{信用管理}信用評(píng)價(jià)

1、（信用管理） 信用評(píng)價(jià)20XX年XX月峯年的企業(yè)咨詢(xún)咸問(wèn)經(jīng)驗(yàn).經(jīng)過(guò)實(shí)戰(zhàn)驗(yàn)證可以藩地執(zhí)行的卓越萱理方案.值得您下載擁有多元判別分析(MDA)Logit分析模型近鄰法分類(lèi)樹(shù)人工神經(jīng)網(wǎng)絡(luò)(ANN)模型信用評(píng)價(jià)1.信用評(píng)價(jià)概述于美國(guó)和歐洲，企業(yè)信用評(píng)價(jià)引起了學(xué)術(shù)界和實(shí)務(wù)界極大的關(guān)注，判別方法和模型層出 不窮，但迄今為止仍沒(méi)有公認(rèn)的、有效的和統(tǒng)壹的方法。企業(yè)信用評(píng)價(jià)之所以引起極大 的關(guān)注，之所以有大量的方法和模型得到開(kāi)發(fā)和利用，原因就于于其具有不可忽視的重 要性：壹、作為早期警告系統(tǒng)，判別方法和模型能夠告誡管理者企業(yè)是否于變壞，是否應(yīng)采取 有針對(duì)性的措施防止失敗；二、判別方法和模型能夠用來(lái)幫助金融機(jī)構(gòu)的

2、決策者對(duì)企業(yè)作出評(píng)價(jià)和選擇，因?yàn)檫@些 模型和貸款決策模型相通。雖然貸款決策問(wèn)題和企業(yè)信用問(wèn)題不能等同，但貸款人能夠 卓有成效地利用企業(yè)信用等級(jí)判別模型評(píng)價(jià)貸款的可行性。西方銀行于多年的實(shí)踐中逐漸形成了壹整套衡量標(biāo)準(zhǔn)，即通常所稱(chēng)的貸款審查“6C ”原則，“ 6C ”即：(1)品德(Character )(2)能力(Capacity )( 3) 資本(Capital ) (4)擔(dān)保(Collateral) (5)運(yùn)營(yíng)環(huán)境(Condition) (6)事業(yè)的 連續(xù)性(Continuity )或 LAPP 原則即流動(dòng)性(Liquidity )、活動(dòng)性(Activity )、 盈利性( Profitab

3、ility )、潛力( Potentialities )。2.評(píng)價(jià)指標(biāo)體系3.信用評(píng)價(jià)模型信用評(píng)價(jià)模型國(guó)際上，對(duì)企業(yè)的信用評(píng)價(jià)，通常將商業(yè)銀行對(duì)企業(yè)信用風(fēng)險(xiǎn)的測(cè)度轉(zhuǎn)化為對(duì)企業(yè)財(cái)務(wù)情況的衡量問(wèn)題，因?yàn)樾庞蔑L(fēng)險(xiǎn)的形成企業(yè)是否能如期仍本付息，主要取決于企業(yè) 財(cái)務(wù)情況。具體做法是根據(jù)歷史上每個(gè)類(lèi)別（如信用等級(jí)AAA、AA、A、BBB等）的若干樣本，從已知的數(shù)據(jù)中發(fā)現(xiàn)規(guī)律，從而總結(jié)出分類(lèi)的規(guī)則，建立判別模型，用于對(duì)新 的樣本的判別。當(dāng)然我們不能僅根據(jù)企業(yè)某些單壹指標(biāo)，而應(yīng)根據(jù)影響企業(yè)財(cái)務(wù)情況的 多維指標(biāo)來(lái)評(píng)估企業(yè)的財(cái)務(wù)情況。因此，這些方法的關(guān)鍵步驟和難點(diǎn)于于指標(biāo)體系的確 立和評(píng)估模型的選擇，也即如何將多

4、維指標(biāo)綜合起來(lái)。目前采用的方法有統(tǒng)計(jì)方法、專(zhuān) 家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)技術(shù)等。國(guó)內(nèi)外于對(duì)信用評(píng)價(jià)中，廣泛采用了基于統(tǒng)計(jì)判別方法的預(yù)測(cè)模型，這些方法均是于Fisher于1936年作出的啟發(fā)性研究之后提出來(lái)的?？偟膩?lái)說(shuō)，這些模型均被表述為壹 類(lèi)分類(lèi)系統(tǒng)（如圖1.2），它們接受定義于已選變量集合上的壹個(gè)隨機(jī)觀測(cè)值樣本，建 立判別函數(shù)，進(jìn)行分類(lèi)。常用的模型有：回歸分析法、多元判別分析法、Logit法、Probit法等，這些模型已經(jīng)得到廣泛的應(yīng)用，但它們?nèi)源嬗谥S多缺陷，下面就分別介紹這幾 種模型。1.2模型的分類(lèi)系統(tǒng)多元判別分析（MDA）Chesser判別模型ZETA分析模型多元判別分析（MDA）是除美國(guó)外的

