模式識別技術(shù)在貸款風(fēng)險分類中的適用性分析

[摘要] 貸款風(fēng)險分類是一個對借款人現(xiàn)金流量、財務(wù)指標(biāo)及其非財務(wù)指標(biāo)進行綜合評價的過程。本文把貸款風(fēng)險分類看作是一個模式識別問題，在此框架下，就統(tǒng)計模式識別領(lǐng)域中最新使用的神經(jīng)網(wǎng)絡(luò)方法、分類樹法、以及支持向量機三種方法的建模思想、適用性進行分析，從而對我國貸款風(fēng)險分類提供一些啟示。

[關(guān)鍵詞] 模式識別 風(fēng)險分類 適用性

一、引言

貸款風(fēng)險分類，就是根據(jù)借款人的當(dāng)前經(jīng)營情況和違約跡象來判斷其按時還款的可能性并給予風(fēng)險等級評價，是銀行綜合了借款人財務(wù)、非財務(wù)因素，對貸款未來安全收回可能性的評價。如何判斷借款人的每個因素對貸款償還的影響程度，以及如何將上述各種因素定性和定量分析歸納匯總，作出全面科學(xué)的風(fēng)險評定是貸款風(fēng)險分類操作的難點和關(guān)鍵。

在現(xiàn)代信用風(fēng)險度量模型出現(xiàn)以前，測度信貸信用風(fēng)險的方法主要有：專家制度法、評級法和信用評分法。近年來，一些大的金融機構(gòu)相繼構(gòu)建了比較規(guī)范的、有重大影響的四大信用風(fēng)險度量模型:JP 摩根的Credit Metrics 方法;KMV公司的KMV 模型;CSFP(Credit Suisse Financial Products) 的Credit Risk + 方法;麥肯錫公司的信用組合觀點模型（Credit portfolio View）。這四大信用風(fēng)險度量模型對中國銀行業(yè)都有一定的借鑒意義。模型最大的問題是任何一個模型都沒有全面考慮到借款人的道德風(fēng)險，還有借款人的具體情況，如銀行合同、貸款合同、擔(dān)保能力、借款期限等，而且由于經(jīng)濟制度、金融發(fā)展水平等方面的差異，因此，借用西方信用風(fēng)險模型應(yīng)慎重，我國應(yīng)用這些大型量化模型的條件還不成熟。

本文把貸款風(fēng)險分類看作是一個模式識別問題，在此框架下，就統(tǒng)計模式識別領(lǐng)域中最新使用的神經(jīng)網(wǎng)絡(luò)方法、分類樹法、以及支持向量機三種方法的建模思想、適用性進行比較，并給出有關(guān)結(jié)論。

二、貸款風(fēng)險分類是一個模式識別問題

所謂模式識別，就是用計算機的方法來實現(xiàn)人對各種事物或現(xiàn)象的分析、描述、判斷和識別。目前我國實行的貸款風(fēng)險五級分類法（簡稱風(fēng)險分類），它是根據(jù)貸款對象的第一還款來源與第二還款來源共同特征（財務(wù)指標(biāo)）或?qū)傩裕ǚ秦攧?wù)指標(biāo)）進行識別判斷而進行分類的，其核心在于它以借款人的償還能力作為分類標(biāo)志。

貸款風(fēng)險分類的模式識別系統(tǒng)的精度及其正確性，主要取決于(1.3)式中的一些參數(shù)的估計的精度。訓(xùn)練時如果輸入模式樣本的類別信息是已知的，這時可以用“有監(jiān)督”的模式識別技術(shù)，讓識別系統(tǒng)執(zhí)行一個合適的學(xué)習(xí)訓(xùn)練過程，把系統(tǒng)“教”成可使用各種適應(yīng)修改技術(shù)再去識別模式。如果采集到樣本模式是未知類別的，這時可用“無監(jiān)督的模式識別技術(shù)，即必須通過系統(tǒng)的學(xué)習(xí)過程去得到其所屬的范疇。

三、模式識別技術(shù)的建模思路及其適用性分析

目前用于統(tǒng)計模式識別的方法很多，主要有判別分析法、回歸分析法、人工智能（專家系統(tǒng)）、神經(jīng)網(wǎng)絡(luò)、決策樹法、K近鄰法、支持向量機等。本文僅就目前最為流行的人工神經(jīng)網(wǎng)絡(luò)、決策樹法、支持向量機三種非參數(shù)模式識別方法建模思路、適用性進行比較分析。

