基于灰SOM的商业银行非现场监管聚类方法.pdfVIP

基于灰 SOM 的商业银行非现场监管聚类方法1 米传民，刘思峰，党耀国，方志耕 南京航空航天大学经济与管理学院，江苏 南京，210016 michuanmin@163.com 中文摘要：商业银行非现场监管是西方发达国家银行监管的重要形式，具有监管自动化 程度高和监管成本低的特点，并且可以有效地进行连续监管。本文考虑了自组织特征映射网 络（SOM ）中输入向量和权值为区间灰数的情况，对区间灰数进行了规范化处理，定义了 区间灰数序列的距离，构建了能够较好处理不确定性问题的基于区间灰数欧几里德距离的灰 色自组织特征映射（GSOM ）神经网络，并应用于商业银行非现场监管中的智能聚类进行 实证研究，结果表明具有易于编程实现，抗干扰能力强，聚类精度高的特点。 关键词：SOM；人工神经网络；银行监管；灰色欧几里德距离 1.引言 商业银行监管是指监管当局以保障国家政治经济利益为目的, 从现场监管与非现场监 管两方面识别、规避和防范商业银行经营风险, 引导商业银行建立有效的内控机制, 维护银 行业的安全与稳健。在监管形式上主要采取非现场监管与现场监管相结合的形式，非现场监 管是西方发达国家银行监管的重要方式。所谓非现场监管, 是指监管当局通过要求商业银行 定期或临时报送有关业务和财务报表等统计资料和信息, 连续收集与分析商业银行的各种 数据和比例指标来分析、评价、监督一家商业银行的现状及其发展趋势, 判断其业务经营是 否稳健与安全, 是商业银行管理早期预警分析的手段[1] 。传统的非现场监管方法主要采用统 计、对比的方法，通过对相关指标数据的统计、对比，分析其风险状况。但是金融系统是一 个复杂系统，并且在实际监管过程中，往往面临着数据不完整以及存在一些难以准确量化的 指标问题，这限制了传统非现场监管方法的应用。 随着智能模式识别理论，如案例推理、不精确推理、模糊逻辑以及人工神经网络的发展， 非现场监管日益呈现智能化的趋势特点[2] 。神经网络由于具有学习能力，并且可以处理非线 性问题，在许多领域得到了广泛应用[3-5]，如熊熊等将自组织特征映射(Self-organizing Feature [6] Map ，简称 SOM)神经网络应用于银行监管中的聚类问题 。但是在银行监管中，存在着许 多不确定性。尤其在中国，商业银行改革时间较短，非现场监管的数据样本量较少，且不规 范，难以用传统的统计分析等方法处理。而灰色系统理论适合于“部分信息已知、部分信息 未知”的“小样本、贫信息”不确定性问题[7, 8] 。陈松灿等综合灰色关联度和 SOM 建立了 G2SOM 模型[9,10],李立辉通过灰色系统中的数据预处理方法来进行 SOM 网络的数据预处理 1项目资助：国家教育部博士学科点科研基金项目（20020287001 ），江苏省自然科学基金重点项目 （BK2003211 ）。 米传民（1976.12－），男，汉族，山东人，博士生，主要研究方向：灰色系统理论；金融系统工程等。 - 1 - [11,12]，取得了良好的效果。本文根据区间灰数的性质，定义了区间灰数的距离，构建了能够 较好处理不确定问题的灰色 SOM （GSOM ）模型。最后应用于商业银行非现场监管中进行 了实证研究，结果表明具有效果好、易于编程实现的特点。 2 ．传统SOM神经网络模型 1981年，芬兰赫尔辛基大学神经网络专家科霍南(T. Kohonen) 提出了SOM神经网络模 型[13] 。这种网络模拟大脑神经系统自组织特征映射的功能，一个神经网络接受外界输入模 式时，将分为不同区域，各区域分别对不同的输入模式有着不同的响应特征。这一过程自动 完成。从本质上看，SOM网络是一种无教师的聚类方法。 输出层