本文關(guān)鍵詞：基于深度置信網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)預(yù)測(cè)實(shí)證研究

  更多相關(guān)文章： 信用風(fēng)險(xiǎn)度量 深度置信網(wǎng)絡(luò) 受限波爾茲曼機(jī) 財(cái)務(wù)危機(jī)預(yù)警 財(cái)務(wù)指標(biāo)預(yù)測(cè)

【摘要】：信用風(fēng)險(xiǎn)是巴塞爾委員會(huì)定義的商業(yè)銀行信用風(fēng)險(xiǎn)、市場(chǎng)風(fēng)險(xiǎn)、操作風(fēng)險(xiǎn)三大風(fēng)險(xiǎn)之首,是現(xiàn)代商業(yè)銀行面臨的最重要的風(fēng)險(xiǎn),也是導(dǎo)致商業(yè)銀行破產(chǎn)的最常見(jiàn)的原因之一。2008年美國(guó)金融危機(jī)以及近幾年我國(guó)商業(yè)銀行不良資產(chǎn)迅速增長(zhǎng),都警示我們要時(shí)刻注意信用風(fēng)險(xiǎn)。提升信用風(fēng)險(xiǎn)度量和預(yù)警水平是提高風(fēng)險(xiǎn)防控能力的主要手段。2011年,中國(guó)銀監(jiān)會(huì)基于巴塞爾III出臺(tái)了《中國(guó)銀行業(yè)實(shí)施新監(jiān)管標(biāo)準(zhǔn)指導(dǎo)意見(jiàn)》以及《商業(yè)銀行資本管理辦法(試行)》,規(guī)定達(dá)到條件的商業(yè)銀行可以采用內(nèi)評(píng)法計(jì)算風(fēng)險(xiǎn)加權(quán)資產(chǎn),這就需要商業(yè)銀行準(zhǔn)確度量信用風(fēng)險(xiǎn)。目前國(guó)內(nèi)信用風(fēng)險(xiǎn)管理度量預(yù)測(cè)研究方興未艾,但由于諸多條件限制,商業(yè)銀行信用風(fēng)險(xiǎn)度量能力距離國(guó)際發(fā)達(dá)國(guó)家還有不少差距。這些因素都迫切需要提升商業(yè)銀行信用風(fēng)險(xiǎn)度量和預(yù)測(cè)研究水平。本文旨在學(xué)習(xí)借鑒國(guó)內(nèi)外信用風(fēng)險(xiǎn)度量和預(yù)警的先進(jìn)模型和最新的人工智能技術(shù),結(jié)合我國(guó)國(guó)情,建立適合商業(yè)銀行實(shí)際的信用風(fēng)險(xiǎn)度量實(shí)現(xiàn)系統(tǒng)。本文分別從理論和實(shí)踐、技術(shù)和業(yè)務(wù)等多緯度展開(kāi)研究,全面梳理信用風(fēng)險(xiǎn)預(yù)警系統(tǒng)、度量模型、實(shí)現(xiàn)工具,研究其基本理論和核心思想。在對(duì)我國(guó)股份制商業(yè)銀行資產(chǎn)質(zhì)量快速下滑的主因進(jìn)行實(shí)證分析的基礎(chǔ)上,基于信息爆炸時(shí)代大數(shù)據(jù)挖掘的特點(diǎn),指出人工智能是提升信用風(fēng)險(xiǎn)度量能力的有力工具。本文在深入研究深度置信網(wǎng)絡(luò)(Deep Belief Network,DBN)算法基礎(chǔ)上,為使受限波爾茲曼機(jī)(Restricted Boltzman Machine,RBM)的在解決有監(jiān)督學(xué)習(xí)問(wèn)題時(shí),充分挖掘標(biāo)簽數(shù)據(jù)特征,提出了基于分類分區(qū)受限波爾茲曼機(jī)的深度置信網(wǎng)絡(luò)。為受限波爾茲曼機(jī)的隱含層單元參數(shù)增加分類分區(qū)懲罰項(xiàng),懲罰項(xiàng)向量基于訓(xùn)練樣本的標(biāo)簽值生成,服從高斯分布。該向量在系統(tǒng)初始化時(shí)確定,在訓(xùn)練過(guò)程中保持不變,每次訓(xùn)練根據(jù)標(biāo)簽分類決定所使用的懲罰向量。深度置信網(wǎng)絡(luò)的第二階段系統(tǒng)調(diào)優(yōu)時(shí)取消懲罰項(xiàng)。增加分類分區(qū)懲罰項(xiàng),可以增大訓(xùn)練時(shí)權(quán)重的不確定性,且根據(jù)標(biāo)簽分類不同,有傾向性的改變權(quán)重值的影響。改進(jìn)后的算法對(duì)于阻止過(guò)擬合和學(xué)習(xí)不足有非常優(yōu)異的效果。本文基于單戶企業(yè)財(cái)務(wù)數(shù)據(jù),建立了財(cái)務(wù)危機(jī)預(yù)警模型。基于大數(shù)據(jù)挖掘理念,針對(duì)人工智能系統(tǒng)與傳統(tǒng)統(tǒng)計(jì)分類模型的區(qū)別,本文確定選取較大量的財(cái)務(wù)指標(biāo)作為研究對(duì)象,將企業(yè)盈利與否作為預(yù)測(cè)的目標(biāo),建立基于分類分區(qū)受限波爾茲曼機(jī)深度置信網(wǎng)絡(luò)的實(shí)證研究系統(tǒng)。對(duì)時(shí)間節(jié)點(diǎn)T的前三年(T-1、T-2、T-3)三個(gè)時(shí)間節(jié)點(diǎn)進(jìn)行預(yù)測(cè)實(shí)證研究,三個(gè)節(jié)點(diǎn)的第一類(危機(jī))預(yù)測(cè)準(zhǔn)確率分別為90.28%、88.24%h和84.20%。對(duì)樣本量較少的第一類樣本的分類準(zhǔn)確率高于樣本量較大的第二類樣本的分類準(zhǔn)確率。與相關(guān)工作相比預(yù)測(cè)準(zhǔn)確率相對(duì)較高,也驗(yàn)證了改進(jìn)后的算法對(duì)小樣本數(shù)據(jù)的學(xué)習(xí)能力大幅提升。該實(shí)證研究初步搭建起商業(yè)銀行信用風(fēng)險(xiǎn)單戶財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)框架,具有較高的實(shí)用價(jià)值。針對(duì)輸入樣本相同,輸出為不同連續(xù)變量的多任務(wù)預(yù)測(cè)問(wèn)題,提出了層次貝葉斯深度置信網(wǎng)絡(luò)算法,提升有監(jiān)督學(xué)習(xí)預(yù)測(cè)能力。本文利用A股上市公司財(cái)務(wù)報(bào)表進(jìn)行了實(shí)證研究,預(yù)測(cè)的財(cái)務(wù)報(bào)表絕對(duì)誤差較小,可信度較高,在具體指標(biāo)預(yù)測(cè)上取得較大突破。有助于商業(yè)銀行及其他機(jī)構(gòu)預(yù)測(cè)企業(yè)未來(lái)經(jīng)營(yíng)狀況,為各專業(yè)領(lǐng)域?qū)＜业姆治鎏峁┛煽康臄?shù)據(jù)依據(jù)。本研究成果,也可為其他度量模型提供可靠的中間數(shù)據(jù),提高預(yù)測(cè)深度。本文研究的結(jié)論可以使商業(yè)銀行系統(tǒng)開(kāi)發(fā)人員根據(jù)自有數(shù)據(jù)對(duì)模型再次進(jìn)行加工調(diào)整,經(jīng)過(guò)簡(jiǎn)單的個(gè)性化改造后直接建立自有風(fēng)險(xiǎn)預(yù)警系統(tǒng),應(yīng)用于本行的管理實(shí)踐。本文力圖從金融機(jī)構(gòu)經(jīng)營(yíng)實(shí)際需求出發(fā),堅(jiān)持理論與實(shí)踐相結(jié)合,使科技真正成為促進(jìn)經(jīng)濟(jì)發(fā)展的源動(dòng)力。
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類號(hào)】：F832.33

