论文部分内容阅读
信用风险是商业银行的主要风险之一,根据麦肯锡的研究表明信用风险占总体银行风险的六成以上,比市场风险和操作风险之和的三倍还多。作为影响金融行业尤其是银行业兴衰荣辱的关键因素,信用风险历来是国内外学者和政府监管部门热点研究问题。随着全球化金融危机的影响以及信用交易的扩大化,商业银行面对的信用风险呈现形式多样化、操作复杂化的趋势,从我国的实际情况来看,信用风险度量的准确性与灵敏性都是制约银行业风险管理的薄弱环节,如何界定信用风险并施以有效的风险管理措施是当下商业银行追求有效利润并保证长久有效持续经营的重要问题,也是保障投资者利益、社会稳定的民生问题。本文从商业银行的角度出发,以信用风险度量指标体系的建立为核心,提出基于数据挖掘技术的商业银行中企业客户,尤其是上市企业客户的信用风险精准度量模型,希望能够为商业银行信用风险的度量提供一定的技术参考和方法依据。首先,论述了商业银行公司客户信用风险度量的相关理论,从巴塞尔协议出发结合当前国情对商业银行公司客户信用风险重新界定;介绍了信用风险精准度度量的模型和方法,研究了数据挖掘技术在商业银行中风险管理中的应用,尤其是在信用风险度量的必要性与可行性。其次,从指标体系建设和模型构建两方面详细介绍了商业银行信用风险精准度量的建模过程,系统分析了其影响因素包括财务因素、行业属性及宏观经济环境,得出了7个方面共40个指标构建的精准度量体系,并建立了以反向逐步选择法筛选变量、缩减指标数据的因子分析为基础的逻辑回归模型。最后,使用Clementine数据挖掘工具,根据选取的120个样本进行实证研究,利用其财务报表、行业属性及宏观经济数据,使用KMO检验、Bartlett球体检验的因子分析方法对指标进行降维,按照“CRISP-DM”数据挖掘流程建立了逻辑回归(LOGISTIC)模型。经过随机样本检测,模型的准确性和稳定性较好,度量结果较为理想。结果表明,数据挖掘技术在商业银行企业客户信用风险度量中具有较好的预测效果。