本文關(guān)鍵詞：基于神經(jīng)網(wǎng)絡(luò)技術(shù)的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估，，由筆耕文化傳播整理發(fā)布。

1999年9月系統(tǒng)工程理論與實(shí)踐第9期；基于神經(jīng)網(wǎng)絡(luò)技術(shù)的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估；王春峰,萬(wàn)海暉,張維；(天津大學(xué)系統(tǒng)工程研究所,天津300072)α；摘要:研究了神經(jīng)網(wǎng)絡(luò)技術(shù)在商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估中；關(guān)鍵詞:神經(jīng)網(wǎng)絡(luò);判別分析;信用風(fēng)險(xiǎn);信用風(fēng)險(xiǎn)評(píng)；CreditRiskAssessmentinCo；UsingNeuralNetworks；WANGChun2f

　1999年9月系統(tǒng)工程理論與實(shí)踐第9期　

基于神經(jīng)網(wǎng)絡(luò)技術(shù)的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估

王春峰,萬(wàn)海暉,張　維

(天津大學(xué)系統(tǒng)工程研究所,天津300072)α

摘要:　研究了神經(jīng)網(wǎng)絡(luò)技術(shù)在商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用.實(shí)證結(jié)果表明,與傳統(tǒng)統(tǒng)計(jì)方法(判別分析)相比,神經(jīng)網(wǎng)絡(luò)技術(shù)具有更高的預(yù)測(cè)精度和更強(qiáng)的魯棒性.

關(guān)鍵詞:　神經(jīng)網(wǎng)絡(luò);判別分析;信用風(fēng)險(xiǎn);信用風(fēng)險(xiǎn)評(píng)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

近年來(lái),隨著金融的全球化趨勢(shì)及金融市場(chǎng)的波動(dòng)性加劇,商業(yè)銀行的風(fēng)險(xiǎn)管理一直是國(guó)際國(guó)內(nèi)金融界關(guān)注的焦點(diǎn)[1].商業(yè)銀行在營(yíng)運(yùn)過(guò)程中面臨的金融風(fēng)險(xiǎn)主要有信用風(fēng)險(xiǎn)、利率風(fēng)險(xiǎn)、匯率風(fēng)險(xiǎn)、流動(dòng)性風(fēng)險(xiǎn)和操作風(fēng)險(xiǎn)等,其中信用風(fēng)險(xiǎn)占有特殊的地位.信用風(fēng)險(xiǎn)是指,借款人由于種種原因,不愿或無(wú)力償還銀行貸款本息,使銀行貸款無(wú)法收回,形成呆帳損失的可能性.在現(xiàn)代商業(yè)銀行經(jīng)營(yíng)中,信用風(fēng)險(xiǎn)是影響其安全高效運(yùn)營(yíng)的主要原因.從國(guó)際上看,在許多發(fā)達(dá)國(guó)家,由于金融機(jī)構(gòu)貸款信用質(zhì)量低下,如對(duì)不發(fā)達(dá)國(guó)家的銀行貸款、銀行住宅貸款、農(nóng)業(yè)抵押貸款等,導(dǎo)致呆帳和不良貸款不斷增加,造成流動(dòng)性危機(jī),最終誘發(fā)倒閉,給金融業(yè)和整個(gè)國(guó)民經(jīng)濟(jì)造成嚴(yán)重?fù)p失[2].世界銀行對(duì)全球銀行業(yè)危機(jī)的研究表明,導(dǎo)致銀行破產(chǎn)的最常見(jiàn)原因,就是信用風(fēng)險(xiǎn)[3].因此,國(guó)際金融界近年來(lái)對(duì)信用風(fēng)險(xiǎn)的關(guān)注日益加強(qiáng),如旨在加強(qiáng)信用風(fēng)險(xiǎn)管理的《巴塞爾協(xié)議》已在西方主要發(fā)達(dá)國(guó)家全面實(shí)施.從國(guó)內(nèi)看,對(duì)處于新興市場(chǎng)和轉(zhuǎn)軌型經(jīng)濟(jì)環(huán)境下的我國(guó)商業(yè)銀行而言,加強(qiáng)信用風(fēng)險(xiǎn)的管理尤為重要.其原因在于,第一,由于歷史原因,不良資產(chǎn)一直是影響我國(guó)銀行業(yè)有效經(jīng)營(yíng)的主要因素;第二,在國(guó)有專業(yè)銀行向商業(yè)銀行轉(zhuǎn)軌過(guò)程中,面臨的主要問(wèn)題突出表現(xiàn)為比例較大的不良資產(chǎn),呆壞帳的負(fù)擔(dān)是我國(guó)商業(yè)銀行進(jìn)一步發(fā)展的障礙,加強(qiáng)信用風(fēng)險(xiǎn)管理是解決這一問(wèn)題的關(guān)鍵;第三,由于歷史原因,我國(guó)商業(yè)銀行的各項(xiàng)資本資產(chǎn)比例與巴塞爾協(xié)議的要求尚有相當(dāng)大的差距,因此加強(qiáng)信用風(fēng)險(xiǎn)管理是我國(guó)商業(yè)銀行與國(guó)際金融業(yè)接軌的關(guān)鍵措施之一.

