论文部分内容阅读
本文应用logistic逐步回归求某银行数据的违约概率,在变量选择的过程中,我们选择了AIC准则跟BIC准则,我们对两种模型进行样本内及样本外的模型区分能力对比,发现样本内BIC准则优于AIC准则,但是样本外AIC准则优于BIC准则。考虑到我们的样本为银行的违约客户数据,不可避免的,违约客户的数据相比而言少很多。为了建立好模型,我们样本内数据中违约客户与非违约客户的比为1：1,但是样本外的数据大部分是非违约客户。因此我们对AIC准则的结果是不是对非违约客户特别适合产生怀疑,此时我们引入分位数回归,在不同分位点下对比两种模型的预测优劣。最终得出结论,AIC模型对非违约客户的预测更准确些,BIC模型对违约客户的预测更准确些。本文主要分为四章。第一章分为四小部分,分别从研究背景、意义与目的、前人的成果及研究思路与结构框架这四个部分进行介绍。第二章也是分为了四个小部分,通过这四个小部分,我们可以了解Logistic逐步回归违约概率模型的建立过程以及模型评价标准。这四个小部分分别为模型的定义、模型的参数估计方法、模型的变量选择标准和变量选择方法以及模型风险区分能力的检验问题。在测算模型的风险区分能力时,我们同时用三个检验标准,这三个标准分别为：KS检验、ROC曲线和AUC值检验以及CAP曲线和AR值检验。第三章主要介绍了与分位数回归相关的理论,主要涉及分位数回归的定义、优越性、求解方法以及分位数回归的参数检验统计量问题。第四章中,我们对某银行某行业中企业客户的实际财务指标数据建立Logistic逐步回归违约概率模型,并进行了实证分析。在建立模型的时候,我们的因变量为客户的违约情况,当客户违约时因变量为1,非违约时因变量为0,我们自变量选择的为企业的财务指标数据。在选择变量的时候我们采用了逐步回归AIC准则和BIC准则两种方法,然后分别进行样本内及样本外的模型区分能力的检验,我们发现,样本内的BIC准则模型优于AIC准则模型,而样本外的AIC准则模型优于BIC准则模型。考虑到我们数据的特殊性,即违约客户很少,而我们样本外数据中大部分为非违约客户,我们怀疑是AIC模型对非违约客户的预测更为准确。为了进一步研究所建立模型的预测准确性,我们引入分位数回归,利用分位数回归来分析两种模型在不同分位点下的表现。此外,我们还通过设定样本中好坏客户的比率,即不断的提高样本中好客户的比率来比较AIC模型与BIC模型。通过两种方法比较,我们最终得出结论：AIC模型对非违约客户的预测更准确些,BIC模型对违约客户的预测更准确些。