精华内容
下载资源
问答
  • C题 中小微企业的信贷决策 在实际中,由于中小微企业规模相对较小,也缺少抵押资产,因此银行通常是依据信贷政策、企业的交易票据信息和上下游企业的影响力,向实力强、供求关系稳定的企业提供贷款,并可以对信誉高...
  • C题 中小微企业的信贷决策 在实际中,由于中小微企业规模相对较小,也缺少抵押资产,因此银行通常是依据信贷政策、企业的交易票据信息和上下游企业的影响力,向实力强、供求关系稳定的企业提供贷款,并可以对信誉高...
  • 附件——2020年高教社杯全国大学生数学建模竞赛题目 (请先阅读“全国大学生数学建模竞赛论文格式规范”) C题 中小微企业的信贷决策
  • 2020数学建模国赛优秀论文
  • 中小微企业的信贷决策
  • 2020C题数学建模国赛一等奖论文+完整代码和excel数据表格,适合建模学习,自我提升
  • 2020数学建模国赛C题思路

    千次阅读 多人点赞 2020-09-11 01:08:48
    C题已有思路和方法 (1)步骤 ①企业风险离散量化评价 ②以最大化年利息为目标函数,考虑额度、利率、期限和流失率关系建立线性规划模型求解,得到信贷策略 (2)步骤 ①建立监督学习模型,以表1数据为训练数据...

    C题已有思路和方法

    题(1)步骤

    在这里插入图片描述

    ①企业风险离散量化评价

    ②以最大化年利息为目标函数,考虑额度、利率、期限和流失率关系建立线性规划模型求解,得到信贷策略

    题(2)步骤

    ①建立监督学习模型,以表1数据为训练数据得分类模型,对表2数据test得各企业风险等级;

    ②考虑流失率等因素,建立线性规划数学模型,matlab求解,得到信贷策略

    题(3)分析疫情对行业和类别企业的影响。

    展开全文
  • 2021年数学建模国赛C题思路
  • 2020数学建模国赛C题题目和解题思路

    万次阅读 多人点赞 2020-09-10 18:58:06
    2020数学建模国赛C题题目: 在实际中,由于中小微企业规模相对较小,也缺少抵押资产,因此银行通常是依据信贷政策、企业的交易票据信息和上下游企业的影响力,向实力强、供求关系稳定的企业提供贷款,并可以对信誉...

    2020年数学建模国赛C题题目:
    在实际中,由于中小微企业规模相对较小,也缺少抵押资产,因此银行通常是依据信贷政策、企业的交易票据信息和上下游企业的影响力,向实力强、供求关系稳定的企业提供贷款,并可以对信誉高、信贷风险小的企业给予利率优惠。银行首先根据中小微企业的实力、信誉对其信贷风险做出评估,然后依据信贷风险等因素来确定是否放贷及贷款额度、利率和期限等信贷策略。
    某银行对确定要放贷企业的贷款额度为10100万元;年利率为4%15%;贷款期限为1年。附件1~3分别给出了123家有信贷记录企业的相关数据、302家无信贷记录企业的相关数据和贷款利率与客户流失率关系的2019年统计数据。该银行请你们团队根据实际和附件中的数据信息,通过建立数学模型研究对中小微企业的信贷策略,主要解决下列问题:
    (1) 对附件1中123家企业的信贷风险进行量化分析,给出该银行在年度信贷总额固定时对这些企业的信贷策略。
    (2) 在问题1的基础上,对附件2中302家企业的信贷风险进行量化分析,并给出该银行在年度信贷总额为1亿元时对这些企业的信贷策略。
    (3) 企业的生产经营和经济效益可能会受到一些突发因素影响,而且突发因素往往对不同行业、不同类别的企业会有不同的影响。综合考虑附件2中各企业的信贷风险和可能的突发因素(例如:新冠病毒疫情)对各企业的影响,给出该银行在年度信贷总额为1亿元时的信贷调整策略。

    附件1 123家有信贷记录企业的相关数据
    附件2 302家无信贷记录企业的相关数据
    附件3 银行贷款年利率与客户流失率关系的2019年统计数据

    附件中数据说明:
    (1) 进项发票:企业进货(购买产品)时销售方为其开具的发票。
    (2) 销项发票:企业销售产品时为购货方开具的发票。
    (3) 有效发票:为正常的交易活动开具的发票。
    (4) 作废发票:在为交易活动开具发票后,因故取消了该项交易,使发票作废。
    (5) 负数发票:在为交易活动开具发票后,企业已入账记税,之后购方因故发生退货并退款,此时,需开具的负数发票。
    (6) 信誉评级:银行内部根据企业的实际情况人工评定的,银行对信誉评级为D的企业原则上不予放贷。
    (7) 客户流失率:因为贷款利率等因素银行失去潜在客户的比率。
    解题思路持续更新。

