多安，赛义德;Büyükkör，Yasin;穆拉特·阿坦 企业信用评级预测与机器学习的比较研究。 （英语） Zbl 1500.91143号 操作。Res.Decis公司。 32，编号1，25-47（2022）. 概述：信用评分对金融部门投资者和政府官员至关重要，重要的是开发可靠、透明和适当的工具来获得评级。本研究的目的是利用机器学习和现代统计方法，在部门和汇总数据中预测公司信用评分。对三个不同行业的1881家公司进行了分析，这些公司向土耳其最大的公共银行申请贷款。实验结果在分类准确度、敏感性、特异性、精密度和马修斯相关系数方面进行了比较。当以部门为基础估计信用评级时，可以观察到分类率有很大变化。从分析结果来看，对于所有数据集，逻辑回归分析、支持向量机、随机森林和XGBoost的性能都优于决策树和（k）-最近邻。 MSC公司： 91G40型 信用风险 91G50型 公司财务（股息、实物期权等） 关键词：信用评级;信用风险;机器学习 PDF格式BibTeX公司 XML格式引用 \textit{S.Doan}等人，作品。Res.Decis公司。32，编号1，25-47（2022；Zbl 1500.91143） 全文： 链接 参考文献： [1] 穆迪符号和定义，网址：https，//www.moodys.com/researchdocumentcontent page.aspx？docid=PBC_79004 [2] 黄忠、陈华、徐春杰、陈伟华、吴S.，基于支持向量机和神经网络的信用评级分析：市场比较研究，12月Sup.Syst。，2004, 37, (4), 543-558. [3] BALIOS D.、THOMADAKIS S.、TSIPOURI L.，《信用评级模型开发》。基于会计数据的有序分析，Res.Int.Bus。财务。，2016, 38, 122-136. [4] BLCHLINGER A.，信用评级和定价。《两极分开》，J.Risk Fin。管理。，2018, 11 (2). [5] AKBULAK Y.，信用评级或评级。《概念和标准》，《马里-圣胡姆宣言》，2012年，第111期，第171-184页（土耳其语）。 [6] W奥斯JCICKA-W奥斯JTOWICZ A.，《金融中的信贷风险管理——对各种方法的审查》。操作。2018年12月28日第（4）、99-106号决议。 [7] LI J.P.、MIRZA N.、RAHAT B.、XIONG D.，《第四次工业革命时代的机器学习和信用评级预测》，Techn.For。《社会变革》，2020，161，120309。 [8] KARIYA，T.，YAMAMURA Y.，INUI K.，个别公司债券的经验信用风险评级和违约概率期限结构推导，J.risk Fin。管理。，2019, 12 (3). [9] 钟华，苗灿，沈总，冯勇，比较BP、ELM、I-ELM和SVM在企业信用评级中的学习效果，神经公司。，2014, 128, 285-295. [10] HUANG，C.-L.，CHEN M.-C.，WANG C.-J.，基于支持向量机的数据挖掘方法的信用评分，实验系统。申请。，2007, 33 (4), 847-856. [11] SHI J.，XU B.，基于新型隶属函数的模糊支持向量机信用评分，J.Risk Fin。管理。，2016, 9 (4), 13. [12] DANENAS，GARSVA G.，信用风险领域基于支持向量机分类器的选择，Exp.Syst。申请。，2015年，42（6），3194-3204。 [13] YANENKOVA I.、NEHODA Y.、DROBYAZKO S.、ZAVHORODNII A.、BEREZOVSKA L.，《使用成本风险模型进行银行信贷风险管理建模》，J.risk Fin。管理。，2021, 14 (5), 211. [14] HAJEK，MICHALAK K.，《企业信用评级预测中的特征选择》，Knowl-基于系统。，2013, 51, 72-84. [15] HAN S.H.、PAGANO M.S.、SHIN Y.S.，评级机构声誉、全球金融危机和债务成本，Fin。管理。，2012, 41 (4), 849-884. [16] GÜR T.H.，ÖZTÜRK H.，国家风险、评级机构、中断和新法规，Sosyoekon。，2011（2），69-92，238-240（土耳其语）。 [17] NICA I.、ALEXANDRU D.B.、PARAMON CRĂCIUNESCU S.L.、IONESCU S.，《自动估价建模：使用机器学习技术分析抵押行为寿命曲线模型》，MDPI，2021，13（9），5162。 [18] ADDO，M.，GUEGAN D.，HASSANI B.，使用机器和深度学习模型进行信用风险分析，2018，6（2），38。 [19] ASSEF F.M.、STEINER M.、NETO S.、DE BARROS FRANCO D.G.，《金融应用中的分类算法》。《法律实体信用风险分析》，IEEE Latin Am.Trans。，2019, 17 (10), 1733-1740. [20] ANICETO，M.C.