论文部分内容阅读
[摘要] 贷款风险分类是一个对借款人现金流量、财务指标及其非财务指标进行综合评价的过程。本文把贷款风险分类看作是一个模式识别问题，在此框架下，就统计模式识别领域中最新使用的神经网络方法、分类树法、以及支持向量机三种方法的建模思想、适用性进行分析，从而对我国贷款风险分类提供一些启示。
[关键词] 模式识别 风险分类 适用性
一、引言
贷款风险分类，就是根据借款人的当前经营情况和违约迹象来判断其按时还款的可能性并给予风险等级评价，是银行综合了借款人财务、非财务因素，对贷款未来安全收回可能性的评价。如何判断借款人的每个因素对贷款偿还的影响程度,以及如何将上述各种因素定性和定量分析归纳汇总,作出全面科学的风险评定是贷款风险分类操作的难点和关键。
在现代信用风险度量模型出现以前，测度信贷信用风险的方法主要有：专家制度法、评级法和信用评分法。近年来，一些大的金融机构相继构建了比较规范的、有重大影响的四大信用风险度量模型:JP 摩根的Credit Metrics 方法;KMV公司的KMV 模型;CSFP(Credit Suisse Financial Products) 的Credit Risk + 方法;麦肯锡公司的信用组合观点模型（Credit portfolio View）。这四大信用风险度量模型对中国银行业都有一定的借鉴意义。模型最大的问题是任何一个模型都没有全面考虑到借款人的道德风险，还有借款人的具体情况，如银行合同、贷款合同、担保能力、借款期限等，而且由于经济制度、金融发展水平等方面的差异，因此，借用西方信用风险模型应慎重，我国应用这些大型量化模型的条件还不成熟。
本文把贷款风险分类看作是一个模式识别问题，在此框架下，就统计模式识别领域中最新使用的神经网络方法、分类树法、以及支持向量机三种方法的建模思想、适用性进行比较，并给出有关结论。
二、贷款风险分类是一个模式识别问题
所谓模式识别，就是用计算机的方法来实现人对各种事物或现象的分析、描述、判断和识别。目前我国实行的贷款风险五级分类法（简称风险分类），它是根据贷款对象的第一还款来源与第二还款来源共同特征（财务指标）或属性（非财务指标）进行识别判断而进行分类的，其核心在于它以借款人的偿还能力作为分类标志。
贷款风险分类的模式识别系统的精度及其正确性，主要取决于(1.3)式中的一些参数的估计的精度。训练时如果输入模式样本的类别信息是已知的，这时可以用“有监督”的模式识别技术，让识别系统执行一个合适的学习训练过程，把系统“教”成可使用各种适应修改技术再去识别模式。如果采集到样本模式是未知类别的，这时可用“无监督的模式识别技术，即必须通过系统的学习过程去得到其所属的范畴。
三、模式识别技术的建模思路及其适用性分析
目前用于统计模式识别的方法很多，主要有判别分析法、回归分析法、人工智能（专家系统）、神经网络、决策树法、K近邻法、支持向量机等。本文仅就目前最为流行的人工神经网络、决策树法、支持向量机三种非参数模式识别方法建模思路、适用性进行比较分析。
1.神经网络模型（ANN）
(1)建模思路
人工神经网络(Artficial Neural Networks ANN )是一种具有模式识别能力，自组织、自适应，自学习特点的计算方法。神经网络模型建模思路是，首先找出影响分类的一组因素，作为ANN的输入，然后通过有导师或无导师的训练拟合形成ANN风险分析模型。对于新的样本输入（即一组影响因素值），该模型可产生贷款风险的判别。
（2)适用性分析
神经网络的适用性首先表现为分类的准确性比较高。特别是在测试数据为非线性关系的情况下，尤其如此；其次是神经网络有较强的适应训练样本变化的能力，当训练样本增加新的数据时，能够记忆原有的知识，根据新增的数据作恰当的调整，使之表示的映射关系能够更好的刻画新样本所含的信息。这一点不仅使得神经网络具有较强的适应样本变化的能力，还使它具有动态刻画映射关系能力，也克服了线性判别分析方法的静态特点；再次是其具有鲁棒性。神经网络对于样本的分布、协方差等没有要求，对样本中存在的噪音数据、偏差数据不敏感。监管部门在面对众多监管对象银行时, 可以根据其报表中的监管指标与监控指标的输出结果,迅速、准确地判断商业银行的经营状况，就可以辅助以现场检查的手段,对商业银行进行适当、适时的干预。
