【正文】 與 經(jīng) 濟(jì)（ 風(fēng)險(xiǎn) ） 資本相關(guān)的收益率 計(jì)算資本需求時(shí)同時(shí)考慮了資產(chǎn)及非資產(chǎn)風(fēng)險(xiǎn) 傾向于持有低風(fēng)險(xiǎn)資產(chǎn) RAROC 資本的風(fēng)險(xiǎn)調(diào)整收益 風(fēng)險(xiǎn)調(diào)整的收益 /必要監(jiān)管資本 將監(jiān)管資本需求和市場風(fēng)險(xiǎn)成本相結(jié)合 綜合考慮了風(fēng)險(xiǎn)和監(jiān)管成本 監(jiān)管資本只能對風(fēng)險(xiǎn)進(jìn)行有限劃分 ， 影響了指標(biāo)的準(zhǔn)確性 RARORAC 風(fēng)險(xiǎn)調(diào)整資本的風(fēng)險(xiǎn)調(diào)整收益 風(fēng)險(xiǎn)調(diào)整的收益 /經(jīng)濟(jì)資本 資本緩沖額根據(jù)商業(yè)銀行要求和市場風(fēng)險(xiǎn)進(jìn)行調(diào)整所得出的純粹的經(jīng)濟(jì)資本收益率 可用于不同等級資產(chǎn)的風(fēng)險(xiǎn)決策 忽略 了業(yè)務(wù)的監(jiān)管成本 資料來源： Sanjeev Punjabi, Many happy returns,Risk, June 1998, pp 7176. 銀行在選擇 RAPM指標(biāo)時(shí)，要將指標(biāo)與其所從事的各項(xiàng)業(yè)務(wù)相結(jié)合。偏好高“緩沖”資本的機(jī)構(gòu)會據(jù)此選擇那些吸引力較 低的交易，構(gòu)建信用質(zhì)量很高但收益較低的資產(chǎn)組合。使用該指標(biāo)時(shí)需要對 風(fēng)險(xiǎn)進(jìn)行精確的判定和調(diào)整以及精湛的理論基礎(chǔ)、完 備的風(fēng)險(xiǎn)度量和跟蹤系統(tǒng)。 (一 )商業(yè)銀行信用風(fēng)險(xiǎn)識別模型構(gòu)造 主成分分析法的基本思路是： 從 p個(gè)原始財(cái)務(wù)指標(biāo)中提取 m個(gè)相互獨(dú)立主成份 ， 每個(gè)主成份都是原來多個(gè)指標(biāo)的線性組合 。 mjYBYbbZ mjTjtj ,2,110?????? ??其中 Z是判別值 ， Yjt是 t期的主成份判別指標(biāo) ， bj是判別系數(shù) ， b0是常數(shù)項(xiàng) ， t是樣本時(shí)間期限 。 （ ） (一 )商業(yè)銀行信用風(fēng)險(xiǎn)識別模型構(gòu)造 （ Linear Discriminant Analysis） 本次檢驗(yàn)中使用的閾值是根據(jù) “ 完全對稱分類原則 ” 確定的 ， 即閾值 M的計(jì)算公式為 212211nnZnZnM???其中 Z1和 Z2分別表示兩類樣本重心在空間的坐標(biāo)位置 ，若將預(yù)測樣本數(shù)據(jù)帶入判別函數(shù)得出的 Z值大于或等于 M，則判定為高風(fēng)險(xiǎn)企業(yè) ， 否則判定為低風(fēng)險(xiǎn)企業(yè) 。 (一 )商業(yè)銀行信用風(fēng)險(xiǎn)識別模型構(gòu)造 假設(shè)企業(yè)違約概率為 P， 則 1－ P為企業(yè)如期歸還貸款的概率 ， 定義 PPP?? 1lnLogitP∈ （－ ∞，＋ ∞） )(Logi t110 mmyayaaP ?????? )( m1101 1 myayaae ?????可得， 模型（ ）即為 Logistic回歸模型。 （ ） (一 )商業(yè)銀行信用風(fēng)險(xiǎn)識別模型構(gòu)造 4. BP神經(jīng)網(wǎng)絡(luò)（ Backpropagation neural Networks） 神經(jīng)網(wǎng)絡(luò)是近年來興起的現(xiàn)代智能分析技術(shù) ， 作為研究復(fù)雜問題的有力工具 ， 它能夠很好地解決判別分析 、Logit模型等傳統(tǒng)分類方法不能解決的信用風(fēng)險(xiǎn)與財(cái)務(wù)指標(biāo)之間關(guān)系非線性 、 財(cái)務(wù)指標(biāo)呈厚尾分布等問題 ，在模型識別與分類 、 預(yù)測 、 自動控制等方面具有其他方法無法比擬的優(yōu)越性 。在學(xué)習(xí)和訓(xùn)練的過程中， 權(quán)重被不斷調(diào)整以使理想輸出（正確的預(yù)測）和 實(shí)際輸出（模型產(chǎn)生的預(yù)測）之間的差異最小。 圖 基于前饋神經(jīng)網(wǎng)絡(luò)的企業(yè)信用評估模型 (一 )商業(yè)銀行信用風(fēng)險(xiǎn)識別模型構(gòu)造 4. BP神經(jīng)網(wǎng)絡(luò)（ Backpropagation neural Networks） 圖 ，第 i個(gè)隱層的神經(jīng)元個(gè)數(shù)為 N， W1為 n N1階權(quán)值矩陣， Wi（ 2≤i≤M）為 Ni1 Ni階權(quán)值矩陣，WM＋ 1為 NM 2階權(quán)值矩陣。 (二 ) 樣本采集和數(shù)據(jù)處理 b. 財(cái)務(wù)指標(biāo)的選擇：共選取用于基礎(chǔ)分析的財(cái)務(wù)指標(biāo) 50個(gè) ? 全面反映盈利能力 、 流動性和償還能力 、 資產(chǎn)管理 效率 、 成長性 、 資本結(jié)構(gòu)狀況 、 資本市場表現(xiàn)等財(cái) 務(wù)特征 ? 既有反映企業(yè)靜態(tài)指標(biāo) ， 也有反映財(cái)務(wù)狀況變化的 動態(tài)指標(biāo) ? 引入現(xiàn)金流量指標(biāo) ? 引入企業(yè)資本市場數(shù)據(jù) (二 ) 樣本采集和數(shù)據(jù)處理 b. 財(cái)務(wù)指標(biāo)的選擇： 指標(biāo)分類 財(cái) 務(wù) 指 標(biāo) 流動性與償還能力指標(biāo) 流動比率 ， 速動比率 ， 營運(yùn)資本 ， 期末速動資產(chǎn) ， 利息保障倍數(shù) ， 資產(chǎn)短期負(fù)債率 盈利能力指標(biāo)（含動態(tài)指標(biāo)） 資產(chǎn)利潤率 ， 資產(chǎn)報(bào)酬率 ， 息稅前利潤 ， 凈資產(chǎn)報(bào)酬率 ， 銷售凈利潤率 ，銷售毛利率 ， 主營業(yè)務(wù)利潤率 ， 營運(yùn)資本總資產(chǎn)比 ， 營運(yùn)資本主營業(yè)務(wù)收入比 ， 盈利波動率 資本結(jié)構(gòu)與財(cái)務(wù)杠桿指標(biāo) 資產(chǎn)負(fù)債比率 ， 產(chǎn)權(quán)比率 ， 負(fù)債股本賬面值比 資產(chǎn)管理效率指標(biāo) 總資產(chǎn)周轉(zhuǎn)率 ， 存貨周轉(zhuǎn)率 ， 應(yīng)收賬款周轉(zhuǎn)率 ， 其他應(yīng)收款周轉(zhuǎn)率 ， 股東權(quán)益周轉(zhuǎn)率 ， 固定資產(chǎn)周轉(zhuǎn)率 ， 平均負(fù)債成本率 成長性指標(biāo)（含動態(tài)指標(biāo)） 盈利增長指數(shù) ， LOG（ 固定資產(chǎn)總額 ） ， 總資產(chǎn)增長率 ， 主營業(yè)務(wù)收入增長率 ， 留成利潤比 ， 平均資產(chǎn) ， 平均股東權(quán)益 ， 留存收益 ， 留存收益總資產(chǎn)比 ， 平均負(fù)債總額 ， 凈資產(chǎn)增長率 資本市場表現(xiàn)指標(biāo) 股本市值負(fù)債比 , 流通股市值負(fù)債比 , 股本帳面值市值比 , 每股收益 , 每股凈資產(chǎn) 現(xiàn)金流量指標(biāo) 現(xiàn)金流量比率 ， 現(xiàn)金流量財(cái)務(wù)費(fèi)用比 ， 主營業(yè)務(wù)收入現(xiàn)金流量占比 ， 籌資活動凈流入與負(fù)債比率 , 每股現(xiàn)金流量 資產(chǎn)質(zhì)量指標(biāo) 主營業(yè)務(wù)收入占比 ， 銷售現(xiàn)金實(shí)現(xiàn)率 ， 資本化率 (二 ) 樣本采集和數(shù)據(jù)處理 c. 樣本數(shù)據(jù)的分組確定： ? 訓(xùn)練樣本和預(yù)測樣本的劃分： 將 1999年和 2023年的樣本作為訓(xùn)練樣本，用于模型系數(shù)和閾值的估計(jì)； 2023年的樣本作為預(yù)測樣本，用于檢驗(yàn)?zāi)Ｐ偷念A(yù)測能力。 (二 ) 樣本采集和數(shù)據(jù)處理 b. 主成份分析 基于獨(dú)立樣本 t檢驗(yàn)選出的 33個(gè)財(cái)務(wù)指標(biāo) ， 可通過主成份分析法提取指標(biāo)主成份 ， 以在盡可能保留財(cái)務(wù)指標(biāo)信息的前提下 ， 簡化模型檢驗(yàn)過程 。 （ ） (三 )我國商業(yè)銀行信用風(fēng)險(xiǎn)識別模型實(shí)證研究 1. 我國商業(yè)銀行信用風(fēng)險(xiǎn)線性判別模型研究 a. 模型參數(shù)： 根據(jù)以上 Fisher判別函數(shù)分別對兩組樣本數(shù)據(jù)進(jìn)行計(jì)算 ， 高風(fēng)險(xiǎn)樣本和低風(fēng)險(xiǎn)樣本的平均 Z值分別為 ， 訓(xùn)練樣本中 ， 高風(fēng)險(xiǎn)樣本和低風(fēng)險(xiǎn)樣本個(gè)數(shù)分別為 209個(gè)和 128個(gè) ， 則信用風(fēng)險(xiǎn)線性判別模型的閾值為： 0128209 ?? ????M也即 ， 將企業(yè)財(cái)務(wù)指標(biāo)帶入判別方程后 ， 如果計(jì)算得出的Z值大于 0， 則該企業(yè)被判定為高風(fēng)險(xiǎn)企業(yè) ， 違約可能性大；如果計(jì)算得出的 Z值小于 0， 則該企業(yè)被判定為低風(fēng)險(xiǎn)企業(yè) ，違約可能性小 。 (三 )我國商業(yè)銀行信用風(fēng)險(xiǎn)識別模型實(shí)證研究 1. 我國商業(yè)銀行信用風(fēng)險(xiǎn)線性判別模型研究 b. 模型的準(zhǔn)確性： 在統(tǒng)計(jì)學(xué)中 ， 誤判分為兩類：第一類錯(cuò)誤 （ 拒真 ） 和第二類錯(cuò)誤（ 納偽 ） 。 上述 Fisher線性判別模型對高風(fēng)險(xiǎn)企業(yè)判定的準(zhǔn)確率低于低風(fēng)險(xiǎn)企業(yè) ， 這也就意味著第一類錯(cuò)誤率高于第二類錯(cuò)誤率 。 根據(jù)得出的參數(shù)表 ， Logitstic回歸函數(shù)為： )27 ( 109764111yyyyyyeP ????????? 引入商業(yè)銀行客戶的財(cái)務(wù)數(shù)據(jù)并根據(jù)以上函數(shù)預(yù)測信用風(fēng)險(xiǎn) ， 如果計(jì)算得出的結(jié)果小于 50%， 則該客戶被判定為低風(fēng)險(xiǎn)企業(yè)；反之 ， 將該客戶定義為高風(fēng)險(xiǎn)企業(yè) 。 (三 )我國商業(yè)銀行信用風(fēng)險(xiǎn)識別模型實(shí)證研究 3. 