基于机器学习的金融信用风险分析

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Analysis of Financial Credit Risk Using Machine Learning》
---
作者：
Jacky C.K. Chow
---
最新提交年份：
2018
---
英文摘要：
  Corporate insolvency can have a devastating effect on the economy. With an increasing number of companies making expansion overseas to capitalize on foreign resources, a multinational corporate bankruptcy can disrupt the world\'s financial ecosystem. Corporations do not fail instantaneously; objective measures and rigorous analysis of qualitative (e.g. brand) and quantitative (e.g. econometric factors) data can help identify a company\'s financial risk. Gathering and storage of data about a corporation has become less difficult with recent advancements in communication and information technologies. The remaining challenge lies in mining relevant information about a company\'s health hidden under the vast amounts of data, and using it to forecast insolvency so that managers and stakeholders have time to react. In recent years, machine learning has become a popular field in big data analytics because of its success in learning complicated models. Methods such as support vector machines, adaptive boosting, artificial neural networks, and Gaussian processes can be used for recognizing patterns in the data (with a high degree of accuracy) that may not be apparent to human analysts. This thesis studied corporate bankruptcy of manufacturing companies in Korea and Poland using experts\' opinions and financial measures, respectively. Using publicly available datasets, several machine learning methods were applied to learn the relationship between the company\'s current state and its fate in the near future. Results showed that predictions with accuracy greater than 95% were achievable using any machine learning technique when informative features like experts\' assessment were used. However, when using purely financial factors to predict whether or not a company will go bankrupt, the correlation is not as strong.
---
中文摘要：
公司破产可能对经济产生毁灭性影响。随着越来越多的公司在海外扩张以利用外国资源，跨国公司破产可能会破坏世界金融生态系统。公司不会瞬间倒闭；对定性（如品牌）和定量（如计量经济因素）数据的客观衡量和严格分析有助于识别公司的财务风险。随着通信和信息技术的发展，收集和存储公司数据的难度已经降低。剩下的挑战在于挖掘隐藏在大量数据下的有关公司健康状况的相关信息，并利用这些信息预测破产情况，以便管理者和利益相关者有时间作出反应。近年来，机器学习因其在学习复杂模型方面的成功而成为大数据分析中的一个热门领域。支持向量机、自适应boosting、人工神经网络和高斯过程等方法可用于识别数据中的模式（具有较高的精确度），这些模式可能对人类分析师来说并不明显。本文分别运用专家意见和财务指标对韩国和波兰制造业企业破产进行了研究。使用公开可用的数据集，应用了几种机器学习方法来了解公司当前状态与未来命运之间的关系。结果表明，当使用诸如专家评估之类的信息特征时，使用任何机器学习技术都可以实现精度大于95%的预测。然而，当使用纯粹的财务因素来预测一家公司是否会破产时，相关性并没有那么强。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--
一级分类：Economics        经济学
二级分类：Econometrics        计量经济学
分类描述：Econometric Theory, Micro-Econometrics, Macro-Econometrics, Empirical Content of Economic Relations discovered via New Methods, Methodological Aspects of the Application of Statistical Inference to Economic Data.
计量经济学理论，微观计量经济学，宏观计量经济学，通过新方法发现的经济关系的实证内容，统计推论应用于经济数据的方法论方面。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Mathematical Finance        数学金融学
分类描述：Mathematical and analytical methods of finance, including stochastic, probabilistic and functional analysis, algebraic, geometric and other methods
金融的数学和分析方法，包括随机、概率和泛函分析、代数、几何和其他方法
--

---
PDF下载：
-->

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：信用风险分析 风险分析 信用风险 机器学习 学习的

利用机器学习分析金融信贷风险英国伯明翰杰基·C·K·周阿斯顿大学本论文于2017年4月提交给我的勇敢、睿智、，亲爱的母亲，谢谢你的耐心和时间来教导和照顾我，谢谢你为我放弃了一切，谢谢你的祈祷，你无条件的爱和鼓励造就了我，我会永远想念你，在《第三次和平宣言》中，我声明，我已亲自编写了本报告，报告的全部或部分内容尚未提交任何其他学位或资格。它也没有全部或部分出现在任何教科书、期刊或之前为任何目的出版或制作的任何其他文件中。这里描述的工作是我自己的，除非另有说明，否则是我亲自完成的。所有信息来源，包括引文，均通过引用的方式在最终引用部分和文本中出现的位置予以确认。公司破产可能对经济产生毁灭性影响。随着越来越多的公司在海外扩张以利用外国资源，跨国公司破产可能会破坏世界金融生态系统。公司不会瞬间倒闭；对定性（如品牌）和定量（如计量经济因素）数据的客观衡量和严格分析有助于识别公司的财务风险。随着通信和信息技术的发展，收集和存储公司数据的难度已经降低。

