信用风险分析方法的发展.docx

信用风险分析方法的发展
[摘要]对目前极具应用前景的信用风险分析方法进行了评述，分析了它们的特点、应用及进展，并在此基础上，提出了我国相应的决策，以便为促进我国信用风险管理水平的提高提供有益的借鉴。
[关键词]信用风险神经网络专家系统杂合体系
一、问题的提出
银行面临的主要风险有信用风险、市场风险、利率风险。我国商业银行的改革一直在进行中。就我国实际情况而言，银行经营效益低下，呆账、坏账增加固然有体制上的原因，但忽视信用风险分析和管理方法的研究，对信用资产进行不合理的定价也是一个不容忽视的原因。近20年来，随着国际金融领域竞争的空前加剧及大规模贷款组合的不断发展，传统的信用评估方法已不能满足人们的需要。一批以信息技术为支撑，以系统采用统计科学、人工智能、模拟技术等为特征的现代信用风险分析方法在西方发达国家不断涌现。与国外相比，我国目前对风险分析方法的研究还不充分，信用风险方法仍以传统的比例分析为主，定性、静态、局部的分析多，定量、动态、全局的分析少。中国加入wto后，国内的金融机构面临来自同行的激烈竞争，因此了解和借鉴先进的风险管理模型，建立科学的信用风险分析体系就成为目前的当务之急。
二、信用风险分析方法的发展及其进展
信用风险的分析是个世界性的问题。从20世纪60年代开始，美国与欧洲许多国家的研究者们已经开始进行信用风险分析研究。亚洲金融风暴之后，全世界又兴起了打破旧的信用风险分析方法，重新建立一套新的信用风险分析方法的热潮。迄今为止，信用风险分析方法已经从统计学方法、专家系统法、神经网络方法到近年来研究很热的支持向量机方法。
1.非参数统计方法
从现有国内外文献看，常用的非参数方法主要有。k最近邻居判别，核密度估计和聚类分析。其主要思想是将与信用风险相关的一组因素表示为一个向量，即样本空间中的一个点，向量的每个元素即为某个财务指标，然后根据空间中的某个距离或规则将其分类。
k近邻判别法是一种非参数统计方法，它在一定距离概念下按照若干变量从样本中选取与确定向量距离最短的k个样本为一组。聚类分析是根据借款人的指标计算出样本空间的距离将其分类。这种方法的一个主要优点是不要求总体服从某种具体的分布，可对变量采用名义尺度、次序尺度等。因此，该方法可用于定量研究，也可对现实中无法用数值精确表述的属性进行分析。这很适用于信用风险分析中按照定量指标和定性指标。对不服从一定分布特性的数据信息进行分类。除此之外，聚类分析方法还能帮助商业银行确定贷款方式和策略，迟国泰等（2001）通过对专家意见进行聚类分析，用来对商业银行进行信贷风险评估。
从实证分析看，非参数法的效果不是很理想。其原因是。在同样的样本容量下，若对具体问题的确存在特定的参数模型并可能找出时，非参数方法不及参数模型效率高。因此，在无法确知总体的分布函数时，非参数方法不失为一种有效的方法。如果对某一具体问题能找出特定参数的模型，则非参数法的效果会下降。
2.专家系统
专家系统是一种使用知识和推理的智能计算机程序，其目的是将专家解决问题的推理过程再现而成为专家的决策工具，或为非专业决策者提供专业性建议。它的功能表现在解释功能、灵活性、学习功能三方面。专家系统自上世纪80年代以来逐步被用于商业、经济领域，如会计、审计、税务信用评分、企业破产预测及证券组合等。
messier和hansen（1985）从知识获取角度探讨比较了专家系统在信用风险分析领域中的应用。传统的专家系统采用直接法，这种方法要消耗大量的时间和人力，而且问题域中的一些经验性知识无法清楚表示，故限制专家系统的规模和实用性。他们改变知识获取的传统方法即直接法，提出了启发式方法，即首先由专家提出范例对其特性加以提取，之后使用启发算法获取生产式规则，选用概念学习算法，从若干固定的属性描述的已知分类中抽取共性的变量，然后在这些属性的基础上建立生产式系统，利用其中的规则即可对新样本中的指标进行评估。
3.神经网络方法
进入20世纪90年代，神经网络（nn）引入银行业，用于信用风险识别和预测。神经网络是一种具有模式识别能力，自组织，自适应，自学习特点的计算机制，它的知识编码于整个权值网络，呈分布式存储且具有一定的容错能力。神经网络对数据的分布要求不严格，也不需要详细表述自变量与因变量之间的函数关系。这些特性，使之很快成为信用分析方法的一个热点。它在信用风险分析的作用是通过神经网络的分类功能进行的。首先找出一组影响分类的因素作为神经网络的输入，然后通过有导师或无导师的训练，形成信用风险分析模型。对新样本的输入，模型可产生信用风险分析的判别的的结果。
