信用风险评估范文

信用风险评估范文第1篇

关键词：自适应共振，神经网络，信用风险摘要：自适应共振模型是为了能够分类任意次序模拟输入模式而设计的，它可以按任意精度对输入的模拟观察矢量进行分类，较好地解决了前稳定性和灵活性问题，同时能够避免对网络先前所学的学习模式修改。本文将ART2模型应用于信用风险评估，通过实证比较研究，结果显示应用自适应共振模型进行信用风险评估在精度和准确性上，都优于其他神经网络模型和统计方法。1统计方法用于信用风险分类评估存在的局限性对信用风险评估一类主流方法是基于分类的方法，即把信用风险分析看成是模式识别中的一类分类问题—将企业划分为能够按期还本付息和违约两类。其具体做法是根据历史上每个类别（如期还本付息、违约）的若干样本，从已知的数据中发现其规律，从而总结出分类的规则，建立判别模型，用于对新样本的判别，这样信用评估就转化为统计中的分类问题。传统的统计模型主要基于多元统计分析方法，根据判别函数的形式和样本分布的假定不同，主要的模型有：多元回归分析模型、多元判别分析模型（MDA）、Logit分析模型、近邻法等。其中以多元判别分析模型和Logit分析模型应用最为广泛，已有大量商业化软件。尽管这些方法在国外有大量应用，但是大量实证研究（Altman，1983；Tam&Kiang，1992；Altman，etal，1994）结果发现：（1）企业财务状况的评价可以看作是一类基于一系列独立变量基础上的分类问题；（2）企业财务状况好坏与财务比率的关系常常是非线性的；（3）预测变量（财务比率）可能是高度相关的；（4）大量实证结果表明，许多指标不成正态分布。而统计的方法却不能很好地解决以上问题。由此可见统计模型的最大优点在于其具有明显的解释性，存在的缺陷是过于严格的前提条件。如多元判别分析模型（MDA），它要求数据服从多元正态分布、等协方差、已知先验概率和误判代价等要求，而现实中大量数据严重违背了这些假定（Eisenbeis，1997）。引入对数变化可在一定程度上改进数据的非正态分布，但一方面变换后的变量可能失去经济解释含义，另一方面仍没有满足等协方差的要求；应用二次差别分析（QDA）虽可解决等协方差问题，但一方面没有满足正态性假设，另一方面当数据样本小、维数高（指标多）时二次差别分析的性能明显下降，而样本少、维数高正是我国信用数据的显著特点。实证结果还表明二次差别分析对训练样本效果较好，而对测试样本并不理想。除此以外，多元判别分析模型适用于成熟行业的大中型企业，因为这些企业具有较强的稳定性和规范性，其发展有一定的规律可循，参数统计方法易于给出较准确的结果及合理的解释。然而这类方法是静态的，需要根据地区、行业经济情况的变化不断地调整参数，甚至进行变量的调整。为了解决这些问题，引入了Logit分析模型和近邻法。Logit分析模型不需要假定任何概率分布，也不要求等协方差，但是当样本点存在完全分离时，模型参数的最大似然估计可能不存在，模型的有效性值得怀疑，另外该方法对中心区域的差别敏感性较强，导致判别结构的不稳定。近邻法不要求数据正态分布，但当数据的维数较高时，存在所谓的“维数祸根（Curseofdimensionality）”——对高维数据，即使样本量很大，其撒在高维空间中仍显得非常稀疏，绝大多数点附近根本没有样本点，这就使得“利用空间中每一附近的样本点来构造估计”的近邻法很难使用。2应用神经网络进行信用风险评估的意义商业银行信用风险评估是复杂的过程，除了对企业的财务状况的各种特征的评估外，还须对企业的非财务状况进行评估，而且又涉及宏观经济环境和产业结构、产业周期的影响；除了客观的评估外，还依赖于专业人员依据经验进行主观评估。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容错能力。神经网络对数据的分布要求不严格，也不必要详细表述自变量与因变量之间的函数关系，神经网络的这些特征使之成为信用风险分析方法的一个热点。建立商业银行信用风险评估模型必须依赖于一组已知的函数集合。要求这种函数集合在任意精度上可以逼近实际系统，从数学上讲，这就要求这个集合在连续函数空间上是致密的。目前已经从理论上严格证明了只用一个隐藏层的神经网络就可以唯一地逼进任何一个连续函数。多层神经网络为系统的辨识和建模，尤其是非线性动态映射系统提供了一条十分有效的途径。非线性动态映射系统的神经网络建模被认为是应用神经网络的最成功的范例。影响商业银行信用风险评估的机理很复杂，无法建立精确的非线性动态模型，而人工神经网络擅长处理非线性的、关系不确定的十分复杂以至于数学模型难以描述的问题。对于分析时间序列数据，由于人工神经网络能识别和模拟数据间的非线性关系，不需要正态分布和先验概率等条件的约束，能针对新增样本灵活的训练再学习，因此优于其他统计方法，同时由于网络本身具有自学习的功能，预测结果相对精度较高而且稳定性好，因此应用神经网络可以通过对网络的训练，掌握借款人的财务特征的非线性函数关系。神经网络是由许多神经元构成的，它对系统特性的记忆表现为各个神经元之间的连接权值，单个神经元在整个系统中起不到决定性作用，一个经过训练的神经网络可以按相似的输入模式产生相似的输出模式，当商业银行信用风险评估系统因某些非财务风险因素和判断误差过大的财务风险因素造成输入模式变形时，网络仍可以保证稳定的输出。神经网络可以逼进任意复杂的非线性系统，神经网络的转换函数能够非线性地响应冲击，例如，像覆盖比率这样的财务比率超过最低水平（如AAA级）时，超过这个阀值的增加值不会对信用质量有什么影响。线性回归不能以这样的方式限制响应程度，神经网络的转换函数却能实现。神经网络以并行的方式处理信息，具有很强的信息综合能力，因此神经网络理论在商业银行信用风险分析和实施对信用风险的主动控制中将会发挥更大的作用。由神经网络构成的非线性模型具有较强的环境适应能力。在根据多个训练样本企业的财务特征建立神经网络非线性系统后，如果企业类型、财务特征和非财务特征发生变化，神经网络可以通过学习，建立企业信用的非线性函数关系，并且不需要改变网络的结构和算法。综上所述，对于那些无法建立精确的动态判别函数模型的非线性商业银行信用风险评估，可以将神经网络理论应用于风险评估当中，撇开企业财务因素、非财务因素和企业信用状况复杂的非线性机理，建立起非线性风险映射近似的动态模型，使这个模型尽可能精确地反映风险映射关系非线性动态特征。通过该系统我们能够计算对各种输入的响应，预估商业银行信用风险状况及其发展趋势，进而能够使用各种信用工具对风险进行主动控制，促进商业银行的智能化风险管理系统的建设和发展完善。3基于自适应共振理论的信用风险评估模型一个公司财务状况的好坏往往是企业自身、投资者和债权人关注的焦点。因为一个营运良好、财务健康的公司可提高自身在市场上的信誉及扩展筹资渠道，以使投资者信心倍增。相反，一个陷入财务困境和濒临破产的企业不仅乏力吸引投资，还让原有投资者面临巨大的信用风险。由上文的分析中我们知道，对企业财务指标的分析，传统的分类方法尽管有它的优点但本身也存在一些局限性。作为研究复杂系统的有力工具，神经网络能处理任意类型数据，这是许多传统方法无法比拟的。通过不断学习，能够从未知模式的大量复杂数据中发现其规律。神经网络方法克服了传统分析过程的复杂性及选择适当模型函数形式的困难，它是一种自然的非线性建模过程，毋需分清存在何种非线性关系，给建模与分析带来极大的方便。该方法用于企业财务状况研究时，一方面利用其映射能力，另一方面利用其泛化能力，即在经过一定数量的带有噪声的样本训练之后，网络可以抽取样本所隐含的特征关系，并对新情况下的数据进行内插和外推以推断其属性。目前我国银行机构主要使用计算贷款风险度的方法进行信用风险评估——在对企业进行信用等级评定的基础上，考虑贷款方式、期限以及形式因素，进而确定贷款的风险度。其中作为核心的信用等级评定，是通过对企业的某些单一财务指标进行评价，而后加权平均确定的。该方法的最大缺陷在于指标和权重的确定带有很大的主观性，使得评级结果与企业的实际信用状况有很大出入，因此需要引入科学方法来确定有效指标，并建立准确的定量模型来解决信用评估问题。针对这种形势，根据我国商业银行的具体情况，结合国际上目前较为流行人工神经网络技术，本文设计了一种基于自适应共振理论的信用风险评估方法。3.1自适应共振理论（ART）介绍自适应共振理论（AdaptiveResonanceTheory）简称ART，是于1976年由美国Boston大学S.Grossberg提出来的。他多年来一直潜心于研究用数学来描述人的心理和认知活动，试图为人类的心理和认知活动建立统一的数学理论，ART就是这一理论核心部分，又经过了多年的研究和不断发展，至今已经提出了ART1、ART2和ART3共三种结构。ART网络作为模式分类器较好地解决了前面提到的稳定性和灵活性问题。使用ART网络及算法具有较大的灵活性以适应新输入的模式，同时能够避免对网络先前所学的学习模式修改。ART是一种能自组织的产生对环境认识编码的神经网络理论模型，由于横向抑制是自组织网络的特性，ART采用了MAXNET子网结构，该网络采用横向抑制方法增强并能选择具有最大值输出的一个节点。ART模型的算法过程如下：第一，将一个新样本X置入节点；第二，采用自下而上的过程，求得：；第三，运用MAXNET网络，找到具有最大输出值的节点；第四，通过自上而下的检验，判断X是否属于第j类，即如果有，则X属于第j类，是警戒参数。如果上式不成立，转到第六步，否则继续。第五，对于特定的j和所有的i更新和，设t1时刻，，，。第六，无法判断X是否属于第j类，抑制该节点返回到第二步，执行另一个聚类的处理过程。本文所使用的神经网络模型就是ART2神经网络模型。ART2神经网络是为了能够分类任意次序模拟输入模式而设计的。它可以按任意精度对输入的模拟观察矢量进行分类。

信用风险评估范文第2篇

一、小额贷款信用风险的界定及成因

（一）小额贷款信用风险界定

信用风险包括借款人无法偿还债务的违约风险和信用质量下降的迁移风险，是金融机构面临的最主要风险，也是最难以量化的风险类型之一（王力伟，2013）。小额贷款公司风险主要集中于信用风险、自然风险和资金来源风险（孙颖，2008）。同时在贷款业务的单一性、区域有限性和贷款对象特殊性的影响下,其信用风险最为严重（李修平2009）。借款人的违约风险主要来自于两个方面，道德风险和逆向选择（李玉福，付代军，2007）。比如，招商银行信贷产品的标准化导致产品过于清晰，一些中介和担保公司利用这些信息给客户进行包装，客户经理也可能参与作假，增加了道德风险。而随着银行小微信贷的兴起，资质好的客户会选择银行进行小微贷，资质弱的客户只能来小贷公司，导致劣币驱逐良币（唐华，2013）。小额贷款公司虽然发展迅速，但是还不具备足够的风险评估技术和信用风险控制体系从而降低贷前的逆向选择和贷后的道德风险（辛鑫，王文荣2010)。除了债务人本身的信用问题，宏观经济的变动性也是信用风险的产生原因之一（李明，2015）。另外，不可忽视的是，信用风险也包括购买力风险。购买力风险是指未预期的高通货膨胀率所带来的风险（曼昆，2011），当实际通货膨胀率高于借款人预期时，实际还款额就会减少，小贷公司就会蒙受损失。

（二）小额贷款信用风险成因

信用风险防范一直是小贷公司的劣势，尽管在设立时，各试点省明确要求小贷公司建立信用风险控制措施，但是大部分地区并没有明确规定。小贷公司的信用风险成因可以划分为：外部原因和内部原因，个体原因和集体原因。学者们从宏观市场、贷款对象、担保公司和中介公司等主体入手探究外部成因。就宏观市场而言，通货膨胀率高于预期的时候小贷公司蒙受的利率损失就高，信用风险就会增大（曼昆，2011）。就贷款对象而言，小贷公司的信用风险主要是由贷款对象的特殊性所造成的。而作为小贷主要对象的农户和中小企业本身，自我防范风险能力较差，因而风险就转移到了小贷公司(孙思磊，2006)。因此小额贷款业务的违约率与贷款本金、利率、贷款客户的生产收益率以及违约的信用惩罚之间有着密切联系（王廷飞，高新兰，2013）。就担保和中介公司而言，由于存在投机行为和信息不对称，其很可能会通过给贷款人进行信息包装而发生道德风险和逆向选择。内部运营模式、风险控制机制、从业人员素质，贷款业务特征及资金来源的单一性等成为信用风险的主要内部因素。董军（2010）认为内部运营模式导致了小贷公司的信用风险。尽管在设立时，各试点省(区)明确要求小额贷款公司建立一系列信用风险控制措施，比如准备金制度、风险保障基金等，但是大部分地区并没有对此进行明确的规定（李明，2015）。就从业人员的素质而言，金珍珍（2009）认为，人才的缺失，例如：前端客户经理素质不高，风险预警员疏于职守，加剧了小贷公司信用风险的发生概率。贷款业务的单一性和资金来源的受限性导致了借款人一旦违约，贷款就难以及时回收（张小倩，2008）。此外，除了对单个贷款主体违约成因的研究，人们也已经很早就注意到了违约聚集的现象。即违约不是孤立发生的，而是存在一定的聚集现象，表明借款人之间存在一定的违约相关性（王力伟2013）。人们观察到经济上行期违约发生相对较少，经济下行期往往出现违约聚集的现象。例如，宏观经济因素和行业景气度，企业间直接的关系链等都会造成企业违约聚集。

