基于神经网络技术的商业银行信用风险评估83

  本文关键词：基于神经网络技术的商业银行信用风险评估，，由笔耕文化传播整理发布。

1999年9月系统工程理论与实践第9期；基于神经网络技术的商业银行信用风险评估；王春峰,万海晖,张维；(天津大学系统工程研究所,天津300072)α；摘要:研究了神经网络技术在商业银行信用风险评估中；关键词:神经网络;判别分析;信用风险;信用风险评；CreditRiskAssessmentinCo；UsingNeuralNetworks；WANGChun2f

　1999年9月系统工程理论与实践第9期　

基于神经网络技术的商业银行信用风险评估

王春峰,万海晖,张　维

(天津大学系统工程研究所,天津300072)α

摘要:　研究了神经网络技术在商业银行信用风险评估中的应用.实证结果表明,与传统统计方法(判别分析)相比,神经网络技术具有更高的预测精度和更强的鲁棒性.

关键词:　神经网络;判别分析;信用风险;信用风险评估

CreditRiskAssessmentinCommercialBanks

UsingNeuralNetworks

WANGChun2feng,WANHai2hui,ZHANGWei

(InstituteofSystemsEngineering,TianjinUniversity,Tianjin300072)

Abstract:　Inthispaper,theproblemofcreditriskassessmentincommercialbanksis

investigatedbyusingthemethodofneuralnetwork.Empiricalresultsshowthatneural

networkisapromisingmethodofevaluatingcreditriskincommercialbanksintermsof

.predictiveaccuracy,adaptabilityandrobustness

Keywords:　neuralnetwork;discriminantanalysis;creditrisk;creditriskassessment

0　引言

近年来,随着金融的全球化趋势及金融市场的波动性加剧,商业银行的风险管理一直是国际国内金融界关注的焦点[1].商业银行在营运过程中面临的金融风险主要有信用风险、利率风险、汇率风险、流动性风险和操作风险等,其中信用风险占有特殊的地位.信用风险是指,借款人由于种种原因,不愿或无力偿还银行贷款本息,使银行贷款无法收回,形成呆帐损失的可能性.在现代商业银行经营中,信用风险是影响其安全高效运营的主要原因.从国际上看,在许多发达国家,由于金融机构贷款信用质量低下,如对不发达国家的银行贷款、银行住宅贷款、农业抵押贷款等,导致呆帐和不良贷款不断增加,造成流动性危机,最终诱发倒闭,给金融业和整个国民经济造成严重损失[2].世界银行对全球银行业危机的研究表明,导致银行破产的最常见原因,就是信用风险[3].因此,国际金融界近年来对信用风险的关注日益加强,如旨在加强信用风险管理的《巴塞尔协议》已在西方主要发达国家全面实施.从国内看,对处于新兴市场和转轨型经济环境下的我国商业银行而言,加强信用风险的管理尤为重要.其原因在于,第一,由于历史原因,不良资产一直是影响我国银行业有效经营的主要因素;第二,在国有专业银行向商业银行转轨过程中,面临的主要问题突出表现为比例较大的不良资产,呆坏帐的负担是我国商业银行进一步发展的障碍,加强信用风险管理是解决这一问题的关键;第三,由于历史原因,我国商业银行的各项资本资产比例与巴塞尔协议的要求尚有相当大的差距,因此加强信用风险管理是我国商业银行与国际金融业接轨的关键措施之一.

在西方发达国家,商业银行的信用风险管理技术已比较成熟,许多定量技术和支持工具、软件已付诸商业应用.继传统的比例分析之后,统计方法得到广泛的应用,如判别分析和Logistic回归等.自从80年

α收稿日期:1998202204资助项目:国家自然科学基金委95重大项目(79790130)及国家教委跨世纪优秀人才基金(962170)共同资助

代末期以来,人工智能技术如神经网络、专家系统、分类树也被应用于商业银行信用风险管理中(详见本文第二部分).

在我国,由于现代商业银行体制刚刚建立,其信用风险管理技术较为落后,特别是作为信用风险管理的核心技术——信用分析与评估技术仍处于传统的比例分析阶段,远不能满足商业银行对各种形式贷款安全性的准确测量.目前我国银行机构主要使用计算贷款风险度的方法进行信用风险评估——在对企业进行信用等级评定的基础上,考虑贷款方式、期限以及形式因素,进而确定贷款的风险度.其中作为核心的信用等级评定,是通过对企业的某些单一财务指标进行评价,而后加权平均确定的[4].该方法的最大缺陷在于指标和权重的确定带有很大的主观性,使得评级结果与企业的实际信用状况有很大出入,因此需要引入科学方法来确定有效指标,并建立准确的定量模型来解决信用评估问题.

针对这种情况,本文的目的在于,根据我国商业银行的具体情况,结合国际上目前较为流行的人工神经网络技术,研究我国商业银行风险评估问题.

