本文關(guān)鍵詞：基于人工神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信貸風(fēng)險(xiǎn)預(yù)警研究，由筆耕文化傳播整理發(fā)布。

【摘要】： 信貸風(fēng)險(xiǎn)是一個(gè)全球性的問(wèn)題。信貸資產(chǎn)的質(zhì)量?jī)?yōu)劣、信貸風(fēng)險(xiǎn)的大小對(duì)銀行的經(jīng)營(yíng)成果乃至生存發(fā)展有著至關(guān)重要的決定意義。長(zhǎng)期以來(lái),我國(guó)商業(yè)銀行缺乏有效的信貸風(fēng)險(xiǎn)監(jiān)測(cè)和控制手段,通常是事后處理多,事前防范少；定性分析多,定量分析少；靜態(tài)分析多,動(dòng)態(tài)分析少。隨著人工智能技術(shù)的興起和逐漸完善,特別是具有顯著的解決非線(xiàn)性問(wèn)題的特點(diǎn)的神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn),為解決上述問(wèn)題構(gòu)建信貸風(fēng)險(xiǎn)預(yù)警監(jiān)測(cè)模型提供了很大的幫助。 因此,本文以改進(jìn)優(yōu)化的三層BP人工神經(jīng)網(wǎng)絡(luò)模型為主,建立包括短期償債指標(biāo)、長(zhǎng)期償債指標(biāo)、贏利性指標(biāo)、資產(chǎn)營(yíng)運(yùn)性指標(biāo)、成長(zhǎng)性指標(biāo)、現(xiàn)金流量指標(biāo)、企業(yè)規(guī)模等七個(gè)一級(jí)指標(biāo)體系共三十三個(gè)二級(jí)指標(biāo)的商業(yè)銀行對(duì)企業(yè)客戶(hù)信貸風(fēng)險(xiǎn)評(píng)價(jià)的指標(biāo)體系,構(gòu)建了基于人工神經(jīng)網(wǎng)絡(luò)的信貸風(fēng)險(xiǎn)預(yù)警監(jiān)測(cè)模型,從某商業(yè)銀行信貸管理信息系統(tǒng)選取223家分析樣本,利用“3σ”評(píng)價(jià)規(guī)則確定客戶(hù)初始信貸水平,并運(yùn)用Matlab軟件對(duì)構(gòu)建的模型進(jìn)行檢驗(yàn)。 實(shí)證分析結(jié)果表明：第一,我國(guó)商業(yè)銀行信貸風(fēng)險(xiǎn)預(yù)警指標(biāo)不服從正態(tài)分布,因而不適宜使用多元線(xiàn)性判別分析方法建立信貸風(fēng)險(xiǎn)評(píng)估預(yù)警模型,也不適宜用t檢驗(yàn)篩選變量；第二,改進(jìn)后的BP算法較傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法訓(xùn)練結(jié)果有較大提高,正確率由正確率由86.98%提高到90.53%；改進(jìn)后的BP算法較傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法測(cè)試結(jié)果有較大提高,正確率由83.33%提高到90%,而且改進(jìn)后的算法所犯的第二類(lèi)錯(cuò)誤：將“警度高”的樣本誤判為“警度低”的樣本情況更少,對(duì)銀行的損失更��；三,本文開(kāi)創(chuàng)性地將“3σ”法則引入信貸風(fēng)險(xiǎn)評(píng)級(jí)中,采用其評(píng)級(jí)情況進(jìn)行模擬識(shí)別,最后結(jié)果顯示其準(zhǔn)確率能達(dá)到較好的水平。
【關(guān)鍵詞】：信貸風(fēng)險(xiǎn) 優(yōu)化神經(jīng)網(wǎng)絡(luò) K-S檢驗(yàn) Wilcoxon符秩檢驗(yàn) 3σ
【學(xué)位授予單位】：暨南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2010
【分類(lèi)號(hào)】：F832.4
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-14
• 1.1 研究背景9-11
• 1.2 研究意義11
• 1.3 本文的主要工作及框架圖11-13
• 1.4 本文的創(chuàng)新點(diǎn)13-14
• 第2章 商業(yè)銀行信貸風(fēng)險(xiǎn)預(yù)警研究概述14-36
• 2.1 商業(yè)銀行風(fēng)險(xiǎn)14-16
• 2.1.1 商業(yè)銀行風(fēng)險(xiǎn)的定義14
• 2.1.2 商業(yè)銀行風(fēng)險(xiǎn)的特點(diǎn)14-16
