基于SVM的中小企业集合债券融资个体信用风险度量研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于SVM的中小企业集合债券融资个体信用风险度量研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：中小企业集合债券融资个体的信用风险度量面临小样本、非线性、高维数等现实问题，传统的评估方法很难适用。为了弥补传统评估方法的不足，提高信用风险度量的准确性，建立了适用性更强的信用风险评估指标体系，并引入基于统计学习理论的svm模型对融资个体信用风险进行度量。选取径向基核函数作为支持向量机的核函数，通过数据的转化与缩放、参数的优选，最终获得了分类效果比较好的中小企业集合债券融资个体信用风险度量模型。经实际数据检验，模型的预测准确率为90.77%，具有较强的适用性。

关键词：信用风险；融资个体；SVM模型；中小企业集合债券

中图分类号：F276.3 文献标识码：A 文章编号：1672-3104（2013）02?0008?04

中小企业集合债券是我国对中小企业融资问题探索的成果体现，在央行调控银行信贷规模，中小企业融资难的情况下，中小企业集合债券的发行可以帮助中小企业的直接融资，为中小企业的发展提供了有力的支持。但由于中小企业自身信用水平较低，参与集合债券的中小企业行业来源多样化，且目前发行企业数量有限，研究样本小，传统的信用风险度量模型很难适用。信用风险的难以计量性一定程度上制约了中小企业集合债券的发展，基于统计学习理论的支持向量机（SVM）模型提供了一种适宜的度量方法，能很好的解决此问题。

统计学习理论系统地研究了经验风险最小化原理成立的条件，是目前针对小样本统计估计和预测学习的最佳理论[1]。支持向量机方法是Vapnik[2]等提出的建立在统计学习理论的VC维理论和结构风险最小化原理基础上的新型学习方法，具有严格的理论基础。它以有限的样本信息为依据，寻求模型的复杂性与学习能力间的最佳折衷，以期获得最好的推广能力。在小样本学习方面具有的优越性，可以较好地解决传统评估方法不能解决的非线性、高维及局部极小点等问题，并具有较好的泛化性能，对于未知类别样本具有相当卓越的分类与预测能力。

本文基于支持向量机模型对中小企业集合债券融

资个体的信用风险进行度量，以期提供更为适用的度量模型，进一步完善中小企业集合债券的风险管理与控制。