随着信用风险研究方法的发展,大量可以反映企业或公司信用特征的历史数据信息(时间序列数据)被应用于信用评价。由于这些时间序列数据往往呈现出非线性、偶然性和时变性等特征,使得建立信用评价模型所需要处理问题的复杂程度越来越高,特别是信用评价的结果难以保证准确性。如何分析和利用时间序列数据,使其有效地为决策者提供准确的企业信用风险信息,是当前研究的热点之一。我国公司、企业的经营发展历史较短,评价数据大多源自企业的财务报表(季报、年报),用于信用评价的时间序列数据采样时点较少；同时时间序列的特性使得信用评价建模过程复杂程度加大。针对多维时间序列在信用评价建模过程中出现的相关问题,本文在国内外学者研究的基础上,提出一些解决方法,并通过计算机仿真验证了所提方法的有效性,主要研究工作包括以下内容：(1)、针对信用评价方法采用孤立时点数据,容易导致评价结果失真这一问题,提出了基于灰色模糊的多维时间序列信用评价模型。该方法可以在采样周期内评测受评目标的信用级别,得到其稳定的信用趋势和客观的评价结果,提高对信用风险的控制和规避。(2)、评价指标属性对于信用评价有着极其重要的意义,特别是当指标属性较少且针对性较强时,对评价结果的影响较大。针对这一情况,本文提出了基于模糊多属性决策的多维时间序列信用评价模型。该方法根据多维时间序列数据的特性采用基于离差最大化模型与二次规划模型相结合的方法得到指标属性的权重,并作为决策参数应用于信用评价建模中。(3)、在信用评价模型中,模糊聚类分析主要用于解决受评样本信用类别未知的聚类问题,对后续外来样本评价的效果并不理想,这使得其在应用中受到一定的局限性。针对这一问题,本文提出了基于模糊聚类与规则提取的多维时间序列信用评价建模方法。通过将模糊聚类分析与规则提取相结合,提取评价规则,建立信用评价分类函数,从而增强了模型在信用评价中的应用范围。(4)、随着时间序列数据引入到信用评价中来,时间序列的可预测性为信用风险的预测提供了理论支持。本文在前期研究的基础上,提出基于多维时间序列的信用评价预测模型。模型从采样周期的角度评测受评目标的信用等级并对受评目标的信用等级进行预测。