基于信用风险度的商业银行风险评估模型研究_王建新.pdf
《基于信用风险度的商业银行风险评估模型研究_王建新.pdf》由会员分享,可在线阅读,更多相关《基于信用风险度的商业银行风险评估模型研究_王建新.pdf(6页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、Vol121,No 14管 理 工 程 学 报Journal of Industrial Engineering PEngineering Management2007 年 第 4 期基于信用风险度的商业银行风险评估模型研究王建新1,于立勇2(1 1 哈尔滨工业大学管理学院,黑龙江 哈尔滨 150001;21 北京大学光华管理学院,北京 100871)摘要:本文依据商业银行信用风险的内涵,结合信用风险的不确定性和相对性特征,提出以/信用风险度0作为系统的输出,并针对传统模式识别评估方法的不足,构建了基于补偿模糊神经网络的信用风险评估预测模型,为有效转变信用风险的分类评估模式、提供更为全面的信贷
2、决策支持奠定了基础。实证结果表明,该模型是一种较为有效的评估方法。关键词:信用风险评估;分类评估模式;补偿模糊神经网络;信用风险度中图分类号:F83015 文献标识码:A 文章编号:1004-6062(2007)04-0085-06收稿日期:2005-05-30 修回日期:2006-04-03基金项目:国家自然科学基金资助项目(70373012)作者简介:王建新(1960),男(汉族),北京人,教授级高工,哈尔滨工业大学管理学院博士研究生,主要从事风险评估、企业管理等研究方向。0 引言商业银行在金融体系中占有举足轻重的地位,在创造货币存款、实现金融政策效率、社会投资实现等方面都发挥着核心作用。
3、然而,商业银行在营运过程中无时无刻不面临着各种金融风险,巴塞尔银行监管委员会在1997 年 9月公布的5有效银行监管的核心原则6中,将银行业面临的主要风险归纳为 8 个方面,即信用风险、国家和转移风险、市场风险、利率风险、流动性风险、操作风险、法律风险和声誉风险。其中,信用风险占有特殊的地位,世界银行对全球银行业危机的研究表明,导致银行破产的最常见原因就是信用风险。信用风险是指信贷资金安全系数的不确定性,表现为企业由于各种原因,不愿意或无力偿还银行贷款本息,使银行贷款无法回收,形成呆帐的可能性。信用风险评估是商业银行信用风险管理的首要工作和关键环节,事关银行的生存和社会的稳定。发达国家对信用风
4、险度量和管理研究的关注程度越来越高,再加上以东南亚诸国为首的发展中国家对信用风险的关心,相信信用风险的度量和管理必将成为 21世纪风险管理研究中最具挑战的课题。长期以来信用风险评估一直被看作是模式识别中的一类分类问题,依据的信用风险衡量标准是贷款企业/违约与否0,利用的是模型与方法的分类功能,形成信用风险的分类评估模式,这种做法被称为/粗暴的经验主义方法0。然而,目前这种分类评估模式和衡量标准并未能充分反映信用风险的实质(信贷资金安全系数的不确定性),传统衡量标准对信用风险的度量客观上存在较为突出的/间接性0。另外,/违约与否0有限的取值(/00和/10)也难以精确刻画信用风险的/暴露程度0,
5、分类评估模式所反映的有限的经济信息并不能充分满足信贷风险决策的需要,转变评估模式的关键在于确立更为有效、客观的信用风险衡量标准和评估预测模型,而信用风险衡量标准的构建应当以测度信贷资金安全系数为核心,充分考虑信贷资金形成呆账的可能性在信用风险评估中的重要意义。本文在评析传统信用风险衡量标准和分类评估模式的基础上,利用单值模糊产生器、高斯型隶属函数、乘积推理规则、消极-积极补偿运算以及改进型重心反模糊化器,构建了基于补偿模糊神经网络的信用风险评估预测模型,并依据信用风险的内涵,从信用风险评估的目的出发,提出以信用风险度作为新的衡量标准。实证分析结果表明,模型可以较为客观、准确地测度信贷资金形成呆
