论文部分内容阅读
信用风险一直以来都是银行面临的主要风险之一。近年来,我国商业银行不良贷款和不良贷款率持续上升,至2017年末,商业银行不良贷款余额已达1.71万亿元。商业银行信用风险普遍存在,加之风险扩散和放大的负面效应,很容易加大系统性风险。商业银行有效管理公司客户信用风险的前提是及时有效的风险识别,本文的研究利用上市公司会计财务数据,将Lasso回归变量选择引入Logistic信用风险识别模型,科学选择评估指标体系,以期构建有效的公司客户信用风险识别警模型,为商业银行信用风险识别提供新的思路,对商业银行信用风险管理有积极的意义。本文首先阐述研究背景和意义,分析我国商业银行不良资产现状,随后介绍信用风险理论及风险来源、梳理国内外学者对商业银行信用风险的研究现状和研究方法,在此基础上提出商业银行信用风险分析框架,从理论层面分析各个因素可能对信用风险产生的影响。实证分析阶段,分别以滞后一期数据和滞后两期数据构建商业银行信用风险识别模型,共构建Lasso模型、基于Lasso模型变量筛选的Logistic模型、基于向前逐步回归的Logistic模型和基于向后逐步回归的Logistic模型4个模型,对比分析模型准确性及稳健性,评价选取出最适合的商业银行信用风险识别模型。研究发现,在一期识别模型和二期识别模型中,相对于Logistic逐步回归模型和Lasso模型,基于Lasso变量筛选的Logistic回归模型对商业银行信用风险均有更好的识别效果。基于Lasso变量筛选的Logistic回归模型需监控的变量少,预测准确率高,模型稳健性好,能有效预测下一期及下两期违约概率。商业银行可以参考本文研究成果,运用基于Lasso变量筛选的Logistic回归模型进行公司客户信用风险识别,构建更加有效的信用风险识别机制,探索更加完善的信用风险管理系统。