本文將信用風(fēng)險(xiǎn)的評(píng)估問題轉(zhuǎn)化為企業(yè)財(cái)務(wù)狀況的評(píng)估問題,運(yùn)用多種方法從多個(gè)方面對(duì)企業(yè)財(cái)務(wù)狀況進(jìn)行了“靜態(tài)”和“動(dòng)態(tài)”實(shí)證研究。為了更加合理地確定風(fēng)險(xiǎn)評(píng)估模型的各項(xiàng)指標(biāo),分別采用了相關(guān)系數(shù)法、主成分分析法等方法來定量選取銀行信用風(fēng)險(xiǎn)評(píng)估指標(biāo),對(duì)已有的企業(yè)財(cái)務(wù)困境問題的研究方法及結(jié)論進(jìn)行了比較研究,結(jié)合我國(guó)深滬兩市上市公司的實(shí)際數(shù)據(jù),分別用Fisher多元判別分析模型和Logistic回歸模型建構(gòu)了公司陷入財(cái)務(wù)困境前一年到前六年的預(yù)測(cè)模型,并采用預(yù)測(cè)組、檢驗(yàn)對(duì)照組回代和三重交叉驗(yàn)證分別對(duì)相應(yīng)模型的準(zhǔn)確率進(jìn)行了檢驗(yàn)。為了更好地利用每個(gè)財(cái)務(wù)指標(biāo)數(shù)據(jù)更多的有用信息,本文提出了一種對(duì)每個(gè)財(cái)務(wù)指標(biāo)變量利用其時(shí)間序列數(shù)據(jù)中所蘊(yùn)含的動(dòng)態(tài)信息的方法,即由時(shí)間序列數(shù)據(jù)產(chǎn)生出線性變化率和平均值兩個(gè)新的變量,用以代替原數(shù)據(jù)做進(jìn)一步的各種統(tǒng)計(jì)分析,為了區(qū)別前面的“靜態(tài)”方法,我們把它稱之為“動(dòng)態(tài)”方法,所說的“動(dòng)態(tài)”實(shí)際上是指“動(dòng)態(tài)”地利用數(shù)據(jù)。利用兩個(gè)新的變量分別進(jìn)行了“動(dòng)態(tài)”判別分析模型和“動(dòng)態(tài)”Logistic回歸模型的建立和檢驗(yàn),檢驗(yàn)結(jié)果表明,“動(dòng)態(tài)”模型比“靜態(tài)”模型具有更高的準(zhǔn)確率。這項(xiàng)研究是本文的最主... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：161 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

聚類關(guān)系圖

4.2 神經(jīng)網(wǎng)絡(luò)法上世紀(jì) 80 年代以來，西方發(fā)達(dá)國(guó)家將人工智能逐漸引入銀行業(yè)，協(xié)助銀行貸款決策，其中人工神經(jīng)網(wǎng)絡(luò)在公司財(cái)務(wù)分析和評(píng)級(jí)中的應(yīng)用顯示了其優(yōu)勢(shì)和潛人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network—ANN）是一種平行分散處理模式，構(gòu)理念根植于對(duì)人類大腦神經(jīng)運(yùn)作的模擬。神經(jīng)網(wǎng)絡(luò)模型是由大量的簡(jiǎn)單處理相互連結(jié)組成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，它的許多功能和特性是對(duì)人腦神經(jīng)網(wǎng)絡(luò)系統(tǒng)的模是一種自然非線性建模過程。神經(jīng)網(wǎng)絡(luò)方法是一種具有自組織、自適應(yīng)、自學(xué)點(diǎn)的非參數(shù)方法，它對(duì)樣本數(shù)據(jù)的分布要求不嚴(yán)格，不僅具有非線性映射能力化能力，而且具有較強(qiáng)的魯棒性和較高的預(yù)測(cè)精度。神經(jīng)網(wǎng)絡(luò)分析與非線性判析十分相似，它揚(yáng)棄了危機(jī)預(yù)測(cè)函數(shù)的變量是線性且相互獨(dú)立的假設(shè)。作為非的預(yù)測(cè)模型，它克服了選擇模型函數(shù)形式的困難，同時(shí)對(duì)樣本及變量的分布特有限制。神經(jīng)網(wǎng)絡(luò)模型的神經(jīng)元一般包括三種處理單元，也稱為節(jié)點(diǎn)（Node）：輸經(jīng)元、隱層神經(jīng)元和輸出神經(jīng)元。輸入神經(jīng)元接受外界環(huán)境信息的輸入；輸出元?jiǎng)t將經(jīng)過神經(jīng)網(wǎng)絡(luò)處理后的信息送到外界；而隱層神經(jīng)元?jiǎng)t處于前兩種神經(jīng)間，不直接與外界環(huán)境發(fā)生聯(lián)系，它接受輸入神經(jīng)元的信息，經(jīng)過多層次的網(wǎng)部運(yùn)算，把數(shù)據(jù)結(jié)果轉(zhuǎn)移給輸出神經(jīng)元，隱層神經(jīng)元可以有多個(gè)層次（Layer）圖 4-1。

