基于粗糙集神经网络商业银行信贷风险研究.pdfVIP

基于粗糙集神经网络的商业银行信贷风险研究 王吉培，张志伟 西南财经大学数量经济学，四川成都（610074 ） E-mail ：wangjip_526@163.com 摘 要: 本文在对信贷风险的涵义和特点进行分析的基础上提出了一种基于粗糙集BP神经 网络预测方法。该方法克服了单纯的BP神经网络方法因为数据量太大、处理速度慢、解释 能力差等缺点。结果表明，与传统的logistic回归模型相比，粗糙集一神经网络系统对检验样 本预测精度更高，是一种更为有效和实用的分类方法。 关键词：粗糙集；BP神经网络；信用风险；logistic 中图分类号: F224 1. 引言 信贷风险是商业银行面临的主要风险。商业银行作为现代金融体系的主体部分，其信贷 风险管理水平将对国家经济安全产生直接的影响。目前，我国对信贷风险的管理与量化研究 尚处在起步阶段，在理论上尚有许多问题值得探讨。 从国内外信用风险模型的应用来看，主要流行实用的方法要数多元判别模型、Logistic 回归模型和神经网络模型。多元判别模型典型的代表有Altman 的Z-Score 模型和ZETA 模 型对制造业违约与非违约临界值的确定[1]，王春峰，万海晖，张维等人（1998）应用多元线 性判别模型对某国有商业银行的企业客户短期贷款的偿还情况的分类分析[2] ；Logistic 回归 模型方面，Ohlson 首先将Logistic 回归模型LR 应用于信用风险评估领域[3]，于立勇、詹捷 [4]采用 Logit 向前逐步判别法对 51 个企业贷款训练样本的分析表明该方法预测 辉（2004 ） 准确率较高，是个较为理想的判别分析工具。此外神经网络作为人工智能的一种分类方法， [5] 也应用信用风险评估的领域，Chen and Huang （2003 ） 实证认为神经网络相对优越于线性 [6]通过对美国和台湾银行信贷数据对信用评级分析 判别分析法。Huang andHsnchun （2004 ） 发现，采用神经网络对信用等级的预测准确率达到 80% ，但对不同地区的样本，变量会不 同。王春峰等人[7]对统计方法（MDA ）、神经网络与两者结合的组合预测方法也信用风险 判别结果的比较。 信用风险受多种因素影响，单纯的线性模型难以实现准确分类，人工神经网络技术具有 高度的非线性，能够进行复杂的逻辑操作和实现复杂的非线性关系，但是输入维数的确定及 解释能力上还有诸多不足，粗糙集是对离散变量进行处理，具有属性约简的能力，但在定量 分析方面存在缺憾。本文利用粗糙集理论对神经网络的输入进行预处理，利用知识约简的方 法对财务指标进行重要度的提取，消除冗余信息，不仅降低了神经网络的输入维数,缩减了 网络训练时间，而且还增加了模型的解释能力。最后在该网络结构下检验样本对该模型进行 预测能力检验，基于粗糙集神经网络的信贷风险分析，无疑为信贷管理模型化提供了一种新 的思路。 2. 粗糙集理论-BP 神经网络 2.1 粗糙集 2.1.1 知识表达系统 粗糙集理论的要点是将知识与分类联系在一起。知识被认为是一种对对象进行分类的能 力，对象用其属性集合表示，分类用来产生概念，概念构成知识的模块，知识是由对象论域 的分类模块组成的，它提供关于现实的明显的事实，同时也具有明显事实推导出模糊事实的 - 1 - 推理能力。一个知识表达系统定义为： S 〈U, C, D , V, f 〉 （1） 该式中，U 是对象的集合，C ∪D R 是属性集合（等价关系集合），子集C 和D 分 别称为条件属性和结果属性，V ∪ V 是属性集的集合，V 表示了属性a ∈A 的范围，