4 模糊逻辑与神经网络对操作风险强度的判断

4 模糊逻辑与神经网络对操作风险强度的判断
自从《巴塞尔协议》的第一支柱对监管资本要求进行了规定，巴塞尔银行委
员会已经着手开发了一系列更为精确的方法来解决这些问题，通过下面三种方法来评估操作风险：基本指标法(Basic Indicator Approach)、标准法(Standardized Approach)和高级法(AMA)。

在初级度量法中，基本指标法和标准化方法对风险的估计过于粗略，指标的选择和固定百分比的确定带有很大随意性。

在高级度量法中，内部衡量法(Internal MeasurementApproach)是建立在期望损失与非期望损失之间具有稳定的关系假设基础之上，这就为现实的应用和处理带来很大的局限性。

而损失分布法(Loss Distribution Approach)没有考虑各个业务类别与其他业务发生
事故之间的联系，并且因为类别由银行自己划分，所以带来了一个问题就是缺乏比较性。

极值理论模型(Extreme Value Theory)的问题是最优阈值难以确定，同时，由于只有少数点进入尾部区域，很难获得充分的数据。

正是操作风险预测的主观性为基于模糊逻辑的自组织竞争网络在操作风险管理中的应用提供了强有力的研究背景。

本章将结合模糊逻辑和神经网络中的自组织竞争方法对操作风险进行分类（见图4.1），以更好的明晰操作风险强度从而对其进行识别和判断。

将神经网络和模糊逻辑相结合，为其实现分类提供了良好的学习功能，避免
了传统分类方法的缺陷。

在传统规则分类中，如仅使用模糊逻辑，在处理一些非线性时变的复杂系统时，无法建立准确的数学模型进行分类识别，而且一般的分类往往都局限于专家们的经验知识，这样就造成了无法保证最优或次优的结果得出。

而神经网络具有自学习的能力，能通过训练来学习给定经验，并由此获得更优的规则。

运用神经网络技术，计算机对特征的实际观察和数据库推理的结果进行学习，从而具有根据所提供的特征预测结果的能力。

并且，大量的学者长期以来在该领域的研究为模糊逻辑和神经网络这种混合方法的广泛应用提供了强有力的研究背景。

Kim Hua Tan、Chee Peng Lim、Ken Platts 和Hooi Sehn Koay 通过模糊逻辑和神经网络的综合应用分析了制造行业技术投资决策的制定和管理。

Nikola 和Kasabov 对模糊规则和神经网络的混合系统做了进一步研究，探讨了新的学习方法FuzzyCOPE 优势所在。

Hisao 和Manabu 在2001 年对模糊逻辑和神经网络的应用不同的模糊化方法做了比较研究。

随着观测样本的增加，系统学
习的精度逐渐提高，从而能使神经网络能够做出更科学的决策。

例如，自从Altman对破产预测的研究以来，大量的学者已经开始努力开发合适的量化模型，如包括判别式分析, 逻辑，概率和神经网络应用的数据挖掘技术。

另一个量化的应用就是从巨大的金融数据中自动的发掘破产预测规律。

数据挖掘技术，如归纳学
习方法、神经网络和遗传算法，已经成功的取得了有用的破产预测规律。

4.1 模糊分类方法
模糊分类系统是基于模糊逻辑之上的用于处理涉及到识别不确定的分类问题。

在模糊分类系统中，一个实例能通过适用于一系列基于该实例属性的语言价值模糊规则来实现分类。

对于构建模糊分类来说，最主要的就是如何建立关于分类问题的模糊规则。

目前，模糊规则的识别主要有两种方法：其一，通过专家的已知知识来进行模糊规则的解释，但是该方法的知识获取和实证很费时；第二种方法就是通过机器学习方法来获得模糊规则，该方法可以通过样本来自动提取规则。