神马文学网人工神经元网络：银行信贷风险管理显神威
来源：百度文库 编辑：神马文学网 时间：2024/05/03 03:54:53
在银行信贷风险管理中，对贷款按风险进行科学分类非常重要。目前，各商业银行均按照银监会要求实施贷款五级分类制度。一个最基本的分类方法是贷款分类矩阵法。该方法比较简单，但缺乏准确性。因此，需要更加科学先进的方法对贷款进行分类。比较经典的贷款分类模型是判别分析模型，但该方法要求非常苛刻，适用条件在实际中很难被满足。人工神经元网络模型是最近发展起来的一种数学模型。它能用来进行模式识别，因此可用于对贷款进行分类，对数据有较强的适应性。
结合银行实际情况，我们对各贷款分类模型进行了实证研究。研究发现，判别分析模型的方法的分类正确率为55.6%，人工神经网络为75.0%;判别分析模型的方法组内正确率和组外正确率分别为50.8%和49.9%，人工神经元网络分别为56.9%和51.2%。可见，采用人工神经网络模型对贷款进行分类具有较高的正确率。
人工神经元网络模型的优势
人工神经元网络模型对解释变量要求比较宽松。线性判别分析模型要求解释变量均是连续的，且满足正态分布，这在商业银行的实践中很难被满足。由于数据质量、数据数量等方面的原因，许多财务比率和变量被证明不符合正态分布。虽然在这种情况下线性判别分析模型表现也不会太差，但却违背了线性判别分析的理论基础。而人工神经元网络模型对解释变量的分布并没有要求，因此在实践中比线性判别分析模型有更强的适应性。
人工神经元网络模型可以通过非线性转换函数进行非线性建模。也就是说能够在解释变量和因变量之间建立一种非线性关系。这是线性判别分析模型所不能解决的。例如，在商业银行内部评级系统中，违约概率模型就是一个非线性模型。该模型的因变量是客户是否违约，解释变量是客户的财务比率和信贷状况等。在这种情况下，线性判别分析模型的预测准确率比较低，而采用人工神经元网络模型将会非常合适。国际评级公司标准普尔采用人工神经网络模型对客户进行信用评级，取得了不错的效果。
人工神经元网络模型具有非常强的适应性。人工神经元网络不是完全根据问题的经验知识和规则，而是根据数据，通过学习算法训练模型，找出解释变量和因变量之间的内在联系，因此具有非常强的适应能力。这对于弱化权重确定中的人为因素是非常有益的。
人工神经元网络模型能够有效处理有噪声或者不完全的数据，具有很强的容错能力，这是其他数理统计模型所不能比拟的。由于历史原因，我国商业银行的数据质量均不是很高，数据中包含有许多噪声，并且很多信息都是不完整的。在这种情况下，人工神经元网络模型将会表现出很高的优越性。
人工神经元网络的应用前景
人工神经元网络模型可以应用于商业银行内部评级违约概率预测中，精确度量客户的信用风险。CASA(适应系统应用中心)开发了一种用于违约预测的神经网络模型。该模型采用1985-1995年间的数据作为训练样本，把财务比率、股票价格和BARRA因素(证券收益的基本驱动因素)作为神经网络的输入。该模型与线性判别分析相比，分类错误均值效果非常好。
人工神经元网络模型可以用来建立自动化五级分类系统，为商业银行节省大量的成本。目前各商业银行每年都要开展一次贷款五级分类工作，由于合同数目非常多，大量的分类文件使分类人员忙于应付，造成分类的效率和质量难以保证。为了提高贷款分类的效率和质量，各银行应当尽快开发自动化贷款分类系统。银行可以根据专家经验和变量选择技术，挖掘出和贷款质量相关的解释变量，以此为基础构建人工神经元网络模型。
