加入收藏 | 设为首页 | 阅知网,倾力打造学术界一站式发表平台!
 经济

基于主分量分析法的信用标准化设计与开发

发布时间:2020-02-13 点击: 来源:金融经济学研究
信用评级起源于一个企业本身的信用高度,有效而完善的信用评级体系可以更加充分的提高企业本身的服务,质量等各方面领域的高度,可以说企业的长远发展离不开整个社会的信用评价体系,两者之间有着互相促进的作用。那么信用评级体系是一个方面,两一个方面便是整个信用评级体系本身的前进,其因为缺乏有效的促进手段,因此发展的脚步比较缓慢(现今信用体系主要偏重于信用在社会各个方面的作用,但也仅限于理论端的描述)。
本文引用主分量分析法对信用体系进行标准化建设,以量化整个信用评级体系的构建,以及后续的改善等。
2 基于主分量分析法相互独立的信用标准体系
将基于主分量分析法的信用标准化系统设计为三级模块,如图1所示。底层为标准化体系端;中间层为连接信用体系与标准化体系的主分量模块;顶层为信用体系。
系统的关键在于主成分这个模块的构建,即如何连接标准化体系和信用体系的两个终端,这里主要为多种因子的交互式连接。
其中主分量的接触方式可分为三种方式:1)通过两端分离交互式接触;2)通过大数据融合接触;3)其他方式,即整体融合局部分离式接触。
  图1 系统结构图
主分量分析需将信用体系和标准体系两个模块划分开来,以便于单独进行矩阵化计算,由于在数学上的运算关系是一致的,因此不存在数据准确性影响,并且矩阵模块化计算,可方便进一步建模。
    鉴于信用体系和标准体系包含的指标杂乱且多,而且数据之间的相关性程度各不相同,这里引入一个相关性分析方法,即KMO相关性检验和Barrelett球度检验,1)KMO相关性检验比较同一个体系内不同数据的相关性,以整合为某一个替丁的主分量;2)Barrelett球度检验则用来反映其各个指标(因子)之间的显著水平。
表1 为KMO相关性检验数据表
测量值 说明 是否适合应用主分量分析法
数据值大小 0.1 独立 不
0.2 无限小 不
0.3 很小 不
0.4 小 不
0.5 较显著 适中
0.6 显著 适中
≥0.6 很显著 适合

3 基于主分量分析法的信用标准化交互系统开发
3.1 标准交互系统的开发
主分量是利用了降维的思想将多指标转化为少数几个综合指标的多元统计分析,这里标准体系本身为多指标系统,实现过程如下:
   (1)确定研究样本的选取,即选取一定量的“合格”和“不合格”组成的历史样本,那么其中“合格”和“不合格”由所选择的样本对象决定,包括所选单位的信用好坏。
   (2)数据标准的前期处理
    即为了保证主成分方法的准确性,更是为了保证数据具有同一的方向性,并且使数据更具经济含义。按照主成分的思想,便可以把标准进行分类,然后使用某一具体类中的“合格”数和”不合格”数的比值作为主成分计算的输入数据,它可以保证各项数据具有同一的方向性,且都具有经济意义。例如对分数进行分类,0-30、30-60、60-80、80-100,4个具体类别,样本中60-80分中有30个合格的,20个不合格的,则该项输入数据定位1.5即(30/20)。
   (3)因子检验
    进行主成分计算的时候,主要运用的检验工具是KMO和Barrelett球度检验,因为当KMO大于0.5球度检验为显著,因此使用主成分是比较合适的。而且这里Barrelett球度检验是不能零假设的,它的值是和显著水平成反比的。
3.2 多因子降维开发
    设选择了n个主成分,则可得到估计样本的评分函数为:
                            ....... (1)
    式中为第i个主成分,为主成分所占比率:
  ,
且     i,l=1.2.3...k
(这里λ为从大到小排列的第i个特征值,为主成分到的累积占用率,又因为第i个主成分可表现为n个原始指标的线性组合,得到: .. (2)
将(2)式代入到(1)式中可得到:
.........(3)
其中  i=1.2....n   j=1.2...n
在主分量获得主要的独立性强的因子之后,辅以标准型数据网格函数评级信用体系。
4 数据网络模型信用评级
混合模型将层次模型和平面模型相互结合,从而产生新的模型,既增强了网络的容错性又汲取了两个模型的特点和优势,对模型中节点的控制比较恰当,当然对于不同标准指标和信用评价的因素都是兼容的,主次因素考虑的也比较全面。
将主分量因子所得数据标准化,即均值为0,方差为1,建立标准化变量协方差矩阵。
为了更好的去分析描述这个问题,这里引入上述两个独立矩阵,即信用度和标准度,辅以设“0-30”,“30-60”,“60-80”,“80-100”四个不同分度。根据上面提到了混合层次模型在分析两个不同体系过程中的优点,以解析当前对象所属区间,以便分析其不同指标:
  
其中,(纵向),为标准信用体系的n个不同对象,同理即为标准信用体系的n个不同的对象(对象包括对应的指标和影响因素)。这里为两个函数的乘积,可以通过值的大小比较直观的反映两个模块的变化情况和相互之间的变化关系。
首先要讨论的是标准信用系统的函数模型,属于(1)式中的子式,即的细分内容:定义若对的所有评价为肯定评价,这些评价包含直接评价和间接评价(由推荐所得),则对存在直接信用关系,对的肯定评价记录决定被信任时所能完成任务的概率,此概率用于评价直接信用关系。
                  
其中完成一次任务的可能性在[0 1]上均匀分布,n是所获得的对的肯定评价度,则是对成功完成一个任务的可能性期望,当然这里为直接标准信用模型。
综合肯定评价和否定评价两方面来描述推荐信用度,推荐信用度与肯定,否定评价记录的关系可由以下公式描述:
其他
     其中m是获得关于进行推荐活动的肯定评价度,n是获得的关于进行推荐活动的否定评价度,是对成功完成一次任务的可能性期望,A模型信用评估模型的评价度一般通过推荐获得。
综合信任度推到可得一下函数:
若已知对的推荐信用度为,对的直接信用度为,对的推荐信用度