7信用風險分析方法的發(fā)展(編輯修改稿)
2024-09-19 17:37 本頁面
【文章內(nèi)容簡介】 共 8 頁 取共性的變量，然后在這些屬性的基礎(chǔ)上建立生產(chǎn)式系統(tǒng)，利用其中的規(guī)則即可對新樣 本中的指標進行評估。 進入 20 世紀 90 年代，神經(jīng)網(wǎng)絡(luò)（ nn）引入銀行業(yè)，用于信用風險識別和預(yù)測。神經(jīng)網(wǎng)絡(luò)是一種具有模式識別能力，自組織，自適應(yīng)，自學習特點的計算機制，它的知識編碼于整個權(quán)值網(wǎng)絡(luò)，呈分布式存儲且具有一定的容錯能力。神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的分布要求不嚴格，也不需要詳細表述自變量與因變量之間的函數(shù)關(guān)系。這些特性，使之很快成為信用分析方法的一個熱點。它在信用風險分析的作用是通過神經(jīng)網(wǎng)絡(luò)的分類功能進行的。首先找出一組影響分類的因素作為神經(jīng)網(wǎng)絡(luò)的輸入，然后通過有導師或無導師的訓練，形成信用風險分析模型。對新樣本的輸入，模型可產(chǎn)生信用風險分析的判別的的結(jié)果。 從目前國內(nèi)外文獻看，研究和應(yīng)用中使用最多的 nn 有：多層感知機（ mlp）、專家混合網(wǎng)絡(luò)（ moe）、學習矢量化器（ lvq）、徑向基函數(shù)（ rbf）、模糊自適應(yīng)諧振（ far）及概率神經(jīng)網(wǎng)（ probabilistieuralworks）。其中， mlp 由于其在理論上及網(wǎng)絡(luò)構(gòu)建的成熟性，成為應(yīng)用最多的 nn 方法。對于 nn 的有效性，研究者大多將其與傳統(tǒng)的 lda、 lg 方法進行對比。 nn 是否優(yōu)于傳統(tǒng)方法目前仍存在爭議。 davidwest 于 2024 年分別將德國、澳大利亞的企業(yè)信用數(shù)據(jù)利用交錯鑒定法分為訓練樣本和測 第 5 頁 共 8 頁 試樣本。結(jié)果顯示，對于德國數(shù)據(jù)的分析，判別最準確的是 moe，其余依次為： lg、 rbf、 mlp、 lda、 lvq、 cart、 kd、 knn 和 far。對澳大利亞數(shù)據(jù)的分析顯示，判別最準確的是 rbf，其余依次為：mlp、 moe、 lg、 lda、 knn、 lvq、 cart、 kd 和 far。相反的觀點如 altman 認為： nn 分析方法在信用風險識別和預(yù)測中的應(yīng)用，并沒有實質(zhì)性的優(yōu)于線性區(qū)別模型。因此從目前的研究文獻看，nn 系統(tǒng)已顯
職業(yè)教育相關(guān)推薦
鄂ICP備17016276號-1