本文的结构安排如下:第一部分首先介绍了商业银行信用风险的管理方法与程序;然后综述了信用风险评估的各种模型;第三部分对神经网络模型和反向传播学习算法进行了介绍;第四部分是模型的具体构造,包括指标体系的确定和样本数据的处理;第五部分利用神经网络技术,进行了实证研究,并与判别分析模型的结果进行了比较;最后总结了全文.

1　信用风险管理方法与程序

商业银行信用风险管理一般包括,信用风险分析——风险的测量与评估,信用风险管理与控制——贷款定价、贷款发放、贷款检查.

信用风险分析是指,对可能引起贷款风险的因素进行定性分析、定量计算,以测量借款人的违约概率,为贷款决策提供依据,如是否发放、价格确定、发放条件和形式等.显然,信用分析是信用风险管理的首要工作和关键.

在信用风险分析时,商业银行典型的作法是,首先依据借款人的资料,遵循5C原则(即借款人品质(Character)、能力(Capacity)、资本(Capital)、担保(Collateral)、环境(Condition)),或LAPP原则(流动性(Liquidity)、活动性(Activity)、盈利性(Profitability)、潜力(Potentialities)),定性分析借款人目前的财务状况、管理水平、宏观与行业经济状况;确定反映借款人还款能力的指标体系;根据指标体系,利用一定的定量技术、模型(评估模型)判别借款人的违约概率.

2　信用风险评估模型

企业的信用风险问题——能否如期还本付息,受很多因素的影响如企业财务状况、管理水平、行业状况、宏观经济形势等,目前的金融理论尚不能对这一问题在理论上作出满意的解释.国外商业银行处理这一问题通常采用所谓的“经验主义方法论”,即把信用风险分析看成是模式识别中的一类分类问题——将企业划分为能够按期还本付息和违约两类.其具体做法是根据历史上每个类别(如期还本付息、违约)的若干样本,从已知的数据中发现其规律,从而总结出分类的规则,建立判别模型,用于对新样本的判别.尽管

[5]有人将这种方法称为“粗暴的经验主义方法”,但在目前的金融理论状况下,它可能是最有效的方法,也

是国际金融业和学术界视为主流的方法.

国际上,通常将商业银行信用风险的测度转化为企业财务状况的衡量问题,因为信用风险的形成——企业是否能如期还本付息主要取决于企业财务状况.影响企业财务状况的因素很多,我们不能仅根据企业的某些单一指标,而应根据影响企业财务状况的多维指标来评估企业的财务状况.因此,这一方法的关键步骤和难点在于,指标体系的确立和评估模型的选择——如何将多维指标综合起来.目前采用的方法有统计方法、专家系统、神经网络技术等.

211　统计方法

国外在对信用风险的评估中,广泛采用了基于统计判别方法的预测模型.这些方法和模型都是在

Fisher于1936年作出的启发性研究之后提出来的[6].总的来说,这些模型都被表述为一类分类问题,它们接受定义在已选变量集合上的一个随机观测值样本,建立判别函数,进行分类.根据判别函数形式和样本分布的假定不同,常见的模型有:回归分析法[7]、多元判别分析法[8]、因子2Logit法[9]、Probit法[10]、Logistic法[11]和近邻法[12]等.尽管这些模型已经得到了广泛的应用,但它们仍存在着许多缺陷[13].21111　判别分析(DiscriminantAnalysis)

在针对分类问题的多种不同的统计方法中,最常用的是多元判别分析法(MDA2MultivariateDiscrim2inantAnalysis).MDA是根据观察到的一些统计数字特征,对客观事物进行分类,以确定事物的类别.它的特点是已经掌握了历史上每个类别的若干样本,从中总结出分类的规律性,建立判别公式,当遇到新的事物时,只要根据总结出来的判别公式,就能判别事物所属的类别.

MDA的关键在于建立判别函数,目前,统计学中建立判别函数常用方法有:一是已知总体分布的前提下求得平均出错概率最小的分类判别函数,通常称为贝叶斯(Bayes)判别函数;二是未知总体分布或未知总体分布函数时,费歇(Fisher)准则下的最优线性判别函数[14].在这里,判别分析模型是通过采用极大化组间比和组内方差的Fisher方法来建立的.在满足如下条件时,可以证明,由Fisher方法得出的判别规则最优极小化误判代价.

a.每组均服从多元正态分布;

b.每组的协方差矩阵相同;

协方差矩阵、先验概率和误判代价是已知的.c.每组的均值向量、

MDA有两个总体与多个总体判别之分.在两个总体判别时,判别公式为:

DF(X)=XT

其中,Λ1,Λ2和6分别是各组均值和共同协方差矩阵,依据一定判别规则即可对原始样本进行分类.显然,判别函数DF(X)是各独立变量(或指标)的线性函数.在满足上述a、b、c假设下,它能使误判达到最小.