6、账的可能性,是一种较为有效的信用风险衡量工具。1 信用风险评估方法与模型概述从20 世纪 30 年代以来,商业银行信用风险的评估方法大致经历了比例分析、统计分析和人工智能三个发展阶段,我国商业银行信用风险管理起步较晚,信用风险评估仍然沿袭传统的比例分析模式。传统的信用风险衡量标准将商业银行信用风险与贷款企业/违约与否0等同起来,采用所谓的/经济主义方法论0,其基本思想是,通过研究并挖掘/违约类0(到期未还本付息)企业样本和/非违约0类企业样本的基本特征,建立判别公式,进而对新样本进行分类。较为早期的信用风险评估方法(如主观分析法和财务比例分析法)在对贷款企业进行判别时,往往存在主观臆断性较强,
7、缺乏客观评价基础等不足,而基于严谨统计分析的信用风险评估方法得到了更为广泛地应用。在Fisher(1936)做出了启发性的研究之后,多元判别分析、多元回归分析、Logistic 回归、Factor-logistic 法、数学规划、K)85)临近判别、贝叶斯决策模型、聚类分析、存活分析等方法得到大量应用。这些统计模型的判别函数和样本分布的假设前提不尽相同,它们较为突出的优点在于具有较强的解释性,模型中变量的系数都具有一定的涵义,缺点在于统计方法一般都有较为严格的前提假设,如应用最多的多元判别分析要求样本数据服从正态分布、等协方差,且协方差、错分成本和先验概率均要已知等,但现实中许多数据难以满足这
8、些要求。虽然可以采用对数变换、二次差别分析等一些必要的技术手段和方法加以改进,但这些方法应用的同时又会相应地产生变量经济涵义不清等新的问题。随着信息技术的发展,近年来人工智能(AI)模型被引入信用风险评估中。神经网络方法作为一种具有自组织、自适应、自学习特点的非参数方法,它对样本数据的分布要求不严格,不仅具有非线性映射能力和泛化能力,而且还有较强的/鲁棒性0和较高的预测精度,这些都促使神经网络在信用风险评估领域取得了长足的发展,如模式神经网络、概率神经网络、扩展的学习向量量化器和多层感知机等都先后得到应用。但神经网络也有自身的缺点,主要集中在网络结构确定较为困难、训练效率低下和解释能力差等方面
9、;同样,虽然决策树方法可以通过对历史样本的学习构造出决策型的知识表示,与统计分析方法相比,显得更为直观、易理解,而且对专业知识没有较高要求,但其建模过程中经常出现的组合爆炸、过渡拟合等现象也制约了其进一步的发展。针对神经网络的不足,许多学者做了大量有益的尝试,如通过采用一些改进算法使由于局部无穷小、训练瘫痪、收敛速度慢等原因导致神经网络训练效率低下的问题在一定程度上得以解决;另外,通过引入模糊逻辑、误差函数的偏导数等方法增强了神经网络的解释能力。Green和 Smith(1987)运用遗传算法来研究信用风险评估问题,鉴于遗传算法定长编码机制的局限性,我国学者王春峰教授等人(2001)采用遗传规
10、划方法取得了较好的效果。不难发现,虽然人工智能模型克服了统计方法对前提假设要求较强以及静态反映信用风险等缺点,但它们评估信用风险的衡量标准始终是企业/违约与否0(或是其他有限个风险类别),模型利用的都是各自对样本的分类功能,因此这些模型都可以归结为分类评估模型,其中,衡量标准的离散性是信用风险评估采用分类评估模式的主要原因。传统信用风险的分类评估模式虽然在特定历史阶段和环境下起到了较为积极的作用,但其自身的低效性已经不能满足日益复杂的信贷风险决策的需要,而实现评估模式有效转变的关键在于确立更为科学、有效的信用风险衡量标准。同时,本文将采用模糊数学和人工智能相结合的方法,通过构建补偿模糊神经网络
11、模型,进一步提高模型的运算效率和预测精度,并以此构建信用风险的评估预测模型。2 信用风险衡量标准分析211 信用风险评估的新视角依据商业银行信用风险的定义,信用风险的实质是信贷资金安全系数的不确定性,这种不确定性实际强调的是信贷资金形成呆账的可能性,而形成信用风险的原因在于贷款企业无力或不愿清偿贷款本息。因此,评估信用风险不仅要分析贷款企业的还款意愿和还款能力,更要确定特定还款能力和还款意愿所对应的信贷资金安全系数的不确定性,确定信贷资金形成呆账的可能性,这是信用风险内涵的本质要求,也是信用风险评估的主要目的。仅评估贷款企业还款能力和还款意愿而不能确定信贷资金安全系数(或贷款形成呆账可能性)的
