基于R语言的证券公司信用风险计量和管理pdf/txt下载_在线阅读全文

编辑推荐

本书是金融业内稀有的全面讲述信用风险标准评分卡模型开发的专业技术书籍，既有理论的高度，又有实践的价值，书中介绍的模型开发技术均是作者在国内金融风险管理一线从业经常使用的方法。

内容简介

本书共分为两部分，*部分主要讲述信用风险评级模型的开发方法，主要包括自动建设信用风险数据库、信用风险标准评分卡模型、KMV模型、ZScore模型等核心技术，并公布了全部模型的R语言源代码；第二部分主要讲述实用的信用风险管理方法，主要包括风险规避、风险缓释、风险收益匹配、经济资本管理等实用方法。本书适合在银行、证券、保险、基金等金融机构从事信贷和*投资等相关业务的从业者阅读。

作者简介

崔玉征，金融风险管理师（FRM）；哈尔滨工业大学学士，中国科学院硕士，香港中文大学商学院MBA；先后工作于穆迪、平安证券、安信证券，主要从事资本市场的信用风险计量和管理工作，同时担任多家金融公司信用风险管理顾问；2015年初被评为“深圳市高层次人才”，享受高层次人才补贴。

目　　录

第一部分证券公司信用风险计量体系
第一章信用风险计量体系的构成3
第一节信用风险概述3
第二节主体计量体系3
第三节债项计量体系5
第二章环境配置及数据库建设7
第一节数据库配置7
第二节建模工具R的安装和配置方法21
第三节自动获取建模所需数据28
第三章信用风险评级模型的开发过程35
第一节信用风险评级模型的类型35
第二节信用风险评级模型开发流程概述35
第三节明确要解决的问题37
第四节数据准备及数据预处理38

第一部分证券公司信用风险计量体系
第一章信用风险计量体系的构成3
第一节信用风险概述3
第二节主体计量体系3
第三节债项计量体系5
第二章环境配置及数据库建设7
第一节数据库配置7
第二节建模工具R的安装和配置方法21
第三节自动获取建模所需数据28
第三章信用风险评级模型的开发过程35
第一节信用风险评级模型的类型35
第二节信用风险评级模型开发流程概述35
第三节明确要解决的问题37
第四节数据准备及数据预处理38
第五节变量选择43
第六节模型开发52
第七节主标尺设计及模型验证57
第八节模型实施59
第九节模型监测与报告60
第四章逻辑回归64
第一节基本原理64
第二节似然方程66
第三节Hessian矩阵及参数估计67
第四节模型拟合统计量68
第五章个人主体违约概率计量69
第一节层次分析法及R源代码69
第二节基于逻辑回归的标准评分卡方法及R源代码81
第三节实用的数据预处理方法及R源代码142
第六章机构主体违约概率计量151
第一节机构主体信用风险标准评分卡模型及R源代码151
第二节KMV模型及R源代码215
第三节ZScore模型及R源代码222
第七章违约损失率计量238
第一节违约损失率的定义及概述238
第二节实用的LGD模型开发方法239
第八章违约风险敞口计量247
第一节投融资类业务违约风险敞口计量247
第二节交易对手违约风险敞口计量247
第九章主标尺及模型验证250
第一节违约概率校准及主标尺设计250
第二节模型验证体系及R源代码257
第十章信用风险经济资本计量264
第一节经济资本概述264
第二节单笔融资类业务经济资本的计算268
第三节投资组合经济资本的计算271
第二部分证券公司信用风险管理体系
第十一章信用风险管理体系277
第一节风险规避277
第二节风险缓释278
第三节风险收益匹配278
第十二章信用风险经济资本管理280
第一节经济资本分配280
第二节限额管理282
第三节风险定价282
第四节绩效考核283
附录AR语言基础285
附录B大数据技术在信用评级中的应用及R源代码297

