銀行管理論文-基于數(shù)據(jù)倉(cāng)庫(kù)的銀行信用評(píng)級(jí)模型的構(gòu)建 .doc

銀行管理論文-基于數(shù)據(jù)倉(cāng)庫(kù)的銀行信用評(píng)級(jí)模型的構(gòu)建摘要基于數(shù)據(jù)倉(cāng)庫(kù),利用RBF神經(jīng)網(wǎng)絡(luò),建立了銀行信用內(nèi)部評(píng)級(jí)系統(tǒng),提出了企業(yè)信用主題數(shù)據(jù)模型和風(fēng)險(xiǎn)評(píng)估模型的訓(xùn)練過(guò)程。實(shí)證結(jié)果表明,該模型對(duì)銀行信用評(píng)估可取得較好的效果。關(guān)鍵詞數(shù)據(jù)倉(cāng)庫(kù)；神經(jīng)網(wǎng)絡(luò)；商業(yè)銀行；信用評(píng)級(jí)一、引言近年來(lái),商業(yè)銀行的風(fēng)險(xiǎn)管理成為國(guó)際國(guó)內(nèi)金融界關(guān)注的焦點(diǎn)。商業(yè)銀行在運(yùn)營(yíng)過(guò)程中面臨的金融風(fēng)險(xiǎn)主要有信用風(fēng)險(xiǎn)、利率風(fēng)險(xiǎn)、匯率風(fēng)險(xiǎn)、流動(dòng)性風(fēng)險(xiǎn)和操作風(fēng)險(xiǎn)等,其中信用風(fēng)險(xiǎn)占有特殊的地位。信用風(fēng)險(xiǎn)指的是借款人由于種種原因,不愿或無(wú)力償還銀行貸款本息,使銀行貸款無(wú)法收回,形成呆賬損失的可能性。在現(xiàn)代商業(yè)銀行經(jīng)營(yíng)中,信用風(fēng)險(xiǎn)是影響其安全高效運(yùn)營(yíng)的主要原因。風(fēng)險(xiǎn)管理是一種主動(dòng)的事前行為,而不是事后的補(bǔ)救。應(yīng)通過(guò)分析現(xiàn)有的數(shù)據(jù),大量運(yùn)用數(shù)理統(tǒng)計(jì)模型識(shí)別、衡量和檢測(cè)風(fēng)險(xiǎn),利用大量歷史數(shù)據(jù)建立數(shù)據(jù)倉(cāng)庫(kù),依靠數(shù)據(jù)挖掘手段了對(duì)數(shù)據(jù)倉(cāng)庫(kù)中數(shù)據(jù)信息進(jìn)行深度加工和利用,挖掘出數(shù)據(jù)模型來(lái)預(yù)測(cè)和防范未來(lái)的風(fēng)險(xiǎn),進(jìn)行風(fēng)險(xiǎn)量化管理。數(shù)據(jù)挖掘是通過(guò)自動(dòng)或半自動(dòng)的工具對(duì)大量的歷史數(shù)據(jù)進(jìn)行探索和分析的過(guò)程,其目的是發(fā)現(xiàn)其中有意義的模式和規(guī)律。數(shù)據(jù)挖掘不是一種現(xiàn)成的產(chǎn)品,而是一門技能。數(shù)據(jù)挖掘的建模方法分為線形回歸、邏輯回歸、神經(jīng)網(wǎng)絡(luò)、遺傳算法和分類樹(shù)等。由于我國(guó)商業(yè)銀行目前在處在轉(zhuǎn)軌階段,一方面由于信息殘缺不全,另一方面由于傳統(tǒng)的統(tǒng)計(jì)方法假定條件的局限性,使我國(guó)信用風(fēng)險(xiǎn)評(píng)估難以達(dá)到滿意的效果。人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork,簡(jiǎn)稱ANN)是20世紀(jì)50-60年代產(chǎn)生,80年代以來(lái)發(fā)展起來(lái)的一種處理復(fù)雜非線性問(wèn)題十分有效的手段,目前已在模式識(shí)別等領(lǐng)域得到廣泛的應(yīng)用。現(xiàn)有數(shù)十種神經(jīng)網(wǎng)絡(luò)方法,實(shí)際工作中大都采用BP(BackPropagation)網(wǎng)絡(luò),一些文獻(xiàn)將其應(yīng)用于銀行信用風(fēng)險(xiǎn)評(píng)估取得了較好的效果。但同時(shí)BP網(wǎng)絡(luò)也存在局限性:由于BP網(wǎng)絡(luò)用于函數(shù)逼近時(shí),權(quán)值的調(diào)整是用梯度下降法,存在局部極小和收斂速度慢的問(wèn)題；已學(xué)習(xí)好的網(wǎng)絡(luò)的推廣(泛化)問(wèn)題；網(wǎng)絡(luò)的隱含節(jié)點(diǎn)個(gè)數(shù)的選取尚缺少統(tǒng)一而完整的理論指導(dǎo)等。