本文關鍵詞：基于神經(jīng)網(wǎng)絡技術的商業(yè)銀行信用風險評估，，由筆耕文化傳播整理發(fā)布。

1999年9月系統(tǒng)工程理論與實踐第9期；基于神經(jīng)網(wǎng)絡技術的商業(yè)銀行信用風險評估；王春峰,萬海暉,張維；(天津大學系統(tǒng)工程研究所,天津300072)α；摘要:研究了神經(jīng)網(wǎng)絡技術在商業(yè)銀行信用風險評估中；關鍵詞:神經(jīng)網(wǎng)絡;判別分析;信用風險;信用風險評；CreditRiskAssessmentinCo；UsingNeuralNetworks；WANGChun2f

　1999年9月系統(tǒng)工程理論與實踐第9期　

基于神經(jīng)網(wǎng)絡技術的商業(yè)銀行信用風險評估

王春峰,萬海暉,張　維

(天津大學系統(tǒng)工程研究所,天津300072)α

摘要:　研究了神經(jīng)網(wǎng)絡技術在商業(yè)銀行信用風險評估中的應用.實證結果表明,與傳統(tǒng)統(tǒng)計方法(判別分析)相比,神經(jīng)網(wǎng)絡技術具有更高的預測精度和更強的魯棒性.

關鍵詞:　神經(jīng)網(wǎng)絡;判別分析;信用風險;信用風險評估

CreditRiskAssessmentinCommercialBanks

UsingNeuralNetworks

WANGChun2feng,WANHai2hui,ZHANGWei

(InstituteofSystemsEngineering,TianjinUniversity,Tianjin300072)

Abstract:　Inthispaper,theproblemofcreditriskassessmentincommercialbanksis

investigatedbyusingthemethodofneuralnetwork.Empiricalresultsshowthatneural

networkisapromisingmethodofevaluatingcreditriskincommercialbanksintermsof

.predictiveaccuracy,adaptabilityandrobustness

Keywords:　neuralnetwork;discriminantanalysis;creditrisk;creditriskassessment

0　引言

近年來,隨著金融的全球化趨勢及金融市場的波動性加劇,商業(yè)銀行的風險管理一直是國際國內(nèi)金融界關注的焦點[1].商業(yè)銀行在營運過程中面臨的金融風險主要有信用風險、利率風險、匯率風險、流動性風險和操作風險等,其中信用風險占有特殊的地位.信用風險是指,借款人由于種種原因,不愿或無力償還銀行貸款本息,使銀行貸款無法收回,形成呆帳損失的可能性.在現(xiàn)代商業(yè)銀行經(jīng)營中,信用風險是影響其安全高效運營的主要原因.從國際上看,在許多發(fā)達國家,由于金融機構貸款信用質(zhì)量低下,如對不發(fā)達國家的銀行貸款、銀行住宅貸款、農(nóng)業(yè)抵押貸款等,導致呆帳和不良貸款不斷增加,造成流動性危機,最終誘發(fā)倒閉,給金融業(yè)和整個國民經(jīng)濟造成嚴重損失[2].世界銀行對全球銀行業(yè)危機的研究表明,導致銀行破產(chǎn)的最常見原因,就是信用風險[3].因此,國際金融界近年來對信用風險的關注日益加強,如旨在加強信用風險管理的《巴塞爾協(xié)議》已在西方主要發(fā)達國家全面實施.從國內(nèi)看,對處于新興市場和轉(zhuǎn)軌型經(jīng)濟環(huán)境下的我國商業(yè)銀行而言,加強信用風險的管理尤為重要.其原因在于,第一,由于歷史原因,不良資產(chǎn)一直是影響我國銀行業(yè)有效經(jīng)營的主要因素;第二,在國有專業(yè)銀行向商業(yè)銀行轉(zhuǎn)軌過程中,面臨的主要問題突出表現(xiàn)為比例較大的不良資產(chǎn),呆壞帳的負擔是我國商業(yè)銀行進一步發(fā)展的障礙,加強信用風險管理是解決這一問題的關鍵;第三,由于歷史原因,我國商業(yè)銀行的各項資本資產(chǎn)比例與巴塞爾協(xié)議的要求尚有相當大的差距,因此加強信用風險管理是我國商業(yè)銀行與國際金融業(yè)接軌的關鍵措施之一.

在西方發(fā)達國家,商業(yè)銀行的信用風險管理技術已比較成熟,許多定量技術和支持工具、軟件已付諸商業(yè)應用.繼傳統(tǒng)的比例分析之后,統(tǒng)計方法得到廣泛的應用,如判別分析和Logistic回歸等.自從80年

α收稿日期:1998202204資助項目:國家自然科學基金委95重大項目(79790130)及國家教委跨世紀優(yōu)秀人才基金(962170)共同資助

代末期以來,人工智能技術如神經(jīng)網(wǎng)絡、專家系統(tǒng)、分類樹也被應用于商業(yè)銀行信用風險管理中(詳見本文第二部分).

