基于人工神经网络的商业银行信贷风险预警研究

发布时间：2017-05-26 04:13

  本文关键词：基于人工神经网络的商业银行信贷风险预警研究，由笔耕文化传播整理发布。

【摘要】： 信贷风险是一个全球性的问题。信贷资产的质量优劣、信贷风险的大小对银行的经营成果乃至生存发展有着至关重要的决定意义。长期以来,我国商业银行缺乏有效的信贷风险监测和控制手段,通常是事后处理多,事前防范少；定性分析多,定量分析少；静态分析多,动态分析少。随着人工智能技术的兴起和逐渐完善,特别是具有显著的解决非线性问题的特点的神经网络技术的出现,为解决上述问题构建信贷风险预警监测模型提供了很大的帮助。 因此,本文以改进优化的三层BP人工神经网络模型为主,建立包括短期偿债指标、长期偿债指标、赢利性指标、资产营运性指标、成长性指标、现金流量指标、企业规模等七个一级指标体系共三十三个二级指标的商业银行对企业客户信贷风险评价的指标体系,构建了基于人工神经网络的信贷风险预警监测模型,从某商业银行信贷管理信息系统选取223家分析样本,利用“3σ”评价规则确定客户初始信贷水平,并运用Matlab软件对构建的模型进行检验。 实证分析结果表明：第一,我国商业银行信贷风险预警指标不服从正态分布,因而不适宜使用多元线性判别分析方法建立信贷风险评估预警模型,也不适宜用t检验筛选变量；第二,改进后的BP算法较传统BP神经网络学习算法训练结果有较大提高,正确率由正确率由86.98%提高到90.53%；改进后的BP算法较传统BP神经网络学习算法测试结果有较大提高,正确率由83.33%提高到90%,而且改进后的算法所犯的第二类错误：将“警度高”的样本误判为“警度低”的样本情况更少,对银行的损失更小；三,本文开创性地将“3σ”法则引入信贷风险评级中,采用其评级情况进行模拟识别,最后结果显示其准确率能达到较好的水平。
【关键词】：信贷风险 优化神经网络 K-S检验 Wilcoxon符秩检验 3σ
【学位授予单位】：暨南大学
【学位级别】：硕士
【学位授予年份】：2010
【分类号】：F832.4
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-14
• 1.1 研究背景9-11
• 1.2 研究意义11
• 1.3 本文的主要工作及框架图11-13
• 1.4 本文的创新点13-14
• 第2章 商业银行信贷风险预警研究概述14-36
• 2.1 商业银行风险14-16
• 2.1.1 商业银行风险的定义14
• 2.1.2 商业银行风险的特点14-16
• 2.2 商业银行信贷风险16-17
• 2.2.1 信贷与银行信贷16-17
• 2.2.2 信贷风险17
• 2.3 商业银行信贷风险分析方法概述17-25
• 2.3.1 商业银行信贷风险的定性分析方法概述17-20
• 2.3.1.1 专家方法17-19
• 2.3.1.2 信贷评级方法19-20
• 2.3.2 信贷风险的定量分析方法概述20-25
• 2.3.2.1 统计分析方法21-22
• 2.3.2.2 分类树法22
• 2.3.2.3 人工专家系统法22
• 2.3.2.4 数据包络分析方法22-23
• 2.3.2.5 期权模型23-24
• 2.3.2.6 信贷计量模型24
• 2.3.2.7 违约风险统计模型24-25
• 2.3.2.8 麦肯锡模型25
• 2.4 信贷风险评估的新视角:神经网络方法25-27
• 2.5 商业银行风险预警系统内涵27-30
• 2.5.1 商业银行风险预警的涵义27-28
• 2.5.2 商业银行风险预警与风险管理28-29
• 2.5.3 符合中国国情的商业银行风险预警体系框架的构建29-30
• 2.6 银行信贷风险预警管理系统研究综述30-36
• 2.6.1 国外银行信贷风险预警系统研究概述30-32
• 2.6.2 国内银行信贷风险预警系统研究概述32-35
