信用风险分析方法的发展(2)

　　
　　3.神经网络方法
　　进入20世纪90年代，神经网络（NN）引入银行业，用于信用风险识别和预测。神经网络是一种具有模式识别能力，自组织，自适应，自学习特点的计算机制，它的知识编码于整个权值网络，呈分布式存储且具有一定的容错能力。神经网络对数据的分布要求不严格，也不需要详细表述自变量与因变量之间的函数关系。这些特性，使之很快成为信用分析方法的一个热点。它在信用风险分析的作用是通过神经网络的分类功能进行的。首先找出一组影响分类的因素作为神经网络的输入，然后通过有导师或无导师的训练，形成信用风险分析模型。对新样本的输入，模型可产生信用风险分析的判别的的结果。
　　从目前国内外文献看, 研究和应用中使用最多的NN有:多层感知机(MLP)、专家混合网络(MOE)、学习矢量化器(LVQ)、径向基函数(RBF)、模糊自适应谐振(FAR)及概率神经网(Probabilistic Neural Networks)。其中,MLP由于其在理论上及网络构建的成熟性, 成为应用最多的NN方法。对于NN的有效性, 研究者大多将其与传统的LDA、LG方法进行对比。NN是否优于传统方法目前仍存在争议。David West于2000 年分别将德国、澳大利亚的企业信用数据利用交错鉴定法分为训练样本和测试样本。结果显示,对于德国数据的分析,判别最准确的是MOE,其余依次为:LG、RBF、MLP、LDA、LVQ、CART、KD、KNN 和FAR;对澳大利亚数据的分析显示, 判别最准确的是RBF,其余依次为:ML P、MO E、L G、LDA、KNN、LVQ、CART、KD和FAR。相反的观点如Altman认为:NN分析方法在信用风险识别和预测中的应用, 并没有实质性的优于线性区别模型。因此从目前的研究文献看,NN系统已显示出非常大的应用前景,但与传统的DA、LG方法相比,还不具备绝对的优势。原因在于目前尚无成熟的理论指导来设定网络结构, 要得到一个较好的NN结构,需要人为地试凑。并且网络的学习过程慢,尤其当网络结构复杂,样本训练次数多时,其运算效率降低。因此,NN的未来发展仍有待人们艰苦不懈的努力。
　　
　　4.杂合系统与支持向量机方法
　　(1)杂合系统。杂合方法是指把两种或多种不同的方法结合在一起形成一种新的方法，这种新的方法既能继承原来各方法中的优点，又能克服各方法中的缺点，同时还能形成一种新的优点，而这种新的优点是原来所有方法中都不具备的。由于具有这样的特性，提高了解决问题的效率，是目前一种比较流行的研究方法。Kerling(1995)将递归分割算法与DA方法进行比较的同时，提出了两种方法的杂合方法，结果证明杂合方法的分类效果比单独使用这两种方法都好。West（2000）在利用专家杂合系统研究商业银行信用评价的准确性时，对德国和澳大利亚两组不同的财务数据分别进行两类模式分类时，分类准确率分别为75.66%和86.68%。
　　(2)支持向量机。20世纪90年代中末期，Vapnik等根据统计学习理论提出支持向量机（简称SVM）的学习方法，研究如何根据有限学习样本，进行模式识别和回归预测等。近年来，SVM已成为解决模式分类和回归问题的有利工具。由于SVM在学习过程中避免了神经网络的一些缺陷，如网络结构难以确定、在样本训练过程中发生过学习或欠学习、容易产生局部极小等，因此，在进行模式分类时，人们自然认为SVM学习方法优于神经网络方法。它的主要研究内容是，当问题是线性可分时，给出一个求解最大间隔法的方法；而当问题不是线性可分时，提出利用一核函数将样本集映射到某一高维空间，使得样本集在高维空间中的像是线性可分的。其学习方法最大的特点是：根据结构风险最小划原则，尽量提高学习机的泛化能力。其中，通过非线性映射，将低维空间中的非线性问题转变为高维空间中的线性问题，并采用一核函数代替高维空间中的内积运算，达到避免高维运算和解决非线性的目的。尽管通常来说，支持向量机方法也是神经网络方法的一种，但考虑到支持向量机方法与其他神经网络方法相比，确实有其独特之处，特别是在信用风险分析领域的研究中表现出很强的应用前景，因此将该方法单列出来。

百度搜索“70edu”或“70教育网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，70教育网，提供经典财经金融信用风险分析方法的发展(2)在线全文阅读。