• 2.2 商業(yè)銀行信貸風(fēng)險(xiǎn)16-17
• 2.2.1 信貸與銀行信貸16-17
• 2.2.2 信貸風(fēng)險(xiǎn)17
• 2.3 商業(yè)銀行信貸風(fēng)險(xiǎn)分析方法概述17-25
• 2.3.1 商業(yè)銀行信貸風(fēng)險(xiǎn)的定性分析方法概述17-20
• 2.3.1.1 專(zhuān)家方法17-19
• 2.3.1.2 信貸評(píng)級(jí)方法19-20
• 2.3.2 信貸風(fēng)險(xiǎn)的定量分析方法概述20-25
• 2.3.2.1 統(tǒng)計(jì)分析方法21-22
• 2.3.2.2 分類(lèi)樹(shù)法22
• 2.3.2.3 人工專(zhuān)家系統(tǒng)法22
• 2.3.2.4 數(shù)據(jù)包絡(luò)分析方法22-23
• 2.3.2.5 期權(quán)模型23-24
• 2.3.2.6 信貸計(jì)量模型24
• 2.3.2.7 違約風(fēng)險(xiǎn)統(tǒng)計(jì)模型24-25
• 2.3.2.8 麥肯錫模型25
• 2.4 信貸風(fēng)險(xiǎn)評(píng)估的新視角:神經(jīng)網(wǎng)絡(luò)方法25-27
• 2.5 商業(yè)銀行風(fēng)險(xiǎn)預(yù)警系統(tǒng)內(nèi)涵27-30
• 2.5.1 商業(yè)銀行風(fēng)險(xiǎn)預(yù)警的涵義27-28
• 2.5.2 商業(yè)銀行風(fēng)險(xiǎn)預(yù)警與風(fēng)險(xiǎn)管理28-29
• 2.5.3 符合中國(guó)國(guó)情的商業(yè)銀行風(fēng)險(xiǎn)預(yù)警體系框架的構(gòu)建29-30
• 2.6 銀行信貸風(fēng)險(xiǎn)預(yù)警管理系統(tǒng)研究綜述30-36
• 2.6.1 國(guó)外銀行信貸風(fēng)險(xiǎn)預(yù)警系統(tǒng)研究概述30-32
• 2.6.2 國(guó)內(nèi)銀行信貸風(fēng)險(xiǎn)預(yù)警系統(tǒng)研究概述32-35
• 2.6.3 目前國(guó)內(nèi)商業(yè)銀行信貸風(fēng)險(xiǎn)研究的缺陷35-36
• 第3章 信貸風(fēng)險(xiǎn)評(píng)估新視角:人工神經(jīng)網(wǎng)絡(luò)36-47
• 3.1 人工神經(jīng)元的結(jié)構(gòu)模型36-38
• 3.2 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)38
• 3.3 神經(jīng)網(wǎng)絡(luò)的工作原理38-40
• 3.3.1 學(xué)習(xí)過(guò)程(訓(xùn)練過(guò)程)38-39
• 3.3.2 運(yùn)行過(guò)程(聯(lián)想過(guò)程)39
• 3.3.3 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則39-40
• 3.4 BP神經(jīng)網(wǎng)絡(luò)40-45
• 3.4.1 基本思想40-41
• 3.4.2 算法推導(dǎo)41-44
• 3.4.3 BP算法流程圖44-45
• 3.5 BP神經(jīng)網(wǎng)絡(luò)方法用于信貸風(fēng)險(xiǎn)評(píng)估預(yù)警的可行性分析45-47
• 第4章 商業(yè)銀行信貸風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建47-65
• 4.1 預(yù)警指標(biāo)體系的構(gòu)建47-52
• 4.1.1 商業(yè)銀行信貸風(fēng)險(xiǎn)預(yù)警指標(biāo)體系構(gòu)建原則47-49
• 4.1.2 商業(yè)銀行信貸風(fēng)險(xiǎn)預(yù)警指標(biāo)體系的建立49-52
• 4.2 信貸風(fēng)險(xiǎn)的判定標(biāo)準(zhǔn)和分類(lèi)52-55
• 4.2.1 信貸風(fēng)險(xiǎn)識(shí)別標(biāo)準(zhǔn)52-53
• 4.2.2 違約的標(biāo)準(zhǔn)53
• 4.2.3 信貸風(fēng)險(xiǎn)的分類(lèi)53-55
• 4.3 基于BP神經(jīng)網(wǎng)絡(luò)的信貸風(fēng)險(xiǎn)預(yù)警系統(tǒng)的設(shè)計(jì)和分析55-57
• 4.3.1 網(wǎng)絡(luò)結(jié)構(gòu)的確定55
• 4.3.2 隱含層的設(shè)計(jì)55-56
