这篇博士论文旨在建立一个评级系统,通过采用神经网络模型来评估银行信用风险。我们通过对评估结果的分析来发现银行在信用方面存在的弱点的原因并采取相应措施来控制风险。本研究采用的数据来自中国和越南的一些上市银行。我们将分析银行信用风险产生的原因并结合中国和越南的财政金融政策提出政策建议。我们使用了一个新的研究视角——神经网络——来研究中国和越南上市银行的信用风险评估的问题。我们通过神经网络模型,结合信息技术的应用,得到每个国家的评估结果。从上市银行年度财务报告中搜集数据并在软件中计算得到模型结果后,我们采用神经网络模型来对上市银行进行信用风险评估,并给出可用于政府政策制定的管理方法。这篇论文还介绍了中国和越南上市商业银行的信用风险状况和信用风险评估的情况。我们也研究了中国和越南上市银行面临的挑战和原因。在以前的研究中,模型的输出结果是0或1,表明信用评估结果的“坏”或者“好”。现在我们用更多的层级来评估信用风险状况。本文中我们采用九级评级表来分析中国和越南的信用风险。这有利于我们得出更接近实际的评估结果。在本研究中,我们根据中国和越南上市银行的数据库对其信用风险进行了评估,并对两国的信用风险评估状况进行了比较。通过使用神经网络的方法和Clementinel2.0软件对中国和越南数据库进行分析,我们揭示了一些弱点。此外,我们采用的数据截止到2011年第二季度。我们发现南京银行股份有限公司是15家中国银行中最好的银行,而四家主要中国银行的信用等级的排序是中国银行,工商银行,农业银行和建设银行。在越南,VCB和EIB是最好的上市银行,等级是6,而HBB是最差的上市商业银行,等级为1。HBB已于2012年8月并入SHB。我们也提出了如何让我们的评级更可靠以及合乎逻辑的建议,例如和国家审计部门合作以得到更准确的数据,增加人力资源投资以便有效控制和运用这套系统,支持用于统计、调查、分析和决策的设备投入等等。此外,我们可以控制系统的容忍度,并提高评估的等级。通过神经网络模型,信息技术和机器学习技术对历史数据进行分析处理,我们可以快速得到符合逻辑性和可靠的评估结果。它将给我们对银行风险的预见能力,使我们可以及时作出有效的反应并处理危机