人工智能在信用评级方法研究的思考

人工智能在信用评级方法研究的思考

路璐

信用评级技术对于金融机构具有重要意义。信用评级的传统方法主要是包括专家法、打分法等在内的主观综合法，在信用评级行为越来越频繁和普遍的今天，冗繁的评定过程和过强的主观性使人们开始寻求传统法之外的信用评级方法。人工智能技术能显著地提高信用评级的准确度与适应性。基于人工智能技术的信用评估模型，实现自动生成高质量的信用评级报告。随着经济的发展，金融机构业务的扩张，对信用评级的需求日益显著，利用人工智能技术构建信用评估模型，具有独特的优势，用很高的研究意义和使用价值，有着广阔的应用前景。

信用评估的发展可以分为三个阶段：（1）定性分析阶段：信用评估技术的研究最初可以追溯到20 世纪30 年代，在20 世纪60 年代成为热点，在20 世纪70年代前，信用评估的主要方法是依靠信用分析师通过对各种财务报表所提供的静态数据的分析和对受信人的调查得到相对主观的评估结果。（2）定量统计分析阶段：1941 年，David Durand第一个用判别分析技术来识别信用好的客户和信用差的客户，信用评估技术由此进入定量研究的新阶段。随后研究者们相继提出了众多的定量信用风险评估模型。（3）定量智能分析阶段：20 世纪80年代末以来，人工智能如专家系统、神经网络等被运用于构建信用评估模型，由于其具有很好的适应复杂的非线性分类的能力，所以性能表现好于统计学方法。近年来一些新的人工智能模型被开发出来用于信用评分，典型的有两阶段评分模型、杂合评分模型和分类器集成模型，这些模型将单个分类器进行组合以提高精度，实

验表明，这些方法能显著提高单个分类器的分类精度和稳定性。

从国内的研究现状来看，信用评估研究还处于起步阶段，我国评级机构和商业银行虽然建立了信用风险管理机制，但由于实际中遇到的种种问题，目前我国信用评估技术还主要停留于定性分析的层次上，只有少部分采用了定量统计分析的方法，信用风险的评估明显滞后。随着评级业需要，国内评级机构已经把人工智能应用到信用评级方法中，建立人工智能评级系统是信用评级的发展趋势。

信用评级是发现并揭示信用风险的手段，大公信用评级原理提出偿债来源与财富创造能力偏离度的思想，并把它作为核心评级思想。大公评级原理采用了综合归一法，把影响企业信用级别的众多因素归为偏离度表示，用多个可以影响偏离度的指标进行调节。企业偏离度随着时间而发生变化，与行业和其他企业做比较，拥有安全区间，并能通过其他方法实现预测。用人工智能的算法解决评级方法中的关键技术：用贝叶斯算法的人工智能专家评估系统处理众定性和定量因子的综合指数；在影响因子的静态池中用机器学习的方法训练权重，用期望输出与实际输出的差异引导着学习过程，权重值会随着学习的速度和失败的次数而不断更新,使权重随着环境的变化而实现偏差纠正；给偏离度数学建模，实现重要因子可以调节偏离度指数；根据偏离度在时间轴上的曲线走势，进行预测；用循环体预测的思想分解偏离度的级别，用场景预测法对不同级别的偏离度进行定义；众多场景模块式组成评级报告，用自然语言生成技术对评级报告优化，从而实现高质量的评级报告的自动生成。以大公评级原理为基础，用人工智能的方法，走出具有民族特色的信用评级、评估、预测、战略预测的道路。

二〇一六年二月十九日