前言：中文期刊網精心挑選了商業銀行信用風險分析范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
商業銀行信用風險分析范文1
(1)設定風險期。遵循風險計算的習慣,設所要測量的風險期間為1年。
(2)設定信用評級系統。每個債務人在年初都被賦予一個信用評級,具體的評級數據一般由外部權威評級機構提供。我們舉例的互換業務信用級別為AA級,為某銀行3年期的固定互換協議,面值10萬美元,經過對該銀行相關業務的長期觀測,得到該互換一年期末的平均頭寸為65000美元,測量年限內利率為6%。
(3)設定信用評級轉移矩陣。轉移矩陣給出了債務人在風險期從當前評級狀態轉移到其他所有評級狀態的概率或可能性。我們這里采用標準普爾的信用評級轉移矩陣。
(4)設定利差溢價。利差溢價等于當前債券價格與相同期限無風險利率之間的差額。首先我們要選定無風險收益率參照標準,對于我國銀行來說,雖然目前我國商業銀行資金不被允許直接進入證券市場,但是商業銀行可以承銷或購買國債,因而國債即成為銀行除了貸款和中間業務以外的風險最低的投資經營項目。因此這里我們選擇以國債收益率作為銀行資產定價的標準,再根據遠期收益率的計算公式(l+Xi)(l+ri)i=(l+Xi+1)i+1,可以推導出遠期收益率。我們選取2009年6月29日和6月30日兩天國債市場收益率數據,處理后的得到的利率如下:表1即期收益率和遠期收益率
由于我國債券市場的風險溢價評估尚不成熟,沒有風險溢價數據可以借鑒,這里我們采用了Credit Metrics數據庫中的美國債券市場風險溢價數據(表2),這樣同時還可以反映出國際市場的平均水平。利用上面計算出的遠期無風險收益率加上對應的風險溢價,就可以得到遠期風險溢價曲線。
(5)設定債券的違約損失率。
基于互換業務的性質,我們把其歸為高級無擔保這一類,被廣泛引用的凱迪和利波曼關于債券以及銀行債項的研究結果中,高級無擔保這一評級的違約回收率為52.13%。這就是說,如果年底出現違約,則評定它的未來價值是原有價值的51.13%,也即違約損失率為1-51.13=48.87%。
(6)計算VAR值。
要計算互換的VAR值,首先要計算出互換業務在考察期內的價值,利用前面準備好的數據,通過遠期收益率和遠期無息收益率我們可以計算互換的現值。由互換業務的現值公式,將前面得到的即期和遠期收益率數據帶入公式可以得到FV=101880美元。
由于某信用等級的互換一年期末的價值V=它的現值FV-與其同信用等級的期望損失EL,期
因而期望價值=FV-22.78
標準差=5595.91
商業銀行信用風險分析范文2
關鍵詞：銀行;信用風險;改進
一、引言
信用風險，是指由于借款人或市場交易對手違約導致經濟損失的可能性。廣義的信用風險還包括由于借款人或市場交易對手信用評級降低導致資產市場價值下降而引起經濟損失的可能性。我國商業銀行面臨的信用風險問題十分突出。長期以來，我國商業銀行的利率受到央行管制，導致其一直處于存貸利差較大的局面。20世紀90年代，信用風險管理方法取得突破性進展。主要表現在以CreditMetrics模型為代表的信用風險量化模型的成功開發，信用風險管理也因此由基于財務指標的模型分析階段跨入了現代信用風險模型分析階段。CreditMetrics模型被成功開發后，國內外學者對其展開了深入研究。Bassamboo.A（2008）使用CreditMetrics模型有效地通過蒙特卡羅模擬法計算信用風險；Anonymous（2009）構建了樣本債務公司個數分別為1000、5000、10000的三種貸款組合，運用CreditMetrics模型進行信用風險的計算，實證結果較好，而且針對非交易性金融資產可以進行信用風險預測和度量；肖杰、杜子平（2010）以兩筆貸款組合為例，運用CreditMetrics模型對貸款組合的信用風險進行實證分析。通過實證研究削弱CreditMetrics模型中存在的局限性，從而更準確地測算違約率；牛曉?。?012）借鑒CreditMetrics模型的思路，在國內首次計算了供應鏈融資的風險轉移矩陣，對我國商業銀行開展的供應鏈融資進行量化風險測度，揭示其風險程度，為商業銀行如何進行供應鏈融資風險管理提出切實可行的建議。，梅盼盼（2016）對CreditMetrics模型進行了改進。