二、小贷信用风险评估指标设计

对于指标的分类，大致有如下2种分类方法：按贷款主体分类为农户、个体工商户和小微企业3类指标，按贷款信息分类为硬信息和软信息2类指标。

（一）贷款主体分类指标

小额贷款的对象是农户、个体工商户及小微企业。因此风险评估指标的样本对象必须是这三者。当前对小贷信用风险的研究，国内实证研究基本上是围绕商业银行农户、小微企业小额贷款、农村信用社及小额贷款公司的贷款样本展开。关于农户指标的选取：马文勤（2010）选取了2009年陕西省杨凌区三家农村信用社农户的15个指标来判断其是否违约，包括户主年龄、户主性别、家庭人口数、家庭劳动力数、耕地面积、农业收入、非农收入、年总支出、信用社入股金额、房屋价值、机械价值、其他资产价值、贷款数额、贷款用途、贷款月利率共15个指标。陈良维（2008）在前者的基础上增加了文化程度、家庭资产总额、贷款历史、信用账户数目、信用申请情况、司法记录情况和月还款占收入比7个指标。刘畅、方靓、晏江、熊学萍（2009）增加了农户参保情况、村委会评价及是否遭受经济损失3个指标。刘泽双、王光宇、段晓亮（2009）对农户小贷信用风险的指标进行了归类，将其分为表层直接因素、中层直接因素及深层根本因素。孙清、汪祖杰（2006）选取的江苏省北部某农村信用社480个贷款数据中，以财产水平、负债状况、受教育程度、借款用途4个指标作为评估依据。可以看到，对农户指标的选取，家庭成员特征、耕地及其他资产状况、家庭收入状况、家庭信用情况、贷款特征这五项是重要的考量指标。其中，由于农户自身财务数据的缺乏，非财务数据的考量占据了非常重要的地位。个体工商户及小微企业信用风险指标选取：对于小微企业的信用风险的研究，多数学者集中在商业银行小贷部门信用风险的研究及小贷公司信用风险的研究。这里探讨的个体工商户和小微企业是指其财务数据不足以支撑其获得商业银行贷款资格的企业，其财务数据通常具备不完备性、不易获取性。因此，非财务因素的评估十分重要。杨德明（2012）在哈尔滨银行小企业信用等级评定指标中，特别强调了要强化非财务因素的作用，并在申请评分卡的非财务指标中增加了小微企业主这一因素。结合国内各大商业银行操作的实际情况，将企业信用非财务体系归纳为以下五大方面：企业管理环境、企业核心竞争力、行业发展前景、企业经营管理水平（领导者素质、员工素质、组织制度、决策机制、人事管理、财务制度建设）、企业信誉状态。

（二）贷款信息分类指标

贷款信息包括软信息和硬信息。非财务信息也称软信息（softinformation），通常由信贷员提供（李明，2014）。在信息不对称和不完全契约环境下，小贷客户信用风险的评估对关系型借贷特别看重(Bel-louma,Bennaceur&Omri,2005)。Peterson（1999），认为关系型借贷所传递出的信息对小型企业而言更有价值。因为关系型借贷不仅涉及企业财务信息和经营状况，还涉及难以量化、传递的软信息（申韬，2011）。王锁柱，李怀祖（2004）认为硬信息是客观存在的信息的反映，软信息是含有涉及主体的价值观念和知识结构的主观判断的信息，主观判断涉及主体的价值观念和知识结构，是一种区别于是非判别的个人偏好。由于当前小贷公司信贷员具有一定的贷款决策权，因此，在将软信息内容作为评估指标时，很容易产生评估不够客观公正，甚至是道德风险。王延飞、高新兰（2013）提出，要建立以社会资本和道德风险为核心的信用风险评价机制，特别强调对道德风险和社会资本的评价。他们认为，业主社会声誉、生活习性及家庭因素是衡量其道德风险的重要指标，且这些因素是判别其生产经营能否正常运行的关键因素。另外，业主的社交网络、信任合作是衡量其社会资本的重要指标，社会资本越丰富，则其外部约束越大，就能够越多地补偿贷款信用风险。这种评估指标的选取更加符合小额贷款公司的实际情况，指出了小贷公司在信用评估过程中遇到的两个关键问题：社会资本的评估以补偿风险，道德风险的评估以防范风险。但是，道德风险的评估主观随意性较大，难以量化评估；而社会资本的评估过于抽象，也难以量化。基于此，Molodsov提出了软集合理论，该理论在处理不确定性问题的过程中引入近似解代替精确解的概念，有效地克服了传统数学方法的缺陷。申韬（2011）运用软集合理论对5家小额贷款公司进行了信用风险评估，选取了信用履约评价、偿债能力评价、盈利能力评价、经营及发展能力评价、综合评价5个指标作为参数，但由于5家公司评估指标都难以精确量化，该文通过对各评估指标“强”信息取值为1，“弱”信息取值为0，并请专家进行打分来实现风险评估，评估结果较为精确地反映了小额贷款公司的客户信用风险。可见，运用软集合理论可以对企业的财务信息和非财务信息做出一个合理的信用风险评估。

三、小贷信用风险评估模型构建

过去200年间，信用风险评估方法经历着行业变革和技术变革，单纯的主观判断和政策决策逐渐被其他的模型所取代。评估模型的选择取决于所需行业结构水平及大样本可获得性。小贷信用风险评估一般采用的是混合模型和数理模型。对于单纯仅使用专家评分法的情况很少。专家评分法主要表现为国际上通常对于非财务分析遵循的5C原则，即借款人的品格（Char-acte）r，能力（Capacity），资本（Capita）l，担保（Col-latera）l，环境（Condition）（周颖，毛定祥2006）。

（一）信用评分法

信用评分法就是混合模型的表现。Caouette，Altman，Narayanan(1998)指出当贷款对象信用记录不健全、信息获取较为困难时，信用风险评估通常采用综合企业财务因素和企业主个人因素的传统信用评分法。目前，信用评分法已经成为借贷机构是否发放贷款、贷款额度、贷款定价以及提高赢利性的决策支持工具（申韬，2011）。作为客户准入筛选的第一关，哈尔滨银行独立研发了小企业信用等级评定模型，对申请贷款的客户进行贷前评级打分。申请评分卡中最重要的四点是：①采用多行业区分，在客户准入上选取融资需求较集中的小企业所在的行业进行研究；②在评分卡中的非财务指标中增加了小微企业主这一因素；③根据第二还款来源对采取抵押担保方式进行贷款的小微企业进行担保评分；④对成长性指标和行业敏感性较高的个性指标等关键性指标调整（杨德明，2012）。这种申请评分法技术是对传统信用评分法的一种突破。它对硬信息的依赖程度大大降低，强化了非财务因素的作用，对于小贷公司信用风险管理有借鉴作用。但也有不足之处：其一，信贷员进行信用评分时难免会出现道德风险。这对小贷公司人员素质提出了高要求，无形中会增加人工成本。其二，贷款客户贷款时经常不具备担保物，不符合申请评分卡里面提供的担保项设置。因此，需要有更加客观和符合小贷公司情况的信用风险防范体系。

（二）基于神经网络模型的信用风险评估模型

人工神经网络（ArtificialNeuralNetwork），是基于对人脑神经网络结构及其功能的模仿而建立起的由大量处理单元相互联结成的智能化信息处理系统。通过这个系统可以实现非线性关系的操作（丛爽1998:1）。韩立群（2000）提出，神经网络具有高度的非线性，良好的容错性和联想记忆功能和较强的自适应性，能够大规模并行处理和分布式存储信息。神经网络由于对数据分布及自变量和因变量的函数关系的精确度要求不高，但其分类精度较高，因此成了信用风险评估领域的一个热点（马文勤，2010）。进入20世纪90年代，银行业引入神经网络将其用于信用风险评估。其风险评估主要是依靠其分类功能实现，即先找出一组对信用分类有影响的因素作为网络输入，再通过有教师或无教师训练建立信用风险评估模型，当输入新样本时该模型即可对其信用风险进行判别分类（沈艳2007）。马文勤（2010）基于BP神经网络建立了农户信用风险评估模型，并与基于Logit方法的农户信用风险评估模型比较得出，BP神经网络农户信用风险评估模型更加精确有效。该文选取了农户样本中的15个指标，将农户贷款行为分为违约类和非违约类，实证结果检验研究所建立的BP网络模型对违约类样本识别的准确率达到90%，因而可以将其作为农村信用社农户信用风险识别工具。吴冲，吕静杰，潘启树，刘云焘（2004）认为，信用风险的实质是信贷资金安全系数的不确定性，但一直以来信用风险评估在小贷公司被看成是对贷款企业进行“违约与否”的风险识别中的“分类”问题。随着信贷决策的日益复杂化，分类评估模式所反映的有限信息已远不能满足信贷风险决策的需要。基于此，这几位学者提出了建立基于模糊神经网络的小贷信用风险评估模型。该模型引入了贷款方式这一分类评估指标，这是对传统模型不区分贷款方式就进行信用风险的评估的一种改进。小贷公司贷款方式有：信用贷款、保证贷款、质押贷款、抵押贷款。同一企业在不同贷款方式下其信用风险是不同的，信用风险的评估结果应是某一特定贷款方式的量化值。该模型通过选取同一行业的短期贷款的样本数据进行实证研究，有效避免了由于不同行业带来的数据不可比问题。模型通过对营运能力因子、偿债能力因子、盈利能力因子和贷款方式因子训练发现，训练结果满意，可见模糊神经网络方法用于评估商业银行小额贷款信用风险非常适合。我们可以看到，模糊神经网络法是对专家评估法和信用评分法的一种改进，由于对数据的精确性要求不高，是分析小贷信用风险的非常好的一种方法。但同时我们也可以看到，其指标数据的选择大部分是财务数据，这对贷款客户财务信息的完备性提出了高要求。因此，如果将样本数据换成是软信息，再运用模糊神经网络模型进行分析，可能更适合于小贷公司信用风险的评估。

（三）基于模糊集合理论的信用风险评估模型

模糊集合理论(fuzzysets)于1965年由L.A.Zadeh教授提出，用以表达和解决模糊难以量化的问题。模糊综合评价法是基于模糊数学，将定性评价指标转化为定量评价指标的一种评估方法。一般评价步骤为，首先构建模糊综合评价的指标，确定被评价对象的因素集和评价集之间的函数关系，再确定各因素的权重以构建评价矩阵，最后将矩阵与因素的权重合成（模糊运算及归一化）得到模糊综合评价结果。它具有结果清晰，系统性强的特点，能较好地解决难以量化的问题，适合各种非确定性问题的解决。吕婷婷（2012）构建了基于模糊综合评价法的小额贷款公司风险评价模型。文章选取不良贷款率、贷款风险回报率、拨备充足率、正常关注类贷款迁徙率、贷款集中度、环保合格企业贷款余额占比作为信用风险的影响指标，实证结果得出拨备充足率对信用风险的影响权重最大，环保合格企业贷款余额占比对信用风险的影响最小。类似的能够解决模糊难以量化的问题的方法还有模糊层次分析法（FAHP）。模糊层次分析法（fuzzyanalytichierarchyprocess，FAHP）。模糊层次分析法是将模糊法和层次分析法（AHP）的优势结合而成的多准则决策方法。模糊层次分析方法能够准确地描述任意两个因素之间关于某准则的相对重要程度，能够很好地解决定性分析的抽象问题，得出的识别结果能较好地反映小额贷款公司的现实情况。李明（2014）运用模糊层次分析法（FAHP）进行风险识别，计算得出客户管理层特征维度、客户经营与决策能力维度、小额贷款公司关系能力维度、客户发展前景维度、客户偿债能力维度、客户贷款特征维度六个层面以及每个层面各个评估指标的模糊权重值，建立了小额贷款公司风险评价指标体系。该文从实际出发，根据专家意见，运用模糊层次分析法(FAHP)构建模糊互补判断矩阵，通过推导计算出矩阵指标层相对于目标层的权重，再通过对矩阵进行一致性检验表明其权向量结果的可靠性，最后得出风险识别结论，对小贷公司风险评估具有一定的指导意义。但是，由于不同的专家对小额贷款公司风险认识不同，在构建函数时具有很大的主观性，因此识别结果与现实有一定的差距。因此，为了得到理想的识别效果，专家根据不同的小贷公司的特点和环境来确定识别指标及权重至关重要。