，BARBOZA F.，KIMURA H.，《应用于消费者信用价值的机器学习预测》，Fut.e Bus。J.，2020，6（1），37。 [21] CARBO-VALVERDE S.、CUADROS-SOLAS P.、RODRíGUEZ-FERNáNDEZ F.J.O.，银行客户数字化的机器学习ap-proach。随机森林和因果森林证据，《公共科学图书馆综合》，2020年，15（10），e0240362。 [22] FISHER L.，《公司债券风险溢价的决定因素》，J.Pol。经济。，1959, 67 (3), 217-237. [23] PINCHES G.E.MINGO K.A.，《工业债券评级的多元分析》，J.Fin。，1973, 28 (1), 1-18. [24] EDERINGTON，L.H.，分类模型和债券评级，Fin。修订版，1985年，20（4），237-262。 [25] GENTRY J.A.、WHITFORD D.T.、NEWBOLD P.，用概率模型和资金流组件预测工业债券评级，Fin。1988年修订，23（3），269-286。 [26] KOZODOI N.，LESSMANN S.，PAPAKONSTANTINOU K.，GATSOULIS Y.，信贷评分中利润驱动特征选择的多目标方法，12月补充系统。，2019, 120, 106-117. [27] DUTTA，S.，SHEKHAR S.，债券评级。神经网络的非保守应用，Proc。IEEE国际协调神经网络，1988年。 [28] SURKAN A.J.、SINGLETON J.C.，通过多层隐藏层改进债券评级的神经网络，IJCNN国际联合Conf.神经网络，IEEE，1990年。 [29] DAMRONGSAKMETHEE T.，NEAGOE V.-E.，C4.5决策树，使用adaboost与多层感知器增强信用评分建模，[In:]智能系统中的计算统计与数学建模方法，Springer，Cham 2019。 [30] LUO C.，信贷评分的综合决策支持方法，Ind.Manage。数据系统。，2020, 120 (2), 280-290. [31] KIM J.W.、WEISTROFFER H.R.、REDMOND R.T.，债券评级专家系统。统计、基于规则和神经网络系统的比较分析，实验系统。，1993, 10 (3), 167-172. [32] SHIN K.-S.，HAN I.，使用归纳索引进行公司债券评级的基于案例的方法，12月补充系统。，2001, 32 (1), 41-52. [33] KALAIVANI，SHUNMUGANATHAN K.，基于遗传算法和混合模型的情感极性分类特征选择，国际期刊数据最小，模型。管理。，2016, 8 (4), 315-329. [34] ZEKIC-SUSAC M.、SARLIJA N.、BENSIC M.，《小企业信用评分：逻辑回归、神经网络和决策树模型的比较》，IEEE Proc。第26届国际会议信息技术接口，2004年。 [35] LESSMANN S.、BAESENS B.、SEOW H.-V.、THOMAS L.C.、信用评分的最新分类算法，J.Oper。Res.Soc.，2003，54（6），627-635·Zbl 1097.91516号 [36] LEE Y.-C.，支持向量机在企业信用评级预测中的应用，实验系统。申请。，2007, 33 (1), 67-74. [37] KIM K.-S.，HAN I.，使用自组织映射和学习矢量量化进行基于案例推理的聚类诱导方法，债券评级案例，实验系统。申请。，2001, 21 (3), 147-156. [38] YU L.，WANG S.，LAI K.K.，基于多级神经网络集成学习方法的信用风险评估，应用专家系统，2008，34（2），1434-1444。 [39] KIM K.-J.，AHN H.，使用多类支持向量机和有序成对划分方法的企业信用评级模型，Comp。操作。研究，2012，39（8），1800-1811·Zbl 1251.91068号 [40] YEH C.-C.，LIN F.，HSU C.-Y.，混合KMV模型，信用评级的随机森林和粗糙集理论方法，基于知识的系统，2012，33，166-172。 [41] PAI-F.，TAN Y.-S.，HSU M.-F.，基于集成策略的决策树支持向量机信用评级分析，国际模糊系统杂志。，2015, 17 (4), 521-530. [42] ADDO M.，GUEGAN D.，HASSANI B.，使用机器和深度学习模型进行信用风险分析，风险，2018，6（2），38。 [43] WALLIS M.、KUMAR K.、GEPP A.，使用机器学习技术进行信用评级预测，高级数据最小数据。管理。管理。透视图。国际大分析。，2019, 180-198. [44] GRISHUNIN S.、SULOEVA S.、EGOROVA A.、BUROVA B.，全球制造业公司信用评级再造实证方法比较，国际技术期刊。，2020, 11, 1223. [45] GOLBAYANI P.