信用风险评估
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇信用风险评估范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
信用风险评估范文第1篇
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.
信用风险评估范文第2篇
关键词：信用风险评估；网络信贷；借款人信用；人工神经网络
中图分类号：F832.5 文献标识码：B 文章编号：1674-2265（2016）12-0043-05
一、引言
P2PW络信贷平台凭借方便快捷、低门槛的优势，自2006年在中国首次出现后，数量呈几何模式快速增长。然而由于风险管控能力不足，导致问题平台不断出现。《中国P2P网贷风险指数快报》显示，2016年3月末中国P2P网贷问题平台1824家，占全国P2P网贷平台5326家的34.25 %。究其原因，在于中国的网贷平台规模普遍较小、发展时间较短，并不具备完善的风险防范与管理能力。网贷平台所面临的最大风险是借款人的信用风险，然而国内众多平台为抢占市场、快速上市，并没有在风控方面做好充分准备。大多数网贷平台缺乏完善的借款人信用风险评估体系，无法对借款人信用等级做出有效评估，导致平台出现运营危机。2015年，中国政府开始对国内网络信贷行业进行整改，风险控制成为网贷平台整改的核心内容。如何准确评估借款人的信用风险，成为提升网贷平台风险管控能力亟须解决的问题。
P2P网贷平台信用风险问题引起了国内外学者的广泛关注。网贷平台信用风险揭示方面，封延会、贾晓燕（2012）认为P2P网贷是影子银行的一种形式，暴露了中国金融风险监管的不完备。马运全（2012）认为，将P2P网贷平台数据接入征信系统可以最大限度地减少借款人信用风险发生的可能性。Klafft（2008）分析美国网贷平台Prosper的数据，发现借款人信用评级越高越容易获得贷款，逾期还款率也越低。信用风险影响因素研究方面，Herzenstein等（2008）认为借款人的债务收入比是影响信用风险的重要因素。Iyer等（2010） 提出了评估借款人信用风险的数据包括标准的银行数据和性别、年龄等非标准数据。Barasinska（2009）认为借款人年龄、性别、种族也是影响信用风险的重要因素。Duarte等（2012）认为外貌特征都会影响借贷行为。王会娟等（2014）基于“人人贷”的数据发现，对借贷行为影响较大的是工作认证、收入认证、视频认证和车产、房产认证等认证指标。温小霓等（2014）以拍拍贷为例，发现借款人信用积分、性别、住宅情况也对借款结果有影响；信用风险评估方法研究方面，张墨（2015）总结了 P2P 网贷个人信用评价的方法――层次分析法、主成分分析法、因子分析法、神经网络模型法等。张巧良（2015）应用层次分析法对网贷平台风险进行了评价。王保乾和王婷（2016）运用基于层次分析的模糊综合评价分析了大数据对网贷信用评估的影响。于晓虹和楼文高（2016）认为层次分析法、主成分分析法、因子分析法等方法均不太适合于P2P网贷个人信用评价与预警建模研究。Angelini等人（2008）开发了两个神经网络系统来进行信用风险评估，通过对意大利某小型企业的实证研究，表明神经网络适用于评估借款人违约风险。朱毅峰（2008）认为神经网络方法的优势在于对样本数据的分布没有要求，并降低了对差企业的误判率。
综上所述，网络信贷的信用风险评估在国内外的研究均取得了一定的进展。但已有研究往往将关注的焦点放在对信贷平台的风险评估，对借款人信用风险的关注度不够，对P2P网贷平台借款人信用风险的分析也大多采用定性分析法、层次分析法等带有一定主观性的方法，难以客观、全面地反映借款人信用的真实情况。基于此，本文从P2P网贷平台借款人信用角度出发，分析网贷平台借款人信用同个人基本信息的关系，筛选影响借款人信用等级评估的指标因素，选择在信用风险评估中可以解决非线性、不确定性变量关系的人工神经网络模型，对网贷平台的借款人信用风险评估进行实证分析。
