基于神经网络与证据理论的商业银行信用风险评估

论文摘要

随着信用违约事件的日益增多,信用风险管理日渐成为商业银行风险控制能力的重要评价标准。本文对商业银行信用风险的特点及主要的计量模型做了简单的介绍,并选取神经网络模型作为研究的重点,主要进行了以下三方面的工作：首先,我们用神经网络模型组取代传统的专家系统模型。传统的专家系统方法由于各专家的专业程度不一、关注点不同,判断带有主观的成分。神经网络在评估过程中具有抗干扰、动态可调整的优点,因此用不同的神经网络模型来取代专家的判断可以有效降低主观概率。这里我们取BP、SVM及RBF神经网络模型。针对客户信用评价样本指标过大,神经网络训练样本大,训练时间长的缺点,我们采用粗糙集方法减少冗余数据,提高融合效率。实证表明粗糙集方法确实可以大大简化神经网络训练数据。其次,我们引入了一种改进的D-S证据理论方法,并将冲突判定方法由二维推广到多维的情况,提高了证据理论适用范围。D-S证据理论不需要先验知识和条件概率,可以对相互重叠、非互不相容的多源信息进行融合,是行之有效地数据融合方法。我们把经过神经网络处理后的数据作为证据理论的基本概率分布值,可以在一定程度上排除主观因素的干扰,又可以融合不同来源的数据,得到相对合理的评估结果。再次,我们给出商业银行信用风险评估的一个算例,检验本文提出方法的有效性。在处理测试样本时,我们采用了平均值方法来确定各个客户的冲突度,以求得到相对稳定的冲突值。评估结果表明本文提出的方法可以有效地判断客户的信用违约情况,是有效的。最后,在结论部分,我们简单介绍了我国信用风险评估的现状,给出了今后研究的可能方向。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景及研究的目的和意义
• 1.2 信用风险的特点与评估模型
• 1.2.1 信用风险的特点
• 1.2.2 信用风险度量模型与管理研究进展
• 1.3 本论文研究的主要内容
• 第2章 预备知识
• 2.1 引言
• 2.2 粗糙集理论
• 2.2.1 粗糙集的基本概念
• 2.2.2 知识的约简
• 2.2.3 知识的依赖性及其度量
• 2.2.4 知识的重要程度
• 2.3 神经网络相关理论
• 2.3.1 神经元构成
• 2.3.2 神经元激励函数
• 2.4 BP神经网络及其学习算法
• 2.5 RBF神经网络及其学习算法
• 2.6 SVM神经网络及其学习算法
• 2.7 本章小结
• 第3章 基于神经网络D-S证据理论的评估方法
• 3.1 引言
• 3.2 D-S证据理论概述
• 3.2.1 D-S证据理论的基本概念
• 3.2.2 改进的D-S证据理论
• 3.3 本章小结
• 第4章 基于神经网络与证据理论的风险评估方法应用
• 4.1 引言
• 4.2 数据预处理
• 4.3 属性约简过程
• 4.4 神经网络训练过程
• 4.5 D-S融合过程
• 4.6 本章小结
• 结论
• 参考文献
• 附录
• 致谢