在我國,由于現(xiàn)代商業(yè)銀行體制剛剛建立,其信用風險管理技術較為落后,特別是作為信用風險管理的核心技術——信用分析與評估技術仍處于傳統(tǒng)的比例分析階段,遠不能滿足商業(yè)銀行對各種形式貸款安全性的準確測量.目前我國銀行機構主要使用計算貸款風險度的方法進行信用風險評估——在對企業(yè)進行信用等級評定的基礎上,考慮貸款方式、期限以及形式因素,進而確定貸款的風險度.其中作為核心的信用等級評定,是通過對企業(yè)的某些單一財務指標進行評價,而后加權平均確定的[4].該方法的最大缺陷在于指標和權重的確定帶有很大的主觀性,使得評級結果與企業(yè)的實際信用狀況有很大出入,因此需要引入科學方法來確定有效指標,并建立準確的定量模型來解決信用評估問題.

針對這種情況,本文的目的在于,根據(jù)我國商業(yè)銀行的具體情況,結合國際上目前較為流行的人工神經(jīng)網(wǎng)絡技術,研究我國商業(yè)銀行風險評估問題.

本文的結構安排如下:第一部分首先介紹了商業(yè)銀行信用風險的管理方法與程序;然后綜述了信用風險評估的各種模型;第三部分對神經(jīng)網(wǎng)絡模型和反向傳播學習算法進行了介紹;第四部分是模型的具體構造,包括指標體系的確定和樣本數(shù)據(jù)的處理;第五部分利用神經(jīng)網(wǎng)絡技術,進行了實證研究,并與判別分析模型的結果進行了比較;最后總結了全文.

1　信用風險管理方法與程序

商業(yè)銀行信用風險管理一般包括,信用風險分析——風險的測量與評估,信用風險管理與控制——貸款定價、貸款發(fā)放、貸款檢查.

信用風險分析是指,對可能引起貸款風險的因素進行定性分析、定量計算,以測量借款人的違約概率,為貸款決策提供依據(jù),如是否發(fā)放、價格確定、發(fā)放條件和形式等.顯然,信用分析是信用風險管理的首要工作和關鍵.

在信用風險分析時,商業(yè)銀行典型的作法是,首先依據(jù)借款人的資料,遵循5C原則(即借款人品質(zhì)(Character)、能力(Capacity)、資本(Capital)、擔保(Collateral)、環(huán)境(Condition)),或LAPP原則(流動性(Liquidity)、活動性(Activity)、盈利性(Profitability)、潛力(Potentialities)),定性分析借款人目前的財務狀況、管理水平、宏觀與行業(yè)經(jīng)濟狀況;確定反映借款人還款能力的指標體系;根據(jù)指標體系,利用一定的定量技術、模型(評估模型)判別借款人的違約概率.

2　信用風險評估模型

企業(yè)的信用風險問題——能否如期還本付息,受很多因素的影響如企業(yè)財務狀況、管理水平、行業(yè)狀況、宏觀經(jīng)濟形勢等,目前的金融理論尚不能對這一問題在理論上作出滿意的解釋.國外商業(yè)銀行處理這一問題通常采用所謂的“經(jīng)驗主義方法論”,即把信用風險分析看成是模式識別中的一類分類問題——將企業(yè)劃分為能夠按期還本付息和違約兩類.其具體做法是根據(jù)歷史上每個類別(如期還本付息、違約)的若干樣本,從已知的數(shù)據(jù)中發(fā)現(xiàn)其規(guī)律,從而總結出分類的規(guī)則,建立判別模型,用于對新樣本的判別.盡管

[5]有人將這種方法稱為“粗暴的經(jīng)驗主義方法”,但在目前的金融理論狀況下,它可能是最有效的方法,也

是國際金融業(yè)和學術界視為主流的方法.

國際上,通常將商業(yè)銀行信用風險的測度轉(zhuǎn)化為企業(yè)財務狀況的衡量問題,因為信用風險的形成——企業(yè)是否能如期還本付息主要取決于企業(yè)財務狀況.影響企業(yè)財務狀況的因素很多,我們不能僅根據(jù)企業(yè)的某些單一指標,而應根據(jù)影響企業(yè)財務狀況的多維指標來評估企業(yè)的財務狀況.因此,這一方法的關鍵步驟和難點在于,指標體系的確立和評估模型的選擇——如何將多維指標綜合起來.目前采用的方法有統(tǒng)計方法、專家系統(tǒng)、神經(jīng)網(wǎng)絡技術等.

