基于自适应共振模型的信用风险评估

基于自适应共振模型的信用风险评估

关键词：自适应共振，神经，信用风险
摘要：自适应共振模型是为了能够分类任意次序模拟输进模式而设计的，它可以按任意精度对输进的模拟观察矢量进行分类，较好地解决了前稳定性和灵活性，同时能够避免对网络先前所学的模式修改。本文将ART2模型于信用风险评估，通过实证比较，结果显示应用自适应共振模型进行信用风险评估在精度和正确性上，都优于其他神经网络模型和统计。
1统计方法用于信用风险分类评估存在的局限性
对信用风险评估一类主流方法是基于分类的方法，即把信用风险看成是模式识别中的一类分类题目—将划分为能够定期还本付息和违约两类。其具体做法是根据上每个种别（如期还本付息、违约）的若干样本，从已知的数据中发现其，从而出分类的规则，建立判别模型，用于对新样本的判别，这样信用评估就转化为统计中的分类题目。传统的统计模型主要基于多元统计分析方法，根据判别函数的形式和样天职布的假定不同，主要的模型有：多元回回分析模型、多元判别分析模型（MDA）、Logit分析模型、近邻法等。其中以多元判别分析模型和Logit分析模型应用最为广泛，已有大量贸易化软件。
尽管这些方法在国外有大量应用，但是大量实证研究（Altman，1983；Tam

【基于自适应共振模型的信用风险评估】相关文章：

基于移动性的自适应算法的性能评估11-22

基于改进BP的神经网络模型参考自适应控制03-21

基于剩余收益RI的企业价值评估模型的研究03-21

混沌系统的模型参考模糊自适应控制03-07

基于重大错报风险评估的新审计风险模型应用研究03-01

渠道效率评估模型选择03-23

基于SOPC的LMS自适应滤波算法实现03-07

基于VoIP自适应回音抵消方案的设计与改进03-07

基于GPRS网络的图像传输自适应算法及实现03-07

基于DCT变换域自适应水印算法的研究03-07