基于自适应共振模型的信用风险评估..docVIP

基于自适应共振模型的信用风险评估 关键词：自适应共振，神经网络，信用风险 自适应共振模型是为了能够分类任意次序模拟输 入模式而设计的，它可以按任意精度对输入的模拟观察矢量 进行分类，较好地解决了前稳定性和灵活性问题，同时能够 避免对网络先前所学的学习模式修改。本文将ART2模型应用 于信用风险评估，通过实证比较研究，结果显示应用自适应 共振模型进行信用风险评估在精度和准确性上，都优于其他 神经网络模型和统计方法。 1统计方法用于信用风险分类评估存在的局限性 对信用风险评估一类主流方法是基于分类的方法，即把 信用风险分析看成是模式识别中的一类分类问题一将企业 划分为能够按期还本付息和违约两类。其具体做法是根据历 史上每个类别的若干样本，从已知的数据中发现其规律，从 而总结出分类的规则，建立判别模型，用于对新样本的判别， 这样信用评估就转化为统计中的分类问题。传统的统计模型 主要基于多元统计分析方法，根据判别函数的形式和样本分 布的假定不同，主要的模型有：多元回归分析模型、多元判 别分析模型、Logit分析模型、近邻法等。其中以多元判别 分析模型和Logit分析模型应用最为广泛，已有大量商业化 软件。 尽管这些方法在国外有大量应用，但是大量实证研究结 果发现：企业财务状况的评价可以看作是一类基于一系列独 立变量基础上的分类问题；企业财务状况好坏与 财务比率的关系常常是非线性的；预测变量可能是高度 相关的；大量实证结果表明，许多指标不成正态分布。而统 计的方法却不能很好地解决以上问题。由此可见统计模型的 最大优点在于其具有明显的解释性，存在的缺陷是过于严格 的前提条件。如多元判别分析模型，它要求数据服从多元正 态分布、等协方差、已知先验概率和误判代价等要求，而现 实中大量数据严重违背了这些假定。引入对数变化可在一定 程度上改进数据的非正态分布，但一方面变换后的变量可能 失去经济解释含义，另一方面仍没有满足等协方差的要求; 应用二次差别分析虽可解决等协方差问题，但一方面没有满 足正态性假设，另一方面当数据样本小、维数高时二次差别 分析的性能明显下降，而样本少、维数高正是我国信用数据 的显著特点。实证结果还表明二次差别分析对训练样本效果 较好，而对测试样本并不理想。除此以外，多元判别分析模 型适用于成熟行业的大中型企业，因为这些企业具有较强的 稳定性和规范性，其发展有一定的规律可循，参数统计方法 易于给出较准确的结果及合理的解释。然而这类方法是静态 的，需要根据地区、行业经济情况的变化不断地调整参数， 甚至进行变量的调整。 为了解决这些问题，引入了 Logit分析模型和近邻法。 Logit分析模型不需要假定任何概率分布，也不要求等协方 差，但是当样本点存在完全分离时，模型参数的最大似然估 计可能不存在，模型的有效性值得怀疑，另外该方法对中心 区域的差别敏感性较强，导致判别结构的不稳定。近邻法不 要求数据正态分布，但当数据的维数较高时，存在所谓的“维 数祸根” __对高维数据，即使样本量很大，其撒在高维空 间中仍显得非常稀疏，绝大多数点附近根本没有样本点，这 就使得“利用空间中每一附近的样本点来构造估计”的近邻 法很难使用［4］。 2应用神经网络进行信用风险评估的意义 商业银行信用风险评估是复杂的过程，除了对企业的财 务状况的各种特征的评估外，还须对企业的非财务状况进行 评估，而且又涉及宏观经济环境和产业结构、产业周期的影 响；除了客观的评估外，还依赖于专业人员依据经验进行主 观评估。神经网络是一种具有模式识别能力，自组织，自适 应，自学习特点的计算机制，它的知识编码于整个权值网络， 呈分布式存储且具有一定容错能力。神经网络对数据的分布 要求不严格，也不必要详细表述自变量与因变量之间的函数 关系，神经网络的这些特征使之成为信用风险分析方法的一 个热点。 建立商业银行信用风险评估模型必须依赖于一组已知 的函数集合。要求这种函数集合在任意精度上可以逼近实际 系统，从数学上讲，这就要求这个集合在连续函数空间上是 致密的。目前已经从理论上严格证明了只用一个隐藏层的神 经网络就可以唯一地逼进任何一个连续函数。多层神经网络 为系统的辨识和建模，尤其是非线性动态映射系统提供了一 条十分有效的途径。非线性动态映射系统的神经网络建模被 认为是应用神经网络的最成功的范例。 影响商业银行信用风险评估的机理很复杂，无法建立精 确的非线性动态模型，而人工神经网络擅长处理非线性的、 关系不确定的十分复杂以至于数学模型难以描述的问题。对 于分析时间序列数据，由于人工神经网络能识别和模拟数据 间的非线性关系，不需要正态分布和先验概率等条件的约束， 能针对新增样本灵活的训练再学习，因此优于其他统计方法， 同时由于网络本身具有自学习的功能，预测结果相对精度较 高而且稳定性