人工神经元网络技术还可以用来建立客户财务反欺诈模型。目前国内各商业银行数据质量不是很高的一个重要的原因，就是在银行数据仓库中存在许多被粉饰过的财务数据。这些数据如果在数据清洗过程中没有被剔除，而作为建模样本，则会大大降低模型的预测效果。因此商业银行有必要把这些欺诈样本归类，建立财务欺诈数据库，在此基础上建立财务反欺诈模型，用以预测客户财务数据的欺诈概率。而人工神经元网络技术，很适合于建立财务反欺诈模型。
结合银行实际情况，我们对各贷款分类模型进行了实证研究。研究发现，判别分析模型的方法的分类正确率为55.6%，人工神经网络为75.0%;判别分析模型的方法组内正确率和组外正确率分别为50.8%和49.9%，人工神经元网络分别为56.9%和51.2%。可见，采用人工神经网络模型对贷款进行分类具有较高的正确率。
人工神经元网络模型的优势
人工神经元网络模型对解释变量要求比较宽松。线性判别分析模型要求解释变量均是连续的，且满足正态分布，这在商业银行的实践中很难被满足。由于数据质量、数据数量等方面的原因，许多财务比率和变量被证明不符合正态分布。虽然在这种情况下线性判别分析模型表现也不会太差，但却违背了线性判别分析的理论基础。而人工神经元网络模型对解释变量的分布并没有要求，因此在实践中比线性判别分析模型有更强的适应性。
人工神经元网络模型可以通过非线性转换函数进行非线性建模。也就是说能够在解释变量和因变量之间建立一种非线性关系。这是线性判别分析模型所不能解决的。例如，在商业银行内部评级系统中，违约概率模型就是一个非线性模型。该模型的因变量是客户是否违约，解释变量是客户的财务比率和信贷状况等。在这种情况下，线性判别分析模型的预测准确率比较低，而采用人工神经元网络模型将会非常合适。国际评级公司标准普尔采用人工神经网络模型对客户进行信用评级，取得了不错的效果。
人工神经元网络模型具有非常强的适应性。人工神经元网络不是完全根据问题的经验知识和规则，而是根据数据，通过学习算法训练模型，找出解释变量和因变量之间的内在联系，因此具有非常强的适应能力。这对于弱化权重确定中的人为因素是非常有益的。
人工神经元网络模型能够有效处理有噪声或者不完全的数据，具有很强的容错能力，这是其他数理统计模型所不能比拟的。由于历史原因，我国商业银行的数据质量均不是很高，数据中包含有许多噪声，并且很多信息都是不完整的。在这种情况下，人工神经元网络模型将会表现出很高的优越性。
人工神经元网络的应用前景
人工神经元网络模型可以应用于商业银行内部评级违约概率预测中，精确度量客户的信用风险。CASA(适应系统应用中心)开发了一种用于违约预测的神经网络模型。该模型采用1985-1995年间的数据作为训练样本，把财务比率、股票价格和BARRA因素(证券收益的基本驱动因素)作为神经网络的输入。该模型与线性判别分析相比，分类错误均值效果非常好。
人工神经元网络模型可以用来建立自动化五级分类系统，为商业银行节省大量的成本。目前各商业银行每年都要开展一次贷款五级分类工作，由于合同数目非常多，大量的分类文件使分类人员忙于应付，造成分类的效率和质量难以保证。为了提高贷款分类的效率和质量，各银行应当尽快开发自动化贷款分类系统。银行可以根据专家经验和变量选择技术，挖掘出和贷款质量相关的解释变量，以此为基础构建人工神经元网络模型。
人工神经元网络技术还可以用来建立客户财务反欺诈模型。目前国内各商业银行数据质量不是很高的一个重要的原因，就是在银行数据仓库中存在许多被粉饰过的财务数据。这些数据如果在数据清洗过程中没有被剔除，而作为建模样本，则会大大降低模型的预测效果。因此商业银行有必要把这些欺诈样本归类，建立财务欺诈数据库，在此基础上建立财务反欺诈模型，用以预测客户财务数据的欺诈概率。而人工神经元网络技术，很适合于建立财务反欺诈模型。