在西方發(fā)達(dá)國(guó)家,商業(yè)銀行的信用風(fēng)險(xiǎn)管理技術(shù)已比較成熟,許多定量技術(shù)和支持工具、軟件已付諸商業(yè)應(yīng)用.繼傳統(tǒng)的比例分析之后,統(tǒng)計(jì)方法得到廣泛的應(yīng)用,如判別分析和Logistic回歸等.自從80年

α收稿日期:1998202204資助項(xiàng)目:國(guó)家自然科學(xué)基金委95重大項(xiàng)目(79790130)及國(guó)家教委跨世紀(jì)優(yōu)秀人才基金(962170)共同資助

代末期以來(lái),人工智能技術(shù)如神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、分類樹(shù)也被應(yīng)用于商業(yè)銀行信用風(fēng)險(xiǎn)管理中(詳見(jiàn)本文第二部分).

在我國(guó),由于現(xiàn)代商業(yè)銀行體制剛剛建立,其信用風(fēng)險(xiǎn)管理技術(shù)較為落后,特別是作為信用風(fēng)險(xiǎn)管理的核心技術(shù)——信用分析與評(píng)估技術(shù)仍處于傳統(tǒng)的比例分析階段,遠(yuǎn)不能滿足商業(yè)銀行對(duì)各種形式貸款安全性的準(zhǔn)確測(cè)量.目前我國(guó)銀行機(jī)構(gòu)主要使用計(jì)算貸款風(fēng)險(xiǎn)度的方法進(jìn)行信用風(fēng)險(xiǎn)評(píng)估——在對(duì)企業(yè)進(jìn)行信用等級(jí)評(píng)定的基礎(chǔ)上,考慮貸款方式、期限以及形式因素,進(jìn)而確定貸款的風(fēng)險(xiǎn)度.其中作為核心的信用等級(jí)評(píng)定,是通過(guò)對(duì)企業(yè)的某些單一財(cái)務(wù)指標(biāo)進(jìn)行評(píng)價(jià),而后加權(quán)平均確定的[4].該方法的最大缺陷在于指標(biāo)和權(quán)重的確定帶有很大的主觀性,使得評(píng)級(jí)結(jié)果與企業(yè)的實(shí)際信用狀況有很大出入,因此需要引入科學(xué)方法來(lái)確定有效指標(biāo),并建立準(zhǔn)確的定量模型來(lái)解決信用評(píng)估問(wèn)題.

針對(duì)這種情況,本文的目的在于,根據(jù)我國(guó)商業(yè)銀行的具體情況,結(jié)合國(guó)際上目前較為流行的人工神經(jīng)網(wǎng)絡(luò)技術(shù),研究我國(guó)商業(yè)銀行風(fēng)險(xiǎn)評(píng)估問(wèn)題.

