评估、预测和战略预测模型、算法、系统.doc

2017年专著第二版题目评估、预测与战略预测-第二版简介作者：路璐北京勤智数融信息技术有限公司2017年3月9日主要研究方向和思路：本专著首先阐述人工智能专家评估系统的贝叶斯算法和处理因子聚合的自动系统设计；其次，讲述机器学习权重设定的算法和其系统设计；再次，论述线性预测、场景预测算法和偿债来源偏离度预测的算法；最后，介绍用自然语言生成报告的算法和评估报告自动生成系统的设计。现有工作基础：1、2008年发布自动平衡原理，包含对预测函数的拟合、插值与逼近的数值分析方法； 2、2009年推出贝叶斯智能评估算法、循环体预测算法和场景预测算法的成果； 3、2010年路璐以第一作者在俄罗斯伏尔加格勒国立技术大学发表4本关于评估、预测和战略预测的专著（1000余页）：经济预测中的革新、战略经济预测与循环、解决企业战略经济课题专家系统在经济预测领域中的运用、经济预测中的场景预测法和循环体的应用； 4、2011年路璐完成了自动系统，推出评估预测的产品，贝叶斯专家评估系统、利用循环体预测的自动系统、经济战略预测程序，并获得俄罗斯国家知识产权办公室的专利； 5、2011年路璐以项目主要负责人身份参与俄罗斯洲级科研项目8项，并得到优秀成果：分析，诊断系统发展的战略预测、贝叶斯专家评估系统、利用循环确定经济评估的自动系统、人工智能专家评估系统在心理语义学的声音识别的应用、人工智能专家评估系统在人的病历3D管理的应用、人工智能专家评估系统在心理和生理的特征曲线- 相貌识别系统的应用、人工智能专家评估系统在按自动平衡方法自动选择药剂的应用、人工智能专家评估系统在化学反应数据库的应用；6、2012年路璐以评估、预测和战略预测为课题通过俄罗斯工科博士级别的国家答辩。在此期间多次发表相关论文，参加国际学术科研会议，并在会议上发表演讲，得到法国、德国、乌克兰和日本国家的关注。其评估和预测的产品在多个俄罗斯科研项目中得到好评和认可； 7、2012年山西阳泉2012招才引智计划，签署2.2亿人民币协议。8、2014年大公国际资信评估有限公司关建中董事长出版大公信用评级原理。9、2014年俄气集团在中国香港发债，12月我以大公国际信用分析师身份赴俄罗斯莫斯科对俄罗斯天然气集团“ ”信用评级，出评估报告。10、2015年路璐得到北京朝阳区政府海外高端人才认定。11、2016年3月荣获2016年北京博士后科研活动经费A类项目资助。12、2016年7月注册专家评估系统软件著作权。13、2016年9月申报2016年全国博士后科研活动经费面上c资助。14、2016年9月研发数字化智能评估系统、数字化评级权重自动生成系统、数字化评级机器学习权重优化系统、信用风险监测预警系统、评估报告自然语言生成系统。15、2017年给贵阳市金融办研发“数控金融”平台项目。专著内容图示：专著逻辑思路图示：技术路线图谱：作者简介人类从未停止过对未来的探索。2007年，欧美少数组织，如福特、壳牌公司，出现了以研究未来预测的职业人，大家称他们为“未来预测家”。俄罗斯是在21世纪初期把预测未来提到战略高度的。路璐，1980年济南生人，2008年在电子计算技术和自动系统设计专业的基础上，以俄罗斯研究员身份对“评估、预测和战略预测”课题进行研究。同年发表了自动平衡原理，预测函数的拟合、插值与逼近的数值分析方法。2009年对贝叶斯算法的人工智能专家评估系统，循环体预测方法，场景预测方法进行研究；在三代博士8年共同的研究的基础上，2010年作为第一作者在伏尔加格勒国立技术大学出版了4本关于“评估、预测和战略预测”的专著（1000余页）。2011年完成了自动系统设计，推出评估预测产品贝叶斯专家评估系统、利用循环体预测的自动系统、经济战略预测程序，并于2011年12月7日获得俄罗斯联邦知识产权办公室颁发国家程序注册专利证书。2012年以“评估、预测和战略预测”为课题通过俄罗斯工科博士级别的国家答辩。在此期间多次发表相关论文，参加国际学术科研会议和演讲，其研究成果得到法国、德国、乌克兰和日本国家的关注和好评。2014年进入大公国际资信评估公司研究院博士后站从事评估、预测科研工作。