前言：中文期刊网精心挑选了商业银行信用风险分析范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
商业银行信用风险分析范文1
(1)设定风险期。遵循风险计算的习惯,设所要测量的风险期间为1年。
(2)设定信用评级系统。每个债务人在年初都被赋予一个信用评级,具体的评级数据一般由外部权威评级机构提供。我们举例的互换业务信用级别为AA级,为某银行3年期的固定互换协议,面值10万美元,经过对该银行相关业务的长期观测,得到该互换一年期末的平均头寸为65000美元,测量年限内利率为6%。
(3)设定信用评级转移矩阵。转移矩阵给出了债务人在风险期从当前评级状态转移到其他所有评级状态的概率或可能性。我们这里采用标准普尔的信用评级转移矩阵。
(4)设定利差溢价。利差溢价等于当前债券价格与相同期限无风险利率之间的差额。首先我们要选定无风险收益率参照标准,对于我国银行来说,虽然目前我国商业银行资金不被允许直接进入证券市场,但是商业银行可以承销或购买国债,因而国债即成为银行除了贷款和中间业务以外的风险最低的投资经营项目。因此这里我们选择以国债收益率作为银行资产定价的标准,再根据远期收益率的计算公式(l+Xi)(l+ri)i=(l+Xi+1)i+1,可以推导出远期收益率。我们选取2009年6月29日和6月30日两天国债市场收益率数据,处理后的得到的利率如下:表1即期收益率和远期收益率
由于我国债券市场的风险溢价评估尚不成熟,没有风险溢价数据可以借鉴,这里我们采用了Credit Metrics数据库中的美国债券市场风险溢价数据(表2),这样同时还可以反映出国际市场的平均水平。利用上面计算出的远期无风险收益率加上对应的风险溢价,就可以得到远期风险溢价曲线。
(5)设定债券的违约损失率。
基于互换业务的性质,我们把其归为高级无担保这一类,被广泛引用的凯迪和利波曼关于债券以及银行债项的研究结果中,高级无担保这一评级的违约回收率为52.13%。这就是说,如果年底出现违约,则评定它的未来价值是原有价值的51.13%,也即违约损失率为1-51.13=48.87%。
(6)计算VAR值。
要计算互换的VAR值,首先要计算出互换业务在考察期内的价值,利用前面准备好的数据,通过远期收益率和远期无息收益率我们可以计算互换的现值。由互换业务的现值公式,将前面得到的即期和远期收益率数据带入公式可以得到FV=101880美元。
由于某信用等级的互换一年期末的价值V=它的现值FV-与其同信用等级的期望损失EL,期
因而期望价值=FV-22.78
标准差=5595.91
商业银行信用风险分析范文2
关键词：银行;信用风险;改进
一、引言
信用风险，是指由于借款人或市场交易对手违约导致经济损失的可能性。广义的信用风险还包括由于借款人或市场交易对手信用评级降低导致资产市场价值下降而引起经济损失的可能性。我国商业银行面临的信用风险问题十分突出。长期以来，我国商业银行的利率受到央行管制，导致其一直处于存贷利差较大的局面。20世纪90年代，信用风险管理方法取得突破性进展。主要表现在以CreditMetrics模型为代表的信用风险量化模型的成功开发，信用风险管理也因此由基于财务指标的模型分析阶段跨入了现代信用风险模型分析阶段。CreditMetrics模型被成功开发后，国内外学者对其展开了深入研究。Bassamboo.A（2008）使用CreditMetrics模型有效地通过蒙特卡罗模拟法计算信用风险；Anonymous（2009）构建了样本债务公司个数分别为1000、5000、10000的三种贷款组合，运用CreditMetrics模型进行信用风险的计算，实证结果较好，而且针对非交易性金融资产可以进行信用风险预测和度量；肖杰、杜子平（2010）以两笔贷款组合为例，运用CreditMetrics模型对贷款组合的信用风险进行实证分析。通过实证研究削弱CreditMetrics模型中存在的局限性，从而更准确地测算违约率；牛晓健（2012）借鉴CreditMetrics模型的思路，在国内首次计算了供应链融资的风险转移矩阵，对我国商业银行开展的供应链融资进行量化风险测度，揭示其风险程度，为商业银行如何进行供应链融资风险管理提出切实可行的建议。，梅盼盼（2016）对CreditMetrics模型进行了改进。
