銀行管理論文-基于數(shù)據(jù)倉庫的銀行信用評級模型的構(gòu)建 .doc

銀行管理論文-基于數(shù)據(jù)倉庫的銀行信用評級模型的構(gòu)建摘要基于數(shù)據(jù)倉庫,利用RBF神經(jīng)網(wǎng)絡(luò),建立了銀行信用內(nèi)部評級系統(tǒng),提出了企業(yè)信用主題數(shù)據(jù)模型和風(fēng)險評估模型的訓(xùn)練過程。實證結(jié)果表明,該模型對銀行信用評估可取得較好的效果。關(guān)鍵詞數(shù)據(jù)倉庫；神經(jīng)網(wǎng)絡(luò)；商業(yè)銀行；信用評級一、引言近年來,商業(yè)銀行的風(fēng)險管理成為國際國內(nèi)金融界關(guān)注的焦點。商業(yè)銀行在運營過程中面臨的金融風(fēng)險主要有信用風(fēng)險、利率風(fēng)險、匯率風(fēng)險、流動性風(fēng)險和操作風(fēng)險等,其中信用風(fēng)險占有特殊的地位。信用風(fēng)險指的是借款人由于種種原因,不愿或無力償還銀行貸款本息,使銀行貸款無法收回,形成呆賬損失的可能性。在現(xiàn)代商業(yè)銀行經(jīng)營中,信用風(fēng)險是影響其安全高效運營的主要原因。風(fēng)險管理是一種主動的事前行為,而不是事后的補救。應(yīng)通過分析現(xiàn)有的數(shù)據(jù),大量運用數(shù)理統(tǒng)計模型識別、衡量和檢測風(fēng)險,利用大量歷史數(shù)據(jù)建立數(shù)據(jù)倉庫,依靠數(shù)據(jù)挖掘手段了對數(shù)據(jù)倉庫中數(shù)據(jù)信息進行深度加工和利用,挖掘出數(shù)據(jù)模型來預(yù)測和防范未來的風(fēng)險,進行風(fēng)險量化管理。數(shù)據(jù)挖掘是通過自動或半自動的工具對大量的歷史數(shù)據(jù)進行探索和分析的過程,其目的是發(fā)現(xiàn)其中有意義的模式和規(guī)律。數(shù)據(jù)挖掘不是一種現(xiàn)成的產(chǎn)品,而是一門技能。數(shù)據(jù)挖掘的建模方法分為線形回歸、邏輯回歸、神經(jīng)網(wǎng)絡(luò)、遺傳算法和分類樹等。由于我國商業(yè)銀行目前在處在轉(zhuǎn)軌階段,一方面由于信息殘缺不全,另一方面由于傳統(tǒng)的統(tǒng)計方法假定條件的局限性,使我國信用風(fēng)險評估難以達到滿意的效果。人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork,簡稱ANN)是20世紀50-60年代產(chǎn)生,80年代以來發(fā)展起來的一種處理復(fù)雜非線性問題十分有效的手段,目前已在模式識別等領(lǐng)域得到廣泛的應(yīng)用?，F(xiàn)有數(shù)十種神經(jīng)網(wǎng)絡(luò)方法,實際工作中大都采用BP(BackPropagation)網(wǎng)絡(luò),一些文獻將其應(yīng)用于銀行信用風(fēng)險評估取得了較好的效果。但同時BP網(wǎng)絡(luò)也存在局限性:由于BP網(wǎng)絡(luò)用于函數(shù)逼近時,權(quán)值的調(diào)整是用梯度下降法,存在局部極小和收斂速度慢的問題；已學(xué)習(xí)好的網(wǎng)絡(luò)的推廣(泛化)問題；網(wǎng)絡(luò)的隱含節(jié)點個數(shù)的選取尚缺少統(tǒng)一而完整的理論指導(dǎo)等。而RBF(RadialBasisFunction)網(wǎng)絡(luò)在逼近能力、分類能力和學(xué)習(xí)速度等方面均優(yōu)于BP網(wǎng)絡(luò)。利用RBF網(wǎng)絡(luò)來完成函數(shù)逼近任務(wù),并且將結(jié)果與BP網(wǎng)絡(luò)以及采用改進BP算法的前向網(wǎng)絡(luò)的訓(xùn)練結(jié)果作比較,發(fā)現(xiàn)RBF網(wǎng)絡(luò)所用的時間最短。本文將結(jié)合數(shù)據(jù)倉庫與RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建銀行信用內(nèi)部評級系統(tǒng)。二、數(shù)據(jù)倉庫數(shù)據(jù)倉庫并非是一個僅僅存儲數(shù)據(jù)的簡單信息庫,因為這實際上與傳統(tǒng)數(shù)據(jù)庫沒有兩樣。