文档介绍：信用风险评估风险评估论文关键词:自适应共振,神经网络,信用风险摘要:自适应共振模型是为了能够分类任意次序模拟输入模式而设计的,它可以按任意精度对输入的模拟观察矢量进行分类,较好地解决了前稳定性和灵活性问题,同时能够避免对网络先前所学的学****模式修改。本文将ART2模型应用于信用风险评估,通过实证比较研究,结果显示应用自适应共振模型进行信用风险评估在精度和准确性上,都优于其他神经网络模型和统计方法。1统计方法用于信用风险分类评估存在的局限性对信用风险评估一类主流方法是基于分类的方法,即把信用风险分析看成是模式识别中的一类分类问题—将企业划分为能够按期还本付息和违约两类。其具体做法是根据历史上每个类别(如期还本付息、违约)的若干样本,从已知的数据中发现其规律,从而总结出分类的规则,建立判别模型,用于对新样本的判别,这样信用评估就转化为统计中的分类问题。传统的统计模型主要基于多元统计分析方法,根据判别函数的形式和样本分布的假定不同,主要的模型有:多元回归分析模型、多元判别分析模型(MDA)、Logit分析模型、近邻法等。其中以多元判别分析模型和Logit分析模型应用最为广泛,已有大量商业化软件。尽管这些方法在国外有大量应用,但是大量实证研究(Altman,1983;TamKiang,1992;Altman,etal,1994)结果发现:(1)企业财务状况的评价可以看作是一类基于一系列独立变量基础上的分类问题;(2)企业财务状况好坏与财务比率的关系常常是非线性的;(3)预测变量(财务比率)可能是高度相关的;(4)大量实证结果表明,许多指标不成正态分布。而统计的方法却不能很好地解决以上问题。由此可见统计模型的最大优点在于其具有明显的解释性,存在的缺陷是过于严格的前提条件。如多元判别分析模型(MDA),它要求数据服从多元正态分布、等协方差、已知先验概率和误判代价等要求,而现实中大量数据严重违背了这些假定(Eisenbeis,1997)。引入对数变化可在一定程度上改进数据的非正态分布,但一方面变换后的变量可能失去经济解释含义,另一方面仍没有满足等协方差的要求;应用二次差别分析(QDA)虽可解决等协方差问题,但一方面没有满足正态性假设,另一方面当数据样本小、维数高(指标多)时二次差别分析的性能明显下降,而样本少、维数高正是我国信用数据的显著特点。实证结果还表明二次差别分析对训练样本效果较好,而对测试样本并不理想。除此以外,多元判别分析模型适用于成熟行业的大中型企业,因为这些企业具有较强的稳定性和规范性,其发展有一定的规律可循,参数统计方法易于给出较准确的结果及合理的解释。然而这类方法是静态的,需要根据地区、行业经济情况的变化不断地调整参数,甚至进行变量的调整。为了解决这些问题,引入了Logit分析模型和近邻法。Logit分析模型不需要假定任何概率分布,也不要求等协方差,但是当样本点存在完全分离时,模型参数的最大似然估计可能不存在,模型的有效性值得怀疑,另外该方法对中心区域的差别敏感性较强,导致判别结构的不稳定。近邻法不要求数据正态分布,但当数据的维数较高时,存在所谓的“维数祸根(Curseofdimensionality)”——对高维数据,即使样本量很大,其撒在高维空间中仍显得非常稀疏,绝大多数点附近根本没有样本点,这就使得“利用空间中每一附近的样本点来构造估计”的近