二、模型改进
（一）CreditMetrics模型的改进思路。目前，全面引入CreditMetrics模型应用于国内商业银行信用风险量化仍面临一系列的困难，主要体现在以下几个方面：1、国内商业银行未建立起有关信用资产的历史数据库。CreditMetrics模型中信用等级转移矩阵是以大量历史数据为基础的，我国商业银行目前无法提供该数据；2、国内信用评级体系尚不成熟。我国缺少权威的评级机构，银行内部信用评级体系不完善也不统一，未达到CreditMetrics模型的要求；3、我国利率市场化进程缓慢。由于缺少准确的基准贴现利率，因此估计信用资产的现值存在困难。与信用评级在我国应用不够普及和不够完善不同，信贷资产五级分类法在国内商业银行已经普遍被使用，且具有以下几个方面的特点：（1）覆盖面广。信贷资产五级分类法是央行强制要求的，覆盖了公司类、机构类、个人类等所有信贷客户；（2）历史数据丰富。信贷资产五级分类法是目前我国商业银行信用风险管理的基础，因此各商业银行的信贷管理信息系统都有丰富的分类信息，历史数据完善；（3）数据更新及时。根据央行规定，信贷资产五级分类法采用实时分类，至少一个季度进行一次分类；（4）反映的风险情况更真实。在客户信用评级中，较少考虑债项的具体情况，而信贷资产五级分类法已充分考虑贷款条件及担保情况。因此对于具体债项，五级分类法更能真实反映我国商业银行所面临的信用风险。（二）.新CreditMetrics模型的假设。1、贷款发生后，其未来的价值和风险完全由远期利率决定。模型中的唯一变量是离散的贷款风险等级，每个贷款风险等级有对应的远期利率曲线；2、同一贷款风险等级的贷款是同质的。同一贷款风险等级的贷款拥有相同的转移矩阵和违约概率，转移概率遵循马尔可夫过程，且实际违约概率与历史违约概率相等；3、风险期限是固定的，通常为一年；4、违约不仅指借款方到期没有偿还款项，还包括贷款风险等级下降所导致的信贷资产市场价值的下跌，并且违约事件发生在债务到期时。
商业银行信用风险分析范文3
我国商业银行信用风险管理问题研究分析
1 中国商业银行信用风险管理存在的问题
1.1 银行体制存在缺陷 改革开放以前，中国是计划经济体制，大财政、小银行是金融的基本格局，银行制度则以高度集中计划管理和行政约束为主要特征。经过多年改革，国有商业银行公司治理结构取得了很大进展。但是，中国现代商业银行制度还未真正确立，现代公司治理结构这一根本性问题仍待进一步解决。公司治理结构根本性缺陷是商业银行改革难以深化的焦点,也是信用风险产生的根源。公司治理方面的缺陷不但使得中国商业银行信用风险管理基础薄弱，而且也严重制约了国有商业银行的发展。
商业银行信用风险分析范文4
关键词：商业银行；信用风险；信贷资产规模
一、引言
一直以来，我国商业银行信贷资产在总资产中的规模占比较大，商业银行最重要的收入来源是信贷资产。据统计，四大国有银行以及交通、招商、民生等在内的13家上市银行2011年年报显示，2011年多数上市商业银行营业收入中超过70%来自于利息差。利息差收入占营业收入比重最高是浦发银行，为90.46%，建设银行最低也有62.21%，平均比重高达80.71%1。在国内利率并没有充分市场化的背景下，存贷息差带来的收入对中国商业银行至关重要，商业银行对信用风险的管理和转移成为商业银行最主要的经营目标。能够有效管理商业银行的信贷风险、实现贷款规模的优化配置，成为商业银行提高利润的重要手段。
相比之下，我国的信贷风险转移市场建设相对落后，商业银行在资产管理和配置信用风险的过程中，可以利用的信贷衍生工具相对较少。另一方面，由于国内利率非市场化，汇率制度缺乏弹性，我国的金融衍生品市场发展不健全，相关的法规和制度并不健全。在商业银行的信贷规模不断扩大的基础上，如何利用信用衍生工具来进行风险管理成为当务之急。数据显示，到2012年7月，我国商业银行的信贷资产余额已经突破60万亿元，同时信用债券市场余额也已经超过5万亿元。因此，庞大的信贷资产和信用债产品，对我国商业银行信用风险管理能力提出挑战。