（四）基于CreditMetrics的信用风险评估模型

CreditMetric模型是于1997年推出的用于量化信用风险的一种信用计量模型，通过计量风险价值来分析信用风险（宋志涛，2008）。CreditMetric模型中唯一的变量就是信用，模型认为违约是指借款人的信用等级下降，不管信用等级下降多少，都会给贷款人造成损失。模型最大的优势在于其对信用风险价值的估算，通过风险量化可以很直观地看到风险的变化。赵静（2012）选取了云南省农业银行某支行2010年以前的农户个人贷款为研究对象，构建了基于CreditMetrics信用计量模型的农户贷款风险预估体系，实证研究结果表明该银行目前VAR值较为合理，处于风险可接受状态。此模型首次提出了“边际风险贡献”的概念，将“债务人信用等级的变化”作为“违约”的一个考量因素，这不仅考虑到了违约风险，还将差额风险纳入其中，比较贴合实际。不过，该模型的分析需要大量的数据库做支撑，而目前由于我国的信用市场环境以及部分数据难以取得（如信用转移矩阵），CreditMetric模型在我国的运用受限，不过其对资产组合分析评价的方法和思想值得借鉴。

四、研究不足与展望

目前，国内对小额贷款公司风险管理的系统性理论研究和实证研究具有一定的局限性。从金融市场的发展趋势看，本领域具有更为广阔的研究空间。

（一）风险评估方法的局限性及数据库建立

当前信用风险指标的选取基本上是先通过专家分析法等主观地选取指标，相当于首先建立一个合理的假说，再通过层次分析法或其他方法对指标分配权重进一步筛选。这种指标选取的方法不可避免地带有主观性，如果没有建立在一个合理的假说之上的话，就会得出错误的结论。因此，建议建立一个更强大的小额贷款信用风险指标研究基础。目前的指标选取主要是以企业的方便样本为基础的，有些信息甚至是难以量化的，比如王延飞、高新兰（2013）提到的客户的社会资本和道德风险。在大数据时代背景下，这些软信息多半属于非结构化或半结构化信息（如图像、文本）。通过不断挖掘数据，运用数据处理工具———统计、决策树、神经元、模糊逻辑、数学规划等，可以辅助我们更好地应用大数据进行决策。展望未来，建议通过完善相关法律法规政策，在小额贷款全行业内建立一个统一规范的小额贷款信用风险指标数据库，使每个客户的信用数据都记录其中，依托该数据库来建立各个小贷公司的信用风险评价体系。小贷公司再将信用评估体系评估得出的信用数据反馈录入到信用数据库，实现数据的高效共享。这样的规范不仅有助于小贷公司做出客户放贷的决策，以避免因主观选取指标带来的不同企业评估的差异性，同样也是客户以后在各个金融机构借贷的信用通行证。

（二）研究数据的不充分性及信用知识管理

由于小额信贷对象信用数据难以取得且不够完善，有些基于软信息的指标在定量化的过程中会出现研究定量依据不同的情况，而且，目前信用风险软信息指标本身是观察性数据，存在着很多偏倚，例如选择偏倚、混杂变量和缺乏普遍性（Lifeomics,2014）。每个信用风险评估模型都有其优劣性，即便证实了一个风险指标和客户信用风险存在强有力的关联，我们仍然需要寻找一些证据来证明它在信用风险相关领域中具有实用性（即评估其客户信息与信用风险之间的平衡）。因此如何取得和规范指标内容以及增强指标间的真实关联性的问题亟待解决。建议通过更为深入、广泛的实地调研，多渠道(银行、农信社、证券公司、其他小贷公司、客户所在公司或家庭状况等)直接或间接地搜集客户信用指标，在样本容量充足的前提条件下，结合贷款客户的特点，提炼出更加完善、标准化的客户数据，以期进一步补充、提炼小额贷款公司信用风险评估指标，形成更具科学合理性、简约性、有效性和广泛适用性的小额贷款公司信用风险评估指标体系。此外，要证明样本数据的有效性和实用性，就需要对统计数据进行显著性检验，以区分真实关联还是虚假关联；就需要科学地选取计量模型，充分了解各模型的缺陷，防止检验失效。在进行数据搜集和提炼的过程中，同时要注意成本-效益问题。信用风险管理领域的各项研究是一个重复性较高的过程，需综合考虑成本-效益问题。机器学习算法（machinelearningalgorithm）将有助于知识内容管理（Lifeomics,2014）。建议通过开展知识管理，加强知识共享、知识转移和知识创新，建立公开透明的贷款客户信用档案制度，以降低信用风险的搜索成本。

（三）研究对象的不可比性及信用指标选取

由于农户和小微企业，其信用等级不同，因此不同贷款对象的信用风险评级结果会存在不可比性。建议根据贷款客户的特点，建立具有差异化的客户信用评级体系，以消除不同客户类型带来的数据不可比问题。由于不同行业贷款客户信用信息存在差异，建议通过选取同一行业的贷款样本数据进行实证研究，以避免由于不同行业带来的数据不可比问题。

信用风险评估范文第3篇

关键词：商业银行；信用风险评估；定性方法；定量方法

中图分类号：F2

文献标识码：A

文章编号：1672-3198（2013）09-0027-02

企业信用评估和企业财务预警是企业财务管理研究的重要课题。诸多学者将两个问题一起进行研究，这两者之间还是有本质区别的。财务预警即财务失败预警，是指借助企业提供的财务报表、经营计划及其他相关会计资料，利用财会、统计、金融、企业管理、市场营销理论，采用比率分析、比较分析、因素分析及多种分析方法，对企业的经营活动、财务活动等进行分析预测，以发现企业在经营管理活动中潜在的经营风险和财务风险，并在危机发生之前向企业经营者发出警告。信用评估本质上是对企业履约各种承诺能力和信用程度进行全面评估，预测未来偿债可能性来辨识不同企业的方法。服务的对象有商业银行、金融监管机构、与受评对象有业务往来的商业客户以及社会公众和投资者。

（1）定性评估方法：人工专家分析法，又被称为古典信用分析方法，包括5C、5P、5W法，5C法指贷款申请企业或个人的道德状况，偿债能力，贷款申请企业或个人的财产状况，可用于进行贷款申请时抵押担保的资产价值，宏观经济状况。 5W法指贷款申请人、申请贷款的使用、贷款的时间长度、担保资产价值及还款方式。目前我国商业银行实务中仍主要采用的信用评估分析方法。

（2）定量评估方法。

①统计方法：多元判别分析法（Multi-linear Discriminate Analysis）是较早应用于企业信用评估的多元统计方法。Altman（1968）最早提出Z-score模型对企业运营财务危机预警、企业违约预测问题进行研究，使用较少的财务比率迅速进行判断分析，使用年度报表的数据运用财务比率进行分析：企业运营成本/平均总资产、留存收益/平均总资产、息税前利润总额/平均总资产、普通股股东权益合计/平均总负债、营业收入/平均总资产，并且对三十多家样本公司进行分析，得到准确率较高的分析结果，该模型属于贝叶斯判别，用样本修正已有的先验概率分布得到后验概率分布。这篇经典论文开创了企业破产预测，财务危机预警，信用评估分析的先河。Altman（1977）在前述论文的基础上进行了完善，又加入几个财务比率建立ZETA模型，使用总资产收益率（利润总额/平均总资产）、利润增长率（利润总额/上一年利润总额）、利息保障倍数（息税前利润总额/利息费用）、留存收益/平均总资产、流动比率（流动资产/流动负债）、平均总资产、公司股票市价等财务比率，得到比签署模型更好的分析结果。Logistic模型分析。Martin（1977）使用财务比率进行企业经营财务预警及企业贷款违约分析，使用多元统计学中的Logistic回归方法，使用1970至1971年的报表数据从的美联储成员银行5600多家中选取58家属于财务困境，违约样本的银行进行分析测算，使用资产净利率（利润总额/平均总资产）等8个财务比率，进行分析测算，并且分析不同的信息使用者的风险偏好差异，如投资人和债权人，测算不同的风险预警系数，便于信息使用者更好地作出分析决策，得到较好的分析结果，并且使用该多元回归模型与前述的Z-Score模型，ZETA模型测算的结果进行对比分析，得到优于前述模型的预测数据。吴世农（2001）收集我国上市公司1998至2002年A股市场的ST公司共计七十多家，收集样本数据的时间是公司转化成ST的年度，并且选取相关行业的七十多家作为对照组样本，进行横截面数据分析，选用不同的计量模型进行对比研究，主要有线性概率模型（LPM），Fisher二类线性判定，Logistic模型等多元统计方法对企业财务进行预警研究，最终结果是Logistic模型的预测准确率均高于Fisher判别分析法和LPM的准确率。于立勇、詹捷辉（2004）也使用Logistic模型，选取商业银行的贷款企业客户的财务数据进行信用违约的分析，得到较好的测算概率。方洪全、曾勇（2004）在银行信用风险评估方法实证研究及比较分析中运用Logit模型分析。李志辉、李萌（2005）选取了195家上市公司为样本，Logistic模型的准确率高于线性判别模型神经网络模型。Junni L. Zhang（2010）运用贝叶斯加分类树法对德国公司财务报表数据进行偿债能力进行有效得分类。

②信用风险评估模型。Credit Metrics（信用计量模型）是摩根大通等美国知名金融机构采用用VaR（在险价值模型）的思路，对个人和企业的贷款以及其他金融资产进行价值估计和风险预测的计算方法。麦肯锡公司提出的Credit Portfolio View模型（信贷组合审查模型），是改造Credit Metrics模型，考虑到周期性宏观经济因素，结合信用风险评级转移和宏观经济变量如年度经济增长率、市场利率、政府支出等建立关联模型，使用蒙特卡罗技术模拟宏观经济周期性因素的计算得到评级转移概率。KMV模型（Credit Monitor模型）（是美国KMV公司提出后被穆迪公司收购），该模型是可以对上市公司的信贷违约概率进行预测分析。张玲等（2004）运用KMV模型评估我国上市公司ST公司和非ST公司的信用风险后得到，改变KMV模型的相关变量可以至少提前2年预警我国上市公司的信用违约风险，并且可以提前4年进行上市公司的信用风险变化趋势的预测。戴志锋等（2005） 运用KMV对我国上市公司数据和某国有商业银行非上市公司的信贷数据进行验证，实证结果表明非上市公司模型在中国具有一定的预测能力，但预测准确率低于欧美国家。Credit Risk+模型（信用风险附加模型）是由瑞士信贷银行金融产品部（CSFP）开发的，它是一个违约模型（Default Model）。

③人工智能方法：神经网络。陈雄华等（2002）采用人工神经网络模型研究企业信用等级的评估问题，按照企业样本分为制造业和非制造业两大类，利用偏相关分析方法建立了企业信用评级的指标体系，实验结果表明神经网络模型具有更好的预测准确性。于立勇（2003）收集一百多个企业作为训练样本，运用神经网络模型进行信用违约风险分析，得到有效的预测结果。章忠志、符林、唐换文（2003）使用神经网络模型，选取28个企业数据做为样本进行分析，预测结果准确率达到90%以上。徐佳娜、西宝（2004）使用人工神经网络模型与层次分析法（AHP）相结合建立模型对企业信用风险进行评估，预测结果说明该模型比已有的其他模型准确更高。张卫东等（2006）建立模型结合前馈型神经网络、遗传算法和模糊数学方法来，评估商业银行企业客户的信用风险，使用Matlab软件对选取的商业银行企业客户数据进行测算，得到的结果表明准确率比以前的模型方法有所提高，模型更具鲁棒性。夏红芳（2007）通过与上海某商业银行的合作，对其1999-2005年的贷款明细和公司财务数据进行了系统研究，运用粗糙集理论的约简功能，从中选出最能反映企业信用状况的8项财务指标，再应用模糊神经网络方法进行信用评估，实证研究表明所提方法具有较高精度。但是使用人工神经网络模型需要根据实际的样本数据不断调整系数，相对而言模型的鲁棒性不够强。戴芬（2009）根据中小企业信用评估指标体系，提出了一种基于蚁群神经网络的评估模型。结果表明蚁群神经网络的预测方法与传统的BP 神经网络预测方法相比，具有较强的泛化能力，应用在中小企业信用评估系统中具有很高的评估准确率。

整数规划法。薛锋（2006）选取上市公司数据，使用混合整数规划法，建立企业信用风险评估模型进行信用风险评估，模型可以满足非参数检验，也不需要样本数据服从正态分布，可以较为广泛的应用，经数据实际测算的结果说明，该模型鲁棒性较好，预测效果较好，准确率较高。遗传算法。薛惠锋（2006）利用人工智能方法——GA-PSO混合规划算法构建企业信用风险评估模型。并利用上证50若干企业的实际数据对模型进行了实证检验。实证结果显示该模型能有效预测上市企业的信用风险状况。该模型在收敛性能及预测准确率等方面优于基于传统的多元回归方法及GP方法的信用风险评估模型。Jonathan N. Crook（2007） 参考诸多文献比较线形回归（LDA），Logistic回归，决策树，数学规划法，神经网络法，遗传算法，遗传编程，K近邻法，支持向量机几种方法，认为支持向量机法的准确率相对较高。

从以上对国内外研究现状的分析可知，尽管国内外已有许多专家学者对商业银行客户信用评估进行大量的研究，但在实际应用中涉及中小企业的研究较少，未考虑我国企业普遍存在的内部人控制的企业中管理者个人因素对企业信用的影响，限制了模型的适用范围。

参考文献

[1]Altman，E.I.，Financial 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]吴世农，黄世忠.我国上市公司财务困境的预测模型研究[J].经济研究，2001，（6）：46-55.