211　統(tǒng)計方法

國外在對信用風險的評估中,廣泛采用了基于統(tǒng)計判別方法的預測模型.這些方法和模型都是在

Fisher于1936年作出的啟發(fā)性研究之后提出來的[6].總的來說,這些模型都被表述為一類分類問題,它們接受定義在已選變量集合上的一個隨機觀測值樣本,建立判別函數(shù),進行分類.根據(jù)判別函數(shù)形式和樣本分布的假定不同,常見的模型有:回歸分析法[7]、多元判別分析法[8]、因子2Logit法[9]、Probit法[10]、Logistic法[11]和近鄰法[12]等.盡管這些模型已經(jīng)得到了廣泛的應用,但它們?nèi)源嬖谥S多缺陷[13].21111　判別分析(DiscriminantAnalysis)

在針對分類問題的多種不同的統(tǒng)計方法中,最常用的是多元判別分析法(MDA2MultivariateDiscrim2inantAnalysis).MDA是根據(jù)觀察到的一些統(tǒng)計數(shù)字特征,對客觀事物進行分類,以確定事物的類別.它的特點是已經(jīng)掌握了歷史上每個類別的若干樣本,從中總結出分類的規(guī)律性,建立判別公式,當遇到新的事物時,只要根據(jù)總結出來的判別公式,就能判別事物所屬的類別.

MDA的關鍵在于建立判別函數(shù),目前,統(tǒng)計學中建立判別函數(shù)常用方法有:一是已知總體分布的前提下求得平均出錯概率最小的分類判別函數(shù),通常稱為貝葉斯(Bayes)判別函數(shù);二是未知總體分布或未知總體分布函數(shù)時,費歇(Fisher)準則下的最優(yōu)線性判別函數(shù)[14].在這里,判別分析模型是通過采用極大化組間比和組內(nèi)方差的Fisher方法來建立的.在滿足如下條件時,可以證明,由Fisher方法得出的判別規(guī)則最優(yōu)極小化誤判代價.

a.每組均服從多元正態(tài)分布;

b.每組的協(xié)方差矩陣相同;

協(xié)方差矩陣、先驗概率和誤判代價是已知的.c.每組的均值向量、

MDA有兩個總體與多個總體判別之分.在兩個總體判別時,判別公式為:

DF(X)=XT

其中,Λ1,Λ2和6分別是各組均值和共同協(xié)方差矩陣,依據(jù)一定判別規(guī)則即可對原始樣本進行分類.顯然,判別函數(shù)DF(X)是各獨立變量(或指標)的線性函數(shù).在滿足上述a、b、c假設下,它能使誤判達到最小.

Altman應用判別分析法建立了著名的Z2score模型和在此基礎上改進的ZETA模型,這兩個模型的6-1(Λ1-Λ2)-1??2(Λ1-Λ2)T6-1(Λ1+Λ2)目的是預測企業(yè)破產(chǎn)的概率,為銀行貸款決策提供支持.目前ZETA模型已商業(yè)化,廣泛應用于美國、意大利等國的商業(yè)銀行,取得了巨大的經(jīng)濟效益[15].這一方法的最大缺陷在于其過于嚴格的假定條件,實際中均有不同程度的違背.

21112　Logit方法

Logit分析與判別分析法的本質(zhì)差異在于前者不要求滿足正態(tài)分布或等方差,其模型采用Logistic函數(shù),

Y=,　Γ=c0+1+eΓ6pciXi

i=1

其中Xi(1ΦiΦp)表示第i個指標,ci是第i個指標的系數(shù),Y是一表示企業(yè)財務狀況好壞的概率.

由于Logistic回歸不假定任何概率分布,不滿足正態(tài)情況下其判別正確率高于判別分析法的結果.21113　近鄰法

近鄰法是一種非參數(shù)方法,當已知總體表現(xiàn)為顯著非正態(tài)分布時,特別是當屬于同一類的樣本在變量空間形成聚類時,近鄰法十分有效.與參數(shù)類方法相比,近鄰法用于對總體分布施加很少約束的情況,是一種十分靈活的方法.

近鄰法不僅放松了正態(tài)性假定,也避免了傳統(tǒng)技術對模型函數(shù)形式設定的困難.任何一個樣本到底劃歸哪一類是由其k個近鄰劃歸類型所確定.任意兩個樣本之間的距離可定義為d(x,y)=(x-y)Tcov-1(x

.這樣,一個樣本劃歸為它的k個近鄰的多數(shù)(即當一個樣本的k個近-y),其中cov-1是合并協(xié)方差的逆

鄰的大多數(shù)劃歸1類,則該樣本也應劃屬1類).