加入WTO以后，随着我国经济实力增强，金融市场对国民经济的影响越来越大，我国银行业积极推行市场化改革和整体上市，加快了我国金融市场的开放和与国际接轨的步伐。在商业银行治理方面，我国商业银行积极推行巴塞尔《新资本协议》，根据我国经济制度和实际情况，制定了一系列商业银行监管政策与指引文件，为国内商业银行科学管理资本、合理缓释资本计提提供了政策基础与操作指南。2012年，银监会正式《商业银行资本管理办法（试行）》，明确了在巴塞尔《新资本协议》框架下，合格信用衍生工具在内部评级法下的资本缓释作用。在商业银行信用风险转移市场的发展过程中，中国银行间市场交易商协会推动了国内商业银行信用风险转移市场的建设。其中，2009年中国银行间市场交易商协会推出了《中国银行间市场衍生产品主协议》，又称NAFMII主协议，成为中国银行间衍生品市场的纲领性文件。目前，NAFMII主协议成为商业银行参与信用风险交易的主协议，境内中外资商业银行要从事人民币衍生品业务，都必须彼此签署NAFMII主协议。NAFMII主协议不仅在中国境内有效，而且在境外业务中也适用。此后，参考国外信用违约互换（CDS）协议的基本格式，2010年中国银行间市场交易商协会又推出了《信用风险缓释工具（CRM）业务指引》，目前主要包括两种信用风险缓释工具：信用风险缓释合约（CRM Agreement，CRMA）和信用风险缓释凭证（CRM Warrant，CRMW）。CRM业务上线，改变了国内商业银行长期缺乏信用衍生品工具的局面，为我国商业银行有效管理信用风险，提高资本利用效率、优化配置信贷资源提供了有效的市场化工具。据中国银行业交易商协会统计，自2010年10月CRM上线以来，目前共有27家CRM交易商、14家CRM核心交易商和23家CRMW创设机构完成备案。与此同时，11家交易商达成了23笔CRMA交易，名义本金合计19.9亿元人民币；3家创设机构创设的4只CRMW已于2011年11月23日全部创设成功，名义本金合计4.8亿元。
信用风险转移工具的使用以及信用衍生品市场的发展壮大，将会不断改变我国商业银行的资产负债表结构，推动商业银行风险经营管理水平的提高，为我国银行业的健康发展开辟道路。本文分析了信用风险转移在商业银行资产管理中的主要作用，使用2003-2010年我国商业银行的基本数据，分析了商业银行参与信用风险转移市场的交易对商业银行信贷资产规模的主要影响，实证分析了商业银行参与信用风险交易对商业银行最优信贷规模的影响。本文接下来的安排如下：第二部分是文献综述，概括了信用风险在商业银行经营管理中的地位和信用衍生品市场的主要作用；第三部分构建了商业银行最优信贷规模的计量模型，并分析了影响了商业银行最优信贷规模的功绩和需求因素；第四部分是实证检验，使用动态面板估计技术实证检验商业银行参与信贷市场交易的主要影响；最后是主要结论和相关的政策建议。
商业银行信用风险分析范文5
关键词：长沙银行；信用风险评估；措施；建议
信用风险分析是对可能引起商业银行信贷资产风险的因素进行定性分析，定量计算，目的在于说明借款人违约可能性，从而为贷款决策提供依据。金融风险管理已成为我国目前经济生活中一个非常重要的问题。
一、长沙银行信用风险评估现状分析
长沙银行成立于1997年5月，是湖南省首家区域性股份制商业银行。成立12年来，长沙银行取得了喜人的发展成绩。紧紧围绕“政务银行、中小企业银行、市民银行”的特色定位，以及“四个三”的客户发展计划，初步形成了自身的经营特色和核心竞争能力。由于信用评价制度是一个复杂的系统工程，涉及到各方面的因素，同时我国信用评价研究起步较晚，目前我国尚未建立一套全国性的客户信用评价制度与体系。长沙银行对贷款企业进行信用评级的主要做法是：根据评估的需要设置若干组评估指标，对每一指标规定一个参照值。如果这一指标、达到参考值的要求就给满分，否则扣减该指标的得分。最后将各指标的得分汇总，并按总分的高低给贷款企业划定信用等级，作为贷款决策的依据。该种方法的不足之处在于：（1）评级指标、体系的构成是通过内部信贷专家确定的，缺乏定量化，具有不确定因索，有待进一步深入研究。（2）指标、权重的设置主要依靠专家对其重要性的相对认志来设定，缺乏科学性及客观性。（3）缺少对贷款企业各方面能力的量化分析，在对偿债能力等重要指标上只采用直接观察法，凭经验据报表估计其能力，有很大的主观性。（4）缺少对非财务因素的分析和现金流量的量化预测。
