基于两类信用风险评估方法的比较及启示
来源:用户上传
作者: 华德志
【摘要】本文首先对信用风险作了简要的阐述，指出信用风险评估的重要性；然后提出两类信用风险评估方法，通过对两类方法介绍、比较和存在问题的探讨，得出了其不足；最后，基于前述两类方法的分析指出我国信用风险评估目前存在的问题和不足并对此提出了若干建议。
【关键词】信用风险评估 判别分析 Logit模型 BP人工神经网络模型
一、引言
银行在现代经济体系中发挥着非常重要的作用，尤其是在创造货币存款、实现金融政策效率、社会投资实现等方面都起到了举足轻重的核心作用。信用风险评估是银行信用风险管理的关键环节，关系到银行自身的生存和经济社会的稳定和繁荣，世界上所有国家都非常重视对银行信用风险的监管和评估，特别是发达国家更是对此关注度极高。我国商业银行和金融市场仍处在转轨和新兴发展阶段，信用风险管理方法和技术比较落后，因此加快我国信用风险评估方法研究显得尤为必要和迫切。
信用风险评估方法的研究可以追溯到上世纪30年代，大致经历了比例分析、统计分析和人工智能三个阶段。本文试图通过阐述统计模型和人工智能模型中的典型代表来分别阐述其实现条件和过程，分析各种方法的不足，并对我国银行信用风险评价方法给出评价和建议。
二、两类银行信用风险评估方法介绍
（一）传统统计方法概述
传统的统计分析方法主要是基于多元统计分析方法，其基本思路是根据已经掌握的历史上每个类别的若干样本，从中分析出分类的规律，建立判别公式，用于新样本的分类，典型的代表有多元判别分析（MDA）和Logit模型分析。
1.多元判别分析（MDA）。数理统计理论中判别分析模型主要有三类，分别是距离判别法、Bayes判别分析法、Fisher判别分析法；在三种判别分析方法中，距离判别法是根据个体到总体间的距离进行判别；Bayes判别是在已知总体分布的条件下求得平均误判概率最小的分类判别函数；Fisher判别是在未知总体分布函数的条件下，根据Fisher准则得到的最优线性判别函数，Fisher准则的基本思想就是利用一元方差分析思想，导出线性判别函数。
2.Logistic模型的提出。由于多元判别分析模型（MDA）在应用的过程中要求有正态分布的假定，而在现实经济生活中常无法满足，所以当涉及到一些样本数据不同分布于正态分布时，应用MDA模型所得到的研究结果缺乏可信度，从而探索非同分布的方法就十分必要，其中最常见的一种方法就是应用Logistic模型，Logit分析与MDA分析最本质的差异就在于Logit分析不需要样本满足正态分布或同方差，其判别正确率高于判别分析结果。Logit模型采用logistic函数，函数形式如下：
Y=,η=с0+cixi；
其中xi（1≤i≤p）表示第i个指标，ci是第i个指标的系数，Y是因变量，因为Y∈（0,1），所以Y也可以理解为属于某一类的概率。
由于logit分析无需假定任何的概率分布，所以就不需要类似于判别分析那样先进行检验而是可以直接应用样本数据计算，以得到logit模型。
（二）人工智能模型（AI）概述
1.人工神经网络及BP神经网络概述。人工神经网络是一种具有模式识别能力的计算机制，它具有自组织、自适应和自学习三大特点，它的编码可以用于整个的权值网络，不仅可以呈现分布式存储，而且具有相当大的容错能力。在人工神经网络中，下面提到的BP神经网络技术是算法最成熟且应用最广泛的一种。
2.BP神经网络的基本原理和算法。第一，BP神经网络的基本原理。
BP神经网络属于前向三层即前馈式神经网络的一种典型分支代表，主要是由以下三个部分组成即输入层、隐含层和输出层组成。
第二，BP神经网络的基本算法。
BP学习算法的基本思想是通过由输入层输入的信息，传导至隐层分析后再由输出层输出，如果输出层的结果未达到期望值要求则计算每个神经元的误差值并且将这些误差值重新反向传递到隐层的神经元，根据误差值调整各个神经元的连接权值，直到误差值达到了期望值的要求。
BP神经网络技术一般运用传递函数来反映下层的输入对上层节点的刺激脉冲强度，因此传递函数又称为刺激函数，通常情况下取（0，1）内连续取值Sigmoid函数。
Sigmoid函数函数可以表示为：
该函数可以用于计算和反映出实际的计算输出与期望输出间的误差大小。
三、两类方法存在问题的分析
（一）统计分析方法存在的问题
传统统计分析模型是以历史数据作为分析和建立模型的基础，这些数据仅以会计账面价值为原始来源，没有将银行贷款者的非财务因素纳入模型当中，并且这些会计账面数据属于离散和非连续性的数据类型，因此很难捕捉到这些银行贷款者信用状况细微和快速的变化，无法对贷款者的信用状况做出比较全面的评价。另外，该类模型处理速度慢且数据的准确性较差，属于静态模型没有自主的调整能力。
