ANNS在操作风险度量中的运用.docVIP

西南财经大学天府学院 风险管理论文 题 目：基于ANNs的商业银行操作风险度量模型的实证研究 姓 名：徐雅京 学 号 班 级：2008级本科16班 指导教师：潘晓萍 2011年6月9日星期四 目录 一、引言 4 二、基于人工神经网络的风险度量原理 4 三、神经网络法度量模型的设计 5 (一)度量模型的网络结构 5 （二）函数设定 5 四、工具开发 6 五、样本选取说明 7 六、数据导入与实证分析 8 七、结论 9 参考文献 9 摘要： 随着我国金融业的发展，特别是在金融危机和巴塞尔协议3颁布后，各商业银行对有效度量自身操作风险的要求越来越高，但目前已有的3种基本度量方法，及2种高级衡量法都不足以满足这一要求。因为，一方面，操作风险损失数据普遍缺乏；另一方面，实际中数据呈现出高度非线性关系，而传统度量方法难以克服这一问题。所以，在人类神经网络的工作原理的启示下，受益于近几年人工神经网络技术的蓬勃发展，本文将BP神经网络技术运用于商业银行的操作风险度量当中，并对国内招商银行、民生银行等5家股份制商业银行做了实证研究。 许多研究已表明神经网络模型能够避开操作风险度量所需要的大量损失数据，不仅有一定的实用价值，而且还有很强的可操作性，是一种有效的新度量方法。为我国商业银行操作风险的度量走向实用化和简单化奠定了基础。 关键词：操作风险、人工神经网络ANNs、股份制商业银行、资本金一、引言 对操作风险的度量是商业银行管理操作风险的核心内容，对操作风险的度量是否合理、科学、准确决定着银行管理操作风险的水平。目前衡量的主要方法有： 1．基本指标法(basic indicator approach) 2．标准法(standardized approach) 3．高级计量法(advanced measurement ap—proaches，AMA) 各方法目前的使用情况如图所示： 工具 方法 风险与控制评估 关键风险指标 情景分析 其他 基本指标法 93% 86% 21% 21% 标准法 100% 92% 23% 23% 高级计量法 100% 71% 86% 14% 表1 亚太地区银行操作风险管理工具使用情况 资料来源：KPMG 2009 * 注： 其他方法包括，损失搜集，风险映射/设置，关键的操作风险控制；极端事件的情景模拟分析；内部和外部损失数据的运用；缺口分析。 对于我国商业银行来说，现有的操作风险度量方法在实际应用上还存在着很大的限制性。如标准法建立在将将所有业务分为8类产品线的基础上，存在重复计量问题，并没有考虑各项损失之间相关性；而高级计量法不仅要求提供与监管条列中范围、类型一致的操作风险分类数据，还要克服相关性估计不准确的问题。所以，上述方法的不足集中表现在无法克服操作风险损失数据缺乏和无法处理银行各业务间的非线性相关性问题方面。现实中，银行各业务各部门间不是多条平行线状得关系，而是相互交织的网状关系，而且商业银行在缓释信用风险和市场风险过程中，也有可能带来操作风险。因此目前我国商业银行选择操作风险度量方法的一个主要出发点应该是：度量方法可以在操作损失数据不足的情况下对操作风险进行度量。 鉴于此，本文将人工神经网络技术应用于我国商业银行操作风险的度量。神经网络是一种对数据分布无任何要求的非线性技术，突破了传统度量方法过于依赖风险损失数据、难以处理高度非线性系统、不具备时变特性、缺乏动态学习能力的局限。人工神经网络在商业银行操作风险度量中的应用，解决了传统度量方法难以处理高度非线性模型的问题，为我国商业银行操作风险的度量走向实用化和简单化奠定了基础。 二、基于人工神经网络的风险度量原理 人工神经网络(Artificial Neural Network，ANN)是由大量简单的基本元件——神经元相互联结，模拟人的大脑神经处理信息的方式，进行信息并行处理和非线性转换的复杂网络系统。人工神经网络处理信息是通过信息样本对神经网络的训练，使其具有人的大脑的记忆、辨识能力，完成各种信息处理功能。 ANN的三要素是信息的流动方向、网络的拓扑结构和学习方式。根据信息流向和网络的拓扑结构，可以将ANN模型分为前向网络和反向网络两大类。前向网络的神经元分层排列，各神经元接受前一层输入并输出到下一层，每一层的神经元之间没有信息交流。前向网络包括感知机(Perceptron)和多层前向神经网绛(Muhiplayer Feedforward Neural Net·works，MFNN)两种基本形式。多层前向神经网绛由一个输入层、若干个隐含层、一个输出层组成，它可以用来解决非线性分类问题。 三、神经网