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)作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

一、

數(shù)據(jù)倉庫

數(shù)據(jù)倉庫并非是一個僅僅存儲數(shù)據(jù)的簡單信息庫,因為這實際上與傳統(tǒng)數(shù)據(jù)庫沒有兩樣。數(shù)據(jù)倉庫實際上是一個“以大型數(shù)據(jù)管理信息系統(tǒng)為基礎的,附加在這個數(shù)據(jù)庫系統(tǒng)之上的,存儲了從企業(yè)所有業(yè)務數(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用系統(tǒng)”。如果說傳統(tǒng)數(shù)據(jù)庫系統(tǒng)的重點與要求是快速、準確、安全、可靠地將數(shù)據(jù)存進數(shù)據(jù)庫中的話,那么數(shù)據(jù)倉庫的重點與要求就是能夠準確、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,再供管理人員進行分析使用。

數(shù)據(jù)倉庫必須隨時間變化而不斷增加新的內(nèi)容,進行新的分析和綜合。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)中很多是和時間有關的。需要隨時間變化不斷進行綜合。就信用評級而言,委員會規(guī)定商業(yè)銀行要隨時跟蹤客戶財務狀況的變化,至少每年對客戶進行一次評級。因此,數(shù)據(jù)倉庫也要隨時變化。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,來預測分析客戶今年的評級情況。數(shù)據(jù)模型的訓練過程見圖1。

二、近年來,商業(yè)銀行的風險管理成為國際國內(nèi)金融界關注的焦點。商業(yè)銀行在運營過程中面臨的金融風險主要有信用風險、利率風險、匯率風險、流動性風險和操作風險等,其中信用風險占有特殊的地位。信用風險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,信用風險是影響其安全高效運營的主要原因。

風險管理是一種主動的事前行為,而不是事后的補救。應通過分析現(xiàn)有的數(shù)據(jù),大量運用數(shù)理統(tǒng)計模型識別、衡量和檢測風險,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)信息進行深度加工和利用,挖掘出數(shù)據(jù)模型來預測和防范未來的風險,進行風險量化管理。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、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)計方法假定條件的局限性,使我國信用風險評估難以達到滿意的效果。

人工神經(jīng)網(wǎng)絡(artificialneuralnetwork,簡稱ann)是20世紀50-60年代產(chǎn)生,80年代以來發(fā)展起來的一種處理復雜非線性問題十分有效的手段,目前已在模式識別等領域得到廣泛的應用。

現(xiàn)有數(shù)十種神經(jīng)網(wǎng)絡方法,實際工作中大都采用bp(backpropagation)網(wǎng)絡,一些文獻將其應用于銀行信用風險評估取得了較好的效果。但同時bp網(wǎng)絡也存在局限性:由于bp網(wǎng)絡用于函數(shù)逼近時,權值的調(diào)整是用梯度下降法,存在局部極小和收斂速度慢的問題;已學習好的網(wǎng)絡的推廣(泛化)問題;網(wǎng)絡的隱含節(jié)點個數(shù)的選取尚缺少統(tǒng)一而完整的理論指導等。而rbf(radialbasisfunction)網(wǎng)絡在逼近能力、分類能力和學習速度等方面均優(yōu)于bp網(wǎng)絡。利用rbf網(wǎng)絡來完成函數(shù)逼近任務,并且將結果與bp網(wǎng)絡以及采用改進bp算法的前向網(wǎng)絡的訓練結果作比較,發(fā)現(xiàn)rbf網(wǎng)絡所用的時間最短。

本文將結合數(shù)據(jù)倉庫與rbf神經(jīng)網(wǎng)絡構建銀行信用內(nèi)部評級系統(tǒng)。

三、rbf神經(jīng)網(wǎng)絡

徑向基函數(shù)網(wǎng)絡是單隱層的3層前向網(wǎng)絡,輸入層節(jié)點傳遞輸入信號到隱層,隱層節(jié)點的基函數(shù)對輸入信號在局部產(chǎn)生響應,當輸入信號逼近基函數(shù)的中央范圍時,隱層節(jié)點將產(chǎn)生較大的輸出。由此可見,rbf網(wǎng)絡具有局部逼近能力。其網(wǎng)絡結構如圖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)務應用系統(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)標準,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,建立多個應用主題,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,多采用指標打分法,影響客戶信用評級的指標有很多。在本文中采用反映客戶財務狀況、經(jīng)營狀況最客觀、最主要的6個指標:

資產(chǎn)報酬率=利潤總額+財務費用/年平均總資產(chǎn)

資產(chǎn)負債率=總負債/總資產(chǎn)

