基于机器评估的房地产贷款风险控制研究
发布时间：2021-08-01 10:32
随着我国房地产业的不断增长,城市化进程不断推进,城市居民数量增加,住房需求不断上升,房地产贷款规模也不断扩大,房地产抵押贷款额急剧升高。我国金融市场处于全面开放状态,银行作为金融行业的重要组成部分对金融行业的稳定性有着重要作用,同时又联系着房地产业,这两者都是国民经济的重要组成部分,一旦银行出现危机便会对金融业及房地产业产生影响,继而影响国民经济。对银行自身而言,既面临内部管理风险、操作风险又面临法律风险、政策风险、市场变化风险等外部风险,内部风险控制尤为重要,银行应注重风险控制研究,对风险进行科学有效的规避,降低风险损失。目前银行贷款主要从贷款人与抵押物两方面进行风险控制,但由于激烈的市场竞争,银行对借款人准入条件把控不严,对抵押物评估及贷后管理工作等不重视,内控风险控制体系并不完善,不良贷款也急剧上升,房地产贷款风险控制研究亟需加强。本文通过对银行房地产贷款风险分析,针对抵押物目前面临抵押物被高估、个案评估、评估周期长、成本高、传统评估方法评估结果不够准确等情况,主要对房地产抵押贷款抵押物方面进行风险控制研究,并提出将房地产批量评估技术引用于抵押物贷款风险控制,选择特征价格模型建立...
【文章来源】：重庆交通大学重庆市
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
技术路线图
图 3.3 人工神经网络假设有一个 m 由个输入变量构成的向量NXR×∈1，神经网络有 N 个的神一个最终的输出变量1×1Y ∈ R，在输入层进入隐藏层时神经网络进行下述0zXWbT=+NMWR×∈ ,110×b ∈ R，0b 为常数，w 为输入层到隐含层权重，是连接输入层到隐含层的桥层的神经元接收到了向量 z 之后，神经元会进行函数运算，设为( )NfzR×∈1成输入层至隐含层计算后，计算移动至输出层，如下：( )1Y = fzθ+b1×1Y ∈ R，1b 为常数，θ 为隐含层到输出层层权重，最终输出 Y。人工神经网络的训练人工神经网络训练最常用的方法是反向传播算法（backpropagation）两个要素即正向计算得到误差函数，反向求导梯度下降。以上述神经假设有 K 组训练数据( )iiiKxy1,...,,=，有误差函数K
具有一定的计算密集性；神经网络需要通过大量数据来实现模型性能的提在数据量较少的情况下通常不如其他机器学习算法性能。 随机森林模型.1 随机森林模型的定义决策树是一种非常直观的模型，它通过遍历树的分支并根据节点决策对下一支进行选择并遍历。决策树归纳法通过输入训练实例确定哪些属性最适合分并分割数据集，在分割后的数据集上进行循环，直到所有训练实例都被分类，任务结束。随机森林是基于 Bagging 算法改进的决策树组合算法，该算法由未经过剪枝的决策树组合而成[60]。.2 随机森林模型的原理
【参考文献】：
期刊论文
[1]基于模糊数学的房地产批量评估[J]. 刘洪玉,李妍. 清华大学学报(自然科学版). 2017(11)
[2]控制房地产抵押贷款风险的探索[J]. 李洋. 住宅与房地产. 2016(12)
[3]住宅房地产批量评估模型的构建[J]. 张思雪,林汉川,吕臣,方巍. 统计与决策. 2016(03)
[4]批量评估技术下房地产评估企业的发展与转型[J]. 郭庆瑶. 经济研究导刊. 2015(05)
[5]BP神经网络在房屋批量评估中的应用[J]. 李菊,杜葵. 价值工程. 2015(03)
[6]银行抵押物拆迁风险防范[J]. 陆惠娟. 才智. 2013(34)
[7]商业银行风险控制文献综述[J]. 路阳. 中国西部科技. 2013(09)
[8]基于贝叶斯正则化BP神经网络的森林资源资产批量评估研究[J]. 郑德祥,赖晓燕,廖晓丽. 福建林学院学报. 2013(02)
[9]公允价值计量在抵押物评估中的应用[J]. 郑元. 经济论坛. 2013(04)
[10]房产税税基批量评估文献综述[J]. 孙凤仪,韩晓露. 地方财政研究. 2013(03)
硕士论文
[1]随机森林模型在二手房批量评估中的应用研究[D]. 庞枫.重庆交通大学 2017
[2]房地产抵押估价中批量评估法的应用研究[D]. 刘海虹.首都经济贸易大学 2014
