| 信用中国－http://www.ccn86.com 发布日期：2005-6-24 |
【◎在线投稿】 |
图4：闭环信用评级方法
这里的逻辑关系是：
a. 行业评级以国家评级为上限进行适当波动，公司评级以行业评级为限进行适当波动。也就是说，对某一行业进行信用评级，一般情况下不应该超过其主权评级所获的的信用等级，如有特殊情况可适当高于主权等级，但应规定波动的上限范围，毕竟一个行业的发展必须依赖于所处的国家环境中；同理，公司评级亦不应远远高于行业评级的信用等级。对于跨行业的公司，其评级上限可以根据不同业务的比例及相关关系，确定一个行业等级上限。
b. 国家评级是行业评级的基准，行业评级是公司评级的基准。因而在进行信用评级时必须同时考虑宏观国家经济以及行业经济的相关因素对公司的影响，进行评级展望时也应该参考国家评级展望以及行业评级展望的相关信息来进行。
c. 同时要分析反向作用。如某一行业绝大多数的信用等级发生变更，这肯定会影响行业的信用评级，进而需更新行业的信用评级。
建立这样的闭环评级框架的前提是信用评级公司必须建立和健全强大的信用数据库，包括国家信息，行业信息以及公司信息等。
信用评级在国内刚刚起步，评级方法和评级框架极不完善。如何开发完善的评级方法是关系国内评级业以及每个评级公司发展的关键因素。我们在这里提出一套基于BP神经网络的评级方法，试图为国内的评级业的方法研究提供一些有益参考。
a. BP神经网络的方法简介
神经网络理论是巨量信息并行处理和大规模平行计算的基础，神经网络既是高度非线性动力学系统，又是自适应组织系统，可用来描述认知、决策及控制的智能行为。它的中心问题是智能的认知和模拟。从解剖学和生理学来看，人脑是一个复杂的并行系统，它不同于传统的Neumann式计算机，更重要的是它具有“认知”、“意识”和“感情”等高级脑功能。以人工方法摸拟这些功能，毫无疑问，有助于加深对思维及智能的认识。80年代初，神经网络的崛起，已对认知和智力的本质的基础研究乃至计算机产业都产生了空前的刺激 和极大的推动作用。反向传播(BP)网络最初由Werbos开发的反向传播训练算法是一种迭代梯度算法，用于求解前馈网络的实际输出与期望输出间的最小均方差值。BP网是一种反向传递并能修正误差的多层映射网络。当参数适当时，该网络能够收敛到较小的均方差，是目前应用最广的网络之一。
针对每一行业，公司的财务状况及其他信息与信用等级之间一定存在对应关系，但是不可能对这这种关系进行确定，因为很多人为判断和不确定性因素包含其中，不可能完全有某项指标来完全表示，神经网络这一工具可以越过确定对应关系这一过程，确立起输入和输出之间的关系。
BP神经网络的基本结构如下所示：
 图5：BP神经网络示意
b. 基于BP神经网络的评级方法框架
|
| 请注意： |
| 1. |
遵守中华人民共和国有关法律、法规，尊重网上道德，承担一切因您的行为而直接或间接引起的法律责任。 |
| 2. |
信用中国拥有管理笔名和留言的一切权力。 |
| 3. |
您在信用中国留言板发表的言论，信用中国有权在网站内转载或引用。 |
| 4. |
如您对管理有意见请发信至mailto:credit@ccn86.com |
| |
|
|
|
|
【