圖 7-1ijb 與指標(biāo)值之間的關(guān)系示意圖示原第 j 指標(biāo)的平均水平。同時(shí)使用這兩種新構(gòu)造的指標(biāo)變量才能較好地變化，因?yàn)橐粋�(gè)公司雖然業(yè)績(jī)下滑，但其因水平較高仍然是盈利的，而另能因水平較低又業(yè)績(jī)下滑終于導(dǎo)致虧損。將 19 個(gè)指標(biāo)每個(gè)誘導(dǎo)出兩個(gè)指標(biāo)共得到 38 個(gè)指標(biāo)變量的數(shù)據(jù)，記為yi= 1, ,951j=1,,38ij（例如可按對(duì)排列2142381911323719,,,,,,iiiiiiiiiiiiymymymybybyb======可以對(duì)每個(gè)變量 j 視830,,9511,,829==yiyiijij非 ST 和 ST 兩個(gè)總體的樣本，進(jìn)行兩總體均值相等的t 檢驗(yàn)。01H : μ =12: μ ≠μ，如果結(jié)果是拒絕0H ，則表明 j 變量對(duì)區(qū)分非 ST 和 ST 來說是顯著38 個(gè)變量的檢驗(yàn)結(jié)果見附表 7，通過檢驗(yàn)結(jié)果表明 38 個(gè)變量中大部分（26 著的，因?yàn)楹竺媸褂玫闹鸩脚袆e法本身具有篩選變量的功能，這里可以不

【參考文獻(xiàn)】：
期刊論文
[1]我國(guó)上市公司財(cái)務(wù)危機(jī)預(yù)警研究[J]. 吳世珍,柯大鋼.  財(cái)會(huì)月刊. 2007(08)
[2]信用風(fēng)險(xiǎn)內(nèi)部模型評(píng)價(jià)[J]. 趙國(guó)慶,范紅崗.  商業(yè)經(jīng)濟(jì)與管理. 2006(09)
[3]論我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)管理體系的構(gòu)建[J]. 劉雪梅.  西南交通大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版). 2006(04)
[4]上市公司財(cái)務(wù)失敗預(yù)警研究[J]. 杜蘭英,王海波.  商業(yè)研究. 2006(11)
[5]轉(zhuǎn)軌時(shí)期我國(guó)信用機(jī)制的建構(gòu)[J]. 廖瑞曉,黃春梅,劉劍.  江西行政學(xué)院學(xué)報(bào). 2005(04)
[6]基于多元判別分析和神經(jīng)網(wǎng)絡(luò)技術(shù)的公司財(cái)務(wù)困境預(yù)警[J]. 張玲,陳收,張昕.  系統(tǒng)工程. 2005(11)
[7]運(yùn)用VaR值度量信用風(fēng)險(xiǎn)模型的比較研究[J]. 王沁,黃丹.  統(tǒng)計(jì)與決策. 2005(21)
[8]我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型及其實(shí)證研究[J]. 李志輝,李萌.  經(jīng)濟(jì)科學(xué). 2005(05)
[9]我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)的分析與管理[J]. 何樹紅,王善民.  經(jīng)濟(jì)問題探索. 2005(07)
[10]我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)的成因與對(duì)策[J]. 陳欣,謝志強(qiáng).  市場(chǎng)周刊(研究版). 2005(07)

博士論文
[1]商業(yè)銀行銀企信用風(fēng)險(xiǎn)分析與管理研究[D]. 嚴(yán)太華.重慶大學(xué) 2003
[2]信用風(fēng)險(xiǎn)的度量與管理研究[D]. 張健.復(fù)旦大學(xué) 2003



本文編號(hào)：3101777