二、加强长沙银行信用风险评估建设
（一）完善信用评价指标体系和评价方法
长沙银行要建立内部评级体系，既要学习借鉴国外模型的理论基础、方法论和设计结构，又要紧密结合本国银行系统的业务特点和管理现状，研究设计自己的模型框架和参数体系。要充分考虑诸如利率市场化进程、企业财务欺诈现象、数据积累量不足、金融产品发展不充分、区域风险差别显着、道德风险异常严重等国内特有因素。只有深刻理解中国的金融风险，才能建立起有效的风险评级模型，这需要信用风险系统设计师不仅掌握先进理论方法，还能够对长沙银行的现实问题提出技术对策。
（二）加强培训，提高银行评级人员的素质
长沙银行应加强与国际专业评级机构如穆迪公司、标准普尔公司合作，加快培养、建立评级专业人才队伍，负责内部评级实施和维护工作。同时聘请国外银行和评级公司的专家，对这些人员进行集中培训，或派往国外培训，使之成为风险量化专家和未来的金融工程专家，为国内商业银行新型评级系统的建立健全出谋划策。
在评级过程不可避免的会存在部分道德层面上的问题从而引发操作风险。对此，要从思想意志上对相关人员进行教育，增强其主人翁责任感；要将政治素质好、业务能力强的工作人员优先充实到信贷岗位。
（三）加强行业研究，建立和完善信用风险管理基础数据库
没有高质量的数据积累，信用评级的模型及各项指标则无用武之地。长沙商业银行要完善数据积累，必须在确保客户信息的完整性和准确性前提下，加快信用评级所需数据的收集，同时完善不良客户信息的收集。另外，长沙银行应根据客户的资产负债状况、市场环境等情况及时更新客户信息，以便做出准确的风险分析。在充分获取数据的同时，商业银行要加强信息技术系统的建设，并且要保证信息技术系统的可信度和稳健性。同时，必须按照行业进行适当分工，通过对不同行业的长期、深入研究，了解和把握不同行业的基本特点、发展趋势和主要风险因素，可以为受管理对象在同一行业内部和不同行业之间的风险比较创造必要条件，从而为信用级别的决定提供参照。
商业银行信用风险分析范文6
【关键词】支持向量机；信用风险；ν-SVR；BP神经网络；贷款违约
1.引言
信用风险自古有之，是整个金融界所一直关注的热点问题之一。随着经济一体化和金融全球化步伐的加快，商业银行正处在一个更加复杂的金融环境当中。在这样的背景下，商业银行的风险逐渐由单一化演变为多元化，其经营管理中所面临的风险也必然随之增加。这些风险可以归结为信用风险、操作风险、市场风险等。这其中，最为重要的风险就是信用风险。广义的信用风险主要包括信贷风险和流动性风险等。信贷风险是指银行承担借款方可能违约而导致贷款无法收回的风险；而流动性风险是指银行自有资金不足，从而可能无法满足其存款人或其他债权人的资金索取而导致违约的风险，属于银行自身的信用风险。
基于《新巴塞尔资本协议》中提出的对资本充足率的要求，监管机构对于银行自身信用风险的控制进一步得到强化，银行管理者对于信用风险的防范意识也在逐步增强。改革开放以来，我国商业银行信用风险的内部监管制度正逐步建立。然而，由于金融体系建立较晚，我国金融市场的完善程度相对于发达国家来说仍处于落后地位。
目前，国家加快了发展市场经济的步伐，随着总理在2011年4月份的国务院常务会议中提出深化金融体制改革以来，打破国有商业银行垄断、推进利率市场化已经摆上了历史日程。利率市场化将逐步打破我国商业银行在融资体系中的垄断地位，使得商业银行将面临更大的竞争压力，承受更多的信用风险。
因此，鉴于日益突出的商业银行自身信用风险问题，建立一套有效合理的信用风险评价模型，对其进行科学评估已经成为信用风险管理的核心。然而，目前我国商业银行信用风险管理现状却令人担忧，表现在信用风险管理体系不健全、信用风险评估模型方法落后等。这就迫切需要为我国商业银行信用风险分析研究提供思路，构建一套符合我国商业银行客观需要的信用风险评估指标体系，建立可以准确衡量信用风险的模型，以用来填补我国商业银行在信用风险管理上的不足。
目前，国际上最具影响力的信用风险模型主要有KMV公司的KMV模型、J.P摩根公司的Credit Metrics模型以及麦肯锡公司的Credit Portfolio View模型。这些模型在国外的商业银行中已经得到了广泛应用，并且取得了较好的风险预测效果。然而，由于我国上市商业银行样本数量偏少以及反映信用状况的相关有效数据缺失等原因，导致这些模型无法在我国商业银行信用风险评估领域得到有效的应用[1]。