显示全部信息

前　　言

我们先看看自从2014年3月5日国内第一只债券“11超日债”发生违约以来资本市场信用风险事件发生的整体概况。据Wind统计数据，2014年全年共计5只债券发生了违约，合计违约金额11.6亿元；2015年全年共计19只债券发生了违约，合计违约金额117.1亿元；截至2016年6月30日共计36只债券发生了违约，合计违约金额235.91亿元。通过这些数据可见，国内资本市场发生违约的事件和违约金额均呈爆发式增长的态势。可是，从全球视野和信用风险评级模型开发的角度来看，目前发生违约的这些样本量仍然是太少，我们仍然无法采用科学、专业的方法来开发能够有效预测违约发生概率的信用风险评级模型。本书介绍的开发信用风险评级模型的实用方法，全都经过至少3年在国内资本市场的实践应用，并已经被事实证明了是行之有效的。本书详细讲述的信用风险评级模型开发技术主要包括：(1) 适用于评估资本市场个人融资主体的AHP法模型开发技术；(2) 以互联网公开数据集GermanCredit为例，详细讲述信用风险标准评分卡模型开发技术；(3) 基于实质性违约样本，提取机构发生实质性违约前的“征兆”，建立“技术性违约”的标准，并以此来开发适用于机构的信用风险评级模型的技术。针对机构的上述做法已经被实践证明是成功的，收到了很好的效果。在理论上上述做法同样是可解释的，因为我们可把机构比喻成一个“生命体”，该“生命体”的血液即为企业的现金流，那么任何一个“生命体”一般都不会突然“病入膏肓”，即任何一个正常经营的企业一般都不会突然违约！在违约之前，一定会有一些“征兆”，这些“征兆”就是机构主体评级模型中各指标变化的趋势。如何选择这些“征兆”呢？目前，国内资本市场已经有61只债券发生了实质性违约，共涉及37个发债主体，通过研究这些实质性违约主体最近3～5年的财务数据及其他定性数据，我们不难从中发现最终导致实质性违约发生的“征兆”。在信用风险评级模型开发时，违约通常被定义为因变量（D），而违约的发生是一系列因素（即自变量，包括定量和定性等指标）共同作用的结果。因此，因变量与自变量之间可以用如下函数关系式表示：D=f(定量指标、定性指标及其他综合因素)。通过分析已经发生实质性违约的37家发债主体，我们不难提取一些导致其发生实质性违约的共同指标，通过分析这些指标变化的趋势，违约前的“征兆”也就不难发现了。我们将这些“征兆”定义为“技术性违约”，并以此来开发信用风险评级模型。作者采用这种方法开发的机构主体评级模型，经过3年多在证券公司的实际应用，不论是模型的区分能力、预测能力，还是模型的稳定性方面，都表现出了很好的效果。本书定位为在资本市场从事信用风险计量和管理的工具书。如果你在当前市场条件下开发信用风险评级模型时遇到困难，阅读本书你一定会找到实用性的解决方法；如果你在如何管理信用风险时遇到困难，阅读本书你也会找到实用的解决方法。本书共分为两部分。第一部分重点讲述信用风险的计量方法和适用于证券公司的信用风险计量体系，主要包括第一章至第十章的内容，并附以大量的R实例代码。第二部分重点讲述适用于证券公司的信用风险管理方法，主要包括第十一章和第十二章的内容。科学的信用风险计量和管理体系，需要先进的信用风险管理系统。衡泰软件的衡泰信用风险管理系统（xCRMS），能实现企业级信用风险计量、分析、管理和报表的全流程系统化管理。xCRMS 功能齐全，可以非常方便地配置本书中讲述的所有模型，实现评级模型的批量化运算、测试和管理。衡泰信用风险管理系统的强大功能已经在安信证券、招商证券、国泰君安证券、中投证券、光大证券、新时代证券、国都证券等众多证券公司中得到了良好的应用。本书假定读者非常熟悉模型开发工具R编程语言，对于R语言新手来说，建议首先阅读附录A中的内容，以基本熟悉R语言的相关语法。本书在撰写过程中得到了家人、朋友和业内专业人士的大力支持，在此对他们一一表示感谢。他们分别是深圳正前方金融服务有限公司董事长禹荣刚先生、杭州衡泰软件有限公司董事长徐行先生、美国穆迪董事总经理邵可弟先生、远光软件股份有限公司董事会秘书戴文斌先生。再次对他们表示感谢。读者若有问题与作者交流，请发邮件至yuzheng.cui@qq.com。