5、其他國(guó)家使用最多的統(tǒng)計(jì)方法。多元線性判別分析 法，能夠具體為壹般判別分析（不考慮變量篩選）和定量資料的逐步判別分析（考慮變 量篩選） 。我國(guó)于1993年7月1日起正式實(shí)施和國(guó)際會(huì)計(jì)準(zhǔn)則基本適應(yīng)的、 統(tǒng)壹的企業(yè)會(huì)計(jì)準(zhǔn)則，由此奠定了企業(yè)信用評(píng)估研究的基礎(chǔ)和前提，隨著國(guó)內(nèi)會(huì)計(jì)人員的業(yè)務(wù) 水平（如對(duì)準(zhǔn)則的掌握、理解和應(yīng)用水平等）和會(huì)計(jì)報(bào)表水平的不斷提高，所產(chǎn)生的會(huì)計(jì)報(bào)表開(kāi)始基本符合準(zhǔn)則要求，因此，近年來(lái)的財(cái)務(wù)數(shù)據(jù)已具備建立企業(yè)信用判別模型的基本條件，采用多元判別分析方法建立企業(yè)信用評(píng)價(jià)模型，且將判別結(jié)果和其它線性模型相比較，能夠見(jiàn)出用多元判別分析方法建立的企業(yè)信用評(píng)價(jià)模型于判別的準(zhǔn)確性上 有較大提高。

6、但應(yīng)用多元判別分析（MDA）有以下三個(gè)主要假設(shè)：1變量數(shù)據(jù)是正態(tài)分布的；2各組的協(xié)方差是相同的；3每組的均值向量、協(xié)方差矩陣、先驗(yàn)概率和誤判代價(jià)是已知的。對(duì)經(jīng)濟(jì)、財(cái)務(wù)變量的正態(tài)假設(shè)已成為通常慣例。由于線性判別函數(shù)（LDA）于實(shí)際使用 中是最方便的，如于距離判別和貝葉斯判別中，于正態(tài)總體等協(xié)方差時(shí)，均導(dǎo)出壹個(gè)線 性判別函數(shù)，所以壹般只研究線性判別函數(shù)。于滿足上述3個(gè)假設(shè)的條件下，該判別函 數(shù)使誤判概率達(dá)最小，下面介紹幾個(gè)應(yīng)用判別分析法建立的模型。1）Chesser判別模型DeltonChesser采用6個(gè)變量進(jìn)行了Logit分析，得到的公式是：y=-0.0434-5.247*+0.0053*-6

7、.65073*+4.4009*-0.0791*-0.1020*其中（現(xiàn)金+市場(chǎng)化證券）/總資產(chǎn)銷(xiāo)售凈額/（現(xiàn)金+市場(chǎng)化證券）資產(chǎn)報(bào)酬率資產(chǎn)負(fù)債率固定資產(chǎn)/股東權(quán)益營(yíng)運(yùn)資本/凈銷(xiāo)售收入變量y是壹個(gè)獨(dú)立變量的線性組合，采用如下公式確定不壹致的概率P:e=2.71828y值能夠見(jiàn)作客戶不壹致傾向的指數(shù)，y越大不壹致的概率越高，他確定的分類(lèi)原則是：（1）如果p0.50，歸于不壹致組；（2）如果p0.50，歸于壹致組。2）ZETA分析模型zeta分析模型是Altman,Haldeman和Narayanan于研究公司破產(chǎn)時(shí)提出的壹個(gè)模型， 采用7個(gè)指標(biāo)作為揭示企業(yè)失敗或成功的變量，這7個(gè)指標(biāo)是資產(chǎn)報(bào)酬率、

