排序方式： 共有1条查询结果，搜索用时 0 毫秒
1
1.
研究目标:非均衡样本信用风险的有效预测。研究方法:针对反向传播神经网络BPNN交叉熵损失函数在非均衡样本信用评级中对非违约样本识别过度、违约样本识别不足的现象,利用标签分布交叉熵(Label Distribution Aware Margin Cross Entropy,简记LDAMCE)函数对交叉熵损失函数进行改进,并采用两阶段方式对BPNN模型进行训练,构建基于BPNN-LDAMCE的信用评级模型;基于多模型对比思路,验证BPNN-LDAMCE模型对中国某金融机构1298笔真实贷款数据信用风险预测的有效性;利用UCI公开的A地区、B地区信贷数据,检验BPNN-LDAMCE模型的稳健性。研究发现:BPNN-LDAMCE在保证对非违约样本识别力的同时,提升了对违约样本的预测准确率。研究创新:通过测算非违约、违约样本到分类面的“最优分类间隔”γ1~*、γ2~*,利用γ1~*、γ2~*对交叉熵损失函数进行改进,构建基于“最优分类间隔”的BPNN-LDAMCE信用风险评价模型,既可提升BPNN信用评价模型... 相似文献
1