论文部分内容阅读
信用风险的评估对于银行和投资公司具有重要的理论意义和实际意义.论文系统地概括了国内外现有的信用风险评估方法以及它们的优点及局限性,并创造性地将集对分析(Set Pair Analysis,SPA)及递阶遗传算法(Hierarchical Genetic Algorithm, HGA)训练的RBF神经网络(RBFN)应用于信用评级.论文详细论述了SPA的数学基础、特点及用途,并将其用于信用评级,有效地解决了评级对象的违约与非违约的分类问题.其次,根据RBFN在函数逼近、系统辨识、参数估计、模式分类及预测等方面的成功应用,论文论述了RBFN的结构和数学基础,并进一步深入讨论了它的分类机理.论文第一部分总结了中国信用风险评估存在的问题及应采取的对策,以及国内外现有的信用风险评估的定性及定量方法;第二部分介绍了该文使用的模型所涉及的知识—SPA、GA及RBFN;第三部分利用SPA方法和判别分析方法将评级对象划分为违约与非违约两个等级,并将该方法与判别分析方法相比较,通过对60个样本的实证研究,表明SPA方法比判别分析方法优越;进一步,论文采用HGA训练的RBFN对非违约企业进行评级研究,通过对120家非违约企业进行信用等级评定,结果表明,RBFN具有独特的分级能力,大大优于判别分析.