• 4.3.3 網(wǎng)絡(luò)學(xué)習(xí)參數(shù)的選取56-57
• 4.3.4 樣本數(shù)據(jù)的處理57
• 4.4 對(duì)風(fēng)險(xiǎn)預(yù)警BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)57-59
• 4.4.1 傳統(tǒng)BP網(wǎng)絡(luò)的限制與不足57-58
• 4.4.2 BP網(wǎng)絡(luò)的改進(jìn)優(yōu)化方法58-59
• 4.4.2.1 采用正則化方法—改進(jìn)誤差函數(shù)法優(yōu)化神經(jīng)網(wǎng)絡(luò)58
• 4.4.2.2 采用Levenberg-Marquardt算法優(yōu)化神經(jīng)網(wǎng)絡(luò)58-59
• 4.5 基于BP神經(jīng)網(wǎng)絡(luò)的信貸風(fēng)險(xiǎn)預(yù)警模型構(gòu)建及其MATLAB實(shí)現(xiàn)59-65
• 4.5.1 MATLAB神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)60-63
• 4.5.2 基于神經(jīng)網(wǎng)絡(luò)的信貸風(fēng)險(xiǎn)預(yù)警模型構(gòu)建63-64
• 4.5.3 BP網(wǎng)絡(luò)程序設(shè)計(jì)的MATLAB實(shí)現(xiàn)64-65
• 第5章 我國(guó)商業(yè)銀行信貸風(fēng)險(xiǎn)預(yù)警模型的實(shí)證分析65-82
• 5.1 樣本的設(shè)計(jì)65-66
• 5.1.1 樣本選取的方法65-66
• 5.1.2 樣本數(shù)據(jù)來(lái)源66
• 5.2 信貸風(fēng)險(xiǎn)預(yù)警指標(biāo)的篩選66-74
• 5.2.1 預(yù)警指標(biāo)的正態(tài)性檢驗(yàn)67-68
• 5.2.2 預(yù)警指標(biāo)的顯著性檢驗(yàn)(Wilcoxon配對(duì)秩和檢驗(yàn))68-70
• 5.2.3 信貸風(fēng)險(xiǎn)預(yù)警指標(biāo)的進(jìn)一步篩選70-74
• 5.2.3.1 Bartlett球度檢驗(yàn)和KMO檢驗(yàn)71-72
• 5.2.3.2 因子分析72-74
• 5.3 借鑒"3σ"法則確定信貸風(fēng)險(xiǎn)狀況74-78
• 5.3.1 F得分值的均值及標(biāo)準(zhǔn)差確定74
• 5.3.2 信貸風(fēng)險(xiǎn)狀況確定74-78
• 5.4 我國(guó)商業(yè)銀行信貸風(fēng)險(xiǎn)評(píng)估預(yù)警模型的實(shí)證分析78-82
• 5.4.1 優(yōu)化改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練78-81
• 5.4.2 利用訓(xùn)練好的網(wǎng)絡(luò)對(duì)檢測(cè)樣本進(jìn)行預(yù)測(cè)81-82
• 第6章 全文總結(jié)及未來(lái)展望82-84
• 6.1 全文總結(jié)82-83
• 6.2 未來(lái)展望83-84
• 參考文獻(xiàn)84-88
• 附錄88-101
• 在校期間發(fā)表論文101-102
• 致謝102

【引證文獻(xiàn)】

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 吳姍姍;鄉(xiāng)鎮(zhèn)政府財(cái)政風(fēng)險(xiǎn)的評(píng)價(jià)與預(yù)測(cè)研究[D];中國(guó)海洋大學(xué);2012年

2 沈蕾;金融創(chuàng)新背景下中國(guó)金融穩(wěn)定性研究[D];武漢理工大學(xué);2012年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 張秋麗;蘭州城投債發(fā)行主體信用風(fēng)險(xiǎn)研究[D];蘭州大學(xué);2012年

2 孫雪菁;中國(guó)房地產(chǎn)信貸風(fēng)險(xiǎn)財(cái)務(wù)預(yù)警研究[D];山西財(cái)經(jīng)大學(xué);2013年

  本文關(guān)鍵詞：基于人工神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信貸風(fēng)險(xiǎn)預(yù)警研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：395742