论文部分内容阅读
在我国加入WTO五年缓冲期将满，外资银行即将全面进入的情况下，如何降低坏帐水平，提高风险管理能力，成为当前中资商业银行发展过程中亟待解决的问题。信用风险管理又是商业银行风险管理的重中之重，随着信用消费经济的发展，个人信用状况也越来越受到重视。开发数量化模型方法，客观综合评价个人信用状况，为商业银行发放消费信贷、发展个人金融业务等提供科学决策的依据，成为有效规避信用风险的重要手段。
人们对信用风险评估方法的研究大致依循了从比例分析到统计分析再到人工智能的发展脉络。多元线性判别分析(MLD)是学术界和业界认为最为有效的方法，人工智能方法是当前研究的热点和未来发展的趋势。其中人工神经网络方法，包括多层感知器(MLPs)、BP网络、径向基函数网络(RBF)、支持向量机(SVM)、自组织映射(SOM)等网络模型，以其优良的非线性模式识别能力而被寄予厚望。本文综合比较了国内外学术界和业界广泛研究和使用的多种信用评估模型，既包含了多元判别分析(MLD)、Logistic回归分析、k-近邻分析等传统统计分类模型，也涵盖了人工神经网络、分类树等现代人工智能模型，指出了它们各自的理论假设、适用场合及其优缺点。
网络结构难以确定、容易出现过拟合是目前人工神经网络研究和应用中遇到的主要问题。针对这些问题，本文提出了基于二次加罚的网络剪枝技术对标准BP网络进行改进。我们的基本思想是：首先从一个规模足够大的标准BP网络出发，利用二次加罚技术对网络权值进行收缩，将网络权值大致的分为重要权值和冗余权值两类，然后按照给定的剪枝规则删除冗余权值，迭代运行上面的过程，直到网络中没有权值被剪除为止，最后得到精简的网络。这种迭代“二次加罚+删除冗余”算法的好处在于：从一个规模足够大的网络出发可以避免模型设定的偏差；二次罚函数具有形式简单，运算稳定的特点，并且在消除过拟合问题的同时克服了多重共线性的影响；通过基于数据的剪枝规则删除冗余权值得到精简的网络结构，最终达到提高网络泛化性能的目的。我们使用德国个人信用数据对改进后网络的分类能力和泛化性能进行了实证检验，结果表明基于二次加罚网络剪枝技术改进的BP网络的泛化性能优于标准的BP网络，也优于本文提及的其他分类方法，模型分类准确率高性能稳定，可以用于商业银行对个人信用风险的识别。