前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇信用風(fēng)險評估范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

信用風(fēng)險評估范文第1篇

關(guān)鍵詞：商業(yè)銀行；信用風(fēng)險評估；定性方法；定量方法

中圖分類號：F2

文獻標識碼：A

文章編號：1672-3198（2013）09-0027-02

企業(yè)信用評估和企業(yè)財務(wù)預(yù)警是企業(yè)財務(wù)管理研究的重要課題。諸多學(xué)者將兩個問題一起進行研究，這兩者之間還是有本質(zhì)區(qū)別的。財務(wù)預(yù)警即財務(wù)失敗預(yù)警，是指借助企業(yè)提供的財務(wù)報表、經(jīng)營計劃及其他相關(guān)會計資料，利用財會、統(tǒng)計、金融、企業(yè)管理、市場營銷理論，采用比率分析、比較分析、因素分析及多種分析方法，對企業(yè)的經(jīng)營活動、財務(wù)活動等進行分析預(yù)測，以發(fā)現(xiàn)企業(yè)在經(jīng)營管理活動中潛在的經(jīng)營風(fēng)險和財務(wù)風(fēng)險，并在危機發(fā)生之前向企業(yè)經(jīng)營者發(fā)出警告。信用評估本質(zhì)上是對企業(yè)履約各種承諾能力和信用程度進行全面評估，預(yù)測未來償債可能性來辨識不同企業(yè)的方法。服務(wù)的對象有商業(yè)銀行、金融監(jiān)管機構(gòu)、與受評對象有業(yè)務(wù)往來的商業(yè)客戶以及社會公眾和投資者。

（1）定性評估方法：人工專家分析法，又被稱為古典信用分析方法，包括5C、5P、5W法，5C法指貸款申請企業(yè)或個人的道德狀況，償債能力，貸款申請企業(yè)或個人的財產(chǎn)狀況，可用于進行貸款申請時抵押擔(dān)保的資產(chǎn)價值，宏觀經(jīng)濟狀況。 5W法指貸款申請人、申請貸款的使用、貸款的時間長度、擔(dān)保資產(chǎn)價值及還款方式。目前我國商業(yè)銀行實務(wù)中仍主要采用的信用評估分析方法。

（2）定量評估方法。

①統(tǒng)計方法：多元判別分析法（Multi-linear Discriminate Analysis）是較早應(yīng)用于企業(yè)信用評估的多元統(tǒng)計方法。Altman（1968）最早提出Z-score模型對企業(yè)運營財務(wù)危機預(yù)警、企業(yè)違約預(yù)測問題進行研究，使用較少的財務(wù)比率迅速進行判斷分析，使用年度報表的數(shù)據(jù)運用財務(wù)比率進行分析：企業(yè)運營成本/平均總資產(chǎn)、留存收益/平均總資產(chǎn)、息稅前利潤總額/平均總資產(chǎn)、普通股股東權(quán)益合計/平均總負債、營業(yè)收入/平均總資產(chǎn)，并且對三十多家樣本公司進行分析，得到準確率較高的分析結(jié)果，該模型屬于貝葉斯判別，用樣本修正已有的先驗概率分布得到后驗概率分布。這篇經(jīng)典論文開創(chuàng)了企業(yè)破產(chǎn)預(yù)測，財務(wù)危機預(yù)警，信用評估分析的先河。Altman（1977）在前述論文的基礎(chǔ)上進行了完善，又加入幾個財務(wù)比率建立ZETA模型，使用總資產(chǎn)收益率（利潤總額/平均總資產(chǎn)）、利潤增長率（利潤總額/上一年利潤總額）、利息保障倍數(shù)（息稅前利潤總額/利息費用）、留存收益/平均總資產(chǎn)、流動比率（流動資產(chǎn)/流動負債）、平均總資產(chǎn)、公司股票市價等財務(wù)比率，得到比簽署模型更好的分析結(jié)果。Logistic模型分析。Martin（1977）使用財務(wù)比率進行企業(yè)經(jīng)營財務(wù)預(yù)警及企業(yè)貸款違約分析，使用多元統(tǒng)計學(xué)中的Logistic回歸方法，使用1970至1971年的報表數(shù)據(jù)從的美聯(lián)儲成員銀行5600多家中選取58家屬于財務(wù)困境，違約樣本的銀行進行分析測算，使用資產(chǎn)凈利率（利潤總額/平均總資產(chǎn)）等8個財務(wù)比率，進行分析測算，并且分析不同的信息使用者的風(fēng)險偏好差異，如投資人和債權(quán)人，測算不同的風(fēng)險預(yù)警系數(shù)，便于信息使用者更好地作出分析決策，得到較好的分析結(jié)果，并且使用該多元回歸模型與前述的Z-Score模型，ZETA模型測算的結(jié)果進行對比分析，得到優(yōu)于前述模型的預(yù)測數(shù)據(jù)。吳世農(nóng)（2001）收集我國上市公司1998至2002年A股市場的ST公司共計七十多家，收集樣本數(shù)據(jù)的時間是公司轉(zhuǎn)化成ST的年度，并且選取相關(guān)行業(yè)的七十多家作為對照組樣本，進行橫截面數(shù)據(jù)分析，選用不同的計量模型進行對比研究，主要有線性概率模型（LPM），F(xiàn)isher二類線性判定，Logistic模型等多元統(tǒng)計方法對企業(yè)財務(wù)進行預(yù)警研究，最終結(jié)果是Logistic模型的預(yù)測準確率均高于Fisher判別分析法和LPM的準確率。于立勇、詹捷輝（2004）也使用Logistic模型，選取商業(yè)銀行的貸款企業(yè)客戶的財務(wù)數(shù)據(jù)進行信用違約的分析，得到較好的測算概率。方洪全、曾勇（2004）在銀行信用風(fēng)險評估方法實證研究及比較分析中運用Logit模型分析。李志輝、李萌（2005）選取了195家上市公司為樣本，Logistic模型的準確率高于線性判別模型神經(jīng)網(wǎng)絡(luò)模型。Junni L. Zhang（2010）運用貝葉斯加分類樹法對德國公司財務(wù)報表數(shù)據(jù)進行償債能力進行有效得分類。

②信用風(fēng)險評估模型。Credit Metrics（信用計量模型）是摩根大通等美國知名金融機構(gòu)采用用VaR（在險價值模型）的思路，對個人和企業(yè)的貸款以及其他金融資產(chǎn)進行價值估計和風(fēng)險預(yù)測的計算方法。麥肯錫公司提出的Credit Portfolio View模型（信貸組合審查模型），是改造Credit Metrics模型，考慮到周期性宏觀經(jīng)濟因素，結(jié)合信用風(fēng)險評級轉(zhuǎn)移和宏觀經(jīng)濟變量如年度經(jīng)濟增長率、市場利率、政府支出等建立關(guān)聯(lián)模型，使用蒙特卡羅技術(shù)模擬宏觀經(jīng)濟周期性因素的計算得到評級轉(zhuǎn)移概率。KMV模型（Credit Monitor模型）（是美國KMV公司提出后被穆迪公司收購），該模型是可以對上市公司的信貸違約概率進行預(yù)測分析。張玲等（2004）運用KMV模型評估我國上市公司ST公司和非ST公司的信用風(fēng)險后得到，改變KMV模型的相關(guān)變量可以至少提前2年預(yù)警我國上市公司的信用違約風(fēng)險，并且可以提前4年進行上市公司的信用風(fēng)險變化趨勢的預(yù)測。戴志鋒等（2005） 運用KMV對我國上市公司數(shù)據(jù)和某國有商業(yè)銀行非上市公司的信貸數(shù)據(jù)進行驗證，實證結(jié)果表明非上市公司模型在中國具有一定的預(yù)測能力，但預(yù)測準確率低于歐美國家。Credit Risk+模型（信用風(fēng)險附加模型）是由瑞士信貸銀行金融產(chǎn)品部（CSFP）開發(fā)的，它是一個違約模型（Default Model）。

