基于差分進(jìn)化算法的信用風(fēng)險度量模型研究.pdf

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

2、工智能和數(shù)據(jù)挖掘技術(shù)的發(fā)展為這些問題的解決提供了可能。
　　管理的實質(zhì)是為決策者提供最優(yōu)決策，信用風(fēng)險管理實際上也是一個優(yōu)化問題。差分進(jìn)化算法在優(yōu)化問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)險度量模型的評估能力，本文將評估問題轉(zhuǎn)變?yōu)閷?yōu)問題，這樣有利于差分進(jìn)化算法的引入，但是在面對復(fù)雜多變的信用風(fēng)險問題時，差分進(jìn)化算法本身會有這樣或那樣的不足。針對這樣的情況，

3、本文首先對傳統(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)合中國上市公司的實情，優(yōu)化KMV模型，找出符合國情的違約點;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，來對我國上市公司進(jìn)行評估。
　　借鑒多種群并行機制和隨機搜索策略，提出一種基于隨機擴散搜索的協(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制，利用隨機擴散搜索策略將種群分為成功和失敗兩個子群，并對改進(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，定期將子群的部分最好與最差個體實現(xiàn)一對一的信息交流，從而達(dá)到協(xié)同進(jìn)化的目的。通過函數(shù)實驗仿真，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信用評級模型中，違約點的短期和長期比率系數(shù)以及投資人市場主觀態(tài)度系數(shù)的最優(yōu)組合，運用差分進(jìn)化算法，構(gòu)造了最優(yōu)違約系數(shù)的不確定性DE-KMV測算模型。通過分析近年來中國經(jīng)

5、濟發(fā)展環(huán)境對上市公司違約風(fēng)險影響的趨勢，厘清人們對當(dāng)前金融市場環(huán)境好壞的基本態(tài)勢，利用不確定性DE-KVM模型對上市公司的違約情況進(jìn)行測算，得到了最優(yōu)的中國上市公司默認(rèn)違約點系數(shù)和投資人態(tài)度系數(shù)。
　　建立信用風(fēng)險評價的差分進(jìn)化自動聚類模型，并將其應(yīng)用到我國上市公司信用風(fēng)險評價中。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)。通過數(shù)據(jù)仿真，并與遺傳算法、決策樹、BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行信用風(fēng)險評價的實證對比研究，