Altman应用判别分析法建立了著名的Z2score模型和在此基础上改进的ZETA模型,这两个模型的6-1(Λ1-Λ2)-1??2(Λ1-Λ2)T6-1(Λ1+Λ2)目的是预测企业破产的概率,为银行贷款决策提供支持.目前ZETA模型已商业化,广泛应用于美国、意大利等国的商业银行,取得了巨大的经济效益[15].这一方法的最大缺陷在于其过于严格的假定条件,实际中均有不同程度的违背.

21112　Logit方法

Logit分析与判别分析法的本质差异在于前者不要求满足正态分布或等方差,其模型采用Logistic函数,

Y=,　Γ=c0+1+eΓ6pciXi

i=1

其中Xi(1ΦiΦp)表示第i个指标,ci是第i个指标的系数,Y是一表示企业财务状况好坏的概率.

由于Logistic回归不假定任何概率分布,不满足正态情况下其判别正确率高于判别分析法的结果.21113　近邻法

近邻法是一种非参数方法,当已知总体表现为显著非正态分布时,特别是当属于同一类的样本在变量空间形成聚类时,近邻法十分有效.与参数类方法相比,近邻法用于对总体分布施加很少约束的情况,是一种十分灵活的方法.

近邻法不仅放松了正态性假定,也避免了传统技术对模型函数形式设定的困难.任何一个样本到底划归哪一类是由其k个近邻划归类型所确定.任意两个样本之间的距离可定义为d(x,y)=(x-y)Tcov-1(x

.这样,一个样本划归为它的k个近邻的多数(即当一个样本的k个近-y),其中cov-1是合并协方差的逆

邻的大多数划归1类,则该样本也应划属1类).

212　分类树[12]

80年代末期,有学者提出一种利用机器学习技术发展起来的符号方法——分类树.该方法不象传统方法那样通过判别函数形成决策规则来判别样本所属的类型,而是创立了一个对原始样本进行最佳分类判

别的分类树.此前,曾有学者采用了一种叫做递归分割的类似技术生成判别树.两种方法都采用了一种非返回跟踪的分割方法将样本集递归分割成不相交的子集.它们的差别只是在分割准则上,分类树方法旨在极大化分割子集的熵,而递归分割方法则旨在使期望误判损失达到最小.

上述四种方法在国外已有大量应用,实证结果发现[12,13]:1)企业财务状况的评价可以看作是一类基于一系列独立变量基础上的分类问题;2)企业财务状况的好坏与财务比率的关系常常是非线性的;3)预测变量(财务比率)可能是高度相关的;4)大量实证结果表明,许多指标不成正态分布.

因此,传统的分类方法不能很好地解决这些问题.作为研究复杂性的有力工具,神经网络技术近年来在模式识别与分类、识别滤波、自动控制、预测等方面已展示了其非凡的优越性,特别是能处理任意类数据,这是许多传统方法所无法比拟的.通过不断学习,能够从未知模式的大量的复杂数据中发现其规律.神经网络方法克服了传统分析过程的复杂性及选择适当模型函数形式的困难,它是一种自然的非线性建模过程,毋需分清存在何种非线性关系,给建模与分析带来极大的方便.该方法用于企业财务状况研究时,一方面利用其映射能力,另一方面主要利用其泛化能力,即在经过一定数量的带噪声的样本的训练之后,网络可以抽取样本所隐含的特征关系,并对新情况下的数据进行内插和外推以推断其属性.它在分类问题中的出现,最早是用于对银行破产的预估[16].

针对这种情况,本文的目的在于,根据我国商业银行的具体情况,利用人工神经网络技术,研究我国商业银行的信用风险评估问题.

3　人工神经网络基本原理

人工神经网络(ArtificialNeuralNetwork)是由大量简单的处理单元广泛连接组成的复杂网络,用于模拟人类大脑神经网络的结构和行为.它反映了人脑功能的许多基本特性,但它并不是人脑全部的真实写照,而只是对其作某种简化、抽象和模拟[17].

311　前向网络

神经网络是由按层进行组织的神经元和连接弧所组成的,这些神经元以不同的方式组织起来形成不同的网络结构.本文所应用的是一种称为前向网络的特殊的网络结构.

在前向网络中有三种神经元:输入神经元、输出神经元和隐含神经元.输入神经元接收环境的信息,位于网络的最底层;输出神经元把信息传递到环境中去,位于网络的最高层;隐含神经元不与环境发生交互作用,因此是不可见的.其中每个神经元都是一个简单的计算装置,其特性由简单的数学函数所描述.神经元i接收其它神经元传递来的输入信息,根据和函数neti进行加权平均,然后根据传递函数fi产生输出信息,输出信息又按照网络的拓扑结构传递到下一个神经元.我们应用Rumelhart于1986年提出的如下函数:

Ii=6wijxj+

  本文关键词：基于神经网络技术的商业银行信用风险评估，由笔耕文化传播整理发布。