神经网络方法的主要缺点一是对样本的依赖性过强，对样本提出了很高的要求。因为它很少有人的主观判断因素的介入；二是解释功能差。它仅能给出一个判断结果，而不能告诉你为什么；三是在神经网络方法中输入特征变量的确定出关键指标问题时，需要依赖于其他的统计分析方法；四是是样本分成多少个种类，这些问题都是神经网络方法无法独自解决的，要依赖于其他方法；五是神经网络的训练速度慢且极易收敛于局部极小点，推广能力差，以及容易出现“过学习”现象。
2.分类树方法（CART）
(1)建模思路
分类树方法（CART）是一种由计算机实现，基于统计理论的非参数识别方法。其建模思路是：在整体样本数据的基础上，生成一个多层次、多节点的树，按广度优先建立直到每个叶节点包含相同的类为止，以充分反映数据间的联系。然后对其进行删减，参照一定规则从中进行选择适当大小的树，用于对新数据进行分类即建造最大树，对树删减，选择适当的树用于新样本分类。
(2)适用性分析
分类树方法在银行贷款风险分类中的适用性首先在于通过借款人经营状况的变化及其破产的可能性的判断，来估计其违约的可能性，进而来推测该借款人持有的贷款风险程度。它不但具有哲学上的二分法的优点，而且其分类标准的选择也包含着经济理论上的合理性。反映申请者信用关系中各项指标之间的相关性是应用分类树于信贷信用分类的有利条件，它可以有效地利用定性变量进行分类。
分类树的缺陷表现在：一是计算量大；二是在一些连续型定量变量的处理上，分类树就显得有些力不从心；三是对结点属性的判定上，往往以叶结点中所含多数样本的属性来决定该叶结点的属性。但如果碰到训练样本中某种样本（譬如好样本，占大多数）。此时分类的结果很可能是几乎每个叶结点都是好样本占多数，或出现一些好坏样本的个数相当的叶结点。于是就可能出现几乎所有的叶结点都是好样本集合，或其中一些结点无法判断。无论哪种情况出现，都将导致对坏样本的辨别率降低，进而导致分类树的效率降低。
3.支持向量机模型（SVM）
(1)建模思路
(2)适用性分析
由于支持向量机出色的学习性能、泛化性能、良好表现和所估计的参数少等特点，能够较好地解决小样本、高维数、非线性、局部极小等问题。鉴于支持向量机的诸多优点，国外学者 Van.Gestel（2003）将支持向量机应用到信贷风险分类与评估领域，并与神经网络及Logistic回归相比较，得到了较好的结果。同时利用支持向量机，能提高学习机的泛化能力，能成功地解决风险分类、函数逼近和时间序列预测等方面，对构建贷款分类模型也具有重要的实践意义。
但SVM是解决一个二分类问题，现实中遇到的大都是多分类问题，如支持向量机无法解决信贷风险的五级分类问题。另外，影响支持向量机模型分类能力的参数选择存在人为确定的主观性等。
四、结论
从信贷风险管理角度看，信贷风险分类与量化管理是一个必然趋势。为了提高贷款分类的准确性，必须将上述两种或两种以上的方法结合起来使用，取长补短。同时，中国银行业在运用这些相对复杂的预测技术时，不仅要根据国内的实际情况和银行业自身发展阶段，科学地制定信贷风险管理流程，还要加强人才培养和数据库建设，尽可能地运用信贷风险管理先进技术将信贷风险损失降到最低限度，实现可持续发展。
参考文献:
[1]J.P. Morgan.Credit Metrics—Technical Document.1997, 4:2
[2]KMV.Global Correlation Factor Structure. San Francisco:KMV Corporation.1996,8 :16～17
[3]Credit Suisse First Boston. Credit Risk+, A Credit Risk management Framework. Credit Suisse First Boston Internation, 1997
[4]McKinsey and Co, Credit Portfolio View. New York, Mckinsey and Co.1997
[5]曹道胜等:商业银行信用风险模型的比较及其应用[J].金融研究，2006年第10期
[6]王振民，中国商业银行贷款风险分析[D].天津大学博士论文，2005年5月，P33
[7]Mark T.Leung,Hazem Daouk,An-Sing Chen.Forecasting stock indices: a comparison of classification and level estimation models, International Journal of Forecasting,2000(16)