因此，针对我国上市商业银行信用风险的以上特点，本文将尝试引入支持向量机这种小样本学习算法，通过对银行关键信贷财务指标的研究，以期建立一套可以对我国商业银行自身信用风险状况进行评估的模型。模型以银行总体的贷款违约率作为评估商业银行信用风险状况的指标，采用支持向量回归机中较为前沿的分支模型 ，对样本数据进行训练，并与经典支持向量回归机模型和BP神经网络模型进行对比，研究各个模型在风险预测分析方面的表现。同时，对我国商业银行未来的贷款违约率进行预测，以此作为评估其信用风险大小的标准，对所有银行的风险进行排序。最后根据分析结果对银行的信用风险管理提出意见和建议，以期对我国商业银行风险管理提供参考。
2.研究内容及研究方法
2.1 研究内容
以商业银行信贷风险度量及管理的基本理论为基础[2]，本文将尝试引入统计学习理论中的支持向量机模型，通过对银行关键信贷财务指标进行研究，以期建立一套可以对我国商业银行自身信用风险状况进行评估的模型。同时，本文将对支持向量机不同的分支模型和其他的系统学习算法进行对比，检验不同模型在风险评估中的准确性以及对风险的可预测性，以此研究各个模型在风险预测分析方面的表现。得出在风险评估预测方面最优模型之后，本文利用训练效果最好的模型，对我国商业银行未来的贷款违约率进行预测，以此作为评估其信用风险大小的标准，对所有银行的风险进行排序。最后根据分析结果对银行的信用风险管理提出意见和建议，以期对我国商业银行风险管理提供参考。
2.2 研究方法
结合《新巴塞尔协议》的内容和目前我国上市商业银行的经营状况，本文将对我国商业银行的信用风险成因进行分析，选取与银行自身信用风险状况密切相关的关键信贷财务指标，以银行整体的贷款违约率作为衡量信用风险的依据，构建一个可以用来分析信用风险的财务指标体系。采用正向化处理和主成分分析的方法对原始财务数据进行线性降维和特征提取的预处理，并将当年的财务数据与第二年的贷款违约率进行对应匹配的处理，以此作为模型的训练样本。
在对银行财务数据进行预处理的基础上，本文引入支持向量回归机中较为前沿的分支模型、经典支持向量回归机模型 以及同来源于学习算法的BP神经网络模型对样本数据进行训练。同时，将三种模型分别采用遍历搜索的方法进行优化训练：对模型选取一个比较适用的Kernel核函数以及参数、和核函数中的参数；对于模型，选取一个比较适用的Kernel核函数以及参数、和核函数中的参数；而对于BP神经网络模型，选取输入层到隐含层以及隐含层到输出层的节点转移函数，并且挑选出适合的训练函数和网络学习函数，再用计算机筛选出最佳的隐含层节点的个数。
确定最优参数以及模型结构以后，本文采用已经分别最优化的三种训练模型，将样本输入到模型中进行训练，并对各个模型的训练和预测效果进行对比分析，选取出其中训练和预测精度最高的一种模型，以此来构建适合我国商业银行自身信用风险评估的度量模型。
本文最后将采用构建出的商业银行自身信用风险度量模型，结合所有中国上市商业银行近期的财务数据，对其衡量信用风险的未来贷款违约率进行预测，以此作为评估其信用风险大小的标准，对所有银行的风险进行排序。
本文的模型在训练过程中采用计算机仿真的技术，主要运用Matlab、SPSS和EXCEL等建模和统计软件对数据进行分析处理和训练。
网络学习过程包括信息正向的传播和误差的反向传播两个步骤，其模型结构如图1所示：
图1 BP神经网络结构图
由图1所得，在信息正向的传播过程中，样本从输入层输入，经过隐含层，经过连接权值和阀值的作用得到输出值，并与期望输出值进行比较。若有误差，则误差沿着原路反向传播，通过逐层修改权值和阀值。如此循环，直到输出结果符合精度要求为止。
除了激发函数、训练函数和学习规则外，BP神经网络的训练过程还需要设定隐含层神经元个数、学习度和最大训练迭代次数三个参数。其中，隐含层神经元个数可以凭经验决定，个数过少将影响网络的学习能力，而过多的神经元个数将大幅增加网络学习的时间；而参数学习度越小，将导致训练次数越多，但学习率过大，将影响网络结构的稳定性；最后，最大训练迭代次数由前两者共同决定，三者共同影响网络学习的效率。为了将BP神经网络达到最优的训练效果，本文在实证研究中对各个参数进行遍历搜索，以期筛选出可以互相配合、使得模型达到具有最佳训练效率的一组参数。
