使用神经网络、支持向量机和决策树预测公司信用评级的比较研究
风险管理
2020-07-15 v1 机器学习
摘要
信用评级是反映公司履行财务义务的风险水平和可靠性的主要指标之一。评级机构往往需要较长时间来提供新评级并更新旧评级。因此，使用人工智能进行信用评分评估近年来引起了大量关注。成功的机器学习方法可以提供信用评分的快速分析，并以天为单位更新旧评级。相关研究表明，神经网络和支持向量机通过提供更好的预测准确性优于其他技术。本文的目的有两个。首先，我们对应用机器学习技术预测信用评级的文献结果进行了综述和比较分析。其次，我们对先前研究中认为有用的四种机器学习技术（Bagged Decision Trees、Random Forest、Support Vector Machine 和 Multilayer Perceptron）应用于相同数据集。我们使用 10 折交叉验证技术评估结果。所选数据集的实验结果显示基于决策树的模型具有更优性能。除分类器的常规准确性度量外，我们引入了一种基于等级的准确度度量，称为“Notch Distance”，以在上述信用评级特定背景下分析分类器的性能。该度量告诉我们预测与真实评级的差距。我们进一步比较了三大评级机构 Standard & Poors、Moody's 和 Fitch 的表现，结果表明它们评级之间的差异与测试数据集上决策树预测相对于实际评级的差异相当。
引用
@article{arxiv.2007.06617,
title = {A comparative study of forecasting Corporate Credit Ratings using Neural Networks, Support Vector Machines, and Decision Trees},
author = {Parisa Golbayani and Ionuţ Florescu and Rupak Chatterjee},
journal= {arXiv preprint arXiv:2007.06617},
year = {2020}
}