基于差分進(jìn)化算法的信用風(fēng)險(xiǎn)度量模型研究.pdf

1、信用風(fēng)險(xiǎn)管理一直是金融風(fēng)險(xiǎn)管理的重要組成部分。伴隨著社會(huì)信息化的不斷發(fā)展，信用風(fēng)險(xiǎn)管理問(wèn)題呈現(xiàn)大規(guī)模、復(fù)雜化、不確定性的特點(diǎn)，而其管理的方法無(wú)法滿足大規(guī)模跨領(lǐng)域的信用風(fēng)險(xiǎn)度量與評(píng)估問(wèn)題。一方面由于其緩慢的人工評(píng)估方法與度量模型無(wú)法精準(zhǔn)的判斷擁有龐大數(shù)據(jù)業(yè)務(wù)量對(duì)象的信用風(fēng)險(xiǎn)水平，另一方面在應(yīng)用復(fù)雜的信用風(fēng)險(xiǎn)度量模型的時(shí)候，都不可避免的依靠不完善的假設(shè)及估計(jì)。在現(xiàn)階段的金融領(lǐng)域，傳統(tǒng)的金融信用風(fēng)險(xiǎn)模型無(wú)法準(zhǔn)確地解決這樣復(fù)雜的風(fēng)險(xiǎn)問(wèn)題，但是人

2、工智能和數(shù)據(jù)挖掘技術(shù)的發(fā)展為這些問(wèn)題的解決提供了可能。
　　管理的實(shí)質(zhì)是為決策者提供最優(yōu)決策，信用風(fēng)險(xiǎn)管理實(shí)際上也是一個(gè)優(yōu)化問(wèn)題。差分進(jìn)化算法在優(yōu)化問(wèn)題上具有良好的性能，并且該算法結(jié)合了智能演化和群體學(xué)習(xí)的機(jī)制，算法參數(shù)少，能夠快速尋找到最優(yōu)區(qū)域。為了提高信用風(fēng)險(xiǎn)度量模型的評(píng)估能力，本文將評(píng)估問(wèn)題轉(zhuǎn)變?yōu)閷?yōu)問(wèn)題，這樣有利于差分進(jìn)化算法的引入，但是在面對(duì)復(fù)雜多變的信用風(fēng)險(xiǎn)問(wèn)題時(shí)，差分進(jìn)化算法本身會(huì)有這樣或那樣的不足。針對(duì)這樣的情況，

3、本文首先對(duì)傳統(tǒng)差分進(jìn)化算法提出自己的改進(jìn)思想，提高其算法的優(yōu)化性能;其次，利用改進(jìn)的算法，結(jié)合中國(guó)上市公司的實(shí)情，優(yōu)化KMV模型，找出符合國(guó)情的違約點(diǎn);最后利用數(shù)據(jù)挖掘中聚類的思想，改變差分進(jìn)化算法的形式，來(lái)對(duì)我國(guó)上市公司進(jìn)行評(píng)估。
　　借鑒多種群并行機(jī)制和隨機(jī)搜索策略，提出一種基于隨機(jī)擴(kuò)散搜索的協(xié)同差分進(jìn)化算法。該算法引入反向混沌搜索的初始化機(jī)制，利用隨機(jī)擴(kuò)散搜索策略將種群分為成功和失敗兩個(gè)子群，并對(duì)改進(jìn)的成功和失敗子群分別采用

4、不同的差分策略，克服單一差分策略的缺陷，同時(shí)，定期將子群的部分最好與最差個(gè)體實(shí)現(xiàn)一對(duì)一的信息交流，從而達(dá)到協(xié)同進(jìn)化的目的。通過(guò)函數(shù)實(shí)驗(yàn)仿真，并將它與其它算法進(jìn)行比較，結(jié)果表明該算法的收斂速度和尋優(yōu)精度得到明顯改善，具有較好的收斂速度和尋優(yōu)能力。
　　為了探尋在KMV信用評(píng)級(jí)模型中，違約點(diǎn)的短期和長(zhǎng)期比率系數(shù)以及投資人市場(chǎng)主觀態(tài)度系數(shù)的最優(yōu)組合，運(yùn)用差分進(jìn)化算法，構(gòu)造了最優(yōu)違約系數(shù)的不確定性DE-KMV測(cè)算模型。通過(guò)分析近年來(lái)中國(guó)經(jīng)

5、濟(jì)發(fā)展環(huán)境對(duì)上市公司違約風(fēng)險(xiǎn)影響的趨勢(shì)，厘清人們對(duì)當(dāng)前金融市場(chǎng)環(huán)境好壞的基本態(tài)勢(shì)，利用不確定性DE-KVM模型對(duì)上市公司的違約情況進(jìn)行測(cè)算，得到了最優(yōu)的中國(guó)上市公司默認(rèn)違約點(diǎn)系數(shù)和投資人態(tài)度系數(shù)。
　　建立信用風(fēng)險(xiǎn)評(píng)價(jià)的差分進(jìn)化自動(dòng)聚類模型，并將其應(yīng)用到我國(guó)上市公司信用風(fēng)險(xiǎn)評(píng)價(jià)中。該模型不要求事先知道分類的數(shù)據(jù)，相反，依靠群體智能去尋找最優(yōu)的分區(qū)。通過(guò)數(shù)據(jù)仿真，并與遺傳算法、決策樹(shù)、BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行信用風(fēng)險(xiǎn)評(píng)價(jià)的實(shí)證對(duì)比研究，