1.神經(jīng)網(wǎng)絡(luò)模型（ANN）

(1)建模思路

人工神經(jīng)網(wǎng)絡(luò)(Artficial Neural Networks ANN )是一種具有模式識別能力，自組織、自適應(yīng)，自學(xué)習(xí)特點的計算方法。神經(jīng)網(wǎng)絡(luò)模型建模思路是，首先找出影響分類的一組因素，作為ANN的輸入，然后通過有導(dǎo)師或無導(dǎo)師的訓(xùn)練擬合形成ANN風(fēng)險分析模型。對于新的樣本輸入（即一組影響因素值），該模型可產(chǎn)生貸款風(fēng)險的判別。

（2)適用性分析

神經(jīng)網(wǎng)絡(luò)的適用性首先表現(xiàn)為分類的準(zhǔn)確性比較高。特別是在測試數(shù)據(jù)為非線性關(guān)系的情況下，尤其如此；其次是神經(jīng)網(wǎng)絡(luò)有較強的適應(yīng)訓(xùn)練樣本變化的能力，當(dāng)訓(xùn)練樣本增加新的數(shù)據(jù)時，能夠記憶原有的知識，根據(jù)新增的數(shù)據(jù)作恰當(dāng)?shù)恼{(diào)整，使之表示的映射關(guān)系能夠更好的刻畫新樣本所含的信息。這一點不僅使得神經(jīng)網(wǎng)絡(luò)具有較強的適應(yīng)樣本變化的能力，還使它具有動態(tài)刻畫映射關(guān)系能力，也克服了線性判別分析方法的靜態(tài)特點；再次是其具有魯棒性。神經(jīng)網(wǎng)絡(luò)對于樣本的分布、協(xié)方差等沒有要求，對樣本中存在的噪音數(shù)據(jù)、偏差數(shù)據(jù)不敏感。監(jiān)管部門在面對眾多監(jiān)管對象銀行時， 可以根據(jù)其報表中的監(jiān)管指標(biāo)與監(jiān)控指標(biāo)的輸出結(jié)果，迅速、準(zhǔn)確地判斷商業(yè)銀行的經(jīng)營狀況，就可以輔助以現(xiàn)場檢查的手段，對商業(yè)銀行進行適當(dāng)、適時的干預(yù)。

神經(jīng)網(wǎng)絡(luò)方法的主要缺點一是對樣本的依賴性過強，對樣本提出了很高的要求。因為它很少有人的主觀判斷因素的介入；二是解釋功能差。它僅能給出一個判斷結(jié)果，而不能告訴你為什么；三是在神經(jīng)網(wǎng)絡(luò)方法中輸入特征變量的確定出關(guān)鍵指標(biāo)問題時，需要依賴于其他的統(tǒng)計分析方法；四是是樣本分成多少個種類，這些問題都是神經(jīng)網(wǎng)絡(luò)方法無法獨自解決的，要依賴于其他方法；五是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度慢且極易收斂于局部極小點，推廣能力差，以及容易出現(xiàn)“過學(xué)習(xí)”現(xiàn)象。

2.分類樹方法（CART）

(1)建模思路

分類樹方法（CART）是一種由計算機實現(xiàn)，基于統(tǒng)計理論的非參數(shù)識別方法。其建模思路是：在整體樣本數(shù)據(jù)的基礎(chǔ)上，生成一個多層次、多節(jié)點的樹，按廣度優(yōu)先建立直到每個葉節(jié)點包含相同的類為止，以充分反映數(shù)據(jù)間的聯(lián)系。然后對其進行刪減，參照一定規(guī)則從中進行選擇適當(dāng)大小的樹，用于對新數(shù)據(jù)進行分類即建造最大樹，對樹刪減，選擇適當(dāng)?shù)臉溆糜谛聵颖痉诸悺?/p>

