论文部分内容阅读
信用风险一直是商业银行所面临的最基础最主要的风险,其范围涉及贷款发放、债券投资、表外业务等领域,而发放贷款一直是银行最主要的业务活动,因此,信贷风险成为信用风险中最主要的组成部分。所谓信贷风险,是指在信贷过程中,由于各种不确定性,使借款人不能按时偿还贷款,造成银行贷款本金及利息损失的可能性。它包括由于借款人的信用评级的变动和履约能力的变化导致其资产的市场价值变动而引起损失的可能性。对于我国商业银行来说,信贷风险管理占据着更为重要的地位。这是因为,对我国商业银行来说,大部分金融资产为企业贷款,其利润主要来源于存贷款利差。然而在目前,大量不良资产的存在、落后的信贷风险管理水平,越来越激烈的国际银行业的竞争,使得提高信贷风险度量和管理水平成为我国银行业面临的最紧迫的问题。
正因为信用风险管理是商业银行风险管理的重中之重,随着消费信贷经济的迅速发展,各家商业银行的信用卡业务得到大力推广,个人信用状况也越来越受到重视。建立模型,客观评估客户的个人信用风险状况,为商业银行开展信用卡业务,发展消费信贷业务提供有效依据,已成为当前研究的热门话题。
对信用风险进行评估,其方法主要有Logistic回归分析,多元线性判别分析,k-近邻分析等方法,但是近年来,不断有学者试图尝试新的方法来进行研究,其中包括以神经网络为主的人工智能方法。就本文而言,综合比较了多元判别分析、Logistic回归分析等传统统计模型,并尝试用广义半参数方法对信用风险展开评估,并进行了比较分析。与其他模型相比,广义可加类模型更加注重对数据进行非参数性的探索,并且有判别正确率高,运算速度快等优点。
本文共分为四个部分进行分析：第一部分主要论述选题背景、意义以及研究目的,并对国内外研究信用风险的文献作了综述,以及简单介绍了信用风险度量的一些基本概念,并对信用风险度量方法的发展进行了阐述,为后面实证模型的选择作铺垫。第二部分引入多元判别分析、Logistic回归分析等传统统计模型以及用广义半参数方法建立的广义可加模型,介绍了这些统计模型的理论基础、基本原理、计算步骤以及绩效评价方法,并对模型的优缺点做出评价。第三部分是实证部分,构建了多元判别分析、Logistic回归分析等传统统计模型以及广义可加模型。最后一部分是本文的主要结论及后续研究的建议。其中,运用广义半参数方法建立广义可加模型,本文的基本思想是：一是变量选择阶段,用以确定用于拟合数据的模型形式；二是对全部观测的数据拟合阶段,用以给出模型拟合数据的能力；三是验证阶段,用以检验模型的判别效率。广义可加类模型其基本原理为使反应变量的均值通过一个非线性连接函数而依赖于可加解释变量,同时还允许响应概率分布为指数分布族中的任意一员。该模型对多变量回归方程估计一个可加近似值,这一近似值有两个优点：1、由于每一个个体的可加项是以单变量平滑估计的,因而上述的由于维度增加使方差急剧扩大的问题可以被避免；2、个体项的估计解释了被解释变量如何随着解释变量的变化而变化的。其中,拟合算法采取了由Buja,Hastie &Tibshi-rani提出的Backfitting迭代算法,这是迄今为止应用也最为广泛的一种方法。这样,便使反应变量的均值通过一个非线性连接函数而依赖于可加解释变量,同时还允许响应概率分布为指数分布族中的任意一员。
本文使用了交通银行信用卡中心的信用数据进行了实证检验,研究表明,广义可加违约概率模型不仅具有很高的预测精度,而且具有良好的可解释性和计算效率。另外,文章还从实际应用的角度出发,对该类模型拟合过程中可能存在的限制和困难进行探讨和分析,以利于对该方法的进一步的理论研究和实际应用。