商業(yè)銀行信用風險與預測模型的比較

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了商業(yè)銀行信用風險與預測模型的比較范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：得益于互聯(lián)網(wǎng)金融高速的核審貸款速度、滿意的客戶體驗、較低的借貸門檻，使這種新信貸模式得到飛速的發(fā)展。對于具有資金借貸需求的群體而言，融資渠道的擴展在一定程度上有效地降低了融資成本，提高了融資效率；在促使商業(yè)銀行主動改變服務方式的同時，對傳統(tǒng)業(yè)務也產(chǎn)生了一定的影響。本文比較分析了傳統(tǒng)、現(xiàn)代以及新興信用風險管理模型。結論表明，BP神經(jīng)網(wǎng)絡模型由于具有學習能力強，結構簡單等優(yōu)點，可以被用來對商業(yè)銀行的信用風險進行評估和預測。

關鍵詞：信用風險；神經(jīng)網(wǎng)絡模型；風險管理

一、互聯(lián)網(wǎng)信貸發(fā)展背景

由于金融科技、大數(shù)據(jù)、云計算等快速發(fā)展，互聯(lián)網(wǎng)信貸正在潛移默化地改變著傳統(tǒng)金融業(yè)，由于這種形式具有門檻低，審批速度快等優(yōu)點，成為了當前眾多借貸者的首選融資方式。這為推動社會經(jīng)濟發(fā)展帶來了資金上巨大的推動力，也給商業(yè)銀行帶來了新的挑戰(zhàn)。由于商業(yè)銀行在整個社會經(jīng)濟體系中具有強烈的外部性特點，對信用風險的管理和評估具有深刻的意義。信用風險評估是商業(yè)銀行信用風險管理的重要組成部分。如何在有效控制信用風險的前提下，提高審批效率，降低壞賬可能性是目前商業(yè)銀行所共同面臨的難題。積極尋找有效的借款人信用評估模型成為商業(yè)銀行控制其信用風險重要著力點。

二、信用風險及信用風險評估模型

（一）信用風險

廣義的商業(yè)銀行信用風險包括客戶違約風險，擠提風險以及或有負債轉(zhuǎn)為表內(nèi)負債的風險。狹義的商業(yè)銀行信用風險是指在信貸活動過程中由于借款者違約導致借款無法按時足額償還本金和利息，為商業(yè)銀行帶來損失的可能性。向商業(yè)銀行借款的企業(yè)和個人都屬于借款者的范疇。在本文中，信用風險評估模型僅針對狹義的信用風險。

（二）信用風險評估模型比較分析

（1）傳統(tǒng)信用風險評估模型。傳統(tǒng)的信用風險預測評估模型有專家制度模型、Z評分模型等。其中專家制度模型主要是由商業(yè)銀行選用有豐富信貸從業(yè)經(jīng)驗的人員根據(jù)5C，5W，5P等標準做出是否貸款的決定，這種方法存在著主觀性強、容易造成貸款集中度過高、人力成本高等缺點。Z評分模型也存在一定的缺陷，例如：缺乏理論基礎，僅考慮財務變量而忽視市場指標；線性關系假設；由于會計資料更新速度慢，對市場變化不夠靈敏；僅考慮違約與非違約兩種極端狀態(tài)，對于壞賬回收率很高的情況沒有分類等。（2）現(xiàn)代信用風險評估模型。KMV模型、VaR方法、CreditMetrics模型等則屬于現(xiàn)代信用風險評估模型的范疇。其中KMV模型僅能夠被應用于上市公司，對于非上市商業(yè)銀行的指導意義不大。而當使用VaR方法度量國內(nèi)商業(yè)銀行的信用風險時，所面臨的最大的問題是國內(nèi)商業(yè)銀行的大部分貸款業(yè)務不能進行交易，因此無法觀測到其實際市值，從而無法估算出貸款價值分布，因此適用性較差。然而，CreditMetrics模型直接根據(jù)歷史平均數(shù)據(jù)進行違約率的估算，而違約率與歷史違約水平并沒有完全的相關關系。基于統(tǒng)計方法的預測模型主要有多元判別分析模型、lo⁃gistic回歸模型、最近鄰法、決策樹法等。其中，應用最廣泛的是多元判別分析模型和logistic回歸模型。由于單變量檢驗存在固有的缺點，例如：無法對不同財務比率的重要性進行排序，也無法對強比率與弱比率之間進行綜合分析，如借款者，特別是企業(yè)借款者利潤指數(shù)的相對表現(xiàn)；在流動性指標普遍高于平均水平的情況下，綜合評判借款者信用狀況成為單變量檢驗的瓶頸。在這種情況下，多元判別分析模型應運而生。該模型的建模關鍵點是構建判別函數(shù)。按照判別標準，存在多種判別法，例如：距離判別法、貝葉斯判別法、Fisher判別法、逐步及序貫判別法。目前建立判別函數(shù)的方法最常用的有以下兩種：第一，貝葉斯判別函數(shù)。這種判別函數(shù)是在已知總分布的前提下，得到平均誤差概率最小的判別函數(shù)。第二，未知種群分布或未知種群分布函數(shù)。這是在Fisher準則下的最優(yōu)線性判別函數(shù)，其方法是建立判別分析模型，使組間比值和組內(nèi)方差最大。已知各組的協(xié)方差矩陣、均值向量、先驗概率以及誤判代價時，當各組服從多元正態(tài)分布，并且各組的協(xié)方差矩陣相同，可以證明由Fisher判別方法推導出的判別規(guī)則可以最大限度地減少誤判懲罰。多元判別分析模型雖然能夠解決信息丟失以及無法獲得直接信息的難點，但由于它的應用也建立在眾多假設條件下，造成多元判別分析模型的應用也存在著一定的局限性。另一個較為常用的logistic回歸模型由于其操作的簡便性并且能夠適用于連續(xù)和類別性自變量受到眾多學者的推崇。但是這個模型對于自變量的多重共線性較為敏感，而在為分析借款人信貸風險進行建模時，選用的自變量往往存在多重共線性，這導致模型的預測結果存在偏差。（3）BP神經(jīng)網(wǎng)絡模型。由心理學家、神經(jīng)學家、生物學家共同提出的神經(jīng)網(wǎng)絡模型，是一種并行分布式模式處理系統(tǒng)，通過模擬人腦神經(jīng)組織進行學習以及記憶存儲。目前被廣泛應用于各個領域。神經(jīng)網(wǎng)絡由輸入層、中間隱藏層和輸出層組成，結構簡單。其中每個連接的輸入和輸出單元都與一個權值相關聯(lián)。它的學習過程主要是經(jīng)歷以下階段：首先將學習樣本輸入層，通過“模式傳播”到達輸出層，如果輸出結果與實際結果存在較大誤差，結果則從輸出層傳遞到隱層，然后進行逐層修改權值，通過這樣的一個“誤差反向傳播”過程，模擬人腦神經(jīng)進行“記憶訓練”，直至輸出結果與實際結果趨于收斂，使總體誤差趨于最小。