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 郭亮;高宏力;張一文;黃海鳳;;基于深度學(xué)習(xí)理論的軸承狀態(tài)識(shí)別研究[J];振動(dòng)與沖擊;2016年12期

2 唐郅;侯進(jìn);;基于深度神經(jīng)網(wǎng)絡(luò)的語(yǔ)音驅(qū)動(dòng)發(fā)音器官的運(yùn)動(dòng)合成[J];自動(dòng)化學(xué)報(bào);2016年06期

3 石祥濱;房雪鍵;張德園;郭忠強(qiáng);;基于深度學(xué)習(xí)混合模型遷移學(xué)習(xí)的圖像分類[J];系統(tǒng)仿真學(xué)報(bào);2016年01期

4 石鑫;朱永利;薩初日拉;王劉旺;孫崗;;基于深度信念網(wǎng)絡(luò)的電力變壓器故障分類建模[J];電力系統(tǒng)保護(hù)與控制;2016年01期

5 尹文君;張大偉;嚴(yán)京海;張超;李云婷;芮曉光;;基于深度學(xué)習(xí)的大數(shù)據(jù)空氣污染預(yù)報(bào)[J];中國(guó)環(huán)境管理;2015年06期

6 譚萍;邢玉娟;于成洋;;基于深度學(xué)習(xí)和部分模型的相關(guān)性人臉檢測(cè)[J];計(jì)算機(jī)應(yīng)用與軟件;2015年12期

7 毛存禮;余正濤;沈韜;高盛祥;郭劍毅;線巖團(tuán);;基于深度神經(jīng)網(wǎng)絡(luò)的有色金屬領(lǐng)域?qū)嶓w識(shí)別[J];計(jì)算機(jī)研究與發(fā)展;2015年11期

8 雷亞國(guó);賈峰;周昕;林京;;基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測(cè)方法[J];機(jī)械工程學(xué)報(bào);2015年21期

9 薛燕娜;董洪偉;王兵;楊勤;李文靜;;基于深度玻爾茲曼機(jī)的蛋白質(zhì)相互作用預(yù)測(cè)[J];基因組學(xué)與應(yīng)用生物學(xué);2015年08期

10 陽(yáng)武;李倩;趙繼生;高強(qiáng);余萍;;深度信念網(wǎng)絡(luò)在故障指示器檢測(cè)中的應(yīng)用[J];傳感器與微系統(tǒng);2015年07期

，

本文編號(hào)：1285057