2015年得到北京朝阳区政府高端人才认定。专著简介目录序言第一章 评估第一节 评估中的众因子聚合和归一第二节 层次分析法计算权重第三节 机器学习的权重算法第四节 人工智能专家评估系统第二章 预测第一节 生命周期循环原理第二节 场景预测原理第三节 曲线预测第四节 时空预测的哲学观点第三章 偏离度第一节 数据标准化处理第二节 关于受评主体随时间变化的偏离度函数的拟合第三节 关于影响偏离度的可调节的N维指数的建模第四节 场景预测和偏离度第四章 贝叶斯信用评估模型第一节 贝叶斯方法基本原理第二节 贝叶斯估计推广第三节 贝叶斯信用评估模型第四节 贝叶斯方法在评级项目中的应用第五节 贝叶斯专家评估系统第五章 评估预测自动系统的设计第一节 大公原理评级逻辑图第二节 自然语言生成报告自动系统设计第三节 权重自动系统设计第四节 专家评估自动系统的系统设计第五节 机器学习训练权重自动系统设计附录1、贝叶斯算法的专家评估系统2.0版本使用说明2、贝叶斯算法的专家评估系统2.0版本知识库编辑器说明3、贝叶斯算法的专家评估预测系统国家专利参考文献评估、预测与战略预测评估是识别，分析及评价的全过程。预测是研究和评估未来将会发生的事件及结果，是可供检测的科学方法。预测目的是为决策提供作为依据的信息，预测值是对未来数据值的无偏估计。战略是通向预测目的优化选择。Evaluation, Forecasting and Strategized ProjectionEvaluation is the process of recognition, analysis and assessment.Forecasting, usually adopting scientific methods that can be tested or proved, provides insights and estimations on possible contingencies and consequences of the future. As forecasting aims to produce accurate predicted values(unbiased estimations of future data), the objective of forecasting is to provide useful information in the decision-making process.Strategy is the optimized approach to reach a specific projection. AbstractThe key methodology of this book is the application of Artificial intelligence algorithms in Credit Rating, which is briefly demonstrated below:The whole qualitative and quantitative aggregative index/indicators shall be processed by Bayesian Artificial Intelligence Evaluation System. Stored in the Constant Pool, impact factors would be trained under the Machine Learning Algorithms to produce the weight. The data training process should be driven by the difference between expected outputs and actual outputs. Consequently, the weight values would be updated constantly based on the changes of the learning speed and