基于支持向量机的商业银行信用风险评估.docVIP

基于支持向量机的商业银行信用风险评估 　　【摘 要】随着对银行利率市场化呼声的不断加强，商业银行自身信用风险问题日益突出。在更加激烈的竞争环境下，我国商业银行尤其是国有银行必将逐渐失去其原有的垄断地位，面临更大的信用风险。而目前，我国商业银行仍存在信用风险管理体系不健全、信用风险评估方法落后等隐患，因此对信用风险进行科学评估成为我国商业银行信用风险管理的关键。针对这一问题，本文遵循《新巴塞尔资本协议》的核心思想，引入支持向量机（Support Vector Machine，SVM）和BP（Back Propagation）神经网络，构建了一套商业银行信用风险评估模型。 　　【关键词】支持向量机；信用风险；ν-SVR；BP神经网络；贷款违约 　　1.引言 　　信用风险自古有之，是整个金融界所一直关注的热点问题之一。随着经济一体化和金融全球化步伐的加快，商业银行正处在一个更加复杂的金融环境当中。在这样的背景下，商业银行的风险逐渐由单一化演变为多元化，其经营管理中所面临的风险也必然随之增加。这些风险可以归结为信用风险、操作风险、市场风险等。这其中，最为重要的风险就是信用风险。广义的信用风险主要包括信贷风险和流动性风险等。信贷风险是指银行承担借款方可能违约而导致贷款无法收回的风险；而流动性风险是指银行自有资金不足，从而可能无法满足其存款人或其他债权人的资金索取而导致违约的风险，属于银行自身的信用风险。 　　基于《新巴塞尔资本协议》中提出的对资本充足率的要求，监管机构对于银行自身信用风险的控制进一步得到强化，银行管理者对于信用风险的防范意识也在逐步增强。改革开放以来，我国商业银行信用风险的内部监管制度正逐步建立。然而，由于金融体系建立较晚，我国金融市场的完善程度相对于发达国家来说仍处于落后地位。 　　目前，国家加快了发展市场经济的步伐，随着温家宝总理在2011年4月份的国务院常务会议中提出深化金融体制改革以来，打破国有商业银行垄断、推进利率市场化已经摆上了历史日程。利率市场化将逐步打破我国商业银行在融资体系中的垄断地位，使得商业银行将面临更大的竞争压力，承受更多的信用风险。 　　因此，鉴于日益突出的商业银行自身信用风险问题，建立一套有效合理的信用风险评价模型，对其进行科学评估已经成为信用风险管理的核心。然而，目前我国商业银行信用风险管理现状却令人担忧，表现在信用风险管理体系不健全、信用风险评估模型方法落后等。这就迫切需要为我国商业银行信用风险分析研究提供思路，构建一套符合我国商业银行客观需要的信用风险评估指标体系，建立可以准确衡量信用风险的模型，以用来填补我国商业银行在信用风险管理上的不足。 　　目前，国际上最具影响力的信用风险模型主要有KMV公司的KMV模型、J.P摩根公司的Credit Metrics模型以及麦肯锡公司的Credit Portfolio View模型。这些模型在国外的商业银行中已经得到了广泛应用，并且取得了较好的风险预测效果。然而，由于我国上市商业银行样本数量偏少以及反映信用状况的相关有效数据缺失等原因，导致这些模型无法在我国商业银行信用风险评估领域得到有效的应用[1]。 　　因此，针对我国上市商业银行信用风险的以上特点，本文将尝试引入支持向量机这种小样本学习算法，通过对银行关键信贷财务指标的研究，以期建立一套可以对我国商业银行自身信用风险状况进行评估的模型。模型以银行总体的贷款违约率作为评估商业银行信用风险状况的指标，采用支持向量回归机中较为前沿的分支模型 ，对样本数据进行训练，并与经典支持向量回归机模型和BP神经网络模型进行对比，研究各个模型在风险预测分析方面的表现。同时，对我国商业银行未来的贷款违约率进行预测，以此作为评估其信用风险大小的标准，对所有银行的风险进行排序。最后根据分析结果对银行的信用风险管理提出意见和建议，以期对我国商业银行风险管理提供参考。 　　2.研究内容及研究方法 　　2.1 研究内容 　　以商业银行信贷风险度量及管理的基本理论为基础[2]，本文将尝试引入统计学习理论中的支持向量机模型，通过对银行关键信贷财务指标进行研究，以期建立一套可以对我国商业银行自身信用风险状况进行评估的模型。同时，本文将对支持向量机不同的分支模型和其他的系统学习算法进行对比，检验不同模型在风险评估中的准确性以及对风险的可预测性，以此研究各个模型在风险预测分析方面的表现。得出在风险评估预测方面最优模型之后，本文利用训练效果最好的模型，对我国商业银行未来的贷款违约率进行预测，以此作为评估其信用风险大小的标准，对所有银行的风险进行排序。最后根据分析结果对银行的信用风险管理提出意见和建议，以期对我国商业银行风险管理提供参考。 　　2.2 研究方法 　　结合《新巴塞尔协议》的内容和目前我国上市商业银