基于优化的随机森林方法的企业信用风险评价研究

• 作 者: 汪政元
• 出 处: 暨南大学
• 发表日期: 2017年期
• 关键词: 信用风险评价 随机森林 SMOTE 贡献度函数

随着我国金融市场开放程度逐步加大,防范金融风险已成为金融市场各参与方不得不面临的重要挑战。信用风险作为主要的金融风险之一,是金融市场良性发展的掣肘,如何对其进行准确的预测评价,已成为极具现实意义的热点问题。文章采用随机森林模型对企业信用风险进行评价研究,并从两个角度对原模型进行优化改进:一方面,采用SMOTE方法对数据集拓展变换,同时对连续变量进行基于熵的分组降维;另一方面,引入贡献度函数对原随机森林模型的预测过程进行分解,量化各指标在预测过程中的贡献度。研究发现,在对原始数据集进行变换后,随机森林模型的总体准确率有所提升,ROC、K-S及CAP曲线评估结果也均显示模型的预测性能得到了显著提升,对高风险样本的识别速度加快。变量贡献度函数分析显示,同一个体不同指标的变量贡献度不同,同一指标在不同个体间的贡献度亦差异明显,可据此甄别关键的风险因素。7只违约债券的变量贡献度分析表明,成本费用利润率、总资产报酬率及销售净利率的变量贡献度较大,显著提升了违约企业的风险概率。结合研究结论,文章认为持续有效的信用风险评价应继续加大国内金融市场目前的信息披露力度,提高市场透明度,不断充实金融数据库,优化风险计量技术。