速動比率=流動資產(chǎn)-存貨/流動負債

流動比率=流動資產(chǎn)/流動負債

利息保障倍數(shù)=經(jīng)營活動現(xiàn)金流量凈額/利息支出

應收賬款周轉(zhuǎn)率=銷售收入凈額/應收賬款平均余額+應收票據(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)擁有債權的安全程度及貸款企業(yè)到期償還債務的能力,如果貸款企業(yè)到期無法償還債務,將面臨破產(chǎn)的危險;應收賬款周轉(zhuǎn)率用于衡量企業(yè)在資產(chǎn)管理方面的效果;資產(chǎn)負債率反映企業(yè)的總負債在總資產(chǎn)中所占的比例。資產(chǎn)報酬率反映貸款企業(yè)經(jīng)營能力;利息保障倍數(shù)反映貸款企業(yè)按時還息的能力。

為了消除行業(yè)之間指標的差異性,同時對輸入指標進行“歸一化”處理,指標的評價采用的是“功效記分”方法,。功效記分是在選定的指標體系基礎上,對每一個指標都確定一個滿意值和不允許值,然后以不允許值為下限,計算各指標實際值實現(xiàn)滿意值的程度,并轉(zhuǎn)化為相應的功效分數(shù):

指標的功效分數(shù)=指標的實際值-指標的不允許值/指標的滿意值-指標的不允許值

指標的功效分數(shù),即是該指標的評價得分。

指標的實際值比滿意值好,指標的功效分數(shù)得1分,比不允許值差得零分。有的指標是較高為好,如盈利指標,有的是較低為好,如資產(chǎn)負債率。某銀行部分行業(yè)的指標參考值如表1所示。

根據(jù)上述6個分析指標,rbf模型有6個輸入節(jié)點,一個輸出節(jié)點。輸出節(jié)點輸出客戶的評估級別,在本文中分為3個級別,分別對應數(shù)值1,2,3。

五、算例

本文收集了某銀行160個不同行業(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個不合格數(shù)據(jù)樣本,剩下的143個數(shù)據(jù)樣本中128個樣本用于建立評估模型,15個樣本用于進行模型檢測。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.訓練神經(jīng)網(wǎng)絡。設定網(wǎng)絡學習的誤差為goal=0.01,rbf網(wǎng)絡的分布spread=1.0。

建立rbf網(wǎng)絡,隱層神經(jīng)元個數(shù)與誤差平方和的關系圖如圖3所示。

當神經(jīng)元個數(shù)neurons=100個時,sse=3.27185;當neurons=125時,sse=0.0127,滿足學習的誤差要求,rbf網(wǎng)絡訓練完畢。

2.網(wǎng)絡檢測。將先前準備的15個企業(yè)的指標數(shù)據(jù)用于rbf網(wǎng)絡檢測。檢測樣本的輸出結果如表2所示。

誤差符合要求,因此這個rbf神經(jīng)網(wǎng)絡模型就是從數(shù)據(jù)倉庫中挖掘出的信用評級模型。

六、結論

本文研究了利用數(shù)據(jù)倉庫結合rbf神經(jīng)網(wǎng)絡用于銀行信用內(nèi)部評級系統(tǒng)的建立,并利用我國商業(yè)銀行的實際數(shù)據(jù),對風險評估模型的效果進行了檢驗。實證結果表明,基于rbf神經(jīng)網(wǎng)絡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、科學性,并且從仿真的結果來看,對銀行信用評估可取得較好的效果。同時,在數(shù)據(jù)倉庫的基礎上,此數(shù)據(jù)模型可根據(jù)不斷增加的新數(shù)據(jù)來進行調(diào)整,以適應社會的發(fā)展、金融投資的變化。

參考文獻:

[1]袁曾任.人工神經(jīng)元網(wǎng)絡及其應用[m].北京:清華大學出版社,2000.

[2]郝麗萍,胡欣悅,李麗.商業(yè)銀行信貸風險分析的人工神經(jīng)網(wǎng)絡模型研究[j].系統(tǒng)工程理論與實踐,2001,(5).

[3]周露,王丹力.matlab神經(jīng)網(wǎng)絡仿真與應用[m].北京:科學出版社,2003.

[4]王春峰,萬海暉,張維.基于神經(jīng)網(wǎng)絡技術的商業(yè)銀行信用風險評估[j].系統(tǒng)工程理論與實踐,1999,(9).

[5]章忠志,符林,唐煥文.基于人工神經(jīng)網(wǎng)絡的商業(yè)銀行信用風險模型[j].經(jīng)濟數(shù)學,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)銀行個人客戶信用風險管理[j].河北工業(yè)大學學報,2005,(2).

[摘要]基于數(shù)據(jù)倉庫,利用rbf神經(jīng)網(wǎng)絡,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)模型和風險評估模型的訓練過程。實證結果表明,該模型對銀行信用評估可取得較好的效果。

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