failure frequency, and the weight would be adjusted accordingly. The Deviation Mathematic Model makes it feasible to adjust significant factors deviation index. The projections would be established in accordance with the trend curve of deviation index over a continuous time interval. The level/degree of deviation would be identified based on the Circulating Prediction (coding) Methodology and each level/degree shall be defined by scenario/scene prediction method. The initial evaluation/rating reports, constituted by these scenario/scene modules, would be processed and embellished through Natural language generation system to form improved version of rating reports with higher quality.序言 信用评级技术对于金融机构具有重要意义。信用评级的传统方法主要是包括专家法、打分法等在内的主观综合法，在信用评级行为越来越频繁和普遍的今天，冗繁的评定过程和过强的主观性使人们开始寻求传统法之外的信用评级方法。人工智能技术能显著地提高信用评级的准确度与适应性。基于人工智能技术的信用评估模型，实现自动生成高质量的信用评级报告。随着经济和金融机构业务的发展和扩张，对信用评级先进技术的需求日益显著，利用人工智能技术构建信用评估模型，具有独特的优势，用很高的研究意义和使用价值，而且有着广阔的应用前景。信用评估的发展过程由三个阶段组成：（1）定性分析阶段：信用评估技术的研究最初可以追溯到 1930年，在1960年成为热点。在1970年前，信用评估的主要方法是依靠信用分析师，通过对所提供的各种财务报表的静态数据的分析，以及对受信主体的调查，从而得到相对主观的评估结果。（2）定量统计分析阶段：1941年，戴维德第一个用判别分析技术来区分信用好的主体和信用差的主体，信用评估技术从此进入定量研究的新阶段。然后研究者们相继提出了大量的定量信用风险的评估模型。（3）定量人工智能分析阶段：1980年以来，如人工智能专家系统、神经网络等被广泛的运用于构建信用评估模型，由于其具有良好的可以适应于复杂的非线性分类的能力，因此性能结果优于统计学方法。近年来一些新的人工智能算法被开发出来用于信用评估，典型的有两阶段评估模型：杂合评估模型和分类器集成评估模型，这些模型将单个分类器进行组合以提高精度，通过实验测试表明，这些算法能显著提高单个分类器的分类精度和稳定性。从国内的研究现状来看，信用评估研究还处于起步阶段，我国评级机构和商业银行虽然建立了信用风险管理机制，但由于实际中遇到的各种问题，目前我国信用评估技术还主要停留于定性分析的水平上，只有少部分采用了定量统计分析的方法，信用风险的评估明显滞后。随着评级行业的需要，国内评级机构已经把人工智能算法应用到信用评级方法中，建立人工智能评估系统是信用评级的发展趋势。信用评级是发现并披露信用风险的手段，大公信用评级原理提出偿债来源与财富创造能力偏离度的思想，并把它作为核心评级思想。大公评级原理采用了综合归一法，把影响企业信用级别的众多因素归为偏离度表示，用多个可以影响偏离度的指标进行调节。企业偏离度随着时间而发生变化，与行业和其他企业做比较，拥有安全区间，并能通过其他方法实现预测。