二、网贷平台借款人信用风险评估指标的选取
P2P网络信贷的特点之一是网贷平台要求借款人提供的个人信息较为简单，一般包括身份信息、基本资产状况、年龄、学历等个人基础情况。通过第三方认证平台对借款人提供的信息进行认证，根据认证后的信息对借款人的信用等级进行评定，并将信息及评级结果公布在网站上，供贷款人参考。
根据国内目前各大网贷平台对借款人的审核要求，一般需要借款人提供身份证、是否购车、基本资产情况、收入情况、婚姻状况、文化程度、住房条件等资料信息，国外一些平台对借款人审核的条件还包括种族、性别、外貌长相、体重等信息。借鉴国内外P2P网贷平台信用评价指标的选取情况，考虑P2P网贷平台借款人的特点及平台业务需求，本文选取借款人年龄、住房、购车、收入、婚姻、文化程度、历史信用记录、性别、上传照片（代替外貌特征）、居住区域等信息指标，作为网贷平台借款人信用风险评估指标。由于所选指标部分是非数值变量，为了能准确地分析这些变量对借款人信用风险的影响，将性别、住房、地区等设为虚拟变量，将部分指标进行虚拟量化，量化结果如表1所示。
（一）年龄
网络信贷借款人的年龄主要集中在20―60岁之间，年龄较小的借款人储蓄能力较低，缺少良好的消费习惯，其违约风险较高；年龄较大的借款人收入水平较低、突发消费较多，其违约风险也相对偏高。因此年龄在34―45岁之间、拥有稳定工作收入的借款人信用较好，违约风险低。
信用风险评估范文第3篇
[关键词] 消费信贷 信用风险 项目风险管理 风险评估
在扩大内需和应对通货紧缩的过程中，从1999年起，我国启动个人消费信贷政策。自此信用消费逐步浮出水面，住房按揭、汽车贷款、教育贷款、信用卡等各种个人消费贷款的规模不断迅速扩大。在消费信贷热不断升温的形势下，各商业银行均把发展消费贷款作为未来发展战略的重要组成部分。消费信贷的蓬勃发展以及消费信贷业务风险与回报相对应的客观规律，使商业银行等授信机构在追逐巨额利润的同时，不得不面对巨大的潜在不良贷款风险，从而信用风险管理逐渐成为商业银行个人消费信贷管理的一个核心领域。
信用风险是我国商业银行长期以来面临的最主要风险，贷款质量决定着商业银行的生存与发展。因此，借鉴国外先进经验，开展个人信用评估研究，建立符合我国国情的个人信用评估模型，客观、全面、准确地评估消费者的还款能力和还款意愿，识别信贷申请人的个人信用风险，对信用风险进行有效的防范和控制管理具有重要的现实意义。
一、项目风险管理与个人信用风险评估的内涵
风险管理是项目管理的一部分，目的是保证项目总目标的实现。项目风险管理是为了最好地达到项目的目标，识别、分配、应对项目生命周期内风险的科学与艺术,是一种综合性的管理活动。项目风险管理的目标可以被认为是使潜在机会或回报最大化，使潜在风险最小化。
风险识别、风险估计和风险评价是项目风险管理的重要内容。在此基础上随时监控项目的进展，注视风险的动态，一旦有新情况，马上对新风险进行识别、估计和评价，并采取必要的行动，妥善地处理风险事件造成的不利后果，这就是项目风险管理的全过程。
在实践中，此全过程可以划分为风险分析和风险管理两个阶段。其中风险分析包括风险识别、风险估计和风险评价。在信用风险管理中，信用风险评估是基础和关键。
个人信用风险评估就是通过建立针对不同客户类别的信用评估数学模型，运用科学合理的评估方法，在建立个人信用档案系统的基础上，对每一位客户的信用资料内容进行科学、准确的信用风险评估。个人信用评估的自动化加速了整个信贷决策过程，申请人可以更加迅速地得到答复，提高了操作的效率。
对个人信用进行科学评估，建立科学的信用评估体系，是发展个人消费信贷、个人金融、家庭理财等业务的必然选择。信用评估可以较精确地估计消费信贷的风险，给贷款人提供了一个可靠的技术手段，避免不良贷款，控制债务拖欠和清偿。个人信用评估可以使贷款人更加精确地界定可以接受的消费信贷的风险，扩大消费信贷的发放。
二、个人信用风险评估体系的现状及存在的问题