剩下的挑战在于挖掘隐藏在大量数据下的有关公司健康状况的相关信息，并利用这些信息预测破产情况，以便管理者和利益相关者有时间作出反应。近年来，机器学习因其在学习复杂模型方面的成功而成为大数据分析中的一个热门领域。支持向量机、自适应boosting、人工神经网络和高斯过程等方法可用于识别数据中的模式（具有较高的精确度），这些模式可能对人类分析师来说并不明显。本文分别运用专家意见和财务指标对韩国和波兰制造业企业破产进行了研究。使用公开可用的数据集，应用了几种机器学习方法来了解公司当前状态与未来命运之间的关系。结果表明，当使用诸如专家评估之类的信息特征时，使用任何机器学习技术都可以实现精度大于95%的预测。然而，当使用纯粹的财务因素来预测一家公司是否会破产时，相关性并没有那么强。需要更多的功能来更好地描述数据，但这会导致更高维度的问题，数千家已发布公司的数据不足以以足够高的密度填充此空间。由于这种“维数灾难”，灵活的非线性模型往往过于适合训练样本，因此无法推广到看不见的数据。

对于高维波兰破产数据集，logistic回归等简单模型可以预测一家公司未来一年的破产，准确率为66.4%。VacKnowledgets感谢你、Alison、Angela、Bahar、Brigitte、Daniel、Hiro、Karen、Kirit、Malcolm、Matt、Nathan和Uwe，感谢你教会了我有关企业管理的一切。感谢Adekola、Conor、Farhan和Omar进行的所有发人深省的讨论。这些年来，我很喜欢和你们一起工作。感谢Henk和Jeroen支持我通过攻读商业学位来扩展知识。感谢Alex、Angelo、Andrea、Arun、Daniela、Elisa、Elise、Flavia、Giovanni、Ignazio、Jan、Job、Laura、Laurens、Luca、Matteo、Niek和Victoria，让我在欧洲的时光不那么孤独和充满欢乐。感谢Ajeesh、Bailey、Bryan、Colin、Jason、Karen、Kate、Kathie、Kris、Kristi、Louis、Mark、Matt、Michael、Michelle、Monica、Trista、Suzanne和Terra让我感觉积极，并期待着每天都在工作。感谢K\'dee校对这篇论文，并一直给予支持。感谢玛丽·斯科多斯卡·居里行动资助这项研究。本文分析的数据由加州大学欧文分校提供。Lichman，M.（2013）。UCI机器学习库[http://archive.ics.uci.edu/ml].  加利福尼亚州欧文：加利福尼亚大学信息与计算机科学学院。六、目录1简介。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。1 2背景。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。4.2.1公司破产。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

4 2.2财务困境预测的机器学习模型。。。。。。。。。。。。。。。。。。。。5 2.2.1线性回归和逻辑回归。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。8 2.2.2 K维树。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 2.2.3支持向量机。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。12 2.2.4决策树。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。14 2.2.5 AdaBoost。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。15 2.2.6人工神经网络。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。16 2.2.7高斯过程。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。17 3目标。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。19 4方法学。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。20 4.1预处理。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。21 4.2降维。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。22 4.3从数据和模型选择中学习。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。24 4.4准确性评估。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。26 5结果和分析。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。31 5.1数据集1：韩国企业破产。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

31 5.1.1数据可视化。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。31 5.1.2二元分类。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。33 5.2数据集2：波兰企业破产。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。45 5.2.1数据可视化。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。45 5.2.2二元分类。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。47 6结论和建议。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。51 7参考文献。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。53 8附录。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。58viiLIST表1：韩国破产数据集上各种机器学习方法与不同降维技术相结合时的质量控制。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。40表2：原始六维定性特征在投影二维主成分上的权重。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。43表3：波兰破产数据集上不同机器学习方法的质量控制。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。50viii图表列表图1：典型机器学习管道概述。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。图2：乙状结肠功能的形状。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10图3：2D K-D树的图形表示。