用人工智能的算法解决评级方法中的关键技术：用贝叶斯算法的人工智能专家评估系统处理众定性和定量因子的综合指数；在影响因子的静态池中用机器学习的方法训练权重，用期望输出与实际输出的差异引导着学习过程，权重值会随着学习的速度和失败的次数而不断更新,使权重随着环境的变化而实现偏差纠正；给偏离度数学建模，实现重要因子可以调节偏离度指数；根据偏离度在时间轴上的曲线走势，进行预测；用循环体预测的思想分解偏离度的级别，用场景预测法对不同级别的偏离度进行定义；众多场景模块式组成评级报告，用自然语言生成技术对评级报告优化，从而自动生成高质量的评级报告，最大可能的排除评估分析师的主观干扰，走出具有民族特色的信用评级、评估、预测、战略预测的道路。第一章 评估第一节 评估中的众因子聚合和归一评估中需要对众多因子进行聚合计算和归一化处理。众因子聚合是指被评估对象的大量影响因子通过某种算法，使其用一个或几个指数反映整体的属性。归一化是一种被简化计算方式，即将有量纲的数学表达式经过变换，转化为无量纲的数学表达式，成为标量，在多种评估计算中都经常用到这种方法。最常见的因子聚合算法是各级因子的量化值在标准化处理后，与其权重系数乘积的和，这种和的集合构成反映整体属性的指数。归一化是一种无量纲处理方法，使物理系统数值的绝对值变成某种相对值的关系。可以达到简化计算，缩小量值的效果。数据归一化手段一般有两种形式：一种是把数变为（0，1）之间的小数，一种是把有量纲表达式变为无量纲表达式。1、把数变为（0，1）之间的小数。为了数据处理方便，把数据映射到0-1范围之内，之后的运算变得更加便捷快速，属于数字信号处理范畴之内。2、把有量纲数学表达式变为无量纲数学表达式。归一化是一种简化计算的方式，经过将有量纲的数学表达式变化为无量纲的数学表达式，成为纯量。众因子聚合和归一的方法经常会用于评估过程中。第二节 层次分析法计算权重美国运筹学者萨提于1970年初发表了著名的层次分析法。层次分析法是将与决策有关的元素分解成目标、方案、准则等方面，在此基础之上进行定量和定性分析的决策方法。该方法具有简洁、系统、灵活的优点。层次分析法一般有四种方法用于计算权重。当利用层次分析法解决实际问题时，都是使用其中的某一种方法求权重向量，从而得出相应的结果。四种计算方法算出的权重向量一般比较相似，但也有细微差距，而这些细微的差距在解决实际问题时可能会得出不一样的结果。通过互相比较四种算法求解权重向量，得出更科学有效的决策。 一、层次分析法的基本原理与步骤当用层次分析法建模来解决实际问题时，可按下面四个步骤进行:步骤1-建立递阶层次结构模型。应用分析决策问题时，首先要把问题层次化、条理化，构建出一个有层次的结构模型。把这些层次分为三类: 目的层 (最高层)，准则层 (中间层)，方案层 (最底层)。递阶层次结构中的问题和层次数的复杂程度，与需要分析的详尽程度有关，一般的层次数不受限制。每一层次中各元素所支配的元素一般不要超过9个。步骤2-构造出各层次中的所有判断矩阵。准则层中的各准则在目标衡量中所占的比重是不同的，在决策者的眼中，它们各占据一定的比例。引用数字1-9及其倒数作为标度来定义判断矩阵A= (见表1)。步骤3-层次单排序及一致性检验。 1)计算一致性指标CI。CI= ，其中，为判断矩阵的最大特征值。2)查找一致性指标RI（见表2)。表1 -判断矩阵标度定义标度含义1表示两个因素相比，具有相同重要性3表示两个因素相比，前者比后者稍重要5表示两个因素相比，前者比后者明显重要7表示两个因素相比，前者比后者强烈重要9表示两个因素相比，前者比后者极端重要2，4,6,8表示上述相邻判断的中间值倒数 若因素i与因素j的重要性之比为，那么因素j与因素i重要性之比为=1/。表2 -平均随机一致性指标。n1234567891011121314RI000.520.891.121.241.361.411.461.491.521.541.561.583)计算一致性比例CR。CR=CI/RI当CR0.10时，认为判断矩阵的一致性是可以接受的，否则应对判断矩阵作适当修正。步骤4-层次总排序及一致性检验。最后要得到各元素，特别是最低层中各方案对目标的排序权重，从而进行方案选择。对层次总排序也需作一致性检验，计算各层元素对系统总目标的合成权重，并对其他的方案排序。