• 2.6.3 目前国内商业银行信贷风险研究的缺陷35-36
• 第3章 信贷风险评估新视角:人工神经网络36-47
• 3.1 人工神经元的结构模型36-38
• 3.2 神经网络的拓扑结构38
• 3.3 神经网络的工作原理38-40
• 3.3.1 学习过程(训练过程)38-39
• 3.3.2 运行过程(联想过程)39
• 3.3.3 神经网络的学习规则39-40
• 3.4 BP神经网络40-45
• 3.4.1 基本思想40-41
• 3.4.2 算法推导41-44
• 3.4.3 BP算法流程图44-45
• 3.5 BP神经网络方法用于信贷风险评估预警的可行性分析45-47
• 第4章 商业银行信贷风险预警模型的构建47-65
• 4.1 预警指标体系的构建47-52
• 4.1.1 商业银行信贷风险预警指标体系构建原则47-49
• 4.1.2 商业银行信贷风险预警指标体系的建立49-52
• 4.2 信贷风险的判定标准和分类52-55
• 4.2.1 信贷风险识别标准52-53
• 4.2.2 违约的标准53
• 4.2.3 信贷风险的分类53-55
• 4.3 基于BP神经网络的信贷风险预警系统的设计和分析55-57
• 4.3.1 网络结构的确定55
• 4.3.2 隐含层的设计55-56
• 4.3.3 网络学习参数的选取56-57
• 4.3.4 样本数据的处理57
• 4.4 对风险预警BP神经网络的改进57-59
• 4.4.1 传统BP网络的限制与不足57-58
• 4.4.2 BP网络的改进优化方法58-59
• 4.4.2.1 采用正则化方法—改进误差函数法优化神经网络58
• 4.4.2.2 采用Levenberg-Marquardt算法优化神经网络58-59
• 4.5 基于BP神经网络的信贷风险预警模型构建及其MATLAB实现59-65
• 4.5.1 MATLAB神经网络工具箱函数60-63
• 4.5.2 基于神经网络的信贷风险预警模型构建63-64
• 4.5.3 BP网络程序设计的MATLAB实现64-65
• 第5章 我国商业银行信贷风险预警模型的实证分析65-82
• 5.1 样本的设计65-66
• 5.1.1 样本选取的方法65-66
• 5.1.2 样本数据来源66
• 5.2 信贷风险预警指标的筛选66-74
• 5.2.1 预警指标的正态性检验67-68
• 5.2.2 预警指标的显著性检验(Wilcoxon配对秩和检验)68-70
• 5.2.3 信贷风险预警指标的进一步筛选70-74
• 5.2.3.1 Bartlett球度检验和KMO检验71-72
• 5.2.3.2 因子分析72-74
• 5.3 借鉴"3σ"法则确定信贷风险状况74-78
• 5.3.1 F得分值的均值及标准差确定74
• 5.3.2 信贷风险状况确定74-78
• 5.4 我国商业银行信贷风险评估预警模型的实证分析78-82
• 5.4.1 优化改进BP神经网络模型的训练78-81
• 5.4.2 利用训练好的网络对检测样本进行预测81-82
• 第6章 全文总结及未来展望82-84
• 6.1 全文总结82-83
• 6.2 未来展望83-84
• 参考文献84-88
• 附录88-101
• 在校期间发表论文101-102
• 致谢102

【引证文献】

中国博士学位论文全文数据库 前2条

1 吴姗姗;乡镇政府财政风险的评价与预测研究[D];中国海洋大学;2012年

2 沈蕾;金融创新背景下中国金融稳定性研究[D];武汉理工大学;2012年

中国硕士学位论文全文数据库 前2条

1 张秋丽;兰州城投债发行主体信用风险研究[D];兰州大学;2012年

2 孙雪菁;中国房地产信贷风险财务预警研究[D];山西财经大学;2013年

  本文关键词：基于人工神经网络的商业银行信贷风险预警研究，，由笔耕文化传播整理发布。

本文编号：395742