[8]李玉霜张维:分类树应用于商业银行贷款5分类的探讨[J].系统工程学报，2001年8月
[关键词] 模式识别 风险分类 适用性
一、引言
贷款风险分类，就是根据借款人的当前经营情况和违约迹象来判断其按时还款的可能性并给予风险等级评价，是银行综合了借款人财务、非财务因素，对贷款未来安全收回可能性的评价。如何判断借款人的每个因素对贷款偿还的影响程度,以及如何将上述各种因素定性和定量分析归纳汇总,作出全面科学的风险评定是贷款风险分类操作的难点和关键。
在现代信用风险度量模型出现以前，测度信贷信用风险的方法主要有：专家制度法、评级法和信用评分法。近年来，一些大的金融机构相继构建了比较规范的、有重大影响的四大信用风险度量模型:JP 摩根的Credit Metrics 方法;KMV公司的KMV 模型;CSFP(Credit Suisse Financial Products) 的Credit Risk + 方法;麦肯锡公司的信用组合观点模型（Credit portfolio View）。这四大信用风险度量模型对中国银行业都有一定的借鉴意义。模型最大的问题是任何一个模型都没有全面考虑到借款人的道德风险，还有借款人的具体情况，如银行合同、贷款合同、担保能力、借款期限等，而且由于经济制度、金融发展水平等方面的差异，因此，借用西方信用风险模型应慎重，我国应用这些大型量化模型的条件还不成熟。
本文把贷款风险分类看作是一个模式识别问题，在此框架下，就统计模式识别领域中最新使用的神经网络方法、分类树法、以及支持向量机三种方法的建模思想、适用性进行比较，并给出有关结论。
二、贷款风险分类是一个模式识别问题
所谓模式识别，就是用计算机的方法来实现人对各种事物或现象的分析、描述、判断和识别。目前我国实行的贷款风险五级分类法（简称风险分类），它是根据贷款对象的第一还款来源与第二还款来源共同特征（财务指标）或属性（非财务指标）进行识别判断而进行分类的，其核心在于它以借款人的偿还能力作为分类标志。
贷款风险分类的模式识别系统的精度及其正确性，主要取决于(1.3)式中的一些参数的估计的精度。训练时如果输入模式样本的类别信息是已知的，这时可以用“有监督”的模式识别技术，让识别系统执行一个合适的学习训练过程，把系统“教”成可使用各种适应修改技术再去识别模式。如果采集到样本模式是未知类别的，这时可用“无监督的模式识别技术，即必须通过系统的学习过程去得到其所属的范畴。
三、模式识别技术的建模思路及其适用性分析
目前用于统计模式识别的方法很多，主要有判别分析法、回归分析法、人工智能（专家系统）、神经网络、决策树法、K近邻法、支持向量机等。本文仅就目前最为流行的人工神经网络、决策树法、支持向量机三种非参数模式识别方法建模思路、适用性进行比较分析。
1.神经网络模型（ANN）
(1)建模思路
人工神经网络(Artficial Neural Networks ANN )是一种具有模式识别能力，自组织、自适应，自学习特点的计算方法。神经网络模型建模思路是，首先找出影响分类的一组因素，作为ANN的输入，然后通过有导师或无导师的训练拟合形成ANN风险分析模型。对于新的样本输入（即一组影响因素值），该模型可产生贷款风险的判别。
（2)适用性分析
神经网络的适用性首先表现为分类的准确性比较高。特别是在测试数据为非线性关系的情况下，尤其如此；其次是神经网络有较强的适应训练样本变化的能力，当训练样本增加新的数据时，能够记忆原有的知识，根据新增的数据作恰当的调整，使之表示的映射关系能够更好的刻画新样本所含的信息。这一点不仅使得神经网络具有较强的适应样本变化的能力，还使它具有动态刻画映射关系能力，也克服了线性判别分析方法的静态特点；再次是其具有鲁棒性。神经网络对于样本的分布、协方差等没有要求，对样本中存在的噪音数据、偏差数据不敏感。监管部门在面对众多监管对象银行时, 可以根据其报表中的监管指标与监控指标的输出结果,迅速、准确地判断商业银行的经营状况，就可以辅助以现场检查的手段,对商业银行进行适当、适时的干预。
神经网络方法的主要缺点一是对样本的依赖性过强，对样本提出了很高的要求。因为它很少有人的主观判断因素的介入；二是解释功能差。它仅能给出一个判断结果，而不能告诉你为什么；三是在神经网络方法中输入特征变量的确定出关键指标问题时，需要依赖于其他的统计分析方法；四是是样本分成多少个种类，这些问题都是神经网络方法无法独自解决的，要依赖于其他方法；五是神经网络的训练速度慢且极易收敛于局部极小点，推广能力差，以及容易出现“过学习”现象。
