论文部分内容阅读
我国保险业起步较晚,监管制度仍然不完善,同时保险公司内部没有健全的内控制度和风险预警体系,这些导致风险和偿付能力不足等问题出现一定的隐蔽性。而寿险生存和经营状况直接影响着人们的福祉以及社会经济的稳定,所以建立有效的预警体系极为必要。寿险公司财务风险可分为资产违约风险、定价风险、利率风险以及流动性风险。它们贯穿于公司的经营、筹资、投资以及盈利分配的经济活动中。这些经活动的任何一个环节出现问题都会导致现金流的异常,最终会以财务异常的形式表现出来。寿险公司财务风险预警就是综合利用公司内部与外部的信息,并运用适当的模型与方法,通过输出的财务指标结果来反映风险,以警示管理者采取相应的风险管理策略。而对预警指标和预警模型的选取是建立预警体系的关键。指标直接决定模型的合理性和预警效果,所以选择合适的指标至关重要。合理的预警指标能够客观、全面、动态地反映公司的财务状况。若仅仅考察当期偿付能力绝对水平,显得较为片面和滞后。本文选取了九个财务指标,对寿险公司的资本充足性、盈利能力、偿付能力以及成长能力五个方面进行了全面综合的考察,最终综合一种风险相对值来评判寿险公司的财务风险。预警模型主要有传统模型和新型模型。传统预警模型主要包括:一元判定模型、多元线性判定模型、多元逻辑回归模型等。新型模型是神经网络模型预警,最流行的两个模型为:误差回传型(BackPropagation,BP)神经网络模型和径向基函数(Radial Basis Function, RBF)神经网络模型。相比较传统模型,神经网络模型所具有的优势为:人工神经网络具有学习自适应、自组织能力、快速高效、有效地处理复杂的非线性问题、较好的容错性和鲁棒性。在对未知函数逼近时,要达到相同的精度,RBF网络比BP网络需要的参数较少,且具有较快的学习收敛速度。RBF神经网络比BP神经网络能更好地模拟生物的神经系统。本文选取了2007年至2010年在中国境内经营的36家寿险公司的数据作为研究样本。这些数据为非平衡时间序列截面数据。以2007年至2009年34家公司的765个数据作为训练集。以2007至2010年的36家公司的1008个全新数据作为测试集。首先运用CRITIC(Criteria Importance Through Intercrieria Correlation)赋权法获取网络所需的目标向量。经过实证研究,最终得出结论:第一,RBF神经网络模型的预测精度高,预测相对误差均保持在5%以内,网络容错能力强,并且在合适的spread环境下网络的泛化能力较强,所以RBF神经网络是比较理想的风险预测模型;第二,运用CRITIC赋权法对公司进行风险赋权和打分是客观、合理的。最后一个章节是本文的总结部分,其中本文的不足之处有这些。第一,本文没有引入定性指标,虽然也能在一定程度上综合反映公司的财务风险,但是也有失全面之处。第二,RBF神经网络模型要求有被量化的因变量来建立目标向量,这是模型本身的缺陷。第三,在每次的预测时,必须也要“预测”以往的数据,因为不同次数的预测的数据没有比较的意义。本文的研究思路可以归纳如下。第一,介绍寿险公司的风险,并说明了预警的必要性。第二,介绍了常用的传统预警模型、神经网络模型和部分研究方法,以此来展示神经网络模型所具有的优势。并对CRITIC赋权法和归一法做了具体介绍。第四,为实证部分,即预处理数据、输入模型、观察并分析结果。最终得出结论。第五,对本文作以总结。