銀行信用評級管理

前言：本站為你精心整理了銀行信用評級管理范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

一、

數據倉庫

數據倉庫并非是一個僅僅存儲數據的簡單信息庫,因為這實際上與傳統數據庫沒有兩樣。數據倉庫實際上是一個“以大型數據管理信息系統為基礎的,附加在這個數據庫系統之上的,存儲了從企業所有業務數據庫中獲取的綜合數據,并能利用這些綜合數據為用戶提供經過處理后的有用信息的應用系統”。如果說傳統數據庫系統的重點與要求是快速、準確、安全、可靠地將數據存進數據庫中的話,那么數據倉庫的重點與要求就是能夠準確、安全、可靠地從數據庫中取出數據,經過加工轉換成為有規律的信息之后,再供管理人員進行分析使用。

數據倉庫必須隨時間變化而不斷增加新的內容,進行新的分析和綜合。一方面,數據倉庫中需要不斷捕捉信息系統中變化的數據,將它們追加到數據倉庫中;另一方面,數據倉庫中包含大量的綜合數據,這些綜合數據中很多是和時間有關的。需要隨時間變化不斷進行綜合。就信用評級而言,委員會規定商業銀行要隨時跟蹤客戶財務狀況的變化,至少每年對客戶進行一次評級。因此,數據倉庫也要隨時變化。利用上1年的企業評級數據及專家對評級的調整,建立和調節評級模型,來預測分析客戶今年的評級情況。數據模型的訓練過程見圖1。

二、近年來,商業銀行的風險管理成為國際國內金融界關注的焦點。商業銀行在運營過程中面臨的金融風險主要有信用風險、利率風險、匯率風險、流動性風險和操作風險等,其中信用風險占有特殊的地位。信用風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。在現代商業銀行經營中,信用風險是影響其安全高效運營的主要原因。

風險管理是一種主動的事前行為,而不是事后的補救。應通過分析現有的數據,大量運用數理統計模型識別、衡量和檢測風險,利用大量歷史數據建立數據倉庫,依靠數據挖掘手段了對數據倉庫中數據信息進行深度加工和利用,挖掘出數據模型來預測和防范未來的風險,進行風險量化管理。數據挖掘是通過自動或半自動的工具對大量的歷史數據進行探索和分析的過程,其目的是發現其中有意義的模式和規律。數據挖掘不是一種現成的產品,而是一門技能。數據挖掘的建模方法分為線形回歸、邏輯回歸、神經網絡、遺傳算法和分類樹等。

由于我國商業銀行目前在處在轉軌階段,一方面由于信息殘缺不全,另一方面由于傳統的統計方法假定條件的局限性,使我國信用風險評估難以達到滿意的效果。

人工神經網絡(artificialneuralnetwork,簡稱ann)是20世紀50-60年代產生,80年代以來發展起來的一種處理復雜非線性問題十分有效的手段,目前已在模式識別等領域得到廣泛的應用。

現有數十種神經網絡方法,實際工作中大都采用bp(backpropagation)網絡,一些文獻將其應用于銀行信用風險評估取得了較好的效果。但同時bp網絡也存在局限性:由于bp網絡用于函數逼近時,權值的調整是用梯度下降法,存在局部極小和收斂速度慢的問題;已學習好的網絡的推廣(泛化)問題;網絡的隱含節點個數的選取尚缺少統一而完整的理論指導等。而rbf(radialbasisfunction)網絡在逼近能力、分類能力和學習速度等方面均優于bp網絡。利用rbf網絡來完成函數逼近任務,并且將結果與bp網絡以及采用改進bp算法的前向網絡的訓練結果作比較,發現rbf網絡所用的時間最短。

本文將結合數據倉庫與rbf神經網絡構建銀行信用內部評級系統。

三、rbf神經網絡

徑向基函數網絡是單隱層的3層前向網絡,輸入層節點傳遞輸入信號到隱層,隱層節點的基函數對輸入信號在局部產生響應,當輸入信號逼近基函數的中央范圍時,隱層節點將產生較大的輸出。由此可見,rbf網絡具有局部逼近能力。其網絡結構如圖2所示。

作為基函數的形式,有下列幾種:

四、數據模型

數據倉庫中數據的采集需要從各種業務應用系統和管理信息系統中獲取,如交易系統、信貸管理信息系統、客戶關系管理信息系統(crm)等系統抽取數據,然后按照統一的數據標準,經過etl(抽取、轉換和加載)放入數據倉庫的企業信用主題系統中存儲、展示。在數據倉庫中可以根據需要,建立多個應用主題,其中根據信用評級的需要建立的企業信用主題中的數據模型如下:

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狀況、經營狀況最客觀、最主要的6個指標:

資產報酬率=利潤總額+財務費用/年平均總資產

資產負債率=總負債/總資產

速動比率=流動資產-存貨/流動負債

流動比率=流動資產/流動負債

利息保障倍數=經營活動現金流量凈額/利息支出

應收賬款周轉率=銷售收入凈額/應收賬款平均余額+應收票據平均余額

其中:流動比率和速動比率反映企業的償債能力,表現放貸企業擁有債權的安全程度及貸款企業到期償還債務的能力,如果貸款企業到期無法償還債務,將面臨破產的危險;應收賬款周轉率用于衡量企業在資產管理方面的效果;資產負債率反映企業的總負債在總資產中所占的比例。資產報酬率反映貸款企業經營能力;利息保障倍數反映貸款企業按時還息的能力。

為了消除行業之間指標的差異性,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滿意值的程度,并轉化為相應的功效分數:

指標的功效分數=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,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,如資產負債率。某銀行部分行業的指標參考值如表1所示。

根據上述6個分析指標,rbf模型有6個輸入節點,一個輸出節點。輸出節點輸出客戶的評估級別,在本文中分為3個級別,分別對應數值1,2,3。

五、算例

本文收集了某銀行160個不同行業的貸款客戶在2004年6月下旬的數據樣本,去除其中17個不合格數據樣本,剩下的143個數據樣本中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,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.訓練神經網絡。設定網絡學習的誤差為goal=0.01,rbf網絡的分布spread=1.0。

建立rbf網絡,隱層神經元個數與誤差平方和的關系圖如圖3所示。

當神經元個數neurons=100個時,sse=3.27185;當neurons=125時,sse=0.0127,滿足學習的誤差要求,rbf網絡訓練完畢。

2.網絡檢測。將先前準備的15個企業的指標數據用于rbf網絡檢測。檢測樣本的輸出結果如表2所示。

誤差符合要求,因此這個rbf神經網絡模型就是從數據倉庫中挖掘出的信用評級模型。

六、結論

本文研究了利用數據倉庫結合rbf神經網絡用于銀行信用內部評級系統的建立,并利用我國商業銀行的實際數據,對風險評估模型的效果進行了檢驗。實證結果表明,基于rbf神經網絡的信用評級模型克服了人為因素的主觀性,體現了評估的客觀性、科學性,并且從仿真的結果來看,對銀行信用評估可取得較好的效果。同時,在數據倉庫的基礎上,此數據模型可根據不斷增加的新數據來進行調整,以適應社會的發展、金融投資的變化。

參考文獻:

[1]袁曾任.人工神經元網絡及其應用[m].北京:清華大學出版社,2000.

[2]郝麗萍,胡欣悅,李麗.商業銀行信貸風險分析的人工神經網絡模型研究[j].系統工程理論與實踐,2001,(5).

[3]周露,王丹力.matlab神經網絡仿真與應用[m].北京:科學出版社,2003.

[4]王春峰,萬海暉,張維.基于神經網絡技術的商業銀行信用風險評估[j].系統工程理論與實踐,1999,(9).

[5]章忠志,符林,唐煥文.基于人工神經網絡的商業銀行信用風險模型[j].經濟數學,2003,(9).

[6]bartbaesens,rudysetiono,christophemues,janvanthienen[].usingneuralnetworkruleextractionanddeci-siontablesforcredit-riskevaluation·managementsci-ence,2003,(3):312-329.

[7]陳翊.我國商業銀行內部評級系統的構建[j].金融縱論,2004,(3).

[8]鄭允韜.基于數據倉庫的國內商業銀行個人客戶信用風險管理[j].河北工業大學學報,2005,(2).

[摘要]基于數據倉庫,利用rbf神經網絡,建立了銀行信用內部評級系統,提出了企業信用主題數據模型和風險評估模型的訓練過程。實證結果表明,該模型對銀行信用評估可取得較好的效果。

[關鍵詞]數據倉庫;神經網絡;商業銀行;信用評級