二、层次分析法权重向量W的计算方法计算方法有几何平均法(方根法)、算术平均法(求和法)、特征向量法和最小二乘法4种。1、几何平均法(方根法), i=1,2,n其计算步骤为:a、A的元素按行相乘得一新向量;b、将新向量的每个分量开n次方; c、将所得向量归一化即为权重向量。2、算术平均法(求和法)由于判断矩阵A中的每一列都近似地反映了权值的分配情况，因此可采用全部列向量的算术平均值来估计权向量。即其计算步骤为:a、A的元素按列归一化，即求;b、将归一化后的各列相加; c、将相加后的向量除以n即得权重向量。3、特征向量法将权重向量W右乘权重比矩阵A，有AW= *W同上，为判断矩阵的最大特征值，存在且唯一，W的分量均为正分量。最后，将求得的权重向量作归一化处理即为所求。4、最小二乘法用拟合方法确定权重向量，使残差平方和为最小。即求解如下模型:s.t.层次分析法是对定性问题进行定量分析的一种灵活、简便而又实用的多准则决策方法，以上四种计算方法分别来求权重向量，其计算结果会有不同。当处理大量影响因子的权重计算时，层次分析法显得力不从心，尤其面临评估对象随着条件变化，其影响因子的权重也不断的变化，因此我们提出机器学习的方法计算权重。第三节 机器学习的权重算法用机器学习来计算权重，有一定的优势，这种计算模型可以根据环境和调节的变化，所算的权重也随着变化，达到与时俱进的效果。针对已经设定好指标的被评估主体，指标体系中各指标有不同的量纲，需要转换为无量纲的标准化指标。关于评估指标标准化方法：评估指标分为正向型和逆向型。正向型具有越大越优的性质，逆向型是越小越优的性质。在（1jn）个评估指标中，m个评估方案（待评）（1im）,m个方案n个指标构成矩阵X=叫做评估矩阵。在评估矩阵中，对于正向指标，取=则=,( 1im, 1jn);对于逆向型指标，取=，则=,( 1im, 1jn)。矩阵Y=称为线性比例标准化矩阵，经过线性化指标满足01。并且正向和逆向型指标均化为正向指标，最好值为1，最差值为0。把评估过程按层次分为输入、隐含层和输出，每层间是全互联方式，同层间没有连接。设输入向量为X, X=;隐含层Z, Z=;输出层有Y，Y=。输入和隐含层权重为，阈值为；隐含层和输出权重为,阈值为。可得到输出应满足：=f(-)；=f(-)；函数f（*）满足f（）= ；如果近似映照函数是F，X是n维空间的有界子集，F（x）为m维空间有界子集，Y=F（x）为： F： 通过P个实际的映照对（），（），（）的训练，目的是得到权重，和阈值 （i=1,2n；j=1,2，l；k=1,2，m）映射成功后，寻找一个F，进行n维输入向量到m维输出向量空间的变换：F： Y=F(x)训练后得到权重，对其他不属于P(P=1,2P)的X子集进行测试，使结果满足正确的映照。机器学习的算法是对简单的学习规律的推广和发展。设输入学习样本P个，即已知与其对应的规律是学习算法是根据实际的输出与的误差来修改其权重和阈值，使与要求的尽可能的接近。将阈值写入权重中，使,则公式改写为：=f()；=f()。当第p个样本输入时，得到的输出，l=0,1，m，其误差为各输出误差和，满足：=，则总误差为=；设包含阈值在内，E为一个与令=；W=。学习规则实质是利用梯度最速下降法，使权重沿误差函数的负梯度方向改变。若权重的修正值为，则：令g为运算的迭代项数，由梯队下降法，可得到权重的迭代公式为：(g+1)=(g)-；(g+1)=(g)-。式中为学习因子，从式中可知，是j个因子与输出第k个因子的权重，只与输出有关，代入同类项得：(g+1)=(g)-式中：=（）（1-）；(g+1)=(g)-式中：=(1-)其中学习因子取值越小越好。值越大，每次权重变化越剧烈，可能导致学习的过程发生振荡。因此，为了学习因子足够大，又不振荡，得：(t+1)=(t)+a(t)-(t-1) ；式中为学习因子，a为动量项，它决定上次学习权重变化对本次权重更新的影响程度，且,。其均方根误差定量反映学习性能：E(W)= 式中P表示输入学习样本数；M表示因子输出层数。按照梯度最速下降算法，均方根误差应是逐渐减小。