3.实证分析
本部分引入支持向量机和BP神经网络，建立商业银行自身信用风险评估指标体系，以我国上市商业银行的数据为样本进行训练，筛选出最优风险预测评估模型。
如表1所示，本文对商业银行的13个关键信贷财务指标提取出6个主成分，分别为盈利能力、经营能力、资本结构、流动性、资本充足性和安全性。其中，表格右侧一栏表示每个财务指标对于商业银行信用风险的作用方向，“+”代表减少信用风险的指标，“-”代表增加信用风险的指标。
上文通过将样本分别输入模型、模型以及BP神经网络（BPN）模型进行训练，并分别对模型进行了优化设计。根据以上得出的三种最优化的训练模型，再分别输入我国商业银行2007年、2008年和2009年三年的财务数据，模拟计算出2008年、2009年和2010年的贷款违约率，并与各银行当年实际的贷款违约率进行比较，以此分析模型对训练样本的检测结果。模型对商业银行2008年的贷款违约率的检测效果如表2和图2所示：
分析表3至表4三年贷款违约率的检验效果，可以得出模型的训练效果优于模型和BP神经网络模型，即模型每年对贷款违约率的拟合效果较好，检测精度较高。为了进一步验证本文的结论，选取商业银行实际贷款违约率和检验值之间的相关系数和均方误差（Mean Squared Errors，MSE）对三个模型的检测效果进行综合评判，结果如表5所示：
表5 模型检验效果的评判结果
从表5可以看出，模型的训练效果无论在相关系数和均方误差MSE的检验上均优于另外两种模型。因此，可以得出模型在商业银行信用风险的训练中具有最优的检验效果。
除了对模型的样本检验效果分析外，本文再对最优化后的模型进行预测效果的评价。具体地，输入2010年的财务指标，预测出2011年各商业银行的贷款违约率，并与实际的贷款违约率进行比较，以此判断模型的预测效果，结果如表6所示：
从上表7可以看出，模型的预测效果无论在相关系数和均方误差MSE的检验上均优于另外两种模型，并且预测出的贷款违约率与实际的贷款违约率之间的相关系数超过了0.95，具有比较精确的预测能力。因此，在对商业银行信用风险评估中，模型具有更高的评测精度和较小的预测误差，是一种更为科学合理的评估方法，可以为商业银行的信用风险管理提供新的参考。
4.结论
支持向量机是一种基于小样本学习理论的通用学习算法，具有严格的理论基础，能较好地解决小样本、非线性、高维数和局部极小点等实际问题。经过多年的发展，支持向量机已经衍生出多种改良形式和优化模型。其中，模型是一类具有较高预测精度的支持向量回归机，在多个领域已经得到了广泛的应用，取得了较好的预测效果。
针对于目前我国商业银行信用风险管理体系的不足以及国内上市商业银行的样本数量偏少的情况，本文引入了模型来评估商业银行自身的信用风险。利用主成分分析建立商业银行信用风险评估指标体系，并构建基于模型的商业银行信用风险评估模型。通过与模型和BP神经网络模型训练效果的比较，发现模型在商业银行信用风险的训练和预测中都具有更高的精度。
本文最后根据优化训练完毕的模型对我国所有上市商业银行未来的信用风险进行了预测，得到了我国商业银行整体信用风险可能上升，并且国有银行和股份制商业银行都将面临更大信用风险的结论。因此，根据以上的分析，模型为商业银行的信用风险管理提供了更为有力的辅助工具，可以推广到更多金融领域的风险评估当中。
尽管本文从模型的优化设计、训练样本的匹配选取以及银行自身信用风险的度量角度三个方面对我国商业银行信用风险的评估研究做了一些开创性的工作，取得一定的研究成果，但还存在需要进一步完善和深入研究的问题，这些问题主要是：
（1）本文所引入的模型的算法可以与交叉验证和选块、分解等方法配合使用，改进模型中对于参数优化设计的步骤和思想，以此可以改良原有模型的算法，进一步提高模型对商业银行信用风险的预测精度；
（2）对于建立起的商业银行信用风险评估指标体系，应该结合我国商业银行实际面临的信用风险结构以及资产配置状况进行调整，并且可以根据不同类型的银行分别采用不同的信用风险评估指标体系，以此针对不同银行构建起更加合理的信用风险评估模型。