(2)適用性分析

分類樹方法在銀行貸款風(fēng)險分類中的適用性首先在于通過借款人經(jīng)營狀況的變化及其破產(chǎn)的可能性的判斷，來估計其違約的可能性，進而來推測該借款人持有的貸款風(fēng)險程度。它不但具有哲學(xué)上的二分法的優(yōu)點，而且其分類標(biāo)準(zhǔn)的選擇也包含著經(jīng)濟理論上的合理性。反映申請者信用關(guān)系中各項指標(biāo)之間的相關(guān)性是應(yīng)用分類樹于信貸信用分類的有利條件，它可以有效地利用定性變量進行分類。

分類樹的缺陷表現(xiàn)在：一是計算量大；二是在一些連續(xù)型定量變量的處理上，分類樹就顯得有些力不從心；三是對結(jié)點屬性的判定上，往往以葉結(jié)點中所含多數(shù)樣本的屬性來決定該葉結(jié)點的屬性。但如果碰到訓(xùn)練樣本中某種樣本（譬如好樣本，占大多數(shù)）。此時分類的結(jié)果很可能是幾乎每個葉結(jié)點都是好樣本占多數(shù)，或出現(xiàn)一些好壞樣本的個數(shù)相當(dāng)?shù)娜~結(jié)點。于是就可能出現(xiàn)幾乎所有的葉結(jié)點都是好樣本集合，或其中一些結(jié)點無法判斷。無論哪種情況出現(xiàn)，都將導(dǎo)致對壞樣本的辨別率降低，進而導(dǎo)致分類樹的效率降低。

3.支持向量機模型（SVM）

(1)建模思路

(2)適用性分析

由于支持向量機出色的學(xué)習(xí)性能、泛化性能、良好表現(xiàn)和所估計的參數(shù)少等特點，能夠較好地解決小樣本、高維數(shù)、非線性、局部極小等問題。鑒于支持向量機的諸多優(yōu)點，國外學(xué)者 Van.Gestel（2003）將支持向量機應(yīng)用到信貸風(fēng)險分類與評估領(lǐng)域，并與神經(jīng)網(wǎng)絡(luò)及Logistic回歸相比較，得到了較好的結(jié)果。同時利用支持向量機，能提高學(xué)習(xí)機的泛化能力，能成功地解決風(fēng)險分類、函數(shù)逼近和時間序列預(yù)測等方面，對構(gòu)建貸款分類模型也具有重要的實踐意義。

但SVM是解決一個二分類問題，現(xiàn)實中遇到的大都是多分類問題，如支持向量機無法解決信貸風(fēng)險的五級分類問題。另外，影響支持向量機模型分類能力的參數(shù)選擇存在人為確定的主觀性等。

四、結(jié)論

從信貸風(fēng)險管理角度看，信貸風(fēng)險分類與量化管理是一個必然趨勢。為了提高貸款分類的準(zhǔn)確性，必須將上述兩種或兩種以上的方法結(jié)合起來使用，取長補短。同時，中國銀行業(yè)在運用這些相對復(fù)雜的預(yù)測技術(shù)時，不僅要根據(jù)國內(nèi)的實際情況和銀行業(yè)自身發(fā)展階段，科學(xué)地制定信貸風(fēng)險管理流程，還要加強人才培養(yǎng)和數(shù)據(jù)庫建設(shè)，盡可能地運用信貸風(fēng)險管理先進技術(shù)將信貸風(fēng)險損失降到最低限度，實現(xiàn)可持續(xù)發(fā)展。

參考文獻:

[1]J.P. Morgan.Credit Metrics—Technical Document.1997， 4:2

[2]KMV.Global Correlation Factor Structure. San Francisco:KMV Corporation.1996，8 :16～17

[3]Credit Suisse First Boston. Credit Risk+， A Credit Risk management Framework. Credit Suisse First Boston Internation， 1997

[4]McKinsey and Co， Credit Portfolio View. New York， Mckinsey and Co.1997

[5]曹道勝等:商業(yè)銀行信用風(fēng)險模型的比較及其應(yīng)用[J].金融研究，2006年第10期

[6]王振民，中國商業(yè)銀行貸款風(fēng)險分析[D].天津大學(xué)博士論文，2005年5月，P33

[7]Mark T.Leung，Hazem Daouk，An-Sing Chen.Forecasting stock indices: a comparison of classification and level estimation models， International Journal of Forecasting，2000(16)

[8]李玉霜張維:分類樹應(yīng)用于商業(yè)銀行貸款5分類的探討[J].系統(tǒng)工程學(xué)報，2001年8月