而RBF(RadialBasisFunction)網(wǎng)絡(luò)在逼近能力、分類能力和學(xué)習(xí)速度等方面均優(yōu)于BP網(wǎng)絡(luò)。利用RBF網(wǎng)絡(luò)來(lái)完成函數(shù)逼近任務(wù),并且將結(jié)果與BP網(wǎng)絡(luò)以及采用改進(jìn)BP算法的前向網(wǎng)絡(luò)的訓(xùn)練結(jié)果作比較,發(fā)現(xiàn)RBF網(wǎng)絡(luò)所用的時(shí)間最短。本文將結(jié)合數(shù)據(jù)倉(cāng)庫(kù)與RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建銀行信用內(nèi)部評(píng)級(jí)系統(tǒng)。二、數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)倉(cāng)庫(kù)并非是一個(gè)僅僅存儲(chǔ)數(shù)據(jù)的簡(jiǎn)單信息庫(kù),因?yàn)檫@實(shí)際上與傳統(tǒng)數(shù)據(jù)庫(kù)沒(méi)有兩樣。數(shù)據(jù)倉(cāng)庫(kù)實(shí)際上是一個(gè)“以大型數(shù)據(jù)管理信息系統(tǒng)為基礎(chǔ)的,附加在這個(gè)數(shù)據(jù)庫(kù)系統(tǒng)之上的,存儲(chǔ)了從企業(yè)所有業(yè)務(wù)數(shù)據(jù)庫(kù)中獲取的綜合數(shù)據(jù),并能利用這些綜合數(shù)據(jù)為用戶提供經(jīng)過(guò)處理后的有用信息的應(yīng)用系統(tǒng)”。如果說(shuō)傳統(tǒng)數(shù)據(jù)庫(kù)系統(tǒng)的重點(diǎn)與要求是快速、準(zhǔn)確、安全、可靠地將數(shù)據(jù)存進(jìn)數(shù)據(jù)庫(kù)中的話,那么數(shù)據(jù)倉(cāng)庫(kù)的重點(diǎn)與要求就是能夠準(zhǔn)確、安全、可靠地從數(shù)據(jù)庫(kù)中取出數(shù)據(jù),經(jīng)過(guò)加工轉(zhuǎn)換成為有規(guī)律的信息之后,再供管理人員進(jìn)行分析使用。數(shù)據(jù)倉(cāng)庫(kù)必須隨時(shí)間變化而不斷增加新的內(nèi)容,進(jìn)行新的分析和綜合。一方面,數(shù)據(jù)倉(cāng)庫(kù)中需要不斷捕捉信息系統(tǒng)中變化的數(shù)據(jù),將它們追加到數(shù)據(jù)倉(cāng)庫(kù)中；另一方面,數(shù)據(jù)倉(cāng)庫(kù)中包含大量的綜合數(shù)據(jù),這些綜合數(shù)據(jù)中很多是和時(shí)間有關(guān)的。需要隨時(shí)間變化不斷進(jìn)行綜合。就信用評(píng)級(jí)而言,委員會(huì)規(guī)定商業(yè)銀行要隨時(shí)跟蹤客戶財(cái)務(wù)狀況的變化,至少每年對(duì)客戶進(jìn)行一次評(píng)級(jí)。因此,數(shù)據(jù)倉(cāng)庫(kù)也要隨時(shí)變化。利用上1年的企業(yè)評(píng)級(jí)數(shù)據(jù)及專家對(duì)評(píng)級(jí)的調(diào)整,建立和調(diào)節(jié)評(píng)級(jí)模型,來(lái)預(yù)測(cè)分析客戶今年的評(píng)級(jí)情況。數(shù)據(jù)模型的訓(xùn)練過(guò)程見(jiàn)圖1。三、RBF神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)網(wǎng)絡(luò)是單隱層的3層前向網(wǎng)絡(luò),輸入層節(jié)點(diǎn)傳遞輸入信號(hào)到隱層,隱層節(jié)點(diǎn)的基函數(shù)對(duì)輸入信號(hào)在局部產(chǎn)生響應(yīng),當(dāng)輸入信號(hào)逼近基函數(shù)的中央范圍時(shí),隱層節(jié)點(diǎn)將產(chǎn)生較大的輸出。