资源描述：
《基于Logit模型与GA算法地商业银行信用风险评估模型研究.pdf》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、2010年7月大众商务No.7,2010(总第115期)PopularBusiness(Cumulatively,NO.115)基于Logit模型与GA算法的商业银行信用风险评估模型研究陈之远,孟蕾(南京财经大学金融学院,江苏南京210046)摘要针对控制银行信用风险的传统的统计模型与新兴的人工智能模型的缺陷,创新性的把这两钟类型的模型优点进行结合,建立了全新的基于LogitGA算法的银行信用风险评估模型。并使用我国商业银行的现有数据进行实证研究,研究结果表明,该模型相比较现有其它评估模型
2、可以得出较优的结果。关键词信用风险;遗传算法;编码;复制中图分类号:X820.4文献标识码:A文章编号:1009-8283(2010)07-0072-011引言类建立的,信用风险错误主要分为两类:一是取伪,二是弃真。前者是指对于借款企业信用评级最主要的还是参考其财务状况。因此现行把违约企业的信用评级预测为正常,后者是把正常企业的信用评级预测的信用评级模型和方法大多就是针对企业的各种财务指标进行分类统为违约。本文把适应度函数设计为f(x)=re0+c1re1+c2re2。f(x)计并进行计算区别的。表示每个染色体即个体
3、的适值,re0为预测的正确率,c1为第一类错误而这些模型方法大体上可以归为两类:传统模型和智能模型。传统的成本,re1为第一类错误的比率;c2为第二类错误的成本,re2为第二模型指导思想需要严格的前提条件即对判别函数的形式和样本分布进类错误的比率,则f(x)的值越大,就是越好的染色体。作为下一代的遗行不同的假设。而这些严格的假设正是这类模型的缺陷所在,因为很多传染色体的父代。由历史经验可知,第一类错误的成本远高于第二类成财务指标是不符合这些假设的。因此随着计算机等信息技术的发展,智本,一般是其20到60倍。因此本文把第一类错误成本系数设为-0.2,能方法被引进
4、了银行信用风险评价体系中。这种方法也有一定的缺陷,第二类错误成本系数设为-0.01。就是存在对于一些分类的不可解释性以及建模时的复杂程度较高。本遗传算子的确定文则结合了传统模型与智能模型,创新的提出了一种新的银行信用风险本文选取轮盘选择方法:即各个个体被选中的概率与其适应度函数评估模型基于遗传算法的银行信用风险评估模型。它不需要对样值大小成正比。则p为每个企业的被遗传到下一代群体中的概率,即为本的分布进行假设,同时又具有很好的解释性。遗传算子N表示个体总数,个体i的适应度为Fi,Pi表示个体i被选中2基于遗传算法的商业银行信用风险评估模型遗传到下一代群体
5、的概率。首先进行单点交叉操作,概率pc为0.9。2.1基础模型的建立其次进行变异操作,概率p为0.007m本文把企业信用评估问题转化为企业多个财务指标组合优化的问npi=Fi/Fi(1)M:种群规模题。使用遗传算法对多个样本数据进行运算,寻找到最优分配系数。本i=1文中的目标函数选取Logit函数,因为Logit模型不需要参数满足正态分(2)T:遗传运算的终止进化代数布或等方差。(3)Pc:交叉概率(4)pm:变异概率本文选取的遗传算法的参数值是:M=30T=100Pc=0.7pm=0.007其中X表i示企业的第i个财务指标,C是i第i个财务指标的系数,Y每
6、代群体规模为30,由计算机随即生成30组财务指标分配系数的设为信用度数值,由下表可知,i表示一级评价财务指标有五个,j表示二组合,进化100代,每代复制比例为10%,交换比例为90%,变异比例为级评价财务指标有16个,k表示第ij个指标的k个可能的取值。则y的0.7%。得出在Logit模型中企业财务指标分配系数的最优解。值越高,企业的信用等级越低,y的值越低,企业的信用等级越高,信用3数据实证分析风险就越低。为了验证该模型方法的有效性,本文将其应用于实际的数据测试中企业信用评估指标(来自招商银行的贷款数据)。总共使用500组样本数据。这500组中财务因子财务指
7、标违约与非违约的比例大概为123:377。把这些样本数据按照时间顺序营运能力固定资产周转率总资产周转率存货周转率应收账款周转率排列,前400作为训练样本,后100作为测试样本。当模型运行到迭代盈利能力净资产收益率总资产收益率销售净利率主营业务利润率次数为100的时候,种群的平均适应度为f(x)=0.7463,不违约客户的偿债能力流动比率速动比率资产负债率已获利息倍数正确识别率为65.28%,违约客户的正确识别率为79.32%。现金流量经营现金净流量对销售收入的比率现金流动负债比4结论本文创新性的提出了结合Logit模型与遗传算法的商业银行的信用成长能力主营业务
8、收入增长率利润总额增长率风险评估模型。
