LOGIT 回归模型对公司违约的预测探讨

吉林大学学报(信息科学版) ›› 2016, Vol. 34 ›› Issue (4): 556-563.

LOGIT 回归模型对公司违约的预测探讨

郭曼

哈尔滨工业大学深圳研究生院社会发展与经济创新研究中心, 深圳518000

收稿日期:2016-03-27 出版日期:2016-07-25 发布日期:2017-01-16
作者简介:郭曼(1977—), 男, 长春人, 哈尔滨工业大学深圳研究生院助理教授, 博士, 主要从事计量经济学、制度经济学研究,(Tel)86-13530696863(E-mail)guoman@ hitsz. edu. cn。
基金资助:
深圳市教育局2015 教育规划重大课题基金资助项目(ZDFZ15022)

Predicting Company Default with Logistic Regression

GUO Man

Social Development and Economic Innovation Center, Shenzhen Graduate School, Harbin Institute of Technology, Shenzhen 518000, China

Received:2016-03-27 Online:2016-07-25 Published:2017-01-16

摘要/Abstract

摘要： 为准确有效地预测企业违约的可能性, 以避免信用违约风险, 基于单一变量和多变量两种模型的分析,利用Logit 回归模型对企业的各变量和违约概率进行推断, 并以德国企业为例, 分析违约公司的共性和特性。对模型的交叉验证结果表明, 以Logit 模型衡量企业违约预测的统计方法整体精度达到70% 左右, 并能保持较高的可靠性和稳定性。违约预测可大大降低企业的违约风险, 在金融投资领域发挥重要作用。

关键词: 违约概率, 信用违约, Logit 回归

Abstract: In order to predict the probability of company default accurately and efficiently, we take the logit regression model with single variable model and multi-variable model to test each enterprise and inference the probability of default. By taking German company as an example, to analysis the common and specific characteristics of the default company. The results show that, measuring the statistics approach to predict company default by logit model has a high degree of accuracy of 70% , maintains high reliability and stability. Default prediction can greatly reduce the risk of default in the field of financial investment with an important role.

Key words: Logit regression, credit default, default probability

中图分类号:

郭曼. LOGIT 回归模型对公司违约的预测探讨[J]. 吉林大学学报(信息科学版), 2016, 34(4): 556-563.

GUO Man. Predicting Company Default with Logistic Regression[J]. Journal of Jilin University(Information Science Ed, 2016, 34(4): 556-563.

[1]	任瑞治，顾玲嘉. 基于Matlab的数字电视原理实验教学研究[J]. 吉林大学学报(信息科学版), 2018, 36(4): 403-408.
[2]	李温温，刘富，姜守坤. 基于引导滤波的指节纹图像增强算法研究[J]. 吉林大学学报(信息科学版), 2018, 36(4): 409-413.
[3]	李志军，王恩东，刘丹. 面向拥塞控制的WMN 联合功率控制与信道分配[J]. 吉林大学学报(信息科学版), 2018, 36(4): 357-365.
[4]	李晓瑜，马大中，付英杰. 基于三帧差分混合高斯背景模型运动目标检测[J]. 吉林大学学报(信息科学版), 2018, 36(4): 414-422.
[5]	任伟建，宋月，陈建玲，任璐，孙勤江. 基于改进的卷积神经网络的钢号识别[J]. 吉林大学学报(信息科学版), 2018, 36(3): 325-332.
[6]	刘富，刘星，康冰. 基于浅层残差网络的视线估计算法[J]. 吉林大学学报(信息科学版), 2018, 36(3): 333-338.
[7]	唐俊奇. 评估多处理机系统计算速度的要素研究[J]. 吉林大学学报(信息科学版), 2018, 36(3): 351-355.
[8]	刘欢，范亚芹，梁乃生. 基于网络信息的混合推荐算法研究[J]. 吉林大学学报(信息科学版), 2018, 36(3): 339-344.
[9]	张勇，张溯，王旭东，路阳，王臣. 基于时频域特征的场景音频研究[J]. 吉林大学学报(信息科学版), 2018, 36(3): 300-305.
[10]	马华泽，张宗达，于永江，杨罕. 基于 ASP． NET 的全景激光测绘系统设计[J]. 吉林大学学报(信息科学版), 2018, 36(3): 306-311.
[11]	卢韶芳，关馨，韩长明. 快速提取旋转体轮廓母线方法[J]. 吉林大学学报(信息科学版), 2018, 36(3): 269-276.
[12]	唐伯浩，蔡立华，高策，张涛. 光电经纬仪星校航向技术研究[J]. 吉林大学学报(信息科学版), 2018, 36(3): 246-251.
[13]	张雯頩，康冰. 驾驶员疲劳状态检测方法研究[J]. 吉林大学学报(信息科学版), 2018, 36(3): 252-259.
[14]	黄岩，刘金蟾，孔垂禹，张赛男. 基于 FPGA 的视频图像提取研究[J]. 吉林大学学报(信息科学版), 2018, 36(3): 283-288.
[15]	杜红军, 李巍, 赵永彬, 金成明. 基于OpenStack 体系的云计算基础架构研究[J]. 吉林大学学报(信息科学版), 2018, 36(2): 213-216.