一种基于PSO优化加权随机森林算法的上市公司信用评级模型设计

论文摘要

研究目标:根据企业财务比率数据,将企业经营状况通过评级机构所公布的信用级别反映出来。研究方法:本文针对传统随机森林模型在投票机制中存在的弊端,通过改进指标选取、重要性排序及算法优化三个方面,创新性地将PSO算法运用于基于加权随机森林模型的企业信用评级中,并对2016年2840家中国上市企业的财务数据进行应用分析。研究发现:采用PSO优化加权随机森林模型的上市公司信用评级准确率有所提高;其评级准确率普遍优于传统的决策树、支持向量机和随机森林模型;制造业企业信用评级状况不佳,被标记为财务危险的企业占比较多。研究创新:在企业信用评级领域提出一种基于PSO优化加权随机森林模型。研究价值:为完善企业信用评级体系提供新思路。

论文目录

• 一、问题提出
• 二、现有方法述评
• 三、方法的改进
•   1.随机森林模型
•     （1）泛化误差。
•     （2）OOB估计。
•     （3）特征变量的重要性估计。
•   2.加权随机森林模型
•   3.粒子群优化加权随机森林模型
•     （1）粒子群优化算法原理。
•     （2）粒子群优化加权随机森林。
• 四、方法的应用
•   1.数据来源及处理
•   2.指标体系构建
•   3.特征指标选取
•   4.基于加权随机森林模型的上市公司企业信用评级
•     （1）决策树数目对加权随机森林算法的影响。
•     （2）剪枝阈值对加权随机森林算法的影响。
•     （3）预测试样本率对加权随机森林算法的影响。
•   5.基于粒子群优化加权随机森林模型上市公司企业信用评级
•     （1）优化加权随机森林模型评级效果。
•     （2）特征选择对评级效果的影响。
•   6.基于其他对比模型的上市公司企业信用评级
•     （1）决策树。
•     （2）支持向量机。
•     （3）各模型实证分析结果比较。
• 五、方法应用需注意的事项

文章来源

类型: 期刊论文

作者: 马晓君,董碧滢,王常欣

关键词: 上市公司,企业信用评级,加权随机森林,粒子群优化

来源: 数量经济技术经济研究 2019年12期

年度: 2019

分类: 经济与管理科学,基础科学

专业: 数学,宏观经济管理与可持续发展,企业经济,金融,证券,投资

单位: 东北财经大学统计学院

基金: 国家社会科学基金项目“高维数据下企业信用评级方法的改进与应用研究”(17BTJ020),国家自然科学基金资助项目“移动互联时代平台企业的竞争行为及失灵规制研究”“连锁董事网络,社会资本与企业投资效率研究”(71772113,71272010),教育部人文社会科学研究资助项目(18YJC910013),2019年度辽宁省经济社会发展研究课题(2019lslktyb-091)的资助

分类号: F832.51;F275;F224

DOI: 10.13653/j.cnki.jqte.2019.12.009

页码: 165-182

总页数: 18

文件大小: 4619K

下载量: 1047