在我国，个人信用风险评估体系尚不健全，个人信用长期没有评估，良好的信誉没有得到合理的优惠，欠债不还也没有受到相应的惩罚，使我国的个人信用较为脆弱，个人资信程度降低。
缺乏完善的消费者个人信用评估体系导致存在如下问题：
1.贷款审批时间延长、手续复杂。由于个人信用等级的核定不科学，经办人员为了保证信贷质量，控制信贷风险，必然会采取许多非常规手续来再核定消费者的信用级别。如延长与消费者的面谈时间、仔细鉴别消费者提供材料的真实性和消费者有无恶意借贷行为前科或恶意借贷意图等等。这些措施的执行，固然减少了风险的发生，但也不可避免地增加了申请消费贷款的手续，延长了审批时间。
2.导致非个人因素的信贷风险。消费信贷的特点是单笔业务数量小，但整体业务数量大，这样有限的银行消费信贷人员必须面对大量的消费信贷客户，形成了一个客户经理必须同时与几十个，甚至上百个客户打交道的局面。面对个体差异很大的消费信贷客户群体，单凭客户经理的工作经验，很难避免判断失误的情况发生，这样一来就导致了非个人因素的信贷风险。
3.影响消费者申办消费信贷的积极性。银行提供给消费者的是金融资金和附加价值即优质的金融服务。由于缺乏消费者个人信用评估体系，商业银行不可避免的采取多种措施来防止内部和外部可能存在的安全漏洞，但鉴于消费信贷一般有金额小的特点，繁杂的手续、漫长的审批时间弱化了其优质服务的附加价值，足以让消费者望而却步。
种种事实表明，制约消费信贷的，除了人们的收入水平、支出预算、消费观念外，最让银行放心不下的还是对个人贷款心里没底，担心发生新的信贷风险。从这个角度看，推广消费信贷，必须尽快发展个人信用评估体系。
三、发展个人信用风险评估的研究思路
针对目前个人信用评估体系存在的问题和不足，结合项目风险管理中的风险分析提出如下研究思路。
风险分析就是查明项目活动在哪些方面，什么时候，哪些地方可能潜藏着风险。查明之后要对风险进行量化，确定各风险的大小以及轻重缓急顺序，并在此基础上提出为减少风险而供选择的各种行动方案。
我国商业银行个人信用风险评估技术的应用和发展需要一个过程，下文从风险分析的三个组成部分加以阐述：
1.风险识别是风险分析的第一步，其目的是减少项目的结构不确定性。风险识别首先要弄清项目的组成、各变量的性质和相互间的关系、项目与环境之间的关系等。在此基础上利用系统的、有章可循的步骤和方法查明对项目可能形成风险的诸多事项。
通过设计好的个人信用评估模型，可以研究归纳出消费贷款的好客户所具有的特征，依此特征判断该客户是否是银行在消费贷款业务中应该争取的对象，同时识别该客户可能发生非正常还款的特征变量。非正常还款包括提前还款和逾期还款。
2.风险估计就是估计风险的性质、估算风险事件发生的概率及其后果的大小，以减少项目的计量不确定性。风险估计有主观和客观两种。主观的风险估计无历史数据和资料可参照，靠的是人的经验和判断。客观的风险估计以历史和资料为依据。
个人信用评估模型的使用是一个涵盖从接收申请到做出信贷决策全过程的自动识别系统。通常情况下，根据贷款申请人的相关特征变量计算信用风险，得出信用分数，从而获得申请人总的风险的评估值评估模型可以让商业银行信贷人员对申请者的信用价值进行准确的判断，从而有利于做出科学的信贷决策。在决策与确认的过程中，信用得分、管理政策和信贷人员的专业经验是决定信贷与否的三大关键因素。
3.风险评价就是对各风险事件后果进行评价，并确定其严重程度顺序。评价时还要确定对风险应该采取什么样的应对措施。风险评价方法有定量和定性的两种。进行风险评价时，还要提出防止、减少、转移或消除风险损失的初步办法，并将其列入风险管理阶段要进一步考虑的各种方法之中。
个人信用评估模型投入使用之后，对其进行监控是达到经营目的、实现盈利的重要保障。同时，评估模型的监控能够帮助商业银行识别新申请者的特征变化，提高商业银行风险控制和管理的能力，寻找和捕捉更多的市场机会。
从总体上看，评估模型的建立为消费信贷业务提供了风险评价的标准，但是模型需要得到正确充分的使用，模型的监控则可以随时作出修改决策，从而使模型更加准确。在实践中，风险识别、风险估计和风险评价绝非互补相关，常常互相重叠，需要反复交替进行。
