基于SVM 的商業(yè)銀行信用風(fēng)險(xiǎn)預(yù)測(cè)

□文/沈志偉

（包商銀行 內(nèi)蒙古·包頭）

一、引言

隨著金融市場(chǎng)的波動(dòng)性和金融全球化的影響，金融的關(guān)注焦點(diǎn)之一的商業(yè)銀行風(fēng)險(xiǎn)管理面臨著極大的挑戰(zhàn)。信用風(fēng)險(xiǎn)、利率風(fēng)險(xiǎn)、流動(dòng)性風(fēng)險(xiǎn)、操作風(fēng)險(xiǎn)、科技風(fēng)險(xiǎn)是商業(yè)銀行運(yùn)營(yíng)過(guò)程中面臨的金融風(fēng)險(xiǎn)，信用風(fēng)險(xiǎn)占有重要的地位。信用風(fēng)險(xiǎn)是指，借款人由于各種原因，不愿或無(wú)力償還銀行貸款本息，使銀行貸款無(wú)法收回，造成呆賬損失的可能性。在商業(yè)銀行經(jīng)營(yíng)中，影響商業(yè)銀行安全高效運(yùn)營(yíng)的主要原因是信用風(fēng)險(xiǎn)。房屋貸款、農(nóng)業(yè)抵押貸款、企業(yè)貸款等，導(dǎo)致呆賬和不良貸款不斷增加，造成流動(dòng)性危機(jī)，最終使其倒閉，給金融業(yè)和整個(gè)國(guó)民經(jīng)濟(jì)造成嚴(yán)重?fù)p失。所以，加強(qiáng)信用風(fēng)險(xiǎn)尤為重要，對(duì)于中國(guó)處于市場(chǎng)轉(zhuǎn)型期下的我國(guó)商業(yè)銀行，加強(qiáng)信用風(fēng)險(xiǎn)顯得尤為重要。究其原因，商業(yè)銀行的運(yùn)營(yíng)中，不良資產(chǎn)一直是影響我國(guó)銀行業(yè)有效經(jīng)營(yíng)的主要因素，呆賬壞賬的負(fù)擔(dān)是我國(guó)商業(yè)銀行進(jìn)一步發(fā)展的障礙，加強(qiáng)信用風(fēng)險(xiǎn)管理是解決這一問(wèn)題的關(guān)鍵。

目前，許多定量技術(shù)和支持工具、軟件已經(jīng)應(yīng)用到商業(yè)。傳統(tǒng)的比例分析、統(tǒng)計(jì)方法都得到廣泛的應(yīng)用，如判別分析和L ogistic回歸等。神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、分類樹也被用于商業(yè)銀行的信用風(fēng)險(xiǎn)中。在我國(guó)，信用分析和評(píng)估技術(shù)仍然是比例分析階段，遠(yuǎn)不能滿足商業(yè)銀行對(duì)各種形式貸款安全性的準(zhǔn)確測(cè)量。核心的信用等級(jí)評(píng)定時(shí)通過(guò)對(duì)企業(yè)的財(cái)務(wù)報(bào)表指標(biāo)進(jìn)行分析和評(píng)價(jià)，然后加權(quán)平均確定。該方法帶有主觀性，所以有很大程度上的缺陷，應(yīng)以科學(xué)的方法確定有效指標(biāo)和用定量模型解決評(píng)估問(wèn)題。

二、信用風(fēng)險(xiǎn)管理

商業(yè)銀行信用風(fēng)險(xiǎn)管理包括風(fēng)險(xiǎn)的測(cè)量和評(píng)估，信用風(fēng)險(xiǎn)管理與控制。信用風(fēng)險(xiǎn)管理與控制包括貸款定價(jià)、貸款發(fā)放、貸款檢查。信用風(fēng)險(xiǎn)分析指引起貸款風(fēng)險(xiǎn)的因素進(jìn)行定性分析、定量計(jì)算，來(lái)測(cè)量貸款自然人的違約概率，為貸款決策提供依據(jù)。信用風(fēng)險(xiǎn)分析時(shí)，商業(yè)銀行的做法一般是遵循5C原則：貸款人的品質(zhì)（character）、能力（capital）、擔(dān)保（collateral）、環(huán)境（condition），還有 LAPP 原則：流動(dòng)性（liquidity）、活動(dòng)性（activity）、盈利性（profitability）、潛力（potentialities），定性分析借款人目前的財(cái)務(wù)狀況、管理水平、行業(yè)經(jīng)濟(jì)狀況反應(yīng)還款人能力的指標(biāo)體系，利用一定的定量技術(shù)、評(píng)估模型判別借款人的違約概率。

