BP神经网络下商业银行绿色信贷风险评估研究

发布时间：2017-03-27 07:05

  本文关键词：BP神经网络下商业银行绿色信贷风险评估研究，，由笔耕文化传播整理发布。

【摘要】：在经济高速发展的今天,人类在享受自己成果的同时,与自认环境的矛盾也日益突出。全球气候变暖,生态恶化等问题逐渐引起公众的普遍关注,低碳减排的经济发展之路成为必然趋势。为了应对气候变化,《联合国气候变化框架公约》、《京都议定书》等国际公约先后颁布。我国作为世界第二大经济体,碳排放量一直居世界前列。面对严峻的生态环境,我国走可持续发展之路成为经济长期稳定增长的重要前提。绿色信贷的提出是我国加大生态保护的重要举措,所谓绿色信贷是指银行等金融机构对从事研发、生态保护建设与开发的企业给予贷款一定优惠政策的手段。近几年,绿色信贷在我国不断发展,兴业银行、中国工商银行、平安银行等多家银行推出绿色金融产品并积极加入赤道原则。商业银行有别于普通企业的一个主要特征是对风险的管理与控制,银行对企业贷款面临信贷风险、操作风险、利率风险等多重风险,而信贷风险是最重要的风险之一,做好风险防控对商业银行的发展有至关重要的作用。纵观文献可知国内外诸多学者对信贷风险的评估进行了大量研究,对信贷风险的定量模型也层出不穷,但由于绿色信贷在我国提出不久,发展还不成熟,国内较少有学者对绿色信贷的风险问题进行实证研究。鉴于此,本文在文献研究的基础上构建绿色信贷风险评估的BP神经网络模型。首先建立绿色信贷风险评估的指标体系,以财务指标、非财务指标和环保指标作为一级指标,下设30个二级指标;其次,运用“3?”法则对信贷风险标准进行定量判定,计算出贷款企业的信贷风险等级;再次,选取56家上市公司作为样本进行实证研究,对其财务指标进行正态性检验和显著性检验,对环保指标和非财务指标权重的判定采用网络分析法(ANP),之后根据专家打分得出个样本的得分,将三类指标进行因子分析,得到具有代表性的公共因子;最后,运用MATLAB软件对构建的BP神经网络进行仿真分析,得出预测结果,为信贷风险评估方法的选择与运用提供参考。同时,通过绿色信贷风险的评估体系可以提高贷前的分析效率,对企业风险程度进行评价和分级,清晰界定贷款企业所处的风险状况。通过运用一整套分析工具检测出各种潜在信贷风险,优化贷后管理技术。对那些风险上升幅度较大的企业,及时调整授信额度。
【关键词】：绿色信贷 信贷风险 BP神经网络 网络分析法 风险分类
【学位授予单位】：天津理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F832.4;TP183
【目录】：

• 摘要5-6
• abstract6-11
• 第一章 绪论11-17
• 1.1 研究背景及问题11-13
• 1.1.1 研究背景11-12
• 1.1.2 研究问题12-13
• 1.2 研究目的及意义13
• 1.3 研究方法及内容13-15
• 1.3.1 研究方法13-14
• 1.3.2 研究内容14-15
• 1.4 研究创新及技术路线图15-17
• 1.4.1 研究创新15-16
• 1.4.2 技术路线图16-17
• 第二章 相关理论基础及文献综述17-32
• 2.1 相关理论基础17-19
• 2.1.1 可持续发展理论17
• 2.1.2 企业社会责任理论17-18
• 2.1.3 银行环境风险理论18-19
• 2.2 商业银行绿色信贷概述19-24
• 2.2.1 绿色信贷的内涵19-20
• 2.2.2 赤道原则20-21
• 2.2.3 国外商业银行绿色信贷的发展21-24
• 2.2.4 国内商业银行绿色信贷的发展24
• 2.3 商业银行绿色信贷风险24-27
• 2.3.1 商业银行绿色信贷风险生成的原因25
• 2.3.2 商业银行绿色信贷风险的具体表现25-27
• 2.4 信贷风险评估的研究综述27-30
• 2.4.1 国外信贷风险的定性分析文献综述27
• 2.4.2 国外信贷风险的定量分析文献综述27-29
• 2.4.3 国内信贷风险评估的文献综述29-30
• 2.5 绿色信贷风险的研究综述30-31
• 2.6 商业银行绿色信贷风险分析的新视角：BP神经网络31-32
• 第三章 BP神经网络概述32-40
• 3.1 人工神经网络的基础32-34
• 3.1.1 神经元的结构模型32-33
• 3.1.2 神经网络的拓扑结构33-34
• 3.2 神经网络的工作原理34-36
• 3.2.1 学习过程34-35
• 3.2.2 运行过程35-36
• 3.3 BP神经网络36-39
• 3.3.1 BP神经网络算法36-38
• 3.3.2 BP神经网络模型构建38-39
• 3.4 BP神经网络方法用于绿色信贷风险评估的可行性分析39-40
• 第四章 绿色信贷风险评估模型的构建40-50
• 4.1 评估指标体系的构建40-46
• 4.1.1 绿色信贷风险评估指标体系构建的原则40-41
• 4.1.2 传统商业银行信贷风险评估指标体系41-44
• 4.1.3 基于绿色信贷的商业银行信贷风险指标44-46
• 4.2 绿色信贷风险的判定标准与分类46-47
• 4.2.1 绿色信贷风险的判定标准46-47
• 4.2.2 信贷风险的分类47
• 4.3 BP神经网络下绿色信贷风险评估系统的设计47-50
• 4.3.1 网络结构的确定47-48
• 4.3.2 学习参数的选择48-49
• 4.3.3 样本数据处理49-50
• 第五章 商业银行绿色信贷风险评估模型的实证分析50-69
• 5.1 样本设计50-51
• 5.1.1 样本数据来源50
• 5.1.2 样本数据的处理50-51
• 5.2 绿色信贷风险评价指标的筛选51-63
• 5.2.1 环保指标设计51-54
• 5.2.2 非财务指标设计54-56
• 5.2.3 财务指标的设计56-59
• 5.2.4 绿色信贷风险指标进一步筛选——因子分析法59-63
• 5.3 借鉴“3s”法则确定信贷风险状况63-65
• 5.4 基于BP神经网络的绿色信贷风险评估实证分析65-69
• 第六章 全文总结与展望69-71
• 6.1 全文总结69
• 6.2 未来展望69-71
• 参考文献71-75
• 发表论文和科研情况说明75-76
• 附录76-82
• 致谢82-83

【参考文献】

中国期刊全文数据库 前2条

1 张能福;张佳;;改进的KMV模型在我国上市公司信用风险度量中的应用[J];预测;2010年05期

2 马秋君;刘文娟;;基于绿色信贷的我国商业银行环境风险管理体系研究[J];中国人口.资源与环境;2013年S2期

  本文关键词：BP神经网络下商业银行绿色信贷风险评估研究，由笔耕文化传播整理发布。

本文编号：270026