212　分類樹[12]

80年代末期,有學者提出一種利用機器學習技術發(fā)展起來的符號方法——分類樹.該方法不象傳統(tǒng)方法那樣通過判別函數(shù)形成決策規(guī)則來判別樣本所屬的類型,而是創(chuàng)立了一個對原始樣本進行最佳分類判

別的分類樹.此前,曾有學者采用了一種叫做遞歸分割的類似技術生成判別樹.兩種方法都采用了一種非返回跟蹤的分割方法將樣本集遞歸分割成不相交的子集.它們的差別只是在分割準則上,分類樹方法旨在極大化分割子集的熵,而遞歸分割方法則旨在使期望誤判損失達到最小.

上述四種方法在國外已有大量應用,實證結果發(fā)現(xiàn)[12,13]:1)企業(yè)財務狀況的評價可以看作是一類基于一系列獨立變量基礎上的分類問題;2)企業(yè)財務狀況的好壞與財務比率的關系常常是非線性的;3)預測變量(財務比率)可能是高度相關的;4)大量實證結果表明,許多指標不成正態(tài)分布.

因此,傳統(tǒng)的分類方法不能很好地解決這些問題.作為研究復雜性的有力工具,神經(jīng)網(wǎng)絡技術近年來在模式識別與分類、識別濾波、自動控制、預測等方面已展示了其非凡的優(yōu)越性,特別是能處理任意類數(shù)據(jù),這是許多傳統(tǒng)方法所無法比擬的.通過不斷學習,能夠從未知模式的大量的復雜數(shù)據(jù)中發(fā)現(xiàn)其規(guī)律.神經(jīng)網(wǎng)絡方法克服了傳統(tǒng)分析過程的復雜性及選擇適當模型函數(shù)形式的困難,它是一種自然的非線性建模過程,毋需分清存在何種非線性關系,給建模與分析帶來極大的方便.該方法用于企業(yè)財務狀況研究時,一方面利用其映射能力,另一方面主要利用其泛化能力,即在經(jīng)過一定數(shù)量的帶噪聲的樣本的訓練之后,網(wǎng)絡可以抽取樣本所隱含的特征關系,并對新情況下的數(shù)據(jù)進行內(nèi)插和外推以推斷其屬性.它在分類問題中的出現(xiàn),最早是用于對銀行破產(chǎn)的預估[16].

針對這種情況,本文的目的在于,根據(jù)我國商業(yè)銀行的具體情況,利用人工神經(jīng)網(wǎng)絡技術,研究我國商業(yè)銀行的信用風險評估問題.

3　人工神經(jīng)網(wǎng)絡基本原理

人工神經(jīng)網(wǎng)絡(ArtificialNeuralNetwork)是由大量簡單的處理單元廣泛連接組成的復雜網(wǎng)絡,用于模擬人類大腦神經(jīng)網(wǎng)絡的結構和行為.它反映了人腦功能的許多基本特性,但它并不是人腦全部的真實寫照,而只是對其作某種簡化、抽象和模擬[17].

311　前向網(wǎng)絡

神經(jīng)網(wǎng)絡是由按層進行組織的神經(jīng)元和連接弧所組成的,這些神經(jīng)元以不同的方式組織起來形成不同的網(wǎng)絡結構.本文所應用的是一種稱為前向網(wǎng)絡的特殊的網(wǎng)絡結構.

在前向網(wǎng)絡中有三種神經(jīng)元:輸入神經(jīng)元、輸出神經(jīng)元和隱含神經(jīng)元.輸入神經(jīng)元接收環(huán)境的信息,位于網(wǎng)絡的最底層;輸出神經(jīng)元把信息傳遞到環(huán)境中去,位于網(wǎng)絡的最高層;隱含神經(jīng)元不與環(huán)境發(fā)生交互作用,因此是不可見的.其中每個神經(jīng)元都是一個簡單的計算裝置,其特性由簡單的數(shù)學函數(shù)所描述.神經(jīng)元i接收其它神經(jīng)元傳遞來的輸入信息,根據(jù)和函數(shù)neti進行加權平均,然后根據(jù)傳遞函數(shù)fi產(chǎn)生輸出信息,輸出信息又按照網(wǎng)絡的拓撲結構傳遞到下一個神經(jīng)元.我們應用Rumelhart于1986年提出的如下函數(shù):

Ii=6wijxj+

  本文關鍵詞：基于神經(jīng)網(wǎng)絡技術的商業(yè)銀行信用風險評估，由筆耕文化傳播整理發(fā)布。