[5]于立勇，詹捷辉.基于Logistic回归分析的违约概率预测研究[J].财经研究，2004，（9）：15-23.

[6]方洪全，曾勇.银行信用风险评估方法实证研究及比较分析[J].金融研究，2004，（1）：62-69.

[7]李志辉，李萌.我国商业银行信用风险识别模型及其实证研究[J].经济科学，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]张玲，杨贞柿，陈收.KMV模型在上市公司信用风险评估中的应用研究[J].系统工程，2004，（11）.

[10]戴志锋，张宗益，陈银忠.基于期权定价理论的中国非上市公司信用风险度量研究[J].管理科学，2005，（6）.

[11]陈雄华，林成德，叶武.基于神经网络的企业信用等级评估系统[J].工程学报，2002，（6）：570-575.

[12]于立勇.商业银行信用风险评估预测模型研究[J].管理科学学报，2003，（5）：46-52.

[13]章忠志，符林，唐换文.基于人工神经网络的商业银行信用风险[J].模型经济数学，2003，（3）：42-47.

[14]徐佳娜，西宝.基于AHP-ANN模型的商业银行信用风险评估[J].哈尔滨理工大学学报，2004，（3）：94-98.

[15]张卫东，韩云昊，米阳于.GA-BP模糊神经网络的商业银行信用风险评估[J].工业工程与管理，2006，（5）：81-84.

[16]夏红芳.商业银行信用风险度量与管理研究[D].南京：南京航空航天大学，2007，（8）.

[17]戴芬，刘希玉，王晓敏.蚁群神经网络在中小企业信用评估中的应用[J].计算机技术与发展，2009，（10）：218-221.

[18]薛锋，柯孔林.基于混合整数规划法的企业信用风险评估研究[J].中国管理科学，2006，（2）：39-44.

[19]薛惠锋，林波，蔡琳.基于GA-PSO混合规划算法的企业信用风险评估模型[J].西北大学学报（哲学社会科学版），2006，（3）：38-40.

信用风险评估范文第4篇

摘要：自适应共振模型是为了能够分类任意次序模拟输入模式而设计的，它可以按任意精度对输入的模拟观察矢量进行分类，较好地解决了前稳定性和灵活性问题，同时能够避免对网络先前所学的学习模式修改。本文将ART2模型应用于信用风险评估，通过实证比较研究，结果显示应用自适应共振模型进行信用风险评估在精度和准确性上，都优于其他神经网络模型和统计方法。

1统计方法用于信用风险分类评估存在的局限性

对信用风险评估一类主流方法是基于分类的方法，即把信用风险分析看成是模式识别中的一类分类问题—将企业划分为能够按期还本付息和违约两类。其具体做法是根据历史上每个类别（如期还本付息、违约）的若干样本，从已知的数据中发现其规律，从而总结出分类的规则，建立判别模型，用于对新样本的判别，这样信用评估就转化为统计中的分类问题。传统的统计模型主要基于多元统计分析方法，根据判别函数的形式和样本分布的假定不同，主要的模型有：多元回归分析模型、多元判别分析模型（MDA）、Logit分析模型、近邻法等。其中以多元判别分析模型和Logit分析模型应用最为广泛，已有大量商业化软件。

尽管这些方法在国外有大量应用，但是大量实证研究（Altman，1983；Tam & Kiang，1992；Altman，et al，1994）结果发现：（1）企业财务状况的评价可以看作是一类基于一系列独立变量基础上的分类问题；（2）企业财务状况好坏与

财务比率的关系常常是非线性的；（3）预测变量（财务比率）可能是高度相关的；（4）大量实证结果表明，许多指标不成正态分布。而统计的方法却不能很好地解决以上问题。由此可见统计模型的最大优点在于其具有明显的解释性，存在的缺陷是过于严格的前提条件。如多元判别分析模型（MDA），它要求数据服从多元正态分布、等协方差、已知先验概率和误判代价等要求，而现实中大量数据严重违背了这些假定（Eisenbeis，1997）。引入对数变化可在一定程度上改进数据的非正态分布，但一方面变换后的变量可能失去经济解释含义，另一方面仍没有满足等协方差的要求；应用二次差别分析（QDA）虽可解决等协方差问题，但一方面没有满足正态性假设，另一方面当数据样本小、维数高（指标多）时二次差别分析的性能明显下降，而样本少、维数高正是我国信用数据的显著特点。实证结果还表明二次差别分析对训练样本效果较好，而对测试样本并不理想。除此以外，多元判别分析模型适用于成熟行业的大中型企业，因为这些企业具有较强的稳定性和规范性，其发展有一定的规律可循，参数统计方法易于给出较准确的结果及合理的解释。然而这类方法是静态的，需要根据地区、行业经济情况的变化不断地调整参数，甚至进行变量的调整。

为了解决这些问题，引入了Logit分析模型和近邻法。Logit分析模型不需要假定任何概率分布，也不要求等协方差，但是当样本点存在完全分离时，模型参数的最大似然估计可能不存在，模型的有效性值得怀疑，另外该方法对中心区域的差别敏感性较强，导致判别结构的不稳定。近邻法不要求数据正态分布，但当数据的维数较高时，存在所谓的“维数祸根（Curse of dimensionality）”——对高维数据，即使样本量很大，其撒在高维空间中仍显得非常稀疏，绝大多数点附近根本没有样本点，这就使得“利用空间中每一附近的样本点来构造估计”的近邻法很难使用[4]。

2应用神经网络进行信用风险评估的意义

商业银行信用风险评估是复杂的过程，除了对企业的财务状况的各种特征的评估外，还须对企业的非财务状况进行评估，而且又涉及宏观经济环境和产业结构、产业周期的影响；除了客观的评估外，还依赖于专业人员依据经验进行主观评估。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容错能力。神经网络对数据的分布要求不严格，也不必要详细表述自变量与因变量之间的函数关系，神经网络的这些特征使之成为信用风险分析方法的一个热点。

建立商业银行信用风险评估模型必须依赖于一组已知的函数集合。要求这种函数集合在任意精度上可以逼近实际系统，从数学上讲，这就要求这个集合在连续函数空间上是致密的。目前已经从理论上严格证明了只用一个隐藏层的神经网络就可以唯一地逼进任何一个连续函数。多层神经网络为系统的辨识和建模，尤其是非线性动态映射系统提供了一条十分有效的途径。非线性动态映射系统的神经网络建模被认为是应用神经网络的最成功的范例。

影响商业银行信用风险评估的机理很复杂，无法建立精确的非线性动态模型，而人工神经网络擅长处理非线性的、关系不确定的十分复杂以至于数学模型难以描述的问题。对于分析时间序列数据，由于人工神经网络能识别和模拟数据间的非线性关系，不需要正态分布和先验概率等条件的约束，能针对新增样本灵活的训练再学习，因此优于其他统计方法，同时由于网络本身具有自学习的功能，预测结果相对精度较高而且稳定性好，因此应用神经网络可以通过对网络的训练，掌握借款人的财务特征的非线性函数关系。神经网络是由许多神经元构成的，它对系统特性的记忆表现为各个神经元之间的连接权值，单个神经元在整个系统中起不到决定性作用，一个经过训练的神经网络可以按相似的输入模式产生相似的输出模式，当商业银行信用风险评估系统因某些非财务风险因素和判断误差过大的财务风险因素造成输入模式变形时，网络仍可以保证稳定的输出。

神经网络可以逼进任意复杂的非线性系统，神经网络的转换函数能够非线性地响应冲击，例如，像覆盖比率这样的财务比率超过最低水平（如AAA级）时，超过这个阀值的增加值不会对信用质量有什么影响。线性回归不能以这样的方式限制响应程度，神经网络的转换函数却能实现。神经网络以并行的方式处理信息，具有很强的信息综合能力，因此神经网络理论在商业银行信用风险分析和实施对信用风险的主动控制中将会发挥更大的作用。

由神经网络构成的非线性模型具有较强的环境适应能力。在根据多个训练样本企业的财务特征建立神经网络非线性系统后，如果企业类型、财务特征和非财务特征发生变化，神经网络可以通过学习，建立企业信用的非线性函数关系，并且不需要改变网络的结构和算法。

综上所述，对于那些无法建立精确的动态判别函数模型的非线性商业银行信用风险评估，可以将神经网络理论应用于风险评估当中，撇开企业财务因素、非财务因素和企业信用状况复杂的非线性机理，建立起非线性风险映射近似的动态模型，使这个模型尽可能精确地反映风险映射关系非线性动态特征。通过该系统我们能够计算对各种输入的响应，预估商业银行信用风险状况及其发展趋势，进而能够使用各种信用工具对风险进行主动控制，促进商业银行的智能化风险管理系统的建设和发展完善。

3基于自适应共振理论的信用风险评估模型

一个公司财务状况的好坏往往是企业自身、投资者和债权人关注的焦点。因为一个营运良好、财务健康的公司可提高自身在市场上的信誉及扩展筹资渠道，以使投资者信心倍增。相反，一个陷入财务困境和濒临破产的企业不仅乏力吸引投资，还让原有投资者面临巨大的信用风险。

由上文的分析中我们知道，对企业财务指标的分析，传统的分类方法尽管有它的优点但本身也存在一些局限性。作为研究复杂系统的有力工具，神经网络能处理任意类型数据，这是许多传统方法无法比拟的。通过不断学习，能够从未知模式的大量复杂数据中发现其规律。神经网络方法克服了传统分析过程的复杂性及选择适当模型函数形式的困难，它是一种自然的非线性建模过程，毋需分清存在何种非线性关系，给建模与分析带来极大的方便。该方法用于企业财务状况研究时，一方面利用其映射能力，另一方面利用其泛化能力，即在经过一定数量的带有噪声的样本训练之后，网络可以抽取样本所隐含的特征关系，并对新情况下的数据进行内插和外推以推断其属性。

目前我国银行机构主要使用计算贷款风险度的方法进行信用风险评估——在对企业进行信用等级评定的基础上，考虑贷款方式、期限以及形式因素，进而确定贷款的风险度。其中作为核心的信用等级评定，是通过对企业的某些单一财务指标进行评价，而后加权平均确定的。该方法的最大缺陷在于指标和权重的确定带有很大的主观性，使得评级结果与企业的实际信用状况有很大出入，因此需要引入科学方法来确定有效指标，并建立准确的定量模型来解决信用评估问题。

针对这种形势，根据我国商业银行的具体情况，结合国际上目前较为流行人工神经网络技术，本文设计了一种基于自适应共振理论的信用风险评估方法。

3.1自适应共振理论（ART）介绍

自适应共振理论（Adaptive Resonance Theory）简称ART，是于1976年由美国Boston大学S. Grossberg提出来的。他多年来一直潜心于研究用数学来描述人的心理和认知活动，试图为人类的心理和认知活动建立统一的数学理论，ART就是这一理论核心部分，又经过了多年的研究和不断发展，至今已经提出了ART1、ART2和ART3共三种结构。ART网络作为模式分类器较好地解决了前面提到的稳定性和灵活性问题。使用ART网络及算法具有较大的灵活性以适应新输入的模式，同时能够避免对网络先前所学的学习模式修改。ART是一种能自组织的产生对环境认识编码的神经网络理论模型，由于横向抑制是自组织网络的特性，ART采用了MAXNET子网结构，该网络采用横向抑制方法增强并能选择具有最大值输出的一个节点。