③人工智能方法：神經(jīng)網(wǎng)絡(luò)。陳雄華等（2002）采用人工神經(jīng)網(wǎng)絡(luò)模型研究企業(yè)信用等級的評估問題，按照企業(yè)樣本分為制造業(yè)和非制造業(yè)兩大類，利用偏相關(guān)分析方法建立了企業(yè)信用評級的指標體系，實驗結(jié)果表明神經(jīng)網(wǎng)絡(luò)模型具有更好的預(yù)測準確性。于立勇（2003）收集一百多個企業(yè)作為訓(xùn)練樣本，運用神經(jīng)網(wǎng)絡(luò)模型進行信用違約風(fēng)險分析，得到有效的預(yù)測結(jié)果。章忠志、符林、唐換文（2003）使用神經(jīng)網(wǎng)絡(luò)模型，選取28個企業(yè)數(shù)據(jù)做為樣本進行分析，預(yù)測結(jié)果準確率達到90%以上。徐佳娜、西寶（2004）使用人工神經(jīng)網(wǎng)絡(luò)模型與層次分析法（AHP）相結(jié)合建立模型對企業(yè)信用風(fēng)險進行評估，預(yù)測結(jié)果說明該模型比已有的其他模型準確更高。張衛(wèi)東等（2006）建立模型結(jié)合前饋型神經(jīng)網(wǎng)絡(luò)、遺傳算法和模糊數(shù)學(xué)方法來，評估商業(yè)銀行企業(yè)客戶的信用風(fēng)險，使用Matlab軟件對選取的商業(yè)銀行企業(yè)客戶數(shù)據(jù)進行測算，得到的結(jié)果表明準確率比以前的模型方法有所提高，模型更具魯棒性。夏紅芳（2007）通過與上海某商業(yè)銀行的合作，對其1999-2005年的貸款明細和公司財務(wù)數(shù)據(jù)進行了系統(tǒng)研究，運用粗糙集理論的約簡功能，從中選出最能反映企業(yè)信用狀況的8項財務(wù)指標，再應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)方法進行信用評估，實證研究表明所提方法具有較高精度。但是使用人工神經(jīng)網(wǎng)絡(luò)模型需要根據(jù)實際的樣本數(shù)據(jù)不斷調(diào)整系數(shù)，相對而言模型的魯棒性不夠強。戴芬（2009）根據(jù)中小企業(yè)信用評估指標體系，提出了一種基于蟻群神經(jīng)網(wǎng)絡(luò)的評估模型。結(jié)果表明蟻群神經(jīng)網(wǎng)絡(luò)的預(yù)測方法與傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測方法相比，具有較強的泛化能力，應(yīng)用在中小企業(yè)信用評估系統(tǒng)中具有很高的評估準確率。

整數(shù)規(guī)劃法。薛鋒（2006）選取上市公司數(shù)據(jù)，使用混合整數(shù)規(guī)劃法，建立企業(yè)信用風(fēng)險評估模型進行信用風(fēng)險評估，模型可以滿足非參數(shù)檢驗，也不需要樣本數(shù)據(jù)服從正態(tài)分布，可以較為廣泛的應(yīng)用，經(jīng)數(shù)據(jù)實際測算的結(jié)果說明，該模型魯棒性較好，預(yù)測效果較好，準確率較高。遺傳算法。薛惠鋒（2006）利用人工智能方法——GA-PSO混合規(guī)劃算法構(gòu)建企業(yè)信用風(fēng)險評估模型。并利用上證50若干企業(yè)的實際數(shù)據(jù)對模型進行了實證檢驗。實證結(jié)果顯示該模型能有效預(yù)測上市企業(yè)的信用風(fēng)險狀況。該模型在收斂性能及預(yù)測準確率等方面優(yōu)于基于傳統(tǒng)的多元回歸方法及GP方法的信用風(fēng)險評估模型。Jonathan N. Crook（2007） 參考諸多文獻比較線形回歸（LDA），Logistic回歸，決策樹，數(shù)學(xué)規(guī)劃法，神經(jīng)網(wǎng)絡(luò)法，遺傳算法，遺傳編程，K近鄰法，支持向量機幾種方法，認為支持向量機法的準確率相對較高。

從以上對國內(nèi)外研究現(xiàn)狀的分析可知，盡管國內(nèi)外已有許多專家學(xué)者對商業(yè)銀行客戶信用評估進行大量的研究，但在實際應(yīng)用中涉及中小企業(yè)的研究較少，未考慮我國企業(yè)普遍存在的內(nèi)部人控制的企業(yè)中管理者個人因素對企業(yè)信用的影響，限制了模型的適用范圍。

參考文獻

[1]Altman，E.I.，F(xiàn)inancial ratio discriminant analysis and the prediction of corporate bankruptcy[J].Journal of Finance，1968，23（4）：189-209.

[2]Altman，E.I.，R.Haldeman & P.Narayanan，ZETA analysis：A new model to identify bankruptcy risk of corporations[J].Journal of Banking and Finance，1977，（l）：29-54.

[3]D.Martin.Early warning of bank failure： A Logit regression approach[J].Journal of banking and finance，1977，（1）：249-276.

[4]吳世農(nóng)，黃世忠.我國上市公司財務(wù)困境的預(yù)測模型研究[J].經(jīng)濟研究，2001，（6）：46-55.

[5]于立勇，詹捷輝.基于Logistic回歸分析的違約概率預(yù)測研究[J].財經(jīng)研究，2004，（9）：15-23.

[6]方洪全，曾勇.銀行信用風(fēng)險評估方法實證研究及比較分析[J].金融研究，2004，（1）：62-69.

[7]李志輝，李萌.我國商業(yè)銀行信用風(fēng)險識別模型及其實證研究[J].經(jīng)濟科學(xué)，2005，（5）：61-71.

[8]Junni L. Zhang，Wolfgang K. Hrdle The Bayesian Additive Classification Tree applied to credit risk modeling Computational[J].Statistics and Data Analysis 54 （2010） 1197_1205.

[9]張玲，楊貞柿，陳收.KMV模型在上市公司信用風(fēng)險評估中的應(yīng)用研究[J].系統(tǒng)工程，2004，（11）.

[10]戴志鋒，張宗益，陳銀忠.基于期權(quán)定價理論的中國非上市公司信用風(fēng)險度量研究[J].管理科學(xué)，2005，（6）.

[11]陳雄華，林成德，葉武.基于神經(jīng)網(wǎng)絡(luò)的企業(yè)信用等級評估系統(tǒng)[J].工程學(xué)報，2002，（6）：570-575.

[12]于立勇.商業(yè)銀行信用風(fēng)險評估預(yù)測模型研究[J].管理科學(xué)學(xué)報，2003，（5）：46-52.

[13]章忠志，符林，唐換文.基于人工神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險[J].模型經(jīng)濟數(shù)學(xué)，2003，（3）：42-47.

[14]徐佳娜，西寶.基于AHP-ANN模型的商業(yè)銀行信用風(fēng)險評估[J].哈爾濱理工大學(xué)學(xué)報，2004，（3）：94-98.

[15]張衛(wèi)東，韓云昊，米陽于.GA-BP模糊神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險評估[J].工業(yè)工程與管理，2006，（5）：81-84.

[16]夏紅芳.商業(yè)銀行信用風(fēng)險度量與管理研究[D].南京：南京航空航天大學(xué)，2007，（8）.

[17]戴芬，劉希玉，王曉敏.蟻群神經(jīng)網(wǎng)絡(luò)在中小企業(yè)信用評估中的應(yīng)用[J].計算機技術(shù)與發(fā)展，2009，（10）：218-221.

[18]薛鋒，柯孔林.基于混合整數(shù)規(guī)劃法的企業(yè)信用風(fēng)險評估研究[J].中國管理科學(xué)，2006，（2）：39-44.

