于偲佳

随着中小企业在全球经济中扮演着越来越重要的角色，它们面临的信用风险问题日益突出，传统的信用风险评估方法逐渐暴露出局限性。机器学习和人工智能（AI）技术的应用为信用风险评估提供了新的解决方案。本研究通过对比分析Logistic回归、支持向量机（SVM）、随机森林（RF）、XGBoost及深度神经网络（DNN）等机器学习模型，评估其在中小企业信用风险评估中的表现。实验结果表明，XGBoost模型在准确率、AUC值、F1分数等指标上表现最为优异，能够有效处理复杂的非线性数据和高维特征，尤其适用于中小企业的信用风险评估。尽管XGBoost的训练时间较长，但其优越的预测能力弥补了这一缺点。本文的研究为中小企业信用风险评估提供了新的思路，并为金融机构的信贷决策提供了技术支持。

中小企业，信用风险评估，机器学习

[1] 王璞,李鲲鹏,苏立.降维能够帮助深度神经网络更好学习信用风险吗?——基于因子增强可解释学习模型的研究[J/OL].中国管理科学,1-15 [2] 姚定俊,费百川,周梦蓓,等.修正的 BP-KMV 模型下非上市科技型中小企业信用风险评估研究[J].金融理论与实践,2024,(11):1-11. [3] 刘佳明,于镓宁.信用风险评估结果的可解释性研究-基于 Model-Agnostic 方法论视角[J/OL].系统工程,1-15 [4] 邝雄,张成祖,张婷婷.基于 MC3 投票法和机器学习的信用风险评估[J].海南大学学报(人文社会科学版),2025,43(01):97-106. [5] 李淑锦,吴王滢.基于 ENet-COX 模型的中小企业信用风险评估研究[J].杭州电子科技大学学报(社会科学版),2022,18(03):32-40 [6] 燕晓磊,李侠,刘忠文,等.大数据视域下的中小微企业信贷风险评估[J].高师理科学刊,2022,42(05):31-39. [7] 杨沛衡,吴东鹏,徐典.基于改进分类组合的个人信贷信用风险预测模型研究[J].中国集体经济,2022,(07):102-105. [8] 顾洲一,胡丽娟.机器学习视角下商业银行客户信用风险评估研究[J].金融发展研究,2022,(01):79-84.

点击下载PDF