ART模型的算法过程如下：

第一， 将一个新样本X置入节点；

第二，采用自下而上的过程，求得： ；

第三，运用MAXNET网络，找到具有最大输出值的节点；

第四， 通过自上而下的检验，判断X是否属于第j类，即如果有 ，则X属于第j类， 是警戒参数。如果上式不成立，转到第六步，否则继续。

第五， 对于特定的j和所有的i更新 和 ，设t+1时刻 ， ， ， 。

第六， 无法判断X是否属于第j类，抑制该节点返回到第二步，执行另一个聚类的处理过程。

本文所使用的神经网络模型就是ART2神经网络模型。ART2神经网络是为了能够分类任意次序模拟输入模式而设计的。它可以按任意精度对输入的模拟观察矢量进行分类。

3.2应用ART2神经网络进行信用风险评估的可行性分析

通过上文对ART2神经网络的介绍，笔者认为将ART2神经网络应用于信用风险评估具有统计方法和其他神经网络算法无法比拟的优势。首先，ART2神经网络较好地解决了稳定性和灵活性问题，它可以在接受新模式的同时对旧模式也同样保持记忆，而其它类型神经网络所记忆的样本个数有限，由此可见，ART2神经网络随着输入样本数的增加，它作为模式分类器分类的精度也越高，所覆盖的样本空间也越大。其次，ART2神经网络是边学习边运行的无监督学习，所以它不存在像BP算法那样需要进行几小时甚至更长时间的训练过程，也就是说ART2网络具有较高的运行效率和较快的学习速率，这一点对于解决像信用风险评估这样的复杂问题来说是相当具有优势的。再次，ART2神经网络与人脑的某些功能类似，能够完成识别、补充和撤销的任务。这三种功能在英文中称为Recognition，Reinforcement和Recall，可简称为3R功能。识别功能在上文已经介绍过，下面对补充、撤销功能做些简单介绍。补充功能包含有以下几方面的内容：（1）每当ART2系统对输入矢量的类别作一次判决即是给出矢量所属类别的输出端编号，根据此判决，系统可以采取一种“行动”或者作出某种“响应”。这和人总是根据对外界情况的判断来决定自己的行动相似。（2）人在识别时对于所有被识别的类并不是一视同仁的，识别过程受到由上向下预期模式的很强制约。这样就会使得人们在某些情况下只关心几种类别，而对其他类别则“不闻不见”，这种集中注意力的本领可以使人们在混乱的背景中发现目标。在客体发生某种变形或缺损或者有强噪声情况仍能对其正确分类。我国商业银行进行信用风险分析的起步较晚，有关的信息往往残缺不全，ART2网络的这种在混乱中集中注意力发现目标的功能更适合我国的现实数据情况。撤消功能的作用与补充功能相反，这是指某些不同的观察矢量在初步分类时被划分成不同的类别，但是通过系统（主体）与客体相互作用的结果，又应判定它们属于同一类。由此可见基于ART2网络的这些功能，应用ART2神经网络进行信用风险评估相当于人类专家进行信用风险评估的建模过程，而且ART2神经网络与人类专家相比进行的评估更客观、更有效、更精确。最后，ART2神经网络可通过调整警戒线参数 （门限值）来调整模式的类数， 小，模式的类别少（对分类要求粗）， 大，模式的类别多（对分类的要求精细），这一点是其他方法无法比拟的，我们可以通过调整 值对输入网络的财务数据进行传统的两级分类（即违约、非违约两类），也可以通过提高 值对输入网络的财务数据进行国际通用的五级分类（即正常、关注、次级、可疑，损失五类）。Altman、Marco和Varetto与意大利银行联合会合作在其经济和金融信息系统中首次进行了将神经网络应用于企业的经济和金融问题诊断的试验，试验的研究结果表明，将企业的财务状况分为正常、关注和次级三类比分为正常和问题两类困难得多，而ART2神经网络却可以通过 值的调整灵活地实现该功能。

综上所述，笔者选择算法复杂的ART2神经网络进行信用风险评估。并且设计了一个自适应共振网络，对信用风险分析进行了实证研究。

3.3基于ART2模型的信用风险分析的实证研究

下面以某国有商业银行提供的90多家企业客户为对象，应用自适应共振理论对这些企业客户的财务数据进行信用风险评估。对于输入到神经网络的财务比率的选择，参照国内财政部考核企业财务状况及国外用于信用风险评估所使用的一些经典财务比率指标，一共挑选出包括企业盈利能力、企业营运效率、企业偿债能力及企业现金流量状况等二十余个指标，考虑到指标间的相关性，利用SAS统计分析软件进行回归分析，得出以下几个比率：

经营现金流量/资产总额（流动性）

保留盈余/资产总额 （增长性）

息税前利润/资产总额 （赢利性）

资产总额/ 总负债 （偿债性）

销售收入/资产总额 （速动性）

某国有商业银行提供的样本数据有90多家企业的财务数据，数据质量不高，有些企业财务数据缺失严重，经过对样本数据的初步审查，删除了不合格的样本40多个，最终得到有效的样本为55个，其中能够偿还贷款的企业34个，不能偿还贷款的企业21个。

评估的准确程度用两类错误来度量，在统计学中，第一类错误称为“拒真”，第二类错误称为“纳伪”。在信用风险评估中把第一类错误定义为把不能偿还贷款的企业误判为能偿还贷款的企业的错误，第二类错误定义为把能够偿还贷款的企业误判为不能偿还贷款的企业的错误。显然，第一类错误比第二类错误严重得多，犯第二类错误至多是损失一笔利息收入，而犯第一类错误则会造成贷款不能收回，形成呆帐。

在应用自适应共振模型进行信用风险评估的同时，笔者也使用了统计方法和经典的BP神经网络模型对同样的样本数据进行了信用风险评估，以便比较验证自适应共振模型的评估准确性。

统计方法使用的是可变类平均法，可变类平均法是由Lance和 Williams(1967)发展的，计算距离的组合公式为:

Djm=(Djk+DjL)(1-b)/2+DkLb （1）

参数b介于0到-1之间，DkL——是类Ck与CL之间的距离或非相似测度。笔者使用SAS统计软件中提供的可变类平均法对样本数据进行了聚类分析。

BP神经网络的结构包括输入层5个节点，用来输入5个财务指标比率，输出层1个节点（取值为1表示能偿还贷款，取值为0表示不能偿还贷款），另外还有一个隐层，隐层包括5个隐节点。网络的有效性采用K组交叉检验的方法进行验证，也就是将样本分为K组，其中K－1组为训练数据，第K组为检验数据，这里将样本数据分为两组，第一组用于训练网络，包括11个违约的企业和16个非违约的企业，第二组作为检验数据，包括10个违约企业，18个非违约企业。该方法使用MATLAB语言编程实现。

ART2模型包括输入层为5个节点，用来输入5个财务指标比率，输出层3个节点，分别表示信用风险的三个级别（正常，关注，可疑），这里应用ART2模型将信用风险分为三个级别有如下几个原因：（1）将信用风险分为三个级别，比前面使用统计方法和BP模型方法将信用风险简单分成两类（违约、非违约）更容易把握风险的程度，更接近实际信用风险评估的需要，也更贴近于国际通用的五级分类标准。（2）通过ART2网络门限值参数的调整可以将信用风险分为国际通用的五级分类标准，这也正是ART2模型的优势所在，但是ART2网络是信用风险分析混合专家系统的组成部分，它的评估结果要作为输入，输入到专家系统中，以便信用风险评估专家系统进行定性及定量的综合评估，考虑到专家系统的规则的数量和知识库的规模对系统执行效率的影响，因此这里将信用风险分为三类。有关专家系统的详细说明，将在下一节讨论。下面给出ART2模型网络的参数设置：a＝10，b＝10，c＝0.1，d＝0.9， ＝0.2， 。由于ART2模型是无教师指导的网络，因此不用训练，直接输入数据，网络自动进行信用风险评估。其中评估的结果：正常、关注两类属于非违约企业，可疑为违约企业。该方法使用C语言编程实现。

下面给出三种方法的最后评估结果见表1

表1 训练样本和测试样本的误判

训练样本 测试样本

第一类错误 第二类错误 总误判 第一类错误 第二类错误 总误判

统计模型 8(38.01%) 9(26.5%) 17(30.9%)

BP模型 2(18.1%) 1(6.1%) 3(11.1%) 3(30.0%) 4(22.2%) 7(25.0%)

ART2模型 4(19.1%) 5(14.7%) 9(16.3%)

通过表1的比较结果可以看出对于统计方法和BP模型自适应共振模型的误判率是最低的，说明了该方法的有效性和可靠性。

另外需要说明的一点是，这里所使用的企业样本数据偏少，而且噪声过多，数据的质量不是很好，这样的数据作为初始数据输入网络对网络的评估的准确性有一定的影响，虽然ART2这种集中注意力可以在混乱的背景中发现目标的特性使得它的评估的准确性比其它两种方法要高，但是笔者相信如果初始输入网络的数据质量再提高一些，网络的误判率会更低。

参考文献：

[1] 张维，李玉霜，商业银行信用风险分析综述，《管理科学学报》[J]，1998年第3期，20－27。

[2] 朱明，杨保安，基于知识的银行贷款分类系统，CJCAI2001[C]，231－235。

[3] 黄娟，冯玉强，王洪伟，基于联接归纳推理的信贷风险评估集成智能系统，《计算机应用研究》[J]，1999年第9期，74－16。

[4] 王春峰，万海晖，张维，商业银行信用风险评估及其实证研究，《管理科学学报》[J]，1998年第1期，68－72。

[5]（美）约翰.B.考埃特，爱德华.I.爱特曼，保罗.纳拉亚南著，石晓军等译，《演进着的信用风险管理》[M]，机械工业出版社，2001。

[6] 李志辉，《现代信用风险量化度量和管理研究》[M]，中国金融出版社，2001年。

[7] R.R.Trippi and E.Turban, Neural networks in finance and investing[M], chicago: Irwin professional publishing，1996。

[8] Dick San-Cheong cheung, Kwok-Wa Lam and Sheung-Lun Hung, neural networks for credit scoring model, intrlligent data engineering and learning perspectives on financial engineering and data mining[M], published by Springer，1998，55－62。

[9] Christine Guilfoyle and Judith Jeffcoate, Expert Systems in Banking and Securities[M], published by Ovum Ltd 7Rathbone Street London W1p 1AF England，1990，81－88。

信用风险评估范文第5篇

关键词:信用风险;风险管理;风险评估方法

1引言

信用风险又称违约风险,是指借款人、证券发行人或交易对方因种种原因,不愿或无力履行合同条件而构成违约,致使银行、投资者或交易对方遭受损失的可能性。80年代末以来,随着金融的全球化趋势及金融市场的波动性加剧,各国银行和投资者受到了前所未有的信用风险的挑战。世界银行对全球银行业危机的研究表明,导致银行破产的主要原因就是信用风险。因此,国际金融界对信用风险的关注日益加强,如旨在加强信用风险管理的《巴塞尔协议》已在西方发达国家全面实施。信用风险评估方法不断推陈出新,管理技术正日臻完善,许多定量技术、支持工具和软件已付诸商业应用。由于我国商业银行和金融市场尚处转轨和新兴发展阶段,信用风险管理技术较为落后。本文将分析20年以来国内外在信用风险评估方法上的创新及其发展趋势,供我国金融机构信用风险管理之借鉴。

25C要素分析法

5C要素分析法是金融机构对客户作信用风险分析时所采用的专家分析法之一。它主要集中在借款人的道德品质(Character)、还款能力(Capacity)、资本实力(Capital)、担保(Collateral)和经营环境条件(Con-dition)五个方面进行全面的定性分析以判别借款人的还款意愿和还款能力。有些银行将其归纳为“5W”因素,即借款人(Who)、借款用途(Why)、还款期限(When)、担保物(What)及如何还款(How)。还有的银行将其归纳为“5P”因素,即个人因素(Personal)、借款目的(Purpose)、偿还(Payment)、保障(Protec-tion)和前景(Perspective)。无论是“5C”、“5W”或是“5P”要素法在内容上大同小异,他们的共同之处都是将每一要素逐一进行评分,使信用数量化,从而确定其信用等级以作为其是否贷款、贷款标准的确定和随后贷款跟踪监测期间的政策调整依据。

3财务比率综合分析法

由于信用危机往往是由财务危机引致而使银行和投资者面临巨大的信用风险,及早发现和找出一些预警财务趋向恶化的特征财务指标,无疑可判断借款或证券发行人的财务状况,从而确定其信用等级,为信贷和投资提供依据。基于这一动机,金融机构通常将信用风险的测度转化为企业财务状况的衡量问题。因此,一系列财务比率分析方法也应运而生。财务比率综合分析法就是将各项财务分析指标作为一个整体,系统、全面、综合地对企业财务状况和经营情况进行剖析、解释和评价。这类方法的主要代表有杜邦财务分析体系和沃尔比重评分法[1],前者是以净值报酬率为龙头,以资产净利润率为核心,重点揭示企业获利能力及其前因后果;而沃尔比重法是将选定的7项财务比率分别给定各自的分数比重,通过与标准比率(行业平均比率)进行比较,确定各项指标的得分及总体指标的累计分数,从而得出企业财务状况的综合评价,继而确定其信用等级。

4多变量信用风险判别模型

多变量信用风险判别模型是以特征财务比率为解释变量,运用数量统计方法推导而建立起的标准模型。运用此模型预测某种性质事件发生的可能性,及早发现信用危机信号,使经营者能够在危机出现的萌芽阶段采取有效措施改善企业经营,防范危机;使投资者和债权人可依据这种信号及时转移投资、管理应收帐款及作出信贷决策。目前国际上这类模型的应用是最有效的,也是国际金融业和学术界视为主流方法。概括起来有线性概率模型、Logit、Probit模型和判别分析模型。其中多元判别分析法最受青睐,Logit模型次之。

多元判别分析法是研究对象所属类别进行判别的一种统计分析方法;判别分析就是要从若干表明观测对象特征的变量值(财务比率)中筛选出能提供较多信息的变量并建立判别函数,使推导出的判别函数对观测样本分类时的错判率最小。率先将这一方法应用于财务危机、公司破产及违约风险分析的开拓者是美国的爱德华·阿尔特曼博士(EdwardI.Altman)。他早在1968年对美国破产和非破产生产企业进行观察,采用了22个财务比率经过数理统计筛选建立了著名的5变量Z-score模型和在此基础上改进的“Ze-ta”判别分析模型[2]。根据判别分值,以确定的临界值对研究对象进行信用风险的定位。由于模型简便、成本低、效果佳,Zeta模型己商业化,广泛应用于美国商业银行,取得了巨大的经济效益。美国还专门成立了一家Zeta服务有限公司,著名美林证券也提供Z值统计服务。受美国影响,日本开发银行、德国、法国、英国、澳大利亚、加拿大等许多发达国家的金融机构,以及巴西都纷纷研制了各自的判别模型。虽在变量上的选择各有千秋,但总体思路则与阿尔特曼如出一辙。

