基于机器学习的信用风险评估模型的文献综述
摘 要：信用风险评估是指管理人将充分利用现有行业与公司研究力量，根据发债主体的经营状况和现金流等情况对其信用风险进行评估，以此作为品种选择的基本依据。或是商业银行对借款人的还款能力进行的系统调查和研究。目的是防止银行在发放贷款过程中可能遇到的风险，保证银行经营资金的安全和及时归还。机器学习则是人工智能的一个分支，其历经30多年的发展，已经成为一门多领域交叉学科的学科。该技术的不断发展不断推动信用风险评估模型的革新以适应不同的经济环境。本文将对不同类型的信用风险评估模型、方法与效果做出综述
关键词： 信用风险评估、机器学习、参数优化、分类预测
- 国外研究文献综述
（一）传统的信用风险评估方法
国外对于信用风险评估起步较早，初期为传统的信用评估方法。传统信用评估方法的重点是一些定性指标，相关评估专家依据这些指标，做出自己的主观判断，比较著名的是信用5C分析法，即通过借款人的道德品质(Character)、还款能力(Capacity)、资本实力(Capital)、担保(Collateral)和经营环境(Condition)来判别借款人的还款意愿和还款能力。但这一方法主观性较强，很依赖评估专家的经验，容易出现误判。
（二）信用风险评估模型方法
随着时代的发展，传统的信用评估方法已经不能满足社会的需要。故Altman在1968年使用了多重判别分析(MDA)的方法，通过对美国破产企业和非破产企业的观察，挑选了22个指标后根据Fisher判别法生成了5个变量。由此Z-Score模型横空出世。他使用了两份不同的样本，在这两份样本的准确率分别为96%和79%[1]。
后来众人根据MDA开发自己的模型，其中较为著名的是基于Z-Score模型的改进模型ZETA模型，变量从原始Z-Score模型的5个增加到了7个，分别为资产报酬率、收入的稳定性、利息保障倍数、留存收益、流动比率、资本化率(普通股权益/总资本)、规模(公司总资产的对数)，模型的准确率为92.5%[2]。
Martin(1977)将Logistic模型引入了风险评估当中，用来预测企业的违规概率。他将1970年至1977年美联储成员银行中的困境银行挑选出来，并根据8个变量建立了Logistic回归模型并制定了警戒线。在于Z-Score模型和ZETA模型中的对比中，Logistic的预测能力更胜一筹[3]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