参考文献：
[1]曹道胜，何明升.商业银行信用风险模型的比较及其借鉴[J].金融研究，2006（10）：90-97.
[2]Cortes C，Vapnik V N.Support-Vector Networks[J].Machine Learning，1995，20（3）：273-297.
[3]Vapnik V N，Lerner A.Pattern Recognition Using Generalized Portrait Method[J].Automation and Remote Control，1963，24：774-780.
[4]Drucker H，Burges C J C，Kaufman L，Smola A，Vapnik V.Support vector regression machines[J].Electronic Engineering，1997，1（6）：155-161.
[5]Sch?lkopf B，Williamson R C，Bartlett P L.New support vector algorithms[J].Neural Computation，2000，12（5）：1207-1245.
[6]Sch?lkopf B，Smola A J.Learning with kernels：support vector machines，regularization，optimization，and beyond[M].Cambridge：MIT Press，2002.
[7]Wang Defeng，Yeung D S，Tsang E C.Weighted Mahalanobis Distance Kernels for Support Vector Machines[J].IEEE Trans on Neural Networks，2007，18（5）：1453-1462.
[8]Tay F E H，Cao L.Application of Support Vector Machines in Financial Time Series Forecasting[J].Omega，2001，29（4）：309-317.
[9]Vapnik V N.统计学习理论的本质[M].张学工译.北京：清华大学出版社，2000.
[10]张学工.关于统计学习理论与支持向量机[J].自动化学报，2000，26（1）：32-42.
[11]邓乃扬，田英杰.支持向量机——理论、算法与拓展[M].北京：科学出版社，2009.
[12]顾亚祥，丁世飞.支持向量机研究进展[J].自动化学报，2011，38（2）：14-17.
[13]刘建伟，李双成，罗雄麟.P范数正则化支持向量机分类算法[J].自动化学报，2012，38（1）：
76-87.
[14]李倩，郑丕谔.基于支持向量机的企业现金流量评级[J].内蒙古农业大学学报（社会科学版），2007，9（6）：86-87，93.
[15]吴冲，夏晗.基于支持向量机集成的电子商务环境下客户信用评估模型研究[J].中国管理科学，2008，16（S1）：362-367.
[16]李翀，夏鹏.后验概率支持向量机在企业信用评级[J].计算机仿真，2008，25（5）：256-258.
[17]余晨曦，梁潇.基于支持向量机的商业银行信用风险度量模型[J].计算机与数字工程，2008，36（11）：10-14.
[18]孙彬，李铁克.基于v-SVR的金融股指预测及选时策略研究[J].统计与决策，2010，38（3）：
45-48.
[19]胡海青，黄铎，武晟.基于SVM的股份制商业银行利益相关者对资本配置绩效影响的仿真研究[J].管理工程学报，2010，24（4）：148-154.
[20]约翰·赫尔.风险管理与金融机构[M].北京：机械工业出版社，2010，2.
[21]Shawe-Taylor J，Cristianini N.Kernel Methods for Pattern Analysis[M].New York：Cambridge University Press，2004.
