信用是以还本付息为条件的借贷活动。信用评级是通过挖掘评级数据与违约风险的关联关系,揭示受评对象违约风险的大小,为商业银行等金融机构的投资决策提供依据。信用评级的本质是“违约鉴别能力”,也即区分不同信用风险客户的能力。一个违约鉴别能力不显著的信用评级体系不是一个有效的评级体系。2008年金融危机爆发的主要原因之一就是评级体系的违约鉴别能力失效。小企业是国民经济的重要组成部分,然由于其信用信息不健全,管理不规范等特点,导致其信用评级难,而银行囿于信贷风险管控,对小企业采取惜贷甚至不贷策略,导致小企业贷款难、融资难,制约小企业的发展。因此开展小企业信用评级研究,帮助缓解小企业融资难问题,至关重要。本研究以违约鉴别能力为标准,聚焦小企业信用评级模型研究,主要包括三个研究内容:基于指标群违约鉴别能力最大的小企业信用评级指标体系构建模型、基于等级间违约鉴别能力最大的小企业信用等级划分模型、基于新增样本违约鉴别能力的小企业增量式信用评价模型。这三个研究内容紧密相关,层层深入。本论文的主要工作和创新如下:1.建立了基于指标群违约鉴别能力D值最大的信用评级指标体系构建模型,并构建了小企业信用评级指标体系。通过相关分析和K-S检验统计量D值相结合的方法,剔除反映信息重复的指标。运用信用评分的违约鉴别能力D值衡量指标群的违约鉴别能力,通过不断删除指标的迭代方式生成新的指标群,遴选其中违约鉴别能力D值最大的指标群为最终的指标体系,确保了指标体系整体对违约状态具有显著的鉴别能力,弥补了以信息含量或者单个指标的违约鉴别能力为标准构建指标体系,不能确保指标体系整体违约鉴别能力最为显著的不足,丰富了信用评级指标体系建立的方法。通过以中国某商业银行的3045笔小企业贷款数据为实证样本,构建了包括城市居民人均可支配收入等宏观因素,居住状况和任职时间等个人因素,抵押担保情况等信用参数组成的21个指标的小企业信用评级指标体系。研究表明:(1)单个违约鉴别能力最强的指标,组合起来的指标体系整体违约鉴别能力不一定也最强。(2)看似很好、很流行的单个指标,组合起来的指标体系整体违约鉴别能力不一定也很好。(3)评级指标体系内指标个数并不是越多越好。2.根据“等级间违约鉴别能力最大”和“信用等级越高,损失率越低”两个标准,建立了信用等级划分模型,并测算出了每个信用等级对应的损失率。根据信用等级越能把违约可能性不相似的客户区分开,则信用等级的违约鉴别能力就越大的思路,以非违约客户累计频率与违约客户累计频率之差的绝对值最大值max|Sn1,g(c)-Sn2,g(c)|的代数和最大为目标,确保划分的信用等级最大限度地区分开违约可能性不相似的客户。以后一个信用等级的损失率LRc+1均严格大于其前面信用等级的损失率LRc,LR..…,LR1为约束条件1,确保划分的信用等级结果满足“信用等级越高,损失率越低”的标准。以后一个损失率级差△LRc,c+1为前一个级差△LRc-I,c的[a,b]倍为约束条件2,保证不同信用等级的损失率增减稳定,避免划分的信用等级损失率级差过于敏感,或划分失效的现象。根据上述目标函数和约束条件建立了非线性目标规划模型划分信用等级,并测算每个等级对应的损失率,确保了划分的信用等级既满足“信用等级越高,损失率越低”的信用评级本质属性,又能最大限度地区分开违约可能性不相似的客户。以中国某商业银行的3045笔小企业贷款数据为样本进行实证,结果表明:本研究模型划分的信用等级与损失率的关系满足“信用等级越高,损失率越低”的信用评级本质属性,且其区分不同违约可能性客户的能力较强。3.建立了基于新增样本违约鉴别能力的增量式贝叶斯网络信用评价模型,实现了动态信用评价功能。首先基于旧数据集构建初始贝叶斯网络信用评价模型,然后通过用包括新旧样本的新数据集对当前贝叶斯网络信用评价模型进行更新调整的增量学习方式,构建适用于新数据集的增量式贝叶斯网络信用评价模型,保证了在新样本增加后,不需要基于新数据集频繁从零开始重新建模,而是仅仅依据新数据集对旧数据集学习的信用评价模型进行调整确定的新信用评价模型,就能得到可靠的信用评价结果,既弥补了仅基于旧数据集挖掘信用评价模型,造成模型的判别准确率越来越低的不足,又避免了没有充分利用旧数据集的学习结果,频繁从零开始重新建模导致建模过程繁杂耗时的问题。以中国某商业银行的3045笔小企业贷款数据为样本进行实证,结果表明:本研究基于新增样本违约鉴别能力构建的增量式贝叶斯网络信用评价模型的判别准确率较高,评价结果可靠。