Logit模型是采用一系列财务比率变量来预测公司破产或违约的概率;然后根据银行、投资者的风险偏好程度设定风险警界线、以此对分析对象进行风险定位和决策[3]。Logit模型与多元判别分析法的本质区别在于前者不要求满足正态分布,其模型采用Lo-gistic函数。由于Logistic回归不假定任何概率分布,不满足正态情况下其判别正确率高于判别分析法的结果。

5以资本市场理论和信息科学为支撑的新方法

随着资本市场的迅速发展、融资的非中介化、证券化趋势以及金融创新工具的大量涌现,信用风险的复杂性也日益显著。人们认为以财务比率为基础的统计分析方法不能反映借款人和证券发行人的资产在资本市场上快速变化的动态价值;鉴于此,一系列信用风险衡量的新方法相继提出。

5.1期权定价型的破产模型期权定价型的“破产模型”。

这类模型的理论依据在很多方面与Black-Scholes(1973)[4],Merton(1974)以及Hull和White(1995)[5]的期权定价模型相似。因此也称作信用风险的期权定价模型。Black-Scholes-Merton系列定价模型表明一家公司的破产概率取决于公司资产相对于其短期负债时的初始市场价值和资产(股票)市价的波动率。当公司资产的市场(清算)价值低于其短期负债价值,即资不抵债时,那么该公司实质上已经破产。1993年KMV公司研究提出的期望违约率(ExpectedDefaultFrequency,EDF)模型也是基于这一理论[6]。模型的结构包含两种理论联系。其一是将股票价值看成是建立在公司资产价值上的一个看涨期权;其二是公司股票价值波动率与公司资产价值变化之间的关系。在实践中,通过观察在一定标准差(资产市价与偿债价值的标准差)水准上的公司(其初始资产高于负债)在一年内有多少比例的公司破产;以此来衡量任一具有同样标准差公司的违约概率。由于资产市值的估算又取决于股价波动率的估算,因此令人质疑的是估算的股价波动率是否可作为公司资产价值估算的可信指标。

5.2债券违约率模型和期限方法

阿尔特曼研究的债券违约模型(Mortalityratmodel)[7]和Asquith、Mullins(1989)的期限方法(Ag-ingapproach)[8]是按穆迪和标准普尔的信用等级和债券到期年限,采用债券实际违约的历史数据建立的违约概率经验值。对各类信用等级和期限债券的违约风险的衡量。美国穆迪(1990)和标准普尔(1991)两家著名评级公司修正了这一模型并作为他们的常规金融分析工具。此类模型有望扩展到贷款违约风险分析中。但目前的障碍是银行无法收集到足够的贷款违约历史数据供建立一个非常稳定的违约概率数据库。因此美国许多大型银行正致力于建立一个全国贷款违约和违约损失率的共享数据库。

5.3神经网络分析系统

虽然神经网络的理论可追溯到40年代,但在信用风险分析中的应用还是90年代的新生事物。神经网络是从神经心理学和认识科学研究成果出发,应用数学方法发展起来的一种并行分布模式处理系统,具有高度并行计算能力、自学能力和容错能力。神经网络的结构是由一个输入层、若干个中间隐含层和一个输出层组成。国外研究者如Altman,Marco和Varetto(1995)对意大利公司财务危机预测中应用了神经网络分析法[9]。Coats,Fant(1993)、Trippi和Turban,Kevin、KarYanTan和MdodyY.Kiang(1992)[10]采用了神经网络分析法分别对美国公司和银行财务危机进行了预测,取得了一定的效果。我国学者杨保安、王春峰等(1998)[11]也在此领域进行了初探。然而神经网络的最大缺点是其工作的随机性较强。因为要得到一个较好的神经网络结构,需要人为地去调试,非常耗费人力与时间,因此应用受到了限制。Altman(1995)在对神经网络法和判别分析法的比较研究中得出结论“神经网络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判别模型”。另外,Chatfield(1993)在《国际预测杂志》发表的题为“神经网络:预测的突破还是时髦”一文中对神经网络方法也只作了一般性的评述[12]。但神经网络作为一门崭新的信息处理科学仍然吸引着众多领域的研究者。

6衍生工具信用风险的衡量方法

衍生工具是指其价值依赖于基本标的资产价格的金融工具,如远期、期货、期权、互换等。80年代以来,金融市场风起云涌、变幻莫测、市场风险与日俱增。衍生工具因其在金融、投资、套期保值和利率行为中的巨大作用而获得了飞速的发展,尤其充实、拓展了银行的表外业务。然这些旨在规避市场风险应运而生的衍生工具又蕴藏着新的信用风险。如利率互换和货币互换虽能减少利率风险,但却要承担互换对方的违约风险。如果银行只是作为互换的中间人和担保人介入互换业务,互换中的任何一方违约都将由银行承担。另外,场外市场的期权交易,其违约风险也日益增加。因此,衍生工具的信用风险的管理也日益受到各国金融监管当局的重视。原则上,前面讨论的方法对衍生工具信用风险的预测仍有用武之地。因为,引起合同违约的一个重要因素,仍通常是对方陷入财务困境。尽管如此,在贷款、场外交易和表外衍生工具的违约风险上仍存有许多细微的区别。首先,即使对方陷入财务困境,也只可能对虚值合同(履约带来负价值的合同)违约而会力求履行所有的实值合约(履约带来正价值的合同)。其次,在任一违约概率水准上,衍生工具违约遭受的损失往往低于贷款违约的损失。鉴于此,研究者相继提出许多其他方法,不过主要集中在期权和互换两类衍生工具上,最具代表性的有下列三种。

6.1风险敞口等值法(Riskequivalentexposure,REE)

风险敞口等值法(REE)是贯穿于衍生工具信用风险衡量的核心方法。这类方法是以估测信用风险敞口价值为目标,考虑了衍生工具的内在价值和时间价值,并以特殊方法处理的风险系数建立了一系列REE计算模型。既有以衍生工具交易的名义本金和合同价值为基础的REE模型,也有以衍生工具类别和组合策略为基础的REE模型。其中风险系数是衍生工具交易的名义本金转化为风险敞口等同值的核心工具。依据投资者的风险偏好,可计算4种概念的风险敞口等同值;即到期风险敞口等同值、平均风险敞口等同值、最坏情况风险敞口等同值和期望风险敞口等同值以度量信用风险的高低。

6.2模拟法

模拟是一种计算机集约型的统计方法。采用蒙特卡罗模拟过程模拟影响衍生工具价值的关键随机变量的可能路径和交易过程中各时间点或到期时的衍生工具价值。经过成千上百次的反复计算得出一个均值。衍生工具的初始价值与模拟平均值之差是对未来任一时间点和到期信用风险敞口值的一个度量。

6.3敏感度分析法

衍生工具交易者通常采用衍生工具价值模型中的一些比较系数,如Delta,Gamme,Vega和Theta来衡量和管理头寸及交易策略的风险。敏感度分析法就是利用这些比较值通过方案分析(scenarioanalysis)或应用风险系数来估测衍生工具价值。其中Delta用于衡量衍生工具证券价格对其标的资产价格变动的敏感度;Gamme是衡量该衍生证券的Delta值对标的资产价格变化的敏感度;它等于衍生证券价格对标的资产价格的二阶偏导数,也等于衍生证券的Delta对标的资产价格的一阶偏导数。Vega用来衡量衍生证券的价值对标的资产价格波动率的敏感度;Theta用于衡量衍生证券的价值对时间变化的敏感度。敏感度分析法最终目的仍是估算出风险敞口等同价值(REE)。只是估算中采用的系数不同。如Ong(1996)主要采用Delta和Gamme来估算REE,Mark(1995)则使用上述所有的系数,并运用方案分析以获得衍生工具的新价值。

7信用集中风险的评估系统

前面所述的方法绝大多数都只是衡量单项贷款或投资项目的信用风险,而很少注重信用集中风险的评估。信用集中风险是所有单一项目信用风险的总和。金融市场的全球化和风险的多样化使人们越来越认识到“不能把鸡蛋放在一个篮子里”的重要性。金融机构和投资者们采用贷款组合、投资组合来达到分散和化解风险的目的。那么如何来衡量这些组合及所有个别加组合汇集起来的信用集中风险又成为一个新的课题。目前在这一课题上最为人们所关注的是J.P摩根1997年推出的信用计量法(CreditMetricsTM)和瑞士信贷金融产品信用风险+法(CSFP)[13]。这两大信用风险评估系统都是为了评估信用风险敞口亏损分布以及为弥补风险所需的资本,但使用的方法有所不同。信用计量法是以风险值(VAR)为核心的动态量化风险管理系统。它集计算机技术、计量经济学、统计学和管理工程系统知识于一体,从证券组合、贷款组合的角度,全方位衡量信用风险。分析的面广,包括证券、贷款、信用证、贷款承诺、衍生工具、应收帐款等方面的信用风险的估测。具体操作是依据与动态信用事件(信用等级的变迁,违约等)相关的基本风险来估测集中信用风险的风险值。集中信用风险值是指在未来一定时间内,因信用事件引起证券或贷款组合资产价值的潜在变化量。风险管理者依据这一风险值调整头寸和决策以防范损失。信用风险+法是在信用评级框架下计算每一级别或分数下的平均违约率及违约波动。将这些因素与风险敞口综合考虑,从而算出亏损分布与所需资本预测数。

8结束语

综观国际上这一领域的研究和实际应用,信用风险分析方法从主观判断分析法和传统的财务比率评分法转向以多变量、依赖于资本市场理论和计算机信息科学的动态计量分析方法为主的趋势发展。目前我国的信用分析和评估技术仍处于传统的比率分析阶段。银行机构主要使用计算贷款风险度的方法进行信用风险评估。信用风险的分析仍然是以单一投资项目、贷款和证券为主,衍生工具、表外资产的信用风险以及信用集中风险的评估尚属空白。更没有集多种技术于一体的动态量化的信用风险管理技术。随着我国经济体制的改革深入、市场机制的建立与完善以及资本市场、银行业的迅速发展,现行的信用评估体制与方法赶不上经济改革发展的需要。我们应博采众长、引入科学方法来确定有效指标,并建立准确的定量模型来解决信用评估问题。

参考文献

[1]潘爱香.财务报表分析[M].北京:经济科学出版社,1999.

[2]AltmanEI.Financialratios,discriminantanal-ysisandthepredictionofcorporatebankruptcy[J].JournalofFinance,1968,(9)Vol.XXIII.

[3]MartinD.Earlywarningofbankfailure:alogitregressionapproach[J].JournalofBankingandFinance,1977,249-276.

[4]BlackF,ScholesM.Thepricingofoptionsandcorporateliabilities[J].JournalofPoliticalE-conomy,1973,637-659.

[5]HullJC,WhiteA.TheimpactofdefaultRiskonthepricesofoptionsandotherderivativese-curities[J].JournalofBankingandFinance.1995,299-322.

[6]KMVCorporation.CreditMonitorOverview[J].SanFranciscoCalifornia.1993.

[7]AltmanEI.Measuringcorporatebondmortali-tyandperformance[J].JournalofFinance,Sept.1989,909-922.

[8AsquithP,etal.Originalissuehighyieldbonds:aginganalysisofdefaults,exchangesandcalls[J].JournalofFinance.1989,923-953.

[9]Yellen,JL.Thenewscienceofcreditriskman-agementatfinancialinstitutions[J].FederalRe-serveBankofMinneapolis:theRegion,1996,10(3):26-34.

[10]CoatsP,PantL.Recoganizingfinancialdis-tresspatternsusinganeuralnetworktool[M].FinancialManagement.1993.142-155.

[11]王春峰,等.基于神经网络技术的商业银行信用风险评估[J].系统工程理论与实践,1999,(9).

[12]马超群,高仁祥.现代预测理论与方法[M].长沙:湖南大学出版社,1999.

