商业银行客户授信评级的研究.docVIP

商业银行客户授信评级的研究 　　摘 要：商业银行对客户的授信评级可引入多指标综合评价的思想、理论和方法，实现多指标综合评价与商业银行客户授信评级的有效结合。应根据各种评估技术特有的优势，并结合评估环境状况，选择简单易行、符合银行授信评级特点的评价方法；应注重多种综合评价方法的组合使用，互相补充，从而更好地提高我国商业银行授信评级的可靠性。 　　 　　关键词：商业银行；授信评级；多指标综合评价 　　中图分类号：F830.5文献标识码：Ａ文章编号：１００６－３５４４（２０12）０2－００17－03 　　贷款信用风险管理是商业银行内部风险管理的核心， 其中一个重要内容是对借款人进行信用风险评级，即商业银行在发放贷款之前，首先对借款人不能履约的可能性进行评估， 并把这种可能性划分为几个等级， 以此作为标准来区分借款人资信的优劣，进而做出贷款与否的决定。商业银行对客户的信用状况进行评价， 属于多指标综合评价的范畴，因此，引入多指标综合评价的思想、理论和方法，有利于提高授信评级的准确性、科学性。 　　一、多指标综合评价在授信评级中的应用 　　（一） 授信评级中的评价模式分析 　　综合评价模式大致分为三种类型： 　　1.“直接评价”。 目前我国商业银行大都采用该种模式，尽管有些商业银行的授信评级与该模式的流程有所出入， 但其思想和本质仍符合直接评价模式。直接评价模式简单易懂、可操作性强。 　　2. “先分类后评价”。该模式属于排序评价，候选方案的取舍不仅取决于自身，而且取决于其他方案的“状态”，商业银行的信贷行为更多的是取决于客户自身条件与既有标准的比较。因此，该模式很少应用于客户授信评级。 　　3. “先学习后评价”。实现“学习”，必须具备一定量的样本，样本的质量直接关系到“学习”的效果。商业银行要建立各类客户信用的数据库， 如冶金、化工、机械、贸易等，并用这些已“认可”的知识来评估客户信用状况，神经网络就是此类模式的代表。朱顺泉以广泛采用BP神经网络学习算法为例 [1] ，将评价指标个数定为输入结点数。可将信用状况分为两类，即输出结果为两个， 采用如下的形式表示： 良好（1，0），不良（0，1）；亦可分为五级，中间节点的个数应该小于输入节点数，而大于输出节点数，并通过公式计算确定。同时，确定隐含层、输出层的神经元的传递函数及网络训练的训练次数、精确度、学习速率等参数，将同类企业的已确认的结果作为训练数据，将被评价客户的指标值作为测试数据， 将神经网络优化算法分类程序存放在M文件wl. m中，并在Matlab状态下执行M文件，进而得到评估结果。应用以BP神经网络学习算法为代表的先学习后评价模式， 充分利用已“认可”的数据，结合计算机智能技术， 有效地提高了评级过程的简便性与结果的可靠性。此外，继神经网络之后，又一机器学习领域的方法――支持向量机（SVM）也用于授信评级，Young-Chan Lee [2] Wun-Hwa Chen and Jen-Ying Shih[3] 对此进行了应用研究，Zan Huang等 [4] 则将二者结合起来共同用于授信评级。 　　对于商业银行而言， 应根据实际条件选择有效的评价模式进行授信评级， 亦可将其他模式作为授信评级的辅助参考， 作为对原有模式的一种补充或验证。 　　（二）授信评级中的评价要素分析 　　任何一项综合评价活动的实现都是通过评价要素完成的，评价要素是评价活动的支撑，通常包括评价者、评价指标、指标权重、评价模型、评价对象等 [5-6] 。下面围绕前四个要素，探讨其在授信评级中的具体应用。 　　1. 评价者分析。授信评级从评价内容上看，既含有“硬评价”（如企业基本素质等）成分，也含有“软评价”（如财务结构等）的成分。相对于“硬评价”，“软评价” 则更依赖于评价者的知识和经验对评价对象做出判断。由于参与授信评级的人员在知识结构、经验等方面有所差异，加之银企之间信息不对称等问题， 因此， 有必要建立有效的信息沟通与反馈机制，实施群组评价。 群组的设置及评价方式是评价活动的关键，也是目前研究的重点，可借鉴评价小组对话式评价等方式，充分集结群体专家的知识与经验，提高授信分析、预测的准确性。群组评价主要体现在指标权重与评价指标值的确定上，同时，要根据群组成员的知识、经验及对企业的了解程度，对评价者赋予不同的评分权重，即引入专家权威因子，实现对评价者的集成。 　　2. 评价指标分析。 授信评级指标分析包含指标体系的建立、 内部结构的设置及评价指标一致化与无量纲化处理等内容，是授信评级研究的重点。指标体系是对银行客户资信状况的全面反映， 具有综合性的特点。 信用评级指标体系要遵循综合评价指标体系的构建原则，并呈递阶结构列示，其一级指标可用状态向量x=［x1，x2，…，xm］