基于支持向量机的商业银行贷款违约判别研究.ppt

Institute of Systems Engineering, Southeast University 基于支持向量机的商业银行贷款违约判别研究 报告人：卢红科 Institute of Systems Engineering, Southeast University 1 研究企业贷款违约判别需要考虑的6个问题 1、什么是贷款违约判别？ 2、贷款违约判别数据指标如何选择，如何简约。 3、贷款违约判别数据的不平衡性。 4、样本企业信用状况重叠 5、通过参数优化以及组合模型提高分类精度 优化支持向量机参数的模型 基于支持向量机的两阶段模型分类(Two-stage model based on SVM) 支持向量机集成(SVM Ensemble) 6、代价敏感学习 Cost-sensitive Learning Institute of Systems Engineering, Southeast University 2 20 世纪80 年代末以来，随着金融的全球化趋势及金融市场的波动性加剧，各国银行和投资者面临严峻的金融风险，特别是这次席卷全球的美国次贷危机表明，全球化下的金融运行格局发生了根本性变化，各国金融监管体系面临前所未有的挑战和有效性问题，世界银行对全球银行业危机的研究表明，导致银行破产的主要原因就是信用风险。为了加强银行的信用风险监管，巴塞尔委员会与时俱进，先后发布了两个资本协议(郭建伟等, 2006)。企业信用违约概率的测度和评估是巴塞尔新资本协议内部评级法（IRB）的关键内容，是信用风险评估模型中主要输入变量之一。研究和探讨更加科学、有效的违约判别方法，是当前信用风险研究的重大课题(柯孔林等, 2008)。 1、什么是企业贷款违约判别？ 目前，国际金融界和学术界对企业贷款违约判别研究的主流是将其看作模式识别的分类问题，根据贷款企业的财务与非财务状况，总结出分类规则，建立信用违约判别模型，将其判为正常或违约企业两类。 Institute of Systems Engineering, Southeast University 3 2、企业贷款违约判别数据指标如何选 参照国内外学者的成果来看，一般可以从偿债能力、财务效益、资金营运和发展能力与潜力四个方面对财务评价进行选择。(管七海等,2004; 薛锋等,2006; Ravi Kumar等,2007; Min等，2009)。 因素 评价指标 偿债能力状况 流动比率（C1）；速动比率（C2）；现金比率（C3）；流动资产对负债总额比率（C4）；资产负债率（C5）；利息保障倍数（C6） 财务效率状况 净资产收益率（C7）； 总资产收益率（C8）； 主营业务利润率（C9）； 净利润率（C10）； 成本费用利润率（C11）； 资金营运能力 应收账款周转率（C12）； 流动资产周转率（C13）； 存货周转率（C14）； 总资产周转率（C15）； 发展能力与潜力 主营业务增长率（C16）； 净利润增长率（C17）； 总资产扩张率（C18）； 净资产增长率（C19）； Institute of Systems Engineering, Southeast University 4 3、贷款违约判别数据的不平衡性 所谓不平衡分类问题，是指训练样本数量在类间分布不平衡的模式分类问题。具体地说就是某些类的样本数量远远少于其他类。 在贷款违约判别研究过程中，实际得到的信用良好企业和违约企业的数据通常是不平衡的，即很多情况下信用良好企业的样本数据比违约企业的样本数据多。而就目前国内研究贷款违约判别问题的现状看，普遍都是采用同等数量的信用良好企业和违约企业来对模型进行训练和检验。(王春峰, 万海晖等,1999; 王春峰,康莉,2001;杨保安,朱明,1999;李秉祥,2005;柯孔林,2008) 目前，解决不平衡分类问题的策略可以分为两大类(叶志飞等, 2009 )。 从训练集入手，通过改变训练集样本分布，降低不平衡程度。 从学习算法入手，根据算法在解决不平衡问题时的缺陷，适当地修改算法使之 适应不平衡分类问题。 平衡训练集的方法主要有训练集重采样(Resampling)方法和训练集划分方法。学习算法层面的策略包括分类器集成、代价敏感学习和特征选择方法等。 Institute of Systems Engineering, Southeast University 5 对于两类样本企业,其信用状况通常有两种分布情形:一种是两类样本企业信用状况不重叠,另一种是两类样本企业信用状况出现重叠 (薛锋,2006) 。在实际中,样本企业往往出现第二种情形，此时,对企业信用风险状况容易产生误判(Martin,