、FLORESCU I.、CHATTERJEE R.，《使用神经网络、支持向量机和决策树预测企业信用评级的比较研究》，北美经济杂志。财务。，2020年，54C，101251。 [46] MERĆEP A.，MRČELA L.，BIROV M.，KOSTANJČAR Z.，行为信用评级的深度神经网络，熵（巴塞尔），2020，23（1），27。 [47] HOSMER，D.W.，LEMESHOW S.，STURDIVANT R.X.，应用逻辑回归，威利，纽约，2000年·Zbl 0967.62045号 [48] NETER J.，《应用线性统计模型》，McGraw-Hill，Irwin，波士顿，1996年。 [49] MUSA A.B.，支持向量机和logistic回归分类性能的比较研究，Int.J.Mach。学习。网络。，2013, 4 (1), 13-24. [50] FIX E.，HODGES J.L.，判别分析-非参数判别。一致性属性，《国际统计评论》，1989年，57，238·Zbl 0715.62080号 [51] HAN J.，KAMBER M.，数据挖掘概念和技术，[In:]J.Gray（Ed.），《数据管理系统中的Morgan Kaufmann系列》，Elsevier，2006年。 [52] CORTES C.，VAPNIK V.，支持向量网络，马赫。学习。，1995, 20 (3), 273-297. ·Zbl 0831.68098号 [53] CRISTIANINI N.，SHAWE-TAYLOR J.，《支持向量机和其他基于内核的学习方法简介》，剑桥大学出版社，Camridge 2000·Zbl 0994.68074号 [54] BURGES C.J.C.，模式识别支持向量机教程，Data Min.Knowl。光盘。，1998, 2 (2), 121-167. [55] 廖毅，方S.-C.，NUTTLE H.L.W.，用于模式分类的有界加权神经网络模型，Comp。操作。研究，2004，31（9），1411-1426·兹比尔1076.68061 [56] 宋义勇，卢义勇，决策树方法：分类和预测的应用，尚。拱门。心理学，2015，27（2），130-135。 [57] BREIMAN L.、FRIEDMAN J.H.、OLSHEN R.A.、STONE C.J.，《分类和回归树》，布鲁克斯/科尔出版社，蒙特雷，1984年·Zbl 0541.62042号 [58] 昆兰J.R.，C4.5：机器学习程序，摩根考夫曼出版社，1993年。 [59] BIGGS D.，DE VILLE B.，SUEN E.，《为分类和决策树选择多路分区的方法》，J.Appl。《统计》，1991年，18（1），49-62。 [60] KASS G.V.，《调查大量分类数据的探索性技术》，J.Royal Stat.Soc.，Ser。C（应用统计），1980，29（2），119-127。 [61] SAMUEL O.S.，OLAJUBU E.，监督机器学习算法。分类与比较，国际比较杂志。技术趋势。，2017, 48, 128-138. [62] PATEL N.D.UPADHYAY S.，《各种决策树修剪方法及其在WEKA的经验对比研究》，国际比较杂志。申请。，2012, 60, 20-25. [63] ARAS S.，预测比特币波动性的叠加混合GARCH模型，Exp.Syst。申请。，2021, 174, 114747. [64] FRAIWAN L.，LWEESY K.，KHASAWNEH N.，WENZ H.，DICKHAUS H.，基于单个脑电通道的时频分析和随机森林分类器的自动睡眠阶段识别系统，Comp。方法。程序。生物识别。，2012, 108 (1), 10-19. [65] 陈涛，GUESTRIN K.D.，XGBoost。一种可扩展的树增强系统，https://www.kdd.org/kdd2016/papers/files/rfp0697-chenAemb.pdf 2016 [66] CHANG C.-C.，LIN C.-J.，LIBSVM：支持向量机库，ACM Trans。智力。系统。技术。，2011, 2 (27), 1-27. [67] 蔡J.，JAIWEI L.，舒林W.，SHENG Y.，机器学习中的特征选择。一个新的视角，Neurocomp。，2018, 300, 70-79. [68] TIBSHIRANI R.，《通过套索进行回归收缩和选择》，J.Royal Stat.Soc.，Ser。B（方法学），1996，58（1），267-288·兹比尔0850.62538 [69] ZOU H.，自适应套索及其预言属性，美国法律总汇，2006，101（476），1418-1429·Zbl 1171.62326号 [70] HALL M.A.、SMITH L.A.，《机器学习的特征选择：比较基于相关性的过滤器方法与包装器》，FLAIRS会议，1999年。 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。