信用风险评估范文第6篇

[关键词]大数据；个人信用风险评估；随机森林

一、引言

央行征信系统是目前世界规模最大、收录人数最多、收集信息全面、覆盖范围和使用广泛的信用信息基础数据库，其存在一些结构性的缺陷，直接影响了互联网金融和其他小型金融机构对客户综合信用评估的准确率。例如，虽然央行征信系统已经收集了8.68亿个自然人的信息，但是有信贷记录的人数仅有3亿多人，大量个人在征信系统中没有任何信贷信息；还有近6亿自然人信息没有被央行征信系统收集；央行征信系统信贷记录主要来源于商业银行等金融机构，其数据在时效性、全面性和层次性上存在短板，无法全面反映客户的真实信息；此外，民间借贷信息也不会接入央行征信系统。大数据是目前互联网领域的研究热点之一，为解决央行征信数据缺失情况下准确评估用户信用风险提供了一个方法。利用先进的机器学习理论建立基于大数据的信用评估模型，对用户在网购、交易、社交等平台积累的商誉和行为数据进行整合和分析，从而将商誉信息转化为信贷评级依据，解决交易过程中的信息不对称的问题，既可以对互联网金融、小额贷款公司等金融机构提供一个有力的风险抓手，也可以对在央行征信系统信贷数据缺失或者信用记录不好、资质比较差的客户提供一个获取信用类服务的机会。因此，深度挖掘互联网大数据信息，开发基于大数据的信用风险评估模型，具有十分重要的现理论和意义。

二、国内外典型个人信用评分系统

（一）FICO系统

FICO是FairIsaac公司推出的一套评分系统，在美国得到广泛使用，其实质是应用数学模型对客户信用信息进行量化分析，基本思想是把数据库中全体借款人的信用习惯与具体某个借款人过去的信用历史资料进行对比，分析该借款人未来发展趋势是否与数据库中那些已经陷入财务困境的借款人有共同的趋势，从而决定是否放款给借款人。其判断的指标主要是客户在金融信贷方面的信息，主要包括信贷组合（10%）、争取新信贷（10%）、信贷时长（15%），未偿债务（30%）、付款历史（35%）。FICO采用的数学模型是传统的logistic回归模型，其信息维度过于单一。

（二）ZestFinance

ZestFinance是一家基于大数据的信用风险评估公司，其信用理念是认为一切数据都与信用有关，从多种渠道获取用户数据，充分挖掘用户信用信息[1]。与传统征信体系不同，其数据来源主要包括第三方数据、网络数据、用户社交数据等多个维度，能够在大数据基础上，从多种角度对借款人进行量化信用评估。ZestFinance的信用评估模型基于先进机器学习和集成学习模型，但具体的预测模型细节是其核心机密，其信用评估模型中用到几千个数据项。（三）芝麻评分芝麻评分是蚂蚁金服旗下个人征信机构在国内率先推出的个人信用评分。芝麻信用通过网络数据的收集和评估对不同的个体给出相应的评分，主要考虑个人信用历史、行为偏好、履约能力、身份特征和人脉关系等维度，数据来源于阿里巴巴生态系统数据、政府公共部门数据以及合作机构数据等。评分模型以线性回归和逻辑回归为主，部分模型也涉及决策树、神经网络等现金机器学习技术。

三、构建用户画像

如何有效地收集、组织用户信息，挖掘与业务应用相关属性，是基于大数据的业务分析和建模之前需要重点解决的问题。“用户画像”是指企业通过收集与分析消费者相关的各种大数据信息，完美地抽象出一个用户的商业信息全貌，并针对特定业务场景进行用户特征不同维度的重新组合，精准刻画用户的商业特征[2]。用户画像可以用标签的集合来表述，一个标签可以看作是高度精炼的特征标识，如年龄段标签：25~35岁；地域标签：上海等。对互联网上用户相对稳定的静态信息数据，如性别、年龄、地域、职业、婚姻状况等，直接建立标签；对用户不断变化的行为等动态信息数据，采用事件模型构建标签及对应权重，一个典型事件模型包括时间、地点、人物三个要素，即什么用户、在什么时间、什么地点做了什么事。此外，标签的权重还应当考虑时效因素。

四、大数据预处理

在利用大数据进行个人信用风险评估建模之前，必须对大数据进行预处理，使其满足建模要求，主要包括以下一些处理环节。1.数据收集按照原始数据库和建模数据库分别收集数据，必要时采取补录数据的方式完善建模数据库。2.数据核对需要从表1所示的几个方面进行数据核对。3.数据清洗经过数据核对发现的数据问题，将通过数据清洗处理步骤进行处理。对于有问题的数据，尽量通过调整后使用，经过调整后仍然无法使用的数据，对其进行删除处理。4.单变量分析目的是确保变量满足符合实际业务意义，对分析对象具有高区分能力。（1）变量区分能力分析。往往使用多个统计指标进行计算，例如AR，K-S，等，然后综合各个统计指标的计算结果对于变量进行选择；（2）经济学含义分析。变量应当反映实际业务需要，具有明确的经济学含义；（3）变量转换。变量可能有很多类型，各个变量取值范围也可能有所不同，常用转换方法是将变量转换为概率值。5.多变量分析目的是降低变量间相关性，使模型具有稳定的高区分能力，包含尽可能多的不同信息类型。（1）变量相关性。常用方法有相关性矩阵，聚类分析或者使用容忍度、VIF指标等；（2）区分能力。对于多个变量的组合，除了分析其区分能力的高低之外，区分能力的稳定性也是一个重要的因素。（3）信息类型。模型所选变量对于可能信息类型要尽量涵盖全面，保证模型能够对于分析对象信用状况进行全面的评估。6.变量衍生互联网数据稀疏性强、原始变量业务解释性较弱，因此在模型分析前需生成更加稠密、业务解释性更强的衍生变量。衍生变量主要侧重于商品消费信息。

五、风险计量模型

传统信用风险评估模型在业务逻辑架构下分析变量的基本属性及风险区分能力，用逻辑回归等统计分析模型进行量化分析，得到精确的风险计量结果，然而用户行为数据独有的稀疏性会使得统计模型极不稳定。决策树对局部数据分析有着极强的稳定性和鲁棒性，同时可以揭示变量风险区分能力的非线性结构关系。因此可以将决策树模型和逻辑回归模型进行结合，即在进行统计建模前添加一层决策树模型进行单变量分析，同时利用CHAID决策树生成二元决策树变量，然后将决策树模型的输出结果(单变量、交叉变量及二元决策树变量)一同导入逻辑回归模型中进行统计建模，确定所有风险因子的风险权重。

（一）决策树模型

在决策树各种算法中，CHAID（Chi-SquaredAutomaticInteractionDetection）[3]既适用于二值型变量，也适用于连续型变量。针对每一次分叉，CHAID产生一系列二维，然后分别计算所生成二维表的卡方统计量或F检验。如果几个备选变量分类均显著，则比较P值大小，然后根据P值大小选择最显著的分类变量以及划分作为子节点。

（二）随机森林模型

随机森林（RandomForest）[4]是由美国科学家LeoBreiman2001年发表的一种机器学习算法，包含多个由Bagging集成学习技术训练得到的决策树，最终的分类结果由单个决策树的输出结果投票决定。随机森林克服了决策树过拟合问题，对噪声和异常值有较好的容忍性，对高维数据分类问题具有良好的可扩展性和并行性。

（三）逻辑回归模型

逻辑回归模型是因变量服从二项分布，且自变量的线性预测与因变量的logit变换相连接的一种广义线性模型。如果样本分布服从多元正态分布，那么该样本正好符合对数回归的假设，对数模型的误差项服从二项分布，在拟合时采用最大似然估计法进行参数估计。

六、系统开发关键步骤

根据前述风险计量模型，大数据环境下建立个人信用风险评估系统的关键步骤如下：不难看出，通过上述方法建立的系统具有以下优点：（1）以传统模型为基础搭建，保留传统模型的业务解释性和稳定性；（2）以随机森林模型为基本架构搭建了随机模型，克服了传统模型对数据噪声亦比较敏感的缺陷，使该系统的泛化性与稳定性有了进一步的提高；（3）克服了传统模型一般只能容纳10-15个变量的缺陷，该系统可以涵盖100+个变量。可以从源头杜绝用户刷分现象，提升公信力；（4）在应用层面的高度稳定性与业务解释性，使其有着比纯粹机器学习模型更广泛的应用空间。

七、应用展望

通过上述方法在大数据环境下建立的个人信用风险评估系统，可以在以下一些方面进行广泛应用。

（一）征信多元化

传统金融机构的征信信息来源主要是央行征信，但央行征信仅有3亿多人有信贷记录，信贷记录又主要来源于商业银行和农村信用社等金融机构。随着互联网不断渗入人们生活，互联网行为数据是央行征信的有效补充，可以不断强化征信数据的时效性、全面性和层次性，从无形中记录用户的行为，去伪存真，还原真实的客户。从而大大提升信息的利用率和有效性。同时，大数据风险模型的应用，可以不断提高金融机构风险识别、计量能力，从而不断完善征信信息体系架构，为精细化风险定价提供必要的基础和土壤。

（二）授信审批自动化

随着大数据模型开发技术与内部评级体系建设的深度融合，金融机构可更加广泛和全面地将评分/评级结果应用于授信审批，为贷款决策提供参考和支持。大数据风险模型优秀的风险排序及区分能力能够大力推进自动化审批的进程及线上产品的改革与创新。对模型评分高于一定级别且满足其它授信决策条件的，授信申请可以自动通过，不需要再经人工审核，对于评分低于一定级别的，模型自动拒绝其申请；只有评分介于以上两者之间的客户，才由人工介入进行申请审核。

（三）风险监控与预警精确化

风险监控与预警是指借助各类信息来源或渠道，通过对数据与信息进行整合与分析，运用定量和定性分析相结合的方法来发现授信客户及业务的早期风险征兆，准确识别风险的原因，分析其可能的发展趋势，并及时采取有针对性的处理措施，控制和化解授信风险的一系列管理过程。大数据风险模型较传统内部评级体系更为精细和灵敏，可以快速识别贷后风险，为不同的用户设定不同的监控频率、自动筛选高风险客户，制定有针对性的贷后管理措施、贷后管理工作等。

[参考文献]

[1]刘新海,丁伟.大数据征信应用与启示——以美国互联网金融公司ZestFinance为例[J].清华金融评论,2014(10).

[2]余孟杰.产品研发中用户画像的数据模建——从具象到抽象[J].设计艺术研究,2014(12).

[3]黄奇.基于CHAID决策树的个人收入分析[J].数学理论与应用.2009(12).

[4]董师师,黄哲学.随机森林理论浅析[J].集成技术,2013(1).

信用风险评估范文第7篇

一、长沙银行信用风险评估现状分析

长沙银行成立于1997年5月，是湖南省首家区域性股份制商业银行。成立12年来，长沙银行取得了喜人的发展成绩。紧紧围绕“政务银行、中小企业银行、市民银行”的特色定位，以及“四个三”的客户发展计划，初步形成了自身的经营特色和核心竞争能力。由于信用评价制度是一个复杂的系统工程，涉及到各方面的因素，同时我国信用评价研究起步较晚，目前我国尚未建立一套全国性的客户信用评价制度与体系。长沙银行对贷款企业进行信用评级的主要做法是：根据评估的需要设置若干组评估指标，对每一指标规定一个参照值。如果这一指标、达到参考值的要求就给满分，否则扣减该指标的得分。最后将各指标的得分汇总，并按总分的高低给贷款企业划定信用等级，作为贷款决策的依据。该种方法的不足之处在于：（1）评级指标、体系的构成是通过内部信贷专家确定的，缺乏定量化，具有不确定因索，有待进一步深入研究。（2）指标、权重的设置主要依靠专家对其重要性的相对认志来设定，缺乏科学性及客观性。（3）缺少对贷款企业各方面能力的量化分析，在对偿债能力等重要指标上只采用直接观察法，凭经验据报表估计其能力，有很大的主观性。（4）缺少对非财务因素的分析和现金流量的量化预测。

二、加强长沙银行信用风险评估建设

（一）完善信用评价指标体系和评价方法

长沙银行要建立内部评级体系，既要学习借鉴国外模型的理论基础、方法论和设计结构，又要紧密结合本国银行系统的业务特点和管理现状，研究设计自己的模型框架和参数体系。要充分考虑诸如利率市场化进程、企业财务欺诈现象、数据积累量不足、金融产品发展不充分、区域风险差别显着、道德风险异常严重等国内特有因素。只有深刻理解中国的金融风险，才能建立起有效的风险评级模型，这需要信用风险系统设计师不仅掌握先进理论方法，还能够对长沙银行的现实问题提出技术对策。

（二）加强培训，提高银行评级人员的素质

长沙银行应加强与国际专业评级机构如穆迪公司、标准普尔公司合作，加快培养、建立评级专业人才队伍，负责内部评级实施和维护工作。同时聘请国外银行和评级公司的专家，对这些人员进行集中培训，或派往国外培训，使之成为风险量化专家和未来的金融工程专家，为国内商业银行新型评级系统的建立健全出谋划策。

在评级过程不可避免的会存在部分道德层面上的问题从而引发操作风险。对此，要从思想意志上对相关人员进行教育，增强其主人翁责任感；要将政治素质好、业务能力强的工作人员优先充实到信贷岗位。

（三）加强行业研究，建立和完善信用风险管理基础数据库

没有高质量的数据积累，信用评级的模型及各项指标则无用武之地。长沙商业银行要完善数据积累，必须在确保客户信息的完整性和准确性前提下，加快信用评级所需数据的收集，同时完善不良客户信息的收集。另外，长沙银行应根据客户的资产负债状况、市场环境等情况及时更新客户信息，以便做出准确的风险分析。在充分获取数据的同时，商业银行要加强信息技术系统的建设，并且要保证信息技术系统的可信度和稳健性。同时，必须按照行业进行适当分工，通过对不同行业的长期、深入研究，了解和把握不同行业的基本特点、发展趋势和主要风险因素，可以为受管理对象在同一行业内部和不同行业之间的风险比较创造必要条件，从而为信用级别的决定提供参照。

