【正文】 參考文獻(xiàn)[1].張目,[J].運(yùn)籌與管理,2011,06:226231.[2].張鴻,[J].上海海事大學(xué)學(xué)報,2007,03:6468.[3].于超,王璐,吳瓊,[J].東北師大學(xué)報(自然科學(xué)版),2013,03:6268.[4].[J].商,2015,45:180181.[5].陽維,[J].杭州電子科技大學(xué)學(xué)報,2005,06:4447.[6].[D].天津財經(jīng)大學(xué),2012.[7].楊龍光,[J].統(tǒng)計與決策,2016,03:1316.[8].[J].統(tǒng)計與決策,2016,07:178182.[9].廖衛(wèi),王如龍,[J].物流科技,2013,10:7982.[10].盧欣雪,[J].世界經(jīng)濟(jì)與政治論壇,2012,04:165172.[11].[D].廈門大學(xué),2002.[12].[D].西安電子科技大學(xué),2012.[13].[D].西安電子科技大學(xué),2010.[14].[D].山東大學(xué),2009.[15].[D].東華大學(xué),2014.[16].[D].黑龍江八一農(nóng)墾大學(xué),2009.。信用評級工作需要以科學(xué)的評級理論為基礎(chǔ)，同時也需要經(jīng)驗豐富的評級人員。 相關(guān)法律的完善一方面能夠促進(jìn)信用評級業(yè)發(fā)展，為投資者提供決策依據(jù)，另一方面規(guī)范評級程序和行業(yè)準(zhǔn)則，實現(xiàn)評級結(jié)果的客觀性、公正性和科學(xué)性。我國信用評級發(fā)展時間尚短，缺乏對違約概率的統(tǒng)計數(shù)據(jù)，但建立違約概率數(shù)據(jù)庫是我國評級機(jī)構(gòu)發(fā)展的必經(jīng)之路。 。不同的行業(yè)，企業(yè)發(fā)展?fàn)顩r可能會存在較大大的差異，因此對所有企業(yè)采取“一刀切”的評級方法，既不科學(xué)，也不合理。鑒于構(gòu)建指標(biāo)體系和確定指標(biāo)權(quán)重是決定企業(yè)信用評分高低的關(guān)鍵因素，建議在構(gòu)建指標(biāo)體系及確定指標(biāo)權(quán)重時，一定要考慮全面，做到指標(biāo)體系以及權(quán)重的科學(xué)性和合理性。因此有必要在制度上保證企業(yè)必須向評級機(jī)構(gòu)提供真實的財務(wù)數(shù)據(jù)，使評級結(jié)果建立在一個真實可靠的基礎(chǔ)上。 通過對企業(yè)信用評級方法的研究，本文對目前我國企業(yè)信用評級工作提出以下建議: ，確保信息披露的真實性。 國際信用評級業(yè)的發(fā)展已有百年歷史，逐步形成了一套較為完善的評級體系，并在現(xiàn)代化的金融市場中發(fā)揮著重要作用。同時，監(jiān)管部門應(yīng)當(dāng)積極參與到商業(yè)銀行內(nèi)部信用評級體系開發(fā)建設(shè)的活動中，培養(yǎng)優(yōu)秀的管理人才，提供可靠的指導(dǎo)意見，引導(dǎo)我國的信用風(fēng)險評價體系能夠積極、健康地發(fā)展。信用評級是保證金融市場合理運(yùn)轉(zhuǎn)的重要方面，通過對企業(yè)信用風(fēng)險的評估和防范，降低經(jīng)營風(fēng)險，保證金融體系能夠健康、高速發(fā)展。因此，應(yīng)結(jié)合我國商業(yè)銀行貸款業(yè)務(wù)的特點(diǎn)和風(fēng)險管理的現(xiàn)狀，充分考慮我國改革利率市場化、金融衍生品發(fā)展緩慢、風(fēng)險意識薄弱等特殊因素，在已有模型的基礎(chǔ)上修正和完善，建立適合我國的信用風(fēng)險評估模型，促進(jìn)經(jīng)濟(jì)的快速發(fā)展。