文档介绍：基于SVM的商业银行信用风险预测
[提要] 通过粗糙集理论的约简算法与支持向量机的分类算法,应用到商业银行信用风险预测。借助用户反馈标记提高了查全率和查准率,使检索的信息更符合语义特征。
关键词:支持向量机;粗糙集;信用风险;信用风险评估
一、引言
随着金融市场的波动性和金融全球化的影响,金融的关注焦点之一的商业银行风险管理面临着极大的挑战。信用风险、利率风险、流动性风险、操作风险、科技风险是商业银行运营过程中面临的金融风险,信用风险占有重要的地位。信用风险是指,借款人由于各种原因,不愿或无力偿还银行贷款本息,使银行贷款无法收回,造成呆账损失的可能性。在商业银行经营中,影响商业银行安全高效运营的主要原因是信用风险。房屋贷款、农业抵押贷款、企业贷款等,导致呆账和不良贷款不断增加,造成流动性危机,最终使其倒闭,给金融业和整个国民经济造成严重损失。所以,加强信用风险尤为重要,对于中国处于市场转型期下的我国商业银行,加强信用风险显得尤为重要。究其原因,商业银行的运营中,不良资产一直是影响我国银行业有效经营的主要因素,呆账坏账的负担是我国商业银行进一步发展的障碍,加强信用风险管理是解决这一问题的关键。
目前,许多定量技术和支持工具、软件已经应用到商业。传统的比例分析、统计方法都得到广泛的应用,如判别分析和logistic回归等。神经网络、专家系统、分类树也被用于商业银行的信用风险中。在我国,信用分析和评估技术仍然是比例分析阶段,远不能满足商业银行对各种形式贷款安全性的准确测量。核心的信用等级评定时通过对企业的财务报表指标进行分析和评价,然后加权平均确定。该方法带有主观性,所以有很大程度上的缺陷,应以科学的方法确定有效指标和用定量模型解决评估问题。
二、信用风险管理
商业银行信用风险管理包括风险的测量和评估,信用风险管理与控制。信用风险管理与控制包括贷款定价、贷款发放、贷款检查。信用风险分析指引起贷款风险的因素进行定性分析、定量计算,来测量贷款自然人的违约概率,为贷款决策提供依据。信用风险分析时,商业银行的做法一般是遵循5c原则:贷款人的品质(character)、能力(capital)、担保(collateral)、环境(condition),还有lapp原则:流动性(liquidity)、活动性(activity)、盈利性(profitability)、潜力(potentialities),定性分析借款人目前的财务状况、管理水平、行业经济状况反应还款人能力的指标体系,利用一定的定量技术、评估模型判别借款人的违约概率。
三、信用风险评估模型
国外商业银行处理这一问题的方法是把信用风险分析看成是模式识别中的一类分类问题,将贷款人分为能够按期还本息和违约两类。作法为从历史数据中的若干样本中发现规律,从而总结出分类规则,建立判别模型,用于对新样本的判别,这种方法称
“粗暴的经验主义方法”,商业银行信用风险的测度转换为企业财务状况衡量的问题,企业能否如期还本息主要取决于企业的财务状况。指标体系的确立和评估模型的选择,将多维指标综合起来建立模型。目前有统计方法、专家系统、神经网络技术等。随着信息的爆炸式发展,客户信息是海量的,本文先用粗糙集的方法对历史数据进行数据约简,然后用支持向量机进行分类,建立判别模型。
总之,svm建立在统计学理论的基础上,