络的商业银行信贷风险识别及评估模型

《络的商业银行信贷风险识别及评估模型》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、万方数据第8卷第8期科技和产业v01．8，No．82008年8月ScienceTechnologyandIndustryAug．，2008文章编号：1671—1807(2008)08一0080—04基于Elman神经网络的商业银行信贷风险识别及评估模型张子瑛(辽宁工程技术大学研究生学院，辽宁葫芦岛125105)摘要：建立了基于E1man神经网络的商业银行信贷风险识别及评估模型，并通过实例验证了模型的准确性和可靠性。研究过程及结果表明，基于Elman神经网络的商业银行信贷风险识别及评估模型能够很好地反映信贷过程中的非线性因素，准确地预测出完

2、整的信贷风险评估指标和信用等级之间的映射关系，能快速评估和有效减低商业的信贷风险。一组实例结果显示该评估模型的准确率接近90％。关键词：Elman神经网络；信贷风险；商业银行中图分类号：F830文献标志码：A商业银行信贷风险主要表现为违约风险，即由于贷款人不愿或无能力正常偿还贷款本息从而导致银行遭受损失的一种可能性，这是不良贷款产生的最直接原因[1_2]。商业银行对贷款进行风险识别和评估能够及时、准确地发现信贷风险的诱导因素，并能系统、连续地掌握信贷风险的特征、大小、属性及变动趋势，进而可能及时采取行动，使得银行在风险管理中降低不良贷款的

3、风险和减少损失口-5]。目前欧美商业银行在信贷风险识别和评估方面主要采用的度量模型包括CreditMetrics模型、KMV模型、CreditRisk模型和CreditPortfolioView等H]。在我国推行五级分类的国际标准制度，但实际中难以把握贷款在未来的变动情况，因此受到了极大的限制。因此需要发展合适的信贷风险识别及评估模型以与我国实际情况相符合。由于信贷风险的复杂性和高度非线性，不断有新的非线性风险识别和评估模型出现，例如基于专家系统、神经网络、支持向量机等模型L5-111，不同模型需要和不同的应用对象具体情况相结合，以实现对

4、实际信贷过程风险的最准确化预测。为此，本文根据Elman神经网络的特点，利用其非线性与泛化的能力，建立了一个基于Elman神经网络的商业银行信贷风险识别及评估模型，并通过实例来验证其有效性。801Elman神经网络E1man型回归神经网络一般分为4层‘12]：输入层、隐层、承接层和输出层，如图1所示。输出层输入层承接层图1Elman型回归神经网络其输入层、隐层、输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐层单元的传递可采用线性或非线性函数，承接层用来记忆隐层单元前一时刻的输出值。E1man神经网络

5、的非线性状态空间表达式为：y(是)一G(硼3x(忌))、X(忌)一F(甜1X，(忌)+∞2(U(七一1)))L(1)x。(忌)：x(愚一1)I式中，y，X，U，X。分别表示m维输出结点向量，咒维中间层结点单元向量，r维输入向量和n维反馈状收稿日期：2008—04～22作者简介：张予瑛(1984一)，女，辽宁铁岭人，辽宁工程技术大学研究生学院，硕士在读，研究方向；决策理论与应用。万方数据基于Elman神经网络的商业银行信贷风险识别及评估模型态向量。∞3，硼2，硼1分别表示中间层到输出层、输入层到中间层、承接层到中间层的连接权值。G(·)为输

6、出神经元的传递函数，是中间层输出的线性组合。F(·)为中间层神经元的传递函数，采用log矗g(咒)一矗吾函数。Elman网络采用误差平方和函数进行权值修正：E(硼)=>：厂y(足)I。一y(五)I。]2(2)正五。。2贷款风险识别和评估模型的建立2．1已有贷款风险识别和评估模型评价影响信贷风险有许多不确定性的因素，各种因素对信贷风险的影响实际上是无法用确切的定量关系来描述的。已有的多元判别分析、多元回归分析、回归、数学规划、贝叶斯决策模型、聚类分析、存活分析等方法虽然得到大量应用，但这些统计模型的判别函数和样本分布的假设前提不尽相同，它们

7、较为突出的优点在于具有较强的解释性，模型中变量的系数都具有一定的涵义，缺点在于统计方法一般都有较为严格的前提假设，如多元判别分析要求样本数据服从正态分布、等协方差，且协方差、错分成本和先验概率均要已知等，但现实中许多数据难以满足这些要求。虽然可以采用对数变换、二次差别分析等一些必要的技术手段和方法加以改进，但这些方法应用的同时又会相应地产生变量经济涵义不清晰等新的问题。作为研究复杂性的有力工具，神经网络技术近年来在模式识别与分类、识别滤波、自动控制、预测等方面已展示了优点，特别是能处理任意类型的数据，它克服了传统分析过程的复杂性及选择适当

8、模型函数形式的困难，更有利于对非线性情况下的模式识别和预测的理论建模和分析计算。相比其他类型的神网络技术，E1man神经网络自适应能力更强、泛化能力更好，更有利于处理非线性问题。2．2基于El