我國商業(yè)銀行信用風(fēng)險(xiǎn) BP神經(jīng)網(wǎng)絡(luò)模型研究 a. 模型參數(shù)： ? 網(wǎng)絡(luò)類型：隱層 BP神經(jīng)網(wǎng)絡(luò) ? 各層神經(jīng)元個(gè)數(shù) ：輸入層 —— 12個(gè)節(jié)點(diǎn) 輸出層 —— 1個(gè)節(jié)點(diǎn) 隱 層 —— 據(jù)學(xué)習(xí)和訓(xùn)練效果確定 ? 誤差精度： 10－ 3 ? 傳遞函數(shù)：輸入層 —— 雙曲正切 S型函數(shù) 輸出層 —— 線性函數(shù) ? 訓(xùn)練次數(shù)： 1000次 訓(xùn)練樣本 測試樣本 隱節(jié) 點(diǎn)數(shù) 訓(xùn)練 性能 第一類 錯(cuò)誤 第二類 錯(cuò)誤 誤判比率 第一類 錯(cuò)誤 第二類 錯(cuò)誤 誤判比率 總誤判比 率 1 0 . 1 425 3 8 . 0 0 0 0 2 5 . 0 0 0 0 0 . 1 8 6 9 1 6 . 0 0 0 0 2 9 . 0 0 0 0。 (三 )我國商業(yè)銀行信用風(fēng)險(xiǎn)識別模型實(shí)證研究 2. 我國商業(yè)銀行信用風(fēng)險(xiǎn) Logit模型研究 c. 模型檢驗(yàn)： 表 Logit模型對測試樣本的預(yù)測結(jié)果 判定值 分組 0 1 合計(jì) 0 99 19 118 數(shù)目 1 1 2 25 37 0 83 .9 16 .1 1 0 0 . 0 % 1 3 2 . 4 67 . 6 1 0 0 . 0 采用 Logit模型判定預(yù)測樣本企業(yè)的信用風(fēng)險(xiǎn)狀況，模型預(yù)測的準(zhǔn)確率達(dá)到 %，同訓(xùn)練樣本類似，該模型對低風(fēng)險(xiǎn)企業(yè)的判定準(zhǔn)確率大大高于高風(fēng)險(xiǎn)企業(yè)的判定準(zhǔn)確率，其中第一類誤判率為 %，第二類誤判率 16%。 模型對預(yù)測樣本判定的第一類錯(cuò)誤低于第二類錯(cuò)誤 ， 其中第一類誤判率為%， 第二類誤判率為 %， 判別模型不夠穩(wěn)定 。 第二類錯(cuò)誤 是指將低風(fēng)險(xiǎn)企業(yè)誤判為高信用風(fēng)險(xiǎn)企業(yè)的錯(cuò)誤 。 使用 Bootstrap檢驗(yàn)方法對 Fisher線性判別模型的判定效果進(jìn)行驗(yàn)證 ， 模型的準(zhǔn)確率略低于普通方法的判定效果 ，總準(zhǔn)確率為 %， 其中對低風(fēng)險(xiǎn)企業(yè)判別的準(zhǔn)確率%， 對高風(fēng)險(xiǎn)企業(yè)判別的準(zhǔn)確率為 %。 (三 ) 我國商業(yè)銀行信用風(fēng)險(xiǎn)識別模型實(shí)證研究 三、我國商業(yè)銀行信用風(fēng)險(xiǎn)識別模型及其實(shí)證研究 ?我國商業(yè)銀行信用風(fēng)險(xiǎn)線性判別模型研究 ?我國商業(yè)銀行信用風(fēng)險(xiǎn) Logit模型研究 ?我國商業(yè)銀行信用風(fēng)險(xiǎn) BP神經(jīng)網(wǎng)絡(luò)模型研究 ?線性判別模型 、 Logit模型和 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果比較 (三 )我國商業(yè)銀行信用風(fēng)險(xiǎn)識別模型實(shí)證研究 1. 我國商業(yè)銀行信用風(fēng)險(xiǎn)線性判別模型研究 a. 