企业资信的BP神经网络评估模型研究

在现代信用经济社会中,提高资信评估的准确度和科学性极其重要.企业资信评估是一个多因素的非线性问题,传统的统计学方法无法抓住资信评估的复杂本质,而神经网络可实现非线性关系的隐式表达.因此,该文提出将BP神经网络用于企业资信评估,建立了企业资信的BP神经网络评估模型,并通过MATLAB软件及其神经网络工具对其进行仿真计算.实验结果表明,该方法稳定、快捷,评价结果有效、可靠,对企业资信评估有着良好的性能.     

基于LM算法的企业资信网络评估模型研究

针对当前企业资信评估方法的不足,提出将基于Levenberg-Marquard(LM)算法的前向多层神经网络用于企业资信评估,并通过MATLAB神经网络工具对其进行模拟计算。实验结果表明,该方法稳定、快捷、预测准确,对企业资信评估有着良好的性能。     

基于贝叶斯正则化神经网络的企业资信评估

在市场经济系统研究中,资信评估作为市场经济中的监督力量,是投资者的重要参考依据.科学准确的资信评估可以辅助决策,降低投资者风险.针对当前企业资信评估方法的不足,为了准确评估资信效果,提出将基于贝叶斯正则化的前向多层神经网络用于企业资信评估,通过新的误差函数可以减少网络的有效权值和阈值,并使网络训练输出更加平滑,从而增强网络的泛化性能.并通过MATLAB软件及其神经网络工具进行仿真计算.结果表明,贝叶斯正则化神经网络稳定、快捷、评价结果可靠准确,可作为于企业资信评估依据.     

一般模糊极大-极小神经网络的研究与应用

分析一般模糊极大-极小神经网络的基本原理,阐述模糊计算方法在分类中的准确性和高效性。将一般模糊极大-极小神经网络应用于企业资信评估中,实现模糊区间的输入,缩小企业评估指标定量化中的误差范围。资信评估结果表明,该算法能快速、有效地对企业进行分类,为资信评估提供了解决方案。     

基于蚁群算法的神经网络在企业资信评估中的应用

BP算法在资信评估中应用较为广泛，但有收敛速度慢、易于陷入局部极小点的缺点。提出一种新的企业资信评估模型，该模型将蚁群算法和神经网络结合起来，使其既具有神经网络的广泛映射能力，又有蚁群算法带来的高效率，全局收敛，分布式计算等特点。实验表明,基于蚁群算法的神经网络对企业资信评估有着良好的性能。     

制造业中小企业的资信评估研究

本文针对制造业中小企业的特点,建立了一套适合该类型企业的资信评估指标体系,并且基于改进型BP神经网络算法对该评估体系的各项资信指标权值进行训练,使网络输出达到理想精度。经实验数据证明,该算法应用于资信评估具有较高的预测精度。     

基于遗传算法的BP神经网络在企业资信评估中的应用

提出了一种新的企业资信评估方法.通过把神经网络和遗传算法有机地结合起来,既克服了传统BP网络训练时间长、易陷入局部极值的缺点,又利用遗传算法提高了网络全局收敛的效率.该模型采用C#.NET SQL server 2000实现.实验结果表明,基于遗传算法的BP神经网络系统对企业资信评估有着良好的性能.     

基于模糊识别模型的信用风险监测研究

企业资信是一个典型的模糊性问题,利用模糊数学中的多层次系统模糊综合评判法作为企业资信评估的主要方法,对企业的资信做出全面、综合、系统的评价。提出了基于隶属函数和贴近度的识别方法评估企业中长期贷款偿还能力,阐述了评估指标标准库的建立和隶属函数的构造。通过实例进行了验证,拓宽了模糊识别理论的应用范围。     

基于马氏距离判别法的企业资信评估

针对基于传统统计学的企业资信评估方法的不足,提出基于距离判别法的企业资信评估方法,并用实例通过Matlab软件及其相应工具对其进行了计算判别.结果表明,基于距离判别法的企业资信评估方案,可快捷、准确、有效地评价企业是否处于破产状态,为企业资信评估提供可靠的依据.     

