论文部分内容阅读
上市公司信用风险评估是一项非常复杂的系统工程。研究上市公司的信用风险问题对证券市场监管、投资者利益保护以及信贷机构风险控制都具有重要的现实意义。信用风险评估作为一种防范信用风险的社会监督手段，是市场经济发展到一定阶段的必然产物，其对市场经济的重要性和促进作用已得到了理论研究的证明和发达国家实践的检验。
本文首先介绍了信用风险评估的相关理论，对国内外信用风险评估的研究现状进行了总结和分析，指出了上市公司信用风险产生的原因及目前我国信用评估中还存在的问题。然后根据神经网络和模糊逻辑系统的各自特点，对两者进行了比较。在此基础上，对神经网络与模糊系统的结合进行了研究，提出了基于补偿模糊神经网络模型的上市公司信用风险评估模型。
补偿模糊神经网络(CFNN)是一个综合了模糊逻辑和神经网络两者优点的混合系统，本文研究了网络模型的具体结构和学习算法，以及补偿模糊神经网络评估模型的建立过程，网络拓扑结构的确定、数据的预处理和系统的实现等。
基于补偿模糊神经网络模型，对上市公司信用风险评估进行了研究。首先对上市公司信用风险评估指标的选取和评价指标体系的建立进行了研究，主要是利用因子分析法对指标进行浓缩，然后利用MATLAB7.0对已建立好的补偿模糊神经网络进行学习训练和仿真检验，在网络的学习训练中，通过比较，选择合适的模糊分割数和学习率，使网络能够较快的达到收敛值。通过与BP神经网络模型的预测精度进行比较，发现补偿模糊神经网络的预测效果好于BP网络。研究表明，补偿模糊神经网络对上市公司信用风险评估是行之有效的。