【摘要】：在復雜多變的經(jīng)濟環(huán)境中,任何企業(yè)都面臨著種種風險,商業(yè)銀行作為經(jīng)營金融資產(chǎn)的特殊企業(yè),更是風險聚集的焦點,其中信貸風險占有特殊的重要地位。信貸風險的實質(zhì)是信貸資金安全系數(shù)的不確定性,根據(jù)巴塞爾新資本協(xié)議規(guī)定,在信貸資金風險控制管理過程中,提高借款人違約率評估的準確性是信貸資金風險控制的關(guān)鍵,因此,在貸前調(diào)查過程中對客戶進行財務風險評級就顯得尤為重要,它可以幫助商業(yè)銀行客戶經(jīng)理在信貸資金發(fā)放的源頭進行風險控制,從財務風險角度將不符合信貸發(fā)放標準的企業(yè)剔出,進而避免信貸資金的損失。 我國商業(yè)銀行信貸風險管理起步較晚,信貸風險評估仍然主要使用傳統(tǒng)的比例分析模式(如主觀分析法或財務比率分析法),往往存在主觀臆斷性較強,缺乏客觀評價基礎(chǔ)等問題,有關(guān)的信息往往殘缺不全,部分因素帶有模糊性,得到的結(jié)果有時會和實際情況有較大出入。神經(jīng)網(wǎng)絡帶有高速并行處理信息的機制且具有高速的自學習、自適應能力,內(nèi)部有大量的可調(diào)參數(shù),系統(tǒng)靈活性很強,同時其后天學習能力使之能隨環(huán)境的變化而不斷學習,與傳統(tǒng)的風險評估辦法相比表現(xiàn)出更強的功能,因此逐漸被用于商業(yè)銀行信用風險評估。 本文選取了目前應用最廣泛的神經(jīng)網(wǎng)絡—BP神經(jīng)網(wǎng)絡,該網(wǎng)絡能夠解決多層網(wǎng)絡模型中隱含層的連接權(quán)問題,提高了神經(jīng)網(wǎng)絡的學習和記憶功能,采用了最小均方差的學習方式,通過配置階段、訓練階段和測試階段三個階段來完成模型的訓練和學習。模型采用的所有數(shù)據(jù)均來自于浦發(fā)銀行沈陽分行信貸客戶的相應財務報表,主要包括13項能夠反映企業(yè)生存情況的財務指標(資產(chǎn)負債率,產(chǎn)權(quán)比率,利息保障倍數(shù),流動比率,速動比率,凈資產(chǎn)收益率,資本金收益率,主營業(yè)務利潤率,凈利潤率,應收帳款周轉(zhuǎn)率,存貨周轉(zhuǎn)率,總資產(chǎn)周轉(zhuǎn)率和收入增長率)。同時有針對性的從不同客戶等級(A+,A,BBB)選取訓練數(shù)據(jù),利用matlab軟件進行仿真,保證了模型訓練輸出數(shù)據(jù)的合理性和可靠性。在完成了模型的訓練和學習過程之后,選擇了不同客戶等級的測試數(shù)據(jù)來驗證模型的可用性,從而起到貸前風險控制的參考作用。
【圖文】：

圖 2 系統(tǒng)訓練集誤差變化曲線仿真得到訓練集輸出結(jié)果如表 5 所示。表 5 訓練集輸出結(jié)果企業(yè) 期望輸出 實際輸出1 （1，0，0） (0.9336，0.0504，0.0580)2 （1，0，0） (0.9394，0.0600，0.0577)3 （1，0，0） (0.9567，0.0673，0.0343)4 （1，0，0） (0.9562，0.0470，0.0665)5 （1，0，0） (0.9207，0.0391，0.0318)6 （0，1，0） (0.0755，0.9577，0.0185)7 （0，1，0） (0.0061，0.9604，0.0459)8 （0，1，0） (0.0667，0.9362，0.0598)9 （0，1，0） (0.0526，0.9530，，0.0006)10 （0，0，1） (0.0216，0.0689，0.9426)11 （0，0，1） (0.0468，0.0203，0.9548)12 （0，0，1） (0.0540，0.0000，0.9509)13 （0，0，1） (0.0506，0.0000，0.9990)
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2011
【分類號】：F832.4

【參考文獻】

相關(guān)期刊論文 前10條

1 田苗;焦桂奇;王小敏;;基于人工神經(jīng)網(wǎng)絡的商業(yè)銀行信用風險模型[J];科技和產(chǎn)業(yè);2006年04期

2 王建新;于立勇;;基于信用風險度的商業(yè)銀行風險評估模型研究[J];管理工程學報;2007年04期

3 郭英見;吳沖;于天軍;;基于BP神經(jīng)網(wǎng)絡組和DS證據(jù)理論的信用風險評估算法[J];合肥工業(yè)大學學報(社會科學版);2009年05期

4 張婧婧;;基于BP-KMV模型的商業(yè)銀行信用風險評價研究[J];河海大學學報(哲學社會科學版);2009年03期

5 董愛陽;;基于BP神經(jīng)網(wǎng)絡的商業(yè)銀行流動性風險預警[J];黑龍江對外經(jīng)貿(mào);2010年01期

6 郭英見;吳沖;;基于信息融合的商業(yè)銀行信用風險評估模型研究[J];金融研究;2009年01期

7 李家軍;李婭婭;;基于BP模型的商業(yè)銀行貸款風險預測[J];計算機仿真;2008年03期

8 宋新明;居勇;曾鳴;衛(wèi)煒;褚燁;;基于主成分分析法和BP神經(jīng)網(wǎng)絡的電力客戶信用評價[J];技術(shù)經(jīng)濟與管理研究;2009年05期

9 龐素琳,黎榮舟,徐建閩;BP算法在信用風險分析中的應用[J];控制理論與應用;2005年01期

10 胡緒華;吉敏;;基于BP神經(jīng)網(wǎng)絡的銀行信貸風險評價[J];統(tǒng)計與決策;2009年11期

相關(guān)博士學位論文 前1條

1 趙春秀;商業(yè)銀行信貸風險分析與管理研究[D];天津大學;2008年

相關(guān)碩士學位論文 前4條

1 楊劍濤;商業(yè)銀行信貸風險的貸前控制[D];對外經(jīng)濟貿(mào)易大學;2006年

2 王歡歡;基于BP神經(jīng)網(wǎng)絡和專家系統(tǒng)的商業(yè)銀行信用風險預警系統(tǒng)研究[D];東北財經(jīng)大學;2005年

3 周麗琴;中國商業(yè)銀行信用風險預警研究[D];江西財經(jīng)大學;2006年

4 陳云蓉;基于BP神經(jīng)網(wǎng)絡的銀行業(yè)安全預警實證研究[D];中南大學;2008年

本文編號：2636671