當(dāng)然，目前我國的信用評價體系不完善，先進(jìn)的銀行內(nèi)部風(fēng)險度量模型可能不適用于我國的國情，先進(jìn)模型是否能準(zhǔn)確地反映我國企業(yè)的信用風(fēng)險等級有待進(jìn)一步研究。為了提高我國商業(yè)銀行的全球競爭力，全面貫徹巴塞爾協(xié)議ⅲ的重要思想，構(gòu)建中國特色的信用風(fēng)險管理系統(tǒng)，迎接全球經(jīng)濟(jì)一體化的重大挑戰(zhàn)，商業(yè)銀行必須建立自己的信用風(fēng)險評價體系。充分利用現(xiàn)代化信息系統(tǒng)，學(xué)習(xí)國外先進(jìn)的數(shù)據(jù)管理技術(shù)，為信用風(fēng)險數(shù)據(jù)庫的建立提供技術(shù)支持。我國應(yīng)當(dāng)注重企業(yè)信貸交易資料的統(tǒng)計，通過資產(chǎn)負(fù)債、經(jīng)營能力、現(xiàn)金流等財務(wù)指標(biāo)和其他非財務(wù)指標(biāo)統(tǒng)計信息，同時考慮宏觀經(jīng)濟(jì)、行業(yè)特點(diǎn)、競爭壓力、管理能力、資產(chǎn)結(jié)構(gòu)等多個方面評價企業(yè)的信用等級。
改進(jìn)措施 （1）建立完善的基礎(chǔ)數(shù)據(jù)庫。由于我國的商業(yè)銀行對信用風(fēng)險管理的探索只有十幾年，統(tǒng)計數(shù)據(jù)較少，很難對企業(yè)信用進(jìn)行全面、系統(tǒng)的評價。 （3）缺乏完備的數(shù)據(jù)庫。目前，商業(yè)銀行尚未意識到信用風(fēng)險度量模型的重要性。因此，只有建立健全宏觀的金融監(jiān)管框架，完善系統(tǒng)性風(fēng)險的防范體系，增強(qiáng)資本流動性，才能為提高專業(yè)技術(shù)水平提供有利條件。當(dāng)前，我國商業(yè)銀行對風(fēng)險種類、來源和防范問題研究分散，缺乏完備的理論體系和深入的模型研究，沒有建立完善的信用風(fēng)險管理制度。第三章 現(xiàn)代模型在中國應(yīng)用的缺陷性及改進(jìn)措施在國外,以在險價值為基礎(chǔ)的credit metrics模型應(yīng)用廣泛, metrics模型,與我國特殊的經(jīng)濟(jì)發(fā)展境密切相關(guān)。（2）credit risk+模型只適用于線性模型，對于復(fù)雜的期權(quán)定價和外匯互換等非線性模型并不適用。credit risk+模型在分析問題時，只需處理集中風(fēng)險問題，且只考慮違約發(fā)生一次的概率，簡化了分析過程，節(jié)約人力、物力。credit risk+模型優(yōu)勢：credit risk+模型最大的特點(diǎn)是容易實現(xiàn)。然而，如何獲取宏觀經(jīng)濟(jì)發(fā)展的可靠歷史數(shù)據(jù)，并準(zhǔn)確地反映到單個企業(yè)的信用評價中，是一個需要進(jìn)一步研究的問題。credit portfolio view模型優(yōu)勢：充分考慮了全球經(jīng)濟(jì)、國家宏觀經(jīng)濟(jì)、行業(yè)發(fā)展在企業(yè)中的作用，打破了用企業(yè)歷史違約率的平均值測算企業(yè)違約率的模式。（3）建立模型的基礎(chǔ)是企業(yè)的資產(chǎn)價值服從正態(tài)分布，嚴(yán)格的數(shù)據(jù)要求和現(xiàn)實數(shù)據(jù)的實際分布有一定的區(qū)別，影響了credit metrics模型模擬結(jié)果的準(zhǔn)確度。