郑建国 李新

【摘 要】近年来，我国企业信用风险上升。文章结合传统的财务指标，加入非财务指标，以构建更为全面的企业信用风险评估指标体系。以2015—2017年的A股上市公司为样本，将PCA、SMOTE与通过网格搜索法进行参数寻优后的SVM结合，构建PCA-SMOTE-GS-SVM模型评估企业信用风险，并对比其他模型，结果表明，所构建模型具有较高的稳定性和预测能力。

【关键词】支撑向量机;企业信用风险评估;PCA;SMOTE;网格搜索法

【中图分类号】F832.4 【文献标识码】A 【文章编号】1674-0688（2020）05-0220-03

1 概述

1.1 研究背景

目前，在经济增长放缓、生产能力下降、库存减少、去杠杆化加剧等多种因素的影响下，我国信用贷款的风险频繁发生，不良贷款不断增加，所以我国建立相对完善的银行及其他金融机构信用风险评估体系刻不容缓。支持向量机（SVM）广泛应用于模型的分类和回归中，在用于信用风险评估中，可以实现将不良贷款与优良贷款的主体进行分类。

1.2 国内外研究综述

从近几年的研究来看，方匡南等人[1]将基于网络结构的Logit模型用于企业信用风险评估中。蒋翠霞等人[2]基于 Lasso二元选择分量回归，建立了一个评价模型，并将其应用于中国上市公司的信用评价中，结论表明所提模型较于Lasso-logit 模型和支持向量机等具有更好的评价效果和变量选择能力。吴金旺等人[3]建立了Logistic模型以分析A商业银行海量客户信贷数据。肖会敏等人[4]将神经网络模型用于对P2P网络借款人的信用评估研究。Guangrong Tong and Siwei Li[5]提出了lsomap-RVM模型，并用它来对中国上市公司信用进行评估。……