企业支票账户活动与信用违约风险：统计学习方法的应用
统计金融
2017-07-05 v1 风险管理
摘要
信息不对称的存在一直是金融机构的主要关切。诸如商业银行等金融中介需要研究潜在借款人的质量，以便做出企业贷款决策。经典方法利用 logistic 回归通过财务比率对违约概率建模。作为法国主要商业银行之一，我们能够访问企业客户的账户活动。我们表明，该交易数据在预测违约事件上优于经典财务比率。由于新数据反映了现金流的实时状态，这一结果证实了我们的直觉：流动性在违约现象中起重要作用。此外，这两个数据集在一定程度上互补：合并数据比各自单独数据具有更好的预测能力。我们采用了某些先进的机器学习方法并分析了它们的特征。这些方法的正确使用帮助我们深入理解违约现象中核心因素的作用，例如信用额度违规和现金流入。
引用
@article{arxiv.1707.00757,
title = {Checking account activity and credit default risk of enterprises: An application of statistical learning methods},
author = {Jinglun Yao and Maxime Levy-Chapira and Mamikon Margaryan},
journal= {arXiv preprint arXiv:1707.00757},
year = {2017}
}