我们先看看自从2014年3月5日国内第一只债券“11超日债”发生违约以来资本市场信用风险事件发生的整体概况。据Wind统计数据，2014年全年共计5只债券发生了违约，合计违约金额11.6亿元；2015年全年共计19只债券发生了违约，合计违约金额117.1亿元；截至2016年6月30日共计36只债券发生了违约，合计违约金额235.91亿元。通过这些数据可见，国内资本市场发生违约的事件和违约金额均呈爆发式增长的态势。可是，从全球视野和信用风险评级模型开发的角度来看，目前发生违约的这些样本量仍然是太少，我们仍然无法采用科学、专业的方法来开发能够有效预测违约发生概率的信用风险评级模型。本书介绍的开发信用风险评级模型的实用方法，全都经过至少3年在国内资本市场的实践应用，并已经被事实证明了是行之有效的。本书详细讲述的信用风险评级模型开发技术主要包括：(1) 适用于评估资本市场个人融资主体的AHP法模型开发技术；(2) 以互联网公开数据集GermanCredit为例，详细讲述信用风险标准评分卡模型开发技术；(3) 基于实质性违约样本，提取机构发生实质性违约前的“征兆”，建立“技术性违约”的标准，并以此来开发适用于机构的信用风险评级模型的技术。针对机构的上述做法已经被实践证明是成功的，收到了很好的效果。在理论上上述做法同样是可解释的，因为我们可把机构比喻成一个“生命体”，该“生命体”的血液即为企业的现金流，那么任何一个“生命体”一般都不会突然“病入膏肓”，即任何一个正常经营的企业一般都不会突然违约！在违约之前，一定会有一些“征兆”，这些“征兆”就是机构主体评级模型中各指标变化的趋势。如何选择这些“征兆”呢？目前，国内资本市场已经有61只债券发生了实质性违约，共涉及37个发债主体，通过研究这些实质性违约主体最近3～5年的财务数据及其他定性数据，我们不难从中发现最终导致实质性违约发生的“征兆”。在信用风险评级模型开发时，违约通常被定义为因变量（D），而违约的发生是一系列因素（即自变量，包括定量和定性等指标）共同作用的结果。因此，因变量与自变量之间可以用如下函数关系式表示：D=f(定量指标、定性指标及其他综合因素)。通过分析已经发生实质性违约的37家发债主体，我们不难提取一些导致其发生实质性违约的共同指标，通过分析这些指标变化的趋势，违约前的“征兆”也就不难发现了。我们将这些“征兆”定义为“技术性违约”，并以此来开发信用风险评级模型。作者采用这种方法开发的机构主体评级模型，经过3年多在证券公司的实际应用，不论是模型的区分能力、预测能力，还是模型的稳定性方面，都表现出了很好的效果。本书定位为在资本市场从事信用风险计量和管理的工具书。如果你在当前市场条件下开发信用风险评级模型时遇到困难，阅读本书你一定会找到实用性的解决方法；如果你在如何管理信用风险时遇到困难，阅读本书你也会找到实用的解决方法。本书共分为两部分。第一部分重点讲述信用风险的计量方法和适用于证券公司的信用风险计量体系，主要包括第一章至第十章的内容，并附以大量的R实例代码。第二部分重点讲述适用于证券公司的信用风险管理方法，主要包括第十一章和第十二章的内容。科学的信用风险计量和管理体系，需要先进的信用风险管理系统。衡泰软件的衡泰信用风险管理系统（xCRMS），能实现企业级信用风险计量、分析、管理和报表的全流程系统化管理。xCRMS 功能齐全，可以非常方便地配置本书中讲述的所有模型，实现评级模型的批量化运算、测试和管理。衡泰信用风险管理系统的强大功能已经在安信证券、招商证券、国泰君安证券、中投证券、光大证券、新时代证券、国都证券等众多证券公司中得到了良好的应用。本书假定读者非常熟悉模型开发工具R编程语言，对于R语言新手来说，建议首先阅读附录A中的内容，以基本熟悉R语言的相关语法。本书在撰写过程中得到了家人、朋友和业内专业人士的大力支持，在此对他们一一表示感谢。他们分别是深圳正前方金融服务有限公司董事长禹荣刚先生、杭州衡泰软件有限公司董事长徐行先生、美国穆迪董事总经理邵可弟先生、远光软件股份有限公司董事会秘书戴文斌先生。再次对他们表示感谢。读者若有问题与作者交流，请发邮件至yuzheng.cui@qq.com。 作者2016年10月

