Track: Machine Learning

Abstract

企業信用格付けとは、企業の一時履行能力をAAAからDまでの22段階で評価する指標です。 企業信用格付けの取得には多大なコストがかかるため、教育、機械学習を用いた企業信用格付けの推定が注目を集めています。

従来の調査の問題は、特定の企業の推定において特定の特徴がノイズとなり、局所的な精度の低下を考慮することである。機能を使用することにより、全体的な精度が向上しました。た。

一方、積層することでノイズによる精度の低下を抑制します。スタッキングは2段階で構築されます。第1段階ではベースモデルが構築され、第2段階ではベースモデルの推定値を特徴として使用してメタモデルが構築されます。ベースモデルの設計は、スタッキングを伴うモデルの精度にとって非常に重要です。この研究では、分類された特徴のグループにベースってベースモデルを設計します。関連する機能群には、収益性や安全性などが含まれます。

この研究の目的は、分類された特徴のグループに基づいてベース モデルとのスタッキングを使用して提案モデルを構築することです。さらに，提案モデルの有用性を確認するために，スタッキングを用いない従来モデルと提案モデルの精度を比較する．この研究では、企業の信用格付けの推定は 22クラスのマルチラベル分類問題として扱われます。企業の信用格付け推定モデルで使用される手法は、Light Gradient Boosting Machine です。

この研究では、提案されたモデルは 7 つの基本モデルの評価推定値を使用します。7つの基本モデルには、従来モデルに加え、財務指標を用いたモデル5つ、投融資ネットワーク指標を用いたモデルが含まれます。5つのモデルで使用されている財務指標は、日経NEEDS-FinancialQUESTが分類した5つの財務指標に基づいています。5 つのグループとは、収益性、資本利益率、キャッシュ フロー、自己資本利益率、安全性です。ラベル付きトレーニング データとして、株式会社日本格付研究所の 1999 年から 2021 年までの企業格付けを使用しました。

数値実験は、1,972社のデータと167の指標を使用して実施されました。その結果、提案されたモデルは、以前のモデルと比較して53社の推計を改善しました。は 0.798 で、従来モデルより 0.027 ポイント向上しました。二次加重カッパは 0.914 で、以前のモデルより 0.012 ポイント高くなっています。提案モデルの精度は従来モデルに比べて良好であり、モデルの有用な提案性が示された。