非均衡数据下基于BPNN-LDAMCE的信用评级模型设计及应用
研究目标:非均衡样本信用风险的有效预测.研究方法:针对反向传播神经网络BPNN交叉熵损失函数在非均衡样本信用评级中对非违约样本识别过度、违约样本识别不足的现象,利用标签分布交叉熵(Label Distribution Aware Margin Cross Entropy,简记LDAMCE)函数对交叉熵损失函数进行改进,并采用两阶段方式对BPNN模型进行训练,构建基于BPNN-LDAMCE的信用评级模型;基于多模型对比思路,验证BPNN-LDAMCE模型对中国某金融机构1298笔真实贷款数据信用风险预测的有效性;利用UCI公开的A地区、B地区信贷数据,检验BPNN-LDAMCE模型的稳健性.研究发现:BPNN-LDAMCE在保证对非违约样本识别力的同时,提升了对违约样本的预测准确率.研究创新:通过测算非违约、违约样本到分类面的"最优分类间隔"γ1*、γ2*,利用γ1*、γ2*对交叉熵损失函数进行改进,构建基于"最优分类间隔"的BPNN-LDAMCE信用风险评价模型,既可提升BPNN信用评价模型对违约样本的预测性能,也可缓解直接加权的非均衡评级模型BPNN-WCE对非违约样本识别造成的不利影响.研究价值:为不均衡样本信用评级提供新思路.
信用评价、非均衡、标签分布感知边际交叉熵、BP神经网络
39
F830.56;N945.16(金融、银行)
国家自然科学基金;风险-等级-利率匹配视角下家庭农场信用评级与贷款定价研究;国家自然科学基金;中央农办农业农村部乡村振兴专家咨询委员会软科学课题;中和农信星空计划项目
2022-03-21（万方平台首次上网日期，不代表论文的发表时间）
共18页
152-169