由此可見(jiàn),RBF網(wǎng)絡(luò)具有局部逼近能力。其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。作為基函數(shù)的形式,有下列幾種:四、數(shù)據(jù)模型數(shù)據(jù)倉(cāng)庫(kù)中數(shù)據(jù)的采集需要從各種業(yè)務(wù)應(yīng)用系統(tǒng)和管理信息系統(tǒng)中獲取,如交易系統(tǒng)、信貸管理信息系統(tǒng)、客戶關(guān)系管理信息系統(tǒng)(CRM)等系統(tǒng)抽取數(shù)據(jù),然后按照統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn),經(jīng)過(guò)ETL(抽取、轉(zhuǎn)換和加載)放入數(shù)據(jù)倉(cāng)庫(kù)的企業(yè)信用主題系統(tǒng)中存儲(chǔ)、展示。在數(shù)據(jù)倉(cāng)庫(kù)中可以根據(jù)需要,建立多個(gè)應(yīng)用主題,其中根據(jù)信用評(píng)級(jí)的需要建立的企業(yè)信用主題中的數(shù)據(jù)模型如下:在銀行信用評(píng)估中,多采用指標(biāo)打分法,影響客戶信用評(píng)級(jí)的指標(biāo)有很多。在本文中采用反映客戶財(cái)務(wù)狀況、經(jīng)營(yíng)狀況最客觀、最主要的6個(gè)指標(biāo):資產(chǎn)報(bào)酬率=利潤(rùn)總額+財(cái)務(wù)費(fèi)用/年平均總資產(chǎn)資產(chǎn)負(fù)債率=總負(fù)債/總資產(chǎn)速動(dòng)比率=流動(dòng)資產(chǎn)-存貨/流動(dòng)負(fù)債流動(dòng)比率=流動(dòng)資產(chǎn)/流動(dòng)負(fù)債利息保障倍數(shù)=經(jīng)營(yíng)活動(dòng)現(xiàn)金流量?jī)纛~/利息支出應(yīng)收賬款周轉(zhuǎn)率=銷售收入凈額/應(yīng)收賬款平均余額+應(yīng)收票據(jù)平均余額其中:流動(dòng)比率和速動(dòng)比率反映企業(yè)的償債能力,表現(xiàn)放貸企業(yè)擁有債權(quán)的安全程度及貸款企業(yè)到期償還債務(wù)的能力,如果貸款企業(yè)到期無(wú)法償還債務(wù),將面臨破產(chǎn)的危險(xiǎn)；應(yīng)收賬款周轉(zhuǎn)率用于衡量企業(yè)在資產(chǎn)管理方面的效果；資產(chǎn)負(fù)債率反映企業(yè)的總負(fù)債在總資產(chǎn)中所占的比例。資產(chǎn)報(bào)酬率反映貸款企業(yè)經(jīng)營(yíng)能力；利息保障倍數(shù)反映貸款企業(yè)按時(shí)還息的能力。為了消除行業(yè)之間指標(biāo)的差異性,同時(shí)對(duì)輸入指標(biāo)進(jìn)行“歸一化”處理,指標(biāo)的評(píng)價(jià)采用的是“功效記分”方法,。功效記分是在選定的指標(biāo)體系基礎(chǔ)上,對(duì)每一個(gè)指標(biāo)都確定一個(gè)滿意值和不允許值,然后以不允許值為下限,計(jì)算各指標(biāo)實(shí)際值實(shí)現(xiàn)滿意值的程度,并轉(zhuǎn)化為相應(yīng)的功效分?jǐn)?shù):指標(biāo)的功效分?jǐn)?shù)=指標(biāo)的實(shí)際值-指標(biāo)的不允許值/指標(biāo)的滿意值-指標(biāo)的不允許值指標(biāo)的功效分?jǐn)?shù),即是該指標(biāo)的評(píng)價(jià)得分。指標(biāo)的實(shí)際值比滿意值好,指標(biāo)的功效分?jǐn)?shù)得1分,比不允許值差得零分。有的指標(biāo)是較高為好,如盈利指標(biāo),有的是較低為好,如資產(chǎn)負(fù)債率。某銀行部分行業(yè)的指標(biāo)參考值如表1所示。根據(jù)上述6個(gè)分析指標(biāo),RBF模型有6個(gè)輸入節(jié)點(diǎn),一個(gè)輸出節(jié)點(diǎn)。輸出節(jié)點(diǎn)輸出客戶的評(píng)估級(jí)別,在本文中分為3個(gè)級(jí)別,分別對(duì)應(yīng)數(shù)值1,2,3。