8、收入的穩(wěn)定 性（用10年資產(chǎn)報(bào)酬率的標(biāo)準(zhǔn)差的倒數(shù)來(lái)度量） 、利息保障倍數(shù)、贏利積累（用留存收 益/總資產(chǎn)來(lái)度量） 、流動(dòng)比率、資本化率 （用五年的股票平均市場(chǎng)值/總長(zhǎng)期資本來(lái)度量） 和規(guī)模（用公司總資產(chǎn)來(lái)度量） ，這7個(gè)指標(biāo)分別表示企業(yè)目前的贏利性、收益的保障、 長(zhǎng)期贏利性、流動(dòng)性和規(guī)模等特征，Altman于1968年通過(guò)對(duì)若干組企業(yè)的研究和分析， 采用5個(gè)指標(biāo)進(jìn)行回歸，得到如下回歸方程：Z=1.2*+1.4*+3.3*+0.6*+1.0*其中X1=營(yíng)運(yùn)資本/總資產(chǎn)X2=留存收益/總資產(chǎn)X3=資產(chǎn)報(bào)酬率X4=權(quán)益市場(chǎng)值/總債務(wù)的帳面值如果Z2.675，歸于非破產(chǎn)組。同時(shí)Altman發(fā)當(dāng)下1.8

9、1和2.99之間會(huì)產(chǎn)生錯(cuò)誤的分類(lèi)，因此，他認(rèn)為這壹區(qū)間是忽 略區(qū)域。TOPLogit分析模型logit分析和判別分析的本質(zhì)差異于于不要求滿足正態(tài)分布或等方差，其模型采用logistic函數(shù)：其中表示第i個(gè)指標(biāo)，是第i個(gè)指標(biāo)的系數(shù)，Y是因變量。由于，所以Y又常被理解為屬 于某壹類(lèi)的概率，如企業(yè)財(cái)務(wù)情況好壞的概率。由于壹般判別分析方法的局限，Logit分析于預(yù)測(cè)中得到了相當(dāng)廣泛的應(yīng)用，1981年以 后的研究絕大多數(shù)均用Logit分析。 于壹些國(guó)家建立了許多相應(yīng)的模型。 這些研究包括：Zavgren(1985)、Lau(1987)、Gloubos和Grammatikos(1988)、Gilbert等

10、人(1990)、Kasey和McGuiness(1990)、Kasey(1990)、Luoma和Laitinen(1991)、Platt和Platt(1990)和Tennyson(1990)。TOP近鄰法近鄰法是壹種非參數(shù)方法，當(dāng)已知總體表現(xiàn)為顯著非正態(tài)分布時(shí)，特別是當(dāng)屬于同壹類(lèi)的樣本于變量空間形成聚類(lèi)時(shí)，近鄰法十分有效。和參數(shù)類(lèi)方法相比，近鄰法用于對(duì)總 體分布施加很少約束的情況，是壹種十分靈活的方法。近鄰法不僅放松了正態(tài)性假定，也避免了傳統(tǒng)技術(shù)對(duì)模型函數(shù)形式設(shè)定的困難任何壹個(gè)樣本到底劃歸哪壹類(lèi)是由其k個(gè)近鄰劃歸類(lèi)型所確定。任意倆個(gè)樣本之間的距離可定義為：是合且協(xié)方差的逆這樣，壹個(gè)樣本劃歸為它

11、的k個(gè)近鄰的多數(shù)(即當(dāng)壹個(gè)樣本的k個(gè)近鄰的大多數(shù)劃歸1類(lèi)，則該樣本也應(yīng)劃屬1類(lèi))。TOP分類(lèi)樹(shù)8 0年代末期，有學(xué)者提出壹種利用機(jī)器學(xué)習(xí)技術(shù)發(fā)展起來(lái)的符號(hào)方法一一分類(lèi)樹(shù)。該方法不象傳統(tǒng)方法那樣通過(guò)判別函數(shù)形成決策規(guī)則來(lái)判別樣本所屬的類(lèi)型，而是創(chuàng)立了壹個(gè)對(duì)原始樣本進(jìn)行最佳分類(lèi)判別的分類(lèi)樹(shù)。此前，曾有學(xué)者采用了壹種叫做遞歸分割 的類(lèi)似技術(shù)生成判別樹(shù)。倆種方法均采用了壹種非返回跟蹤的分割方法將樣本集遞歸分 割成不相交的子集它們的差別只是于分割準(zhǔn)則上，分類(lèi)樹(shù)方法旨于極大化分割子集的 熵，而遞歸分割方法則旨于使期望誤判損失達(dá)到最小TOP人工神經(jīng)網(wǎng)絡(luò)(ANN)模型上述四種方法于國(guó)外已大量應(yīng)用，實(shí)證結(jié)果發(fā)現(xiàn)

