论文部分内容阅读
信用风险是目前我国商业银行面临的重要风险之一,商业银行大量的不良资产和入世后所面临的国外银行的激烈竞争,使得提高我国商业银行的信用风险管理水平成为我国银行业面临的重要课题。
以内部信用评级为前提的信用风险计量是防范和化解信贷风险的基础,2004年公布的巴塞尔新资本协议就是建立内部评级体系的指引,目前我国商业银行也都采用这一方式管理信贷风险。
在实际的经济生活中,影响企业信用的因素很多,这些因素和信用之间多为一种非线性的关系。而且信用风险存在着诸如分布不对称、数据匮乏等理论和实际问题,对于传统的线性信用评级模型,很难识别其中存在的对信用影响的模式。特别是在国内,信用评级多为专家方法,对于信用评级结果人为的影响因素很多,科学性和准确性较差。同时在数据平台方面,我国企业信用数据的积累才刚刚起步,可供研究的评级数据也极度匮乏,内部评级时采用有教师训练的模式识别模型(如BP神经网络模型)会迫使训练样本产生有偏性,从而导致最终的模型在分类效果上不理想。因此,无教师训练的非线性聚类方法——自组织映射神经网络模型在商业银行信贷客户内部评级上有良好的应用价值。从未来的发展趋势来看,随着科技的进步,特别是计算机技术和信息技术的发展,非线性的模式分类方法将对信用风险量化评估的发展产生巨大的推动作用。本文介绍了自组织映射神经网络的聚类思想、拓扑结构和算法流程,并从财务预警的角度出发,将自组织映射神经网络的非线性聚类功能应用于商业银行企业信贷客户的内部评级过程中。本研究通过实证,将一系列财务指标作为自组织映射神经网络的输入模式,在模型参数收敛后得到了良好的效果,所分出的不同类别的信贷客户具有不同的财务特征。这充分说明了自组织映射神经网络模型在提取输入模式数据特征方面拥有很好的性能,在商业银行内部评级体系的构建中拥有广阔的应用前景。