模糊HopField神经网络聚类及在DRP中的应用

探讨了模糊Hopfield神经网络的聚类功能及其阈值的灵敏度和上下确界。提出了一种基于该聚类理论的企业销售客户资信聚类模型,通过二分法实现自动搜索各个阈值确界的逼近值,并应用于一大型粮食业集团的DRP系统中的资信评估,采用ASP.NET+MSSQLServer2000的B/S构架实现,为该集团的销售客户资信等级分类提供了科学方法,其聚类结果的合理性得到了集团应用的验证。     

Municipal credit rating modelling by neural networks

The paper presents the modelling possibilities of neural networks on a complex real-world problem, i.e. municipal credit rating modelling. First, current approaches in credit rating modelling are introduced. Second, previous studies on municipal credit rating modelling are analyzed. Based on this analysis, the model is designed to classify US municipalities (located in the State of Connecticut) into rating classes. The model includes data pre-processing, the selection process of input variables, and the design of various neural networks' structures for classification. The selection of input variables is realized using genetic algorithms. The input variables are extracted from financial statements and statistical reports in line with previous studies. These variables represent the inputs of neural networks, while the rating classes from Moody's rating agency stand for the outputs. In addition to exact rating classes, data are also labelled by four basic rating classes. As a result, the classification accuracies and the contributions of input variables are studied for the different number of classes. The results show that the rating classes assigned to bond issuers can be classified with a high accuracy rate using a limited subset of input variables.     

模糊神经网络在纳税信用评估中的应用研究

由于纳税评估过程中存在不精确、模糊以及冗余信息,传统评估模型多数采用经验法和比较法,缺乏科学性和公正性,评估结果正确率低。为了提高纳税信用等级评估的正确率,提出了一种采用模糊神经网络的纳税信用等级评估模型。首先利用模糊逻辑推理对纳税评估过程中的不精确、模糊的信息进行有效的处理,然后利用训练数据对神经网络模型进行训练学习,获得纳税评估指标和信用等级间的评估模型,最后通过利用测试集对模型进行验证,结果表明,模糊神经网络方法提高了纳税信用等级评估的正确率,为税收信用评估提供有效的依据。     

Expert system design for credit risk evaluation using neuro‐fuzzy logic

Over the past few years, the credit risk evaluation of micro‐, small‐ and medium‐scale enterprises by banks and financial institutions has been an active area of research under the joint pressure of regulators and shareholders. The credit rating assessment forms an important part of credit risk assessment, involving risk parameters such as financial, business, industry and management areas. The mathematical models of evaluation are at the core of modern credit risk management systems. This paper focuses on the use of fuzzy logic and neural network techniques to design a methodology for evaluating the credit worthiness of the entrepreneur. The neuro‐fuzzy logic approach takes into account the minute details of credit rating expert's thought process to arrive at the final decision. A flexible credit rating framework (CRF) has been designed to organize all the facts of the client in a hierarchical fashion. The neural networks provide self‐learning capability to the CRF. The CRF can be customized to suit different business and industrial interests.     

信用评级的简约神经网络算法研究

针对经典神经网络算法中参数调整过度复杂的问题，分析银行信用评级知识非线性的特点，提出简约神经网络的拓朴结构，证明了在全部节点函数线性且全部隐层节点函数过原点的条件下,经典神经网络与简约神经网络具有等价性。在此基础上，设计了基于简约网络的算法，简化了参数调整过程，算法结果获得了满意的拟合精度。     

信用评级的简约神经网络算法

运用经济资源的“边际效用递减”原理,分析了信用评级知识的非线性特点,着眼于神经网络算法的结构、函数和收敛算法三部件逻辑独立性,分析了经典神经网络算法拓扑结构的复杂性引致的算法参数调整过度复杂问题,提出了简约神经网络的拓扑结构,证明了在全部结点函数线性且全部隐层结点函数过原点的条件下经典神经网络与简约神经网络具有等价性,设计了基于简约网络的算法,算法结果获得了较高的拟合精度。     

神经网络的企业信用风险评估应用研究

研究企业信用风险评估准确性问题,企业存在产品质量、不良贷款等信用风险问题,企业信用风险是多种因素的综合结果,存在着不确定、非线性、随机性等特点,无法建立确定数学评估模型。只能根据专家评估指标为依据。为了提高企业信用风险评估准确率,提出一种BP神经网络的企业信用风险评估方法。先采用层次分析法构建风险评估指标体系,再用专家系统对评估指标进行量化打分,最后采用BP神经网络对企业信用风险指标进行非线性学习,并对企业信用风险等级进行评估。实验结果表明,BP神经网络的企业信用风险评估模模型能显著提高评估准确率,并能够反映企业信用风险的随机性变化特点,使评估结果更加符合实际情况,为企业信用风险评估提供了参考。