模型假設(shè)無風(fēng)險利率是固定值，因此市場風(fēng)險對于投資組合的市場價值沒有影響。credit metrics模型不足之處：（1）模型中違約率的計算值是企業(yè)過去年份違約率的算術(shù)平均值，考慮到了宏觀環(huán)境對于違約率的影響，但在不同的經(jīng)濟(jì)發(fā)展階段，違約率應(yīng)賦予不同的權(quán)重，這一點(diǎn)需要進(jìn)一步研究。 credit metrics模型優(yōu)勢：該模型具有普遍適用性，計算方法簡單易操作，也是最早應(yīng)用于投資組合的信用風(fēng)險管理的模型。最后該模型只考慮了一些簡單的指標(biāo)（股權(quán)價值、波動率等），忽略了企業(yè)資歷、抵押品等反映企業(yè)復(fù)雜特征的指標(biāo)，降低了預(yù)測結(jié)果的準(zhǔn)確度。kmv模型缺點(diǎn)：kmv模型預(yù)測企業(yè)預(yù)期違約概率，是建立在資產(chǎn)回報服從正態(tài)分布的基礎(chǔ)上的，而現(xiàn)實中，企業(yè)的資產(chǎn)回報很難滿足正態(tài)分布的條件。（2）kmv模型在merton期權(quán)定價模型的基礎(chǔ)上考慮了紅利支付、違約提前發(fā)生等可能性，對于企業(yè)負(fù)債變動的情況也能計算其違約率，擴(kuò)大了merton模型的適用范圍。kmv模型的優(yōu)勢：（1）在計算股票回報率的關(guān)聯(lián)矩陣時，運(yùn)用企業(yè)、國家和行業(yè)、全球三層經(jīng)濟(jì)指標(biāo)建立多因子模型，綜合考慮了企業(yè)微觀發(fā)展、國家宏觀環(huán)境和全球發(fā)展因素。：（1）；（2）采用一邊構(gòu)造決策樹，一邊進(jìn)行評價的方法，使決策樹的結(jié)構(gòu)調(diào)整、性能改善較困難；（3）僅考慮決策樹的錯誤率，未考慮樹的節(jié)點(diǎn)、深度，而樹的結(jié)點(diǎn)個數(shù)代表了樹的規(guī)模，樹的平均深度對應(yīng)著決策樹的預(yù)測速度；（4）對屬性值分組時逐個探索，沒有一種使用啟發(fā)式搜索的機(jī)制，分組效率較低:第五，是將結(jié)果樹逆時針旋轉(zhuǎn)90度，以文本形式輸出，很不直觀。（7）。Step4：根據(jù)構(gòu)造的決策樹提取分類規(guī)則，對新的數(shù)據(jù)集進(jìn)行分類。 Step2：計算每個屬性的信息增益和信息增益比，將具有最高信息增益比的屬性作為給定集合的測試屬性，同時創(chuàng)建一個節(jié)點(diǎn)，并以該屬性標(biāo)記，對屬性的每個值創(chuàng)建分枝，并據(jù)此劃分樣本。 ：Step 1:對原始數(shù)據(jù)進(jìn)行預(yù)處理，若有連續(xù)型的屬性變量，則對其進(jìn)行離散化處理，本身為離散型的屬性變量則不進(jìn)行處理。只將變元的前維（即和）映射到高維空間，而保持變元的后維不變；通過這樣的可進(jìn)一步定義核函數(shù)：，被分解為兩個核函數(shù)之和，前一項為特征向量的前維的核，后一項為后維的線性核。由于是非線性映射，存在這樣的問題：對等級為的樣本有，但對于一般的核函數(shù)并不一定保證，從而得不到所需的分級規(guī)則。這種情況下，核表示方式提供了一條解決途徑, 即將數(shù)據(jù)映射到高維空間來增加線性學(xué)習(xí)器的計算能力。而當(dāng)此二類問題不是線性可分時 ,則可考慮使用核分類器——支持向量機(jī)求解。