二、模型改進
（一）CreditMetrics模型的改進思路。目前，全面引入CreditMetrics模型應用于國內商業銀行信用風險量化仍面臨一系列的困難，主要體現在以下幾個方面：1、國內商業銀行未建立起有關信用資產的歷史數據庫。CreditMetrics模型中信用等級轉移矩陣是以大量歷史數據為基礎的，我國商業銀行目前無法提供該數據；2、國內信用評級體系尚不成熟。我國缺少權威的評級機構，銀行內部信用評級體系不完善也不統一，未達到CreditMetrics模型的要求；3、我國利率市場化進程緩慢。由于缺少準確的基準貼現利率，因此估計信用資產的現值存在困難。與信用評級在我國應用不夠普及和不夠完善不同，信貸資產五級分類法在國內商業銀行已經普遍被使用，且具有以下幾個方面的特點：（1）覆蓋面廣。信貸資產五級分類法是央行強制要求的，覆蓋了公司類、機構類、個人類等所有信貸客戶；（2）歷史數據豐富。信貸資產五級分類法是目前我國商業銀行信用風險管理的基礎，因此各商業銀行的信貸管理信息系統都有豐富的分類信息，歷史數據完善；（3）數據更新及時。根據央行規定，信貸資產五級分類法采用實時分類，至少一個季度進行一次分類；（4）反映的風險情況更真實。在客戶信用評級中，較少考慮債項的具體情況，而信貸資產五級分類法已充分考慮貸款條件及擔保情況。因此對于具體債項，五級分類法更能真實反映我國商業銀行所面臨的信用風險。（二）.新CreditMetrics模型的假設。1、貸款發生后，其未來的價值和風險完全由遠期利率決定。模型中的唯一變量是離散的貸款風險等級，每個貸款風險等級有對應的遠期利率曲線；2、同一貸款風險等級的貸款是同質的。同一貸款風險等級的貸款擁有相同的轉移矩陣和違約概率，轉移概率遵循馬爾可夫過程，且實際違約概率與歷史違約概率相等；3、風險期限是固定的，通常為一年；4、違約不僅指借款方到期沒有償還款項，還包括貸款風險等級下降所導致的信貸資產市場價值的下跌，并且違約事件發生在債務到期時。
商業銀行信用風險分析范文3
我國商業銀行信用風險管理問題研究分析
1 中國商業銀行信用風險管理存在的問題
1.1 銀行體制存在缺陷 改革開放以前，中國是計劃經濟體制，大財政、小銀行是金融的基本格局，銀行制度則以高度集中計劃管理和行政約束為主要特征。經過多年改革，國有商業銀行公司治理結構取得了很大進展。但是，中國現代商業銀行制度還未真正確立，現代公司治理結構這一根本性問題仍待進一步解決。公司治理結構根本性缺陷是商業銀行改革難以深化的焦點,也是信用風險產生的根源。公司治理方面的缺陷不但使得中國商業銀行信用風險管理基礎薄弱，而且也嚴重制約了國有商業銀行的發展。
商業銀行信用風險分析范文4
關鍵詞：商業銀行；信用風險；信貸資產規模
一、引言
一直以來，我國商業銀行信貸資產在總資產中的規模占比較大，商業銀行最重要的收入來源是信貸資產。據統計，四大國有銀行以及交通、招商、民生等在內的13家上市銀行2011年年報顯示，2011年多數上市商業銀行營業收入中超過70%來自于利息差。利息差收入占營業收入比重最高是浦發銀行，為90.46%，建設銀行最低也有62.21%，平均比重高達80.71%1。在國內利率并沒有充分市場化的背景下，存貸息差帶來的收入對中國商業銀行至關重要，商業銀行對信用風險的管理和轉移成為商業銀行最主要的經營目標。能夠有效管理商業銀行的信貸風險、實現貸款規模的優化配置，成為商業銀行提高利潤的重要手段。
