摘要：准确预测上市公司银行贷款是否会违约，对上市公司自身的管理以及投资者的投资决策极为重要。本研究的创新与特色有三：一是论文创新性地将JS散度引入信用风险领域中对指标进行离散化，确保了离散化后得到的指标数值区间对企业违约状态的区分能力，根据指标区间中违约企业和非违约企业的比例对相应的指标区间进行WOE打分，保证了WOE分值越大，企业的信用状况越好。避免了现有研究主观设定指标区间数值，导致的如逻辑回归等经典模型理解数据不充分的问题。二是采用增加了L1范数惩罚项(Lasso)的最小角回归(Lars)方程，以贝叶斯信息准则(BIC)最小为目标，反推出LassoLars回归方程中权重不等于0的指标为最优指标组合，确保遴选的指标组合违约预测能力最大，冗余度最小。弥补了现有研究在指标组合遴选时往往没有考虑指标组合中指标间的冗余度，而导致模型复杂性增加的不足。三是使用逻辑回归模型进行建模，以违约预测精度G-mean最大为目标，反推逻辑回归模型最优的违约预测临界点，避免了现有研究逻辑回归模型以经验值0.5为临界点，导致违约企业判别不准的弊端。研究表明：从159个指标中筛选出的43个离散指标既具有违约状态的区分能力，又符合“信用5C”原则，指标体系具有科学性、合理性。其中，除现金比率、企业价值倍数及销售毛利率等反映企业偿债能力、盈利能力、运营能力及成长能力的财务因素对企业违约有显著影响外，管理层持股比例、股东大会召开次数及是否披露内控评价报告等非财务因素，和恩格尔系数、人均地区生产总值及最终消费率等外部宏观因素对企业违约有显著影响。
文章目录
1引言
2文献综述
2.1 指标离散化的研究现状
2.2指标组合遴选的研究现状
2.3违约预测模型的研究现状
3违约预测模型的构建
3.1指标数据的处理
3.1.1基于JS散度指标离散化的原理
3.1.2 证据权重(WOE)打分原理
3.2基于LASSOLarsBIC的指标组合遴选
3.3企业违约预测模型的构建
3.3.1逻辑回归模型的原理
3.3.2违约预测临界点的确定
3.4模型检验精度
4实证分析
4.1数据来源和样本选取
4.2指标数据的处理
4.2.1基于JS散度指标离散化
4.2.2指标WOE打分
4.2.3训练和测试集划分
4.3最优指标组合的确定
4.3.1基于相关性分析的指标第一次筛选
4.3.2基于LASSOLarsBIC的指标组合遴选
4.4违约预测模型的构建
4.4.1逻辑回归模型的构建
4.4.2违约预测临界点的确定
4.5对比分析
4.5.1对比分析模型
4.5.2对比分析结论
5结论
5.1主要结论
5.2主要创新与特色
