基于神经网络专家系统的信用风险度量方法研究

摘要

随着国际金融领域竞争的空前加剧及大规模贷款组合的不断发展，传统的信用度量方法已不能满足人们的需要。就我国实际情况而言，银行经营效益低下，呆账、坏账增加固然有体制上的原因，但忽视信用风险分析和管理方法的研究，对信用等级进行不合理的度量也是一个不容忽视的原因。以往的研究多集中于对定量指标的分析，模型使用范围较狭窄，本文力图建立定性与定量指标相结合的信用风险度量模型，以期能有更强的使用性。本文以信用风险度量、专家系统和神经网络等领域知识为基础，首先对信用风险成因及目前采用的度量方法做了简单介绍，并对BP神经网络模型、专家系统的构建以及运行原理进行了系统的研究，确定了专家系统支持神经网络的信用风险评估模型。其次，确定了模型网络结构、学习参数和学习算法及模型划分的方法和依据，构建了定量指标，定性指标相结合的信用风险评估模型，最后对构建的模型进行了仿真和验证，结果表明该模型在风险度量方面具有一定的优越性。

目录

文摘

英文文摘

声明

1引言

1.1课题提出的背景与意义

1.2国内外研究现状

1.3研究思路的与分析框架

2信用风险理论及模型介绍

2.1信用风险基本理论

2.1.1信用风险的来源

2.1.2信用风险的内涵

2.2信用风险度量方法与评价

2.3商业银行的信用风险

3人工神经网络、专家系统的结构及应用

3.1人工神经网络的结构及原理

3.1.1人工神经网络的结构

3.1.2单层感知器及其学习算法

3.2基于BP算法的人工神经网络

3.2.1多层前向网络与反向传播网络

3.2.2 BP学习算法

3.3专家系统的定义及分类

3.4专家系统的结构原理及应用

3.4.1专家系统的结构原理

3.4.2专家系统在文中的应用

4信用评价模型在Matlab中的实现

4.1 Matlab神经网络工具箱简介

4.2数据处理

4.3神经网络结构层的确定

4.3.1网络层数的确定

4.3.2各层节点数的确定

4.3.3传递函数确定

4.4算法确定

4.5目标误差确定

4.6初始权值和学习率的选取

5实证研究

5.1指标选取与确定

5.1.1市场竞争力分析

6.1.2流动性分析

5.1.3管理水平

5.1.4其它指标

5.2数据采集与处理

5.3隐含层节点数确定

5.4输出函数确定

5.5算法及循环次数确定

5.6训练模拟

6结论及政策建议

6.1结论

6.2政策建议

致谢

参考文献

附录