本文的結(jié)構(gòu)安排如下:第一部分首先介紹了商業(yè)銀行信用風(fēng)險(xiǎn)的管理方法與程序;然后綜述了信用風(fēng)險(xiǎn)評(píng)估的各種模型;第三部分對(duì)神經(jīng)網(wǎng)絡(luò)模型和反向傳播學(xué)習(xí)算法進(jìn)行了介紹;第四部分是模型的具體構(gòu)造,包括指標(biāo)體系的確定和樣本數(shù)據(jù)的處理;第五部分利用神經(jīng)網(wǎng)絡(luò)技術(shù),進(jìn)行了實(shí)證研究,并與判別分析模型的結(jié)果進(jìn)行了比較;最后總結(jié)了全文.

1　信用風(fēng)險(xiǎn)管理方法與程序

商業(yè)銀行信用風(fēng)險(xiǎn)管理一般包括,信用風(fēng)險(xiǎn)分析——風(fēng)險(xiǎn)的測(cè)量與評(píng)估,信用風(fēng)險(xiǎn)管理與控制——貸款定價(jià)、貸款發(fā)放、貸款檢查.

信用風(fēng)險(xiǎn)分析是指,對(duì)可能引起貸款風(fēng)險(xiǎn)的因素進(jìn)行定性分析、定量計(jì)算,以測(cè)量借款人的違約概率,為貸款決策提供依據(jù),如是否發(fā)放、價(jià)格確定、發(fā)放條件和形式等.顯然,信用分析是信用風(fēng)險(xiǎn)管理的首要工作和關(guān)鍵.

在信用風(fēng)險(xiǎn)分析時(shí),商業(yè)銀行典型的作法是,首先依據(jù)借款人的資料,遵循5C原則(即借款人品質(zhì)(Character)、能力(Capacity)、資本(Capital)、擔(dān)保(Collateral)、環(huán)境(Condition)),或LAPP原則(流動(dòng)性(Liquidity)、活動(dòng)性(Activity)、盈利性(Profitability)、潛力(Potentialities)),定性分析借款人目前的財(cái)務(wù)狀況、管理水平、宏觀與行業(yè)經(jīng)濟(jì)狀況;確定反映借款人還款能力的指標(biāo)體系;根據(jù)指標(biāo)體系,利用一定的定量技術(shù)、模型(評(píng)估模型)判別借款人的違約概率.

2　信用風(fēng)險(xiǎn)評(píng)估模型

企業(yè)的信用風(fēng)險(xiǎn)問(wèn)題——能否如期還本付息,受很多因素的影響如企業(yè)財(cái)務(wù)狀況、管理水平、行業(yè)狀況、宏觀經(jīng)濟(jì)形勢(shì)等,目前的金融理論尚不能對(duì)這一問(wèn)題在理論上作出滿意的解釋.國(guó)外商業(yè)銀行處理這一問(wèn)題通常采用所謂的“經(jīng)驗(yàn)主義方法論”,即把信用風(fēng)險(xiǎn)分析看成是模式識(shí)別中的一類分類問(wèn)題——將企業(yè)劃分為能夠按期還本付息和違約兩類.其具體做法是根據(jù)歷史上每個(gè)類別(如期還本付息、違約)的若干樣本,從已知的數(shù)據(jù)中發(fā)現(xiàn)其規(guī)律,從而總結(jié)出分類的規(guī)則,建立判別模型,用于對(duì)新樣本的判別.盡管

[5]有人將這種方法稱為“粗暴的經(jīng)驗(yàn)主義方法”,但在目前的金融理論狀況下,它可能是最有效的方法,也

是國(guó)際金融業(yè)和學(xué)術(shù)界視為主流的方法.