相比之下，我國的信貸風險轉移市場建設相對落后，商業銀行在資產管理和配置信用風險的過程中，可以利用的信貸衍生工具相對較少。另一方面，由于國內利率非市場化，匯率制度缺乏彈性，我國的金融衍生品市場發展不健全，相關的法規和制度并不健全。在商業銀行的信貸規模不斷擴大的基礎上，如何利用信用衍生工具來進行風險管理成為當務之急。數據顯示，到2012年7月，我國商業銀行的信貸資產余額已經突破60萬億元，同時信用債券市場余額也已經超過5萬億元。因此，龐大的信貸資產和信用債產品，對我國商業銀行信用風險管理能力提出挑戰。
加入WTO以后，隨著我國經濟實力增強，金融市場對國民經濟的影響越來越大，我國銀行業積極推行市場化改革和整體上市，加快了我國金融市場的開放和與國際接軌的步伐。在商業銀行治理方面，我國商業銀行積極推行巴塞爾《新資本協議》，根據我國經濟制度和實際情況，制定了一系列商業銀行監管政策與指引文件，為國內商業銀行科學管理資本、合理緩釋資本計提提供了政策基礎與操作指南。2012年，銀監會正式《商業銀行資本管理辦法（試行）》，明確了在巴塞爾《新資本協議》框架下，合格信用衍生工具在內部評級法下的資本緩釋作用。在商業銀行信用風險轉移市場的發展過程中，中國銀行間市場交易商協會推動了國內商業銀行信用風險轉移市場的建設。其中，2009年中國銀行間市場交易商協會推出了《中國銀行間市場衍生產品主協議》，又稱NAFMII主協議，成為中國銀行間衍生品市場的綱領性文件。目前，NAFMII主協議成為商業銀行參與信用風險交易的主協議，境內中外資商業銀行要從事人民幣衍生品業務，都必須彼此簽署NAFMII主協議。NAFMII主協議不僅在中國境內有效，而且在境外業務中也適用。此后，參考國外信用違約互換（CDS）協議的基本格式，2010年中國銀行間市場交易商協會又推出了《信用風險緩釋工具（CRM）業務指引》，目前主要包括兩種信用風險緩釋工具：信用風險緩釋合約（CRM Agreement，CRMA）和信用風險緩釋憑證（CRM Warrant，CRMW）。CRM業務上線，改變了國內商業銀行長期缺乏信用衍生品工具的局面，為我國商業銀行有效管理信用風險，提高資本利用效率、優化配置信貸資源提供了有效的市場化工具。據中國銀行業交易商協會統計，自2010年10月CRM上線以來，目前共有27家CRM交易商、14家CRM核心交易商和23家CRMW創設機構完成備案。與此同時，11家交易商達成了23筆CRMA交易，名義本金合計19.9億元人民幣；3家創設機構創設的4只CRMW已于2011年11月23日全部創設成功，名義本金合計4.8億元。
信用風險轉移工具的使用以及信用衍生品市場的發展壯大，將會不斷改變我國商業銀行的資產負債表結構，推動商業銀行風險經營管理水平的提高，為我國銀行業的健康發展開辟道路。本文分析了信用風險轉移在商業銀行資產管理中的主要作用，使用2003-2010年我國商業銀行的基本數據，分析了商業銀行參與信用風險轉移市場的交易對商業銀行信貸資產規模的主要影響，實證分析了商業銀行參與信用風險交易對商業銀行最優信貸規模的影響。本文接下來的安排如下：第二部分是文獻綜述，概括了信用風險在商業銀行經營管理中的地位和信用衍生品市場的主要作用；第三部分構建了商業銀行最優信貸規模的計量模型，并分析了影響了商業銀行最優信貸規模的功績和需求因素；第四部分是實證檢驗，使用動態面板估計技術實證檢驗商業銀行參與信貸市場交易的主要影響；最后是主要結論和相關的政策建議。
商業銀行信用風險分析范文5
關鍵詞：長沙銀行；信用風險評估；措施；建議
信用風險分析是對可能引起商業銀行信貸資產風險的因素進行定性分析，定量計算，目的在于說明借款人違約可能性，從而為貸款決策提供依據。金融風險管理已成為我國目前經濟生活中一個非常重要的問題。
一、長沙銀行信用風險評估現狀分析