    展开全文
  • 2020数学建模国赛C题

    千次阅读 2021-08-12 21:55:32
    2020数学建模国赛C题题目: 在实际中,由于中小微企业规模相对较小,也缺少抵押资产,因此银行通常是依据信贷政策、企业的交易票据信息和上下游企业的影响力,向实力强、供求关系稳定的企业提供贷款,并可以对信誉...

    2020年数学建模国赛C题题目:
    在这里插入图片描述

    后续会更新解题思路,在此可以看下面的一篇论文
    基于贝叶斯神经网络的信贷策略规划研究

    展开全文
  • 穿越沙漠
  • 2020国赛C题代码.zip

    2021-02-11 13:17:50
    三问代码,包括数据预处理,BP神经网络等
  • # 建议不放缩,效果不理想 X = np.c_[np.ones((m,1)),X] return X 通过sklearn模型的拟合预测整个的准确率可以达到 99.18% 拟合的效果非常好 有了每个企业的违约率,正常情况下,显然守约概率高的企业可以贷款到更多...

    问题一二的重点在于

    1. 是否贷款
    2. 贷多少款

    数据清洗

    我的思路主要是使用随机森林进行违约概率的预测,第一步就是需要将原始数据清洗处理,提取所需的特征。

    1. 将发票是否有效处理成 0-1数据,将信誉评级处理成(1,2,3,4)并将xlsx的文件格式转为csv的文件格式python处理起来更加方便。

    2. 选取训练特征

    '进项作废比','净利润率','销项作废比','负税压力','销售交易数','客户数量','发票时间'
    

    一共选取了七个特征进行处理

    • 作废比:分别将进项与销项的无效发票数与有效发票数作比,一定程度反应企业的交易成功率

    • 净利润率:计算每家企业的盈利能力

    • 负税压力:计算所交的所有税与销售量的比值

    • 销售交易数:有效销售发票个数

    • 客户数量:购房单位的不同数量

    • 发票时间:所有发票持续的时间天数

    1. 程序代码

      #数据转换
      # sheet1 = pd.read_excel('./data/302Loan.xlsx',sheet_name=1)
      # sheet1.to_csv('./data/302output.csv',index=False,encoding='utf8')
      # sheet2 = pd.read_excel('./data/302Loan.xlsx',sheet_name=2)
      # sheet2.to_csv('./data/302input.csv',index=False,encoding='utf8')
      # print('数据转换完成')
      #
      
      #################################
      # 数据清洗
      data_in = pd.read_csv('./data/input.csv')
      data_out = pd.read_csv('./data/output.csv')
      data_in['是否有效'] = data_in['发票状态'].apply(lambda s:1 if s=='有效发票' else 0)
      data_out['是否有效'] = data_out['发票状态'].apply(lambda s:1 if s=='有效发票' else 0)
      Conpanies = data_in['企业代号'].unique()
      
      column = ['企业代号','进项作废比','净利润率','销项作废比','负税压力','销售交易数','客户数量','发票时间']
      temp = []
      
      for i in Conpanies:
          Conpany_in = data_in.loc[data_in['企业代号'] == i, :]
          Conpany1_in = Conpany_in.loc[Conpany_in['是否有效'] == 1, :]
          count1_in = Conpany1_in.shape[0]
          sum1_in = Conpany1_in.iloc[:, 4:6].sum(axis=0)
          a1_in, b1_in = sum1_in
          Conpany0_in = Conpany_in.loc[Conpany_in['是否有效'] == 0, :]
          count0_in = Conpany0_in.shape[0]
          sum0_in = Conpany0_in.iloc[:, 4:6].sum(axis=0)
          a0_in, b0_in = sum0_in
          rate_in = count0_in /count1_in
          nums_in = Conpany1_in['销方单位代号'].unique()
      
