银行信用风险预测——基于SVM和BP神经网络的比较研究.pdf

"银行信用风险预测——基于SVM和BP神经网络的比较研究" 本文通过对支持向量机（SVM）和BP神经网络两种人工智能方法的比较研究，探讨了银行信用风险预测模型的构建。研究结果表明，SVM模型和BP神经网络模型都具有良好的预测能力，SVM模型在性能和预测精度上略优于BP神经网络模型。 知识点1：银行信用风险预测的重要性 银行信用风险预测是银行管理和学术研究的重要领域。银行的主要资产业务是银行对企业发放的贷款，若企业由于破产或资金流动性等原因无法按期偿还贷款，会给商业银行带来巨大的损失。 知识点2：传统统计方法 早期的破产预测模型多使用传统计量和统计方法，如Sinkey（1975）使用多元判别分析方法预测银行破产风险，Meyer & Pifer（1970）和Martin（1977）使用logistic回归分析方法预测银行信用风险。 知识点3：人工智能方法 随着人工智能的兴起，机器学习和数据挖掘在世界范围内的推广，帮助商业银行风险预测获得了新的、更有效的预测方法。Tam（1991）是最早使用人工智能方法研究银行破产的学者，他使用人工智能方法BP神经网络进行建模研究。 知识点4：支持向量机（SVM） 支持向量机是人工智能领域的新方法，近些年来支持向量机在各个行业的相关运用发展迅速。在银行破产和信用风险领域中，Ravi et al.（2008）基于SVM方法对1000家银行进行研究，预测准确度为83.5%。 知识点5：BP神经网络 BP神经网络是人工智能方法中的一种，Tam（1991）使用BP神经网络进行建模研究，得到了BP神经网络优于多元判别分析方法、logistic回归分析方法、KNN方法的结论。 知识点6：比较研究 本文选择近两年的公开可得数据比较研究SVM方法和BP神经网络方法的优劣，使人工智能方法能被银行业及金融业广泛运用。 知识点7：数据来源和建模方法 本文使用2015-2016年间我国144家沪深两市上市公司的数据进行研究，考察人工智能方法在商业银行构建信用风险预测模型中的作用。 知识点8：实证结果分析 研究结果表明，SVM模型和BP神经网络模型都具有良好的预测能力，SVM模型在性能和预测精度上略优于BP神经网络模型。 知识点9：结论和启示 本文针对银行信用风险预测模型的构建进行了比较研究，探讨了人工智能方法在商业银行信用风险预测中的应用，得出了SVM模型和BP神经网络模型都具有良好的预测能力的结论，为银行业和金融业提供了有价值的参考。