長沙銀行成立于1997年5月，是湖南省首家區域性股份制商業銀行。成立12年來，長沙銀行取得了喜人的發展成績。緊緊圍繞“政務銀行、中小企業銀行、市民銀行”的特色定位，以及“四個三”的客戶發展計劃，初步形成了自身的經營特色和核心競爭能力。由于信用評價制度是一個復雜的系統工程，涉及到各方面的因素，同時我國信用評價研究起步較晚，目前我國尚未建立一套全國性的客戶信用評價制度與體系。長沙銀行對貸款企業進行信用評級的主要做法是：根據評估的需要設置若干組評估指標，對每一指標規定一個參照值。如果這一指標、達到參考值的要求就給滿分，否則扣減該指標的得分。最后將各指標的得分匯總，并按總分的高低給貸款企業劃定信用等級，作為貸款決策的依據。該種方法的不足之處在于：（1）評級指標、體系的構成是通過內部信貸專家確定的，缺乏定量化，具有不確定因索，有待進一步深入研究。（2）指標、權重的設置主要依靠專家對其重要性的相對認志來設定，缺乏科學性及客觀性。（3）缺少對貸款企業各方面能力的量化分析，在對償債能力等重要指標上只采用直接觀察法，憑經驗據報表估計其能力，有很大的主觀性。（4）缺少對非財務因素的分析和現金流量的量化預測。
二、加強長沙銀行信用風險評估建設
（一）完善信用評價指標體系和評價方法
長沙銀行要建立內部評級體系，既要學習借鑒國外模型的理論基礎、方法論和設計結構，又要緊密結合本國銀行系統的業務特點和管理現狀，研究設計自己的模型框架和參數體系。要充分考慮諸如利率市場化進程、企業財務欺詐現象、數據積累量不足、金融產品發展不充分、區域風險差別顯著、道德風險異常嚴重等國內特有因素。只有深刻理解中國的金融風險，才能建立起有效的風險評級模型，這需要信用風險系統設計師不僅掌握先進理論方法，還能夠對長沙銀行的現實問題提出技術對策。
（二）加強培訓，提高銀行評級人員的素質
長沙銀行應加強與國際專業評級機構如穆迪公司、標準普爾公司合作，加快培養、建立評級專業人才隊伍，負責內部評級實施和維護工作。同時聘請國外銀行和評級公司的專家，對這些人員進行集中培訓，或派往國外培訓，使之成為風險量化專家和未來的金融工程專家，為國內商業銀行新型評級系統的建立健全出謀劃策。
在評級過程不可避免的會存在部分道德層面上的問題從而引發操作風險。對此，要從思想意志上對相關人員進行教育，增強其主人翁責任感；要將政治素質好、業務能力強的工作人員優先充實到信貸崗位。
（三）加強行業研究，建立和完善信用風險管理基礎數據庫
沒有高質量的數據積累，信用評級的模型及各項指標則無用武之地。長沙商業銀行要完善數據積累，必須在確保客戶信息的完整性和準確性前提下，加快信用評級所需數據的收集，同時完善不良客戶信息的收集。另外，長沙銀行應根據客戶的資產負債狀況、市場環境等情況及時更新客戶信息，以便做出準確的風險分析。在充分獲取數據的同時，商業銀行要加強信息技術系統的建設，并且要保證信息技術系統的可信度和穩健性。同時，必須按照行業進行適當分工，通過對不同行業的長期、深入研究，了解和把握不同行業的基本特點、發展趨勢和主要風險因素，可以為受管理對象在同一行業內部和不同行業之間的風險比較創造必要條件，從而為信用級別的決定提供參照。
商業銀行信用風險分析范文6
【關鍵詞】支持向量機；信用風險；ν-SVR；BP神經網絡；貸款違約
1.引言
信用風險自古有之，是整個金融界所一直關注的熱點問題之一。隨著經濟一體化和金融全球化步伐的加快，商業銀行正處在一個更加復雜的金融環境當中。在這樣的背景下，商業銀行的風險逐漸由單一化演變為多元化，其經營管理中所面臨的風險也必然隨之增加。這些風險可以歸結為信用風險、操作風險、市場風險等。這其中，最為重要的風險就是信用風險。廣義的信用風險主要包括信貸風險和流動性風險等。信貸風險是指銀行承擔借款方可能違約而導致貸款無法收回的風險；而流動性風險是指銀行自有資金不足，從而可能無法滿足其存款人或其他債權人的資金索取而導致違約的風險，屬于銀行自身的信用風險。
基于《新巴塞爾資本協議》中提出的對資本充足率的要求，監管機構對于銀行自身信用風險的控制進一步得到強化，銀行管理者對于信用風險的防范意識也在逐步增強。改革開放以來，我國商業銀行信用風險的內部監管制度正逐步建立。然而，由于金融體系建立較晚，我國金融市場的完善程度相對于發達國家來說仍處于落后地位。