输入和输出是实数值，学习是否满足性能要求是由实际输出与期望输出的逼近程度决定。当E（w）值低于0.1时，表明给定输入样本学习以满足要求。通过这样的机器学习算法，可以让得到的因子间权重适应环境和条件的变化。第四节 人工智能专家评估系统信用评估专家系统是将信用评估各领域专家知识，通过知识提取和知识表示，形成解决具体专业问题的规则并汇集为知识库，并采用合适的结构将评估专业知识库、推理以及应用程序结合起来，完成信用评估专业工作的计算机系统。专家系统主要是解决评估中的特殊性、专业性问题。信用评估专家系统的构建可以解决评估行业专家资源稀缺的难题，提高评估的规范性、专业性和工作效率，降低业务成本。专家评估系统是一种设计对人类专家的问题求解能力建模的计算机程序。它可以以人类专家的水平，完成某一专业领域的任务。1970年专家评估系统首次开发成功，1980年专家评估系统在全球得到迅速发展和广泛应用。杜博特公司到1988年已经建造约100个专家评估系统，每年可以为公司节约1000万美元。大约有三分之二的“财富1000”公司在日常商业运作中使用这项技术。至今，经过半个世纪的发展，专家评估系统由于巨大的经济利益而被广泛使用，在商业、工业和医疗领域尤为得以广泛应用。伴随拥有并行分布处理能力、多专家评估系统协调工作、具有自主学习能力等特点的先进专家评估系统的发展，专家评估系统将在更多领域得到应用。由于专家评估系统具有这么多优点，可以更好解决信用评估行业的专家约束这一制约信用评估机构和行业发展的问题，因此，在信用评估行业采用专家评估系统辅助开展业务，具有提高规范性、专业性，降低业务成本，提高工作效率等多方面的优势。一、大公信用评估专家系统构建的基本原则和思路信用评估专家系统是将信用评估各领域专家知识，通过知识提取和知识表示，形成解决具体专业问题的规则（专家系统中的规则是指关联已知知识和待推导知识或推测的其他信息的知识结构。它是过程性知识的一种形式，即描述如何解决问题），从而将规则汇集形成各类评估专家系统知识库，并用适当的结构将评估专业知识库、推理机及应用程序结合起来，完成信用评估专业工作的计算机系统。与一般的信用评估管理软件不同，专家评估系统重点是解决评估中的专业性、特殊性问题。专家评估系统最主要的特征是它拥有某一领域的专家知识，其核心内容是专业知识库的构建。专家评估系统的性能优劣取决于知识库的确实性、可用性和完善性。知识库是经过分类组成的“知识的集合”，从而便于运用与检索。知识的完善性和确实性决定于领域专家，知识的可用性不仅和领域专家有关，而且与计算机专家和知识工程师有关。所以，编写知识库，首先要从此领域的专家那里获取知识，然后要将专家知识通过编写（知识表达）输入计算机。知识库里保存的知识有“公用”知识（如被公开的事实和定义，理论学术书和文献中的理论和知识）和“私用”知识（即信用评估专家的实践经验知识和推理估算的能力）。信用评估中特殊性的工作包括对特殊行业信用（如水务行业、港口行业、燃气行业、铁路行业、城投行业、公路行业、航空行业、机场行业，以及整体企业信用等）的信用影响因素的调查、评分，设计评估模型和确定评估参数，对评估结果的合理性进行判断，对评估报告进行专业审核等工作。这些工作要求使用专家知识，根据评估对象的具体特点，结合长期积累的工作经验和专家的专业知识，通过合理的判断和推理得出合理的结论，这正好与专家评估系统的工作特点一样，所以可以通过设计专家评估系统来完成。这样的专家评估系统不仅是给一般分析师使用的，而更主要是给具备一般评估领域专业知识、具有一定评估工作经验、但是缺乏特殊评估领域专业知识的初级专家使用的，以辅助他们全面把握信用评估结果以及更快、更好地完成评估工作。信用评估专家系统的构建，是一个长期持续的过程，需要有一个整体规划，按照循序渐进的方法进行。二、大公信用评估专家系统的基本理论框架构建基于信用评估理论框架的专家评估系统，实际上是要根据专家评估系统的特点，重新梳理信用评估理论知识和信用评估操作规范，构造一个面向专家系统的信用评估体系。具体来说，首先需要从理论上分析信用评估哪些方面在技术与经济上具有使用专家系统的可行性。