本文選題：商業(yè)銀行　切入點(diǎn)：信貸風(fēng)險(xiǎn)　出處：《鄭州大學(xué)》2016年碩士論文　論文類型：學(xué)位論文

【摘要】：信貸風(fēng)險(xiǎn)的發(fā)生對于一國的金融和經(jīng)濟(jì)發(fā)展將會(huì)產(chǎn)生嚴(yán)重的負(fù)面影響。我國信貸風(fēng)險(xiǎn)管理方法和技術(shù)發(fā)展緩慢,大多國有商業(yè)銀行依舊只能簡單的使用國外管控模型和基本的案例證實(shí),并不完全具備預(yù)測和掌控信貸風(fēng)險(xiǎn)的能力。因此針對我國商業(yè)銀行信貸風(fēng)險(xiǎn)的特點(diǎn),急需建立一種有效的風(fēng)險(xiǎn)監(jiān)測模型。人工智能技術(shù)的興起、完善和大規(guī)模銀行數(shù)據(jù)的產(chǎn)生,為構(gòu)建更有效的信貸風(fēng)險(xiǎn)監(jiān)測模型提供了新的方向。深度神經(jīng)網(wǎng)絡(luò)應(yīng)用廣泛,有著優(yōu)異的特征學(xué)習(xí)能力和大規(guī)模數(shù)據(jù)擬合能力,是最有效的人工智能技術(shù)之一。通過參考國外商業(yè)銀行信貸風(fēng)險(xiǎn)管理經(jīng)驗(yàn),基于我國銀行真實(shí)的管理模式和經(jīng)營環(huán)境,提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的銀行信貸風(fēng)險(xiǎn)監(jiān)測模型,優(yōu)化訓(xùn)練方法,經(jīng)實(shí)際測試效果顯著,主要內(nèi)容如下:1.通過深入分析影響信貸風(fēng)險(xiǎn)的因素,遵循指標(biāo)構(gòu)建的原則,針對農(nóng)發(fā)行某分行貸款企業(yè)的特點(diǎn),完善、構(gòu)建了相對全面的信貸風(fēng)險(xiǎn)監(jiān)測指標(biāo)體系。該指標(biāo)體系既包含了重要的財(cái)務(wù)收益指標(biāo),也包含現(xiàn)金流量、企業(yè)成長性、規(guī)模等相關(guān)指標(biāo),能夠全面、綜合的反映貸款企業(yè)的風(fēng)險(xiǎn)狀況。通過統(tǒng)計(jì)學(xué)的方法,對原始指標(biāo)數(shù)據(jù)篩選出區(qū)分能力強(qiáng)的指標(biāo),進(jìn)行因子分析。2.針對傳統(tǒng)方法的不足,使用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行信貸風(fēng)險(xiǎn)評估,并設(shè)計(jì)了適用于實(shí)際風(fēng)險(xiǎn)評估的模型結(jié)構(gòu)和參數(shù)。本文將最新的人工智能技術(shù),深度神經(jīng)網(wǎng)絡(luò)方法,應(yīng)用到信貸風(fēng)險(xiǎn)監(jiān)測領(lǐng)域,拓寬了銀行風(fēng)險(xiǎn)監(jiān)測和管理的方法和思路。3.本文以農(nóng)發(fā)行某分行的信貸風(fēng)險(xiǎn)狀況作為實(shí)例研究,并結(jié)合我國銀行的共性問題,設(shè)計(jì)了深度神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)監(jiān)測模型,既使用了統(tǒng)計(jì)學(xué)的方法,如顯著性檢驗(yàn)、因子分析等,也使用了最新的深度神經(jīng)網(wǎng)絡(luò)技術(shù)。通過實(shí)際數(shù)據(jù)驗(yàn)證,比傳統(tǒng)k近鄰方法、邏輯回歸方法、BP神經(jīng)網(wǎng)絡(luò)方法具有更高的風(fēng)險(xiǎn)識別準(zhǔn)確率,能夠應(yīng)用在實(shí)際的風(fēng)險(xiǎn)監(jiān)測工作,指導(dǎo)業(yè)務(wù)實(shí)踐。
[Abstract]:The occurrence of credit risk will have a serious negative impact on the financial and economic development of a country. Most state-owned commercial banks can only simply use foreign control models and basic cases to prove that they do not have the ability to predict and control credit risk. Therefore, in view of the characteristics of credit risk of commercial banks in China, It is urgent to establish an effective risk monitoring model. The rise of artificial intelligence technology, perfection and the production of large-scale bank data provide a new direction for the construction of more effective credit risk monitoring model. Depth neural network is widely used. It is one of the most effective artificial intelligence technology, which has excellent characteristic learning ability and large scale data fitting ability. By referring to the credit risk management experience of foreign commercial banks, based on the real management model and operating environment of Chinese banks, In this paper, a bank credit risk monitoring model based on deep neural network is put forward, and the training method is optimized. The practical test results are remarkable. The main contents are as follows: 1. Through in-depth analysis of the factors affecting credit risk, we follow the principle of index construction. According to the characteristics of a branch loan enterprise of Agricultural Development Bank, a relatively comprehensive credit risk monitoring index system is constructed. The index system includes not only important financial income index, but also cash flow, enterprise growth, and so on. Scale and other related indicators can comprehensively and synthetically reflect the risk situation of loan enterprises. Through the statistical method, the original index data can be screened out with strong distinguishing ability, and factor analysis .2. in view of the shortcomings of traditional methods, In this paper, the new artificial intelligence technology, the depth neural network method, is applied to the credit risk monitoring field, and the model structure and parameters suitable for the actual risk assessment are designed by using the depth neural network. 3. Taking the credit risk situation of a branch of Agricultural Development Bank as an example, and combining the common problems of Chinese banks, a deep neural network risk monitoring model is designed. It not only uses statistical methods, such as significance test, factor analysis and so on, but also uses the latest depth neural network technology. The logical regression method and BP neural network method have higher risk identification accuracy and can be applied to practical risk monitoring and guiding business practice.
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP183;F832.4