显示全部信息

媒体评论

在线试读部分章节

第三章信用风险评级模型的开发过程信用风险评级模型的开发需要遵循科学的流程，主要包括数据准备、违约定义、数据预处理、变量选择、模型开发、模型验证、模型实施等步骤。本章共分为9节，详细讲述信用风险评级模型的类型及开发流程。第一节信用风险评级模型的类型由本书第一章中论述的内容可知，信用风险计量体系包括主体评级和债项评级两部分。主体评级和债项评级均有一系列评级模型组成，其中主体评级模型可用“四张卡”来表示，分别是A卡、B卡、C卡和F卡；债项评级模型通常按照主体的融资用途，分为企业融资模型、现金流融资模型和项目融资模型等。A卡，又称为申请者评级模型，主要应用于相关融资类业务中新客户的主体评级，适用于个人和机构融资主体。B卡，又称为行为评级模型，主要应用于相关融资类业务中存量客户在存续期内的管理，如对客户可能出现的逾期、延期等行为进行预测，仅适用于个人融资主体。C卡，又称为催收评级模型，主要应用于相关融资类业务中存量客户是否需要催收的预测管理，仅适用于个人融资主体。F卡，又称为欺诈评级模型，主要应用于相关融资类业务中新客户可能存在的欺诈行为的预测管理，适用于个人和机构融资主体。本章讲述的是主体评级模型的开发过程。第二节信用风险评级模型开发流程概述典型的评级模型开发流程如图3.1所示。该流程中各步骤的顺序可根据具体情况的不同进行适当的调整，也可以根据需要重复某些步骤。图3.1典型的评级模型开发流程信用风险评级模型的主要开发流程如下。（1） 数据获取，包括获取存量客户及潜在客户的数据。存量客户是指已经在证券公司开展相关融资类业务的客户，包括个人客户和机构客户；潜在客户是指未来拟在证券公司开展相关融资类业务的客户，主要包括机构客户，这也是解决证券业样本总体较少的常用方法，这些潜在机构客户包括上市公司、公开发行债券的发债主体、新三板上市公司、区域股权交易中心挂牌公司、非标融资机构等。（2） EDA（探索性数据分析）与数据描述，该步骤主要是获取样本总体的大概情况，以便制定样本总体的数据预处理方法。描述样本总体情况的指标主要有缺失值情况、异常值情况、平均值、中位数、最大值、最小值、分布情况等。（3） 数据预处理，主要工作包括数据清洗、缺失值处理、异常值处理，主要是为了将获取的原始数据转化为可用作模型开发的格式化数据。（4） 变量选择，该步骤主要是通过统计学的方法，筛选出对违约状态影响最显著的指标。（5） 模型开发，该步骤主要包括变量分段、变量的WOE（证据权重）变换和逻辑回归估算三部分。（6） 主标尺与模型验证，该步骤主要是开发某类主体的主标尺并进行模型的验证与校准。（7） 模型评估，该步骤主要是根据模型验证和主标尺设计的结果，评估模型的区分能力、预测能力、稳定性，并形成模型评估报告，得出模型是否可以使用的结论。（8） 模型实施，即模型的部署和应用。（9） 监测与报告，该步骤主要工作是定期检测模型的使用情况，并关注和定期检验模型的区分能力与预测能力的变化及模型稳定性的变化，在出现模型可能不能满足业务需求的情况时，反馈至模型开发团队，及时进行模型更新或重新开发。第三节明确要解决的问题在开发信用风险评级模型之前，首先应当明确要解决的业务问题，这些业务问题包括业务的主要盈利模式、核心风险点、所需的数据准备、目标变量的定义、主要面临的困难及解决方案等。例如，股票质押融资业务需要开发一个针对个人融资客户的评级模型，以评估个人客户发生违约、不能按时还本付息的风险。面对这个业务问题，我们首先应当明确这是一个评估融资客户信用风险的问题，融资类业务只有当所有客户均不违约时，证券公司才能获得最大盈利点，因此融资类业务的核心风控点就是判断客户是否违约。明确了上述问题，接下来我们需要进行相关数据的收集、目标变量（违约）的定义、模型开发、模型验证、模型实施等工作。根据证券公司融资类业务的特点，下面分个人和机构两部分来讲述模型开发过程中可能遇到的问题及其解决方法。1. 评估个人融资客户信用风险面临的问题及解决方法证券公司开展的个人融资类业务包括融资融券、股票质押、约定购回、限制性股票融资、场外衍生品等业务，在个人客户开展这些融资类业务时，证券公司极少要求客户提供收入证明、银行流水、人行信用报告等这些与衡量个人信用最相关的数据，因此目前开发证券公司个人融资客户的信用风险评级模型，面临的最大困难是数据的缺失。