五、算例本文收集了某銀行160個(gè)不同行業(yè)的貸款客戶在2004年6月下旬的數(shù)據(jù)樣本,去除其中17個(gè)不合格數(shù)據(jù)樣本,剩下的143個(gè)數(shù)據(jù)樣本中128個(gè)樣本用于建立評(píng)估模型,15個(gè)樣本用于進(jìn)行模型檢測(cè)。該銀行將貸款客戶的信用評(píng)級(jí)分為是10級(jí),分別為:AAA級(jí)、AA級(jí)、A級(jí)、BBB級(jí)、BB級(jí)、B級(jí)、CCC級(jí)、CC級(jí)、C級(jí)、D級(jí),其中D級(jí)客戶已處于實(shí)際違約狀態(tài),在模型中不考慮。這樣,我們將AAA-A定為1級(jí),BBB-B定為2級(jí),CCC-C級(jí)定為3級(jí)。1.訓(xùn)練神經(jīng)網(wǎng)絡(luò)。設(shè)定網(wǎng)絡(luò)學(xué)習(xí)的誤差為GOAL=0.01,RBF網(wǎng)絡(luò)的分布SPREAD=1.0。建立RBF網(wǎng)絡(luò),隱層神經(jīng)元個(gè)數(shù)與誤差平方和的關(guān)系圖如圖3所示。當(dāng)神經(jīng)元個(gè)數(shù)neurons=100個(gè)時(shí),SSE=3.27185；當(dāng)neurons=125時(shí),SSE=0.0127,滿足學(xué)習(xí)的誤差要求,RBF網(wǎng)絡(luò)訓(xùn)練完畢。2.網(wǎng)絡(luò)檢測(cè)。將先前準(zhǔn)備的15個(gè)企業(yè)的指標(biāo)數(shù)據(jù)用于RBF網(wǎng)絡(luò)檢測(cè)。檢測(cè)樣本的輸出結(jié)果如表2所示。誤差符合要求,因此這個(gè)RBF神經(jīng)網(wǎng)絡(luò)模型就是從數(shù)據(jù)倉(cāng)庫(kù)中挖掘出的信用評(píng)級(jí)模型。六、結(jié)論本文研究了利用數(shù)據(jù)倉(cāng)庫(kù)結(jié)合RBF神經(jīng)網(wǎng)絡(luò)用于銀行信用內(nèi)部評(píng)級(jí)系統(tǒng)的建立,并利用我國(guó)商業(yè)銀行的實(shí)際數(shù)據(jù),對(duì)風(fēng)險(xiǎn)評(píng)估模型的效果進(jìn)行了檢驗(yàn)。實(shí)證結(jié)果表明,基于RBF神經(jīng)網(wǎng)絡(luò)的信用評(píng)級(jí)模型克服了人為因素的主觀性,體現(xiàn)了評(píng)估的客觀性、科學(xué)性,并且從仿真的結(jié)果來(lái)看,對(duì)銀行信用評(píng)估可取得較好的效果。同時(shí),在數(shù)據(jù)倉(cāng)庫(kù)的基礎(chǔ)上,此數(shù)據(jù)模型可根據(jù)不斷增加的新數(shù)據(jù)來(lái)進(jìn)行調(diào)整,以適應(yīng)社會(huì)的發(fā)展、金融投資的變化。參考文獻(xiàn):1袁曾任.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用M.北京:清華大學(xué)出版社,2000.2郝麗萍,胡欣悅,李麗.商業(yè)銀行信貸風(fēng)險(xiǎn)分析的人工神經(jīng)網(wǎng)絡(luò)模型研究J.系統(tǒng)工程理論與實(shí)踐,2001,(5).3周露,王丹力.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用M.北京:科學(xué)出版社,2003.4王春峰,萬(wàn)海暉,張維.基于神經(jīng)網(wǎng)絡(luò)技術(shù)的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估J.系統(tǒng)工程理論與實(shí)踐,1999,(9).5章忠志,符林,唐煥文.基于人工神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)模型J.經(jīng)濟(jì)數(shù)學(xué),2003,(9).6BartBaesens,RudySetiono,ChristopheMues,JanVanthienen.UsingNeural