          Conpany_out = data_out.loc[data_out['企业代号'] == i, :]
          Conpany1_out = Conpany_out.loc[Conpany_out['是否有效'] == 1, :]
          count1_out = Conpany1_out.shape[0]
          sum1_out = Conpany1_out.iloc[:, 4:6].sum(axis=0)
          a1_out, b1_out = sum1_out
          Conpany0_out = Conpany_out.loc[Conpany_out['是否有效'] == 0, :]
          count0_out = Conpany0_out.shape[0]
          sum0_out = Conpany0_out.iloc[:, 4:6].sum(axis=0)
          a0_out, b0_out = sum0_out
          rate_out = count0_out /count1_out
          rate4 = a1_out/count1_out
          nums = Conpany1_out['购方单位代号'].unique()
      
          rate2 = (a1_out-b1_out)/a1_out
          rate5 = (b1_out+b1_in)/a1_out
      
          days1 = pd.to_datetime(Conpany1_in.开票日期).max()-pd.to_datetime(Conpany1_in.开票日期).min()
          days2 = pd.to_datetime(Conpany1_out.开票日期).max()-pd.to_datetime(Conpany1_out.开票日期).min()
          temp.append((i,rate_in,rate2,rate_out,rate5,count1_out,len(nums),max(days1.days,days2.days)))
      
      df_temp = pd.DataFrame(temp,columns=column)
      df_temp.to_csv('./data/procesed_data.csv',encoding='utf8',index=False)
      print('数据处理完成')
      
      

    模型拟合

    选择随机森林的原因:

    1. 可以提供预测概率,作为部分后续评判标准
    2. 随机森林分类器较决策树准确率较高。在训练模型的时候首先要将数据进行标准化
    def process_feature(X):
        m,n = X.shape
        scaler = StandardScaler()
        X = scaler.fit_transform(X)
        
        # scaler = MinMaxScaler(feature_range=(0,1))
        # X = scaler.fit_transform(X) # 建议不放缩,效果不理想 
        
        X = np.c_[np.ones((m,1)),X]
        return X
    

    通过sklearn模型的拟合预测整个的准确率可以达到 99.18% 拟合的效果非常好

    有了每个企业的违约率,正常情况下,显然守约概率高的企业可以贷款到更多的资金,所以将企业守约概率除以所有企业的守约概率和作为权重比例分配贷款总金额。
    w i = 1 − p i ∑ i = 1 n ( 1 − p i ) w_i =\frac{1-p_i}{\sum_{i=1}^n(1-p_i)} wi=i=1n(1pi)1pi

    年利率与流失率

    将附件3中的贷款年利率信息与不同信誉值之间的客户流失率输入到SPSS软件中进行数据拟合,拟合结果

    信誉等级R2关系式
    A0.9977 y = 37.97 x 3 + − 258.57 x 2 + 640.994 x − 1.12 y=37.97x^3+-258.57x^2+640.994x-1.12 y=37.97x3+258.57x2+640.994x1.12
    B0.9982 y = 33.995 x 3 − 225.05 x 2 + 552.829 x − 1.017 y=33.995x^3-225.05x^2+552.829x-1.017 y=33.995x3225.05x2+552.829x1.017
    C0.9982 y = 32.157 x 3 − 207.386 x 2 + 504.717 x − 0973 y=32.157x^3-207.386x^2+504.717x-0973 y=32.157x3207.386x2+504.717x0973

    而银行收益率:年利率(1-流失率)*,通过此关系式可以计算银行的最终收益率的最大值,从而计算出此时所需要的最优年利率

    信誉等级最优年利率客户流失率
    A0.0830.5030
    B0.0970.5052
    C0.010690.5065

    信誉等级随机森林预测

    将标签数据简单处理

    sheet1 = pd.read_csv('./data/con_info.csv')#表一
    sheet1['default_index'] = sheet1['是否违约'].apply(lambda x:1 if x=='是' else 0)
    
    sheet1['index'] = sheet1['信誉评级'].apply(lambda x:1 if x=='A' else(2 if x=='B' else
                                                                             (3 if x=='C' else
                                                                             4)) )
    

    同样与上面相类似的方式训练模型得到的准确率为 94.30%

    模型保存

    模型保存可以直接使用 joblib库直接将训练好的模型保存

    import joblib
    joblib.dump(model,'./model/fr.model') # 保存模型
    
    model = joblib.load('./model/fr.model') # 读取模型
    

    读取好模型就可以直接使用

    问题二就可以直接该模型进行302家企业的相关预测并将一亿元按照权重分配贷款金额并确定贷款年利率

    展开全文
  • 2020年大学生数学建模竞赛C题省一论文完整版(自写的,包括材料和代码),题目是中小微企业的信贷决策,购买后如果有不懂的小地方可以留言,会的话会回复,太过复杂的问题会忽略掉。
  • 2020数学建模国赛A 炉温曲线 心得

