近年来,中小企业对我国国民经济的发展发挥着越来越重要的作用。然而,中小企业融资难、融资贵问题一直是一个世界性难题,导致这一难题的原因之一是中小企业往往存在信息披露问题,缺少严格的信用评级体系下所需要的评级数据。因此,需要建立适用于中小企业的信用评级模型,在存在数据缺失和异常等情况下,为中小企业提供合适的信用评级服务,预测中小企业的信用风险。在当今信息技术飞速发展的年代,新兴计算机技术为中小企业信用评级带来了无限生机。神经网络具有自学习和自适应能力,不仅可以提高评级效率,而且可以保证评级结果的客观公正。将神经网络引入信用评级体系,可以解决中小企业信用评级的问题,构建适用于中小企业的信用评级模型。本文首先梳理了近年来中小企业信用评级指标和模型的相关研究,总结了当前主流的信用评级指标和模型,结合我国中小企业的实际情况,选择适宜的指标和模型对中小企业信用水平进行预测。神经网络模型以神经元为基础,通过模拟人脑来建立网络模型,神经元之间通过级联来实现信息的传递,通过对输入数据的不断学习和训练建立权重,并以此来进行数据的预测和分析。神经网络具有高度的并行性、非线性、容错性,具有联想记忆、自学习、自适应等能力以及分布式存储的特点。与其他模型相比,可以解决数据缺失、规则性不强、约束条件较多等问题,具有很好的稳定性和客观性。基于神经网络的中小企业信用评级具有相当的优势,但实践的过程中也暴露出了一些局限性:1、模型数据固化,无法针对企业的发展变化及时对评级结果做出调整。2、依据旧有数据训练好的模型,不能得出准确的评级结果。3、模型不能为中小企业持续提供优质的信用评级服务,从而影响中小企业的健康发展。针对这些状况,本文提出如下问题:基于神经网络构建的中小企业信用评级模型有什么优势?模型稳定性如何?是否需要不断优化?如何对评级模型进行优化?优化后效果如何?本文将探讨基于神经网络的中小企业信用评级模型的优势,拟对其进行优化,使基于神经网络构建的中小企业信用评级模型更具生命力。就理论意义而言,本文着重研究中小企业信用评级的模型构建和模型优化,希望对中小企业信用评级模型的改进做出一定的贡献。就实践意义而言,本文为中小企业信用评级提供更好的评级方式与模型,为评级机构提供了更有效的评级工具,以期降低中小企业的违约风险,同时降低商业银行等金融机构的信用风险,减少各方的信息不对称,提高中小企业获得融资的便利性。此外,本文致力于推动普惠金融发展,通过优化适合中小型企业的神经网络信用评级模型,用于中小企业信用评分、违约预测和损失预测,帮助中小企业获得融资,推动数字普惠金融发展。本文采用了比较研究法、定性定量分析法和实证研究法。通过比较优化前后信用评级模型的实证效果,来评估优化方案的有效性。并比较各优化方案的优化效果,选择最佳的优化方案。在定性分析的基础上,建立适应的指标体系,采用神经网络模型对企业进行信用预测评估,并使用重新训练策略和集成优化策略对模型进行优化,根据实证检验结果,说明神经网络模型具有一定的优势,但需要不断优化。本文以国内外文献为基础,结合中小企业自身特点,选取偿债能力、盈利能力、营运能力、成长能力、现金流分析等财务指标作为定量指标,选取行业风险评估、企业资本情况、历史信贷评估等非财务指标作为定性指标,构建中小企业信用评级指标体系。以神经网络模型为基础,构建中小企业信用评级系统,将评级指标初始值进行预处理后,作为神经网络的数据值,神经网络通过不断地学习以建立权重,之后根据学习结果对企业信用等级进行预测,得到中小企业信用评级结果,之后对模型进行优化,选择预测效果最好的方法作为最佳优化方案。通过对理论的剖析,模型的构建,以及相关文献的梳理,本文以国内中小企业信用评级数据为基础,构建信用评级模型,并对模型进行优化,分析模型预测的准确率。本文数据来源于国泰安数据库,2019年我国中小企业各项指标数据作为旧数据,2020年我国中小企业各项指标数据作为新数据,作为本文研究的样本数据。对原始数据进行初步处理,统一数据格式,剔除异常值和错误值,将数据归一化。由于金融数据间因果关联度不强,使用神经网络模型直接进行预测准确率不高,因此本文采取多次二分类的方法对企业信用等级进行预测,F1值达95.95%。由于中小企业发展迅速,信用水平随时间变化较大,使用旧模型来预测已经发生变化的企业会得到比较糟糕的结果,F1值仅为11.11%,因此模型需要实时优化。本文采用重新训练策略和集成优化策略这两种优化策略,每种策略使用仅根据新数据优化和新旧数据结合优化这两种方法,结果均有不错的优化效果,F1值均在70%以上。结合时间成本和优化效果来看,仅根据新数据进行优化的重新训练策略效果最好,在耗时较短的情况下,F1值达89.70%。本文的创新点,一是基于神经网络中小企业信用评级优化策略研究,二是实证方法上尝试采用多次二分类法对中小企业的信用等级进行预测。本文得出的主要结论如下:1.神经网络模型在对中小企业进行信用评级时具有独特的优势,神经网络模型对数据的完整度要求不严格,处理速度快,可以保证评级结果的客观性,避免复杂函数关系的建立,可以随数据变化而不断学习,对中小企业信用评级的适用度较强。2.基于神经网络信用评级模型对我国中小企业信用评级需要优化。对中小企业进行信用评级时,不能简单粗暴地套用神经网络模型,否则会得到比较糟糕的结果。其原因在于中小企业评级数据不够完善,评级指标与信用等级间的关联度较弱,中小企业信用水平的变化速度较快。因此,需要采取合理的方法使用并优化神经网络模型。3.采用多次二分类的方法对中小企业进行信用评级预测可以大大降低神经网络学习的难度,有效提高了预测效果。4.从结果推演分析,本文通过技术手段对中小企业信用评级模型进行了优化,重新训练策略和集成优化策略均可以起到不错的优化效果,综合优化效果和时间成本来看,仅根据新数据进行优化的重新训练策略综合效益最佳。根据结论,本文提出以下政策建议:1.在对中小企业进行信用评级的过程中,可以大胆地引入神经网络等金融科技手段,利用科技赋能,提高信用评级的效率和质量。2.中小企业信用评级要与时俱进、不断创新,使用神经网络等模型时要注意不断优化,使评级模型更可持续。3.利用神经网络等科技手段建立中小企业信用评级模型还有很广阔的探索空间,随着科技的发展,期望有越来越多的机器学习方式运用到中小企业信用评级模型中来。