优化新疆地区中小企业信贷决策模型：基于普惠金融背景下的违约风险评估与信用评级

普惠金融是在小额信贷和微型金融基础上发展出的一种金融体系概念。国内普惠金融概念的引入始于2006年的亚洲'小额信贷论坛'，会上由中国人民银行研究局副局长焦瑾璞提出了建立'普惠制'金融体系的概念。普惠金融概念的引入是为了解决中国在经济高速发展的过程中普遍存在的金融服务不平衡、不充分等问题。本研究主要针对中小企业这一普惠金融的重要客户群体，该类企业通常在资金和资源上都略显薄弱，但他们在社会经济发展中起着重要作用。特别地，我们在本次研究中所使用的所有数据，都是采集于新疆地区的中小型企业，该类对象在普惠金融背景下中小企业信贷问题上极具差异特殊性，具体体现在新疆独有的地域因素、文化差异、政策环境、产业结构等。

本研究针对新疆地区中小型企业的信贷决策问题首先提出了可优化的违约风险评估指标体系。研究中收集了新疆某银行2021年部分中小企业财务指标数据，并对其进行了基本的数据描述性统计、缺失值填补，并通过指标预测能力分析、多重共线性诊断及特征选择，筛选出了单个指标违约鉴别能力最强与整体违约鉴别能力最优的指标组合，有助于进一步对企业的违约状态进行判别，对企业的信用风险进行评价。针对该实际数据集，所建立最优信贷指标体系借助简单机器学习模型的分类准确率可以达到95.85%，证明了该指标体系在新疆信贷评级研究应用中具有较大的潜力。

其次，基于对指标体系的优化及可解释性考虑，构建合适的违约预测模型和信用评级模型是本研究的第二部分。

构建违约预测模型时，我们基于有监督学习思想，针对于信用违约数据集中的类别不平衡实际问题，提出了结合成本敏感和阈值方法的新型CT-XGBoost预测模型，通过这两种算法级策略改进了XGBoost，创新性地提出了CT-XGBoost模型，解决如何正确分配两个类别的错误分类成本和如何合理设定阈值这两个难点。实验中我们使用2017-2021年新疆某银行贷款违约数据库。实验中所建立的CT-XGBoost模型平均AUC值为96.38%，优于其他违约预测模型（AUC值范围为90.35%至95.44%）。结果表明，该研究中所建立的有监督学习模型通过成本敏感和阈值方法两种算法级策略，在处理类不平衡问题时优于现有一般的模型。

构建信用评级模型时，我们基于异常检测这样的无监督学习思想，构建了一种新型的信贷安全风险预警系统。系统内容主要分为数据预处理、特征提取和企业信贷风险分类模型构建三个部分。实验数据采用了新疆某银行实际经营中产生的Dkxx数据集以及LendingClub信用数据、German信用数据、Thelrish Dummy Bank信用数据等公开数据集。在数据预处理阶段，将财务数据文本化并构建信息矩阵，利用赋权系统去除与信贷风险关联度不高的信息和未检出的指标与冗余符号等。为解决金融信贷数据样本不平衡问题，采用如下思路：XGBoost进行特征排序后，再利用SMOTE方法对正常样本进行扩增，将类不平衡问题归结为了异常检测问题的数据优势。特征提取阶段采用去噪自动编码器（DAE），通过重构误差对企业进行诚信分类，提高模型的鲁棒性。采用立体化指标对企业风险评定等级，构建多层次信贷安全风险等级划分。最后，引入预警闯值进行预警分析，并由专家小组对构建模型产生的预测结果进行风险修正，以确保系统的准确性和可靠性。

此外，为了进一步提升判别准确性、扩展数据源，本研究还引入了信贷调查报告作为文本非结构化数据进行信贷违约预测，探究其在提升预测效果方面的作用，研究数据采用了我国新疆地区某农村信用社的企业信贷信息。通过文本属性和文本主题两方面对文本数据进行分析，提取有效信息，并采用逻辑回归、支持向量机、神经网络等模型进行预测。结果表明，信贷调查报告中的文本信息能够为定量的财务指标提供信贷违约预测的增量信息，且在财务指标基础上同时考虑文本属性指标和文本主题指标能够实现最好的信贷违约预测效果。

综上，本研究为中小企业信贷决策提供了有益的实践经验，结合实际指标体系，提高了模型的可解释性，为未来金融机构可能的实际应用提供了更准确和可靠的信贷决策模型。同时，本研究也为信用评价领域提出了展望，如加强对文本数据的研究，综合多源数据优化评级指标体系等。本研究在中小企业信用评价方面做出了有益探索，为推动普惠金融发展和提升信用评价的准确性和可靠性做出了积极贡献。