任何線性分類方法都可用于解此二類問題。上述方法也稱為內(nèi)置空間法。不失一般性，令（通過增加偏置項可使此假設(shè)滿足， 即點(diǎn)到的算術(shù)距離為），則原分級問題等同于：在維空間中學(xué)習(xí)得到分類器，使得且。 圖 5 分級示意圖等級為的樣本數(shù)據(jù)點(diǎn)滿足： （11）而等級為的樣本數(shù)據(jù)點(diǎn)還同時滿足： （12）式11，12反映了等級之間的有序關(guān)系。圖5 是分級示意圖：點(diǎn)到的距離被映射到一維空間，閾值，假設(shè)在特征空間中存在這樣的“坐標(biāo)”軸：特征空間中的點(diǎn)投影到該“坐標(biāo)”軸的相對位置代表該點(diǎn)的等級。在形式上,等級與多類問題中的類別相似，但不同的是：此等級代表該樣本的信用程度( 或優(yōu)先級)。BP神經(jīng)網(wǎng)絡(luò)具有傳統(tǒng)方法所具有的優(yōu)點(diǎn)：，無協(xié)方差相等，先驗概率已知等要求；，對樣本容量無具體約束；,避免指標(biāo)權(quán)值確定中的人為主觀因素, ,神經(jīng)網(wǎng)絡(luò)也具有一些不足，如：(1)網(wǎng)絡(luò)不穩(wěn)定，訓(xùn)練樣本的仿真準(zhǔn)確率很高，但對測試樣本的仿真準(zhǔn)確率會降低；(2)解釋性差，網(wǎng)絡(luò)最終確定后，每個神經(jīng)元的權(quán)值和閾值雖然已知，但不能很好地分析各個指標(biāo)對結(jié)果的影響程度，對現(xiàn)實問題中的經(jīng)營管理也就不能起到很好的借鑒作用；(3)網(wǎng)絡(luò)的輸入個數(shù)與隱層節(jié)點(diǎn)個數(shù)的確定沒有理論指導(dǎo)，BP神經(jīng)網(wǎng)絡(luò)具有很大的優(yōu)越性，在信用評級應(yīng)用方面具有非常重要的意義，但在實際應(yīng)用中還存在一些問題，需要進(jìn)一步研究和改進(jìn)。:在某些情況下，網(wǎng)絡(luò)訓(xùn)練過程中對權(quán)值的修改實際上是幾乎停頓了。權(quán)值初始化輸入樣本依次計算隱層，輸出層各神經(jīng)元的輸出，計算實際輸出y和目標(biāo)輸出d的均方誤差EE是否滿足要求按權(quán)值修正公式修正各層的權(quán)值和閾值 結(jié)束YN圖 4 BP算法步驟神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)訓(xùn)練過程中存在以下一些需要考慮的問題：：Rumelhart等人60在1986年曾以微分方程為例，說明僅當(dāng)網(wǎng)絡(luò)權(quán)值調(diào)整步長無限小時，且時間是相當(dāng)長的。對于輸入層到隱層的權(quán)值修正量為式中。式中，為學(xué)習(xí)率。對進(jìn)行1階泰勒展開，得 式中，表示在時得梯度矢量。假設(shè) 1個 3層的 BP 網(wǎng)，輸入矢量為，隱層有個神經(jīng)元，輸出矢量；輸出層有個神經(jīng)元，輸出矢量，輸入層到隱層的權(quán)值為，閾值為，隱層到輸出層的權(quán)值為，閾值為，則各層神經(jīng)元輸出為設(shè)1個樣本的期望輸出為，則均方誤差為：網(wǎng)絡(luò)權(quán)值和閾值學(xué)習(xí)的目標(biāo)是使均方誤差最小化。ＢＰ神經(jīng)網(wǎng)的優(yōu)化算法如圖3所示。