风险常伴左右,近几年我国经济飞速式发展刺激了金融市场的活跃度,金融活动中风险管理不仅成为金融学、经济学等相关领域的重要话题,还吸引到人工智能、机器学习等领域内人士的眼球。科技型中小企业旨在以科技和创新为核心生命轴,逐渐成为带动我国经济转型的一个重要分支。然而,科技型中小企业的发展受到筹资难的限制,内在因素是缺乏信贷记录,外在因素是公开渠道很难获得比较完善的且专门针对科技型中小企业风险评估系统,导致评定缺乏针对性,进而影响了信用评估的准确性。同时大多金融机构比较偏爱大型企业,无疑对科技型中小企业的资金筹集工作构成了更大的困扰。想要解决科技型中小企业的融资难题就要先解决其风险评估问题,但是传统中小型企业的风险评估方法并不适合于科技型中小小企业。为了解决这一难题,本文首先为科技型中小企业量身定做一套专用的信用评价因子集,进而在此评价因子集的基础上建模,这样在保证评估的精确度的同时也附增针对性,因此本课题的研究具有实际意义。本文针对信用评价因子集的建立以及相关建模方法阅读了大量的文献,在了解国内外研究情况的基础上,本文对现有的信用评估方法以及相关技术进行了总结,剖析对比了各自的优缺点,着重研究了不足之处,具体涉及四方面:(1)首先,指出行业不同对模型分析结果具有影响。通过ISM模型对影响到科技型中小企业风险评估的因子进行分层分析,得出的结论是除了融资风险之外行业风险也是重要度不可忽略的一个影响因子。(2)其次,优化了指标因子集。针对现有的信用评估因子集对科技型中小型企业太过于笼统,缺乏行业针对性,通过引入了新指标因子——行业风险系数对现有的评价因子集进行了优化。此新指标因子包括两部分:行业自身的风险系数以及该行业生命线中所处阶段风险。(3)再次,构建了新的评估模型。基于优化后的指标因子集,构建专门针对科技型中小企业的风险评估模型,该模型是将机器学习中的决策树应用在风险评估中,并通过引入基于全局的互信息+冗余度,即属性和分类类别之间的互信息、属性之间的冗余度这两者的并存,对传统的决策树算法中属性因子的选择进行改进,是通过计算全局互信息来确定决策属性,克服传统决策树中采用信息增益进行属性选择时极易出现局部最优的缺点,提高了准确率。(4)最后,通过实证分析证明了引入行业风险系数的新因子集体更加贴近实际,基于此新指标因子集改进的决策树风险评估模型是可行和有效的。