本书的研究方法和技术路线

1.4.2　本书的研究方法和技术路线

本书采用先进的数学方法和信用风险模型如模糊神经网络、粗集理论、KMV模型、PFM模型，进行信用风险度量方法的改良和创新研究，理论联系实际，侧重先进的数学方法在信用风险度量中的应用，强调实证分析，用数据说话。

本书的主要研究方法和技术路线：

1）基于模糊神经网络上市公司信用风险评价。该项研究摒弃了传统的专家打分，加权平均的方法，采用先进的模糊神经网络技术，充分发挥模糊神经网络识别率超过一般的BP网络，并且通过控制参数P的作用，可使输入矢量的与或关系明确，网络层次清楚的特点，利用大量的违约案例，采用模糊神经网络自主学习，利用训练后的网络进行上市公司信用风险评价。结合大量的判例，验证所提方法的精度。

2）基于粗集和神经网络的非上市公司信用风险评价，是在上市公司信用风险评价的基础上，针对非上市公司信用风险评价的指标体系过于庞大的难题，充分发挥粗集理论可以不依靠任何专家知识挖掘数据中隐藏的模式，数据约简时能发现最小数据集的特点，借助于粗糙集理论研究非上市公司信用风险评估指标的选取。在此基础上，应用神经网络对非上市公司的信用风险评价。采用大量的判例，验证方法的精度。

3）基于KMV模型的上市公司信用风险度量实证分析，是利用期权定价理论对上市公司信用风险进行度量。通过对4个有代表性的农业上市公司连续6年的KMV模型的实证分析，探讨了违约距离计算过程中几种算法的适用性，确立了适合我国国情的KMV具体计算模型、违约距离和违约概率的计算方法。

4）基于KMV模型的非上市公司信用风险度量实证研究，是针对我国上市公司数量较少，无法像PFM那样按地区、规模、行业分类推测非上市公司的市场价值和波动率的问题，采用神经网络的BP算法。以精选的上市公司的财务指标作为神经网络的输入，以资产价值和波动率的BS模型计算值作为神经网络的输出，进行网络训练。再利用训练后的网络，进行非上市公司ln（资产价值/负债）和波动率的估计。然后，采用适合我国国情的违约距离计算公式，计算非上市公司的违约距离，用理论违约概率估计非上市公司的违约概率。并分别对22个同类和153个非同类企业实证分析，验证方法的精度。