基于BP算法的信用风险评价模型研究

被引：24

作者：

庞素琳

王燕鸣

黎荣舟

机构：

[1] 中山大学数学与计算科学学院及岭南学院金融系

[2] 华南理工大学交通学院广州

[3] 暨南大学数学系

[4] 广州

来源：

数学的实践与认识 | 2003年 / 08期

基金：

广东省自然科学基金;

关键词：

信用风险评价模型; BP算法; 线性判别分析法;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

本文利用神经网络技术建立基于 BP算法的信用风险评价模型 ,为我国某商业银行 12 0家贷款企业进行信用风险评价 ,按照企业的信用等级分为“信用好”、“信用中等”和“信用差”三个小组 .仿真结果表明 ,本文所建立的神经网络信用风险评价模型的分类准确率高于传统的参数统计分类方法——线性判别分析法的分类准确率 .文中还详细给出神经网络信用风险评价模型的网络构建方法及基于 BP网络的学习算法和步骤 .

引用

页码：48 / 55

页数：8

共 8 条

[1] 基于人工神经网络的商业银行贷款风险预警研究 [J].

杨保安 ;

季海 .

系统工程理论与实践, 2001, (05) :70-74

[2] 企业财务困境研究的理论、方法及应用 [J].

陈晓 ;

陈治鸿 .

投资研究, 2000, (06) :29-33

[3] 开展财务预警分析,增强经营者忧患意识 [J].

宋秋萍 .

生产力研究, 2000, (Z1) :125-126+143

[4] 上市公司复合财务系数 [J].

毛定祥 .

系统工程理论与实践, 1999, (10) :43-48

[5] 基于神经网络技术的商业银行信用风险评估 [J].

王春峰 ;

万海晖 ;

张维 .

系统工程理论与实践, 1999, (09) :24-32

[6]

Ahybrid intelligent system for predicting bank holding structrure .2 Hashemi R R,Le Blanc LA,Rucks C T,Rajaratnam. European Journal of Operational Research . 1998

[7]

Corporate distress diagnosis: comparisons using linear discrim inant analysis and neural netwoeks (the Italian experience) .2 Altman E,Marco Gotal. J Banking and Finance . 1994

[8]

Differentiating between good credits and bad credits using neuro-fuzzy systems .2 ReshmiM alhotra,Malhotra D K. Computing artificial intelligence and information technology . 2002

← 1 →