國(guó)際上,通常將商業(yè)銀行信用風(fēng)險(xiǎn)的測(cè)度轉(zhuǎn)化為企業(yè)財(cái)務(wù)狀況的衡量問(wèn)題,因?yàn)樾庞蔑L(fēng)險(xiǎn)的形成——企業(yè)是否能如期還本付息主要取決于企業(yè)財(cái)務(wù)狀況.影響企業(yè)財(cái)務(wù)狀況的因素很多,我們不能僅根據(jù)企業(yè)的某些單一指標(biāo),而應(yīng)根據(jù)影響企業(yè)財(cái)務(wù)狀況的多維指標(biāo)來(lái)評(píng)估企業(yè)的財(cái)務(wù)狀況.因此,這一方法的關(guān)鍵步驟和難點(diǎn)在于,指標(biāo)體系的確立和評(píng)估模型的選擇——如何將多維指標(biāo)綜合起來(lái).目前采用的方法有統(tǒng)計(jì)方法、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)技術(shù)等.

211　統(tǒng)計(jì)方法

國(guó)外在對(duì)信用風(fēng)險(xiǎn)的評(píng)估中,廣泛采用了基于統(tǒng)計(jì)判別方法的預(yù)測(cè)模型.這些方法和模型都是在

Fisher于1936年作出的啟發(fā)性研究之后提出來(lái)的[6].總的來(lái)說(shuō),這些模型都被表述為一類分類問(wèn)題,它們接受定義在已選變量集合上的一個(gè)隨機(jī)觀測(cè)值樣本,建立判別函數(shù),進(jìn)行分類.根據(jù)判別函數(shù)形式和樣本分布的假定不同,常見(jiàn)的模型有:回歸分析法[7]、多元判別分析法[8]、因子2Logit法[9]、Probit法[10]、Logistic法[11]和近鄰法[12]等.盡管這些模型已經(jīng)得到了廣泛的應(yīng)用,但它們?nèi)源嬖谥S多缺陷[13].21111　判別分析(DiscriminantAnalysis)

在針對(duì)分類問(wèn)題的多種不同的統(tǒng)計(jì)方法中,最常用的是多元判別分析法(MDA2MultivariateDiscrim2inantAnalysis).MDA是根據(jù)觀察到的一些統(tǒng)計(jì)數(shù)字特征,對(duì)客觀事物進(jìn)行分類,以確定事物的類別.它的特點(diǎn)是已經(jīng)掌握了歷史上每個(gè)類別的若干樣本,從中總結(jié)出分類的規(guī)律性,建立判別公式,當(dāng)遇到新的事物時(shí),只要根據(jù)總結(jié)出來(lái)的判別公式,就能判別事物所屬的類別.

MDA的關(guān)鍵在于建立判別函數(shù),目前,統(tǒng)計(jì)學(xué)中建立判別函數(shù)常用方法有:一是已知總體分布的前提下求得平均出錯(cuò)概率最小的分類判別函數(shù),通常稱為貝葉斯(Bayes)判別函數(shù);二是未知總體分布或未知總體分布函數(shù)時(shí),費(fèi)歇(Fisher)準(zhǔn)則下的最優(yōu)線性判別函數(shù)[14].在這里,判別分析模型是通過(guò)采用極大化組間比和組內(nèi)方差的Fisher方法來(lái)建立的.在滿足如下條件時(shí),可以證明,由Fisher方法得出的判別規(guī)則最優(yōu)極小化誤判代價(jià).

a.每組均服從多元正態(tài)分布;

b.每組的協(xié)方差矩陣相同;

協(xié)方差矩陣、先驗(yàn)概率和誤判代價(jià)是已知的.c.每組的均值向量、

MDA有兩個(gè)總體與多個(gè)總體判別之分.在兩個(gè)總體判別時(shí),判別公式為:

DF(X)=XT

其中,Λ1,Λ2和6分別是各組均值和共同協(xié)方差矩陣,依據(jù)一定判別規(guī)則即可對(duì)原始樣本進(jìn)行分類.顯然,判別函數(shù)DF(X)是各獨(dú)立變量(或指標(biāo))的線性函數(shù).在滿足上述a、b、c假設(shè)下,它能使誤判達(dá)到最小.

