商业银行信用风险与预测模型的比较

前言：想要写出一篇引人入胜的文章？我们特意为您整理了商业银行信用风险与预测模型的比较范文，希望能给你带来灵感和参考，敬请阅读。

摘要：得益于互联网金融高速的核审贷款速度、满意的客户体验、较低的借贷门槛，使这种新信贷模式得到飞速的发展。对于具有资金借贷需求的群体而言，融资渠道的扩展在一定程度上有效地降低了融资成本，提高了融资效率；在促使商业银行主动改变服务方式的同时，对传统业务也产生了一定的影响。本文比较分析了传统、现代以及新兴信用风险管理模型。结论表明，BP神经网络模型由于具有学习能力强，结构简单等优点，可以被用来对商业银行的信用风险进行评估和预测。

关键词：信用风险；神经网络模型；风险管理

一、互联网信贷发展背景

由于金融科技、大数据、云计算等快速发展，互联网信贷正在潜移默化地改变着传统金融业，由于这种形式具有门槛低，审批速度快等优点，成为了当前众多借贷者的首选融资方式。这为推动社会经济发展带来了资金上巨大的推动力，也给商业银行带来了新的挑战。由于商业银行在整个社会经济体系中具有强烈的外部性特点，对信用风险的管理和评估具有深刻的意义。信用风险评估是商业银行信用风险管理的重要组成部分。如何在有效控制信用风险的前提下，提高审批效率，降低坏账可能性是目前商业银行所共同面临的难题。积极寻找有效的借款人信用评估模型成为商业银行控制其信用风险重要着力点。

二、信用风险及信用风险评估模型

（一）信用风险

广义的商业银行信用风险包括客户违约风险，挤提风险以及或有负债转为表内负债的风险。狭义的商业银行信用风险是指在信贷活动过程中由于借款者违约导致借款无法按时足额偿还本金和利息，为商业银行带来损失的可能性。向商业银行借款的企业和个人都属于借款者的范畴。在本文中，信用风险评估模型仅针对狭义的信用风险。

（二）信用风险评估模型比较分析

（1）传统信用风险评估模型。传统的信用风险预测评估模型有专家制度模型、Z评分模型等。其中专家制度模型主要是由商业银行选用有丰富信贷从业经验的人员根据5C，5W，5P等标准做出是否贷款的决定，这种方法存在着主观性强、容易造成贷款集中度过高、人力成本高等缺点。Z评分模型也存在一定的缺陷，例如：缺乏理论基础，仅考虑财务变量而忽视市场指标；线性关系假设；由于会计资料更新速度慢，对市场变化不够灵敏；仅考虑违约与非违约两种极端状态，对于坏账回收率很高的情况没有分类等。（2）现代信用风险评估模型。KMV模型、VaR方法、CreditMetrics模型等则属于现代信用风险评估模型的范畴。其中KMV模型仅能够被应用于上市公司，对于非上市商业银行的指导意义不大。而当使用VaR方法度量国内商业银行的信用风险时，所面临的最大的问题是国内商业银行的大部分贷款业务不能进行交易，因此无法观测到其实际市值，从而无法估算出贷款价值分布，因此适用性较差。然而，CreditMetrics模型直接根据历史平均数据进行违约率的估算，而违约率与历史违约水平并没有完全的相关关系。基于统计方法的预测模型主要有多元判别分析模型、lo⁃gistic回归模型、最近邻法、决策树法等。其中，应用最广泛的是多元判别分析模型和logistic回归模型。由于单变量检验存在固有的缺点，例如：无法对不同财务比率的重要性进行排序，也无法对强比率与弱比率之间进行综合分析，如借款者，特别是企业借款者利润指数的相对表现；在流动性指标普遍高于平均水平的情况下，综合评判借款者信用状况成为单变量检验的瓶颈。在这种情况下，多元判别分析模型应运而生。该模型的建模关键点是构建判别函数。按照判别标准，存在多种判别法，例如：距离判别法、贝叶斯判别法、Fisher判别法、逐步及序贯判别法。目前建立判别函数的方法最常用的有以下两种：第一，贝叶斯判别函数。这种判别函数是在已知总分布的前提下，得到平均误差概率最小的判别函数。第二，未知种群分布或未知种群分布函数。这是在Fisher准则下的最优线性判别函数，其方法是建立判别分析模型，使组间比值和组内方差最大。已知各组的协方差矩阵、均值向量、先验概率以及误判代价时，当各组服从多元正态分布，并且各组的协方差矩阵相同，可以证明由Fisher判别方法推导出的判别规则可以最大限度地减少误判惩罚。多元判别分析模型虽然能够解决信息丢失以及无法获得直接信息的难点，但由于它的应用也建立在众多假设条件下，造成多元判别分析模型的应用也存在着一定的局限性。另一个较为常用的logistic回归模型由于其操作的简便性并且能够适用于连续和类别性自变量受到众多学者的推崇。但是这个模型对于自变量的多重共线性较为敏感，而在为分析借款人信贷风险进行建模时，选用的自变量往往存在多重共线性，这导致模型的预测结果存在偏差。（3）BP神经网络模型。由心理学家、神经学家、生物学家共同提出的神经网络模型，是一种并行分布式模式处理系统，通过模拟人脑神经组织进行学习以及记忆存储。目前被广泛应用于各个领域。神经网络由输入层、中间隐藏层和输出层组成，结构简单。其中每个连接的输入和输出单元都与一个权值相关联。它的学习过程主要是经历以下阶段：首先将学习样本输入层，通过“模式传播”到达输出层，如果输出结果与实际结果存在较大误差，结果则从输出层传递到隐层，然后进行逐层修改权值，通过这样的一个“误差反向传播”过程，模拟人脑神经进行“记忆训练”，直至输出结果与实际结果趋于收敛，使总体误差趋于最小。

