论文部分内容阅读
小企业在我国的经济发展和创造就业方面发挥着至关重要的作用。目前我国中小企业占企业总数的99%以上,吸纳了全社会75%的就业人员。但是,当下我国小企业获得银行信贷占比仍然较低,获得金融机构支持的力度与其在经济发展中的地位不相称,贷款难已经成为制约我国小企业发展的瓶颈。确切地说,由于小企业财务信息不健全、缺乏必要的抵质押物等原因,致使金融机构很难准确度量小企业的信用风险,小企业贷款难问题依然存在。因此,本文借助人工智能机器学习技术,构建分辨力更强的信用评分模型,准确度量小企业的信用风险,为缓解小企业贷款难的现状提供理论支撑和决策参考。本文利用机器学习技术,提出了一个基于贝叶斯优化的LightGBM信用评分模型,并在中国1820个工业型小企业数据集,澳大利亚690个和德国1000个个人信用数据集上进行了实证。在小企业数据集上,文章建立了LightGBM-BOA信用评分模型并预测了小企业违约状态。通过计算指标重要度得分,本文遴选出速动比率、销售净利率、城市居民人均可支配收入等21个对小型工业企业信用风险影响大的关键指标,建立了工业型小企业信用评级指标体系。最后,根据LightGBM模型预测的贷款企业违约概率,建立信用评分卡并划分了贷款企业的信用等级。文章结构分为五个部分,内容如下所述。第一章是导论,主要介绍了信用评分问题的研究背景与研究意义,系统总结梳理了相关文献。第二章是概念界定和理论基础,界定了本文中所使用到的概念,包括小企业、信用、信用评分、信用评级和集成模型的定义。与此同时,介绍了三种本文使用的相关理论,包括了LightGBM的理论原理和计算公式、贝叶斯优化理论的基本原理和求解步骤、信用评分卡的基本原理和计算公式。第三章建立了基于LightGBM-BOA算法的信用评分模型。首先给出了信用评分模型的整体框架,确定评分模型的评价指标,最后逐步给出信用评分模型的建模步骤。第四章是实证研究,在工业型小企业数据集上建立了LightGBM-BOA评分模型并进行了违约状态预测。接着进行了工业型小企业的指标筛选、评分卡建立和信用等级划分。最后在德国和澳大利亚数据集上进行了稳健性检验。第五章是结论与展望。总结了本文得出的实证结论,并从模型选用和数据选取两个方面提出了不足与展望。结果显示:(1)通过将本文构建的LightGBM-BOA模型与逻辑回归(LR)、线性判别分析(LDA)、K近邻(KNN)、分类与回归树(CART)、朴素贝叶斯(NB)、随机森林(RF)、支持向量机(SVM)等7种模型进行对比,小企业数据集实证结果表明:本文提出的LightGBM-BOA模型在准确率、KS值、AUC等评价指标上,表现均优于其他模型。(2)通过对本文构建的工业型小企业信用评级指标体系进行分析,在指标大类中,发现财务因素对工业型小企业信用风险的影响占比为40.53%,小型工业企业所在地外部宏观条件对其信用风险影响显著;在单个指标中,由于抵质押担保单个指标的重要度得分最高,表明抵质押担保对工业型小企业信用风险非常重要。(3)利用本文LightGBM-BOA模型对澳大利亚和德国数据集进行实证,其AUC得分高于现有文献的报道结果,这说明本文提出的LightGBM-BOA模型具有很高的违约预测能力和鲁棒性。