基于机器学习算法的信用风险量化模型研究

传统的信用风险计量模型难以处理高维数据和非线性问题,多具备较严格的假设条件,计算结果常与实际情形存在较大的误差.本文综合考虑影响信用风险的内生变量和外生变量,使用更优的非线性变换方式拟合数据,并借助机器学习强大的算力和学习迭代优势量化信用风险.实证结果表明,该模型算法可提高预测结果的拟合度和准确性.