三、信用風(fēng)險(xiǎn)評(píng)估模型

國(guó)外商業(yè)銀行處理這一問(wèn)題的方法是把信用風(fēng)險(xiǎn)分析看成是模式識(shí)別中的一類分類問(wèn)題，將貸款人分為能夠按期還本息和違約兩類。作法為從歷史數(shù)據(jù)中的若干樣本中發(fā)現(xiàn)規(guī)律，從而總結(jié)出分類規(guī)則，建立判別模型，用于對(duì)新樣本的判別，這種方法稱“粗暴的經(jīng)驗(yàn)主義方法”，商業(yè)銀行信用風(fēng)險(xiǎn)的測(cè)度轉(zhuǎn)換為企業(yè)財(cái)務(wù)狀況衡量的問(wèn)題，企業(yè)能否如期還本息主要取決于企業(yè)的財(cái)務(wù)狀況。指標(biāo)體系的確立和評(píng)估模型的選擇，將多維指標(biāo)綜合起來(lái)建立模型。目前有統(tǒng)計(jì)方法、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)技術(shù)等。隨著信息的爆炸式發(fā)展，客戶信息是海量的，本文先用粗糙集的方法對(duì)歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)約簡(jiǎn)，然后用支持向量機(jī)進(jìn)行分類，建立判別模型。

四、粗糙集

信息系統(tǒng)表示為一個(gè)決策表（U，A），A=C∪D，C∩D=Φ，C 是條件屬性集，D 是決策屬性集，y∈D是整體決策而不是對(duì)于“決策子集”W∈U/y的一個(gè)局部決策。決策屬性y∈D關(guān)于條件屬性X∈C的支持子集是子集，稱為y關(guān)于X的支持度。

屬性約簡(jiǎn)就是要找到X?C的一個(gè)極小子集X0使得SX0（Y）＝SX（Y），其中X?…?X0。由于約簡(jiǎn)不是唯一的，所以依據(jù)核屬性與對(duì)決策屬性的支持度可以得出較合理的相對(duì)屬性約簡(jiǎn)。

五、支持向量機(jī)

SVM就是通過(guò)在原空間或經(jīng)投影后在高維空間構(gòu)造最優(yōu)分類面。將給定的屬于兩個(gè)類別的訓(xùn)練樣本分開，構(gòu)造超平面的依據(jù)是兩類樣本距離超平面距離的最大化。

設(shè)線性可分樣本集（xi，yi）1≤i≤N，xi∈Rd，yi∈｛-1，1｝是類別標(biāo)號(hào)，d 維空間中線性判別函數(shù)的一般形式為g（x）=w·x+b相應(yīng)的分類面方程為 w·x+b＝0。將 g（x）進(jìn)行歸一化，使所有的xi都滿足，即離分類面最近的樣本，這樣分類間隔就等于2/‖w‖。求解最優(yōu)分類面就等效于最小化‖w‖，原問(wèn)題為：

采用 Lagrange 乘子 α＝（αi…αn）求解該二次規(guī)劃問(wèn)題，可以得到最優(yōu)分類面，其中w=∑αyixi，xi是位于分類間隔面上的樣本，這些訓(xùn)練樣本被稱為支持向量，分類函數(shù)為：

對(duì)于線性不可分的情況，SVM引入了松弛變量ξ和懲罰因子C，使目標(biāo)函數(shù)變?yōu)椋?/p>

另一方面，SVM通過(guò)核函數(shù)將輸入的低維空間的非線形問(wèn)題映射到高維特征空間線性問(wèn)題，在新空間上求解最優(yōu)分類面，線性可分的核函數(shù)為K（x，xi）=（x·xi），這樣得到的分類函數(shù)為：

總之，SVM建立在統(tǒng)計(jì)學(xué)理論的基礎(chǔ)上，在解決小樣本、非線性及高維模式識(shí)別問(wèn)題中表現(xiàn)出很多優(yōu)勢(shì)，并在許多應(yīng)用中取得了很好的結(jié)果。

六、基于粗糙集與支持向量機(jī)的信用風(fēng)險(xiǎn)評(píng)估模型

我們引入粗糙集主要借鑒其處理數(shù)據(jù)的優(yōu)勢(shì)：一是粗糙集理論處理數(shù)據(jù)不需要任何的先驗(yàn)知識(shí)，僅利用數(shù)據(jù)本身提供的數(shù)據(jù)即可；二是粗糙集理論能表達(dá)和處理不完備的互補(bǔ)一致的信息，以不可辯關(guān)系為基礎(chǔ)，通過(guò)約簡(jiǎn)能從經(jīng)驗(yàn)數(shù)據(jù)中獲取知識(shí)的規(guī)則及相互關(guān)系。SVM如果所處理的樣本的維數(shù)較大，就可能導(dǎo)致SVM訓(xùn)練的時(shí)間過(guò)長(zhǎng)，影響到分類的時(shí)間復(fù)雜行性，在進(jìn)行分類之前先用粗糙集對(duì)數(shù)據(jù)進(jìn)行處理，剔除冗余的屬性，不但能降低維數(shù)，而且能更快地找到最優(yōu)的支持向量，使分類面的距離最大化，分類的效果更明顯，提高了訓(xùn)練樣本的時(shí)間和準(zhǔn)確性。本文模型加入粗糙集后的分類算法如圖1所示。（圖1）