从目前国内外文献看，研究和应用中使用最多的nn有：多层感知机（mlp）、专家混合网络（moe）、学习矢量化器（lvq）、径向基函数（rbf）、模糊自适应谐振（far）及概率神经网（probabilisticneuralnetworks）。其中，mlp由于其在理论上及网络构建的成熟性，成为应用最多的nn方法。对于nn的有效性，研究者大多将其与传统的lda、lg方法进行对比。nn是否优于传统方法目前仍存在争议。davidwest于2000年分别将德国、澳大利亚的企业信用数据利用交错鉴定法分为训练样本和测试样本。结果显示，对于德国数据的分析，判别最准确的是moe，其余依次为：lg、rbf、mlp、lda、lvq、cart、kd、knn和far;对澳大利亚数据的分析显示，判别最准确的是rbf，其余依次为：mlp、moe、lg、lda、knn、lvq、cart、kd和far。相反的观点如altman认为：nn分析方法在信用风险识别和预测中的应用，并没有实质性的优于线性区别模型。因此从目前的研究文献看，nn系统已显示出非常大的应用前景，但与传统的da、lg方法相比，还不具备绝对的优势。原因在于目前尚无成熟的理论指导来设定网络结构，要得到一个较好的nn结构，需要人为地试凑。并且网络的学习过程慢，尤其当网络结构复杂，样本训练次数多时，其运算效率降低。因此，nn的未来发展仍有待人们艰苦不懈的努力。
4.杂合系统与支持向量机方法
（1）杂合系统。杂合方法是指把两种或多种不同的方法结合在一起形成一种新的方法，这种新的方法既能继承原来各方法中的优点，又能克服各方法中的缺点同时还能形成一种新的优点，而这种新的优点是原来所有方法中都不具备的。由于具有这样的特性，提高了解决问题的效率，是目前一种比较流行的研究方法。kerling（1995）将递归分割算法与da方法进行比较的同时，提出了两种方法的杂合方法，结果证明杂合方法的分类效果比单独使用这两种方法都好。west（2000）在利用专家杂合系统研究商业银行信用评价的准确性时，对德国和澳大利亚两组不同的财务数据分别进行两类模式分类时，分类准确率分别为75.66%和86.68%。
（2）支持向量机。20世纪90年代中末期，vapnik等根据统计学习理论提出支持向量机（简称svm）的学习方法，研究如何根据有限学习样本，进行模式识别和回归预测等。近年来，svm已成为解决模式分类和回归问题的有利工具。由于svm在学习过程中避免了神经网络的一些缺陷，如网络结构难以确定、在样本训练过程中发生过学习或欠学习、容易产生局部极小等，因此，在进行模式分类时，人们自然认为svm学习方法优于神经网络方法。它的主要研究内容是，当问题是线性可分时，给出一个求解最大间隔法的方法；而当问题不是线性可分时，提出利用一核函数将样本集映射到某一高维空间，使得样本集在高维空间中的像是线性可分的。其学习方法最大的特点是：根据结构风险最小划原则，尽量提高学习机的泛化能力。其中，通过非线性映射，将低维空间中的非线性问题转变为高维空间中的线性问题，并采用一核函数代替高维空间中的内积运算，达到避免高维运算和解决非线性的目的。尽管通常来说，支持向量机方法也是神经网络方法的一种，但考虑到支持向量机方法与其他神经网络方法相比，确实有其独特之处，特别是在信用风险分析领域的研究中表现出很强的应用前景，因此将该方法单列出来。
三、结语
目前，具有高技术含量的风险管理模型在西方发达国家获得了突飞猛进的发展，其主要特征表现为综合吸收当今各学科领域的最新技术成果，大量运用计算机信息技术、经济计量技术、模拟技术，以及神经网络和专家系统对信用风险进行计量、定价、交易和套期保值，风险评价方法越来越体现出从定性到定量、从简单到复杂、从微观层次的个别资产信用风险评价到宏观层次的资产组合信用风险评价的趋势。由于我国商业银行和金融市场尚处在新兴发展阶段，核心的信用风险分析仍采用传统的比例分析方法，远不能满足商业银行对贷款进行风险分析的需要。吸收和借鉴西方风险管理的新方法，对于我们具有重要的意义。这里仅提出几点建议：
1.由于风险分析方法的成功运用依赖于庞大完整的数据库，而我国目前大多数企业数据资料不全，并且国内缺乏独立的金融资信评级机构。因此，我国目前当务之急要大力培育和发展中国独立的信用评级机构，同时从长远看，我国商业银行和企业必须尽快建立统一、规范的数据仓库和管理信息系统，以满足所有工具对数据的需求。
2.要抓紧培养高素质的专业人才队伍，同时建立良好的信用文化环境及适合自身的信用文化和管理哲学，要将风险意识根植于银行的上上下下，让全体员工以伦理道德、避免风险及银行的健康发展作为其行动准则;
3.在实践中，国内不能直接照搬国外的方法，而要科学、灵活地借鉴国外的先进模型，逐步开发适合中国实际的信用风险模型。
4.意识到模型自身固有的缺陷。要坚持定性与定量相结合的原则，任何复杂的数量分析都不能替代经验判断，况且目前现有的信用风险模型仍处于发展的早期阶段，过度依赖于数量模型将会产生模型风险。
第8页 共8页