信用風(fēng)險評估范文第2篇

關(guān)鍵詞：信用風(fēng)險評估；網(wǎng)絡(luò)信貸；借款人信用；人工神經(jīng)網(wǎng)絡(luò)

中圖分類號：F832.5 文獻標識碼：B 文章編號：1674-2265（2016）12-0043-05

一、引言

P2PW絡(luò)信貸平臺憑借方便快捷、低門檻的優(yōu)勢，自2006年在中國首次出現(xiàn)后，數(shù)量呈幾何模式快速增長。然而由于風(fēng)險管控能力不足，導(dǎo)致問題平臺不斷出現(xiàn)。《中國P2P網(wǎng)貸風(fēng)險指數(shù)快報》顯示，2016年3月末中國P2P網(wǎng)貸問題平臺1824家，占全國P2P網(wǎng)貸平臺5326家的34.25 %。究其原因，在于中國的網(wǎng)貸平臺規(guī)模普遍較小、發(fā)展時間較短，并不具備完善的風(fēng)險防范與管理能力。網(wǎng)貸平臺所面臨的最大風(fēng)險是借款人的信用風(fēng)險，然而國內(nèi)眾多平臺為搶占市場、快速上市，并沒有在風(fēng)控方面做好充分準備。大多數(shù)網(wǎng)貸平臺缺乏完善的借款人信用風(fēng)險評估體系，無法對借款人信用等級做出有效評估，導(dǎo)致平臺出現(xiàn)運營危機。2015年，中國政府開始對國內(nèi)網(wǎng)絡(luò)信貸行業(yè)進行整改，風(fēng)險控制成為網(wǎng)貸平臺整改的核心內(nèi)容。如何準確評估借款人的信用風(fēng)險，成為提升網(wǎng)貸平臺風(fēng)險管控能力亟須解決的問題。

P2P網(wǎng)貸平臺信用風(fēng)險問題引起了國內(nèi)外學(xué)者的廣泛關(guān)注。網(wǎng)貸平臺信用風(fēng)險揭示方面，封延會、賈曉燕（2012）認為P2P網(wǎng)貸是影子銀行的一種形式，暴露了中國金融風(fēng)險監(jiān)管的不完備。馬運全（2012）認為，將P2P網(wǎng)貸平臺數(shù)據(jù)接入征信系統(tǒng)可以最大限度地減少借款人信用風(fēng)險發(fā)生的可能性。Klafft（2008）分析美國網(wǎng)貸平臺Prosper的數(shù)據(jù)，發(fā)現(xiàn)借款人信用評級越高越容易獲得貸款，逾期還款率也越低。信用風(fēng)險影響因素研究方面，Herzenstein等（2008）認為借款人的債務(wù)收入比是影響信用風(fēng)險的重要因素。Iyer等（2010） 提出了評估借款人信用風(fēng)險的數(shù)據(jù)包括標準的銀行數(shù)據(jù)和性別、年齡等非標準數(shù)據(jù)。Barasinska（2009）認為借款人年齡、性別、種族也是影響信用風(fēng)險的重要因素。Duarte等（2012）認為外貌特征都會影響借貸行為。王會娟等（2014）基于“人人貸”的數(shù)據(jù)發(fā)現(xiàn)，對借貸行為影響較大的是工作認證、收入認證、視頻認證和車產(chǎn)、房產(chǎn)認證等認證指標。溫小霓等（2014）以拍拍貸為例，發(fā)現(xiàn)借款人信用積分、性別、住宅情況也對借款結(jié)果有影響；信用風(fēng)險評估方法研究方面，張墨（2015）總結(jié)了 P2P 網(wǎng)貸個人信用評價的方法――層次分析法、主成分分析法、因子分析法、神經(jīng)網(wǎng)絡(luò)模型法等。張巧良（2015）應(yīng)用層次分析法對網(wǎng)貸平臺風(fēng)險進行了評價。王保乾和王婷（2016）運用基于層次分析的模糊綜合評價分析了大數(shù)據(jù)對網(wǎng)貸信用評估的影響。于曉虹和樓文高（2016）認為層次分析法、主成分分析法、因子分析法等方法均不太適合于P2P網(wǎng)貸個人信用評價與預(yù)警建模研究。Angelini等人（2008）開發(fā)了兩個神經(jīng)網(wǎng)絡(luò)系統(tǒng)來進行信用風(fēng)險評估，通過對意大利某小型企業(yè)的實證研究，表明神經(jīng)網(wǎng)絡(luò)適用于評估借款人違約風(fēng)險。朱毅峰（2008）認為神經(jīng)網(wǎng)絡(luò)方法的優(yōu)勢在于對樣本數(shù)據(jù)的分布沒有要求，并降低了對差企業(yè)的誤判率。

綜上所述，網(wǎng)絡(luò)信貸的信用風(fēng)險評估在國內(nèi)外的研究均取得了一定的進展。但已有研究往往將關(guān)注的焦點放在對信貸平臺的風(fēng)險評估，對借款人信用風(fēng)險的關(guān)注度不夠，對P2P網(wǎng)貸平臺借款人信用風(fēng)險的分析也大多采用定性分析法、層次分析法等帶有一定主觀性的方法，難以客觀、全面地反映借款人信用的真實情況。基于此，本文從P2P網(wǎng)貸平臺借款人信用角度出發(fā)，分析網(wǎng)貸平臺借款人信用同個人基本信息的關(guān)系，篩選影響借款人信用等級評估的指標因素，選擇在信用風(fēng)險評估中可以解決非線性、不確定性變量關(guān)系的人工神經(jīng)網(wǎng)絡(luò)模型，對網(wǎng)貸平臺的借款人信用風(fēng)險評估進行實證分析。

二、網(wǎng)貸平臺借款人信用風(fēng)險評估指標的選取

P2P網(wǎng)絡(luò)信貸的特點之一是網(wǎng)貸平臺要求借款人提供的個人信息較為簡單，一般包括身份信息、基本資產(chǎn)狀況、年齡、學(xué)歷等個人基礎(chǔ)情況。通過第三方認證平臺對借款人提供的信息進行認證，根據(jù)認證后的信息對借款人的信用等級進行評定，并將信息及評級結(jié)果公布在網(wǎng)站上，供貸款人參考。

根據(jù)國內(nèi)目前各大網(wǎng)貸平臺對借款人的審核要求，一般需要借款人提供身份證、是否購車、基本資產(chǎn)情況、收入情況、婚姻狀況、文化程度、住房條件等資料信息，國外一些平臺對借款人審核的條件還包括種族、性別、外貌長相、體重等信息。借鑒國內(nèi)外P2P網(wǎng)貸平臺信用評價指標的選取情況，考慮P2P網(wǎng)貸平臺借款人的特點及平臺業(yè)務(wù)需求，本文選取借款人年齡、住房、購車、收入、婚姻、文化程度、歷史信用記錄、性別、上傳照片（代替外貌特征）、居住區(qū)域等信息指標，作為網(wǎng)貸平臺借款人信用風(fēng)險評估指標。由于所選指標部分是非數(shù)值變量，為了能準確地分析這些變量對借款人信用風(fēng)險的影響，將性別、住房、地區(qū)等設(shè)為虛擬變量，將部分指標進行虛擬量化，量化結(jié)果如表1所示。

（一）年齡

網(wǎng)絡(luò)信貸借款人的年齡主要集中在20―60歲之間，年齡較小的借款人儲蓄能力較低，缺少良好的消費習(xí)慣，其違約風(fēng)險較高；年齡較大的借款人收入水平較低、突發(fā)消費較多，其違約風(fēng)險也相對偏高。因此年齡在34―45歲之間、擁有穩(wěn)定工作收入的借款人信用較好，違約風(fēng)險低。

