基于Z分值模型预测企业对银行偿还贷款能力(含练习数据)

Z分值模型

Z分值模型数据.xlsx【https://www.aliyundrive.com/s/6Kw2rjjNELP提取码: 3u2y】

点击链接保存，或者复制本段内容，打开「阿里云盘」APP ，无需下载极速在线查看，视频原画倍速播放。

引言：

预测企业的偿还能力属于信用风险管理的问题，当前有很多信用风险测量的模型，如KMV模型、莫顿模型，但其中最简单的就是Z分值模型。

介绍

Z分值模型采用的是分离分析的方法，根据数理统计中的辨别分析技术，对银行过去贷款案例进行统计分析，选择部分最能反映借款人财务状况、对贷款质量影响最大、最具预测或分析价值的比率，设计出一个能最大程度区分贷款风险度的数学模型，对贷款人申请人进行信用风险及资信评估。

P.S：完整的Z分支模型还区分上市公司、非上市公司和非制造业企业三种类型，每一类都有不同的参数作为评价标准。

内容

式中：

• 运营资金=期末流动性资产-期末流动性负债

• 期末留存收益=权益资产总额-实收资本-资本公积

• 息税前利润=税前利润+利息支出

• 其它指标就等于相应的会计科目的数值

爱特曼经过统计分析和计算最后确定了借款人违约的临界值Z=2.675：

• 如果Z<2.675，借款人被划入违约组；反之，如果Z>=2.675，则借款人被划入非违约组

• 但是当1.81<Z<2.675时，判断失误较大，成该区域为灰色区域或未知区域

• 因此实践中长将Z<1.81作为违约组的明确分界线

python程序结构分析

按照计算Z分值的步骤，从提取数据、处理缺失值、计算五个指标、计算Z分值和区分样本的步骤做下去就可以

这里提到的五个指标也是我们后面会把Z分辨模型的公式进行拆分，分别为：

等等 ,后面直接将五个指标代入Z模型，进而得出Z分值。

读取数据（对比xlsx）

import pandas as pd

data = pd.read_excel("Z分值模型数据.xlsx",index_col=0)
#index_col=0将excel中第一列（1，2，3....）去掉
data.head(3)
#.head()不输入数字则默认输入前6行，不受限制

查看数据大小

data.shape  #4475行12列

(4475, 12)

去除缺失值

在前面显示前三行的时候就看到了第一个数值就是缺失值，数据当中肯定有大量缺失值存在。在这里我们直接将缺失值剔除，因为我们要使用财务数据计算财务指标，用任何方法去填充都是不合理的，都无法真正替代企业的该财务指标值。

data.dropna(inplace=True)  #可以看到有缺失值的数据直接整个被丢掉了
data.head(3)

#再次查看数据大小
data.shape

(3629, 12)

查看描述性统计

data.describe().T  
#加个.T转置是为了更好的观看数据，
#依次看到统计数据组数、平均值、标准差、最大小值、四分位数

准备Z分值模型的指标

DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。. DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典（共同用一个索引）。

z_scores = pd.DataFrame(data=data[['证券简称']])
z_scores['运营资金/总资产'] = (data['流动资产']-data['流动负债'])/data['资产总计']
z_scores.head(3)

z_scores['留存收益/总资产'] = (data['所有者权益']-data['资本公积']-data['实收资本']
                       )/data['资产总计']
z_scores['息税前利润/总资产'] = (data['利润总额']+data['利息费用'])/data['资产总计']
z_scores['股东权益市值/负债'] = (data['总市值'])/data['负债合计']
z_scores['营业收入/总资产'] = (data['营业收入'])/data['资产总计']
z_scores.head(3)

计算Z分值

z_scores['Z分值'] = 1.2*z_scores['运营资金/总资产']+1.4*z_scores['留存收益/总资产']+3.3*z_scores['息税前利润/总资产']+0.6*z_scores['股东权益市值/负债']+0.999*z_scores['营业收入/总资产']
z_scores.head(3)    

筛选数据

red_alerm = z_scores[z_scores['Z分值']<1.81]  #违约组
red_alerm.head(10)

perfect = z_scores[z_scores['Z分值']>2.675]  #非违约组
perfect.head(5)

#也可以通过.decribe再看看描述性统计
perfect.describe().T

疑惑：

• 上文中这个证券代码是.DataFrame自己读取的嘛？

• 这个代码书写过程的缩进问题有好的文章推荐嘛？

总结：

上述文章中，Z分值模型对数据处理的流程还是比较简单的，值得学习的是这种对数据的一步步清洗的思路。学习过程中还是建议多敲，这样才能更好的理解和熟练运用，掌握方法后在此基础上进一步思考，才能真正转为自己的知识。

文章仅供参考学习，欢迎交流，共同进步。