在分類過(guò)程中，先由用戶給出查詢，然后有一個(gè)排列函數(shù)（Θ為排列函數(shù)的參數(shù)）為每個(gè)客戶信息計(jì)算出一個(gè)反映該客戶與語(yǔ)義特征相關(guān)程度的數(shù)值，系統(tǒng)按照此參數(shù)從大到小把用戶信息排列并輸出前m個(gè)，這樣就完成了一次分類過(guò)程。

在反饋過(guò)程中，用戶將部分檢出的客戶進(jìn)行標(biāo)記為相關(guān)、不相關(guān)，被標(biāo)記的特征向量f與對(duì)應(yīng)的標(biāo)記相關(guān)類型y構(gòu)成學(xué)習(xí)集合S={（f，y）}，然后通過(guò)相關(guān)反饋算法里面的約簡(jiǎn)函數(shù)與SVM分類器進(jìn)行分類，將學(xué)習(xí)后的特征向量f′對(duì)數(shù)據(jù)庫(kù)中的圖像進(jìn)行檢索，通過(guò)一次或者多次的反饋，最終得到合適的目標(biāo)結(jié)果，本文模型加入粗糙集后的分類算法步驟如下：

1、采用傳統(tǒng)的方法對(duì)用戶信息進(jìn)行檢索；

2、用戶對(duì)前N個(gè)客戶樣本進(jìn)行標(biāo)記得到：相關(guān)信息集 I＋，無(wú)關(guān)信息集 I－；

3、用粗糙集對(duì)標(biāo)記的相關(guān)信息集I＋和無(wú)關(guān)信息集I－進(jìn)行約簡(jiǎn)，去掉冗余屬性得到新的；

4、用SVM訓(xùn)練樣本集（xi，yi），xi∈

圖1

6、對(duì)信息庫(kù)中的每個(gè)信息 Ii，求SCORE（Ii）=-f（xi）；

7、對(duì)所有信息的SCORE從小到大排序，返回結(jié)果。

8、對(duì)找到的最優(yōu)結(jié)果進(jìn)行標(biāo)注，用粗糙集的約簡(jiǎn)算法對(duì)其關(guān)鍵屬性進(jìn)行約簡(jiǎn)，得到此次檢索最優(yōu)的支持向量，為進(jìn)一步的增量學(xué)習(xí)提供更優(yōu)的分類器。

由于每次檢索時(shí)用戶標(biāo)記的都是在特征空間中距離查詢圖像中最近的信息，同時(shí)，在前N個(gè)反饋的信息中未標(biāo)記的無(wú)關(guān)的信息也離查詢信息較近，因此非常適合用SVM構(gòu)造分類器，因?yàn)橹С窒蛄渴俏挥诜指钇矫嫔系臉颖?，而距離分割面遠(yuǎn)的樣本對(duì)分類器的構(gòu)造是沒(méi)有影響的，因此通過(guò)有限的標(biāo)記和反饋卻能把特征空間中相關(guān)和不相關(guān)的信息分開，進(jìn)一步地檢索也能夠找到更多的信息。

七、結(jié)語(yǔ)

本文借鑒相關(guān)文獻(xiàn)中的試驗(yàn)數(shù)據(jù)和文獻(xiàn)分類模型分析得出如下結(jié)論：基于支持向量集與粗糙集的混合分類算法有效地解決了SVM算法中的時(shí)空性能問(wèn)題，降低了維數(shù)災(zāi)難，應(yīng)用到商業(yè)銀行信用風(fēng)險(xiǎn)預(yù)測(cè)，由于用戶的參與更能使檢索的結(jié)果接近用戶的語(yǔ)義特征，因此該算法具有簡(jiǎn)單、高效、查全率等優(yōu)點(diǎn)。

[1]Freeman A.A survey of international banking.The Econom ist，1993.

[2]Saunder A.Financial Institutions Management.Boston：Irw in，Inc.，1994.

[3]世界銀行.新興市場(chǎng)經(jīng)濟(jì)中的商業(yè)銀行.北京：中國(guó)財(cái)政經(jīng)濟(jì)出版社，1994.

[4]曾國(guó)堅(jiān)，何五星.銀行風(fēng)險(xiǎn)論.北京：中國(guó)計(jì)劃出版社，1995.

[5]Freedman R S，etal use ofmultiplemeasurements in taxonom ic problens.Ann.Eugenics，1936.7.

[6]Burges C JC.A tutorial on support vector machines for pattern recognition.Data M ining and Know ledgeDiscovery，1998.2.2.