论文部分内容阅读
信用风险作为商业银行面临的主要风险之一,一旦发生,不仅会造成商业银行经营损失,甚至引发商业银行破产危机。因此,如何对商业银行信用风险进行预警分析,进而采取行之有效的手段提前防范与控制信用风险,成为了当前理论与实务界探讨的热点问题之一。就中国商业银行而言,起步较晚,发展时间较短,在信用风险管理方面还缺少经验。同时,随着中国资本市场的逐步开放,国外资本不断涌入中国,在加快中国资本市场发展的同时,也很可能对中国脆弱的商业银行信用风险体系形成潜在威胁。因此,优化信用风险预警方法,提升信用风险管理水平,完善信用风险管理体系,对中国商业银行发展具有重要意义。基于上述分析,本论文以中国商业银行的贷款企业,即沪深两市的部分上市公司为研究对象,基于中国金融的现实环境,选择出16项诱发商业银行爆发信用风险的指标变量并进行预处理,从而获得14项能够显著区分中国商业银行信用风险与非信用风险样本的指标变量,进而运用核主成分分析(KPCA)方法对这14项指标变量进行提取,以消除指标变量间的高相关性特征;引入支持向量机(SVM)人工智能技术,构建商业银行信用风险的SVM智能预警模型,并运用粒子群优化(PSO)方法优化SVM模型的参数,以此来开展信用风险预警的研究工作,并通过实验证明了本论文提出的KPCA-PSO-SVM模型在商业银行信用风险预警中的优异的预测性能。本论文的主要研究内容如下:1.对风险预预警样本的预处理研究。由于直接基于样本的原始指标变量来构建预警模型存在诸多问题,因此,本论文运用了归一化处理方法和统计分析方法对原始的指标变量进行了筛选。通过实证结果表明,运用归一化方法能够将各指标变量转换为正态分布,从而能够消除指标变量的量纲问题;运用统计分析方法发现,营业收入增长率和税后利润增长率两项指标变量无法显著区分信用风险与非信用风险样本,因而需要将其从指标变量中删除。通过实验,本论文就获得了具有无量纲特征、能够显著区分信用风险与非信用风险样本的指标变量。2.对指标变量提取方法进行研究。诱发商业银行爆发信用风险的指标变量众多,且这些变量之间往往呈现高相关性特征。如果不消除这些变量的高相关特征而直接运用其进行建模,则很容易引发数据冗余问题,最终降低SVM智能预警模型的预测效果。因此,本论文引入了常用的主成分分析方法(PCA)以及其改进方法——核主成分分析方法(KPCA)进行了实证对比研究。实证结果表明,KPCA方法在指标提取上较PCA方法更为高效,同时,与SVM相结合,KPCA能够显著地提升SVM的预测效果,然而PCA方法却会降低SVM的预测效果。从而表明,银行信用风险预警指标变量存在非线性特征,而KPCA方法正好能够提取指标变量的非线性特征,能够有效地提升SVM的预警能力。3.对SVM参数优化方法研究。SVM智能预警模型的预测能力在很大程度上取决于惩罚参数和核函数参数,如果不恰当地选择这两类参数,就很可能导致SVM模型出现过拟合或欠拟合。为此,本论文对比研究了以网格寻优法(GS)为代表的传统参数优化方法和以遗传算法(GA)、粒子群算法(PSO)为代表的启发式算法在SVM参数寻优中的效果。实验结果表明,启发式算法在参数寻优上优于传统的GS参数寻优方法,其中,以PSO为代表的启发式算法又比以GA为代表的启发式算法具有更为优异的预测性能,能够更为有效地提升SVM预警模型的预测性能。通过上述一系列实验,本论文认为,基于KPCA-PSO-SVM的商业银行信用风险预警模型是商业银行信用风险监管部门应对与防范信用风险的最优的应用工具。监管部门能够运用本论文构建的KPCA-PSO-SVM智能预警模型,对未来一段时间内商业银行的信用风险进行全面而准确的预测,即时制定并实施应对信用风险的相关政策措施,从而加强市场监管,有效地防范信用风险。