基于支持向量回归的商业银行信贷风险评估.pdfVIP

中国运筹学会第八届学术交流会论文集 广东深圳．2006年6月30同一7月2日 ORSC．第442-448页 版权所有@2006 基于支持向量回归的商业银行信贷风险评估木 汤俊t1 肖健华1，2 吴今培1 1五邑大学智能技术与系统研究所，广东江门529020 2北京航空航天大学经济管理学院，北京100083 摘要作为一种有效的金融监管方式，商业银行信贷风险评估足银行监管体系的重要组成部分。针对商、毗 银行的行、lp特点以及其中存在的信贷风险问题，本文指出：反映商业银行经营状况的各种指标数据存在高 度的非线性、不确定性和不精确性，并由此导致现有的信贷风险评估模型难以胜任。为此，结合人工智能 Vector 的最新研究成果，建立基于支持向量回归(Support 型。实证研究表明，该方法取得的结果是可以接受的。 关键词 支持向量回归；信贷风险；商业银行；核函数 1 引言 近年来，随着金融的全球化趋势及金融市场的波动性加剧，商业银行的风险管理一直 是国际国内金融界关注的焦点。商业银行作为国民经济的“总枢纽”和金融信贷中心，发挥 着融通资金、引导资产流向和调节社会供需平衡等诸多不可替代的作用。然而，商业银行 在营运过程中无时无刻不面临着各种金融风险，其中信贷风险占有特殊的重要地位。世界 银行对全球银行业危机的研究表明，导致银行破产的最常见原因就是信贷风险【1】。 信贷风险是指信贷资金安全系数的不确定性，表现为借款人由于种种原因，不愿或无 力偿还银行贷款本息，使银行贷款无法收回，形成呆帐损失的可能性【2】。信贷风险评估是商 业银行信用风险管理中一项重要工作，其目的在于分析、度量银行在贷款业务中可能面临 的信用风险大小，从而为贷款决策提供依据。 现有的信贷风险评估模型可归纳为两大类：传统的统计模型和人工智能模型【31。传统 的统计模型主要是基于多元统计分析方法，这种方法往往需要严格的前提条件，如多元判 别模型要求样本数据服从正态分布和等协方差，然而商业银行系统是一个高度复杂的、开 放的社会经济子系统，其中的数据存在高度的非线形、不确定性和不精确性，这些前提条 件难以得到满足。 本文借助参考文献【4]提供的样本数据，运用人工智能的最新研究成果——支持向量回 归【5】，对商业银行信贷风险评估进行研究。 ‘本史的作者得到中国I肆士后科学艇金(#2005038042)的支持． ’通讯作者．电子邮件；tangjun0920@126．tom 基于支持向量回归的商业银行信贷风险评估443 2 支持向量回归(SVR)原理及算法 2．1 SVR原理 在统计学中，多元线性回归理论存在两个不足：一是，它首先假设样本的输出与输入 存在线性关系，在实际中这一假设并不总是成立。其次是，包括它的多种变形在内的回归 方法处理非线性的能力较弱。 Vector 支持向最回归(Support 论【6，8】和支持向量机【7，8】的研究成果提出的一种新型非线性多元回归方法。与常规的回归方 法相比，支持向量回归模型具有两方面的优势：采用结构风险最小化作为优化目标，提高 了¨归函数的泛化能力；引入了核方法，实现了低维数据空间与高维特征空间的非线性映 射，提高了回归函数的非线性数据处理能力19】。 2．2 SVR算法 标就是求回归函数 ／(x)=(W·X)十b (1) 风险即样本损失函数 工(置)=g(Yi一，(咒)) (2) 的累积R…，(．厂)最小化，如最小二乘法，所求的(彬6)应满足 min (3) R。mp(f)=∑(玑一，(五))2 i=1 然而，统计学习理论指出，经验风险最小并不能保证期望风险最小。在结构风险最小 化的优化