信用風(fēng)險評估范文第3篇

[關(guān)鍵詞] 消費信貸 信用風(fēng)險 項目風(fēng)險管理 風(fēng)險評估

在擴大內(nèi)需和應(yīng)對通貨緊縮的過程中，從1999年起，我國啟動個人消費信貸政策。自此信用消費逐步浮出水面，住房按揭、汽車貸款、教育貸款、信用卡等各種個人消費貸款的規(guī)模不斷迅速擴大。在消費信貸熱不斷升溫的形勢下，各商業(yè)銀行均把發(fā)展消費貸款作為未來發(fā)展戰(zhàn)略的重要組成部分。消費信貸的蓬勃發(fā)展以及消費信貸業(yè)務(wù)風(fēng)險與回報相對應(yīng)的客觀規(guī)律，使商業(yè)銀行等授信機構(gòu)在追逐巨額利潤的同時，不得不面對巨大的潛在不良貸款風(fēng)險，從而信用風(fēng)險管理逐漸成為商業(yè)銀行個人消費信貸管理的一個核心領(lǐng)域。

信用風(fēng)險是我國商業(yè)銀行長期以來面臨的最主要風(fēng)險，貸款質(zhì)量決定著商業(yè)銀行的生存與發(fā)展。因此，借鑒國外先進經(jīng)驗，開展個人信用評估研究，建立符合我國國情的個人信用評估模型，客觀、全面、準確地評估消費者的還款能力和還款意愿，識別信貸申請人的個人信用風(fēng)險，對信用風(fēng)險進行有效的防范和控制管理具有重要的現(xiàn)實意義。

一、項目風(fēng)險管理與個人信用風(fēng)險評估的內(nèi)涵

風(fēng)險管理是項目管理的一部分，目的是保證項目總目標的實現(xiàn)。項目風(fēng)險管理是為了最好地達到項目的目標，識別、分配、應(yīng)對項目生命周期內(nèi)風(fēng)險的科學(xué)與藝術(shù),是一種綜合性的管理活動。項目風(fēng)險管理的目標可以被認為是使?jié)撛跈C會或回報最大化，使?jié)撛陲L(fēng)險最小化。

風(fēng)險識別、風(fēng)險估計和風(fēng)險評價是項目風(fēng)險管理的重要內(nèi)容。在此基礎(chǔ)上隨時監(jiān)控項目的進展，注視風(fēng)險的動態(tài)，一旦有新情況，馬上對新風(fēng)險進行識別、估計和評價，并采取必要的行動，妥善地處理風(fēng)險事件造成的不利后果，這就是項目風(fēng)險管理的全過程。

在實踐中，此全過程可以劃分為風(fēng)險分析和風(fēng)險管理兩個階段。其中風(fēng)險分析包括風(fēng)險識別、風(fēng)險估計和風(fēng)險評價。在信用風(fēng)險管理中，信用風(fēng)險評估是基礎(chǔ)和關(guān)鍵。

個人信用風(fēng)險評估就是通過建立針對不同客戶類別的信用評估數(shù)學(xué)模型，運用科學(xué)合理的評估方法，在建立個人信用檔案系統(tǒng)的基礎(chǔ)上，對每一位客戶的信用資料內(nèi)容進行科學(xué)、準確的信用風(fēng)險評估。個人信用評估的自動化加速了整個信貸決策過程，申請人可以更加迅速地得到答復(fù)，提高了操作的效率。

對個人信用進行科學(xué)評估，建立科學(xué)的信用評估體系，是發(fā)展個人消費信貸、個人金融、家庭理財?shù)葮I(yè)務(wù)的必然選擇。信用評估可以較精確地估計消費信貸的風(fēng)險，給貸款人提供了一個可靠的技術(shù)手段，避免不良貸款，控制債務(wù)拖欠和清償。個人信用評估可以使貸款人更加精確地界定可以接受的消費信貸的風(fēng)險，擴大消費信貸的發(fā)放。

二、個人信用風(fēng)險評估體系的現(xiàn)狀及存在的問題

在我國，個人信用風(fēng)險評估體系尚不健全，個人信用長期沒有評估，良好的信譽沒有得到合理的優(yōu)惠，欠債不還也沒有受到相應(yīng)的懲罰，使我國的個人信用較為脆弱，個人資信程度降低。

缺乏完善的消費者個人信用評估體系導(dǎo)致存在如下問題：

1.貸款審批時間延長、手續(xù)復(fù)雜。由于個人信用等級的核定不科學(xué)，經(jīng)辦人員為了保證信貸質(zhì)量，控制信貸風(fēng)險，必然會采取許多非常規(guī)手續(xù)來再核定消費者的信用級別。如延長與消費者的面談時間、仔細鑒別消費者提供材料的真實性和消費者有無惡意借貸行為前科或惡意借貸意圖等等。這些措施的執(zhí)行，固然減少了風(fēng)險的發(fā)生，但也不可避免地增加了申請消費貸款的手續(xù)，延長了審批時間。

2.導(dǎo)致非個人因素的信貸風(fēng)險。消費信貸的特點是單筆業(yè)務(wù)數(shù)量小，但整體業(yè)務(wù)數(shù)量大，這樣有限的銀行消費信貸人員必須面對大量的消費信貸客戶，形成了一個客戶經(jīng)理必須同時與幾十個，甚至上百個客戶打交道的局面。面對個體差異很大的消費信貸客戶群體，單憑客戶經(jīng)理的工作經(jīng)驗，很難避免判斷失誤的情況發(fā)生，這樣一來就導(dǎo)致了非個人因素的信貸風(fēng)險。

3.影響消費者申辦消費信貸的積極性。銀行提供給消費者的是金融資金和附加價值即優(yōu)質(zhì)的金融服務(wù)。由于缺乏消費者個人信用評估體系，商業(yè)銀行不可避免的采取多種措施來防止內(nèi)部和外部可能存在的安全漏洞，但鑒于消費信貸一般有金額小的特點，繁雜的手續(xù)、漫長的審批時間弱化了其優(yōu)質(zhì)服務(wù)的附加價值，足以讓消費者望而卻步。

種種事實表明，制約消費信貸的，除了人們的收入水平、支出預(yù)算、消費觀念外，最讓銀行放心不下的還是對個人貸款心里沒底，擔(dān)心發(fā)生新的信貸風(fēng)險。從這個角度看，推廣消費信貸，必須盡快發(fā)展個人信用評估體系。

三、發(fā)展個人信用風(fēng)險評估的研究思路

針對目前個人信用評估體系存在的問題和不足，結(jié)合項目風(fēng)險管理中的風(fēng)險分析提出如下研究思路。

風(fēng)險分析就是查明項目活動在哪些方面，什么時候，哪些地方可能潛藏著風(fēng)險。查明之后要對風(fēng)險進行量化，確定各風(fēng)險的大小以及輕重緩急順序，并在此基礎(chǔ)上提出為減少風(fēng)險而供選擇的各種行動方案。

我國商業(yè)銀行個人信用風(fēng)險評估技術(shù)的應(yīng)用和發(fā)展需要一個過程，下文從風(fēng)險分析的三個組成部分加以闡述：

1.風(fēng)險識別是風(fēng)險分析的第一步，其目的是減少項目的結(jié)構(gòu)不確定性。風(fēng)險識別首先要弄清項目的組成、各變量的性質(zhì)和相互間的關(guān)系、項目與環(huán)境之間的關(guān)系等。在此基礎(chǔ)上利用系統(tǒng)的、有章可循的步驟和方法查明對項目可能形成風(fēng)險的諸多事項。

通過設(shè)計好的個人信用評估模型，可以研究歸納出消費貸款的好客戶所具有的特征，依此特征判斷該客戶是否是銀行在消費貸款業(yè)務(wù)中應(yīng)該爭取的對象，同時識別該客戶可能發(fā)生非正常還款的特征變量。非正常還款包括提前還款和逾期還款。

2.風(fēng)險估計就是估計風(fēng)險的性質(zhì)、估算風(fēng)險事件發(fā)生的概率及其后果的大小，以減少項目的計量不確定性。風(fēng)險估計有主觀和客觀兩種。主觀的風(fēng)險估計無歷史數(shù)據(jù)和資料可參照，靠的是人的經(jīng)驗和判斷。客觀的風(fēng)險估計以歷史和資料為依據(jù)。