未来发展个人信用风险评估的研究思路概括地说，先确立风险管理的目标，包括风险识别的完整性、可测和可控性、可操作性以及风险管理的拓展。同时针对每一个风险管理目标，要制定风险合理的实现措施，包括全面地引入风险管理理念；描述风险的数据进行数据库管理并对银行客户分类；借鉴国外的经验，建立审批专家模型；建立商业银行关于数据建立和挖掘的案例等。
银行经营和管理的对象本身就是风险，其风险管理的特性决定了银行的经营活动始终与风险为伴，其经营过程就是管理和经营风险的过程。在业务发展与风险管理之间找到动态平衡点是商业银行始终需要面临的重要课题。只有建立一套科学的信用风险评估体系，银行才能真正把握住国内日益壮大的消费信贷市场，赢得更广阔的发展空间。
参考文献:
[1]Kathy Schwalbe邓世忠等译:IT项目管理(第2版本)[M].机械工业出版社，2004.11
信用风险评估范文第4篇
【关键词】支持向量机；信用风险；ν-SVR；BP神经网络；贷款违约
1.引言
信用风险自古有之，是整个金融界所一直关注的热点问题之一。随着经济一体化和金融全球化步伐的加快，商业银行正处在一个更加复杂的金融环境当中。在这样的背景下，商业银行的风险逐渐由单一化演变为多元化，其经营管理中所面临的风险也必然随之增加。这些风险可以归结为信用风险、操作风险、市场风险等。这其中，最为重要的风险就是信用风险。广义的信用风险主要包括信贷风险和流动性风险等。信贷风险是指银行承担借款方可能违约而导致贷款无法收回的风险；而流动性风险是指银行自有资金不足，从而可能无法满足其存款人或其他债权人的资金索取而导致违约的风险，属于银行自身的信用风险。
基于《新巴塞尔资本协议》中提出的对资本充足率的要求，监管机构对于银行自身信用风险的控制进一步得到强化，银行管理者对于信用风险的防范意识也在逐步增强。改革开放以来，我国商业银行信用风险的内部监管制度正逐步建立。然而，由于金融体系建立较晚，我国金融市场的完善程度相对于发达国家来说仍处于落后地位。
目前，国家加快了发展市场经济的步伐，随着总理在2011年4月份的国务院常务会议中提出深化金融体制改革以来，打破国有商业银行垄断、推进利率市场化已经摆上了历史日程。利率市场化将逐步打破我国商业银行在融资体系中的垄断地位，使得商业银行将面临更大的竞争压力，承受更多的信用风险。
因此，鉴于日益突出的商业银行自身信用风险问题，建立一套有效合理的信用风险评价模型，对其进行科学评估已经成为信用风险管理的核心。然而，目前我国商业银行信用风险管理现状却令人担忧，表现在信用风险管理体系不健全、信用风险评估模型方法落后等。这就迫切需要为我国商业银行信用风险分析研究提供思路，构建一套符合我国商业银行客观需要的信用风险评估指标体系，建立可以准确衡量信用风险的模型，以用来填补我国商业银行在信用风险管理上的不足。
目前，国际上最具影响力的信用风险模型主要有KMV公司的KMV模型、J.P摩根公司的Credit Metrics模型以及麦肯锡公司的Credit Portfolio View模型。这些模型在国外的商业银行中已经得到了广泛应用，并且取得了较好的风险预测效果。然而，由于我国上市商业银行样本数量偏少以及反映信用状况的相关有效数据缺失等原因，导致这些模型无法在我国商业银行信用风险评估领域得到有效的应用[1]。
因此，针对我国上市商业银行信用风险的以上特点，本文将尝试引入支持向量机这种小样本学习算法，通过对银行关键信贷财务指标的研究，以期建立一套可以对我国商业银行自身信用风险状况进行评估的模型。模型以银行总体的贷款违约率作为评估商业银行信用风险状况的指标，采用支持向量回归机中较为前沿的分支模型 ，对样本数据进行训练，并与经典支持向量回归机模型和BP神经网络模型进行对比，研究各个模型在风险预测分析方面的表现。同时，对我国商业银行未来的贷款违约率进行预测，以此作为评估其信用风险大小的标准，对所有银行的风险进行排序。最后根据分析结果对银行的信用风险管理提出意见和建议，以期对我国商业银行风险管理提供参考。
