
信用风险预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
近几年我国债券市场迅猛发展,债务融资主体的融资手段、融资渠道及融资条款不断拓展及推陈出新,使债券市场的债务类型更加的多样化,债务主体更加广泛化。随着宏观经济形势调整和债券余额增速不断创下新高,债券违约风险也在不断的累积。自2014年债券刚性兑付打破以来,债券违约事件频发,2018年债券违约量创新高。因此有效预测债券信用风险对于当前金融风险防范具有重要的理论与实践意义。随着数据挖掘,人工智能等计算机技术日益成熟,并成功地应用到了各个领域,对于各投资机构来讲,通过数据挖掘技术,将机器学习应用到债券市场信用风险预测领域,以获得高效、持续、稳定、健康发展是十分必要的。本文根据财务管理及数据挖掘理论的知识,探讨了如何运用CART树算法构建信用风险预测模型。本文通过CART算法得出的特征因子结构,较好解释债券市场问题企业近几年的风险特征,同时给出了相对可靠的识别结果。在运用多模型预测对比中,CART树模型整体准确率表现较好,但召回率相对逻辑回归及神经网络两种算法表现略有不足。不过,在特征分析中,CART树算法可以清晰提供企业问题所在,分析成果可以协助投资者快速把握风险特征,在债券风险预测实践中具有一定的参考意义。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
信用风险预测论文参考文献
[1].张颖.大数据背景下银行信用风险预测技术研究[J].东方企业文化.2019
[2].崔佳妮.CART算法在我国债券市场信用风险预测中的应用[D].对外经济贸易大学.2019
[3].蒋柳.基于Cox模型的供应链金融信用风险预测研究[D].南华大学.2019
[4].孙琦.基于卷积神经网络的中小企业信用风险预测模型研究[D].北京交通大学.2019
[5].张丽霞.基于机器学习算法的网络借贷信用风险预测模型研究[D].兰州大学.2019
[6].昌黎.互联网信贷信用风险预测研究——基于XGBoost算法[J].现代商业.2019
[7].张亚琴.基于集成学习的信用风险预测研究[D].兰州大学.2019
[8].刘厚钦.机器学习算法信用风险预测模型[J].微型电脑应用.2019
[9].崔玉征.运用刚性数据和机器学习方法探讨债券市场信用风险预测[J].债券.2019
[10].李佳,黄之豪.银行信用风险预测——基于SVM和BP神经网络的比较研究[J].上海立信会计金融学院学报.2018