12、:1)企業(yè)財(cái)務(wù)情況的評(píng)價(jià)能夠見(jiàn)作是壹類(lèi) 基于壹系列獨(dú)立變量基礎(chǔ)上的分類(lèi)問(wèn)題；2)企業(yè)財(cái)務(wù)情況的好壞和財(cái)務(wù)比率的關(guān)系是非 線性的；3)預(yù)測(cè)變量(財(cái)務(wù)比率)可能是高度關(guān)聯(lián)的；4)大量實(shí)證結(jié)果表明，許多指 標(biāo)不成正態(tài)分布。因此，傳統(tǒng)的分類(lèi)方法不能很好地解決這些問(wèn)題。作為研究復(fù)雜性的有力工具，神經(jīng)網(wǎng)絡(luò)技術(shù)近年來(lái)于模式識(shí)別和分類(lèi)、識(shí)別濾波、自動(dòng)控制、預(yù)測(cè)等方面已展示了其非凡的優(yōu)越性，特別是能處理任意類(lèi)型的數(shù)據(jù)，這是許多傳統(tǒng)方法所無(wú)法比擬的。通過(guò)不斷學(xué)習(xí)，能夠從未知模式的大量的復(fù)雜數(shù)據(jù)中發(fā)現(xiàn)其規(guī)律。神經(jīng)網(wǎng)絡(luò)方法克服了傳統(tǒng)分析過(guò)程的復(fù)雜性及選擇適當(dāng)模型函數(shù)形式的困難，它是壹種自然的非線性建模過(guò)程，毋需分清存

13、于何種非線性關(guān)系，給建模和分析帶來(lái)極大的方便該方法用于企業(yè)財(cái)務(wù)情況研究時(shí)，壹方面利用其映射能力，另壹方面主要利用其泛化能力，即于經(jīng)過(guò)壹定數(shù)量的帶噪 聲的樣本的訓(xùn)練之后，網(wǎng)絡(luò)能夠抽取樣本所隱含的特征關(guān)系，且對(duì)新情況下的數(shù)據(jù)進(jìn)行 內(nèi)插和外推以推斷其屬性。它于分類(lèi)問(wèn)題中的出現(xiàn)，最早是用于對(duì)銀行破產(chǎn)的預(yù)估。神經(jīng)網(wǎng)絡(luò)的應(yīng)用最初是由Tam(1991)、Tam和Kiang(1992)、Dutta和Shekhar(1992)建議用于銀行破產(chǎn)預(yù)測(cè)。Tam和Kiang(1992)是利用三層BP神經(jīng)網(wǎng)絡(luò)(如下圖所示) 來(lái)訓(xùn)練網(wǎng)絡(luò)，根據(jù)輸入到網(wǎng)絡(luò)的壹些樣本提供壹套權(quán)重，于網(wǎng)絡(luò)訓(xùn)練之后，能夠?qū)⑷魏?新輸入(公司)劃分為

14、破產(chǎn)或非破產(chǎn)。 神經(jīng)網(wǎng)絡(luò)模型是分布自由的， 而且對(duì)實(shí)際問(wèn)題是適用的， 特別是當(dāng)變量是從未知分布取 出和協(xié)方差結(jié)構(gòu)不相等(于企業(yè)失敗樣本中的常態(tài))時(shí)，神經(jīng)網(wǎng)絡(luò)能夠提供良好的分類(lèi) 準(zhǔn)確性。Altman等人(1994)利用神經(jīng)網(wǎng)絡(luò)對(duì)意大利公司進(jìn)行了失敗預(yù)測(cè)，和多元判別 分析模型相比，給出了令人鼓舞結(jié)果。此外，神經(jīng)網(wǎng)絡(luò)的非線性形態(tài)較通用和較靈活。 但它也有壹些問(wèn)題， 如：模型的拓?fù)涠x、 比其他方法計(jì)算量較大和表述判別能力較難。Altman等人(1994)提到，神經(jīng)網(wǎng)絡(luò)于決策方法中表現(xiàn)得像壹個(gè)“黑匣子”，使得它的應(yīng)用和接受均較困難。雖然神經(jīng)網(wǎng)絡(luò)作為壹種分類(lèi)工具似乎比其他方法較具吸引力，于財(cái)務(wù)領(lǐng)域解決實(shí)際問(wèn)題 的應(yīng)用到目前為止仍不多。Wilson和Sharda(1992)參考神經(jīng)網(wǎng)絡(luò)的應(yīng)用做過(guò)企業(yè)失敗 預(yù)測(cè)，Salchenberger等人(1992)利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)過(guò)慈善機(jī)構(gòu)的失敗，Dutta和Shekhar(1992)提出用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)企業(yè)債券等級(jí)，此外仍有Serrano-Cinca(1996)用 它作過(guò)破產(chǎn)預(yù)測(cè)。神