：適應(yīng)度函數(shù)值決定了遺傳算法對于染色體的生存能力評價結(jié)果，染色體的適應(yīng)度函數(shù)值越大越容易被選中進(jìn)行遺傳操作，輸出層神經(jīng)元實際輸出值與期望輸出值的誤差平方和越小，說明ＢＰ神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確度越高。因此本文選擇了通過浮點(diǎn)數(shù)編碼方式對染色體編碼。而優(yōu)化選取網(wǎng)絡(luò)初始化參數(shù)，還可以減少閾值和權(quán)重值的訓(xùn)練次數(shù)，提高網(wǎng)絡(luò)的收斂速度。利用遺傳算法對ＢＰ神經(jīng)網(wǎng)絡(luò)進(jìn)行全局優(yōu)化的方法：使用遺傳算法優(yōu)化ＢＰ神經(jīng)網(wǎng)絡(luò)的神經(jīng)元之間初始閾值和連接權(quán)重值，然后應(yīng)用ＢＰ算法按照負(fù)梯度方向修正神經(jīng)元之間的閾值和連接權(quán)重值并進(jìn)行網(wǎng)絡(luò)訓(xùn)練。遺傳算法用編碼空間的方式來看待問題空間，用編碼群體作為進(jìn)化的基礎(chǔ)，用適應(yīng)度函數(shù)作為評價的依據(jù)，對于整個群體中的個體位串進(jìn)行選擇、交叉和變異等模擬生物進(jìn)化的操作，完成一次迭代過程．在多次迭代之后，種群中個體的進(jìn)化將會完成，最終得到了最優(yōu)解。指標(biāo)的權(quán)重不是在評價過程中伴隨產(chǎn)生的，這樣人為定權(quán)具有較大的靈活性，一定程度上反映了指標(biāo)本身對被評價對象的重要程度，但人的主觀性較大，與客觀實際可能會有偏差。另一方面，如果評價因素考慮的不夠充分，有可能影響評價結(jié)果的區(qū)分度。模糊綜合評判方法的缺點(diǎn)：，不能解決評判因素間的相關(guān)性所造成的因素信息重復(fù)的問題。但是權(quán)重調(diào)整后往往會破壞同一被評價對象的不同評價結(jié)果間的可比性。這種定權(quán)方法適用性較強(qiáng)。(估價權(quán)重是從評價者的角度認(rèn)定各評價因素重要程度如何而定的權(quán)重)，因此是可以調(diào)整的。它既可用于主觀因素的綜合評價，又可用于客觀因素的綜合評價。但是，如果將復(fù)雜系統(tǒng)分層，則每個層次內(nèi)的指標(biāo)將變少，指標(biāo)對被評價對象的隸屬度和重要程度會較容易確定。在從各指標(biāo)對被評價對象的重要程度出發(fā)確定權(quán)重時，通常把整個評價體系的權(quán)重看成一個整體。所以本身在信息的質(zhì)和量上都具有優(yōu)越性。（2） 模型 2 該模型中“”是普通乘法，”是取大運(yùn)算，于是（3） 模型 3 該模型中“”表示“上限1求和”即：在該模型下， 記號表示對個數(shù)在運(yùn)算下求和，因此上式又可寫為： （4） 模型 4 該模型中“”表示普通加法，“”表示普通乘法，即 其中模糊綜合評判方法的優(yōu)點(diǎn)：，提供的評級信息比其它方法豐富。這里二級模糊綜合評判的單因素評價矩陣為: 則二級模糊綜合評判集為： 用框圖來表示上述兩級合成過程如圖2所示如下：RB1B2Bp圖 2 模糊合成算子的選擇對于模糊合成算子，人們根據(jù)實際需要提出了多種評判模型，他們都是一種合成方式，每一種模型對應(yīng)一種算法。一級模糊綜合評判僅是指標(biāo)層次綜合評價的結(jié)果，它只是對準(zhǔn)則層的單因素評價。 模糊綜合評判1. 一級模糊綜合評判:一級模糊綜合評判集為: 上式中代表準(zhǔn)則層權(quán)重向量，代表指標(biāo)層評判矩陣，“”是模糊算子。且滿足。 尋找因素集中各元素對評語集中各元素的隸屬關(guān)系，單個因素構(gòu)成一個模