基于数据仓库的银行信用评级模型的构建.docxVIP

- -- 基于数据仓库的银行信用评级模型的构建 摘要基于数据仓库 , 利用 RBF神经网络 , 建立了银行信用内部评级系统 , 提出了企业信用主题数据模型和风险评估模 型的训练过程实证结果表明 , 该模型对银行信用评估可取得较好的效果 关键词数据仓库 ; 神经网络 ; 商业银行 ; 信用评级 一、引言 近年来 , 商业银行的风险管理成为国际国内金融界关注 的焦点商业银行在运营过程中面临的金融风险主要有信用风 险、利率风险、汇率风险、流动性风险和操作风险等 , 其中信 用风险占有特殊的地位信用风险指的是借款人由于种种原因 , 不愿或无力偿还银行贷款本息 , 使银行贷款无法收回 , 形成呆 账损失的可能性在现代商业银行经营中 , 信用风险是影响其 安全高效运营的主要原因 1 风险管理是一种主动的事前行为 , 而不是事后的补救应 通过分析现有的数据 , 大量运用数理统计模型识别、 衡量和检 测风险 , 利用大量历史数据建立数据仓库 , 依靠数据挖掘手段 了对数据仓库中数据信息进行深度加工和利用 , 挖掘出数据 模型来预测和防范未来的风险 , 进行风险量化管理数据挖掘 是通过自动或半自动的工具对大量的历史数据进行探索和分析的过程 , 其目的是发现其中有意义的模式和规律数据挖掘不是一种现成的产品 , 而是一门技能数据挖掘的建模方法分为线形回归、逻辑回归、神经网络、遗传算法和分类树等 由于我国商业银行目前在处在转轨阶段 , 一方面由于信息残缺不全 , 另一方面由于传统的统计方法假定条件的局限性 , 使我国信用风险评估难以达到满意的效果 人工神经网络 (ArtificialNeuralNetwork, 简称 ANN)是 20 世纪 50-60 年代产生 ,80 年代以来发展起来的一种处理复 杂非线性问题十分有效的手段 , 目前已在模式识别等领域得 到广泛的应用 现 有 数 十 种 神 经 网 络 方 法 , 实 际 工 作 中 大 都 采 用 BP(BackPropagation) 网络 , 一些文献将其应用于银行信用风 2 险评估取得了较好的效果但同时 BP 网络也存在局限性 : 由于 BP网络用于函数逼近时 , 权值的调整是用梯度下降法 , 存在局部极小和收敛速度慢的问题 ; 已学习好的网络的推广 ( 泛化 ) 问题 ; 网络的隐含节点个数的选取尚缺少统一而完整的理论 指导等而 RBF(RadialBasisFunction) 网络在逼近能力、分类能力和学习速度等方面均优于 BP网络利用 RBF网络来完成函数逼近任务 , 并且将结果与 BP网络以及采用改进 BP算法的前向网络的训练结果作比较 , 发现 RBF网络所用的时间最短 本文将结合数据仓库与 RBF神经网络构建银行信用内部评级系统 二、数据仓库 数据仓库并非是一个仅仅存储数据的简单信息库 , 因为 这实际上与传统数据库没有两样数据仓库实际上是一个 “ 以 大型数据管理信息系统为基础的 , 附加在这个数据库系统之 上的 , 存储了从企业所有业务数据库中获取的综合数据 , 并能 3 利用这些综合数据为用户提供经过处理后的有用信息的应用系统 ”如果说传统数据库系统的重点与要求是快速、准确、 安全、可靠地将数据存进数据库中的话 , 那么数据仓库的重点与要求就是能够准确、 安全、可靠地从数据库中取出数据 , 经 过加工转换成为有规律的信息之后 , 再供管理人员进行分析使用 数据仓库必须随时间变化而不断增加新的内容 , 进行新 的分析和综合一方面 , 数据仓库中需要不断捕捉信息系统中 变化的数据 , 将它们追加到数据仓库中 ; 另一方面 , 数据仓库 中包含大量的综合数据 , 这些综合数据中很多是和时间有关 的需要随时间变化不断进行综合就信用评级而言 , 委员会规 定商业银行要随时跟踪客户财务状况的变化 , 至少每年对客 户进行一次评级因此 , 数据仓库也要随时变化利用上 1 年的企 业评级数据及专家对评级的调整 , 建立和调节评级模型 , 来预 测分析客户今年的评级情况数据模型的训练过程见图 1 540)this.width=540quot;space=quot;0quot; 三、 RBF神经网络 4 径向基函数网络是单隐层的 3 层前向网络 , 输入层节点传递输入信号到隐层 , 隐层节点的基函数对输入信号在局部产 生响应 , 当输入信号逼近基函数的中央范围时 , 隐层节点将产生较大的输出由此可见 ,RBF 网络具有局部逼近能力其网络结构如图 2 所示 作为基函数的形式 , 有下列几种 : 540)this.width=540quot;space=quot;0quot; 540)this.width=540quot;space=quot;0quot; 四、数据模型 数据仓库中数据的采集