基于两类信用风险评估方法比较及启示.docVIP

基于两类信用风险评估方法比较及启示【摘要】本文首先对信用风险作了简要的阐述，指出信用风险评估的重要性；然后提出两类信用风险评估方法，通过对两类方法介绍、比较和存在问题的探讨，得出了其不足；最后，基于前述两类方法的分析指出我国信用风险评估目前存在的问题和不足并对此提出了若干建议。 【关键词】信用风险评估 判别分析 Logit模型 BP人工神经网络模型 一、引言 银行在现代经济体系中发挥着非常重要的作用，尤其是在创造货币存款、实现金融政策效率、社会投资实现等方面都起到了举足轻重的核心作用。信用风险评估是银行信用风险管理的关键环节，关系到银行自身的生存和经济社会的稳定和繁荣，世界上所有国家都非常重视对银行信用风险的监管和评估，特别是发达国家更是对此关注度极高。我国商业银行和金融市场仍处在转轨和新兴发展阶段，信用风险管理方法和技术比较落后，因此加快我国信用风险评估方法研究显得尤为必要和迫切。 信用风险评估方法的研究可以追溯到上世纪30年代，大致经历了比例分析、统计分析和人工智能三个阶段。本文试图通过阐述统计模型和人工智能模型中的典型代表来分别阐述其实现条件和过程，分析各种方法的不足，并对我国银行信用风险评价方法给出评价和建议。 二、两类银行信用风险评估方法介绍 （一）传统统计方法概述 传统的统计分析方法主要是基于多元统计分析方法，其基本思路是根据已经掌握的历史上每个类别的若干样本，从中分析出分类的规律，建立判别公式，用于新样本的分类，典型的代表有多元判别分析（MDA）和Logit模型分析。 1.多元判别分析（MDA）。数理统计理论中判别分析模型主要有三类，分别是距离判别法、Bayes判别分析法、Fisher判别分析法；在三种判别分析方法中，距离判别法是根据个体到总体间的距离进行判别；Bayes判别是在已知总体分布的条件下求得平均误判概率最小的分类判别函数；Fisher判别是在未知总体分布函数的条件下，根据Fisher准则得到的最优线性判别函数，Fisher准则的基本思想就是利用一元方差分析思想，导出线性判别函数。 2.Logistic模型的提出。由于多元判别分析模型（MDA）在应用的过程中要求有正态分布的假定，而在现实经济生活中常无法满足，所以当涉及到一些样本数据不同分布于正态分布时，应用MDA模型所得到的研究结果缺乏可信度，从而探索非同分布的方法就十分必要，其中最常见的一种方法就是应用Logistic模型，Logit分析与MDA分析最本质的差异就在于Logit分析不需要样本满足正态分布或同方差，其判别正确率高于判别分析结果。Logit模型采用logistic函数，函数形式如下： Y=,η=с0+cixi； 其中xi（1≤i≤p）表示第i个指标，ci是第i个指标的系数，Y是因变量，因为Y∈（0,1），所以Y也可以理解为属于某一类的概率。 由于logit分析无需假定任何的概率分布，所以就不需要类似于判别分析那样先进行检验而是可以直接应用样本数据计算，以得到logit模型。 （二）人工智能模型（AI）概述 1.人工神经网络及BP神经网络概述。人工神经网络是一种具有模式识别能力的计算机制，它具有自组织、自适应和自学习三大特点，它的编码可以用于整个的权值网络，不仅可以呈现分布式存储，而且具有相当大的容错能力。在人工神经网络中，下面提到的BP神经网络技术是算法最成熟且应用最广泛的一种。 2.BP神经网络的基本原理和算法。第一，BP神经网络的基本原理。 BP神经网络属于前向三层即前馈式神经网络的一种典型分支代表，主要是由以下三个部分组成即输入层、隐含层和输出层组成。 第二，BP神经网络的基本算法。 BP学习算法的基本思想是通过由输入层输入的信息，传导至隐层分析后再由输出层输出，如果输出层的结果未达到期望值要求则计算每个神经元的误差值并且将这些误差值重新反向传递到隐层的神经元，根据误差值调整各个神经元的连接权值，直到误差值达到了期望值的要求。 BP神经网络技术一般运用传递函数来反映下层的输入对上层节点的刺激脉冲强度，因此传递函数又称为刺激函数，通常情况下取（0，1）内连续取值Sigmoid函数。 Sigmoid函数函数可以表示为： 该函数可以用于计算和反映出实际的计算输出与期望输出间的误差大小。 三、两类方法存在问题的分析 （一）统计分析方法存在的问题 传统统计分析模型是以历史数据作为分析和建立模型的基础，这些数据仅以会计账面价值为原始来源，没有将银行贷款者的非财务因素纳入模型当中，并且这些会计账面数据属于离散和非连续性的数据类型，因此很难捕捉到这些银行贷款者信用状况细微和快速的变化，无法对贷款者的信用状况