數(shù)據(jù)倉庫實際上是一個“以大型數(shù)據(jù)管理信息系統(tǒng)為基礎(chǔ)的,附加在這個數(shù)據(jù)庫系統(tǒng)之上的,存儲了從企業(yè)所有業(yè)務(wù)數(shù)據(jù)庫中獲取的綜合數(shù)據(jù),并能利用這些綜合數(shù)據(jù)為用戶提供經(jīng)過處理后的有用信息的應(yīng)用系統(tǒng)”。如果說傳統(tǒng)數(shù)據(jù)庫系統(tǒng)的重點與要求是快速、準確、安全、可靠地將數(shù)據(jù)存進數(shù)據(jù)庫中的話,那么數(shù)據(jù)倉庫的重點與要求就是能夠準確、安全、可靠地從數(shù)據(jù)庫中取出數(shù)據(jù),經(jīng)過加工轉(zhuǎn)換成為有規(guī)律的信息之后,再供管理人員進行分析使用。數(shù)據(jù)倉庫必須隨時間變化而不斷增加新的內(nèi)容,進行新的分析和綜合。一方面,數(shù)據(jù)倉庫中需要不斷捕捉信息系統(tǒng)中變化的數(shù)據(jù),將它們追加到數(shù)據(jù)倉庫中；另一方面,數(shù)據(jù)倉庫中包含大量的綜合數(shù)據(jù),這些綜合數(shù)據(jù)中很多是和時間有關(guān)的。需要隨時間變化不斷進行綜合。就信用評級而言,委員會規(guī)定商業(yè)銀行要隨時跟蹤客戶財務(wù)狀況的變化,至少每年對客戶進行一次評級。因此,數(shù)據(jù)倉庫也要隨時變化。利用上1年的企業(yè)評級數(shù)據(jù)及專家對評級的調(diào)整,建立和調(diào)節(jié)評級模型,來預(yù)測分析客戶今年的評級情況。數(shù)據(jù)模型的訓(xùn)練過程見圖1。三、RBF神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)網(wǎng)絡(luò)是單隱層的3層前向網(wǎng)絡(luò),輸入層節(jié)點傳遞輸入信號到隱層,隱層節(jié)點的基函數(shù)對輸入信號在局部產(chǎn)生響應(yīng),當輸入信號逼近基函數(shù)的中央范圍時,隱層節(jié)點將產(chǎn)生較大的輸出。由此可見,RBF網(wǎng)絡(luò)具有局部逼近能力。其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。作為基函數(shù)的形式,有下列幾種:四、數(shù)據(jù)模型數(shù)據(jù)倉庫中數(shù)據(jù)的采集需要從各種業(yè)務(wù)應(yīng)用系統(tǒng)和管理信息系統(tǒng)中獲取,如交易系統(tǒng)、信貸管理信息系統(tǒng)、客戶關(guān)系管理信息系統(tǒng)(CRM)等系統(tǒng)抽取數(shù)據(jù),然后按照統(tǒng)一的數(shù)據(jù)標準,經(jīng)過ETL(抽取、轉(zhuǎn)換和加載)放入數(shù)據(jù)倉庫的企業(yè)信用主題系統(tǒng)中存儲、展示。在數(shù)據(jù)倉庫中可以根據(jù)需要,建立多個應(yīng)用主題,其中根據(jù)信用評級的需要建立的企業(yè)信用主題中的數(shù)據(jù)模型如下:在銀行信用評估中,多采用指標打分法,影響客戶信用評級的指標有很多。在本文中采用反映客戶財務(wù)狀況、經(jīng)營狀況最客觀、最主要的6個指標:資產(chǎn)報酬率=利潤總額+財務(wù)費用/年平均總資產(chǎn)資產(chǎn)負債率=總負債/總資產(chǎn)速動比率=流動資產(chǎn)-存貨/流動負債流動比率=流動資產(chǎn)/流動負債利息保障倍數(shù)=經(jīng)營活動現(xiàn)金流量凈額/利息支出應(yīng)收賬款周轉(zhuǎn)率=銷售收入凈額/應(yīng)收賬款平均余額+應(yīng)收票據(jù)平均余額其中:流動比率和速動比率反映企業(yè)的償債能力,表現(xiàn)放貸企業(yè)擁有債權(quán)的安全程度及貸款企業(yè)到期償還債務(wù)的能力,如果貸款企業(yè)到期無法償還債務(wù),將面臨破產(chǎn)的危險；應(yīng)收賬款周轉(zhuǎn)率用于衡量企業(yè)在資產(chǎn)管理方面的效果；資產(chǎn)負債率反映企業(yè)的總負債在總資產(chǎn)中所占的比例。資產(chǎn)報酬率反映貸款企業(yè)經(jīng)營能力；利息保障倍數(shù)反映貸款企業(yè)按時還息的能力。