前言：本站為你精心整理了銀行信用評級管理范文，希望能為你的創(chuàng)作提供參考價(jià)值，我們的客服老師可以幫助你提供個(gè)性化的參考范文，歡迎咨詢。

一、

數(shù)據(jù)倉庫

數(shù)據(jù)倉庫并非是一個(gè)僅僅存儲數(shù)據(jù)的簡單信息庫,因?yàn)檫@實(shí)際上與傳統(tǒng)數(shù)據(jù)庫沒有兩樣。數(shù)據(jù)倉庫實(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)庫系統(tǒng)之上的,存儲了從企業(yè)所有業(yè)務(wù)數(shù)據(jù)庫中獲取的綜合數(shù)據(jù),并能利用這些綜合數(shù)據(jù)為用戶提供經(jīng)過處理后的有用信息的應(yīng)用系統(tǒng)”。如果說傳統(tǒng)數(shù)據(jù)庫系統(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)庫中的話,那么數(shù)據(jù)倉庫的重點(diǎn)與要求就是能夠準(zhǔn)確、安全、可靠地從數(shù)據(jù)庫中取出數(shù)據(jù),經(jīng)過加工轉(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)倉庫必須隨時(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)倉庫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)倉庫中;另一方面,數(shù)據(jù)倉庫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。就信用評級而言,委員會規(guī)定商業(yè)銀行要隨時(shí)跟蹤客戶財(cái)務(wù)狀況的變化,至少每年對客戶進(jìn)行一次評級。因此,數(shù)據(jù)倉庫也要隨時(shí)變化。利用上1年的企業(yè)評級數(shù)據(jù)及專家對評級的調(diào)整,建立和調(diào)節(jié)評級模型,來預(yù)測分析客戶今年的評級情況。數(shù)據(jù)模型的訓(xùn)練過程見圖1。

二、近年來,商業(yè)銀行的風(fēng)險(xiǎn)管理成為國際國內(nèi)金融界關(guān)注的焦點(diǎn)。商業(yè)銀行在運(yùn)營過程中面臨的金融風(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,不愿或無力償還銀行貸款本息,使銀行貸款無法收回,形成呆賬損失的可能性。在現(xiàn)代商業(yè)銀行經(jīng)營中,信用風(fēng)險(xiǎn)是影響其安全高效運(yùn)營的主要原因。

風(fēng)險(xiǎn)管理是一種主動的事前行為,而不是事后的補(bǔ)救。應(yīng)通過分析現(xiàn)有的數(shù)據(jù),大量運(yùn)用數(shù)理統(tǒng)計(jì)模型識別、衡量和檢測風(fēng)險(xiǎn),利用大量歷史數(shù)據(jù)建立數(shù)據(jù)倉庫,依靠數(shù)據(jù)挖掘手段了對數(shù)據(jù)倉庫中數(shù)據(jù)信息進(jìn)行深度加工和利用,挖掘出數(shù)據(jù)模型來預(yù)測和防范未來的風(fēng)險(xiǎn),進(jìn)行風(fēng)險(xiǎn)量化管理。數(shù)據(jù)挖掘是通過自動或半自動的工具對大量的歷史數(shù)據(jù)進(jìn)行探索和分析的過程,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)、遺傳算法和分類樹等。

由于我國商業(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,使我國信用風(fēng)險(xiǎn)評估難以達(dá)到滿意的效果。

人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnetwork,簡稱ann)是20世紀(jì)50-60年代產(chǎn)生,80年代以來發(fā)展起來的一種處理復(fù)雜非線性問題十分有效的手段,目前已在模式識別等領(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題;已學(xué)習(xí)好的網(wǎng)絡(luò)的推廣(泛化)問題;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)倉庫與rbf神經(jīng)網(wǎng)絡(luò)構(gòu)建銀行信用內(nèi)部評級系統(tǒng)。