其次，将这些可行的方面按照流程和专家评估系统的要求进行知识的提取，然后基于信用评估理论框架的专家评估系统重新组合。和其他企业或行业一样，一个完善的信用评估系统离不开技术和管理操作两个方面。所以，基于信用评估理论框架的专家评估系统也从这两个方面来构建。专家评估系统主要解决工作规范程度比较低的领域问题，根据对评估管理、评估操作中各环节工作规范程度高低的分析，可以分别考虑在以下环节构建相应的专家系统进行支持。（一） 基于专家系统的信用评估管理理论框架以大公信用评级原理为理论基础，理论框架构建如图1所示。图1 -大公信用评级原理理论框架构建（二） 基于专家系统的评估操作理论框架按照评估操作流程，我们进行评估计算时，首先要对偿债环境进行分析，以确定影响企业信用的宏观因素。在此，基于专家评估系统，我们可以构建宏观分析的模型库，影响因素的指标库，根据评估基准日的相关数据，分析得出宏观影响因素对企业信用影响的定量和定性分析结果。其次，要对影响企业信用的行业进行分析，同样需要构建基于专家评估系统的相应的指标库和模型库，同时根据基准日数据和宏观分析结论，采用指标库和模型库中的专家知识得出行业分析的结论。第三步，对企业状况进行分析，以确定企业信用的影响因素，并为下一步采用偏离度评估企业信用打好基础。对企业的分析以宏观和行业发展情况为约束，主要考虑创富能力、偿债来源和所面临的各种风险因素。第四步，根据企业分析结论，采用偏离度评估方法确定所评估企业信用等级。其中创富能力模型及参数确定可以借助所构建的创富能力模型和参数库中专家知识的帮助，而基于企业分析所构建的偿债来源比较参数指标，以及根据此指标确定的参考企业数据，共同构成了偿债来源评估模型。同时，基于宏观、企业和行业分析所影响企业信用的各种可能因素，通过与所构建的信用参数库、类型库、各种模型库中相应专家知识的对比，用来确定偿债能力中的各主要变量。最终，行业和企业偏离度的结论之间可进行验证和比较，发现差异，并进行相应的调整和循环。偿债环境、创富能力、偿债来源和偿债能力的内在联系和各环节模型、参数知识库之间的关系，基于专家系统的思想有机结合在一起，形成基于专家系统的评估操作理论框架。大公信用评估涉及专业的多样性，使得评估行业对专家资源的需求非常迫切和必要。但分析师专业的稀缺性也是一个现实的困难。通过构建大公信用评估专家系统，可以有效解决这一难题，提高评估工作的专业性、规范性和工作效率，降低成本。从而实现从评估准则到操作规则的无缝衔接。第二章 预测预测方法按其性质分为两种：定量预测和定性预测。所谓定性预测方法，就是依靠熟悉业务知识、具有综合分析能力和丰富经验的分析师或专家，根据已经掌握的直观材料和历史资料，运用人的知识、经验和分析判断能力，对事物的未来发展趋势做出程度和性质上的判断；然后在通过一定的形式综合各方面的判断，得出统一的预测结论。定性预测方法一定要与定量预测方法配合使用。定性预测方法又称为主观预测方法，依据是来源不同的各种主观意见。常用的方法有：主观概率预测法；判断预测法；专家个人预测法，分析记录报告法，场景法，谈话法；头脑风暴法，专家集体预测法，德尔菲法，专家会议法。定量预测是建立在历史数据资料基础上的预测，不直接依靠人的主观判断。在经济预测领域，定量预测是指运用经济统计的数据资料，根据预测经济变量之间关系，建立经济预测模型，外推出预测值。定量预测常用的方法有：趋势外推预测法，时间顺序预测法，时间序列平滑法，移动平均法；概率模型法，因果模型预测法，结构模型法，回归分析预测法，网络模型法，仿真模拟法，矩阵模型法。时间序列预测法是依据预测对象的过去的统计数据，找到其随时间变化的规律，建立的时序模型，以判断未来数值的预测方法。过去的变化规律会持续到未来，即是过去的延伸。第一节 生命周期循环原理在数学领域，对周期现象的理解包括两个特征，即等重复性和间隔性。用公式表示就是：f(x)=f(x+T)。其中 T 为周期。而任何经济现象的波动周期都是不规则的，非匀质的，讨论周期时是基于一种平均、概率意义上的周期。但是任何一种经济现象的波动周期，都有大致相同的过程：复苏、扩张、衰退、收缩。而这就是经济周期的规律性。