组合模型在商业银行信用风险评估中的研究

合集下载

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

的不确定性，表现为企业由于各种原因，愿意或者无力偿不
括判别分析法、逻辑回归和聚类分析等，计分析法克服了统比例分析法综合分析能力差和定量分析不足等缺点，但是存
在一些问题，不能很好地反映风险指标之间非线性关系，如
还银行贷款本息，使银行贷款无法回收，形成呆账的可能性，
ｍｎｆｏｍｒｉａｋ，ｏｂｎｄｃｍｒｉｌａｋｃｅｉｒｋａｓｓｍｎｍｏｅ（ＳＢＮｅｔｍｅｃａｂｎｓａｃｍｉｅｏｍｅｃｎｒｄｔｓｓｅｓｅｔｄｌＲ — ＰＮ）ｏｕｈｓｔｈｏｏｃｌａｂｉｆｏｇｅｔｅ－ｒｙＲ）ａｄｔＰｎｕａｎｔｒＢＮｒ（ＳｎｅＢｅｒｅｏｋ（ＰＮ）ｉｐｔｏｗｒ．Ｆｒｔ，ｏｇｔｔｅｒｆｕｅｉｎｌｓｒｇｈｌｗｓｕｆｒａｄｉｌｒｕｈｓｓｈｏｏｍｒａａａｉｏｓｏｓｙｅｙｎｃｌｙｓｆｔｎ
其中Ｕ＝（，，。 … ）论域，为表示全体样本的集合，ＣｕＤ
＝
１８９２年，波兰数学家Ｐｗａ出了粗糙集理论（Ｓ，ａｌｋ提Ｒ）其在处理不确定的知识、消除冗余信息、现样本数据属性之发间的本质关系上具有突出的优势，糙集理论提供了一套完粗整的条件属性约简。针对当前神经网络在商业银行信用风险评估存在的不足，本文利用粗糙集理论和神经网络的各自优势，两者结将合起来，提出一种基于粗糙集神经网络的商业银行信用风险风险评估模型。该模型文首先利用粗糙集理论对商业银行信用风险评估指标体系进行约简，以消除冗余信息，然后建立Ｒ — ＰＮ商业银行信用风险评估模型。结果表明，ＳＢＮ该方法提高评估速度和评估的准确率，取得了较好的效果。
的非参数方法，不仅具有非线性映射能力和泛化能力。而且
一
３６】一
还具有较强的鲁棒性和较高的预测精度Ｊ。但是由于影响商业银行信用风险的因素较多，且各种因素之间存在着冗余信息，神经网络虽然具有良好的非线性分析能力，但却不能很好地消除因素之间的冗余信息，导致神经网络结构复杂，
第２卷第９８期
文章编号：０６９４（０１０ — ３１０１０ — ３８２１）９０６ — ４
计
算
机
仿
真
２１月０年９１
组合模型在商业银行信用风险评估中的研究
朱金华
（江越秀外国语学院，江绍兴３２０）浙浙１００
ＫＥＷＯＲ：ｏｇｅ（Ｓ；ＰｎｕａｎｔｏｋＢＮ；ｒｄｔｉｓｅｓｎ；ｏｅｃｌａｋＹＤＳＲｕｈｓｔＲ）Ｂｅｒｅｗｒ（ＰＮ）ＣｅｉｒｋａｓｓｌｓｍｅｔＣｍｍｒｉｎｓａｂ
１引言
随着金融全球化的发展，商业银行既存在着巨大的商
Ｒ为属性的非空有限集合，子集Ｃ为属性集，Ｄ为决策属性
集，Ｖ＝ｕ为属性值的集合，为属性ｒ的值域：Ｕ×Ｒ— 是一个信息函数，用来确定Ｕ中的属性值，当存在任一 ∈ Ｕ，ＥＲ，ｒ则有八，）＝。ｒ存在任一属性子集ＰＲ，假设，ＥＵ， ∈Ｐ，Ｖ当且仅当＿，）＝八，）时，厂ｒ（ｒ则，不可分辨，以标记为可ＩｄＰ）即表示，，ｎ（，为等价关系。如果ｒ ∈Ｐ，当式（）２成立
ｃｐｂｌｙｅａｕｔｎｉｄｘｓｉｕｅｏｔｉｕｅｒｄｃｉｎ，ｔｅｈＰｎｕａｎｔｏｋｔｉｉｇｄｔｒｅｕｅｏａａｉｔｖｌａｉｎｅｅｓｓｄｆｒａｔｂｔｅｕｔｉｏｒｏｈｎｔｅＢｅｒｌｅｗｒｒｎｎａａａｅｒｄｃｄｔａｓｍｐｉｈｅｗｒｔｃｕｅｅｏｄｙ，ｔｅｒｄｃｄＢｅｒｅｗｏｋｉｒｉｅ．Ｆｎｌｉｌｙｔｅｎｔｏｋｓｒｔｒ．ＳｃｎｌｈｅｕｅＰｎｕａｎｔｒｓｔｎｄｆｕｌａｉａｌｙ，ｔｅｓｌｔｎｅｐｒ— ｈｉａｉｘｅｉｍｕｏｍｅｔｉｃｒｉｄｏｔｈｅｕｔｓｏｈｔｏａｅｔｅｔａｉｏａＢｅｒｅｗｒｄｌｈｏｉｅｄｎｓａｒｅｕ．ＴｅｒｓｌｈｗｔａｍｐｒｄｗｉｔｒｄｔｎｌＰｎｕａｎｔｏｋｍｏｅ，ｔｅｃｍｂｎｄｍｏ — ｓｃｈｈｉｌｅｐｅｓｕｈｅｗｒｐｒｔｇｓｅｄｕｔｅｎａｃｓａｓｓｕｇｐｅｉｉｎ，ａｄｈｓｏｔｉｅｈｏｄａｐａｓｌｌｓｅｄｐｔｅｎｔｏｋｏｅａｉｐｅ，ｆｒｈｒｅｈｎｅｓｅｓｂｒｃｓｎｏｎａｂａｎｄｔｅｇｏｐｒｉａｒｓｈｅｕ．