12、信用风险评估并没有将信用风险评估进行到底,不能充分实现信用风险评估的目的。因此,信用风险衡量标准的构建应当充分考虑/信贷资金形成呆账的可能性0在信用风险评估中的重要意义。信贷资金形成呆账的可能性不仅由贷款企业还款能力和还款意愿决定,贷款方式对信贷资金的安全系数也有重要影响。从发放信贷资金到最终回收贷款本息(或形成呆账)的过程中,贷款方式可以作为第二还款来源减少贷款损失,而不同的贷款方式对信贷资金损失的防范作用是不同的,因此,即便相对于同一贷款企业而言,不同贷款方式所对应的信用风险也是不同的,从这个角度讲,信用风险其实是一个/相对0概念,即信用风险的评估结果应是相对特定贷款方式的量化值,信用风险
13、的衡量标准应当能够体现信用风险的相对性特征。信用风险评估中另一个值得注意的问题是贷款方式对防范信用风险的/双重作用0,这种/双重作用0体现为贷款方式不仅可以通过作为第二还款来源减少信用风险损失,还可以对还款意愿产生较为重要的影响,进而可以间接作用于还款能力,尤其在信用观念较为淡薄的条件下,这种作用效果更为突出。相对于我国目前的现实情况而言,法制不甚完善,缺乏偿债意识的企业与个人不在少数,诈取银行贷款的情况时有发生,在这样的现实背景下注重贷款方式对还款意愿的促进作用则更具现实意义;而在法律健全,讲求商业信誉的社会中,贷款方式对还款意愿的作用则相对较小,主要是作为第二还款来源防范信用风险。因此,在
14、我国现阶段尚不宜忽略贷款方式对还款意愿的影响,还款能力、还款意愿和贷款方式应作为一个有机的整体共同评估。综上,商业银行信用风险评估中的风险衡量标准应该充分考虑信贷资金形成呆账的可能性、信用风险的相对性和评估要素间的作用关系,力求更为科学、客观地反映信用风险。212 关于/企业违约与否0的分析在信用风险衡量标准中,贷款企业/违约与否0一直占据着主导地位,这种做法简单明了,判别标准较易掌握,而且许多评估方法和技术手段都可得以应用,提高了信用风险评估的可操作性,不仅使信用评估方法得到了深入发展,而且也可以在一定程度上为商业银行提供信贷决策支持。然而,这种衡量标准也明显存在许多不足之处。第一,以/违约
15、与否0作为衡量标准,不能充分反映商业信用风险的实质。商业银行信用风险的实质是信贷资金安全系数的不确)86)王建新等:基于信用风险度的商业银行风险评估模型研究定性,而并非贷款企业违约与否。虽然两者之间存在一定的内在联系,但并不完全等价,因为即便银行能够确知企业到期违约与否(或违约的概率),仍然难以测算该笔贷款形成呆帐的可能性(或损失的程度)。而且只要银行拥有足够易变现的抵押品,即便企业违约也不一定会形成贷款损失,因此,企业违约风险其实是商业银行信用风险的必要条件,而非充分条件。以/企业违约与否0作为信用风险的衡量标准,没有充分考虑/信贷资金形成呆帐的可能性0在信用风险评估中的意义。第二,以/违约
16、与否0作为衡量标准,不能充分体现风险的基本特性)/不确定性0。信用风险本身作为一种风险,它具有风险的客观性、不确定性等基本特性,其中,风险的不确定性是指风险的出现是一种概率事件,风险的取值应该是随即分布的,显然/违约与否0只描述了风险/暴露与否0,取值只有/00和/10两个,这在很大程度上人为地限制了信用风险的/不确定性0,不能体现信用风险作为一种不确定性现象的基本特征。第三,以/违约与否0作为衡量标准,不能有效区分具有不同风险暴露程度的贷款业务。金融机构间相互竞争的日趋加剧、银行贷款利差的持续缩小以及高额收益的驱动,都促使商业银行更多地发放较高信用风险的贷款,尤其当优质客户供给不足时更需要进
17、行风险放贷。然而,以/违约与否0作为衡量标准的决策支持工具不能对不同风险暴露程度的贷款业务进行有效区分,不能充分满足商业银行风险决策的需要。综上所述,企业违约风险其实是商业银行信用风险的必要条件,而非充分条件。以/违约与否0作为风险衡量标准的模型和方法更适合作为企业/违约风险0的/风险识别0工具,而非商业银行/信用风险0的/风险衡量0工具。213 信用风险度的提出在综合考虑信用风险的实质及其相对性特征的基础上,本文从商业银行信用风险的定义出发,提出以/信用风险度0作为一种新的信用风险衡量标准(评估模型的输出)。信用风险度是一种以测度信用风险暴露程度(信贷资金安全系数)为核心的信用风险衡量标准,