在数据缺失时，开发个人信用风险评级模型最专业、最科学的方法是层次分析法（analytic hierarchy process，AHP），它是一种将定性与定量指标相结合的决策分析方法，是一种把复杂问题分解成各个组成因素，再将这些因素按照支配关系分组形成递阶层次结构，通过两两比较的方式确定各个因素的相对重要性，通过求解相对重要性判断矩阵确定指标权重的方法。在第四章第一节，我们将重点讲述采用层次分析法开发信用风险评级模型的方法。2. 评估机构融资客户信用风险面临的问题及解决方法证券公司开展的机构融资类业务包括股票质押、约定购回、限制性股票融资、债券投资、债券承销、代销金融产品、“非标”投资、场外衍生品等业务。自2014年中国债券市场开启“违约元年”以来，在公募和私募债券市场均出现了违约事件。这些发生违约的融资主体不仅包括民营企业，还包括国有企业。机构融资主体违约样本的出现，为我们采用专业、科学的方法开发机构主体的信用风险评级模型提供了数据支持。但是，我们也应该看到，目前发生的违约机构融资主体仅限于个别行业，绝大多数行业还没有违约样本的发生。因此，开发机构主体评级模型面临的最大问题，不是样本总体缺少的问题，而是违约样本缺少或缺失的问题。我们知道企业的行为受主观意愿影响较小，企业债务到期时若有还款能力，一般均会按时还本付息。如果把机构比喻成一个“生命体”，该“生命体”的血液即为企业的现金流，那么任何一个“生命体”一般都不会突然“病入膏肓”，即任何一个正常经营的企业一般都不会突然违约！在违约之前，一定会有一些“征兆”。在目前中国的市场环境下，我们可以通过采用企业可能违约前的“征兆”，自定义技术性违约的方法来解决违约样本缺失或不足的问题。我们将在第六章详细讲述技术性违约的定义方法，及采用技术性违约开发机构融资主体信用风险评级模型的方法。第四节数据准备及数据预处理数据准备和数据预处理是整个信用风险评级模型开发过程中最重要也是最耗时的工作了。通常情况下，数据准备和数据预处理阶段消耗的时间占整个模型开发时间的80%以上，该阶段主要的工作包括数据获取、探索性数据分析、缺失值处理、数据校准、数据抽样、数据转换，还包括离散变量的降维、连续变量的最优分段等工作。本书中所指的数据获取主要包括第二章中讲述的采用WindR插件自动建设数据库。在实际的模型开发过程中，除了需要收集存量客户和潜在客户的公开市场数据外，还需要收集非公开市场的客户资料数据，如信托融资人和私募债发行人等的定量和定性数据。探索性数据分析（exploratory data analysis，EDA），又称为数据描述，是指我们在不知道模型开发样本总体分布及其他属性的情况下，通过统计指标，如均值、方差、众数、中位数、分位数、变量分布、相关性、正常和违约样本分布等获取样本总体大概情况的方法。我们以GermanCredit为样本总体，使用R语言举例说明EDA分析的方法。library(klaR)data(GermanCredit)#获取样本总体(GermanCredit)各变量的最大值、最小值、中位数、平均值、14分位数和34分位数summary(GermanCredit)输出结果如图3.2所示。图3.2样本总体概况c<-GermanCredit\[,1:5\]#为方便显示,取样本总体的子集：前5列数据子集各变量的相关系数表如图3.3所示。cor(c)图3.3样本总体中各变量的相关系数从图3.3中样本总体中各变量的相关系数可以看出，变量“RADIO.TV”和“NEW_CAR”的相关系数最大为0.345，小于0.8，因此各变量中没有多重共线现象。子集各变量的两两散点图(可知变量的稀疏性),如图3.4所示。pairs(c)#图3.4样本总体各变量的散点图从图3.4可以看出，样本中第二个变量（DURATION）的分布比较稠密，而其他变量的数值则比较稀疏。datas<-GermanCredit#复制GermanCredit数据集获取样本总体正常和违约的分布情况,如图3.5所示。