络的商业银行信贷风险识别和评估模型.pdfVIP

第8卷第8期 科 技 和 产 业 v01．8，No．8 8月 and 2008 2008年 ScienceTechnologyIndustry Aug．， 文章编号：1671—1807(2008)08一0080—04 基于Elman神经网络的商业银行信贷 风险识别及评估模型 张子瑛 (辽宁工程技术大学研究生学院，辽宁葫芦岛125105) 摘要：建立了基于E1man神经网络的商业银行信贷风险识别及评估模型，并通过实例验证了模型的准确性和可靠性。 研究过程及结果表明，基于Elman神经网络的商业银行信贷风险识别及评估模型能够很好地反映信贷过程中的非线 性因素，准确地预测出完整的信贷风险评估指标和信用等级之间的映射关系，能快速评估和有效减低商业的信贷风险。 一组实例结果显示该评估模型的准确率接近90％。 关键词：Elman神经网络；信贷风险；商业银行 中图分类号：F830文献标志码：A 商业银行信贷风险主要表现为违约风险，即由于 1 Elman神经网络 贷款人不愿或无能力正常偿还贷款本息从而导致银 行遭受损失的一种可能性，这是不良贷款产生的最直 接原因[1_2]。商业银行对贷款进行风险识别和评估层、隐层、承接层和输出层，如图1所示。 能够及时、准确地发现信贷风险的诱导因素，并能系 统、连续地掌握信贷风险的特征、大小、属性及变动趋 输出层 势，进而可能及时采取行动，使得银行在风险管理中 降低不良贷款的风险和减少损失口-5]。目前欧美商 承接层 业银行在信贷风险识别和评估方面主要采用的度量 模型包括Credit Metrics模型、KMV模型、Credit Portfolio Risk模型和CreditView等H]。在我国推 输入层 行五级分类的国际标准制度，但实际中难以把握贷款 在未来的变动情况，因此受到了极大的限制。因此需 要发展合适的信贷风险识别及评估模型以与我国实 图1 Elman型回归神经网络 际情况相符合。由于信贷风险的复杂性和高度非线 其输入层、隐层、输出层的连接类似于前馈网络， 性，不断有新的非线性风险识别和评估模型出现，例 输入层的单元仅起信号传输作用，输出层单元起线性 如基于专家系统、神经网络、支持向量机等模 加权作用。隐层单元的传递可采用线性或非线性函 数，承接层用来记忆隐层单元前一时刻的输出值。 型L5-111，不同模型需要和不同的应用对象具体情况 相结合，以实现对实际信贷过程风险的最准确化预 E1man神经网络的非线性状态空间表达式为： 测。为此，本文根据Elman神经网络的特点，利用其 y(是)一G(硼3x(忌)) 、 非线性与泛化的能力，建立了一个基于Elman神经 (1) 网络的商业银行信贷风险识别及评估模型，并通过实 x。(忌)：x(愚一1) I 例来验证其有效性。 式中，y，X，U，X。分别表示m维输出结点向量， 咒维中间层结点单元向量，r维输入向量和