目前，國家加快了發展市場經濟的步伐，隨著總理在2011年4月份的國務院常務會議中提出深化金融體制改革以來，打破國有商業銀行壟斷、推進利率市場化已經擺上了歷史日程。利率市場化將逐步打破我國商業銀行在融資體系中的壟斷地位，使得商業銀行將面臨更大的競爭壓力，承受更多的信用風險。
因此，鑒于日益突出的商業銀行自身信用風險問題，建立一套有效合理的信用風險評價模型，對其進行科學評估已經成為信用風險管理的核心。然而，目前我國商業銀行信用風險管理現狀卻令人擔憂，表現在信用風險管理體系不健全、信用風險評估模型方法落后等。這就迫切需要為我國商業銀行信用風險分析研究提供思路，構建一套符合我國商業銀行客觀需要的信用風險評估指標體系，建立可以準確衡量信用風險的模型，以用來填補我國商業銀行在信用風險管理上的不足。
目前，國際上最具影響力的信用風險模型主要有KMV公司的KMV模型、J.P摩根公司的Credit Metrics模型以及麥肯錫公司的Credit Portfolio View模型。這些模型在國外的商業銀行中已經得到了廣泛應用，并且取得了較好的風險預測效果。然而，由于我國上市商業銀行樣本數量偏少以及反映信用狀況的相關有效數據缺失等原因，導致這些模型無法在我國商業銀行信用風險評估領域得到有效的應用[1]。
因此，針對我國上市商業銀行信用風險的以上特點，本文將嘗試引入支持向量機這種小樣本學習算法，通過對銀行關鍵信貸財務指標的研究，以期建立一套可以對我國商業銀行自身信用風險狀況進行評估的模型。模型以銀行總體的貸款違約率作為評估商業銀行信用風險狀況的指標，采用支持向量回歸機中較為前沿的分支模型 ，對樣本數據進行訓練，并與經典支持向量回歸機模型和BP神經網絡模型進行對比，研究各個模型在風險預測分析方面的表現。同時，對我國商業銀行未來的貸款違約率進行預測，以此作為評估其信用風險大小的標準，對所有銀行的風險進行排序。最后根據分析結果對銀行的信用風險管理提出意見和建議，以期對我國商業銀行風險管理提供參考。
2.研究內容及研究方法
2.1 研究內容
以商業銀行信貸風險度量及管理的基本理論為基礎[2]，本文將嘗試引入統計學習理論中的支持向量機模型，通過對銀行關鍵信貸財務指標進行研究，以期建立一套可以對我國商業銀行自身信用風險狀況進行評估的模型。同時，本文將對支持向量機不同的分支模型和其他的系統學習算法進行對比，檢驗不同模型在風險評估中的準確性以及對風險的可預測性，以此研究各個模型在風險預測分析方面的表現。得出在風險評估預測方面最優模型之后，本文利用訓練效果最好的模型，對我國商業銀行未來的貸款違約率進行預測，以此作為評估其信用風險大小的標準，對所有銀行的風險進行排序。最后根據分析結果對銀行的信用風險管理提出意見和建議，以期對我國商業銀行風險管理提供參考。
2.2 研究方法
結合《新巴塞爾協議》的內容和目前我國上市商業銀行的經營狀況，本文將對我國商業銀行的信用風險成因進行分析，選取與銀行自身信用風險狀況密切相關的關鍵信貸財務指標，以銀行整體的貸款違約率作為衡量信用風險的依據，構建一個可以用來分析信用風險的財務指標體系。采用正向化處理和主成分分析的方法對原始財務數據進行線性降維和特征提取的預處理，并將當年的財務數據與第二年的貸款違約率進行對應匹配的處理，以此作為模型的訓練樣本。
在對銀行財務數據進行預處理的基礎上，本文引入支持向量回歸機中較為前沿的分支模型、經典支持向量回歸機模型 以及同來源于學習算法的BP神經網絡模型對樣本數據進行訓練。同時，將三種模型分別采用遍歷搜索的方法進行優化訓練：對模型選取一個比較適用的Kernel核函數以及參數、和核函數中的參數；對于模型，選取一個比較適用的Kernel核函數以及參數、和核函數中的參數；而對于BP神經網絡模型，選取輸入層到隱含層以及隱含層到輸出層的節點轉移函數，并且挑選出適合的訓練函數和網絡學習函數，再用計算機篩選出最佳的隱含層節點的個數。