hist(GermanCredit$RESPONSE)#图3.5样本总体中正常样本和违约样本的频率分布图图3.5表明，样本总体中正常样本有300个，违约样本有700个。缺失值的处理方法对模型区分能力和预测准确性的影响是非常大的，对缺失值的处理原则是各变量在缺失值处理前后的分布保持一致。通常采用的缺失值处理方法包括直接删除和其他值替换两类，其他值替换法包括使用中位数、众数、平均数、预测值替换等方法。缺失值处理方法的简单示例如下所示。d<-GermanCredit\[,2\];#以样本总体中的第2列为例d\[10\]=NA;#把第10个值设定为NAplot(d,type='l',main="原数据分布")#如图3.6所示图3.6原数据分布d\[10\]=mean(d,na.rm=TRUE);#平均数,填补plot(d,type='l',main="平均数填补")#如图3.7所示图3.7平均数填补d\[10\]=median(d,na.rm=TRUE);#中位数,填补plot(d,type='l',main="中位数填补")#如图3.8所示图3.8中位数填补d\[10\]=table(d)\[table(d)==max(table(d))\];#众数,填补plot(d,type='l',main="众数填补")#如图3.9所示图3.9众数填补#将第100行、第2列赋值为NA,以演示用线性回归替换缺失值的方法GermanCredit\[100,2\]=NA;x<-GermanCredit;du=lm(DURATION~.,x\[-100,\])#剔除含有缺失值的样本x\[100,2\]=predict(du,x\[100,-2\])#使用线性回归模型预测缺失值plot(x\[,2\],type='l',main="线性回归预测值填补")#如图3.10所示图3.10线性回归预测值填补数据校准、数据抽样和数据转换等工作，将分别在第五章、第六章的模型开发实例中详细介绍。第五节变 量 选 择通常情况下，影响个人或机构信用状况的指标很多，如果我们开发信用风险评级模型时，所有指标都考虑进去，则会导致模型复杂度非常高。因此，我们通常使用预测力指标，筛选出对违约状况影响最大、最显著的指标来开发信用风险评级模型。常用的预测力指标如下。1. 皮尔森(Pearson)相关系数皮尔森相关系数，也就是我们通常所简称的相关系数，它衡量的是变量间的线性相关程度，其取值范围为\[-1,1\]，取值为0时表示无相关性，取值接近-1或1时表示强相关性。假定两个变量x和y，则其皮尔森相关系数定义为ρ=∑Ni=1(xi-x-)(yi-y-)［∑Ni=1(xi-x-)2∑Ni=1(yi-y-)2］1/2(3.1)式中： xi和yi分别变量x和y的取值；x-和y-分别是变量x和y的均值。2. 斯皮尔曼(Spearman)相关系数由式(3.1)的定义可以看出，皮尔森相关系数在计算变量间的相关性时，没有考虑变量的顺序。因此，在计算顺序变量的相关系数时，我们常采用斯皮尔曼相关系数（又称秩相关）。斯皮尔曼相关系数的计算采用的是取值的等级，而不是取值本身。当取值按照升序排列时，取值的等级就是该取值的顺序。例如，给定三个值33、21、44，则它们的等级分别是2、1、3。参考皮尔森相关系数的定义，斯皮尔曼相关系数的定义如式(3.2)所示:ρs=∑Ni=1(Ri-)(Si-)［∑Ni=1(Ri-)2∑Ni=1(Si-)2］1/2(3.2)式中： Ri和Si分别为观测值i取值的等级；和分别为变量x和y的平均等级。计算皮尔森和斯皮尔曼相关系数的R代码如下所示:library(Hmisc)mdatas<-as.matrix(datas\[,1:6\])#为方便显示,取数据集的前6列pcor<-rcorr(mdatas, type="pearson")#皮尔森相关系数scor<-rcorr(mdatas,type="spearman")#斯皮尔曼相关系数程序运行结果如图3.11和图3.12所示，每个运行结果均包括三部分，分别是各变量间的相关系数、每个变量的观测值(n)、两两变量间渐近线的Pvalue(P)。图3.11皮尔森相关系数

显示全部信息

书摘插画

显示全部信息

基于R语言的证券公司信用风险计量和管理

发布书评

相关图书推荐