2.研究内容及研究方法
2.1 研究内容
以商业银行信贷风险度量及管理的基本理论为基础[2]，本文将尝试引入统计学习理论中的支持向量机模型，通过对银行关键信贷财务指标进行研究，以期建立一套可以对我国商业银行自身信用风险状况进行评估的模型。同时，本文将对支持向量机不同的分支模型和其他的系统学习算法进行对比，检验不同模型在风险评估中的准确性以及对风险的可预测性，以此研究各个模型在风险预测分析方面的表现。得出在风险评估预测方面最优模型之后，本文利用训练效果最好的模型，对我国商业银行未来的贷款违约率进行预测，以此作为评估其信用风险大小的标准，对所有银行的风险进行排序。最后根据分析结果对银行的信用风险管理提出意见和建议，以期对我国商业银行风险管理提供参考。
2.2 研究方法
结合《新巴塞尔协议》的内容和目前我国上市商业银行的经营状况，本文将对我国商业银行的信用风险成因进行分析，选取与银行自身信用风险状况密切相关的关键信贷财务指标，以银行整体的贷款违约率作为衡量信用风险的依据，构建一个可以用来分析信用风险的财务指标体系。采用正向化处理和主成分分析的方法对原始财务数据进行线性降维和特征提取的预处理，并将当年的财务数据与第二年的贷款违约率进行对应匹配的处理，以此作为模型的训练样本。
在对银行财务数据进行预处理的基础上，本文引入支持向量回归机中较为前沿的分支模型、经典支持向量回归机模型 以及同来源于学习算法的BP神经网络模型对样本数据进行训练。同时，将三种模型分别采用遍历搜索的方法进行优化训练：对模型选取一个比较适用的Kernel核函数以及参数、和核函数中的参数；对于模型，选取一个比较适用的Kernel核函数以及参数、和核函数中的参数；而对于BP神经网络模型，选取输入层到隐含层以及隐含层到输出层的节点转移函数，并且挑选出适合的训练函数和网络学习函数，再用计算机筛选出最佳的隐含层节点的个数。
确定最优参数以及模型结构以后，本文采用已经分别最优化的三种训练模型，将样本输入到模型中进行训练，并对各个模型的训练和预测效果进行对比分析，选取出其中训练和预测精度最高的一种模型，以此来构建适合我国商业银行自身信用风险评估的度量模型。
本文最后将采用构建出的商业银行自身信用风险度量模型，结合所有中国上市商业银行近期的财务数据，对其衡量信用风险的未来贷款违约率进行预测，以此作为评估其信用风险大小的标准，对所有银行的风险进行排序。
本文的模型在训练过程中采用计算机仿真的技术，主要运用Matlab、SPSS和EXCEL等建模和统计软件对数据进行分析处理和训练。
网络学习过程包括信息正向的传播和误差的反向传播两个步骤，其模型结构如图1所示：
图1 BP神经网络结构图
由图1所得，在信息正向的传播过程中，样本从输入层输入，经过隐含层，经过连接权值和阀值的作用得到输出值，并与期望输出值进行比较。若有误差，则误差沿着原路反向传播，通过逐层修改权值和阀值。如此循环，直到输出结果符合精度要求为止。
除了激发函数、训练函数和学习规则外，BP神经网络的训练过程还需要设定隐含层神经元个数、学习度和最大训练迭代次数三个参数。其中，隐含层神经元个数可以凭经验决定，个数过少将影响网络的学习能力，而过多的神经元个数将大幅增加网络学习的时间；而参数学习度越小，将导致训练次数越多，但学习率过大，将影响网络结构的稳定性；最后，最大训练迭代次数由前两者共同决定，三者共同影响网络学习的效率。为了将BP神经网络达到最优的训练效果，本文在实证研究中对各个参数进行遍历搜索，以期筛选出可以互相配合、使得模型达到具有最佳训练效率的一组参数。
3.实证分析
本部分引入支持向量机和BP神经网络，建立商业银行自身信用风险评估指标体系，以我国上市商业银行的数据为样本进行训练，筛选出最优风险预测评估模型。
