基于BP神经网络的中小企业信用评价模型研究

本文在分析中小企业信用评价的基础上，选用了由范柏乃、朱文斌建立的中小企业信用评价指标体系，并在此基础上建立了基于BP神经网络的三层神经网络模型。该模型运用人工神经网络的理论和方法，可以根据已知数据预测中小企业的信用。并结合实际情况，利用MATLAB预测了兰州某中小企业的信用。     

个人信用评估组合模型的构建——基于决策树—神经网络的研究

本文以德国某商业银行的真实客户信用数据为样本,将决策树方法应用于个人信用指标的筛选过程中,并与BP神经网络模型相结合构建成一个两阶段组合模型。研究表明,基于决策树—神经网络构建的个人信用评估组合模型对于测试样本的分类预测精度高于单一BP神经网络模型的分类预测精度。组合模型对于测试样本的总正确率平均值为75.45%,高出单一BP神经网络模型的总正确率近3个百分点。基于信息熵增益率分类原理的最优决策树挑选指标方法能合理去除非重要属性指标的干扰,使真正有效的属性指标输入神经网络主模型,提高模型分类预测的精准度。     

供应链金融模式下中小企业信用风险评价体系构建

供应链金融已成为帮助中小企业摆脱融资困境的有效途径。本文首先分析了影响供应链金融模式下中小企业信用风险的因素,进而通过因子分析和Logit模型建立了供应链金融模式下中小企业信用风险评价指标体系,验证了中小企业的盈利能力、偿债能力及核心企业的信用水平显著影响中小企业信用风险评级。实证结果表明,该模型预测准确度较高,对金融机构衡量供应链金融模式下中小企业信用风险及中小企业提升自身信用水平具有一定意义。     

重庆信贷市场信用评级发展问题研究

信贷市场信用评级指信用评级机构以独立、客观、公正的立场,依据特定的专业方法和规范的操作程序,对企业的偿债能力和偿债意愿所作的综合评价.分析重庆信贷市场信用评级的发展状况,发现仍存在监管法规体系不健全、市场有效需求不足、评级公信力不高等问题,建议从扩展需求、提升公信力、完善立法等方面着手,促进信贷市场评级健康规范发展.     

神经网络技术在客户信用评价中的应用

本文采用科学计算模型的方法实现了客户信用评价。该模型主要利用神经网络的反向传播(Back Propagation,简称BP)算法和收敛速度快、诊断正确的特点,建立了一个适合于企业客户信用评价的通用模型。同时对客户信用评价中的评价指标参数选择、数据收集与处理、构造BP网络模型以及BP网络计算进行了重点探讨。     

基于动态模糊评价的通信运营商合作伙伴选择模型及实证研究

基于三网融合背景下通信运营商合作伙伴选择影响因素的多样性和差异性,建立备选企业的共性指标和特性指标,结合BP神经网络、模糊评价和组合赋权的方法,提出基于BP神经网络的动态模糊综合评价模型,从现状和未来发展趋势两个方面对合作伙伴进行综合评价选择。以湖南移动推进城市光网建设为例,展示了合作伙伴选择的原理和过程。模型可以为通信运营商企业客观、全面、动态地评价和选择合作伙伴提供有效的决策支持。     

构建中小企业信用评级体系框架的探讨

本文基于我国中小企业的实际情况,分析了中小企业信用评级的特点,在此基础上运用定性分析为主、定量分析为辅的综合分析法,选取企业基本素质、经营能力、获利能力、偿债能力、履约情况和前景分析与预测等六项评级要素,尝试构建中小企业信用评级体系框架,并对评级指标体系设置的原则进行了探讨。     

国家电商电子商务平台入驻企业信用评级研究

中小企业信用评级与传统资本市场最大的不同在于信息不对称问题尤其突出,特别是财务信息,在大部分情况下不可得,即使能得到信息,其有效性也很难判断。为了有效判断这些企业的信用等级水平和对应的风险状况,有必要探索在信息不对称条件下评价中小企业信用质量水平的有效技术路线和方法。从信用评级的最基本规律出发,通过分析中小企业作为借款人的偿债能力和偿债意愿大小及波动情况锚定其信用质量水平,并利用表征信用评级关键因素的替代性指标尝试对电商平台企业进行信用评级,建立了在信息不对称条件下界定中小企业信用风险大小的有效框架和结果检验系统,对中小企业的信用评级技术提出初步的整体性解决方案。     

基于BP神经网络与支持向量机的股票指数预测模型比较

本文在阐述创新型预测模型理论的基础上,分别利用基于BP神经网络和支持向量机的股票指数预测模型,在小样本的情况下对沪深300指数进行了研究和短期预测.研究结果表明,基于支持向量机的预测模型在预测精度、收敛时间、最优性等方面均优于基于BP神经网络的预测模型.     

基于神经网络模型的商业银行信贷风险研究

通过VAR模型选择GDP增长率、通货膨胀率、广义货币发行量增长率等变量的一阶滞后项与二阶滞后项作为输入变量,分别建立BP神经网络与GRNN模型对商业银行不良贷款率进行拟合与预测验证,并对两种神经网络模型的拟合效果与验证结果进行比较.研究表明,GRNN神经网络的拟合精度较高但预测精度较低,而BP神经网络拟合精度较低但预测精度较高.此外,随着验证期限的延长,两种模型的预测精度均下降.BP神经网络预测2015年第四季度不良率仍将小幅上升.     

