论文摘要
随着经济全球化和金融自由化的发展,商业银行信用风险管理的重要性和迫切性日益体现了出来,这也使得对信用风险的研究在近年来成为了国内外金融研究的一个重点。与传统的风险管理手段不同,现代的信用风险管理强调运用有效的模型来识别、衡量和监测风险,重视定量分析与定性分析的结合,这就使得信用风险的管理越来越客观、高效。在这样的背景下,本文将一种支持向量机与k-最近邻居判别法相结合的方法应用到了我国商业银行信用风险管理中,构建并实现了一个简单的风险评估模型。本文首先简要介绍了现代商业银行信用风险管理的一般理论和方法,包括信用风险管理的目标、组成要素以及信用风险分析的统计方法和非统计的方法。接着介绍了统计学习理论中的支持向量机和k-最近邻居判别法的基本原理,它们各自的应用现状以及在信用评估上应用的思路和适用性。之后探讨了一个SVM-KNN的组合算法,将其引入到信用风险管理领域,构建了利用这个算法的一个信用评估模型和具体步骤,并用Matlab软件编程实现。基于这个模型,本文进行了实证分析,其中应用了主成分分析法来选择合适的输入指标,调用了一些参数选择方法,模型运行后得出的结论证明,SVM-KNN组合模型在信用分析上的分类能力要比单独运行SVM、k-NN都要好,而且探讨了训练样本占总样本数的比例对测试结果的影响,分析了两类错误发生的概率。最后对未来的研究进行了展望。本文综合了信用风险管理、机器学习技术、统计分析方法和财务管理等方面的相关内容,采用了理论研究和实证研究并重的研究方法。由本文理论分析和实证分析的结果可以看出,所提出的模式识别的方法在信用风险管理领域应用是具有较好的效果和适用性的。