為了消除行業(yè)之間指標的差異性,同時對輸入指標進行“歸一化”處理,指標的評價采用的是“功效記分”方法,。功效記分是在選定的指標體系基礎(chǔ)上,對每一個指標都確定一個滿意值和不允許值,然后以不允許值為下限,計算各指標實際值實現(xiàn)滿意值的程度,并轉(zhuǎn)化為相應(yīng)的功效分數(shù):指標的功效分數(shù)=指標的實際值-指標的不允許值/指標的滿意值-指標的不允許值指標的功效分數(shù),即是該指標的評價得分。指標的實際值比滿意值好,指標的功效分數(shù)得1分,比不允許值差得零分。有的指標是較高為好,如盈利指標,有的是較低為好,如資產(chǎn)負債率。某銀行部分行業(yè)的指標參考值如表1所示。根據(jù)上述6個分析指標,RBF模型有6個輸入節(jié)點,一個輸出節(jié)點。輸出節(jié)點輸出客戶的評估級別,在本文中分為3個級別,分別對應(yīng)數(shù)值1,2,3。五、算例本文收集了某銀行160個不同行業(yè)的貸款客戶在2004年6月下旬的數(shù)據(jù)樣本,去除其中17個不合格數(shù)據(jù)樣本,剩下的143個數(shù)據(jù)樣本中128個樣本用于建立評估模型,15個樣本用于進行模型檢測。該銀行將貸款客戶的信用評級分為是10級,分別為:AAA級、AA級、A級、BBB級、BB級、B級、CCC級、CC級、C級、D級,其中D級客戶已處于實際違約狀態(tài),在模型中不考慮。這樣,我們將AAA-A定為1級,BBB-B定為2級,CCC-C級定為3級。1.訓(xùn)練神經(jīng)網(wǎng)絡(luò)。設(shè)定網(wǎng)絡(luò)學(xué)習(xí)的誤差為GOAL=0.01,RBF網(wǎng)絡(luò)的分布SPREAD=1.0。建立RBF網(wǎng)絡(luò),隱層神經(jīng)元個數(shù)與誤差平方和的關(guān)系圖如圖3所示。當神經(jīng)元個數(shù)neurons=100個時,SSE=3.27185；當neurons=125時,SSE=0.0127,滿足學(xué)習(xí)的誤差要求,RBF網(wǎng)絡(luò)訓(xùn)練完畢。2.網(wǎng)絡(luò)檢測。將先前準備的15個企業(yè)的指標數(shù)據(jù)用于RBF網(wǎng)絡(luò)檢測。檢測樣本的輸出結(jié)果如表2所示。誤差符合要求,因此這個RBF神經(jīng)網(wǎng)絡(luò)模型就是從數(shù)據(jù)倉庫中挖掘出的信用評級模型。六、結(jié)論本文研究了利用數(shù)據(jù)倉庫結(jié)合RBF神經(jīng)網(wǎng)絡(luò)用于銀行信用內(nèi)部評級系統(tǒng)的建立,并利用我國商業(yè)銀行的實際數(shù)據(jù),對風(fēng)險評估模型的效果進行了檢驗。實證結(jié)果表明,基于RBF神經(jīng)網(wǎng)絡(luò)的信用評級模型克服了人為因素的主觀性,體現(xiàn)了評估的客觀性、科學(xué)性,并且從仿真的結(jié)果來看,對銀行信用評估可取得較好的效果。同時,在數(shù)據(jù)倉庫的基礎(chǔ)上,此數(shù)據(jù)模型可根據(jù)不斷增加的新數(shù)據(jù)來進行調(diào)整,以適應(yīng)社會的發(fā)展、金融投資的變化。參考文獻:1袁曾任.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用M.北京:清華大學(xué)出版社,2000.2郝麗萍,胡欣悅,李麗.商業(yè)銀行信貸風(fēng)險分析的人工神經(jīng)網(wǎng)絡(luò)模型研究J.系統(tǒng)工程理論與實踐,2001,(5).3周露,王丹力.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用M.北京:科學(xué)出版社,2003.4王春峰,萬海暉,張維.基于神經(jīng)網(wǎng)絡(luò)技術(shù)的商業(yè)銀行信用風(fēng)險評估J.系統(tǒng)工程理論與實踐,1999,(9).5章忠志,符林,唐煥文.基于人工神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險模型J.經(jīng)濟數(shù)學(xué),2003,(9).6BartBaesens,RudySetiono,ChristopheMues,JanVanthienen.UsingNeural