基于svm的信用风险评估中的拒真纳伪错误平衡控制研究.docxVIP

基于svm的信用风险评估中的拒真纳伪错误平衡控制研究 信用风险评估是管理银行信用风险的重要基础工作。现在，国际上广泛使用的评估模型主要包括统计模型和神经网络模型。在评估该模型时，我们不可避免地会犯两个错误，即拒绝真和假。这两个错误对银行信贷业务的影响是很大的不同。然而，统计模型和神经网络模型并不能直接控制这两个错误的分布，也不能影响它们在实际应用中的影响。鉴于此现状，本文在统计学习理论的基础上，采用了一种新的通用学习方法，即支持向量机作为银行信用风险评估的工具，重点研究了信用风险评估中这两个错误的平衡。在本文中，我们介绍了“损失比例系数”，该系数用于调整“第一和第二错误之间的惩罚系数的比率”。此外，本文还分析了第一个错误与第二个错误之间的经济意义差异，并给出了一个合理的价值范围。 实验结果表明支持向量机可以在不同的错误类别上采用不同的惩罚系数,从而有效控制“拒真纳伪”两类错误的分布.本文提出的模型较客观地反映了信用风险评估的目的和本质,具有现实意义. 1 评估可靠风险的两个错误 1.1 犯三类错误所导致的概率 在统计学的假设检验中由于样本的随机性,在进行判断时可能犯两类错误,一是当假设H0为真时,拒绝了它,称为犯第一类错误,其发生的概率或称拒真概率,记作 α=P{X∈W|H0为真} (1) 其中W是一个检验的拒绝域.另一是当假设H0不真时,而接受了它,称为犯第二类错误,其发生的概率或称纳伪概率,记作 β=P{X?W|H0不真} (2) 犯这两类错误所造成的影响常常很不一样.以银行根据企业的信用度判断是否给该企业贷款为例,原假设为H0(该企业信用较差).此时,犯第二类错误会使银行损失一笔利息收入,但犯第一类错误可能导致所贷款项无法收回.我们希望根据历史样本的检验结果做出的预测使犯两类错误的概率都尽可能小,但实际上是不可能的.由于两类错误之间存在制约关系:当其它条件不变时α减小必导致β增大;反之,β减小则α增大.因此,在样本容量一定的情况下,不能同时控制犯两类错误的概率大小.在统计检验中,一般采取限制第一类错误的概率,即选一个正数作为α的上限,这个正数通常称为检验水平或显著水平.其他常用的解决方法是:增大样本容量,尽量采用单边检测等.在实际应用时,必须根据客观事物的背景,恰当选取合适的α或合适的β. 1.2 评估银行信用风险的两个错误 1.2.1 被商应性:“违约”企业或“法”企业 构建一个适用的信用风险评估模型是商业银行进行正常业务运转的有力保障.我们将需要评判的企业分为:财务状况良好,银行对其发放贷款风险较小的企业;财务状况较差,若给予贷款,其违约的可能性较大的企业.为了简约起见,在本文中分别简称为“履约”企业和“违约”企业.影响模型性能的主要因素之一是误判率,即:将“违约”企业评判为“履约”企业,和将“履约”企业评判为“违约”企业这两类错误所引起的.根据常规,本文中我们将“违约”企业评判为“履约”企业称为第一类错误,将“履约”企业评判为“违约”企业称为第二类错误. 信用风险评估中出现的两类错误是统计学中两类错误在具体应用中的一种表现,因此具有上述两类错误的基本性质:由于样本的随机性及样本容量的有限性,无法同时控制犯两类错误的概率α和β都很小.大多数信用风险评估研究一味的强调整体的准确率,却忽视了两类错误对商业银行信贷业务的不同影响,以至实际应用效果并不理想,因此有必要对这两类错误进行深入的分析和探讨.就本文所讨论的问题而言,对于银行犯第二类错误至多损失一笔利息收入,而犯第一类错误则面临着本金无法收回的巨大风险,因此第一类错误的危害性要远比第二类错误严重.Altman的研究指出:第一类错误造成的损失为第二类错误损失的20倍到60倍.两类错误之间的制约关系及对实际问题的不同影响,要求我们在开发企业信用评估系统时,除了提高系统的整体评估准确率以外,还要尽可能的规避风险较大的第一类错误. 1.2.2 计算当前信用风险的一般方法和错误 目前国际上广泛采用的信用风险评估模型主要有统计模型和神经网络模型. 1 关于统计分析不足 基于统计的判别方法中多元判别分析法(MDA)和Logit模型最受青睐.统计方法的引入克服了传统比例分析法综合分析能力差,定量分析不足等缺点,但也存在要求样本数据有一定的规模、方法的可用性与建立分类模型时所需的多个假设和条件紧密相关等许多问题.如MDA就要求数据服从多元正态分布和等协方差,而现实中大量数据严重违背这些假定.因此统计方法在现实应用中很难达到理想的效果. 2 学习时的评估问题 神经网络(NN,Neural Network)是一种对样本数据分布无任何要求的非线性技术,克服了统计方法的较强假设条件要求,能有效解决非正态分布、非线性的信用评估问题.但NN有其自身难以克服的缺陷,如:网络结构