三、BP神經(jīng)網(wǎng)絡模型適用性分析

風險管理是商業(yè)銀行日常經(jīng)營管理中的重中之重。隨著監(jiān)管要求的提高以及利率市場化的推進，國內(nèi)各商業(yè)銀行之間的競爭日益加劇，商業(yè)銀行對信用風險預測、度量以及評估建模提出了越來越高的要求。在這種情況下，國內(nèi)外研究機構和學者針對這一領域展開了深入的研究，試圖能夠找到一種適應目前特定市場環(huán)境，預測效果精準的商業(yè)銀行信用風險度量模型，相關模型研究如上文所所述，然而這些模型存在一定的局限性，不能適應現(xiàn)代信用風險評估。BP神經(jīng)網(wǎng)絡模型的獨特優(yōu)點決定了該模型在商業(yè)銀行信用風險預測和管理中的適用性。首先，BP神經(jīng)網(wǎng)絡模型屬于非參數(shù)模型，具有很強的非線性映射能力和自主學習能力。在缺少具體信用體系指標的信貸市場情境中，與傳統(tǒng)的信用風險評估方法相比，BP神經(jīng)網(wǎng)絡模型具有更好的分類精度、適應性和動態(tài)性；神經(jīng)網(wǎng)絡使用的是分布式的儲存結構，這意味著個別數(shù)據(jù)并不會影響最終的評估結果，這是BP神經(jīng)網(wǎng)絡模型的魯棒性的體現(xiàn)。這種優(yōu)點可以有效地降低由于個別借款者信用意識淡薄，利用虛假偽造信息進行借貸所發(fā)生的壞賬可能性對評估模型的影響。另外，神經(jīng)網(wǎng)絡在新環(huán)境下具有泛化能力和容錯能力，能夠處理噪聲和不完整的數(shù)據(jù)，這樣就可以減少由于信息缺失所帶來的模型風險。更重要的是它具有較強的數(shù)據(jù)融合能力，具有同時處理定量和定性信息的能力。這一特點解決了貸款審批過程中借款人信用評價指標體系構成不明確，定量與定性指標混用的問題；除上述優(yōu)點之外，BP神經(jīng)網(wǎng)絡模型是一個多變量模型，可以任意設定輸入變量和輸出變量的數(shù)量，在實際使用過程中具有靈活性和簡便性。在海量數(shù)據(jù)時代，BP神經(jīng)網(wǎng)絡模型可以通過自主學習，在海量數(shù)據(jù)中找到規(guī)律，為解決大規(guī)模復雜問題提供了一種相對有效和簡單的方法，隨著人工智能、大數(shù)據(jù)的飛速應用以及算法的優(yōu)化，越來越受到金融風險管理領域的認可。

四、結語

根據(jù)現(xiàn)有主流信用風險評估模型的比較分析，BP神經(jīng)網(wǎng)絡模型在當前特定的市場環(huán)境下具有獨特的優(yōu)勢，其簡潔性、魯棒性、適用性決定了BP神經(jīng)網(wǎng)絡模型可以在商業(yè)銀行的風險管理過程中被用來進行預測和評估。當然，每種模型都會存在一定的缺陷，完全依賴模型進行風險管控很容易受到模型風險的影響，從而對預測結果造成一定的干擾。除了借助模型，政府還應該從積極引導建立健全社會信用評價體系方面入手，同時商業(yè)銀行在信貸業(yè)務開展過程中堅持嚴格審查，借款者自覺披露真實信息，才能將信用風險有效地降低在可控范圍之內(nèi)。

參考文獻

［1］黃薷丹.基于大數(shù)據(jù)算法的商業(yè)銀行企業(yè)客戶信貸風險評價模型建立與實證研究［J］.當代經(jīng)濟,2018（22）.

［2］曾嶸欣.基于BP神經(jīng)網(wǎng)絡的商業(yè)銀行信用風險度量模型研究［J］.金融發(fā)展研究，2018（6）.

［3］胡欣悅,李麗.商業(yè)銀行信貸風險分析的人工神經(jīng)網(wǎng)絡模型研究［J］.系統(tǒng)工程理論與實踐

作者：趙曉娟 單位：山東女子學院