18、它是指在某一笔信贷业务中,在特定的贷款方式下,贷款企业由于各种原因,不愿意或无力偿还银行贷款本息而使贷款将来形成呆帐的可能性。具体表现形式如下:Dki=BkiSki(1)其中,Dki为企业k 在第 i 种贷款方式下的信用风险度;Bki为企业k 在第 i 种贷款方式下信贷资金形成呆账的数额;Ski为企业k 在第i 种贷款方式下的贷款总额;Emi=1Ski=Sk,Sk为企业 k 的贷款总额;i 为第 i 种贷款方式的序号。不难发现,以信用风险度作为评估方法和模型的输出具有如下特点:第一,以信用风险度衡量信用风险具有/直接性0,它可以直接较为准确地反映信用风险的实质(信贷资金的安全系数或形成呆账的可
19、能性);第二,信用风险度的取值不再是离散的若干个有限的值,而是/00到/10的整个连续闭区间(0,1),从而能够更为精确地刻画风险的暴露程度;第三,信用风险度注重贷款方式的重要作用,强调了信用风险的/相对性0特征;第四,信用风险度具有/可验证性0 和/客观性0,其评估结果可以通过事后的考察与测算得以验证。与传统信用风险衡量标准相比,信用风险度的优越性如下表所示。表 1 信用风险度与传统衡量标准的比较企业违约与否企业违约概率信用风险度直接性企业违约风险企业违约风险信用风险连续性0,1两个值 0,1 0,1相对性无无具备客观性客观,可验证较难验证客观,可验证3 补偿模糊神经网络模型的构建补偿模糊神
20、经元是一个结合了补偿模糊逻辑和神经网络的混合系统,由面向控制和面向决策的模糊神经元所构成,这些模糊神经元被定义为执行模糊化运算、模糊推理、补偿模糊运算和反模糊化运算。由于补偿模糊逻辑神经网络引入了补偿模糊神经元,使网络能够从初始正确定义的模糊规则或者初始错误定义的模糊规则进行训练,使网络容错性更高,系统更稳定;同时,常规的模糊神经网络中,模糊运算往往采用静态的、局部优化算法,例如,最小运算、最大运算、乘积运算或者代数和运算,而补偿模糊神经网络中,模糊运算采用了动态的、全局优化算法,并且在神经网络的学习算法中,又动态地优化了补偿模糊运算,使网络更适应、更优化。网络不仅能够适当调整输入、输出模糊隶
21、属函数,也能借助于补偿逻辑算法动态地优化适应的模糊推理,其网络参数具有明确的物理含义,可以用一个启发式算法去预置,加快训练速度。对 n 维输入数据xp,xp=(xp1,xpn),和一维输出数据 yp,p=1,2,N。设计一个训练算法去最优调整模糊神经系统输入与输出隶属函数的中心和宽度。限于篇幅,本文不再对该网络的具体算法逐步推导,这里仅给出网络学习的基本公式。目标函数定义为E0=12f(xp-yp)2(2)根据梯度下降算法,有c(t+1)=c(t)-G2c(t)d2(t)c2(t)+d2(t)25Ep5Ct(3)d(t+1)=d(t)+G2d(t)c2(t)c2(t)+d2(t)25Ep5Ct
22、(4)87)Vol121,No14管 理 工 程 学 报2007年 第 4期 C(t+1)=c2(t+1)c2(t+1)+d2(t+1)(5)其中,G是学习率,t=0,1,2,。4 样本数据及实证分析411 模型的输入指标体系模型的输入指标体系需要能够对信用风险进行深入、全面、客观的刻画,并为有效甄别、测度风险奠定基础。本文在构建指标体系时主要借鉴我国财政部统计评价司的企业效绩评价指标以及国内外有关文献的相关指标,在分类、汇总、整理的基础上,同时兼顾数据的可获取性原则和可量化原则,最终确定流动比率、速动比率、超速动比率、营运资金P资产总额、资产负债率、净资产收益率、资产收益率、销售收入P资产总
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 信用风险 商业银行 风险 评估 模型 研究 王建新
限制150内