如表1所示，本文对商业银行的13个关键信贷财务指标提取出6个主成分，分别为盈利能力、经营能力、资本结构、流动性、资本充足性和安全性。其中，表格右侧一栏表示每个财务指标对于商业银行信用风险的作用方向，“+”代表减少信用风险的指标，“-”代表增加信用风险的指标。
上文通过将样本分别输入模型、模型以及BP神经网络（BPN）模型进行训练，并分别对模型进行了优化设计。根据以上得出的三种最优化的训练模型，再分别输入我国商业银行2007年、2008年和2009年三年的财务数据，模拟计算出2008年、2009年和2010年的贷款违约率，并与各银行当年实际的贷款违约率进行比较，以此分析模型对训练样本的检测结果。模型对商业银行2008年的贷款违约率的检测效果如表2和图2所示：
分析表3至表4三年贷款违约率的检验效果，可以得出模型的训练效果优于模型和BP神经网络模型，即模型每年对贷款违约率的拟合效果较好，检测精度较高。为了进一步验证本文的结论，选取商业银行实际贷款违约率和检验值之间的相关系数和均方误差（Mean Squared Errors，MSE）对三个模型的检测效果进行综合评判，结果如表5所示：
表5 模型检验效果的评判结果
从表5可以看出，模型的训练效果无论在相关系数和均方误差MSE的检验上均优于另外两种模型。因此，可以得出模型在商业银行信用风险的训练中具有最优的检验效果。
除了对模型的样本检验效果分析外，本文再对最优化后的模型进行预测效果的评价。具体地，输入2010年的财务指标，预测出2011年各商业银行的贷款违约率，并与实际的贷款违约率进行比较，以此判断模型的预测效果，结果如表6所示：
从上表7可以看出，模型的预测效果无论在相关系数和均方误差MSE的检验上均优于另外两种模型，并且预测出的贷款违约率与实际的贷款违约率之间的相关系数超过了0.95，具有比较精确的预测能力。因此，在对商业银行信用风险评估中，模型具有更高的评测精度和较小的预测误差，是一种更为科学合理的评估方法，可以为商业银行的信用风险管理提供新的参考。
4.结论
支持向量机是一种基于小样本学习理论的通用学习算法，具有严格的理论基础，能较好地解决小样本、非线性、高维数和局部极小点等实际问题。经过多年的发展，支持向量机已经衍生出多种改良形式和优化模型。其中，模型是一类具有较高预测精度的支持向量回归机，在多个领域已经得到了广泛的应用，取得了较好的预测效果。
针对于目前我国商业银行信用风险管理体系的不足以及国内上市商业银行的样本数量偏少的情况，本文引入了模型来评估商业银行自身的信用风险。利用主成分分析建立商业银行信用风险评估指标体系，并构建基于模型的商业银行信用风险评估模型。通过与模型和BP神经网络模型训练效果的比较，发现模型在商业银行信用风险的训练和预测中都具有更高的精度。
本文最后根据优化训练完毕的模型对我国所有上市商业银行未来的信用风险进行了预测，得到了我国商业银行整体信用风险可能上升，并且国有银行和股份制商业银行都将面临更大信用风险的结论。因此，根据以上的分析，模型为商业银行的信用风险管理提供了更为有力的辅助工具，可以推广到更多金融领域的风险评估当中。
尽管本文从模型的优化设计、训练样本的匹配选取以及银行自身信用风险的度量角度三个方面对我国商业银行信用风险的评估研究做了一些开创性的工作，取得一定的研究成果，但还存在需要进一步完善和深入研究的问题，这些问题主要是：
（1）本文所引入的模型的算法可以与交叉验证和选块、分解等方法配合使用，改进模型中对于参数优化设计的步骤和思想，以此可以改良原有模型的算法，进一步提高模型对商业银行信用风险的预测精度；
（2）对于建立起的商业银行信用风险评估指标体系，应该结合我国商业银行实际面临的信用风险结构以及资产配置状况进行调整，并且可以根据不同类型的银行分别采用不同的信用风险评估指标体系，以此针对不同银行构建起更加合理的信用风险评估模型。
参考文献：
[1]曹道胜，何明升.商业银行信用风险模型的比较及其借鉴[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.统计学习理论的本质[M].张学工译.北京：清华大学出版社，2000.