個人信用評估模型的使用是一個涵蓋從接收申請到做出信貸決策全過程的自動識別系統(tǒng)。通常情況下，根據(jù)貸款申請人的相關(guān)特征變量計算信用風(fēng)險，得出信用分數(shù)，從而獲得申請人總的風(fēng)險的評估值評估模型可以讓商業(yè)銀行信貸人員對申請者的信用價值進行準確的判斷，從而有利于做出科學(xué)的信貸決策。在決策與確認的過程中，信用得分、管理政策和信貸人員的專業(yè)經(jīng)驗是決定信貸與否的三大關(guān)鍵因素。

3.風(fēng)險評價就是對各風(fēng)險事件后果進行評價，并確定其嚴重程度順序。評價時還要確定對風(fēng)險應(yīng)該采取什么樣的應(yīng)對措施。風(fēng)險評價方法有定量和定性的兩種。進行風(fēng)險評價時，還要提出防止、減少、轉(zhuǎn)移或消除風(fēng)險損失的初步辦法，并將其列入風(fēng)險管理階段要進一步考慮的各種方法之中。

個人信用評估模型投入使用之后，對其進行監(jiān)控是達到經(jīng)營目的、實現(xiàn)盈利的重要保障。同時，評估模型的監(jiān)控能夠幫助商業(yè)銀行識別新申請者的特征變化，提高商業(yè)銀行風(fēng)險控制和管理的能力，尋找和捕捉更多的市場機會。

從總體上看，評估模型的建立為消費信貸業(yè)務(wù)提供了風(fēng)險評價的標準，但是模型需要得到正確充分的使用，模型的監(jiān)控則可以隨時作出修改決策，從而使模型更加準確。在實踐中，風(fēng)險識別、風(fēng)險估計和風(fēng)險評價絕非互補相關(guān)，常常互相重疊，需要反復(fù)交替進行。

未來發(fā)展個人信用風(fēng)險評估的研究思路概括地說，先確立風(fēng)險管理的目標，包括風(fēng)險識別的完整性、可測和可控性、可操作性以及風(fēng)險管理的拓展。同時針對每一個風(fēng)險管理目標，要制定風(fēng)險合理的實現(xiàn)措施，包括全面地引入風(fēng)險管理理念；描述風(fēng)險的數(shù)據(jù)進行數(shù)據(jù)庫管理并對銀行客戶分類；借鑒國外的經(jīng)驗，建立審批專家模型；建立商業(yè)銀行關(guān)于數(shù)據(jù)建立和挖掘的案例等。

銀行經(jīng)營和管理的對象本身就是風(fēng)險，其風(fēng)險管理的特性決定了銀行的經(jīng)營活動始終與風(fēng)險為伴，其經(jīng)營過程就是管理和經(jīng)營風(fēng)險的過程。在業(yè)務(wù)發(fā)展與風(fēng)險管理之間找到動態(tài)平衡點是商業(yè)銀行始終需要面臨的重要課題。只有建立一套科學(xué)的信用風(fēng)險評估體系，銀行才能真正把握住國內(nèi)日益壯大的消費信貸市場，贏得更廣闊的發(fā)展空間。

參考文獻:

[1]Kathy Schwalbe鄧世忠等譯:IT項目管理(第2版本)[M].機械工業(yè)出版社，2004.11

信用風(fēng)險評估范文第4篇

【關(guān)鍵詞】支持向量機；信用風(fēng)險；ν-SVR；BP神經(jīng)網(wǎng)絡(luò)；貸款違約

1.引言

信用風(fēng)險自古有之，是整個金融界所一直關(guān)注的熱點問題之一。隨著經(jīng)濟一體化和金融全球化步伐的加快，商業(yè)銀行正處在一個更加復(fù)雜的金融環(huán)境當中。在這樣的背景下，商業(yè)銀行的風(fēng)險逐漸由單一化演變?yōu)槎嘣浣?jīng)營管理中所面臨的風(fēng)險也必然隨之增加。這些風(fēng)險可以歸結(jié)為信用風(fēng)險、操作風(fēng)險、市場風(fēng)險等。這其中，最為重要的風(fēng)險就是信用風(fēng)險。廣義的信用風(fēng)險主要包括信貸風(fēng)險和流動性風(fēng)險等。信貸風(fēng)險是指銀行承擔(dān)借款方可能違約而導(dǎo)致貸款無法收回的風(fēng)險；而流動性風(fēng)險是指銀行自有資金不足，從而可能無法滿足其存款人或其他債權(quán)人的資金索取而導(dǎo)致違約的風(fēng)險，屬于銀行自身的信用風(fēng)險。

基于《新巴塞爾資本協(xié)議》中提出的對資本充足率的要求，監(jiān)管機構(gòu)對于銀行自身信用風(fēng)險的控制進一步得到強化，銀行管理者對于信用風(fēng)險的防范意識也在逐步增強。改革開放以來，我國商業(yè)銀行信用風(fēng)險的內(nèi)部監(jiān)管制度正逐步建立。然而，由于金融體系建立較晚，我國金融市場的完善程度相對于發(fā)達國家來說仍處于落后地位。

目前，國家加快了發(fā)展市場經(jīng)濟的步伐，隨著總理在2011年4月份的國務(wù)院常務(wù)會議中提出深化金融體制改革以來，打破國有商業(yè)銀行壟斷、推進利率市場化已經(jīng)擺上了歷史日程。利率市場化將逐步打破我國商業(yè)銀行在融資體系中的壟斷地位，使得商業(yè)銀行將面臨更大的競爭壓力，承受更多的信用風(fēng)險。

因此，鑒于日益突出的商業(yè)銀行自身信用風(fēng)險問題，建立一套有效合理的信用風(fēng)險評價模型，對其進行科學(xué)評估已經(jīng)成為信用風(fēng)險管理的核心。然而，目前我國商業(yè)銀行信用風(fēng)險管理現(xiàn)狀卻令人擔(dān)憂，表現(xiàn)在信用風(fēng)險管理體系不健全、信用風(fēng)險評估模型方法落后等。這就迫切需要為我國商業(yè)銀行信用風(fēng)險分析研究提供思路，構(gòu)建一套符合我國商業(yè)銀行客觀需要的信用風(fēng)險評估指標體系，建立可以準確衡量信用風(fēng)險的模型，以用來填補我國商業(yè)銀行在信用風(fēng)險管理上的不足。

目前，國際上最具影響力的信用風(fēng)險模型主要有KMV公司的KMV模型、J.P摩根公司的Credit Metrics模型以及麥肯錫公司的Credit Portfolio View模型。這些模型在國外的商業(yè)銀行中已經(jīng)得到了廣泛應(yīng)用，并且取得了較好的風(fēng)險預(yù)測效果。然而，由于我國上市商業(yè)銀行樣本數(shù)量偏少以及反映信用狀況的相關(guān)有效數(shù)據(jù)缺失等原因，導(dǎo)致這些模型無法在我國商業(yè)銀行信用風(fēng)險評估領(lǐng)域得到有效的應(yīng)用[1]。

因此，針對我國上市商業(yè)銀行信用風(fēng)險的以上特點，本文將嘗試引入支持向量機這種小樣本學(xué)習(xí)算法，通過對銀行關(guān)鍵信貸財務(wù)指標的研究，以期建立一套可以對我國商業(yè)銀行自身信用風(fēng)險狀況進行評估的模型。模型以銀行總體的貸款違約率作為評估商業(yè)銀行信用風(fēng)險狀況的指標，采用支持向量回歸機中較為前沿的分支模型 ，對樣本數(shù)據(jù)進行訓(xùn)練，并與經(jīng)典支持向量回歸機模型和BP神經(jīng)網(wǎng)絡(luò)模型進行對比，研究各個模型在風(fēng)險預(yù)測分析方面的表現(xiàn)。同時，對我國商業(yè)銀行未來的貸款違約率進行預(yù)測，以此作為評估其信用風(fēng)險大小的標準，對所有銀行的風(fēng)險進行排序。最后根據(jù)分析結(jié)果對銀行的信用風(fēng)險管理提出意見和建議，以期對我國商業(yè)銀行風(fēng)險管理提供參考。