三、BP神经网络模型适用性分析

风险管理是商业银行日常经营管理中的重中之重。随着监管要求的提高以及利率市场化的推进，国内各商业银行之间的竞争日益加剧，商业银行对信用风险预测、度量以及评估建模提出了越来越高的要求。在这种情况下，国内外研究机构和学者针对这一领域展开了深入的研究，试图能够找到一种适应目前特定市场环境，预测效果精准的商业银行信用风险度量模型，相关模型研究如上文所所述，然而这些模型存在一定的局限性，不能适应现代信用风险评估。BP神经网络模型的独特优点决定了该模型在商业银行信用风险预测和管理中的适用性。首先，BP神经网络模型属于非参数模型，具有很强的非线性映射能力和自主学习能力。在缺少具体信用体系指标的信贷市场情境中，与传统的信用风险评估方法相比，BP神经网络模型具有更好的分类精度、适应性和动态性；神经网络使用的是分布式的储存结构，这意味着个别数据并不会影响最终的评估结果，这是BP神经网络模型的鲁棒性的体现。这种优点可以有效地降低由于个别借款者信用意识淡薄，利用虚假伪造信息进行借贷所发生的坏账可能性对评估模型的影响。另外，神经网络在新环境下具有泛化能力和容错能力，能够处理噪声和不完整的数据，这样就可以减少由于信息缺失所带来的模型风险。更重要的是它具有较强的数据融合能力，具有同时处理定量和定性信息的能力。这一特点解决了贷款审批过程中借款人信用评价指标体系构成不明确，定量与定性指标混用的问题；除上述优点之外，BP神经网络模型是一个多变量模型，可以任意设定输入变量和输出变量的数量，在实际使用过程中具有灵活性和简便性。在海量数据时代，BP神经网络模型可以通过自主学习，在海量数据中找到规律，为解决大规模复杂问题提供了一种相对有效和简单的方法，随着人工智能、大数据的飞速应用以及算法的优化，越来越受到金融风险管理领域的认可。

四、结语

根据现有主流信用风险评估模型的比较分析，BP神经网络模型在当前特定的市场环境下具有独特的优势，其简洁性、鲁棒性、适用性决定了BP神经网络模型可以在商业银行的风险管理过程中被用来进行预测和评估。当然，每种模型都会存在一定的缺陷，完全依赖模型进行风险管控很容易受到模型风险的影响，从而对预测结果造成一定的干扰。除了借助模型，政府还应该从积极引导建立健全社会信用评价体系方面入手，同时商业银行在信贷业务开展过程中坚持严格审查，借款者自觉披露真实信息，才能将信用风险有效地降低在可控范围之内。

参考文献

［1］黄薷丹.基于大数据算法的商业银行企业客户信贷风险评价模型建立与实证研究［J］.当代经济,2018（22）.

［2］曾嵘欣.基于BP神经网络的商业银行信用风险度量模型研究［J］.金融发展研究，2018（6）.

［3］胡欣悦,李丽.商业银行信贷风险分析的人工神经网络模型研究［J］.系统工程理论与实践

作者：赵晓娟 单位：山东女子学院