[10]张学工.关于统计学习理论与支持向量机[J].自动化学报，2000，26（1）：32-42.
[11]邓乃扬，田英杰.支持向量机——理论、算法与拓展[M].北京：科学出版社，2009.
[12]顾亚祥，丁世飞.支持向量机研究进展[J].自动化学报，2011，38（2）：14-17.
[13]刘建伟，李双成，罗雄麟.P范数正则化支持向量机分类算法[J].自动化学报，2012，38（1）：
76-87.
[14]李倩，郑丕谔.基于支持向量机的企业现金流量评级[J].内蒙古农业大学学报（社会科学版），2007，9（6）：86-87，93.
[15]吴冲，夏晗.基于支持向量机集成的电子商务环境下客户信用评估模型研究[J].中国管理科学，2008，16（S1）：362-367.
[16]李翀，夏鹏.后验概率支持向量机在企业信用评级[J].计算机仿真，2008，25（5）：256-258.
[17]余晨曦，梁潇.基于支持向量机的商业银行信用风险度量模型[J].计算机与数字工程，2008，36（11）：10-14.
[18]孙彬，李铁克.基于v-SVR的金融股指预测及选时策略研究[J].统计与决策，2010，38（3）：
45-48.
[19]胡海青，黄铎，武晟.基于SVM的股份制商业银行利益相关者对资本配置绩效影响的仿真研究[J].管理工程学报，2010，24（4）：148-154.
[20]约翰·赫尔.风险管理与金融机构[M].北京：机械工业出版社，2010，2.
[21]Shawe-Taylor J，Cristianini N.Kernel Methods for Pattern Analysis[M].New York：Cambridge University Press，2004.
信用风险评估范文第5篇
关键词:高速 融资 租赁 评估 模式
一、前言
投融资模式的含义指以项目建设或相应组织结构背景和名义，其形式多样，比较灵活，以预期收益为动力，其各种形式均要保证低风险运行，在建设特定项目目标时，可以通过投融资模式获取大量资金用于项目生产运营。本论文以我国高速公路运输设备的融资租赁方式为例，建立相应模型进行分析，运营的主体是融资租赁企业，采取多方参与的方式，如商业银行，生产制造商、高速公路运输公司等，资本的运营方针策略是对高速公路运输设备进行投资，这样可以使高速公路运输行业的资本增加。
本文将融资租赁模式应用于分析我国高速公路运输行业的运营上，融资租赁模式，其主要原因是结合融资租赁模式的研究和我国高速公路运输行业面临风险的研究，是一种比较特殊的债务融资方式。在整个高速公路运输行业服务中，高速公路运输商在其项目建设中，对其而言风险是能否获得需要的资金购买某设备，其出租人、租赁公司能否使其在低成本下融资、投资与收益是否能平衡。对总体融资租赁模式进行相关分析可得出，融资租赁模式所有参与者的风险是相互关联、相互影响的。因此对融资租赁模式中各个相关参与者之间的联系及其面临的各种相关风险进行研究和分析，对于使所有高速公路运输行业参与者合理预测和回避风险有着较强的实际意义。
二、高速公路融资租赁信用风险评估
