【摘要】：2）采用粗糙集理论对非上市公司财务指标进行遴选，在此基础上构造了非上市公司信用风险度量的评价体系，提出了非上市公司信用度量的神经网络方法，大大降低了银行在信用风险度量时的数据清洗费用，提高了管理效率。在此基础上，计算非上市公司的违约距离，得出非上市公司信用风险度量动态模型。5）对信用风险量化管理的配套改革进行了研究，鉴于上市银行和非上市银行在公司治理结构上的差异，分别构造出风险管理组织新结构。
1.4.3 本书的主要创新点
1）构造了上市公司信用风险度量的评价体系，提出了上市公司信用度量的模糊神经网络方法，提高了上市公司信用风险统计计量方法的可操作性和判断精度。
2）采用粗糙集理论对非上市公司财务指标进行遴选，在此基础上构造了非上市公司信用风险度量的评价体系，提出了非上市公司信用度量的神经网络方法，大大降低了银行在信用风险度量时的数据清洗费用，提高了管理效率。
3）对KMV模型中的违约距离计算公式进行较全面的理论分析和大量的实证分析，获得了适合我国国情的违约距离计算公式，使上市公司未来的信用状况预测结果更具有科学性。
4）构造了非上市公司资产价值和波动率估计的指标体系，采用神经网络的BP算法，利用上市公司的数据进行资产价值和波动率估计的训练，提出了非上市公司资产价值和波动率估计的新方法。在此基础上，计算非上市公司的违约距离，得出非上市公司信用风险度量动态模型。
5）对信用风险量化管理的配套改革进行了研究，鉴于上市银行和非上市银行在公司治理结构上的差异，分别构造出风险管理组织新结构。设计数据质量管理实施步骤，并对信用风险量化管理理念和文化建设进行探讨，提出自律、合规文化建设构想。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
