论文部分内容阅读
商业银行的信用风险管理长期以来一直是学术界和商业银行研究的重点。由于商业银行在国民经济中的特殊地位和重要作用，商业银行的安全关系着整个国民经济。对于信用风险而言，由于其本身的复杂性和参数数据的非线性特征，很多风险评估系统因难以适应非线性风险的复杂性而无法对其进行准确模拟评估。神经网络模型具有的逼近非线性函数的能力、模式识别能力以及泛化分类能力，能够较好的对信用风险进行评估，是对于传统信用风险评估方法的新发展。 首先，本文对国内外商业银行建立一种先进的信用风险管理模型的要求进行了分析，并讨论了使用神经网络信用风险模型的可行性。其次，本文总结了以前国内外学者对商业银行神经网络信用风险模型的理论和应用的研究情况，并在此基础上总结了神经网络信用风险模型的优缺点，从而得出进一步的研究方向。再次，通过比较分析现行的商业银行信用风险管理模型，从中提炼出可以用于神经网络信用风险模型的优点。最后，本文在研究前人研究结论的基础上，将Adaboost算法引入到BP神经网络中去，构造基于BP-Adaboost强分类器的优化的神经网络信用风险模型，对我国150家上市公司的财务数据进行模拟评估，并通过实证的结果得出了基于 BP-Adaboost强分类器的优化的神经网络系统进行信用评估分析的优势和不足，并就该模型应用商业银行信用风险管理的实用性进行了讨论。