摘要：研究商业银行信用风险评估问题，商业银行信用风险评评估涉及指标相当多，指标间呈非线性关系且存在严重冗余各
信息，传统评估方法不能很好消除冗余信息，只能反映指标间的线性关系，导致风险评估准确率低。为了提高商业银行信用
风险评估的准确性，提出了一种粗糙集理论（ｓ和ＢＲ）Ｐ神经网络（ＰＮ）ＢＮ相结合的商业银行信用风险评估组合模型（ｓＲ— ＢＮ。新模型首先利用粗糙集理论对各评估指标进行指标约简，ＰＮ）消除指标间的冗余消息，简化神经网络的网络结构，然后将约简后的数据输入非线性预测能力优异的ＢＰ神经网络进行训练，得到商业银行信用风险评估模型，最后采用中国工商银行某分行数据对组合模型进行仿真试验。仿真结果表明，与传统的ＢＰ神经网络模型相比，合模型加快了网络的运算速组度，提高风险评估准确率，获得评估结果更具科学性。关键词：粗糙集；神经网络；信用风险；商业银行
化了ＢＰ神经网络的输入。３２Ｂ．Ｐ神经网络ＢＰ神经网络是一种人工神经网络学习算法，由输入它
２商业银行信用风险评估模型
信用风险是指客户违约的风险，也就是银行的借款人或
Ｚｉ— ｕＨＵＪｎｈａ
（ｈｊｎｕｘｕＵｉｒｔｏｏｅｇａｇａｅ，ｈｏｉｈｊｎ１００，ｈｎ）ＺｅａｇＹｅｉｎｖｓｙｆｒｉｎＬｎｕｇｓＳａｘｇＺｅａｇ３２０ＣｉｉｅｉＦｎｉａ
ＡＢＳＴＲＡＣＴ：ｔｄｏＳｕｙｃｍｍｅｃａａｋｃｅｉｒｋａｓｓｍｅｔＡｓｅｓｎｒｄｔｒｋｉｏｒｉｌｂｎｒｄｔｉｓｅｓｎ．ｓｓｓｉｇｃｅｉｉｎｃｍｍｅｃａａｋ，ｉｖｌｅｓｒｉｌｂｎｓｎｏｖｓｍａｙａｐａｓｌｔｒｅｓ，ｎｅｉｄｘｓｈｖｃｅｕｄｎｆｒｔｎ，ｔｅｅｏｅｈｒｄｔｎｔｏｓｕａｌｎｐｒｉａｇｔａｄｔｎｅｅａｅｍｕｈｒｄｎａｔｎｏｍａｉａｈｉｏｈｒｆｒ，ｔｅｔａｉｏａｍｅｈｄｉｎｂｅｉｌｔｌｎｔｈｓｅｕｄｎｉｓｎｈｅｕｔｐｅｉｉｎｉｎｔｖｒｉｈｎｏｄｒｔｍｐｏｅｔｅｃｅｉｒｋａｓｓ — ｏｅｉａｅｔｅｅｒｄｎａｃｅ，ａｄｔｅｒｓｌｒｃｓｏｓｏｅｙｈｇ．Ｉｒｅｏｉｒｖｈｒｄｔｉｓｅｓｍｉｓ
对商业银行信用风险评估方法最初起源于２０世纪３０
神经网络和决策支持系统等被引入信用风险评估中，克服了统计方法不足，尤其是神经网络，其具有自组织、自学习特点
收稿日期：０００一１修回日期：０００ — ８２１—９Ｏ２１ — ９２
时，
ＩｄＰ＝ＩｄＰ一｛））ｎ（）ｎ（ｒ（）２
则表示ｒ属性集合Ｐ中可以省略，则不可省略。由在否
式（）可知，１属性ｒ的作用不大，属于冗余属性，略后也不省
会影响到对象特征的描述。利用这一特性，在进行商业银行信用风险评估时，可以从众多评估指标中，进行属性约简，以充分消除评估指标的冗余信息，提取到有用的属性，而简从
易陷入局部最优，响了评估结果Ｊ影。
பைடு நூலகம்
提条件的约束，能够有效地对不完整数据进行分析和推理，从而来发现数据之间的内在关系，用来提取有用特征进而简化信息的处理。在ＲＳ理论中，于任一个的信息系统Ｓ＝（，Ｖ，对ＵＲ，
年代，６在０年代之后成为热点。随着全球一体化和金融自由化的发展，断得到改进，不大致经历了比例分析、统计分析
和人工智能三个发展阶段Ｊ基于统计判别分析的模型包。
机，也面临着潜在的风险。信用风险是指信贷资金安全系数
因此，信用风险评估是商业银行风险管理中的一项基础性工
作，正确分析其在贷款业务中可能面临的信用风险，而能从
够为贷款决策提供依据… 。
不能很好消除信息冗余，且是基于样本趋于无穷大时的渐近
理论，当样本数量要一定的规模，如果样本数量不大，评估的结果不理想。８０年代以来，人工智能的技术如专家系统、
中图分类号：Ｐ０Ｔ３１文献标识码：．Ａ
ＭｏｅｉｇＢａｅｎＲＳａｄＢＰＮＮｏｅｉｓｄｌｎｓｄｏｎｆｒＣｒｄｔＲｉｋＡｓｅｓｅｎＣｏｍｅｃａｎｓｓｍｎｔｉｍｒｉｌＢａｋｓ