[发明专利]基于逼近理想点违约鉴别能力最大的信用评级最优权重向量的方法

摘要

本发明提供了一种基于逼近理想点违约鉴别能力最大的信用评级最优权重向量的确定方法，属于信用服务技术领域。以非违约企业的信用得分到正理想点的欧式距离代数和最小、违约企业的信用得分到负理想点的欧式距离代数和最小为第一个目标函数。以“非违约企业得分与正理想点的距离”的离散程度最小、“违约企业得分与负理想点的距离”的离散程度最小为第二个目标函数，构建多目标规划函数，反推一组信用评级方程的最优权重；确保信用评级方程得分的大小、能够显著区分违约与否的客户。保证信用评级方程的评级结果为非违约企业得分最高、而违约企业得分最低，最大程度地减少两类样本之间的交叉重叠。

主权项

1.一种基于逼近理想点违约鉴别能力最大的信用评级最优权重向量的方法，其特征在于，步骤如下：步骤1：构建信用风险评价指标体系首先通过偏相关分析，在海选指标中剔除反映信息重复的冗余指标；再通过Probit回归从上述筛选后保留的指标体系中，遴选出对违约状态有显著区分能力的指标，得到信用风险评价指标体系；步骤2：导入数据将步骤1中有显著区分能力的指标数据、客户的违约状态导入到Excel文件中；将导入的指标数据进行标准化处理，转化成[0,1]区间内的数据，消除量纲的影响；其中，客户的违约状态分为违约客户为1和非违约客户为0；步骤3：构建距离函数步骤3.1、确定正负理想点：正理想点表示各项指标的最大值加权后的得分、即信用得分的最大值，由于各项指标数据标准化后的最大值为1，所以信用得分的最大值为1分，即正理想点S+＝1；负理想点表示各项指标的最小值加权后的得分、即信用得分的最小值，由于各项指标数据标准化后的最小值为0，所以信用得分的最小值为0分，即负理想点S‑＝0；步骤3.2、构建距离函数：构建非违约企业信用得分到正理想点S⁺的距离函数其中，w_j是指标权重、待求的决策变量，是步骤2中非违约企业的指标标准化数据，S⁺是步骤3.1确定的正理想点；构建违约企业信用得分到负理想点S^‑的距离函数其中，是步骤2中违约企业的指标标准化数据，S^‑是步骤3.1确定的负理想点；步骤4：第一个目标函数的构建根据非违约企业的信用得分与正理想点的欧式距离代数和最小、违约企业的信用得分与负理想点的欧式距离代数和最小，构建目标函数1，即：其中，n0是非违约企业的个数，C是罚系数，n1是违约企业的个数；以式(1)为第一个目标函数构建规划模型，反推一组信用评级方程的最优权重向量；保证信用评价方程的评价结果使得非违约企业的得分最高、违约企业的得分最低，通过信用得分能够显著区分违约与非违约客户；步骤5：第二个目标函数的构建通过“非违约企业得分到正理想点距离的离散程度最小、“违约企业得分到负理想点距离的离散程度最小构建第二个目标函数，即：其中，是非违约企业得分到正理想点距离的平均值，是违约企业得分到负理想点距离的平均值；以式(2)为第二个目标函数构建规划模型，反推一组信用评级方程的最优权重向量；保证信用评价方程的评价结果使得违约企业和非违约企业得分在各自组内的离散程度最小，最大程度地减少两类样本之间的交叉重叠；第一个目标函数与第二个目标函数的区别在于第一个目标函数是保证非违约企业得分最高、而违约企业得分最低，而第二个目标函数是使得违约企业和非违约企业得分的交叉重叠最小；步骤6：约束条件的构建以“全部指标的权重加和等于1，“指标权重非负w_j≥0”为两个约束条件；本方法中通过步骤4的第一个目标函数、步骤5的第二个目标函数和两个约束条件，构建多目标规划模型；反推信用评价方程的一组最优权重向量，使得信用评价结果满足非违约企业得分聚集在正理想点附近、且违约企业得分聚集在负理想点附近，最大地拉开两类企业的得分差距；步骤7：求解最优的权重向量将多目标规划模型中第一个目标函数式(1)与第二个目标函数式(2)，按照1：1的比例进行线性加权，得到单目标函数规划模型；而约束条件不变，利用单纯形法对单目标规划模型进行求解，得到决策变量“一组权重向量W*＝(w1*,w2*,…,wm*)”；权重的求解结果直接显示于Excel界面；步骤8：计算信用评价得分利用步骤4的权重求解结果w_j^*、步骤2的指标标准化数据x_ij，线性加权构建信用评价方程，计算信用得分