估计风险是指在对风险事件资料分析的基础上，利用概率统计的方法对风险事件和不利事件发生的可能概率及导致损失做出定量的估算的过程，定量的测量风险事件。例如，美国的一种估计风险的方法―骆驼评级法码主要研究的就是风险事件的大小问题”。在对研究项目进行风险估计和分类后，可以运用骆驼评级法码计算风险事件的大小。相关的使用人员可以通过风险事件资料分析和估算加强对研究问题的理解及问题环境的了解，对风险进行全面有条理估计，从中可以获得实现目标较好的途径和方法，提高项目可性。因此，要合理预测各个计划措施的后果，以便建立风险估计模型，通过模型的建立可以列出一切设想结果和各种计划方案。风险估计是按照行动的这一机理建立的，它有条不紊地把可能的都罗来作为行动方案。因此无论任何情况都可以用风险估计模型进行评价，要分析和研究上述问题后，将建立起来的众多风险估计模型组合在一起进行工作，才能计算出各每个风险估计模型所能预测的相应风险事件组合起来的整体效果和模式主体能接受的风险事件的整体效果。评价选择测试模型研究的是事件各个过程中的的总风险及其之间的作用，另外就是事件的总体影响。事件总体风险是指在把单位风险事件量化处理，利用科学理论的方法，在计算和评估的基础上进行相关计算来得出时间的整体综合风险值。
三、高速公路融资租赁信用风险评估的可行性
一般来说,对于高速公路融资租赁模式经济可行性分析和评价，有以下三种方式，其分别为:
(1)简单的成本比较方法。简单的成本比较方法是相对于其他方法来讲相对比较简单，它不会计算货币的时间价值，直接比较购买成本和租赁成本，因此该方法主要适合于周期相对较短的经营性租赁。本篇文章主要分析的是融资性租赁，该租赁方式的租赁期限比较长，不适合采用该方式进行比较。
(2)成本现值比较法。该方法就是把其他任何时期产生的成本折算为现有的价值进行比较。企业在进行方案分析时，如果遇到两个或更多的项目的经济效益相近时，可以采用这种方法进行比较分析。通常来讲，经营性租赁可以采用成本现值比较法，但是针对融资租赁来讲，成本现值比较方法和净现值比较法都能够采用。
(3)净现值比较法。净现值就是指项目远期的资金流入量的现有价值与租赁项目远期的资金流入量的现有价值之间的差额，也称S2。
四、高速公路融资租赁信用模式
净现值比较法是西方某经济学者“经济人”作为前提，提出基本假设 “经济人假设”，经济人假设也是本论文构建融资租赁模式的理论基础和依据，经济人假设内容是：人们目标是以自己利益最大，并且完全了解自己所处在环境和环境中各项信息和知识，对信息和知识的认知程度十分丰富并且及其透彻清晰。在交易中人们会逐笔地评价其风险和收益，以便采取相应的措施和手段，以便对自己更加有利，作为个人,无论其地位如何,本质是一样的―追求个人收益最大化,满足个人需要，经济人假设的融资租赁模式运行过程及其分析为:第一，对于承租人(高速公路运营商)来讲，申请贷款的方式是，凭借承租人预期的盈利做为担保的条件和代价来进行，通过银行对其生产特性和信用级别的评价，使其在相应的条件下风险降到最低，使租赁人愿意投资和贷款，以便其获得最大的资产使用权限。第二，对投资的银行来讲，在保证未来收益稳定的前提下，在较低风险下获得较高的收益;第三，在银行的贷款利息小于投资人预期收益率 (r ＜ R)时，在高收益的引诱下，将自有资金进行投资，参与到融资租赁模式中去，以便获的更多收益;第四，对生产商来讲，其加入融资租赁模的模式是扩大其销售，以此获得更大利润；第五，对融资租赁公司来讲，其获得更大利润的方式是有效地运作其资金、合理管理融资租赁业务。综上所述，本论文讨论的融资租赁模式是高速公路而言是项有实用价值和经济效用的模型。
五、结论
本文通过高速公路融资租赁风险的评估和模式的分析，提出风险评估的可行性判断，不仅对于高速公路行业，对于融资租赁行业的风险评估都具有一定的指导意义。
参考文献：
［1］ 王春峰，李汶华.小样本数据信用风险评估研究，管理科学学报，2001 (1)：28-32