Altman應(yīng)用判別分析法建立了著名的Z2score模型和在此基礎(chǔ)上改進(jìn)的ZETA模型,這兩個(gè)模型的6-1(Λ1-Λ2)-1??2(Λ1-Λ2)T6-1(Λ1+Λ2)目的是預(yù)測(cè)企業(yè)破產(chǎn)的概率,為銀行貸款決策提供支持.目前ZETA模型已商業(yè)化,廣泛應(yīng)用于美國(guó)、意大利等國(guó)的商業(yè)銀行,取得了巨大的經(jīng)濟(jì)效益[15].這一方法的最大缺陷在于其過(guò)于嚴(yán)格的假定條件,實(shí)際中均有不同程度的違背.

21112　Logit方法

Logit分析與判別分析法的本質(zhì)差異在于前者不要求滿足正態(tài)分布或等方差,其模型采用Logistic函數(shù),

Y=,　Γ=c0+1+eΓ6pciXi

i=1

其中Xi(1ΦiΦp)表示第i個(gè)指標(biāo),ci是第i個(gè)指標(biāo)的系數(shù),Y是一表示企業(yè)財(cái)務(wù)狀況好壞的概率.

由于Logistic回歸不假定任何概率分布,不滿足正態(tài)情況下其判別正確率高于判別分析法的結(jié)果.21113　近鄰法

近鄰法是一種非參數(shù)方法,當(dāng)已知總體表現(xiàn)為顯著非正態(tài)分布時(shí),特別是當(dāng)屬于同一類的樣本在變量空間形成聚類時(shí),近鄰法十分有效.與參數(shù)類方法相比,近鄰法用于對(duì)總體分布施加很少約束的情況,是一種十分靈活的方法.

近鄰法不僅放松了正態(tài)性假定,也避免了傳統(tǒng)技術(shù)對(duì)模型函數(shù)形式設(shè)定的困難.任何一個(gè)樣本到底劃歸哪一類是由其k個(gè)近鄰劃歸類型所確定.任意兩個(gè)樣本之間的距離可定義為d(x,y)=(x-y)Tcov-1(x

.這樣,一個(gè)樣本劃歸為它的k個(gè)近鄰的多數(shù)(即當(dāng)一個(gè)樣本的k個(gè)近-y),其中cov-1是合并協(xié)方差的逆

鄰的大多數(shù)劃歸1類,則該樣本也應(yīng)劃屬1類).

212　分類樹(shù)[12]

80年代末期,有學(xué)者提出一種利用機(jī)器學(xué)習(xí)技術(shù)發(fā)展起來(lái)的符號(hào)方法——分類樹(shù).該方法不象傳統(tǒng)方法那樣通過(guò)判別函數(shù)形成決策規(guī)則來(lái)判別樣本所屬的類型,而是創(chuàng)立了一個(gè)對(duì)原始樣本進(jìn)行最佳分類判

別的分類樹(shù).此前,曾有學(xué)者采用了一種叫做遞歸分割的類似技術(shù)生成判別樹(shù).兩種方法都采用了一種非返回跟蹤的分割方法將樣本集遞歸分割成不相交的子集.它們的差別只是在分割準(zhǔn)則上,分類樹(shù)方法旨在極大化分割子集的熵,而遞歸分割方法則旨在使期望誤判損失達(dá)到最小.

上述四種方法在國(guó)外已有大量應(yīng)用,實(shí)證結(jié)果發(fā)現(xiàn)[12,13]:1)企業(yè)財(cái)務(wù)狀況的評(píng)價(jià)可以看作是一類基于一系列獨(dú)立變量基礎(chǔ)上的分類問(wèn)題;2)企業(yè)財(cái)務(wù)狀況的好壞與財(cái)務(wù)比率的關(guān)系常常是非線性的;3)預(yù)測(cè)變量(財(cái)務(wù)比率)可能是高度相關(guān)的;4)大量實(shí)證結(jié)果表明,許多指標(biāo)不成正態(tài)分布.