模型參數(shù)： 將高風(fēng)險(xiǎn)企業(yè)定義為 1， 低風(fēng)險(xiǎn)企業(yè)定義為 0， 引入 12個(gè)主成份以 337個(gè)訓(xùn)練樣本為基礎(chǔ)運(yùn)用 SPSS軟件建立線性判別模型 ， 得出的信用風(fēng)險(xiǎn)線性判別模型為： Z＝ Y1＋ ＋ ＋ ＋ 各主成份進(jìn)入模型的順序依次為 Y Y Y10 、 Y9和 Y4。 (二 ) 樣本采集和數(shù)據(jù)處理 a. 單一財(cái)務(wù)指標(biāo)獨(dú)立樣本 t檢驗(yàn) 對樣本企業(yè) （ 高風(fēng)險(xiǎn)企業(yè)和低風(fēng)險(xiǎn)企業(yè) ） 的財(cái)務(wù)指標(biāo)進(jìn)行獨(dú)立 t檢驗(yàn)的目的在于檢驗(yàn)財(cái)務(wù)指標(biāo)在不同類別企業(yè)之間的差異性 ， 在兩類企業(yè)之間具有顯著差異的財(cái)務(wù)指標(biāo)具有統(tǒng)計(jì)意義 、 與信用風(fēng)險(xiǎn)的相關(guān)性強(qiáng) ， 是進(jìn)一步分析的重點(diǎn) 。評估數(shù)據(jù)經(jīng)過加權(quán)之后傳播到隱層的神經(jīng)元，各隱層神經(jīng)元經(jīng)過變換函數(shù)和加權(quán)之后再輸出信息傳播到輸出結(jié)點(diǎn)，最后給出輸出結(jié)果。 基于 BP神經(jīng)網(wǎng)絡(luò)的企業(yè)信用評估模型如圖 。 (一 )商業(yè)銀行信用風(fēng)險(xiǎn)識別模型構(gòu)造 4. BP神經(jīng)網(wǎng)絡(luò)（ Backpropagation neural Networks） 人工神經(jīng)元網(wǎng)絡(luò)是根據(jù)真實(shí)人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能，模擬思維過程和學(xué)習(xí)方法的人工智能系統(tǒng)。 與線性判別模型不同， Logit模型沒有理論上的閾值，閾值完全需要根據(jù)研究目標(biāo)來選擇。 引入樣本企業(yè)財(cái)務(wù)指標(biāo)后 ， 我們可以通過 Logit模型計(jì)算其在一段時(shí)間內(nèi)違約的概率 ， 如果得出的概率大于設(shè)定的分割點(diǎn) ， 則認(rèn)為該公司具有高信用風(fēng)險(xiǎn) 。但是如果以 X1為橫坐標(biāo)， X2為縱坐標(biāo)，并設(shè)法在此平面內(nèi)找到一個(gè) Y軸，使得當(dāng) X1 X2屏幕上的散點(diǎn)投影到 Y軸上時(shí)兩組觀測值的重疊程度最小。 如果m（ m≤p） 個(gè)主成份可以解釋大部分原始財(cái)務(wù)指標(biāo)的方差或者提取主成份的累計(jì)貢獻(xiàn)率達(dá)到 80%以上 ， 那么 m維主成份空間就能夠最大限度地保留原始 p維財(cái)務(wù)指標(biāo)空間的信息 。 該方法是從相關(guān)矩陣內(nèi)部依賴關(guān)系的研究出發(fā) ， 把一些具有錯(cuò)綜復(fù)雜關(guān)系的變量歸結(jié)為少數(shù)幾個(gè)綜合因 子的多變量統(tǒng)計(jì)分析方法 。該指標(biāo)具有很高的實(shí)用性和有效性，因?yàn)樗噲D 實(shí)現(xiàn)市場監(jiān)管限制下的風(fēng)險(xiǎn)調(diào)整收益最大化。這種不充分的定價(jià)標(biāo)準(zhǔn)會 導(dǎo)致高風(fēng)險(xiǎn)資本需求的增大，而高質(zhì)量的資產(chǎn)則因其相 對較低的收益而被避之門外。 銀行只有選擇恰當(dāng)?shù)?RAPM指標(biāo)才能做出正確的績效評價(jià)，才能在業(yè)務(wù)