2.研究內(nèi)容及研究方法

2.1 研究內(nèi)容

以商業(yè)銀行信貸風(fēng)險度量及管理的基本理論為基礎(chǔ)[2]，本文將嘗試引入統(tǒng)計學(xué)習(xí)理論中的支持向量機模型，通過對銀行關(guān)鍵信貸財務(wù)指標進行研究，以期建立一套可以對我國商業(yè)銀行自身信用風(fēng)險狀況進行評估的模型。同時，本文將對支持向量機不同的分支模型和其他的系統(tǒng)學(xué)習(xí)算法進行對比，檢驗不同模型在風(fēng)險評估中的準確性以及對風(fēng)險的可預(yù)測性，以此研究各個模型在風(fēng)險預(yù)測分析方面的表現(xiàn)。得出在風(fēng)險評估預(yù)測方面最優(yōu)模型之后，本文利用訓(xùn)練效果最好的模型，對我國商業(yè)銀行未來的貸款違約率進行預(yù)測，以此作為評估其信用風(fēng)險大小的標準，對所有銀行的風(fēng)險進行排序。最后根據(jù)分析結(jié)果對銀行的信用風(fēng)險管理提出意見和建議，以期對我國商業(yè)銀行風(fēng)險管理提供參考。

2.2 研究方法

結(jié)合《新巴塞爾協(xié)議》的內(nèi)容和目前我國上市商業(yè)銀行的經(jīng)營狀況，本文將對我國商業(yè)銀行的信用風(fēng)險成因進行分析，選取與銀行自身信用風(fēng)險狀況密切相關(guān)的關(guān)鍵信貸財務(wù)指標，以銀行整體的貸款違約率作為衡量信用風(fēng)險的依據(jù)，構(gòu)建一個可以用來分析信用風(fēng)險的財務(wù)指標體系。采用正向化處理和主成分分析的方法對原始財務(wù)數(shù)據(jù)進行線性降維和特征提取的預(yù)處理，并將當年的財務(wù)數(shù)據(jù)與第二年的貸款違約率進行對應(yīng)匹配的處理，以此作為模型的訓(xùn)練樣本。

在對銀行財務(wù)數(shù)據(jù)進行預(yù)處理的基礎(chǔ)上，本文引入支持向量回歸機中較為前沿的分支模型、經(jīng)典支持向量回歸機模型 以及同來源于學(xué)習(xí)算法的BP神經(jīng)網(wǎng)絡(luò)模型對樣本數(shù)據(jù)進行訓(xùn)練。同時，將三種模型分別采用遍歷搜索的方法進行優(yōu)化訓(xùn)練：對模型選取一個比較適用的Kernel核函數(shù)以及參數(shù)、和核函數(shù)中的參數(shù)；對于模型，選取一個比較適用的Kernel核函數(shù)以及參數(shù)、和核函數(shù)中的參數(shù)；而對于BP神經(jīng)網(wǎng)絡(luò)模型，選取輸入層到隱含層以及隱含層到輸出層的節(jié)點轉(zhuǎn)移函數(shù)，并且挑選出適合的訓(xùn)練函數(shù)和網(wǎng)絡(luò)學(xué)習(xí)函數(shù)，再用計算機篩選出最佳的隱含層節(jié)點的個數(shù)。

確定最優(yōu)參數(shù)以及模型結(jié)構(gòu)以后，本文采用已經(jīng)分別最優(yōu)化的三種訓(xùn)練模型，將樣本輸入到模型中進行訓(xùn)練，并對各個模型的訓(xùn)練和預(yù)測效果進行對比分析，選取出其中訓(xùn)練和預(yù)測精度最高的一種模型，以此來構(gòu)建適合我國商業(yè)銀行自身信用風(fēng)險評估的度量模型。

本文最后將采用構(gòu)建出的商業(yè)銀行自身信用風(fēng)險度量模型，結(jié)合所有中國上市商業(yè)銀行近期的財務(wù)數(shù)據(jù)，對其衡量信用風(fēng)險的未來貸款違約率進行預(yù)測，以此作為評估其信用風(fēng)險大小的標準，對所有銀行的風(fēng)險進行排序。

本文的模型在訓(xùn)練過程中采用計算機仿真的技術(shù)，主要運用Matlab、SPSS和EXCEL等建模和統(tǒng)計軟件對數(shù)據(jù)進行分析處理和訓(xùn)練。

網(wǎng)絡(luò)學(xué)習(xí)過程包括信息正向的傳播和誤差的反向傳播兩個步驟，其模型結(jié)構(gòu)如圖1所示：

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

由圖1所得，在信息正向的傳播過程中，樣本從輸入層輸入，經(jīng)過隱含層，經(jīng)過連接權(quán)值和閥值的作用得到輸出值，并與期望輸出值進行比較。若有誤差，則誤差沿著原路反向傳播，通過逐層修改權(quán)值和閥值。如此循環(huán)，直到輸出結(jié)果符合精度要求為止。

除了激發(fā)函數(shù)、訓(xùn)練函數(shù)和學(xué)習(xí)規(guī)則外，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程還需要設(shè)定隱含層神經(jīng)元個數(shù)、學(xué)習(xí)度和最大訓(xùn)練迭代次數(shù)三個參數(shù)。其中，隱含層神經(jīng)元個數(shù)可以憑經(jīng)驗決定，個數(shù)過少將影響網(wǎng)絡(luò)的學(xué)習(xí)能力，而過多的神經(jīng)元個數(shù)將大幅增加網(wǎng)絡(luò)學(xué)習(xí)的時間；而參數(shù)學(xué)習(xí)度越小，將導(dǎo)致訓(xùn)練次數(shù)越多，但學(xué)習(xí)率過大，將影響網(wǎng)絡(luò)結(jié)構(gòu)的穩(wěn)定性；最后，最大訓(xùn)練迭代次數(shù)由前兩者共同決定，三者共同影響網(wǎng)絡(luò)學(xué)習(xí)的效率。為了將BP神經(jīng)網(wǎng)絡(luò)達到最優(yōu)的訓(xùn)練效果，本文在實證研究中對各個參數(shù)進行遍歷搜索，以期篩選出可以互相配合、使得模型達到具有最佳訓(xùn)練效率的一組參數(shù)。

3.實證分析

本部分引入支持向量機和BP神經(jīng)網(wǎng)絡(luò)，建立商業(yè)銀行自身信用風(fēng)險評估指標體系，以我國上市商業(yè)銀行的數(shù)據(jù)為樣本進行訓(xùn)練，篩選出最優(yōu)風(fēng)險預(yù)測評估模型。

如表1所示，本文對商業(yè)銀行的13個關(guān)鍵信貸財務(wù)指標提取出6個主成分，分別為盈利能力、經(jīng)營能力、資本結(jié)構(gòu)、流動性、資本充足性和安全性。其中，表格右側(cè)一欄表示每個財務(wù)指標對于商業(yè)銀行信用風(fēng)險的作用方向，“+”代表減少信用風(fēng)險的指標，“-”代表增加信用風(fēng)險的指標。

上文通過將樣本分別輸入模型、模型以及BP神經(jīng)網(wǎng)絡(luò)（BPN）模型進行訓(xùn)練，并分別對模型進行了優(yōu)化設(shè)計。根據(jù)以上得出的三種最優(yōu)化的訓(xùn)練模型，再分別輸入我國商業(yè)銀行2007年、2008年和2009年三年的財務(wù)數(shù)據(jù)，模擬計算出2008年、2009年和2010年的貸款違約率，并與各銀行當年實際的貸款違約率進行比較，以此分析模型對訓(xùn)練樣本的檢測結(jié)果。模型對商業(yè)銀行2008年的貸款違約率的檢測效果如表2和圖2所示：

