基于自适应RBF神经网络的商业银行信贷风险预警评估研究

论文摘要

长期以来,信贷风险是金融机构和监管部门风险防范与控制的主要对象和核心内容。随着金融全球化趋势及金融市场的波动性加剧,各国银行和投资机构受到了前所未有的信用风险挑战。世界银行对全球银行业危机的研究表明,导致银行破产的主要原因是信贷风险。而现阶段,我国金融体系仍以银行业为主导,信贷业务作为银行主要收入来源的同时,与之相应的信贷风险也成为其面临的首要风险。与此同时,日益纷繁复杂的外部经营环境对2006年12月11日全面对外开放的我国银行业的风险管理技术和水平提出了极其严峻的挑战。因此,如何有效地控制银行的信贷风险、提高银行的贷款质量、加强贷后管理环节,使软肋变强项,并在信贷风险预警机制的作用下,有效防范贷款中的风险,已成为我国银行业和学术界探讨的一个重要课题。同时,由于银行风险具有扩散性、隐蔽性、滞后性等特点,要及时准确地把握其风险的难度较大,特别是进行定量与定性结合的分析更为困难和复杂。因此,如何建立全面正确的银行风险预警评价体系,以及采用什么评价方法,准确地反映真实情况成为银行风险预警极为重要的一环。本文在借鉴国内外对信贷风险预警系统的研究成果和经验的基础上,以信贷风险理论、预警理论为出发点,分析现有的我国商业银行信贷风险预警指标体系存在的诸多缺陷,采用德尔菲法对指标进行了初选,然后再采用数理统计和定性分析相结合的方法对指标进行进一步筛选,调整和改进,建立了3层次28项的银行信贷风险预警指标体系。同时确立了评价指标值规范化标准,并且根据各行业的财务比率均值,建立了行业财务指标值的规范化分段隶属函数,并通过层次分析法(AHP)来确定各指标的风险权重,以此作为我们建立新颖的映射模型和优化评价手段的基础。在过去的银行风险预警评价方法中,传统模糊综合评判法[48]具有无法摆脱决策过程中的随机性,主观不确定性以及缺乏与时俱进的自学习能力的严重缺点。过去采用的RBF神经网络评价方法[42,43]具有网络隐节点固定,局部极值的缺点。虽然它具有自学习能力的优点,但是在自学习训练中却具有致命的缺点——在有限的学习样本情况下缺乏严密的实验设计,从而使所训练出的网络性能难以覆盖绝大多数风险情况,致使人工神经网络评价性能不能达到预期要求。本文拟将中国科学院方开泰教授和王元院士的“均匀设计法”与“自适应”RBF神经网络相结合,克服以上预警评价方法的缺点。用“均匀设计法”设计神经网络大容量训练样本,可以用较少的试验次数,安排多因素、多水平的析因试验,是在均匀性的度量下最好的析因试验设计方法;自适应RBF神经网络法,能发挥自适应及非线性逼近能力。“均匀设计法”与自适应RBF神经网络相结合,克服了传统神经网络性能缺陷和实验设计的非严谨性的缺点,解决了风险预警训练样本少的难题;克服了传统模糊评价法的主观随机性和不确定性。我们利用“均匀设计法”U1000(528)表,通过DSP软件,获取大规模标准化“均匀设计”样本,然后利用这些能够覆盖全部样本空间的有代表性样本进行自适应RBFNN训练,获取了误差小于预定误差0.0001的模型训练结果,获得了误差小于预定误差绝对值0.2,预警等级和警报颜色符合实际的应用效果。从而建立一套较准确的、正确的、无遗漏的、快速的银行信贷风险预警模型和评价方法。为了建立本文提出的银行风险预警评价体系,实施相应的风险预警模型和评价方法,我们也提出了完善我国商业银行信贷风险预警机制的建议。

论文目录

• 摘要
• Abstract
• 第1章 序言
• 1.1 问题提出的背景
• 1.2 国内外研究的现状
• 1.2.1 国外信贷风险预警系统的研究现状
• 1.2.2 国内信贷风险预警系统的研究现状
• 1.3 本文研究内容和特点
• 第2章 信贷风险及预警理论研究综述
• 2.1 信贷风险理论综述
• 2.1.1 信贷风险的定义
• 2.1.2 信贷风险的特征
• 2.2 预警理论综述
• 2.2.1 风险预警的界定
• 2.2.2 预警理论的发展历程
• 2.3 国有商业银行信贷风险预警体系概述
• 2.3.1 建立信贷风险预警系统的目的
• 2.3.2 建立信贷风险预警系统的重要意义
• 第3章 商业银行信贷风险预警指标体系的构建
• 3.1 现有信贷风险预警指标体系的不足之处
• 3.2 我国商业银行信贷风险预警指标选取原则
• 3.3 信贷风险预警系统指标筛选的方法
• 3.4 信贷风险预警体系的指标选择与基本分析
• 3.4.1 信贷风险预警指标体系的形成
• 3.4.2 财务风险预警指标基本分析
• 3.4.3 非财务风险预警指标基本分析
• 3.5 商业银行信贷风险预警指标体系的改进
• 3.5.1 突出了对定性指标的分析
• 3.5.2 运用财务指标时应按行业特性识别信贷风险
• 3.5.3 强调企业外部环境风险的预警分析
• 3.5.4 注重银企关系的预警，同时加强贷款担保分析
• 3.5.5 突出行业风险因素的预警作用
• 3.6 信贷风险预警综合指数的确定
• 3.6.1 基于 AHP 法的预警指标权重确定原理
• 3.6.2 信贷风险预警指标体系权重的确定
• 第4章 基于自适应RBF 神经网络的银行信贷风险预警模型的建立
• 4.1 自适应径向基神经网络的基本结构
• 4.1.1 RBF 网络的原理
• 4.1.2 自适应RBF 网络中心的选取和权值的确定---最近邻聚类学习算法
• 4.2 商业银行信贷风险预警评价基本结构设计
• 4.2.1 评价指标体系
• 4.2.2 评价指标值的规范化
• 4.3 RBF 神经网络系统的学习实验设计
• 4.3.1 各级指标的权重
• 4.3.2 样本的规范处理
• 4.3.3 均匀设计（even design）----学习样本的选择
• 4.3.4 RBF 网络评价模型的训练和形成
• 4.4 评价外推实验
• 4.5 实例检验
• 第5章 完善商业银行信贷风险预警机制
• 5.1 完善商业银行的组织管理体系
• 5.1.1 建设行业、区域信贷风险系统组织管理体系
• 5.1.2 建设客户信贷风险预警系统组织管理体系
• 5.1.3 建设全方位信贷风险预警系统组织管理体系
• 5.2 完善风险预警管理的信息系统
• 5.2.1 重点加强预警管理信息系统建设
• 5.2.2 建立一套完整和连续的风险预警数据库
• 5.2.3 建设信贷风险监测网络系统
• 5.2.4 重视利用信贷人员调查的信息
• 5.3 培养从事风险预警工作的高素质人才队伍
• 结论
• 参考文献
• 附录A 调查问卷
• 附录B 攻读学位期间所发表的学术论文目录
• 致谢