大规模不均衡担保网络贷款的风险研究

发布时间：2021-08-11 22:31

　　中小企业贷款是国民经济活动的重要组成部分,在推动技术创新、促进经济增长和增加民众就业等方面有着不可忽视的作用.但是现有的商业银行授信评估标准主要是为大型企业设计的,很难匹配中小企业的融资需求.因此,为了满足商业银行的信贷标准,很多中小企业通过相互担保的方式来获得融资贷款.当越来越多的企业参与进来时,它们之间就形成了结构复杂的担保网络.这对国家金融安全来说是一把双刃剑.一方面,担保贷款有助于企业迅速筹集基金,加速发展;另一方面,在错综复杂的担保网络中,个体的信贷风险更容易导致系统性、行业性的违约发生.当前针对中小企业信贷风险的研究仍然停留在个体风险评估方面,缺少从总体担保网络的视角进行综合评价.因此,本文提出了大数据场景下的担保信贷风险评估方法,其中包括信贷风险传播和预测的概率图模型、处理不均衡样本的正加权k近邻方法、设计了其在海量数据情况下的分布式算法框架并且在Spark框架中进行了开发和实现.最后在真实的金融担保网络数据集上验证本文提出的方法的有效性,结果表明本文提出的方法在信贷违约预测任务中明显优于其他对比方法,在传播阶数为4的时候最为明显.在大数据平台上的性能实验结果表明:本文设... 

【文章来源】：计算机学报. 2020,43(04)北大核心EICSCD

【文章页数】：15 页

【部分图文】：

担保网络风险扩散路径图

图2展示了本文使用的滑动窗口进行时间预测的流程.我们以季度为单位对训练窗口、观察窗口、预测窗口和评估窗口进行分割.如图2中所示，我们使用2013年第一季度中的信贷记录作为训练窗口进行特征提取，使用2013年第二度的违约情况作为模型训练的标签.随后，在第二季度的信贷记录中提取用户特征，使用上面训练出来的模型对第二季度的特征进行预测，即可以获得用户在第三季度的违约概率的预测结果.最后将上述流程以时间窗口ω（月）为单位，依次滑动对模型进行训练和对未来的风险进行预测.3.3 信贷违约建模

因此，在本文中，改进的kNN算法（p‐wkNN）通过使用前k个少数类的正样本作为算法距离判断的依据，则可以更加精确地估计样本的概率.图3给出了一个典型的例子：图中圆环虚线的中心点代表目标样本，0代表负样本（多数类，标签值为0),1代表正样本（少数类，标签值为1）.在正负样本极度不均衡的情况下，图3(a）中的目标样本是正样本的概率要远高于图3(b）.当我们设置k为3时，经典kNN的方法计算出来的结果是a图和b图中的目标样本概率都为0，这样的结果显然和我们对于贷款违约预测算法的要求不符.而在本文改进的p‐wkNN中，图3(a）中的目标样本估计概率为0.5，图3(b）中的预测概率为0.15.由此可见，在样本不均衡时，p‐wkNN能够有效提升少数类的正样本被正确预测的概率，同时不会因负样本较多的情况产生不利的影响.综上，P-wkNN算法的详细步骤总结如下：

【参考文献】：
期刊论文
[1]信用担保网络的负面效应:传导机制与制度诱因[J]. 曹廷求,刘海明.  金融研究. 2016(01)
[2]我国商业银行信贷风险管理研究[J]. 卞伟力.  新经济. 2016(02)
[3]“柠檬市场”效应与担保圈风险[J]. 中国人民银行淄博市中心支行课题组,刘洁,刘博,孟文杰,刘丹华,岳亮.  金融发展研究. 2013(12)
[4]对担保圈贷款风险管理的探索与思考[J]. 吴堂保,刘蓉.  金融与经济. 2012(01)
[5]后金融危机背景下商业银行担保圈风险管控策略探析[J]. 吕江林,郑丽莎,童婵.  武汉金融. 2010(08)
[6]中国上市公司担保行为的实证分析[J]. 冯根福,马亚军,姚树洁.  中国工业经济. 2005(03)



本文编号：3337016