商业银行信用风险评估中“拒真纳伪”两类错误的平衡控制研究.pdfVIP

维普资讯 第 44卷 第 3期 厦 门大学学报 (自然科学版) Vo1．44 NO．3 2005年 5月 JournalofXiamenUniversity (NaturalScience) May2005 商业银行信用风 险评估 中 “拒真纳伪 两类错误的平衡控制研究 周绮凤 ，刘 闽，林成德 (厦门大学 自动化系，福建 厦门 361005) 摘要 ：在信用风险评估过程中不可避免的会出现 “拒真纳伪”两类错误．本文通过对 “拒真纳伪”两类错误在商业银行企业 信用风险评估中不同影响的分析比较 ．选择支持向量机 (SVM)作为信用风险评估 的建模工具．并利用实际数据对两类错 误 的平衡控制进行了研究．实验结果表 明．在 SVM 模型中．选取一个适 当的损失比例系数．能在保证整体准确率较高的前 提下 ，有效的降低第一类错误率 ．这在实际应用中具有反映问题本质的现实意义． 关键词 ：拒真纳伪错误；商业银行企业信用风险评估；支持向量机(SVM) 中图分类号 ：TP18 文献标识码 ：A 文章编号 ：0438—0479(2005)03—0322—04 信用风险评估是银行信贷风险管理中一项重要的 率 ，记作 基础性工作 ．目前国际上广泛采用的评估模型主要有： a= P{X ∈W IH。为真} (1) 统计模型和神经 网络 (NN，NeuralNetwork)模型．在 其 中w 是一个检验的拒绝域．另一是 当假设 H。不真 使用模型进行评估 的过程 中我们不可避免 的会犯 “拒 时，而接受了它，称为犯第二类错误 ，其发生的概率或 真纳伪”两类错误．这两类错误对银行信贷业务的影响 称纳伪概率 ，记作 有很大差别．然而 ，无论是统计模 型还是神经 网络模 卢一 P{X ∈W IH。不真} (2) 型，都无法直接控制两类错误的分布 ，从而影响了他们 犯这两类错误所造成 的影 响常常很不一样．以银 在实际应用 中的效果．针对这一现状 ，本文采用近年来 行根据企业 的信用度判断是否给该企业贷款为例，原 在统计学习理论基础上发展起来的一种新的通用学习 假设为 H。(该企业信用较差)．此时，犯第二类错误会 方法——支持 向量机 ，作为商业银行信用风险评估的 使银行损失一笔利息收入 ，但犯第一类错误可能导致 工具 ，重点讨论了信用风险评估 中两类错误的平衡控 所贷款项无法收回．我们希望根据历史样本的检验结 制 问题．文中引进 了一个 “损失 比例系数 7”用其来调 果做 出的预测使犯两类错误的概率都尽可能小，但实 整 “第一类错误与第二类错误间惩罚系数的比率 ”，在 际上是不可能的．由于两类错误之间存在制约关系：当 此基础上定量分析了第一类错误与第二类错误在经济 其它条件不变时a减小必导致卢增大；反之 ，卢减小则 a 学意义上的差异 ，并给出了 7合理的取值范围． 增大 ]．因此 ，在样本容量一定 的情况下 ，不能 同时控 实验结果表 明支持 向量机可 以在不同的错误类别 制犯两类错误的概率大小．在统计检验 中，一般采取限 上采用不同的惩罚系数，从而有效控制 “拒真纳伪 ”两 制第一类错误的概率 ，即选一个正数作为 a的上限，这 类错误的分布．本文提出的模型较客观地反映了信用 个正数通常称为检验水平或显著水平 ．其他常用的解 风险评估的 目的和本质，具有现实意义． 决方法是：增大样本容量，尽量采用单边检测等．在实