公司违约概率模型及其在商业银行中应用.docVIP

公司违约概率模型及其在商业银行中应用 　　摘 要:当前我国许多大型商业银行的公司违约概率模型采用了传统的多元统计模型的形式,而传统的多元统计模型具有一定局限性,在国内外违约概率模型研究与应用都已获得较大发展的背景下,我国商业银行的违约概率模型更加需要进行相应的分析与改进。本文对国内外违约概率模型的形式与应用进行了梳理与比较分析,以期为国内银行改进违约概率模型提供参考。 　　关键词:违约概率模型; 商业银行; 应用 　　中图分类号:F830文献标识码:A文章编号:1007-4392(2010)04-0014-04 　　 　　一、 引言 　　作为信用风险计量的重要组成部分,违约概率模型一直是理论界和金融界的研究热点。自二十世纪八十年代以来,出现了许多优秀研究成果,如传统的多元统计分析模型、基于计算机技术的机器学习类模型、以盯市模型为代表的新兴信用风险计量模型等。这些模型相继克服了原有模型的缺点、推动了信用风险计量方法的发展,并逐渐在国外大型银行得到了较为广泛的应用。但在我国,由于许多大型银行依托国际咨询机构开发违约概率模型,而这些机构往往沿用传统多元统计模型,如Logistic模型,因此许多大型银行使用的违约概率模型仍然为传统模型。虽然这些传统模型结构相对简单、易于理解,但它们需要一些更严格的假定条件,而银行的数据往往并不满足这些条件,因此模型的准确性受到较大的影响。 　　针对这一情形,本文对当前国内外的违约概率模型研究与应用情况进行了梳理与分析,明确了各类模型的假定条件、优点与缺陷,为国内银行审阅及改进公司违约概率模型提供参考。 　　二、 公司违约概率模型的国外研究与应用现状 　　(一)国外理论研究现状 　　国际上用于违约概率估计的方法主要分为两类:一是传统统计模型或基于人工智能的算法模型等;二是以期权组合理论等盯市模型为代表的新兴信用风险量化模型。 　　1.多元统计分析方法。第一类模型主要基于多元统计分析方法,主要的模型有: logistic模型、Probit模型、神经网络模型和支持向量机(Supporting Vector Machine,SVM)模型等。 　　(1)Logistic模型与Probit模型。Logistic模型与Probit模型自二十世纪八十年代提出以来,一直都在风险评估中占据重要地位。前者假设变量服从logistic分布,后者假设变量服从正态分布,两种方法都因其结构简单易懂而被国内外理论界、银行界广泛使用至今,但是,这两种方法都无法克服多元回归模型及多元判别分析模型的变量多重共线性困难、无法刻画非单调关系,并且模型本身对样本增减的敏感性非常强,因此并不是测度违约概率的最佳选择。 　　(2)神经网络和支持向量机模型。随着的计算机性能的提高和机器学习理论发展,以神经网络、支持向量机等为代表的人工智能算法也在违约概率评估中得以应用。由于这类模型放宽了统计学中严格的分布假设,在实际预测中往往会取得超过传统方法的效果。 　　就神经网络模型中最广泛使用的BP模型而言,该算法的学习过程由信息的前向传播和误差的反向传播组成,在前向传播的过程中,输入信息从输入层经隐含层逐层处理后传向输出层。第一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望的输出结果,则转入反向传播,将误差信号(目标值与网络输出之差)沿原来的连接通道返回,通过修改各层神经元权值,使得误差均方最小。神经网络理论已经证明BP网络具有强大的非线性映射能力与容错能力,因此可以较好地求解非线性问题,但由于这类算法基于经验风险最小化准则,因此泛化能力差,容易出现过拟合、收敛于局部极值等现象,对初始权值的选取具有极大的依赖性,所以在实践中神经网络模型较少被用于预测违约概率。支持向量机模型则因可以克服神经网络模型的过度拟合、收敛于局部极值问题而逐渐成为理论界与银行界的研究热点。 　　(3)支持向量机模型(以下称SVM模型)。SVM模型以结构风险最小化准则进行学习,不仅考虑经验风险值,而且考虑置信范围值,从而提高了算法的泛化性,同时,因为SVM算法是一个凸二次规划问题,可以保证解的全局最优性。其主要思想是建立一个超平面作为决策曲面,使得正例和反例之间的隔离边缘最大化。在样本集线性可分的情况下,用于分类的超平面形式的决策曲线方程是 　　yi*[(wTx)+b]-1≥0 　　目标是使分类间隔最大,即使Pj,t=■最小,解得最优分类函数为 　　zj=xTj w+b 　　在样本集线性不可分时,决策曲线方程为 　　yi[(wTx)+b]-1+ξj≥0 　　目标是折衷考虑最少错分样本和最大分类间隔,即使(w,ξ)=■||w||2+C■ξj最小,解得最优分类函数为zj=■αiyj K(xi,yj)+b 　　其中 K(xi,yj)