学位论文 > 优秀研究生学位论文题录展示

神经网络技术在商业银行信用风险评估系统中的应用研究

作　者: 陈诚高
导　师: 金远平；缪建平
学　校: 东南大学
专　业: 软件工程
关键词: 信用风险神经网络 BP学习算法信用风险评估模型
分类号: TP319
类　型: 硕士论文
年　份: 2006年
下　载: 614次
引　用: 3次
阅　读: 论文下载

内容摘要

计算机和网络技术的发展使我们进入了信息化时代,也使我们面临一系列的问题,其中最主要的是数据量的不断增长和数据之间关系的不断复杂化。如何对信息化过程中积累的大量数据进行全面深入的分析,发掘蕴含在这些数据中潜在的有价值的知识成为各个领域急需解决的一个热点问题。为此,数据挖掘技术应运而生,并在各个领域得到广泛的应用,显示出越来越重要的价值。随着数据挖掘在各个领域内的不断研究和应用,出现了许多优秀而实用的数据挖掘技术,神经网络技术就是其中之一。神经网络是指为模拟人类神经细胞群学习特性的结构和功能而构成的一种智能数据分析系统,它具有很强的自组织、自学习和自适应能力,适应于复杂环境和多任务控制的要求,具有以任意精度逼近任意非线性连续函数的特性。因此,神经网络很适合处理非线性数据和含有噪声的数据,在商业银行信用风险评估中具有很好的应用前景。信用风险评估是一个传统而古老的课题,在国外已经有了很长时间的发展历史,对信用风险的度量逐渐从定性数据分析向定量数据分析转变,对信用风险的评估也开始采用模型化的方法。而在国内,由于对信用风险评估的研究起步较晚,采用的信用风险评估技术仍处于初级阶段,远远不能满足各商业银行适应国际金融行业市场竞争的需要。因此,加速我国信用风险评估的研究工作,尽快找到适合我国商业银行实际情况的信用风险评估方法和模型,为商业银行的贷款决策提供依据,使商业银行的信用风险管理更合理、更科学和更有效,从而最终提高我国商业银行的竞争力,将具有十分重要的意义。在解决信用风险评估问题时,神经网络技术具有其独特的优势,其中最重要的是神经网络的非线性映射能力。通过前向型神经网络,可以很好地实现信用指标和信用等级之间的非线性映射关系,从而达到对客户按其指标数据进行信用等级分类的目的。本文在对我国商业银行,特别是城市商业银行信用风险评估现状和应用特点进行深入研究的基础上,结合各数据挖掘和神经网络技术的特点,提出了基于BP网络的信用风险评估模型,并对提出的模型进行了改进和验证,为商业银行信用风险评估提供了可行的解决方案。具体来说,本文做了以下方面的工作:(1)全面综合地介绍了信用风险评估、数据挖掘和神经网络等领域知识,以清晰的结构展现了论文研究所依赖的知识体系。(2)对神经网络模型和信用风险评估之间的关系进行了全面研究和说明,使本文选择神经网络进行商业银行信用风险评估具有说服力。(3)对BP网络模型的构建以及训练进行了系统的研究,包括模型的网络结构、学习参数和算法存在的问题以及学习算法的改进等,在此基础上,确定了信用风险评估模型的网络结构、学习参数和学习算法。(4)建立了按行业分类,以定量指标为主,定性指标为辅的信用风险评估指标体系,并给出了信用指标数据预处理的技术和方法。(5)按照Z行信用数据的特点,确定了信用风险评估模型模式划分的方法和依据。(6)以工业企业评估模式为例,探讨了信用风险评估模型构建的过程,并分析了模型学习参数、初始权值和学习算法对信用风险评估的影响。在此基础上,构建了该模式下的信用风险评估模型,并对构建的模型进行了仿真和验证。实验结果数据说明了该模型的合理性与有效性。

全文目录

摘要  4-5
ABSTRACT  5-9
第一章绪论  9-13
  1.1 论文选题的依据及其意义  9-10
  1.2 国内外研究现状及发展趋势  10-11
  1.3 论文的结构  11-13
第二章商业银行信用风险概述  13-21
  2.1 银行信用风险  13-14
    2.1.1 信用风险的定义  13
    2.1.2 信用风险评估的理论基础  13-14
  2.2 银行信用风险的度量  14-15
    2.2.1 标准法  14
    2.2.2 内部评级法（IRB 法）  14-15
  2.3 银行内部信用评级  15-17
    2.3.1 信用风险等级  15-16
    2.3.2 信用风险评级步骤  16-17
  2.4 银行信用风险评估指标  17-19
    2.4.1 信用评估的要素  17-18
    2.4.2 穆迪公司企业信用风险评估指标  18
    2.4.3 国内常用的企业信用风险评估指标  18-19
  2.5 信用风险评估方法  19-21
    2.5.1 专家制度法  19-20
    2.5.2 信用评分方法  20-21
第三章基于数据挖掘的信用风险评估系统  21-33
  3.1 信用风险评估系统概述  21-24
    3.1.1 背景介绍  21-22
    3.1.2 系统功能和目标  22-23
    3.1.3 数据挖掘的必要性和可行性分析  23-24
  3.2 数据挖掘在信用风险评估中的应用  24-29
    3.2.1 数据挖掘概述  24-25
    3.2.2 数据挖掘过程及信用风险评估流程  25-26
    3.2.3 数据挖掘在信用风险评估系统中的作用  26-27
    3.2.4 用于信用风险分类的数据挖掘方法  27-29
  3.3 神经网络挖掘方法  29-33
    3.3.1 神经网络基本原理  29-30
    3.3.2 神经网络的学习  30-32
    3.3.3 分类、神经网络和数据挖掘在系统中的关系  32-33
第四章基于前向型神经网络的信用风险评估模型  33-41
  4.1 BP 神经网络概述  33-37
    4.1.1 网络的拓扑结构  33-34
    4.1.2 三层BP 网络的学习原理  34-36
    4.1.3 BP 网络学习算法  36-37
  4.2 信用风险评估神经网络模型  37-41
    4.2.1 应用BP 网络模型的合理性及主要工作  37-38
    4.2.2 评估模型的网络结构  38-39
    4.2.3 评估模型的学习参数  39
    4.2.4 评估模型学习算法的改进  39-41
第五章神经网络模型在信用风险评估系统中的应用  41-65
  5.1 系统架构  41-42
  5.2 信用风险评估指标体系的建立  42-44
  5.3 指标数据的预处理  44-47
    5.3.1 离散指标的量化  44-45
    5.3.2 缺失数据的处理  45
    5.3.3 定性指标的归约  45-46
    5.3.4 指标数据归一化  46-47
  5.4 样本数据及评估模型的模式划分  47-54
    5.4.1 评估模式的确定  47-49
    5.4.2 样本数据的准备  49-54
  5.5 信用风险评估模型的构建  54-60
    5.5.1 信用风险评估分类模型  54-55
    5.5.2 学习参数和初始权值对评估模型的影响  55-57
    5.5.3 评估模型算法的改进  57-60
  5.6 评估模型实例分析与评价  60-65
第六章结论  65-67
致谢  67-68
参考文献  68-70
个人简介  70

神经网络技术在商业银行信用风险评估系统中的应用研究

内容摘要

全文目录

相似论文