三、结语

信用风险评估范文第8篇

长沙银行成立于1997年5月，是湖南省首家区域性股份制商业银行。成立12年来，长沙银行取得了喜人的发展成绩。紧紧围绕“政务银行、中小企业银行、市民银行”的特色定位，以及“四个三”的客户发展计划，初步形成了自身的经营特色和核心竞争能力。由于信用评价制度是一个复杂的系统工程，涉及到各方面的因素，同时我国信用评价研究起步较晚，目前我国尚未建立一套全国性的客户信用评价制度与体系。长沙银行对贷款企业进行信用评级的主要做法是：根据评估的需要设置若干组评估指标，对每一指标规定一个参照值。如果这一指标、达到参考值的要求就给满分，否则扣减该指标的得分。最后将各指标的得分汇总，并按总分的高低给贷款企业划定信用等级，作为贷款决策的依据。该种方法的不足之处在于：（1）评级指标、体系的构成是通过内部信贷专家确定的，缺乏定量化，具有不确定因索，有待进一步深入研究。（2）指标、权重的设置主要依靠专家对其重要性的相对认志来设定，缺乏科学性及客观性。（3）缺少对贷款企业各方面能力的量化分析，在对偿债能力等重要指标上只采用直接观察法，凭经验据报表估计其能力，有很大的主观性。（4）缺少对非财务因素的分析和现金流量的量化预测。

二、加强长沙银行信用风险评估建设

（一）完善信用评价指标体系和评价方法

长沙银行要建立内部评级体系，既要学习借鉴国外模型的理论基础、方法论和设计结构，又要紧密结合本国银行系统的业务特点和管理现状，研究设计自己的模型框架和参数体系。要充分考虑诸如利率市场化进程、企业财务欺诈现象、数据积累量不足、金融产品发展不充分、区域风险差别显着、道德风险异常严重等国内特有因素。只有深刻理解中国的金融风险，才能建立起有效的风险评级模型，这需要信用风险系统设计师不仅掌握先进理论方法，还能够对长沙银行的现实问题提出技术对策。

（二）加强培训，提高银行评级人员的素质

长沙银行应加强与国际专业评级机构如穆迪公司、标准普尔公司合作，加快培养、建立评级专业人才队伍，负责内部评级实施和维护工作。同时聘请国外银行和评级公司的专家，对这些人员进行集中培训，或派往国外培训，使之成为风险量化专家和未来的金融工程专家，为国内商业银行新型评级系统的建立健全出谋划策。

在评级过程不可避免的会存在部分道德层面上的问题从而引发操作风险。对此，要从思想意志上对相关人员进行教育，增强其主人翁责任感；要将政治素质好、业务能力强的工作人员优先充实到信贷岗位。

（三）加强行业研究，建立和完善信用风险管理基础数据库

没有高质量的数据积累，信用评级的模型及各项指标则无用武之地。长沙商业银行要完善数据积累，必须在确保客户信息的完整性和准确性前提下，加快信用评级所需数据的收集，同时完善不良客户信息的收集。另外，长沙银行应根据客户的资产负债状况、市场环境等情况及时更新客户信息，以便做出准确的风险分析。在充分获取数据的同时，商业银行要加强信息技术系统的建设，并且要保证信息技术系统的可信度和稳健性。同时，必须按照行业进行适当分工，通过对不同行业的长期、深入研究，了解和把握不同行业的基本特点、发展趋势和主要风险因素，可以为受管理对象在同一行业内部和不同行业之间的风险比较创造必要条件，从而为信用级别的决定提供参照。

三、结语

信用风险评估范文第9篇

【关键词】制造业上市公司 信用评估 主成分分析 logit

一、序言

“中国制造”曾一度风靡全球，成本低廉。而现在，“中国制造”正遭遇着空前的危机，越来越多的人对中国制造业的前景表示不乐观。中国制造产业目前大多数仍停留在产业链的最低端，产品技术差，利润小，基于这种情况，市场一旦出现问题，企业就会难以为继。另外，中国虽然被称为制造大国，但是真正拿得出手的品牌却很少。制造业上市公司的信用风险，严重地影响到了社会上广大投资者和金融机构经营收益，信用风险已经成为市场环境中上市公司所面临的最重要的金融风险，识别和防范上市公司信用风险极为重要。

二、国内外研究现状

WilliamBeaver（1966）在1968年提出了单变量预测模型。他将79家失败企业和与其相对应的79家成功企业作为样本进行研究，结果表明，债务保障率的准确率最高，并且离被ST的时间越近，准确率越高。Ohlson在1980年将1970到1976年间的105家破产公司和2058家非破产公司作为非配对样本，首次采用逻辑回归方法建立预警模型。

陈静（1999）将1998年之前的27对上市公司作为样本，用总资产收益率，流动比率，净资产收益率和资产负债率这四个财务指标进行研究，发现这种方法虽然有局限，但具有一定的实践意义。张爱民、祝春山（2001）在Z评分模型的基础之上，选取80家公司，采用主成分分析方法来建立主成分预测模型，并证明主成分预测模型在上市公司务状况预测方面能够取得较好的预测能力。陈晓兰和任萍（2011）将AHP与Logit相结合，构建了混合模型，其预测正确率达到了93.3%。

三、我国制造业上市公司信用风险评估实证研究

本文采用logit的方法来对我国制造业上市公司信用风险的评估进行实证研究，在使用logit的方法研究之前，先对数据进行预处理，对数据进行标准化，并进行主成分分析。使用主成分分析之后的指标与数据带入logit中，得到最终的结果。

（一）样本选取

本文采用我国深市制造业上市公司中的非ST公司和ST公司作为样本。选择2009～2015年间首次被ST或*ST的上市公司作为ST样本，选择2005年前上市并且从未被ST的上市公司作为非ST的样本。这是因为刚上市的公司可能因为经营不稳定等原因，各种数据可能与早上市的公司有所差距，导致模型的不准确。

（二）数据来源

本文从锐思（RESSET）金融研究数据库中获取数据，选择2005～2015的所有深市制造业上市公司的ST与非ST情况，从中选出2009～2015年间首次被ST或*ST的上市公司的14家作为ST样本，并从中挑出所有2005～2015年间从未被ST的公司作为备选非ST组。搜索每一个ST样本所属的二级分类，并从备选非ST组中选择与之同行业的，资产总额最接近的一家非ST公司作为该ST公司的配对样本，这样获得了14个非ST样本。由于上市公司某一年的财务报表在下一年的四月份才会，所以企业在某一年被ST表明该企业在T-1年已经连续亏损两年，所以我们选择ST前两年（即T-2年）的数据样本数据。我们选择如下指标：每股净资产（元/股）_NAPS、资产负债率（%）_Dbastrt、每股息税前利润（元/股）_EBITPS、每股未分配利润（元/股）_UndivprfPS等指标。

（三）数据分析

主成分分析是数学上对数据降维的一种方法。其基本思想是设法将原来众多的具有一定相关性的指标X1，X2，XP（比如p个指标），重新组合成一组较少个数的互不相关的综合指标Fm来代替原来指标。那么综合指标应该如何去提取，使其既能最大程度的反映原变量Xp所代表的信息，又能保证新指标之间保持相互无关（信息不重叠）。本文的研究所选用的变量相互之间都存在着很大的多重共线性，所以我们首先使用主成分分析来消除相关性。

由结果可知，第一个主成分的特征根为4.84235，占总特征根的比例（方差贡献率）为0.4842，这表示第一个成分解释了原来10个变量的48.42%。可见第一个成分对原来10个变量的解释不够。加上的二个主成分之后，方差贡献率变为0.7097，前两个成分可以在很大程度上解释原来10个变量。其中，成分1主要代表的变量为x2，x4，x5，x6，x7，x8，而成分2主要代表的是x1，x3，x7，x9，x10。

我们的模型中，因变量属于二值选择模型，因此，不可以使用简单的回归，而应该使用logit回归。根据主成分分析得出的数据，我们使用STATA进行logit检验。

结果显示，主成分1的p值为0.265，主成分2的p值为0.671。由此可知，两种主成分都不显著。这可能是由于选取的变量对一个企业是否被ST没有起到决定性的作用，但这不能说明企业的各种状况不影响企业是否被ST。

四、建议

基于logit信用风险评估未来研究的几点建议：

一是本文中选择的指标最初为10个，由于实证结果并不理想，所以笔者建议，未来的研究者可以加大指标的数量，并对指标进行更严格的筛选，以求最高的准确率。

二是可以尝试将logit与其他方法相结合的混合方法，以完善信用风险评估模型。

参考文献

[1]W.H.Beaver，Financial Rations as Predictors of Failure[J].Journal of Accounting Research （supplement），1966：77-111.

[2]Ohlson.J.A，Financial Ratios and the Probabilistic Prediction of corporate bankruptcy[J].Journal of Accounting Research，1980（1）：109-131.

[3]陈静.上市公司财务恶化预测的实证分析[J].会计研究.1999（4）.

[4]张爱民，祝春山.上市公司财务失败的主成分预测模型及其实证研究[J].金融研究.2001（3）.

信用风险评估范文第10篇

【关键词】P2P网贷 信贷风险 Logit回归

P2P网贷是在互联网环境下发展起来的一种全新的借贷模式，但是随着P2P网贷的发展，信誉问题随之而来。其中，缺乏专业的平台信审程序是造成无法准确评估借款人信用的最主要原因，因此，本文拟从个人客户的基本信息、个人客户的贷款记录、个人客户的还贷记录等资料中选取影响借款人还款意愿和能力的指标，尝试构建Logistic回归模型；进一步地，采集人人贷、宜信、红岭创投、拍拍贷、有利网五家P2P平台的样本数据，通过实证分析对网贷平台信用风险的评价起到一定的决策支持作用。

一、Logistic回归模型

Logistic回归模型。在Logit回归中，只需建立以logit（P）为因变量，建立包含p个因变量的Logistic回归模型如下：

■ （1）

其中，X=（X1X2……Xp）T为p维向量，β=（β1β2……βp）为待求的系数。

这就是Logistic回归模型。由（1）可推导出：

■ （2）

■ （3）

已知本文Y∈（0，1），现定义Yi=1为第i个客户按时还款，Yi=0为第i个客户违约，在Logistic回归中本文定义P为客户按时还款的概率，即■。

二、建立Logit回归模型

（一）模型指标的选取

指标变量的信息需要涵盖个人客户三个方面的信息：个人客户的基本信息、个人客户的贷款记录、个人客户的还贷记录。本文选择10项具有普遍性和代表性的指标作为本文的评价指标变量，并建立个人信用风险评价模型。本文对指标进行了分类、赋值，如表1。

表1 指标分述

■

■

本文将原始数据经过赋值处理后，通过SPSS软件对数据进行logit回归处理，运用逐步向前回归方法来筛选对因变量影响最显著的变量，将其纳入模型。由分析结果可以得出，工作年限的回归系数为正，表明其数值越大，该客户还款的概率就越大。工作年限是反映客户工作经验积累的一个指标，工作时间越长，拥有的资产会多一些，违约的概率越小，反之，违约概率较大，即工作时间较短的客户违约风险大于工作年限长的客户，因此其违约的概率也相应提升。

年收入范围在0.05的显著性水平下与是否违约呈现出正相关。收入情况直接决定了借款人财务状况和还款能力，收入越高，选择诚信的可能性就越大，还款能力越强，违约的几率也就越低。这也与实际状况相符，高收入人群往往能够更快地还清贷款。

近半年信用卡逾期次数、近半年贷款逾期次数两个指标在一定程度上是衡量客户信用以及经济状况的指标，本文之所以选择近半年为时间段是因为P2P小额贷款是面对个人以及一些小型企业进行的小额、短期的借贷活动，近半年的各种信用指标在很大程度上能够折射出客户近期的经济状况、信用状况，以及未来短期时间内的还款能力。二者都与是否违约呈现出负相关，即逾期次翟蕉啵信用状况越差，违约的可能性也相应的提高。

将相应的参数代入到模型中可得：

■

根据式（2）或者（3）即可得出客户相应的还款概率P。选取样本中的一组数字举例来说，X6=0.8，X7=0.8，X9=0，X10=1，即可得出logit（P）=3.5906，进而得出■，即还款概率为97.32%。

（二）模型检验

通过向前逐步回归，得到的分类预测结果。由此可以看出，该回归对于个人信用风险预测的准确率较高，对于参与检验的样本的预测准确率达到了89.2%。在最后一步的回归中，未偿还贷款的29个样本，21个预测结果为违约，8个被误测为不违约，准确率达到了72.4%。在按时还款的91个样本中，86个准确预测，5个被误测违约，准确率达到了94.5%。易知，运用Logit回归对个人信用风险进行预测，具有较高的准确率和可信度。

三、结论与展望

本文借助构建个人信用风险评价的Logit回归模型，基于五家P2P平台的120组样本数据，实证分析表明：工作年限、年收入、近半年信用卡逾期次数、近半年贷款逾期次数指标在反映个人信用风险状况方面具有较好的代表性，对于是否违约的样本预测准确率分别达到72.4%、94.5%，并且模型整体预测准确率达到89.2%，表明该模型具有一定的实际使用价值。事实上影响客户能否按时还款的因素还有很多，除了一些能够量化的因素之外，客户本身的道德品质更是一个关键因素。因此，今后的研究如能添加对一些非量化因素的考量，势必能为P2P网贷信用风险的评价、预测以及后续的风险响应和规避等勾勒出一幅完美的图景。

参考文献

[1]陈为民，马超群，马林.我国个人信用评分的发展趋势[J].商业研究，2010，（1）：98-101.

[2]王继晖，李成.网络借贷模式下反洗钱风险分析与应对.[J].金融与经济，2011.（9）：9-11.

基金项目：本论文受到国家社会科学基金（12CGL031）、教育部留学回归人员科研启动基金、上海市科委软科学重点项目（16692106500）资助。