BP神经网络在股市预测模型中的应用——以上证股票价格收盘指数为例

本文介绍了股市的特点以及股市预测的困难性,提出了利用BP神经网络的方法来解决股市预测问题。首先文章介绍了人工神经网络模型以及应用最普遍的BP神经网络,然后以上海证券交易所每日股票价格收盘指数为分析对象,对网络进行训练后,利用BP神经网络对股票价格收盘指数进行了短期预测,并计算出预测值和实际值的误差。通过实验发现该模型收敛速度快,预测精度非常高。     

基于机器学习的信用评级展望研究——以发电企业为例

信用评级展望是对信用评级变化趋势的预估。目前主流评级机构给出的评级展望主要来自专家主观判断,且准确率较低。论文以225个发电企业为样本,使用Logistic回归、决策树集成、支持向量机、神经网络等多种机器学习手段,尝试建立分类算法,最终选取BP神经网络得出了评级展望模型。     

农户信用评价模型构建研究--以某市为例

对农户信用评价进行综合分析与研究,构建了由农户基本状况、偿债能力、信誉品德、与本行关系四个方面12项指标的信用评价指标体系;采用层次分析法(AHP)确定了各指标的权重;运用改进后的模糊综合评价法评价农户的信用价值,构建了农户信用评价模型,用样本数据进行模型的实证检验,从而建立了可操作的农户信用风险预警机制。     

银行信用评估模型效果的量化比较

信用评估模型能有效提高信用评估过程的科学性与结果的准确性.本文围绕主流信用评估模型在性能方面的差异化特征,基于德国信贷数据集、我国个人经营贷数据集与小微企业贷数据集,从六个模型性能评价维度对十二个代表性信用评估模型的拟合能力与泛化能力进行了深入研究.研究发现:(1)逻辑回归模型的总体性能最为优异,其次为判别分析、反向传播神经网络模型,其中逻辑回归模型与反向传播神经网络模型更适用于我国信贷场景;(2)基于无监督学习理论的自组织特征映射神经网络和k均值聚类模型,以及基于惰性学习理论的k最近邻模型的泛化能力较弱,表明各类有监督式主动学习模型更适用于解决信用评估问题;(3)模型理论与结构的复杂性并不必然能够使其在特定应用场景下获得较优的性能评价,结构简单、可解释性更强的模型往往稳健性更好.     

基于神经网络技术的股指预测模型及实证分析

通过建立BP神经网络预测模型和GARCH-BP神经网络预测模型,对2001年深圳成分指数的日收盘价进行预测分析发现,GARCH-BP模型较BP模型的收敛速度快,学习能力强,预测精度较高,误差率较小.     

供应链上中小企业信用评价模型的构建及实证研究

本文在借鉴国内外企业信用评级技术和方法的基础上,结合供应链中小企业自身特点,提出了一种基于模糊数学的供应链上中小企业信用评价模型.实证结果表明,供应链合作水平对中小企业信用评价结果具有重要影响,把其加入评价体系能够更为客观地得出评价主体的信用状况.     

信用评级中企业偿债能力评价

信用评级主要是对企业的偿债能力及其可信度进行综合评价,目前国内商业银行对企业偿债能力进行评价时过多依赖于财务指标的定量分析。偿债能力评价框架企业的资金运作受到多方面因素影响,单纯通过盈利指标或数据无法全面、准确衡量其偿债能力。因此,对企业信用     

神经网络在股票价格预测中的应用——基于三种网络的比较分析

股票价格受到社会经济等多方面因素的影响,价格变化大,具有非线性和不稳定的特征,采用传统的线性模型难以准确的预测。本文采用BP、RBF神经网络,以及GABP神经网络进行股票价格预测,比较分析了三种方法的预测精度。实证结果表明,神经网络能够较好地对股票价格进行预测,其中GABP网络比传统的BP和RBF网络有更好的全局收敛性及更高的预测精度。     

神经网络在股票价格预测中的应用——基于三种网络的比较分析

股票价格受到社会经济等多方面因素的影响,价格变化大,具有非线性和不稳定的特征,采用传统的线性模型难以准确的预测。本文采用BP、RBF神经网络,以及GABP神经网络进行股票价格预测,比较分析了三种方法的预测精度。实证结果表明,神经网络能够较好地对股票价格进行预测,其中GABP网络比传统的BP和RBF网络有更好的全局收敛性及更高的预测精度。     

基于FPFF-Blending模型融合的个体工商户信用评价研究北大核心

个体工商户信用评价研究往往通过单一机器学习模型建立,其预测精确率较低,抗干扰能力较弱。基于特征金字塔的FPFF特征融合算法,应用于Blending模型融合框架,建立个体工商户信用评价异质融合模型,并赋予模型可解释性,综合解决单一模型稳定性较差、原有Blending框架融合模型过拟合、融合模型缺乏可解释性的问题。通过对个体工商户数据集进行实证实验,结果表明:融合模型较单一机器学习模型在个体工商户信用评价场景下具有更优的预测性能和泛化能力。