资源描述:
《信用风险分析方法的发展》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库。
1、___________________________________________________________________________________________信用风险分析方法的发展[摘要]对目前极具应用前景的信用风险分析方法进行了评述,分析了它们的特点、应用及进展,并在此基础上,提出了我国相应的决策,以便为促进我国信用风险管理水平的提高提供有益的借鉴。 [关键词]信用风险神经网络专家系统杂合体系 一、问题的提出 银行面临的主要风险有信用风险、市场风险、利率风险。我国商业银行的改革一直在进行中。就我国实际情况而言,银行经营效益低下,呆账、坏账增加固然有体制上
2、的原因,但忽视信用风险分析和管理方法的研究,对信用资产进行不合理的定价也是一个不容忽视的原因。近20年来,随着国际金融领域竞争的空前加剧及大规模贷款组合的不断发展,传统的信用评估方法已不能满足人们的需要。一批以信息技术为支撑,以系统采用统计科学、人工智能、模拟技术等为特征的现代信用风险分析方法在西方发达国家不断涌现。与国外相比,我国目前对风险分析方法的研究还不充分,信用风险方法仍以传统的比例分析为主,定性、静态、局部的分析多,定量、动态、全局的分析少。中国加入WTO后,国内的金融机构面临来自同行的激烈竞争,因此了解和借鉴先进的风险管理模型,建立科学的信用风险分析体系就成为目前的当务之急。
3、 二、信用风险分析方法的发展及其进展 信用风险的分析是个世界性的问题。从20世纪60年代开始,美国与欧洲许多国家的研究者们已经开始进行信用风险分析研究。亚洲金融风暴之后,全世界又兴起了打破旧的信用风险分析方法,重新建立一套新的信用风险分析方法的热潮。迄今为止,信用风险分析方法已经从统计学方法、专家系统法、神经网络方法到近年来研究很热的支持向量机方法。 6______________________________________________________________________________________________________________________
4、_______________________________________________________________ 1.非参数统计方法 从现有国内外文献看,常用的非参数方法主要有:k最近邻居判别,核密度估计和聚类分析。其主要思想是将与信用风险相关的一组因素表示为一个向量,即样本空间中的一个点,向量的每个元素即为某个财务指标,然后根据空间中的某个距离或规则将其分类。 K近邻判别法是一种非参数统计方法,它在一定距离概念下按照若干变量从样本中选取与确定向量距离最短的k个样本为一组。聚类分析是根据借款人的指标计算出样本空间的距离将其分类。这种方法的一个主要优点是不要求总体服从某种具体
5、的分布,可对变量采用名义尺度、次序尺度等。因此,该方法可用于定量研究,也可对现实中无法用数值精确表述的属性进行分析。这很适用于信用风险分析中按照定量指标和定性指标。对不服从一定分布特性的数据信息进行分类。除此之外,聚类分析方法还能帮助商业银行确定贷款方式和策略,迟国泰等(2001)通过对专家意见进行聚类分析,用来对商业银行进行信贷风险评估。 从实证分析看,非参数法的效果不是很理想。其原因是:在同样的样本容量下,若对具体问题的确存在特定的参数模型并可能找出时,非参数方法不及参数模型效率高。因此,在无法确知总体的分布函数时,非参数方法不失为一种有效的方法。如果对某一具体问题能找出特定参数的模型,
6、则非参数法的效果会下降。 2.专家系统 专家系统是一种使用知识和推理的智能计算机程序,其目的是将专家解决问题的推理过程再现而成为专家的决策工具,或为非专业决策者提供专业性建议。它的功能表现在解释功能、灵活性、学习功能三方面。专家系统自上世纪80年代以来逐步被用于商业、经济领域,如会计、审计、税务信用评分、企业破产预测及证券组合等。6_________________________________________________________________________________________________________________________________
7、____________________________________________________ Messier和Hansen(1985)从知识获取角度探讨比较了专家系统在信用风险分析领域中的应用。传统的专家系统采用直接法,这种方法要消耗大量的时间和人力,而且问题域中的一些经验性知识无法清楚表示,故限制专家系统的规模和实用性。他们改变知识获取的传统方法即直接法,提出了启发式方法,即首先由