左侧显示了空间分区（使用超平面 绘制），右侧显示相应的树结构。（BERG、CHEONG、KREVELD和OVERMARS，2008）。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11图4：在2D中使用SVM对O和X进行二元分离。蓝色虚线表示零训练错误的潜在决策边界（即，没有标签位于线的错误一侧），紫色实线表示SVM决策边界。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。12图5：使用一个级别进行二元分类的决策树。。。。。。。。。。。。。。。。。。。。。15图6：完全连接的两层人工神经网络的结构。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。17图7：使用交叉验证分数调整SVM的正则化参数。实线表示10倍交叉验证的平均值，虚线表示标准偏差。。。。。。。。。。。。。。。。。26图8：精确度和召回率之间的反比关系。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。28图9：实线显示的分类器ROC曲线和虚线显示的随机猜测。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。29图10：在0和1之间归一化的二元分类器的混淆矩阵。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

30图11：韩国破产数据集的二维可视化32图12：韩国破产数据集的三维可视化。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。33图13:PCA变换特征上不同分类的决策边界和混淆矩阵。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。35图14:LDA转换特征上不同分类的决策边界和混淆矩阵。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。36IX图15:ISOMAP转换特征上不同分类的判定边界和混淆矩阵。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。38图16：核PCA变换特征上不同分类的决策边界和混淆矩阵。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。39图17：二维空间中ISOMAP转换特征的训练决策树。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。42图18：原始特征的训练决策树。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。44图19：波兰破产数据集的三维可视化46图20：主成分的累积方差百分比。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。46图21：在波兰破产数据集上应用不同机器学习方法的ROC曲线和混淆矩阵。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

48x缩略语和首字母缩略词列表AdaBoost自适应Boosting人工神经网络曲线下AUC面积Bagging Bootstrap聚合蓝色最佳线性无偏估计CV交叉验证GP高斯过程等值线等距特征映射K-D树K维树LDA线性判别分析MLE最大似然估计PCA主成分分析ROC接收机工作特征SVM支持向量机附录1：韩国破产数据集特征。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。59附录2：波兰破产数据集特征。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。60第1章：简介Jacky C.K.Chow-2018年2月1简介这是数据的世纪。《哈佛商业评论》（Harvard Business Review）最近发表了一篇文章，将数据科学家评为21世纪“最性感的工作”（Davenport&Patil，2012）。随着消费者、营销、运营、会计、经济等方面的大数据已经被大多数公司广泛使用，难题的最后一部分似乎是利用数据挖掘或机器学习等技术提取可由人类解释的有价值信息。企业已经在调整其公司战略，以从机器学习中获益。埃森哲高绩效研究所（Accenture Institute for High Performance）进行的一项调查表明，40%以上的大公司已经在使用机器学习来推动营销，他们可以将约38%的销售改善归因于机器学习。

此外，76%的公司认为机器学习将是其未来销售增长的关键组成部分（James Wilson、Mulani和Alter，2016）。机器学习在商业中的应用非常广泛；除了有针对性的销售和市场细分之外，它还可以用于基于需求预测、个性化客户服务和客户细分等的库存优化（Chen、Chiang和Storey，2012）。本文将广泛研究的领域是金融信用风险评估。信用评级/评分、破产预测和公司财务困境预测等术语将互换使用，统称为“金融信用风险评估”（Chen、Ribeiro和Chen，2016）。这种简化的原因是（从概率机器学习的角度来看），所有这些问题都可以在最后阶段使用机器学习2 Jacky C.K.Chow-2018年2月的二元分类问题进行金融信用风险分析，例如，该公司是否会在下个季度破产？回答：是或否。破产预测可以追溯到两个多世纪以前，当时大多数评估都是定性的（Bellovory、Giacomino和Akers，2007；Li和Miu，2010；de Andrés、Landajo和Lorca，2012）。直到20世纪，更多的定量（和更少的主观）技术才流行起来；一些例子包括Beaver的开创性单变量分析工作（Beaver，1966）和Altman在20世纪60年代的多重判别分析工作（Altman，1968）。他们的工作证明了提前五年预测公司失败的能力。