摘要：近几年来, 机器学习已成为各个领域的研究热点, 并被应用到生活的方方面面. 它能从一些输入数据中学习, 并为其建立原来无法求解或难以求解的模型. 机器学习由数据驱动, 它从部分输入的数据中学习并建立模型. 该模型用于预测和分析数据的另一部分, 以获得人们想要的结果. 随着经济社会的不断发展, 各种企业蜂拥而起, 而对企业贷款如何设置的问题也迎面而来. 利用传统的数据分析方法对大量数据进行分析已显示出许多不足. 机器学习的发展解决了这些不足. 利用机器学技术分析和应用企业贷款已成为当前金融研究的热点. 

基于此, 本论文以互联网上有信贷记录和无信贷记录的发票交易数据为基础, 首先对123家有信贷记录的企业的信贷风险进行量化分析, 同时将量化问题转化为企业违约概率问题, 建立Logistic回归模型对企业的信贷风险进行量化分析, 计算出企业的违约概率, 该值越小说明企业的信用越好, 风险越低. 在各企业的信贷违约概率的基础上, 考虑到银行贷款期限为一年, 以贷款收益最大, 企业违约风险最小为目标, 考虑银行放贷额度、银行贷款年利率和客户流失率等为约束条件建立非线性规划的最优信贷决策模型. 其次对于302家无信贷记录和信贷评级的企业数据首先基于前文计算出各企业的违约概率, 并使用BP神经网络模型对信用等级进行预测. 结合自身已知数据就可以根据企业信贷风险评价体系量化各企业的信贷风险, 得到针对302家企业的信贷策略. 

 

关键词　信贷策略;Logistic回归模型;非线性规划模型;BP神经网络

 

目录

摘要

Abstract

1 绪论-1

1.1 研究背景及意义-1

1.2 研究现状-1

1.2.1 国内研究现状-1

1.2.2 国外研究现状-2

1.3 研究思路和结构-3

2 数据准备-4

2.1 数据分析与处理-4

2.2 数型假设-4

3 基于Logistic回归违约概率模型-6

3.1 问题和思路分析-6

3.2 企业信贷风险衡量指标体系的构建-6

3.3 基于Logistic回归量化信贷风险评估-8

3.4 建立有信贷记录的非线性规划模型-10

3.5 结果分析与检验-12

4 BP神经网络信誉等级确立-14

4.1 问题和思路分析-14

4.2 基于BP神经网络的信誉评价指数预测模型-14

4.3 建立无信贷记录的多目标规划模型-17

5 结论与展望-19

5.1 结论-19

5.2 展望-19

参考文献-20

附录-22

附录1-22

附录2-25

致谢-29