中小微企业的信贷决策分析开题报告

1. 研究目的与意义

当今社会，中小微企业的信贷业务越来越成为商业银行关注的焦点，信贷业务的风险管理也影响着银行的生存与发展。在进行信贷决策时，银行需要利用各个企业的相关资料以及信息，在进行综合评价后决定是否放贷、放贷额度、放贷期限以及利率等决策的问题。

本课题基于多目标决策模型，结合不同年利率情况下各个信誉等级企业的顾客损失率，给出银行在不同年度信贷总额下的信贷策略。目前，对于该问题，已有一些解决方法。2014年，赵池北在中小企业信用风险评估模型比较中，从中小企业的产业特点出发，比较分析国内外的信用风险度量技术，借鉴较为先进的信用风险度量方法，为金融机构提供切实可行的信用风险识别评估模型的组合，以解决中小企业的融资难问题。2015年，林婷婷在基于ahp法的小微企业信用评级指标体系构建研究中发现，建立衡量小微企业的信用状况常态化的评级体系，是解决小微企业由于信用缺失导致的融资难的问题的有效解决途径。2017年，苏静在软信息与小微企业信用风险识别中表明，要想缓解我国小微企业融资难的问题，促进银行对小微企业的金融包容，关键是要正确识别小微企业的信用风险，要发挥好软信息的作用，赋予软信息与硬信息以不同的权重，分别模拟计算信用风险得分。2018年，吴万里在浅析层析分析法在小微企业信贷风险控制中的应用中阐述了银行对小微企业信贷风险管理的基本理论，定量分析银行小微企业信贷管理关键的风险因素，量化风险程度；吴建华、张颖、王新军在基于分位数回归模型的债务违约损失预测中，利用条件分位数回归模型，完整刻画违约损失率的分布，从新的视角量化协变量对违约损失率的影响。2019年，吕秀梅于大数据金融下的中小微企业信用评估中表明选出大数据金融下小微企业的信用评估指标，采取专家评分加权法确立权重，构建灰色关联模型，最终可得到信用评估分并进行风险预警。2020年，雷国平、肖科、罗秀英、杨森、姚佳佳在基于机器学习的基础算法研究综述中发现机器学习，即通过对机器输入数据，并让电脑对数据进行分析而得到一定的信息，从这些信息之中得出结论，使规律可以在往后类似的事件中发挥作用，从而能够让机器学习算法的研究和改进在未来有极大的价值；王秋静在q银行小微企业信用风险评估与管理研究中通过层次分析法以及logistic回归分析，结合q银行授信小微企业的实际情况，对相关的信用风险进行评估，并且为提高小微企业的信用风险管理水平提出建议。

本文通过建立多目标决策模型，将银行的信贷风险量化为z值，先得出银行的放贷比例、贷款额度、年利率等信贷策略；再综合评判线性函数得出各个企业的信誉等级，给出贷款总额为1亿元的信贷策略；最后，引入扰动参数并对信贷策略进行调整。

2. 研究内容和问题

基本内容：本文根据企业的信誉等级、违约情况以及进销项发票的往来记录，建立多目标决策模型，并结合不同年利率情况下各个信誉等级企业的顾客损失率，将银行的信贷风险量化为Z值，给出银行在不同年度信贷总额条件下的信贷策略。

预计解决的难题：从违约概率、违约损失率、违约风险敞口等方面给出信贷风险的具体量化指标，再根据不同利率下不同信誉等级的客户损失率，得到预期收益的优惠策略。

3. 设计方案和技术路线

首先，建立多目标规划模型，利用信誉等级、违约信息以及进销项发票信息将信贷风险量化为PIP值，将经济实力量化为EVA值，通过两者的线性组合值得出最终决策量Z值。

接着利用先前构造综合评判线性函数得到的各个企业的信誉等级，得出最终决策量Z值，给出银行在年度信贷总额为1亿元时对这些企业的放贷比例以及放款额度、年利率等策略。

4. 研究的条件和基础

该课题要求良好的数学分析能力，即熟练掌握常微分方程的基础概念、稳定性分析等概念，其次对于经济学、银行的信贷要求有一定了解，最后需要一定的数值分析基础，了解多目标规划。

该生平时功底较好，并多次参加数学建模竞赛，拥有一定的科研基础，所以可以很好地完成该课题的研究。