確定最優參數以及模型結構以后，本文采用已經分別最優化的三種訓練模型，將樣本輸入到模型中進行訓練，并對各個模型的訓練和預測效果進行對比分析，選取出其中訓練和預測精度最高的一種模型，以此來構建適合我國商業銀行自身信用風險評估的度量模型。
本文最后將采用構建出的商業銀行自身信用風險度量模型，結合所有中國上市商業銀行近期的財務數據，對其衡量信用風險的未來貸款違約率進行預測，以此作為評估其信用風險大小的標準，對所有銀行的風險進行排序。
本文的模型在訓練過程中采用計算機仿真的技術，主要運用Matlab、SPSS和EXCEL等建模和統計軟件對數據進行分析處理和訓練。
網絡學習過程包括信息正向的傳播和誤差的反向傳播兩個步驟，其模型結構如圖1所示：
圖1 BP神經網絡結構圖
由圖1所得，在信息正向的傳播過程中，樣本從輸入層輸入，經過隱含層，經過連接權值和閥值的作用得到輸出值，并與期望輸出值進行比較。若有誤差，則誤差沿著原路反向傳播，通過逐層修改權值和閥值。如此循環，直到輸出結果符合精度要求為止。
除了激發函數、訓練函數和學習規則外，BP神經網絡的訓練過程還需要設定隱含層神經元個數、學習度和最大訓練迭代次數三個參數。其中，隱含層神經元個數可以憑經驗決定，個數過少將影響網絡的學習能力，而過多的神經元個數將大幅增加網絡學習的時間；而參數學習度越小，將導致訓練次數越多，但學習率過大，將影響網絡結構的穩定性；最后，最大訓練迭代次數由前兩者共同決定，三者共同影響網絡學習的效率。為了將BP神經網絡達到最優的訓練效果，本文在實證研究中對各個參數進行遍歷搜索，以期篩選出可以互相配合、使得模型達到具有最佳訓練效率的一組參數。
3.實證分析
本部分引入支持向量機和BP神經網絡，建立商業銀行自身信用風險評估指標體系，以我國上市商業銀行的數據為樣本進行訓練，篩選出最優風險預測評估模型。
如表1所示，本文對商業銀行的13個關鍵信貸財務指標提取出6個主成分，分別為盈利能力、經營能力、資本結構、流動性、資本充足性和安全性。其中，表格右側一欄表示每個財務指標對于商業銀行信用風險的作用方向，“+”代表減少信用風險的指標，“-”代表增加信用風險的指標。
上文通過將樣本分別輸入模型、模型以及BP神經網絡（BPN）模型進行訓練，并分別對模型進行了優化設計。根據以上得出的三種最優化的訓練模型，再分別輸入我國商業銀行2007年、2008年和2009年三年的財務數據，模擬計算出2008年、2009年和2010年的貸款違約率，并與各銀行當年實際的貸款違約率進行比較，以此分析模型對訓練樣本的檢測結果。模型對商業銀行2008年的貸款違約率的檢測效果如表2和圖2所示：
分析表3至表4三年貸款違約率的檢驗效果，可以得出模型的訓練效果優于模型和BP神經網絡模型，即模型每年對貸款違約率的擬合效果較好，檢測精度較高。為了進一步驗證本文的結論，選取商業銀行實際貸款違約率和檢驗值之間的相關系數和均方誤差（Mean Squared Errors，MSE）對三個模型的檢測效果進行綜合評判，結果如表5所示：
表5 模型檢驗效果的評判結果
從表5可以看出，模型的訓練效果無論在相關系數和均方誤差MSE的檢驗上均優于另外兩種模型。因此，可以得出模型在商業銀行信用風險的訓練中具有最優的檢驗效果。
除了對模型的樣本檢驗效果分析外，本文再對最優化后的模型進行預測效果的評價。具體地，輸入2010年的財務指標，預測出2011年各商業銀行的貸款違約率，并與實際的貸款違約率進行比較，以此判斷模型的預測效果，結果如表6所示：
從上表7可以看出，模型的預測效果無論在相關系數和均方誤差MSE的檢驗上均優于另外兩種模型，并且預測出的貸款違約率與實際的貸款違約率之間的相關系數超過了0.95，具有比較精確的預測能力。因此，在對商業銀行信用風險評估中，模型具有更高的評測精度和較小的預測誤差，是一種更為科學合理的評估方法，可以為商業銀行的信用風險管理提供新的參考。