分析表3至表4三年貸款違約率的檢驗效果，可以得出模型的訓(xùn)練效果優(yōu)于模型和BP神經(jīng)網(wǎng)絡(luò)模型，即模型每年對貸款違約率的擬合效果較好，檢測精度較高。為了進一步驗證本文的結(jié)論，選取商業(yè)銀行實際貸款違約率和檢驗值之間的相關(guān)系數(shù)和均方誤差（Mean Squared Errors，MSE）對三個模型的檢測效果進行綜合評判，結(jié)果如表5所示：

表5 模型檢驗效果的評判結(jié)果

從表5可以看出，模型的訓(xùn)練效果無論在相關(guān)系數(shù)和均方誤差MSE的檢驗上均優(yōu)于另外兩種模型。因此，可以得出模型在商業(yè)銀行信用風(fēng)險的訓(xùn)練中具有最優(yōu)的檢驗效果。

除了對模型的樣本檢驗效果分析外，本文再對最優(yōu)化后的模型進行預(yù)測效果的評價。具體地，輸入2010年的財務(wù)指標，預(yù)測出2011年各商業(yè)銀行的貸款違約率，并與實際的貸款違約率進行比較，以此判斷模型的預(yù)測效果，結(jié)果如表6所示：

從上表7可以看出，模型的預(yù)測效果無論在相關(guān)系數(shù)和均方誤差MSE的檢驗上均優(yōu)于另外兩種模型，并且預(yù)測出的貸款違約率與實際的貸款違約率之間的相關(guān)系數(shù)超過了0.95，具有比較精確的預(yù)測能力。因此，在對商業(yè)銀行信用風(fēng)險評估中，模型具有更高的評測精度和較小的預(yù)測誤差，是一種更為科學(xué)合理的評估方法，可以為商業(yè)銀行的信用風(fēng)險管理提供新的參考。

4.結(jié)論

支持向量機是一種基于小樣本學(xué)習(xí)理論的通用學(xué)習(xí)算法，具有嚴格的理論基礎(chǔ)，能較好地解決小樣本、非線性、高維數(shù)和局部極小點等實際問題。經(jīng)過多年的發(fā)展，支持向量機已經(jīng)衍生出多種改良形式和優(yōu)化模型。其中，模型是一類具有較高預(yù)測精度的支持向量回歸機，在多個領(lǐng)域已經(jīng)得到了廣泛的應(yīng)用，取得了較好的預(yù)測效果。

針對于目前我國商業(yè)銀行信用風(fēng)險管理體系的不足以及國內(nèi)上市商業(yè)銀行的樣本數(shù)量偏少的情況，本文引入了模型來評估商業(yè)銀行自身的信用風(fēng)險。利用主成分分析建立商業(yè)銀行信用風(fēng)險評估指標體系，并構(gòu)建基于模型的商業(yè)銀行信用風(fēng)險評估模型。通過與模型和BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練效果的比較，發(fā)現(xiàn)模型在商業(yè)銀行信用風(fēng)險的訓(xùn)練和預(yù)測中都具有更高的精度。

本文最后根據(jù)優(yōu)化訓(xùn)練完畢的模型對我國所有上市商業(yè)銀行未來的信用風(fēng)險進行了預(yù)測，得到了我國商業(yè)銀行整體信用風(fēng)險可能上升，并且國有銀行和股份制商業(yè)銀行都將面臨更大信用風(fēng)險的結(jié)論。因此，根據(jù)以上的分析，模型為商業(yè)銀行的信用風(fēng)險管理提供了更為有力的輔助工具，可以推廣到更多金融領(lǐng)域的風(fēng)險評估當中。

盡管本文從模型的優(yōu)化設(shè)計、訓(xùn)練樣本的匹配選取以及銀行自身信用風(fēng)險的度量角度三個方面對我國商業(yè)銀行信用風(fēng)險的評估研究做了一些開創(chuàng)性的工作，取得一定的研究成果，但還存在需要進一步完善和深入研究的問題，這些問題主要是：

（1）本文所引入的模型的算法可以與交叉驗證和選塊、分解等方法配合使用，改進模型中對于參數(shù)優(yōu)化設(shè)計的步驟和思想，以此可以改良原有模型的算法，進一步提高模型對商業(yè)銀行信用風(fēng)險的預(yù)測精度；

（2）對于建立起的商業(yè)銀行信用風(fēng)險評估指標體系，應(yīng)該結(jié)合我國商業(yè)銀行實際面臨的信用風(fēng)險結(jié)構(gòu)以及資產(chǎn)配置狀況進行調(diào)整，并且可以根據(jù)不同類型的銀行分別采用不同的信用風(fēng)險評估指標體系，以此針對不同銀行構(gòu)建起更加合理的信用風(fēng)險評估模型。

參考文獻：

[1]曹道勝，何明升.商業(yè)銀行信用風(fēng)險模型的比較及其借鑒[J].金融研究，2006（10）：90-97.

[2]Cortes C，Vapnik V N.Support-Vector Networks[J].Machine Learning，1995，20（3）：273-297.

[3]Vapnik V N，Lerner A.Pattern Recognition Using Generalized Portrait Method[J].Automation and Remote Control，1963，24：774-780.

[4]Drucker H，Burges C J C，Kaufman L，Smola A，Vapnik V.Support vector regression machines[J].Electronic Engineering，1997，1（6）：155-161.

[5]Sch?lkopf B，Williamson R C，Bartlett P L.New support vector algorithms[J].Neural Computation，2000，12（5）：1207-1245.

[6]Sch?lkopf B，Smola A J.Learning with kernels：support vector machines，regularization，optimization，and beyond[M].Cambridge：MIT Press，2002.

[7]Wang Defeng，Yeung D S，Tsang E C.Weighted Mahalanobis Distance Kernels for Support Vector Machines[J].IEEE Trans on Neural Networks，2007，18（5）：1453-1462.

[8]Tay F E H，Cao L.Application of Support Vector Machines in Financial Time Series Forecasting[J].Omega，2001，29（4）：309-317.

[9]Vapnik V N.統(tǒng)計學(xué)習(xí)理論的本質(zhì)[M].張學(xué)工譯.北京：清華大學(xué)出版社，2000.

[10]張學(xué)工.關(guān)于統(tǒng)計學(xué)習(xí)理論與支持向量機[J].自動化學(xué)報，2000，26（1）：32-42.

[11]鄧乃揚，田英杰.支持向量機——理論、算法與拓展[M].北京：科學(xué)出版社，2009.

[12]顧亞祥，丁世飛.支持向量機研究進展[J].自動化學(xué)報，2011，38（2）：14-17.

[13]劉建偉，李雙成，羅雄麟.P范數(shù)正則化支持向量機分類算法[J].自動化學(xué)報，2012，38（1）：

76-87.

[14]李倩，鄭丕諤.基于支持向量機的企業(yè)現(xiàn)金流量評級[J].內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報（社會科學(xué)版），2007，9（6）：86-87，93.

[15]吳沖，夏晗.基于支持向量機集成的電子商務(wù)環(huán)境下客戶信用評估模型研究[J].中國管理科學(xué)，2008，16（S1）：362-367.

[16]李翀，夏鵬.后驗概率支持向量機在企業(yè)信用評級[J].計算機仿真，2008，25（5）：256-258.

[17]余晨曦，梁瀟.基于支持向量機的商業(yè)銀行信用風(fēng)險度量模型[J].計算機與數(shù)字工程，2008，36（11）：10-14.

[18]孫彬，李鐵克.基于v-SVR的金融股指預(yù)測及選時策略研究[J].統(tǒng)計與決策，2010，38（3）：

45-48.

[19]胡海青，黃鐸，武晟.基于SVM的股份制商業(yè)銀行利益相關(guān)者對資本配置績效影響的仿真研究[J].管理工程學(xué)報，2010，24（4）：148-154.