因此,傳統(tǒng)的分類方法不能很好地解決這些問(wèn)題.作為研究復(fù)雜性的有力工具,神經(jīng)網(wǎng)絡(luò)技術(shù)近年來(lái)在模式識(shí)別與分類、識(shí)別濾波、自動(dòng)控制、預(yù)測(cè)等方面已展示了其非凡的優(yōu)越性,特別是能處理任意類數(shù)據(jù),這是許多傳統(tǒng)方法所無(wú)法比擬的.通過(guò)不斷學(xué)習(xí),能夠從未知模式的大量的復(fù)雜數(shù)據(jù)中發(fā)現(xiàn)其規(guī)律.神經(jīng)網(wǎng)絡(luò)方法克服了傳統(tǒng)分析過(guò)程的復(fù)雜性及選擇適當(dāng)模型函數(shù)形式的困難,它是一種自然的非線性建模過(guò)程,毋需分清存在何種非線性關(guān)系,給建模與分析帶來(lái)極大的方便.該方法用于企業(yè)財(cái)務(wù)狀況研究時(shí),一方面利用其映射能力,另一方面主要利用其泛化能力,即在經(jīng)過(guò)一定數(shù)量的帶噪聲的樣本的訓(xùn)練之后,網(wǎng)絡(luò)可以抽取樣本所隱含的特征關(guān)系,并對(duì)新情況下的數(shù)據(jù)進(jìn)行內(nèi)插和外推以推斷其屬性.它在分類問(wèn)題中的出現(xiàn),最早是用于對(duì)銀行破產(chǎn)的預(yù)估[16].

針對(duì)這種情況,本文的目的在于,根據(jù)我國(guó)商業(yè)銀行的具體情況,利用人工神經(jīng)網(wǎng)絡(luò)技術(shù),研究我國(guó)商業(yè)銀行的信用風(fēng)險(xiǎn)評(píng)估問(wèn)題.

3　人工神經(jīng)網(wǎng)絡(luò)基本原理

人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork)是由大量簡(jiǎn)單的處理單元廣泛連接組成的復(fù)雜網(wǎng)絡(luò),用于模擬人類大腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和行為.它反映了人腦功能的許多基本特性,但它并不是人腦全部的真實(shí)寫照,而只是對(duì)其作某種簡(jiǎn)化、抽象和模擬[17].

311　前向網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是由按層進(jìn)行組織的神經(jīng)元和連接弧所組成的,這些神經(jīng)元以不同的方式組織起來(lái)形成不同的網(wǎng)絡(luò)結(jié)構(gòu).本文所應(yīng)用的是一種稱為前向網(wǎng)絡(luò)的特殊的網(wǎng)絡(luò)結(jié)構(gòu).

在前向網(wǎng)絡(luò)中有三種神經(jīng)元:輸入神經(jīng)元、輸出神經(jīng)元和隱含神經(jīng)元.輸入神經(jīng)元接收環(huán)境的信息,位于網(wǎng)絡(luò)的最底層;輸出神經(jīng)元把信息傳遞到環(huán)境中去,位于網(wǎng)絡(luò)的最高層;隱含神經(jīng)元不與環(huán)境發(fā)生交互作用,因此是不可見(jiàn)的.其中每個(gè)神經(jīng)元都是一個(gè)簡(jiǎn)單的計(jì)算裝置,其特性由簡(jiǎn)單的數(shù)學(xué)函數(shù)所描述.神經(jīng)元i接收其它神經(jīng)元傳遞來(lái)的輸入信息,根據(jù)和函數(shù)neti進(jìn)行加權(quán)平均,然后根據(jù)傳遞函數(shù)fi產(chǎn)生輸出信息,輸出信息又按照網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)傳遞到下一個(gè)神經(jīng)元.我們應(yīng)用Rumelhart于1986年提出的如下函數(shù):

Ii=6wijxj+

  本文關(guān)鍵詞：基于神經(jīng)網(wǎng)絡(luò)技術(shù)的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估，由筆耕文化傳播整理發(fā)布。