| 【中文题名】 | 神经网络技术在商业银行信用风险评估系统中的应用研究 |
| 【英文题名】 | Research on the Application of Neural Network to Credit Risk Evaluation System for Commercial Banks |
| 【学科专业】 | 软件工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-3-2 |
| 【中关键词】 | 信用风险,神经网络,BP学习算法,信用风险评估模型,, |
| 【英关键词】 | Credit Risk,Neural Network,BP Learning algorithm,Credit Risk Evaluation Model, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
计算机和网络技术的发展使我们进入了信息化时代,也使我们面临一系列的问题,其中最主要的是数据量的不断增长和数据之间关系的不断复杂化。如何对信息化过程中积累的大量数据进行全面深入的分析,发掘蕴含在这些数据中潜在的有价值的知识成为各个领域急需解决的一个热点问题。为此,数据挖掘技术应运而生,并在各个领域得到广泛的应用,显示出越来越重要的价值。
随着数据挖掘在各个领域内的不断研究和应用,出现了许多优秀而实用的数据挖掘技术,神经网络技术就是其中之一。神经网络是指为模拟人类神经细胞群学习特性的结构和功能而构成的一种智能数据分析系统,它具有很强的自组织、自学习和自适应能力,适应于复杂环境和多任务控制的要求,具有以任意精度逼近任意非线性连续函数的特性。因此,神经网络很适合处理非线性数据和含有噪声的数据,在商业银行信用风险评估中具有很好的应用前景。
信用风险评估是一个传统而古老的课题,在国外已经有了很长时间的发展历史,对信用风险的度量逐渐从定性数据分析向定量数据分析转变,对信用风险的评估也开始采用模型化的方法。而在国内,由于对信用风险评估的研究起步较晚,采用的信用风险评估技术仍处于初级阶段,远远不能满足... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
ABSTRACT |
5-9 |
|
第一章 绪论 |
9-13 |
|
1.1 论文选题的依据及其意义 |
9-10 |
|
1.2 国内外研究现状及发展趋势 |
10-11 |
|
1.3 论文的结构 |
11-13 |
|
第二章 商业银行信用风险概述 |
13-21 |
|
2.1 银行信用风险 |
13-14 |
|
2.1.1 信用风险的定义 |
13 |
|
2.1.2 信用风险评估的理论基础 |
13-14 |
|
2.2 银行信用风险的度量 |
14-15 |
|
2.2.1 标准法 |
14 |
|
2.2.2 内部评级法（IRB 法） |
14-15 |
|
2.3 银行内部信用评级 |
15-17 |
|
2.3.1 信用风险等级 |
15-16 |
|
2.3.2 信用风险评级步骤 |
16-17 |
|
2.4 银行信用风险评估指标 |
17-19 |
|
2.4.1 信用评估的要素 |
17-18 |
|
2.4.2 穆迪公司企业信用风险评估指标 |
18 |
|
2.4.3 国内常用的企业信用风险评估指标 |
18-19 |
|
2.5 信用风险评估方法 |
19-21 |
|
2.5.1 专家制度法 |
19-20 |
|
2.5.2 信用评分方法 |
20-21 |
|
第三章 基于数据挖掘的信用风险评估系统 |
21-33 |
|
3.1 信用风险评估系统概述 |
21-24 |
|
3.1.1 背景介绍 |
21-22 |
|
3.1.2 系统功能和目标 |
22-23 |
|
3.1.3 数据挖掘的必要性和可行性分析 |
23-24 |
|
3.2 数据挖掘在信用风险评估中的应用 |
24-29 |
|
3.2.1 数据挖掘概述 |
24-25 |
|
3.2.2 数据挖掘过程及信用风险评估流程 |
25-26 |
|
3.2.3 数据挖掘在信用风险评估系统中的作用 |
26-27 |
|
3.2.4 用于信用风险分类的数据挖掘方法 |
27-29 |
|
3.3 神经网络挖掘方法 |
29-33 |
|
3.3.1 神经网络基本原理 |
29-30 |
|
3.3.2 神经网络的学习 |
30-32 |
|
3.3.3 分类、神经网络和数据挖掘在系统中的关系 |
32-33 |
|
第四章 基于前向型神经网络的信用风险评估模型 |
33-41 |
|
4.1 BP 神经网络概述 |
33-37 |
|
4.1.1 网络的拓扑结构 |
33-34 |
|
4.1.2 三层BP 网络的学习原理 |
34-36 |
|
4.1.3 BP 网络学习算法 |
36-37 |
|
4.2 信用风险评估神经网络模型 |
37-41 |
|
4.2.1 应用BP 网络模型的合理性及主要工作 |
37-38 |
|
4.2.2 评估模型的网络结构 |
38-39 |
|
4.2.3 评估模型的学习参数 |
39 |
|
4.2.4 评估模型学习算法的改进 |
39-41 |
|
第五章 神经网络模型在信用风险评估系统中的应用 |
41-65 |
|
5.1 系统架构 |
41-42 |
|
5.2 信用风险评估指标体系的建立 |
42-44 |
|
5.3 指标数据的预处理 |
44-47 |
|
5.3.1 离散指标的量化 |
44-45 |
|
5.3.2 缺失数据的处理 |
45 |
|
5.3.3 定性指标的归约 |
45-46 |
|
5.3.4 指标数据归一化 |
46-47 |
|
5.4 样本数据及评估模型的模式划分 |
47-54 |
|
5.4.1 评估模式的确定 |
47-49 |
|
5.4.2 样本数据的准备 |
49-54 |
|
5.5 信用风险评估模型的构建 |
54-60 |
|
5.5.1 信用风险评估分类模型 |
54-55 |
|
5.5.2 学习参数和初始权值对评估模型的影响 |
55-57 |
|
5.5.3 评估模型算法的改进 |
57-60 |
|
5.6 评估模型实例分析与评价 |
60-65 |
|
第六章 结论 |
65-67 |
|
致谢 |
67-68 |
|
参考文献 |
68-70 |
|
个人简介 |
70 |
|
| 【DOI】 | LunWen.ID:2.2008.388360 |
