【作　　者】
蒲晓辉

【作者单位】
（成都农业科技职业学院 成都 611130）

【摘　　要】

      【摘要】 本文针对样本数据较少的特点，将基于小样本的支持向量机（SVM）方法用于我国上市公司信用风险评价中。由于考虑到财务数据特征的非线性和高维性，本文采用等距特征映射（Isomap）算法对财务指标进行特征提取，以减少数据的冗余，再针对人为选择SVM参数的盲目性，应用遗传算法优化其参数。最后通过以我国上市公司财务数据为基础的实证分析表明：基于Isomap的SVM模型比BP神经网络、PCA-SVM模型具有更强的信用风险评估能力，小样本评估准确率达到91%。
【关键词】 信用风险评估   等距特征映射   支持向量机

一、信用风险评估方法总结
信用风险是指借款方由于种种原因，无力或不愿偿还贷款本息导致放贷方损失的可能性。以企业财务数据及相关资料为基础，建立数学模型对其进行科学的分析和度量，是建立风险管理系统和管理流程的有效途径。
国内外不少学者对信用风险评估问题进行了探索和研究，韩东平等（2006）以2003 ~ 2006年ST上市公司为研究对象，选取14个现金流指标建立了一个多元判别财务预警模型，该模型在财务危机发生前一年和前两年判别精度分别为93.3％和83.7％。姜秀华、孙铮（2001）以2000年11月20日为基准点，选取了沪、深证券交易所的84家上市公司（ST和非ST公司各占一半），筛选出四个财务指标建立了Logistic判别模型，财务危机发生前1年对ST公司与非ST公司判定准确率分别为88.10%和80.95%。上述多元判别分析、Logistic回归等传统评估方法局限于在假设条件下，用线性决策函数来描述信用风险与财务数据之间的非线性映射关系，存在明显缺陷。