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)傳遞輸入信號到隱層,隱層節(jié)點(diǎn)的基函數(shù)對輸入信號在局部產(chǎn)生響應(yīng),當(dāng)輸入信號逼近基函數(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,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)倉庫中數(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etl(抽取、轉(zhuǎn)換和加載)放入數(shù)據(jù)倉庫的企業(yè)信用主題系統(tǒng)中存儲、展示。在數(shù)據(jù)倉庫中可以根據(jù)需要,建立多個(gè)應(yīng)用主題,其中根據(jù)信用評級的需要建立的企業(yè)信用主題中的數(shù)據(jù)模型如下:

在銀行信用評估中,多采用指標(biāo)打分法,影響客戶信用評級的指標(biāo)有很多。在本文中采用反映客戶財(cái)務(wù)狀況、經(jīng)營狀況最客觀、最主要的6個(gè)指標(biāo):

資產(chǎn)報(bào)酬率=利潤總額+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)

速動比率=流動資產(chǎn)-存貨/流動負(fù)債

流動比率=流動資產(chǎn)/流動負(fù)債

利息保障倍數(shù)=經(jīng)營活動現(xiàn)金流量凈額/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:流動比率和速動比率反映企業(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)對輸入指標(biāo)進(jìn)行“歸一化”處理,指標(biāo)的評價(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)輸出客戶的評估級別,在本文中分為3個(gè)級別,分別對應(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)樣本用于建立評估模型,15個(gè)樣本用于進(jìn)行模型檢測。該銀行將貸款客戶的信用評級分為是10級,分別為:aaa級、aa級、a級、bbb級、bb級、b級、ccc級、cc級、c級、d級,其中d級客戶已處于實(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,bbb-b定為2級,ccc-c級定為3級。

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。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。檢測樣本的輸出結(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)倉庫中挖掘出的信用評級模型。

六、結(jié)論

本文研究了利用數(shù)據(jù)倉庫結(jié)合rbf神經(jīng)網(wǎng)絡(luò)用于銀行信用內(nèi)部評級系統(tǒng)的建立,并利用我國商業(yè)銀行的實(shí)際數(shù)據(jù),對風(fēng)險(xiǎn)評估模型的效果進(jìn)行了檢驗(yàn)。實(shí)證結(jié)果表明,基于rbf神經(jīng)網(wǎng)絡(luò)的信用評級模型克服了人為因素的主觀性,體現(xiàn)了評估的客觀性、科學(xué)性,并且從仿真的結(jié)果來看,對銀行信用評估可取得較好的效果。同時(shí),在數(shù)據(jù)倉庫的基礎(chǔ)上,此數(shù)據(jù)模型可根據(jù)不斷增加的新數(shù)據(jù)來進(jìn)行調(diào)整,以適應(yīng)社會的發(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).

[6]bartbaesens,rudysetiono,christophemues,janvanthienen[].usingneuralnetworkruleextractionanddeci-siontablesforcredit-riskevaluation·managementsci-ence,2003,(3):312-329.

[7]陳翊.我國商業(yè)銀行內(nèi)部評級系統(tǒng)的構(gòu)建[j].金融縱論,2004,(3).

[8]鄭允韜.基于數(shù)據(jù)倉庫的國內(nèi)商業(yè)銀行個(gè)人客戶信用風(fēng)險(xiǎn)管理[j].河北工業(yè)大學(xué)學(xué)報(bào),2005,(2).

[摘要]基于數(shù)據(jù)倉庫,利用rbf神經(jīng)網(wǎng)絡(luò),建立了銀行信用內(nèi)部評級系統(tǒng),提出了企業(yè)信用主題數(shù)據(jù)模型和風(fēng)險(xiǎn)評估模型的訓(xùn)練過程。實(shí)證結(jié)果表明,該模型對銀行信用評估可取得較好的效果。

[關(guān)鍵詞]數(shù)據(jù)倉庫;神經(jīng)網(wǎng)絡(luò);商業(yè)銀行;信用評級