基于五级分类支持向量机集成的商业银行信用风险评估模型研究

银行信用风险度量理论相关资料

预

Ｖ０１．２８．Ｎｏ．４

测

２００９年第４期

ＦＯＲＥＣＡＳＴＩＮＧ

基于五级分类支持向量机集成的商业

银行信用风险评估模型研究

吴冲。

夏晗

（哈尔滨工业大学管理学院，黑龙江哈尔滨１５０００１）

摘要：研究表明支持向量机集成方法可以提高分类精度，但是目前所用的基于最多投票原则的集成策略无法

评价单个支持向量机分类器的输出重要性。针对这个问题，本文建立一种基于五级分类的支持向量机集成方法，该方法具有四个因子输入。一个衡量商业银行信用风险的输出，该方法考虑了各子分类器的分类结果和各子分类器判决对最终决策的重要程度，利用Ｌｉｂｓｖｍ对某商业银行信贷的１７６组样本数据进行实证分析，结果表明本文提出的方法比其他分类方法的分类精度高，证实了该方法的可行性和有效性，为银行建立可靠的评估系统提供了依据。

关键词：信用风险评估；支持向量机集成；预测

中图分类号：Ｆ８３０．５ｌ

文献标识码：Ａ

文章编号：１００３－５１９２（２００９）０４一００５７一０５

ＣｒｅｄｉｔＲｉｓｋＡｓｓｅｓｓｍｅｎｔｉｎＣｏｍｍｅｒｃｉａｌＢａｎｋｓ

ＳｕｐｐｏｒｔＶｅｃｔｏｒ

ｏｎ

Ｆｉｖｅ－ｃｌａｓｓ

Ｍａｃｈｉｎｅｓ

Ｅｎｓｅｍｂｌｅ

ＷＵＣｈｏｎｇ，ＸＩＡＨａｎ

（５ｃＪＩｌＤｏｆｏ，肘口ｎ昭ｅｍｅｍ，月毛ｒ６抽，珊ｍｕｔｅ矿死ｃｈ加ｚｏｇｙ，月ｈｒ６ｉ，ｌｌ５０００ｌ，ｃ矗ｉ，ｌ口）

Ａｂｓｔｒａｃｔ：Ｓｕｐｐｏｒｔ

ｖｅｃｔｏｆ

ｍａｃｈｉｎｅｓ（ＳＶＭｓ）ｅｎｓｅｍｂｌｅｈａｓｂｅｅｎｐｒｏｐｏｓｅｄ

ｓｔｒａｔｅｇｉｅｓ

ｔｏ

ｉｍｐｒｏｖｅ

ｃｌａｓｓｍｃａｔｉｏｎｐｅｒｆｏｎｎａｎｃｅｒｅｃｅｎｔｌｙ．

ｏｕｔｐｕｔ

Ｈｏｗｅｖｅｒ，ｃｕｒｒｅｎｔｌｙｕｓｅｄｆｈｓｉｏｎ

ｄｏｎｏｔ

ｅｖａｌｕａｔｅｔｈｅｉｍｐｏｒｔａｎｃｅｄｅｇＩ屯ｅｏｆｔｈｅ

ｔｏ

ｏｆｉｎｄｉＶｉｄｕａｌｃｏｍｐｏｎｅｎｔ

ｏｎ

ＳＶＭｃｌａｓｓｉｆｉｅｒｗｈｅｎｃｏｍｂｉｎｉｎｇｔｈｅｃｏｍＰｏｎｅｎｔｐｒｅｄｉｃ“ｏｎｓｃｌａｓｓｉｓｐｒｅｓｅｎｔｅｄｉｎｔｈｉｓ

ｐａｐｅｒｔｏ

ｔｈｅ６ｎａｌｄｅｃｉｓｉｏｎ．ＡＳＶＭｓｅｎ８ｅｍｂｌｅｍｅｔｈｏｄｂａｓｅｄ

ｉｓ４ｆ矗ｃｔｏｒｉｎｐｕｔ８

ａｎｄ

ｏｎｅ

ｆｉＶｅ—

ｄｅａｌｗｉｔｈ

ｔｈｉｓｐｒｏｂｌｅｍ．ｔｈｅ

ｏｕｔｐｕｔｓ

Ｔｈｉｓｍｅｔｈｏｄｏｆ

ａ

ｏｕｔｐｕｔ

ｍｅａｓｕｒｉｎｇｔｈｅ

ｃｏｍｐｏ

ｃｒｅｄｉｔｒｉｓｋｏｆｃｏｍｍｅｒｃｉａｌｂａｎｋｓ．Ｉｔ

ｎｅｎｔ

ａｇｇｒｅｇａｔｅｓｓｅｐａｒａｔｅｃｏｍｐｏｎｅｎｔ

ＳＶＭｓｗｉｔｈｉｍｐｏｒｔａｎｃｅｏｆｅａｃｈ

ｇｒｏｕｐｓ

ＳＶＭ．Ａｓｕｂｓｔａｎｔｉａｔｉｏｎａｎａｌｙｓｉｓｈａｓｂｅｅｎｍａｄｅｗｉｔｈ

ｍｅｔｈｏｄ

ｃｏｍｅｒｃｉａｌｂａｎｋ’ｓ１６７

ｏｆｓａｍｐｌｅｄｄａｔａｕｓｉｎｇ“ｂｓＶｍ．

ａｃｃｕｒａｃｙ．

Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｈｏｗｓｔｈａｔｔｈｅｐｒｏｐｏｓｅｄ

ｓｔｒａｔｅｓ

ｏｕｔｐｅｌｆｏ彻ｓ

ｉｓ

ｏｔｈｅｒｍｅｔｈｏｄｓｉｎｃｌａｓｓｉｆｉｃａｔｉｏｎＩｔｄｅｍｏｎ

ｓｙｓ－

ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｉｓｈｉｇｈｌｙ

ａｃｃｕｒａｔｅ

ａｎｄｆｅａｓｉｂｌｅ，ｗｈｉｃｈ

ｕｓｅｆｕｌｆｏｒｐｒｏＶｉｄｉｎｇａ８０ｕｎｄｃｒｅｄｉｔ聃ｓｅ吕ｓｍｅｎｔ

ｔｅｍ｛ｂｒｃｏｍｍｅｒｃｉａｌｂａｎｋｓ．Ｋｅｙｗｏｒｄｓ：ｃｒｅｄｉｔｒｉｓｋ

ｅｖａｌｕａｔｉｏｎ；ｓｕｐｐｏｈ

ｖｅｃｔｏｒ

ｍａｃｈｉｎｅｓｅｎｓｅｍｂｌｅ；ｐｒｅｄｉｃ“ｏｎ

１

引言

的研究表明，导致银行破产的最常见原因就是信用风险。信用风险又称违约风险，是指借款人、证券发行人或交易对方因种种原因，不愿或无力履行合同条件而构成违约，致使银行，投资者或交易对方遭受损失的可能性¨１。信用风险是商业银行信贷风险管理中一项基础性的工作，其目的在于分析银

商业银行作为国民经济的总枢纽和金融信贷中心，发挥着融通资金、引导资产流向和调节社会供需平衡等诸多不可替代的作用。然而商业银行在营运过程中面临着各种各样的风险，包括系统风险和非系统风险，其中在非系统风险中信用风险占有特殊的重要地位。世界银行对全球银行业危机

行在贷款业务中可能面临的信用风险——借款人

如期履行特定债务的能力与意愿，从而为贷款决策

收稿日期：２００８一０４一０６

基金项目：国家自然科学基金资助项目（７０７７３０２９）；国家教育部博士点基金资助项目（２００５０２１３０３７）；新世纪优秀人才支持计划资助项目（０８旬１７１）；黑龙江省青年科学基金资助项目（Ｑｃ０４ｃ２５）

５７

万方数据

银行信用风险度量理论相关资料

Ｖ０１．２８．Ｎｏ．４

预

提供依据。

信用评估方法在不断演进，大致经历了定性分析、统计分析和人工智能三个发展阶段，最初它只是通过信贷分析员阅读申请表并决定是否放贷，但是这一方法主观因素太强，必然存在误判的可能性。统计方法主要是判别分析（ＤＡ）旧。，判别分析是分类预测的主要研究范畴之一”１，但是判别分析在操作上的一个缺点是其基本假设很容易被打乱。另外，模型只能在已被通过的贷款样本中进行估计，因此存在参数估计的样本偏差。随着信用行业的发展以及贷款组合种类的不断增加，信用评估的准确率哪怕只提高零点几个百分点，都会带来巨大的效益，因此，人们积极探索开发更加准确的信用评估模型，先后就非参数统计模型、人工智能等方法在信用评估方面的应用进行了尝试¨１，尤其是最近几年中己经开发出来包括分类树”１、神经网络∞１以及多元判别法分析一。等在内的多种方法。但是，这些方法都存在一些缺点，即不能量化解释指标的重要程度，在分类树分析中没有参数，而在神经网络中则没有参数解释，用于信用风险评估具有一定的片面性。同时，神经网络的训练是在黑箱中进行的，这种运算摒弃许多行业经验和专家经验，具有一定的盲目性，人们不能对之进行干预。神经网络适合于对数量指标的分析，而忽略对影响因素中的定性指标的分析，显然是不合理的、片面的。而且用神经网络来评价经济问题时，很难说明神经网络训练后，各网络参数和阀值的经济含义，使得模型缺乏说服性。

研究表明组合分类器的分类精度一般比单个分类器的分类精度高，但是神经网络集成‘引在信用评分中的应用结果表明，神经网络集成的分类精度不如单个神经网络。因为神经网络分类建立在大样本的基础上，而目前银行所保存的数据样本量有限，用集成神经网络分类则必须把所收集的样本分割成多个子样本，从而减少了单个神经网络的训练样本数，进而影 …… 此处隐藏：10651字，全部文档内容请下载后查看。喜欢就下载吧 ……