（二）人工智能模型存在的问题
人工智能模型最大的缺陷在于指标和加权值的确定带有很大的主观性和不确定性，造成在网络结构确定方面存在较大困难，另外该模型的训练效率比较低，解释能力也比较差，在建模过程中经常出现组合爆炸和过度拟合等问题。其典型代表神经网络系统的缺陷主要有以下几个方面，第一，所谓“黑箱子”问题，即神经网络没有办法确定输入变量之间的具体的函数关系，也无法产生有效的统计规则来解释模型的具体运行过程，这使得模型在应用时缺乏透明度和可信度；第二，在指标选取方面，神经网络模型对于非线性的方法没有统一具体的成熟方法进行分析指标选取；第三，模型结构的问题，神经网络模型在应用过程中效果表现的好坏和预测结果的精确程度主要决定于系统结构的设计是否合理和科学，但是如果想要得到一个比较好的神经网络结构通常会消耗大量的人力和时间，这些在实际的建模过程中经常无法同时满足。
四、对我国银行信用风险评估的启示
（一）我国银行信用风险评估存在的问题
我国商业银行信用风险评估方法的主要缺陷可以概括为以下几个方面，首先，在商业银行信用风险评估中，大部分采用的仍然是专家系统机制，即通过个别专家系统的经验和个别风险分析人员提供的信息来对信贷的风险进行评估和决策，这就导致信用风险评估效果较低且银行无法及时地应对金融市场的即时变化；其次，国内对银行信用风险评价方法的研究中大都缺乏定性分析和定量分析相结合的探索，片面的停留在定性分析和定量分析的两个极端，第三，在现今的银行信用风险评估指标体系方面，没有形成客观、科学、有效的指标体系，大多数信用风险模型选取的都是财务性指标而缺乏那些影响信用风险的非财务指标；最后，由于我国金融市场的发展起步较晚，银行业各种运作机制存在很多的问题尚待完善和发展，其中很重要的一点就是我国商业银行在客户资料收集、整理和存储方面存在很大的不足，未能建立有效的风险评估数据库系统，不能为风险评估模型的运用提供很好的样本基础，成为制约我国风险评估方法发展的一大瓶颈。
（二）对我国银行信用风险评估的启示
虽然我国商业银行信用风险评估的方法和理论得到了不断地发展，但其中仍存在需要改进的地方。在我国，大多数先进的银行信用风险评估方法是建立在西方发达国家商业银行对历史数据的统计分析和经验总结的基础上，还不能够直接应用到我国商业银行信用风险评估当中，因此我国商业银行在研究和探索信用风险评估方法时必须考虑到我国自己的基本国情、金融市场发展的现状以及银行业自身发展的客观现实等。
针对以上分析的国内信用风险评估方法发展的现状，我们可以通过从以下几个方面来改善和提高。一方面，商业银行应该建立切实有效的企业信贷风险管理数据库系统，加强对企业各类违约风险评估数据的收集、整理和管理，及时更新和加强数据库的建设。另一方面，商业银行需要建立自身内部的信用评价体系，为现代信用风险评估的运用创造适宜的条件和基础，将定性方法和定量方法相结合，进一步推动我国银行信用风险评估方法的发展。最后，任何完善的信用风险评估方法都离不开高素质的专业风险管理人才，因此加强信用风险评评价的人才队伍建设也是一个刻不容缓的课题，商业银行应该加快培养高素质信用风险评估人才的步伐，同时要在全球范围内大量吸纳那些已经具备信用风险评估专业知识和技术的优秀人才，为推动我国信用风险评估方法的进步不断寻求突破。
参考文献
［1］柯孔林，周春喜.商业银行信用风险评估方法研究述评［J］.商业经济与管理，2005(6)
［2］王建新，于立勇.基于信用风险度的商业银行风险评估模型研究［J］.管理工程学报，2007(4)
［3］徐晓霞，李金林.基于决策树法的我国商业银行信用风险评估模型研究［J］，北京理工大学学报，2006, 8(3)
［4］王莉，郑兆瑞，郝记秀.BP神经网络在信用风险评估中的应用［J］.太原理工大学学报，2005,36(2)
［5］韩岗.国外信用风险度量方法及其使用性研究［J］，国际金融研究，2008
［6］闫晓丽，徐建中.商业银行信用风险评估模型比较研究［J］，哈尔滨工业大学学报（社会科学版），2007,9(2)
［7］郑毅，蔺帅.遗传神经网络在商业银行信用风险评估中的应用［J］.社会科学家，2008,(1)
作者简介：华德志（1987-），男，汉族，安徽安庆人，就读于安徽大学经济学院金融学研究生，研究方向：金融学。
注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文
转载注明来源:https://www.xzbu.com/3/view-727169.htm
