基于BP神经网的商业银行信用风险识别实证分析.docVIP

基于BP神经网络的商业银行信用风险识别实证分析 李萌 陈柳钦 内容摘要 ：本文采用上市公司未按时偿还贷款的比率（即贷款不良率）作为衡量信用风险高低的标准，结合独立样本t检验和主成份分析法，构造基于BP神经网络技术的商业银行信用风险识别模型。实证分析结果表明，单隐层BP神经网络模型对商业银行信用风险具有很强的识别能力，可以达到记忆能力和泛化能力兼容的最佳水平，但模型预测和推广能力还有待改善，所以在最终判定企业信用风险时必须结合其他定量和定性分析方法。本文研究结论也证明了单隐层模型要比双隐层模型优越，证实了双隐层无助于提高预测准确率的Lippm定理在中国的成立。 关键词：信用风险；主成份分析；BP神经网络；单隐层 文章出处：《南京社会科学》2007年第1期 一、导 言 商业银行信用风险的管理一直是国内外金融界关注的焦点问题。20世纪90年代以来，全球各金融机构不断推出新技术和新业务，商业银行大量使用金融衍生产品规避信用风险，这些新产品在提高银行风险管理水平的同时也对传统的信用风险度量技术提出了新的挑战。为了更准确地度量经营活动中的实际风险水平，大型国际商业银行纷纷推出内部信用风险模型；《新巴塞尔协议》第三次征求意见稿规定，除标准法外，银行可采用内部评级法度量信用风险，这意味着巴塞尔委员会对成员国的信用风险管理活动提出了更高的要求。从我国现状来看，目前商业银行尚不具备推行内部模型的条件，因此，结合我国信用风险管理的实际情况，构建过渡期间的信用风险识别模型，对控制和化解商业银行信用风险、提高我国银行业信用风险监管水平以及提升国际竞争力都有重大意义。 信用风险识别模型研究又可称为企业财务困境研究，二者本质相同，只是研究的出发点不同：从银行的角度看，叫做信用风险识别分析；从企业的角度看，叫做企业财务困境分析。早期关于财务报表信息与信用风险关系的研究主要以线性判别为主，在线性判别模型中又以Beaver（1966）的单变量模型和Altman（1968）的多元模型影响最为广泛。Libby(1975)首次将主成份分析方法引入判别模型以克服变量多重共线性的问题。由于神经网络技术在解决非线性建模问题上具有天然优势，许多学者尝试将其用于信用风险识别研究且大多得出了神经网络优于普通线性识别方法的结论。Odom和Sharda(1990)用BP神经网络预测了财务困境，结果显示神经网络模型优于判别分析模型。Altman等（1994）发现神经网络方法有时优于线性判别方法，但由于神经网络有时过度训练产生了不合理的权重，从总体上看线性判别方法要优于神经网络方法。Lee等（1996）以韩国公司的财务数据为样本比较了多层神经网络方法和多元判别方法(MDA)，结果显示在财务困境预测问题上神经网络方法的预测效果和适应性均优于多元判别方法。我国对企业财务困境的研究刚刚起步，还集中于对企业财务困境的成因的定性分析和线性判别分析，如陈静（1999）首次在国内运用统计方法和计量模型进行财务困境预警研究。梁琪（2003）运用主成份分析与判别分析相结合的方法预测企业财务困境。王春峰等（1999）是国内较早采用神经网络模型预测企业信用风险状况的学者。总的说来，国内相关研究多是从上市公司角度进行的财务预警研究；且受数据来源所限（上市公司的履约情况和债项特征属于内部机密，一般研究人员很难获得），几乎所有研究都是以上市公司被宣布特别处理作为财务困境标志；构造模型时多基于线性判别技术，较少运用Logit模型和神经网络技术。 本文以上市公司未按时偿还贷款的比率（即贷款不良率）作为信用风险高低的衡量标准，结合主成分分析法和BP神经网络技术构造我国商业银行信用风险模型，采用我国某国有商业银行贷款客户的财务信息（主成份）和违约数据作为样本。BP神经网络实证分析的结论表明：单隐层BP神经网络模型对商业银行信用风险具有很强的识别能力，判定准确率可达100％，但模型的预测和推广能力较为有限，商业银行在识别、度量和预测信用风险时不能完全依赖于该模型。正文共分四部分，第一部分是导言，第二部分是BP神经网络模型构造，第三部分是实证分析，最后一部分是研究结论和政策启示。? 二、BP神经网络模型构造 （一）主成份分析。为了避免包含企业信用风险信息的财务指标被排除在研究之外、最大限度地检验各种指标对企业信用风险的解释作用，此次检验将引入46个不同的财务指标。但指标的高维性特点又为研究带来了新的问题：这些指标之间高度相关，直接纳入分析不仅复杂，变量间难以取舍，而且可能因为多重共线性而无法得出正确结论。因此，在利用信用风险识别模型对我国商业银行的信用风险进行实证检验之前，我们首先引入主成份分析法。主成份分析法的基本思路是：从p个原始财务指标中提取m个相互独立主成份，每个主成份都是原来多个指标的线性组合。提取的主成份根