授信风险限额人工神经网络模型检验.docVIP

授信风险限额的人工神经网络模型检验 沈利生1 王 恒2 （1.华侨大学数量经济与技术经济研究所、中国社会科学院 数量经济与技术经济研究所；2.华侨大学商学院） 【摘要】 本文利用人工神经网络模型检验银行的授信风险限额，藉以总结既有授信限额数据中的内含规律，以便银行提高授信工作水平，降低经营风险。文中同时给出了线性经济计量模型的检验结果。通过两种模型检验结果的比较，得出了若干意味深长、富有启发性的结论。 关键词 授信风险限额 人工神经网络 模型检验 中图分类号 F224.0 文献标识码 A Test Credit-Committing Limitation Using Artificial Neural Network Model Abstract：This paper makes use of artificial neural network model to test banks’ credit-committing limitation so that summarizing underlying rules in current credit- committing data and helping to improve banks’ credit-committing business and reduce business risk. This paper also presents the test result made by linear econometric model. By comparing different test results made by two kinds of models, this paper presents some significant conclusions. Key Words: Credit-Committing Limitation；Artificial Neural Network；Model Test 引 言 长期以来，无论是在理论研究中还是在实际应用中，有关商业银行的信用风险管理大多集中在企业信用风险评估以及风险控制方面，而对于授信风险限额的确定，主要依赖于管理者的经验积累，以定性分析为主，定量研究则在现有的文献当中至为罕见。有鉴于此，本文尝试利用人工神经网络模型，检验银行的授信风险限额，以便为银行制定正确的授信风险限额或修正既有的风险限额提供参考意见，以提高银行的授信工作水平，降低经营风险。 人工神经网络（Artificial Neural Network，ANN）模型应用于经济方面的研究，已有许多例子。例如在经济预测方面有：王维、贺京同等（2000）运用人工神经网络方法，以天津市特定时间段工业总产值为样本，进行宏观经济模拟预测分析，并将预测结果与建立在协整理论基础上的误差修正模型的预测结果进行了比较。孙冰（2003）运用人工神经网络方法，以我国1992~2000年的工业总产值增加值数据作为人工神经网络学习段样本，以2001年的数据作为网络检验段样本，进行宏观经济模拟预测分析，并与工业总产值的多项式回归模型的预测值进行比较。欧邦才（2004）利用人工神经网络拟合1989~2001年的中国国内生产总值，其输入变量为：全社会固定资产投资、社会研究与开发（RD）费用、从业人员（在本例中用人口数量来代替）和全社会能源生产总量等4个变量。模型输出的误差仅为0.00%~0.75%，拟合程度非常高。 人工神经网络模型应用于银行管理方面，也已有若干探讨。如郝丽萍等（2001）对人工神经网络及其应用于信贷风险分析的可行性进行了论述，着重对构建商业银行信贷风险分析的人工神经网络模型进行了深入细致的研究。马兰芳等（2002）探讨了人工神经网络在商业银行经营风险监测预警系统中的应用，旨在为监测预警提供更为科学可靠的理论依据。章忠志等（2003）对构建商业银行信用风险的人工神经网络模型进行了研究，实证结果表明，人工神经网模型具有很高的预测精度。吴冲等（2004）在确立了商业银行信用风险评价指标体系的基础上，建立了基于模糊神经网络的商业银行信用风险评估模型。目前尚未看到在研究授信风险限额方面的应用。 本文根据某国有商业银行的某分行有关制造业企业的真实数据，包括财务数据和银行授信风险限额数据，利用人工神经网络模型进行检验，通过总结银行实际授信过程的经验，从中发现与多数客户的授信规律有所不同的异常客户，便于有针对性地做好授信工作，降低银行授信风险。本文还同时列出了相关经济计量模型的估计结果，以与人工神经网络的模拟结果进行比较。比较结果意味深长，给人以启迪。 一、人工神经网络简介 人工神经网络的结构和工作原理是基于模仿人脑组织结构（大脑神经元网络）