    千次阅读 多人点赞 2020-09-13 05:50:59
    2020数学建模国赛A 炉温曲线 心得感想
  • 2018年数学建模国赛赛题,共A、B、C、D四个赛题(源文件和附件)。
  • 2020数学建模国赛D

    千次阅读 2020-09-11 09:40:33
    2020数学建模国赛E第一问思路
  • time<40: flag = 0 continue elif Max_heat>250 or Max_heat(V*60) 问题三 通过单目标规划求解理想的炉温曲线 应使超过217ºC到峰值温度所覆盖的面积最小, 决策参数分别由过炉速度以及每个温区...
  • 2019研究生数学建模竞赛C题优秀论文,五篇,C19100030017.pdf C19102480006.pdf C19102840053.pdf C19104220023.pdf C19910040006.pdf
  • 2020数学建模国赛C题Demo【准确率只有61%,仅供参考】 MPai下载链接:www.mpaidata.com 关注公众号:【万灵数据】可以看很多很多建模资料噢 附件数据下载:https://mpaidata.lanzoui.com/iC1kAgk03ba 讲解...
  • 可参看:2020年高教社杯全国大学生数学建模竞赛赛题 C题分析与思路!(持续更新)https://blog.csdn.net/qq_45281807/article/details/108526131 选题可参:2020年全国大学生数学建模竞赛赛题 选题建议 ...
  • 2020数学建模国赛D题目和解题思路

    万次阅读 多人点赞 2020-09-10 19:00:33
    2020数学建模国赛D题目: 轮廓仪是一种两坐标测量仪器(见图1),它由工作平台、夹具、被测工件、探针、传感器和伺服驱动等部件组成(见图2)。 图1 某种型号的接触式轮廓仪 图2 接触式轮廓仪的示意图 接触式...
  • 2020数学建模国赛A题目和解题思路

    万次阅读 多人点赞 2020-09-10 18:53:40
    2020数学建模国赛A: 在集成电路板等电子产品生产中,需要将安装有各种电子元件的印刷电路板放置在回焊炉中,通过加热,将电子元件自动焊接到电路板上。在这个生产过程中,让回焊炉的各部分保持工艺要求的温度,...
  • 2020建模大赛,国赛C题
  • 本来因为ACM竞赛培训的原因没有参加数学建模的培训和系列赛事,开学被同学拉过来凑数,就这样阴差阳错的参加了一次数学建模国赛。由于没有系统的学习数学建模,还是第一次接触数学建模正式赛事,所以论文写的比较水...
  • 几乎涵盖数学建模各种模型建模方法及其代码,例如插值拟合、层次分析、综合评价、灰色预测、神经网络等等常规模型及代码以及模拟退火、元胞自动机等等模型代码。 保证物有所值,助力国赛冲刺一等奖。
  • 详解2020数学建模国赛A炉温曲线

    千次阅读 2021-07-06 08:57:27
    详解2020数学建模国赛A炉温曲线 问题描述 在集成电路板等电子产品生产中,需要将安装有各种电子元件的印刷电路板放置在回焊炉中,通过加热,将电子元件自动焊接到电路板上。在这个生产过程中,让回焊炉的各部分...
  • 2020数学建模国赛A:炉温曲线

    万次阅读 热门讨论 2020-09-10 18:46:16
    2020年高教社杯全国大学生数学建模竞赛题目 (请先阅读“全国大学生数学建模竞赛论文格式规范”) A 炉温曲线 在集成电路板等电子产品生产中,需要将安装有各种电子元件的印刷电路板放置在回焊炉...
  • 这是数学建模比赛——2020年“华数杯”全国大学生数学建模竞赛的C题。仅包含题目。 2020年“华数杯”全国大学生数学建模竞赛比赛背景:为了响应教育部对人工智能、大数据专业人才培养的倡导,中国未来研究会大数据...
  • 考虑如下的小游戏:玩家凭借一张地图,利用初始资金购买一定数量的水和食物(包括食品和其他日常用品),从起点出发,在沙漠中行走。途中会遇到不同的天气,也可在矿山、村庄补充资金或资源,目标是在规定时间内到达...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 813
精华内容 325
关键字:

2020数学建模国赛c题