2.分类树方法（CART）
(1)建模思路
分类树方法（CART）是一种由计算机实现，基于统计理论的非参数识别方法。其建模思路是：在整体样本数据的基础上，生成一个多层次、多节点的树，按广度优先建立直到每个叶节点包含相同的类为止，以充分反映数据间的联系。然后对其进行删减，参照一定规则从中进行选择适当大小的树，用于对新数据进行分类即建造最大树，对树删减，选择适当的树用于新样本分类。
(2)适用性分析
分类树方法在银行贷款风险分类中的适用性首先在于通过借款人经营状况的变化及其破产的可能性的判断，来估计其违约的可能性，进而来推测该借款人持有的贷款风险程度。它不但具有哲学上的二分法的优点，而且其分类标准的选择也包含着经济理论上的合理性。反映申请者信用关系中各项指标之间的相关性是应用分类树于信贷信用分类的有利条件，它可以有效地利用定性变量进行分类。
分类树的缺陷表现在：一是计算量大；二是在一些连续型定量变量的处理上，分类树就显得有些力不从心；三是对结点属性的判定上，往往以叶结点中所含多数样本的属性来决定该叶结点的属性。但如果碰到训练样本中某种样本（譬如好样本，占大多数）。此时分类的结果很可能是几乎每个叶结点都是好样本占多数，或出现一些好坏样本的个数相当的叶结点。于是就可能出现几乎所有的叶结点都是好样本集合，或其中一些结点无法判断。无论哪种情况出现，都将导致对坏样本的辨别率降低，进而导致分类树的效率降低。
3.支持向量机模型（SVM）
(1)建模思路
(2)适用性分析
由于支持向量机出色的学习性能、泛化性能、良好表现和所估计的参数少等特点，能够较好地解决小样本、高维数、非线性、局部极小等问题。鉴于支持向量机的诸多优点，国外学者 Van.Gestel（2003）将支持向量机应用到信贷风险分类与评估领域，并与神经网络及Logistic回归相比较，得到了较好的结果。同时利用支持向量机，能提高学习机的泛化能力，能成功地解决风险分类、函数逼近和时间序列预测等方面，对构建贷款分类模型也具有重要的实践意义。
但SVM是解决一个二分类问题，现实中遇到的大都是多分类问题，如支持向量机无法解决信贷风险的五级分类问题。另外，影响支持向量机模型分类能力的参数选择存在人为确定的主观性等。
四、结论
从信贷风险管理角度看，信贷风险分类与量化管理是一个必然趋势。为了提高贷款分类的准确性，必须将上述两种或两种以上的方法结合起来使用，取长补短。同时，中国银行业在运用这些相对复杂的预测技术时，不仅要根据国内的实际情况和银行业自身发展阶段，科学地制定信贷风险管理流程，还要加强人才培养和数据库建设，尽可能地运用信贷风险管理先进技术将信贷风险损失降到最低限度，实现可持续发展。
参考文献:
[1]J.P. Morgan.Credit Metrics—Technical Document.1997, 4:2
[2]KMV.Global Correlation Factor Structure. San Francisco:KMV Corporation.1996,8 :16～17
[3]Credit Suisse First Boston. Credit Risk+, A Credit Risk management Framework. Credit Suisse First Boston Internation, 1997
[4]McKinsey and Co, Credit Portfolio View. New York, Mckinsey and Co.1997
[5]曹道胜等:商业银行信用风险模型的比较及其应用[J].金融研究，2006年第10期
[6]王振民，中国商业银行贷款风险分析[D].天津大学博士论文，2005年5月，P33
[7]Mark T.Leung,Hazem Daouk,An-Sing Chen.Forecasting stock indices: a comparison of classification and level estimation models, International Journal of Forecasting,2000(16)
[8]李玉霜张维:分类树应用于商业银行贷款5分类的探讨[J].系统工程学报，2001年8月