[20]約翰·赫爾.風(fēng)險管理與金融機構(gòu)[M].北京：機械工業(yè)出版社，2010，2.

[21]Shawe-Taylor J，Cristianini N.Kernel Methods for Pattern Analysis[M].New York：Cambridge University Press，2004.

信用風(fēng)險評估范文第5篇

關(guān)鍵詞:高速 融資 租賃 評估 模式

一、前言

投融資模式的含義指以項目建設(shè)或相應(yīng)組織結(jié)構(gòu)背景和名義，其形式多樣，比較靈活，以預(yù)期收益為動力，其各種形式均要保證低風(fēng)險運行，在建設(shè)特定項目目標時，可以通過投融資模式獲取大量資金用于項目生產(chǎn)運營。本論文以我國高速公路運輸設(shè)備的融資租賃方式為例，建立相應(yīng)模型進行分析，運營的主體是融資租賃企業(yè)，采取多方參與的方式，如商業(yè)銀行，生產(chǎn)制造商、高速公路運輸公司等，資本的運營方針策略是對高速公路運輸設(shè)備進行投資，這樣可以使高速公路運輸行業(yè)的資本增加。

本文將融資租賃模式應(yīng)用于分析我國高速公路運輸行業(yè)的運營上，融資租賃模式，其主要原因是結(jié)合融資租賃模式的研究和我國高速公路運輸行業(yè)面臨風(fēng)險的研究，是一種比較特殊的債務(wù)融資方式。在整個高速公路運輸行業(yè)服務(wù)中，高速公路運輸商在其項目建設(shè)中，對其而言風(fēng)險是能否獲得需要的資金購買某設(shè)備，其出租人、租賃公司能否使其在低成本下融資、投資與收益是否能平衡。對總體融資租賃模式進行相關(guān)分析可得出，融資租賃模式所有參與者的風(fēng)險是相互關(guān)聯(lián)、相互影響的。因此對融資租賃模式中各個相關(guān)參與者之間的聯(lián)系及其面臨的各種相關(guān)風(fēng)險進行研究和分析，對于使所有高速公路運輸行業(yè)參與者合理預(yù)測和回避風(fēng)險有著較強的實際意義。

二、高速公路融資租賃信用風(fēng)險評估

估計風(fēng)險是指在對風(fēng)險事件資料分析的基礎(chǔ)上，利用概率統(tǒng)計的方法對風(fēng)險事件和不利事件發(fā)生的可能概率及導(dǎo)致?lián)p失做出定量的估算的過程，定量的測量風(fēng)險事件。例如，美國的一種估計風(fēng)險的方法―駱駝評級法碼主要研究的就是風(fēng)險事件的大小問題”。在對研究項目進行風(fēng)險估計和分類后，可以運用駱駝評級法碼計算風(fēng)險事件的大小。相關(guān)的使用人員可以通過風(fēng)險事件資料分析和估算加強對研究問題的理解及問題環(huán)境的了解，對風(fēng)險進行全面有條理估計，從中可以獲得實現(xiàn)目標較好的途徑和方法，提高項目可性。因此，要合理預(yù)測各個計劃措施的后果，以便建立風(fēng)險估計模型，通過模型的建立可以列出一切設(shè)想結(jié)果和各種計劃方案。風(fēng)險估計是按照行動的這一機理建立的，它有條不紊地把可能的都羅來作為行動方案。因此無論任何情況都可以用風(fēng)險估計模型進行評價，要分析和研究上述問題后，將建立起來的眾多風(fēng)險估計模型組合在一起進行工作，才能計算出各每個風(fēng)險估計模型所能預(yù)測的相應(yīng)風(fēng)險事件組合起來的整體效果和模式主體能接受的風(fēng)險事件的整體效果。評價選擇測試模型研究的是事件各個過程中的的總風(fēng)險及其之間的作用，另外就是事件的總體影響。事件總體風(fēng)險是指在把單位風(fēng)險事件量化處理，利用科學(xué)理論的方法，在計算和評估的基礎(chǔ)上進行相關(guān)計算來得出時間的整體綜合風(fēng)險值。

三、高速公路融資租賃信用風(fēng)險評估的可行性

一般來說,對于高速公路融資租賃模式經(jīng)濟可行性分析和評價，有以下三種方式，其分別為:

(1)簡單的成本比較方法。簡單的成本比較方法是相對于其他方法來講相對比較簡單，它不會計算貨幣的時間價值，直接比較購買成本和租賃成本，因此該方法主要適合于周期相對較短的經(jīng)營性租賃。本篇文章主要分析的是融資性租賃，該租賃方式的租賃期限比較長，不適合采用該方式進行比較。

(2)成本現(xiàn)值比較法。該方法就是把其他任何時期產(chǎn)生的成本折算為現(xiàn)有的價值進行比較。企業(yè)在進行方案分析時，如果遇到兩個或更多的項目的經(jīng)濟效益相近時，可以采用這種方法進行比較分析。通常來講，經(jīng)營性租賃可以采用成本現(xiàn)值比較法，但是針對融資租賃來講，成本現(xiàn)值比較方法和凈現(xiàn)值比較法都能夠采用。

(3)凈現(xiàn)值比較法。凈現(xiàn)值就是指項目遠期的資金流入量的現(xiàn)有價值與租賃項目遠期的資金流入量的現(xiàn)有價值之間的差額，也稱S2。

四、高速公路融資租賃信用模式

凈現(xiàn)值比較法是西方某經(jīng)濟學(xué)者“經(jīng)濟人”作為前提，提出基本假設(shè) “經(jīng)濟人假設(shè)”，經(jīng)濟人假設(shè)也是本論文構(gòu)建融資租賃模式的理論基礎(chǔ)和依據(jù)，經(jīng)濟人假設(shè)內(nèi)容是：人們目標是以自己利益最大，并且完全了解自己所處在環(huán)境和環(huán)境中各項信息和知識，對信息和知識的認知程度十分豐富并且及其透徹清晰。在交易中人們會逐筆地評價其風(fēng)險和收益，以便采取相應(yīng)的措施和手段，以便對自己更加有利，作為個人,無論其地位如何,本質(zhì)是一樣的―追求個人收益最大化,滿足個人需要，經(jīng)濟人假設(shè)的融資租賃模式運行過程及其分析為:第一，對于承租人(高速公路運營商)來講，申請貸款的方式是，憑借承租人預(yù)期的盈利做為擔(dān)保的條件和代價來進行，通過銀行對其生產(chǎn)特性和信用級別的評價，使其在相應(yīng)的條件下風(fēng)險降到最低，使租賃人愿意投資和貸款，以便其獲得最大的資產(chǎn)使用權(quán)限。第二，對投資的銀行來講，在保證未來收益穩(wěn)定的前提下，在較低風(fēng)險下獲得較高的收益;第三，在銀行的貸款利息小于投資人預(yù)期收益率 (r ＜ R)時，在高收益的引誘下，將自有資金進行投資，參與到融資租賃模式中去，以便獲的更多收益;第四，對生產(chǎn)商來講，其加入融資租賃模的模式是擴大其銷售，以此獲得更大利潤；第五，對融資租賃公司來講，其獲得更大利潤的方式是有效地運作其資金、合理管理融資租賃業(yè)務(wù)。綜上所述，本論文討論的融資租賃模式是高速公路而言是項有實用價值和經(jīng)濟效用的模型。

五、結(jié)論

本文通過高速公路融資租賃風(fēng)險的評估和模式的分析，提出風(fēng)險評估的可行性判斷，不僅對于高速公路行業(yè)，對于融資租賃行業(yè)的風(fēng)險評估都具有一定的指導(dǎo)意義。

參考文獻：

［1］ 王春峰，李汶華.小樣本數(shù)據(jù)信用風(fēng)險評估研究，管理科學(xué)學(xué)報，2001 (1)：28-32