二元logistic模型在银行贷款风险中应用.docVIP

二元logistic模型在银行贷款风险中的应用 　　摘要:贷款信用风险评估是银行贷款风险信用管理的重要内容,建立正确的信用评估模型分析对降低银行信用贷款风险至关重要。本文采用某银行提供的贷款信息的初级数据,通过极大似然估计法建立logistic模型,进行信用贷款风险评估,检验结果表明该模型对银行进行信用贷款风险评估具有重要的指导意义。 　　关键词:银行信贷 风险评估 logistic回归 　　 　　1、引言 　　 　　60年代以前,银行的负责基本上是固定的,而随着同业拆借的发展,银行的负债管理成本取决于市场,成为波动的负债管理,银行要使其成本最小,并且由于声誉入股[1]和信贷配给的共同作用下大量存差存在,因此,信用风险管理成为商业银行风险管理中最关键也最具挑战性的领域之一。信用风险是指借款人一方由于原因不能履约致使金融机构投资人或交易对方遭受损失的可能性[2]。主要的贷款用于学生求学和住房贷款等多个方面,其中个人住房抵押贷款已经成为我国居民购房的主要手段随着银行在贷款方面的业务的增长[3],贷款的信用风险问题也日益突出。应用科学的定量分析的方法对借款人信用风险进行评估以使银行事先掌握有关贷款人的资料,确定其违约的可能性是非常有必要的。 　　常用的对信用风险的评估方法主要有5C分析法、财务比率综合分析法、多变量信用风险判别模型[4]等等。5C要素分析法是金融机构对客户作信用风险分析时所采用的专家分析法之一。其评估结果主观性较强且易受外界干扰[5]。财务比率综合分析法是将各项财务分析指标作为一个整体,系统、全面、综合地对借款人财务状况和经营情况进行剖析、解释和评价。也是一种定性分析的方法。 多变量信用风险判别模型是以特征财务比率为解释变量,运用数量统计方法推导而建立起的标准模型。目前国际上这类模型的应用是最有效的,也是国际金融业和学术界视为主流方法。概括起来有线性概率模型、判别分析模型、Logistic、Probit模型。多元判别分析法是研究对象所属类别进行判别的一种统计分析方法logistic模型[6]是采用一系列财务比率变量来预测公司破产或违约的概率;然后根据银行、投资者的风险偏好程度设定风险警界线、以此对分析对象进行风险定位和决策。logistic模型与多元判别分析法的本质区别在于前者不要求满足正态分布,只需要样本满足独立性的假设,其判别正确率高于判别分析法的结果。因此,Logistic回归模型比Fisher判别分析模型具有更大的应用优势。 　　本文将在理论的基础上结合样本建立logistic模型分析,使定性分析与定量分析相结合,对信用风险评估列出模型,以便于预测银行客户的贷款信用风险概率,对银行加强信用风险管理起了积极的作用。 　　 　　2 二分类logistic模型介绍: 　　 　　响应变量是二分类变量, 表示事件发生,其概率为 , 表示事件未发生,其概率为 。通常的回归模型形式的logistic回归模型[7]为 　　Logistic 表达式为,其中 　　得到事件发生的概率为 。不发生的概率为 　　,这个式子被称为事件发生的机会(简称odds) 　　对该式取对数,得到 　　对logistic模型中的参数 和 的估计采用极大似然估计法,得到一个观测值的概率 　　 因为Yi独立,得到它们的联合概率函数为: 　　 　　对该式取对数,得到 　　 分别对 求偏导并令等式为0,即可计算出参数 的估计值。 　　3、 贷款风险建模 　　1):变量设定 　　由于客户的数量众多,各自所处的环境、状况不相同,对待贷款问题的态度也不一样,最终在贷款风险问题上的表现可能是这些复杂影响因素的集中反映,也可能是某一个因素诱发所致[7]。如果陷于每个个案的深究则无法寻求到一个通用的贷款风险识别方法。本文选取某商业银行的850个贷款样本,对850个样本进行其相关方面的分析,其中700个用于建模,余下的150个用于检验预测。选取的自变量有年龄、学历(小学、初中、高中、大学及以上)、就目前工作年限、就目前居住地年限、家庭收入(以千元计)、负债收入比、信用卡负债(以千元计)、其他负债(以千元计),因变量设为贷款者以前有无负债经历,将有负债经历记为1,没有负债经历记为0。 　　2):贷款风险识别Logistic模型、检验及预测: 　　用spss软件进行建模,stepwise进行变量的选取,变量得分的显著性小于0.05的变量进入模型,最后进入Logistic回归模型的变量是客户的工作年限、客户目前居住地年限、负债收入比、信用卡负债,对应的系数分别为-0.247、-0.089、0.072、0.602,常数项的系数为-0.605,系数检验显著。 　　表一 模型的参数估计 　　 　　exp(B)表示解释变量变化