数据驱动的企业信用风险最优组合评价模型

企业财务数据所提供的各类信息可以有效解释企业的信用水平，然而过多指标往往存在多重共线性问题，造成模型的过拟合，反而降低评价精度。为了约简指标数据，计算企业违约情况与财务指标的相关系数，剔除掉相关性弱的指标。采用Lasso回归方法对相关性高的指标数据进行约简，进而利用Logistic回归模型、贝叶斯模型和支持向量机三种分类模型对企业的信用风险进行分类评价。考虑到不同方法对不同企业的分类精度不同，为了综合利用各方法的优势，构建基于整数规划的企业信用风险最优组合评价模型。对300家创业板上市企业数据进行仿真分析，为了验证模型的有效性，在300家公司中（其中270家为训练样本，30家为测试样本）随机选取3组样本，使用ST公司被执行特别处理（special treatment,ST）前一年的数据进行测试，实验结果表明组合模型具有更高的稳定性和分类精度。