4.結論
支持向量機是一種基于小樣本學習理論的通用學習算法，具有嚴格的理論基礎，能較好地解決小樣本、非線性、高維數和局部極小點等實際問題。經過多年的發展，支持向量機已經衍生出多種改良形式和優化模型。其中，模型是一類具有較高預測精度的支持向量回歸機，在多個領域已經得到了廣泛的應用，取得了較好的預測效果。
針對于目前我國商業銀行信用風險管理體系的不足以及國內上市商業銀行的樣本數量偏少的情況，本文引入了模型來評估商業銀行自身的信用風險。利用主成分分析建立商業銀行信用風險評估指標體系，并構建基于模型的商業銀行信用風險評估模型。通過與模型和BP神經網絡模型訓練效果的比較，發現模型在商業銀行信用風險的訓練和預測中都具有更高的精度。
本文最后根據優化訓練完畢的模型對我國所有上市商業銀行未來的信用風險進行了預測，得到了我國商業銀行整體信用風險可能上升，并且國有銀行和股份制商業銀行都將面臨更大信用風險的結論。因此，根據以上的分析，模型為商業銀行的信用風險管理提供了更為有力的輔助工具，可以推廣到更多金融領域的風險評估當中。
盡管本文從模型的優化設計、訓練樣本的匹配選取以及銀行自身信用風險的度量角度三個方面對我國商業銀行信用風險的評估研究做了一些開創性的工作，取得一定的研究成果，但還存在需要進一步完善和深入研究的問題，這些問題主要是：
（1）本文所引入的模型的算法可以與交叉驗證和選塊、分解等方法配合使用，改進模型中對于參數優化設計的步驟和思想，以此可以改良原有模型的算法，進一步提高模型對商業銀行信用風險的預測精度；
（2）對于建立起的商業銀行信用風險評估指標體系，應該結合我國商業銀行實際面臨的信用風險結構以及資產配置狀況進行調整，并且可以根據不同類型的銀行分別采用不同的信用風險評估指標體系，以此針對不同銀行構建起更加合理的信用風險評估模型。
參考文獻：
[1]曹道勝，何明升.商業銀行信用風險模型的比較及其借鑒[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.統計學習理論的本質[M].張學工譯.北京：清華大學出版社，2000.
[10]張學工.關于統計學習理論與支持向量機[J].自動化學報，2000，26（1）：32-42.
[11]鄧乃揚，田英杰.支持向量機——理論、算法與拓展[M].北京：科學出版社，2009.
[12]顧亞祥，丁世飛.支持向量機研究進展[J].自動化學報，2011，38（2）：14-17.
[13]劉建偉，李雙成，羅雄麟.P范數正則化支持向量機分類算法[J].自動化學報，2012，38（1）：
76-87.
[14]李倩，鄭丕諤.基于支持向量機的企業現金流量評級[J].內蒙古農業大學學報（社會科學版），2007，9（6）：86-87，93.
[15]吳沖，夏晗.基于支持向量機集成的電子商務環境下客戶信用評估模型研究[J].中國管理科學，2008，16（S1）：362-367.
[16]李翀，夏鵬.后驗概率支持向量機在企業信用評級[J].計算機仿真，2008，25（5）：256-258.
[17]余晨曦，梁瀟.基于支持向量機的商業銀行信用風險度量模型[J].計算機與數字工程，2008，36（11）：10-14.
[18]孫彬，李鐵克.基于v-SVR的金融股指預測及選時策略研究[J].統計與決策，2010，38（3）：
45-48.
[19]胡海青，黃鐸，武晟.基于SVM的股份制商業銀行利益相關者對資本配置績效影響的仿真研究[J].管理工程學報，2010，24（4）：148-154.
[20]約翰·赫爾.風險管理與金融機構[M].北京：機械工業出版社，2010，2.
[21]Shawe-Taylor J，Cristianini N.Kernel Methods for Pattern Analysis[M].New York：Cambridge University Press，2004.
