论文部分内容阅读
商业银行在进行信用风险管理时,第一步就是要根据待审核借款者的资料确定借款人的违约概率或信用等级。巴塞尔协议已将银行对于借款人违约概率的预测列为商业银行风险管理的重要内容,但当前世界上各家银行对于违约概率的测算方法千差万别,即使在国内也缺乏统一的测算标准。比较成熟的测算违约概率的方法主要有:Logistic回归分析、判别分析、最近邻法、决策树法。除此之外越来越多的新的方法应用到了信用评级中来,其中比较出名的当算人工神经网络。而老的模型和方法也在学者们的探索下不断被赋予新的活力。本文结合某大型国有商业银行对中型资本密集型企业的定量评级模型,根据相同的变量,分别使用上述提到的几种方法(包括原始方法的拓展),选取同一类型120家上市公司的数据,考虑经济周期的影响,分析各个模型对于数据的拟合优度、对企业违约概率的判断精度,得到最适合我国中型资本密集型企业的信用评级模型,为我国大力发展中型企业同时降低银行业因判别错误造成的损失提供参考。第一章主要阐述选题的背景、意义及本文的内容安排;第二章在系统的总结国内外研究现状的同时提出当前研究的不足;在第三章,本文会以某大型国有商业银行为例,从理论和实证两方面来介绍我国银行业当前的信用评级状况;在第四章与第五章中,我们将通过理论与实证分别研究上述模型在我国中型企业评级中的适应性;最后,本文在第六章,根据前面的分析探讨我国当前评级模型的选择以及为进一步完善银行业信用风险管理提出建议。