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 云中客;新的神經(jīng)網(wǎng)絡(luò)來自于仿生學(xué)[J];物理;2001年10期

2 唐春明,高協(xié)平;進(jìn)化神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展[J];系統(tǒng)工程與電子技術(shù);2001年10期

3 李智;一種基于神經(jīng)網(wǎng)絡(luò)的煤炭調(diào)運(yùn)優(yōu)化方法[J];長沙鐵道學(xué)院學(xué)報(bào);2003年02期

4 程科,王士同,楊靜宇;新型模糊形態(tài)神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];計(jì)算機(jī)工程與應(yīng)用;2004年21期

5 王凡,孟立凡;關(guān)于使用神經(jīng)網(wǎng)絡(luò)推定操作者疲勞的研究[J];人類工效學(xué);2004年03期

6 周麗暉;從統(tǒng)計(jì)角度看神經(jīng)網(wǎng)絡(luò)[J];統(tǒng)計(jì)教育;2005年06期

7 趙奇 ,劉開第 ,龐彥軍;灰色補(bǔ)償神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];微計(jì)算機(jī)信息;2005年14期

8 袁婷;;神經(jīng)網(wǎng)絡(luò)在股票市場預(yù)測中的應(yīng)用[J];軟件導(dǎo)刊;2006年05期

9 尚晉;楊有;;從神經(jīng)網(wǎng)絡(luò)的過去談科學(xué)發(fā)展觀[J];重慶三峽學(xué)院學(xué)報(bào);2006年03期

10 楊鐘瑾;;神經(jīng)網(wǎng)絡(luò)的過去、現(xiàn)在和將來[J];青年探索;2006年04期

相關(guān)會(huì)議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國控制與決策學(xué)術(shù)年會(huì)論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國智能自動(dòng)化會(huì)議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會(huì)議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會(huì)議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會(huì)議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預(yù)報(bào)產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報(bào)應(yīng)用[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會(huì)議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評估中的應(yīng)用[A];第十二屆全國心理學(xué)學(xué)術(shù)大會(huì)論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國智能自動(dòng)化會(huì)議論文集（第七分冊）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

10 張廣遠(yuǎn);萬強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 美國明尼蘇達(dá)大學(xué)社會(huì)學(xué)博士 密西西比州立大學(xué)國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報(bào);2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計(jì)算機(jī)世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國紡織報(bào);2003年

4 中國科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計(jì)算機(jī)世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開復(fù)雜工藝“黑箱”[N];解放日報(bào);2007年

6 本報(bào)記者 劉霞;美用DNA制造出首個(gè)人造神經(jīng)網(wǎng)絡(luò)[N];科技日報(bào);2011年

7 健康時(shí)報(bào)特約記者　 張獻(xiàn)懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時(shí)報(bào);2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達(dá)國際先進(jìn)水平[N];中國電子報(bào);2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報(bào);2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過鑒定[N];中國船舶報(bào);2006年

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時(shí)間序列預(yù)測方法研究[D];大連理工大學(xué);2015年

5 付愛民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計(jì)算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計(jì)算的神經(jīng)網(wǎng)絡(luò)并行實(shí)現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時(shí)間序列預(yù)測算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測研究與系統(tǒng)實(shí)現(xiàn)[D];華南理工大學(xué);2015年

2 張韜;幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

3 邵雪瑩;幾類時(shí)滯不確定神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[D];渤海大學(xué);2015年

4 胡婷;改進(jìn)QGA-BP模型及其在彌苴河總氮量預(yù)測中的應(yīng)用[D];昆明理工大學(xué);2015年

5 劉俊輝;基于數(shù)據(jù)清洗方法的河道水位預(yù)測研究[D];昆明理工大學(xué);2015年

6 劉波;短期風(fēng)電功率預(yù)測方法研究[D];南京信息工程大學(xué);2015年

7 蔡邦宇;人臉識別中單次ERP時(shí)空特征分析及其快速檢索的應(yīng)用[D];浙江大學(xué);2015年

8 鄭川;垃圾評論檢測算法的研究[D];西南交通大學(xué);2015年

9 李菊;BP神經(jīng)網(wǎng)絡(luò)在房地產(chǎn)批量評估中的應(yīng)用研究[D];昆明理工大學(xué);2015年

10 馬亮;降水點(diǎn)分類預(yù)測方法研究[D];中國地質(zhì)大學(xué)(北京);2015年

，

本文編號：1606490