基于自适应RBF神经网络的商业银行信贷风险预警评估研究.docVIP

基于自适应RBF神经网络的商业银行信贷风险预警评估研究 摘要 长期以来，信贷风险是金融机构和监管部门风险防范与控制的主要对象和核心内容。随着金融全球化趋势及金融市场的波动性加剧，各国银行和投资机构受到了前所未有的信用风险挑战。世界银行对全球银行业危机的研究表明，导致银行破产的主要原因是信贷风险。而现阶段，我国金融体系仍以银行业为主导，信贷业务作为银行主要收入来源的同时，与之相应的信贷风险也成为其面临的首要风险。与此同时，日益纷繁复杂的外部经营环境对2006年12月11日全面对外开放的我国银行业的风险管理技术和水平提出了极其严峻的挑战。因此，如何有效地控制银行的信贷风险、提高银行的贷款质量、加强贷后管理环节，使软肋变强项，并在信贷风险预警机制的作用下，有效防范贷款中的风险，已成为我国银行业和学术界探讨的一个重要课题。同时， 由于银行风险具有扩散性、隐蔽性、滞后性等特点, 要及时准确地把握其风险的难度较大, 特别是进行定量与定性结合的分析更为困难和复杂。因此，如何建立全面正确的银行风险预警评价体系，以及采用什么评价方法，准确地反映真实情况成为银行风险预警极为重要的一环。 本文在借鉴国内外对信贷风险预警系统的研究成果和经验的基础上,以信贷风险理论、预警理论为出发点,分析现有的我国商业银行信贷风险预警指标体系存在的诸多缺陷, 采用德尔菲法对指标进行了初选，然后再采用数理统计和定性分析相结合的方法对指标进行进一步筛选，调整和改进,建立了3层次28项的银行信贷风险预警指标体系。同时确立了评价指标值规范化标准，并且根据各行业的财务比率均值，建立了行业财务指标值的规范化分段隶属函数，并通过层次分析法（AHP）来确定各指标的风险权重，以此作为我们建立新颖的映射模型和优化评价手段的基础。 在过去的银行风险预警评价方法中，传统模糊综合评判法[48]具有无法摆脱决策过程中的随机性,主观不确定性以及缺乏与时俱进的自学习能力的严重缺点。过去采用的RBF神经网络评价方法[42，43]具有网络隐节点固定，局部极值的缺点。虽然它具有自学习能力的优点，但是在自学习训练中却具有致命的缺点——在有限的学习样本情况下缺乏严密的实验设计，从而使所训练出的网络性能难以覆盖绝大多数风险情况，致使人工神经网络评价性能不能达到预期要求。 本文拟将中国科学院方开泰教授和王元院士的“均匀设计法”与“自适应”RBF神经网络相结合，克服以上预警评价方法的缺点。用“均匀设计法”设计神经网络大容量训练样本，可以用较少的试验次数，安排多因素、多水平的析因试验，是在均匀性的度量下最好的析因试验设计方法；自适应RBF神经网络法，能发挥自适应及非线性逼近能力。“均匀设计法”与自适应RBF神经网络相结合，克服了传统神经网络性能缺陷和实验设计的非严谨性的缺点，解决了风险预警训练样本少的难题；克服了传统模糊评价法的主观随机性和不确定性。 我们利用“均匀设计法” U1000(528)表，通过DSP软件，获取大规模标准化“均匀设计”样本，然后利用这些能够覆盖全部样本空间的有代表性样本进行自适应RBFNN训练，获取了误差小于预定误差0.0001的模型训练结果，获得了误差小于预定误差绝对值0.2，预警等级和警报颜色符合实际的应用效果。从而建立一套较准确的、正确的、无遗漏的、快速的银行信贷风险预警模型和评价方法。 为了建立本文提出的银行风险预警评价体系，实施相应的风险预警模型和评价方法，我们也提出了完善我国商业银行信贷风险预警机制的建议。 关键词：信贷风险；预警；均匀设计；自适应RBF神经网络；商业银行 Abstract The question on how to avoid and control loan risk has long been the major concern for financial institutions and their monitoring departments all over the world. Along with the trend of financial globalization as well as the fluctuation in the financial market, banks and financial institutions have been confronted with unprecedented credit risks. The World Banks research on the crisis of global bank industry indicates that loan risk is the major causes for banks bankruptcy. Nowadays banking play