同时，每一个周期又有其各自的特点，周期的持续时间不完全相同，周期过程不完全一样，波动程度也不同，这就是周期的特殊性。所以经济周期是指经济现象或变量在持续时间段内重复出现涨落的情况，所强调的是再现性、重复性。一般来讲，一次典型的经济波动包含四个阶段：复苏阶段、繁荣阶段、衰退阶段和萧条阶段。企业在经济周期波动的四个阶段中表现出不同的特征：第一阶段：复苏阶段。这一阶段始于前一次景气循环的波谷，此时经济的供给与需求之间处于非均衡状态，且供给远大于需求，各种经济都处于一种不景气的状态。随着时间变化，供给保持基本不变，净需求的增长将缓慢吸纳先前过剩的供给，推动市场逐渐走出低谷。此时更多的指标表现出上升的势头，经济从稳定状态过渡到增长状态。第二阶段：繁荣阶段。各项经济指标开始快速增长。在生产领域，由于供给者对未来收益的预期大大提高，因此供给市场不断扩大。在流通领域，在市场“人气”的刺激下，个人消费和集团消费都迅速增长，导致需求量迅速增加。在供给与需求的相互作用中，推动整体经济不断向着景气发展，最终达到景气的顶点。第三阶段：衰退阶段。在经过繁荣阶段之后，供求之间的矛盾开始凸现，供给大大增加，需求逐渐减少，市场供求情况开始发生逆转，供给逐渐超过需求。表现为各种相关指标呈现出下降趋势。此时尽管部分经济指标表现得仍较为景气，但是总体经济状况已经呈现衰退迹象。第四阶段：萧条阶段。由于供求矛盾日益尖锐，市场竞争加剧，绝大部分指标已经持续下降，市场交易量持续锐减，市场逐渐萎缩，并最终停滞。市场的停滞标志着整个经济已跌入谷底，并将在谷底持续相当长一段时间。市场在经过较长时间的消化过程后，将迎来下一轮景气循环的复苏阶段。对于每个经济指标的周期数据来讲，都包含四种变动要素：长期趋势要素 T、循环要素 C、周期变动要素 S 和不规则要素 I。经济时间序列的分解模型一般是：Y =TCSI，乘法模型用相对数表示，因此可以避免计量单位的影响。一、行业生命周期理论行业的生命周期指行业从出现到完全退出社会经济活动所经历的时间。行业的生命发展周期主要包括四个发展阶段：幼稚期，成长期，成熟期，衰退期。图2 -行业生命周期模型行业的生命周期曲线仅仅从整个行业的角度考虑问题。行业生命周期可以从成熟期划为成熟前期和成熟后期。在成熟前期，几乎所有行业都具有类似S形的生长曲线，而在成熟后期则大致分为两种类型：第一种类型是行业长期处于成熟期，从而形成稳定型的行业，如图中右上方的曲线1；第二种类型是行业较快的进入衰退期，从而形成迅速衰退的行业，如图中的曲线2。行业生命周期是一种定性的理论，行业生命周期曲线是一条近似的假设曲线。识别行业生命周期所处阶段的主要指标有：市场增长率、需求增长率、产品品种、竞争者数量、进入壁垒及退出壁垒、技术变革、用户购买行为等。下面分别介绍生命周期各阶段的特征。1、幼稚期：这一时期的市场增长率较高，需求增长较快，技术变动较大，行业中的用户主要致力于开辟新用户、占领市场，但此时技术上有很大的不确定性，在产品、市场、服务等策略上有很大的余地，对行业特点、行业竞争状况、用户特点等方面的信息掌握不多，企业进入壁垒较低。2、成长期：这一时期的市场增长率很高，需求高速增长，技术渐趋定型，行业特点、行业竞争状况及用户特点已比较明朗，企业进入壁垒提高，产品品种及竞争者数量增多。3、成熟期：这一时期的市场增长率不高，需求增长率不高，技术上已经成熟，行业特点、行业竞争状况及用户特点非常清楚和稳定，买方市场形成，行业盈利能力下降，新产品和产品的新用途开发更为困难，行业进入壁垒很高。4、衰退期：这一时期的市场增长率下降，需求下降，产品品种及竞争者数目减少。从衰退的原因来看，可能有四种类型的衰退，它们分别是：（1）资源型衰退，即由于生产所依赖的资源的枯竭所导致的衰退。（2）效率型衰退，即由于效率低下的比较劣势而引起的行业衰退。（3）收入低弹性衰退。即因需求-收入弹性较低而衰退的行业。（4）聚集过度性衰退。即因经济过度聚集的弊端所引起的行业衰退。行业生命周期是一条经过抽象化了的典型曲线，各行业按照实际销售量绘制出来的曲线远不是这样光滑规则。而影响销售量变化的因素很多，关系复杂，整个经济中的周期性变化与某个行业的演变也不易区分开来，因此，应将行业生命周期分