[3]房地产抵押的价值评估方法与风险研究[D]. 朱雅楠.华中科技大学 2013
[4]批量评估住宅Hedonic模型研究[D]. 曹雅茹.东北财经大学 2012
[5]后金融危机下我国上市银行再融资内部风险控制研究[D]. 张洁漪.财政部财政科学研究所 2011
[6]财产税税基批量评估中的特征价格模型分析[D]. 张旭.厦门大学 2008
[7]我国商业银行个人住房抵押贷款风险防范研究[D]. 王红亮.西南财经大学 2006
本文编号：3315368
【文章来源】：重庆交通大学重庆市
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
技术路线图
图 3.3 人工神经网络假设有一个 m 由个输入变量构成的向量NXR×∈1，神经网络有 N 个的神一个最终的输出变量1×1Y ∈ R，在输入层进入隐藏层时神经网络进行下述0zXWbT=+NMWR×∈ ,110×b ∈ R，0b 为常数，w 为输入层到隐含层权重，是连接输入层到隐含层的桥层的神经元接收到了向量 z 之后，神经元会进行函数运算，设为( )NfzR×∈1成输入层至隐含层计算后，计算移动至输出层，如下：( )1Y = fzθ+b1×1Y ∈ R，1b 为常数，θ 为隐含层到输出层层权重，最终输出 Y。人工神经网络的训练人工神经网络训练最常用的方法是反向传播算法（backpropagation）两个要素即正向计算得到误差函数，反向求导梯度下降。以上述神经假设有 K 组训练数据( )iiiKxy1,...,,=，有误差函数K
具有一定的计算密集性；神经网络需要通过大量数据来实现模型性能的提在数据量较少的情况下通常不如其他机器学习算法性能。 随机森林模型.1 随机森林模型的定义决策树是一种非常直观的模型，它通过遍历树的分支并根据节点决策对下一支进行选择并遍历。决策树归纳法通过输入训练实例确定哪些属性最适合分并分割数据集，在分割后的数据集上进行循环，直到所有训练实例都被分类，任务结束。随机森林是基于 Bagging 算法改进的决策树组合算法，该算法由未经过剪枝的决策树组合而成[60]。.2 随机森林模型的原理
【参考文献】：
期刊论文
[1]基于模糊数学的房地产批量评估[J]. 刘洪玉,李妍. 清华大学学报(自然科学版). 2017(11)
[2]控制房地产抵押贷款风险的探索[J]. 李洋. 住宅与房地产. 2016(12)
[3]住宅房地产批量评估模型的构建[J]. 张思雪,林汉川,吕臣,方巍. 统计与决策. 2016(03)
[4]批量评估技术下房地产评估企业的发展与转型[J]. 郭庆瑶. 经济研究导刊. 2015(05)
[5]BP神经网络在房屋批量评估中的应用[J]. 李菊,杜葵. 价值工程. 2015(03)
[6]银行抵押物拆迁风险防范[J]. 陆惠娟. 才智. 2013(34)
[7]商业银行风险控制文献综述[J]. 路阳. 中国西部科技. 2013(09)
[8]基于贝叶斯正则化BP神经网络的森林资源资产批量评估研究[J]. 郑德祥,赖晓燕,廖晓丽. 福建林学院学报. 2013(02)
[9]公允价值计量在抵押物评估中的应用[J]. 郑元. 经济论坛. 2013(04)
[10]房产税税基批量评估文献综述[J]. 孙凤仪,韩晓露. 地方财政研究. 2013(03)
硕士论文
[1]随机森林模型在二手房批量评估中的应用研究[D]. 庞枫.重庆交通大学 2017
[2]房地产抵押估价中批量评估法的应用研究[D]. 刘海虹.首都经济贸易大学 2014
[3]房地产抵押的价值评估方法与风险研究[D]. 朱雅楠.华中科技大学 2013
[4]批量评估住宅Hedonic模型研究[D]. 曹雅茹.东北财经大学 2012
[5]后金融危机下我国上市银行再融资内部风险控制研究[D]. 张洁漪.财政部财政科学研究所 2011
[6]财产税税基批量评估中的特征价格模型分析[D]. 张旭.厦门大学 2008
[7]我国商业银行个人住房抵押贷款风险防范研究[D]. 王红亮.西南财经大学 2006
本文编号：3315368
本文链接：https://www.wllwen.com/jingjilunwen/jingjiguanlilunwen/3315368.html
