《《基于ANNs的商业银行操作风险度量模型的实证研究》-公开DOC·毕业论文》由会员分享，可在线阅读，更多相关《《基于ANNs的商业银行操作风险度量模型的实证研究》-公开DOC·毕业论文（10页珍藏版）》请在金锄头文库上搜索。
1、西南财经大学天府学院风险管理论文题 目：基于ANNs的商业银行操作风险度量模型的实证研究姓 名： 学 号：40801622 班 级： 本科16班指导教师： 年6月9日星期四目录一、引言4二、基于人工神经网络的风险度量原理4三、神经网络法度量模型的设计5(一)度量模型的网络结构5（二）函数设定5四、工具开发6五、样本选取说明7六、数据导入与实证分析8七、结论9参考文献9摘要： 随着我国金融业的发展，特别是在金融危机和巴塞尔协议3颁布后，各商业银行对有效度量自身操作风险的要求越来越高，但目前已有的3种基本度量方法，及2种高级衡量法都不足以满足这一要求。因为，一方面，操作风险损失数据普遍缺乏；另一方
2、面，实际中数据呈现出高度非线性关系，而传统度量方法难以克服这一问题。所以，在人类神经网络的工作原理的启示下，受益于近几年人工神经网络技术的蓬勃发展，本文将BP神经网络技术运用于商业银行的操作风险度量当中，并对国内招商银行、民生银行等5家股份制商业银行做了实证研究。许多研究已表明神经网络模型能够避开操作风险度量所需要的大量损失数据，不仅有一定的实用价值，而且还有很强的可操作性，是一种有效的新度量方法。为我国商业银行操作风险的度量走向实用化和简单化奠定了基础。关键词：操作风险、人工神经网络ANNs、股份制商业银行、资本金一、引言对操作风险的度量是商业银行管理操作风险的核心内容，对操作风险的度量是否
3、合理、科学、准确决定着银行管理操作风险的水平。目前衡量的主要方法有：1基本指标法(basic indicator approach)2标准法(standardized approach)3高级计量法(advanced measurement approaches，AMA)各方法目前的使用情况如图所示：工具方法风险与控制评估关键风险指标情景分析其他基本指标法93%86%21%21%标准法100%92%23%23%高级计量法100%71%86%14%表1 亚太地区银行操作风险管理工具使用情况资料来源：KPMG 2009* 注： 其他方法包括，损失搜集，风险映射/设置，关键的操作风险控制；极端事件的
4、情景模拟分析；内部和外部损失数据的运用；缺口分析。对于我国商业银行来说，现有的操作风险度量方法在实际应用上还存在着很大的限制性。如标准法建立在将将所有业务分为8类产品线的基础上，存在重复计量问题，并没有考虑各项损失之间相关性；而高级计量法不仅要求提供与监管条列中范围、类型一致的操作风险分类数据，还要克服相关性估计不准确的问题。所以，上述方法的不足集中表现在无法克服操作风险损失数据缺乏和无法处理银行各业务间的非线性相关性问题方面。现实中，银行各业务各部门间不是多条平行线状得关系，而是相互交织的网状关系，而且商业银行在缓释信用风险和市场风险过程中，也有可能带来操作风险。因此目前我国商业银行选择操作
5、风险度量方法的一个主要出发点应该是：度量方法可以在操作损失数据不足的情况下对操作风险进行度量。鉴于此，本文将人工神经网络技术应用于我国商业银行操作风险的度量。神经网络是一种对数据分布无任何要求的非线性技术，突破了传统度量方法过于依赖风险损失数据、难以处理高度非线性系统、不具备时变特性、缺乏动态学习能力的局限。人工神经网络在商业银行操作风险度量中的应用，解决了传统度量方法难以处理高度非线性模型的问题，为我国商业银行操作风险的度量走向实用化和简单化奠定了基础。二、基于人工神经网络的风险度量原理人工神经网络(Artificial Neural Network，ANN)是由大量简单的基本元件神经元相互
6、联结，模拟人的大脑神经处理信息的方式，进行信息并行处理和非线性转换的复杂网络系统。人工神经网络处理信息是通过信息样本对神经网络的训练，使其具有人的大脑的记忆、辨识能力，完成各种信息处理功能。ANN的三要素是信息的流动方向、网络的拓扑结构和学习方式。根据信息流向和网络的拓扑结构，可以将ANN模型分为前向网络和反向网络两大类。前向网络的神经元分层排列，各神经元接受前一层输入并输出到下一层，每一层的神经元之间没有信息交流。前向网络包括感知机(Perceptron)和多层前向神经网绛(Muhiplayer Feedforward Neural Networks，MFNN)两种基本形式。多层前向神经网绛
7、由一个输入层、若干个隐含层、一个输出层组成，它可以用来解决非线性分类问题。三、神经网络法度量模型的设计(一)度量模型的网络结构网络结构主要包括连接方式、网络层次数和各层结点数。因为理论上已经证明，一个三层的BP网可以以任意精度去逼近任意映射关系。本文采用3层BP神经网络对我国商业银行操作风险的度量建模,如下图所示。图1 神经网络3层结构图根据商业银行操作风险产生的根源和形成机理，它的大小可以根据一系列的财务和金融指标来度量。同时，考虑到指标的代表性、灵敏性及数据收集的及时性等基本原则，并且结合新巴塞尔资本协议的建议，本模型共选取了9个风险检测指标作为BP模型的输入节点，即为：信用卡收益、消费和
8、零售金融收益、公司金融收益、投资业务收益、资产管理收益、消费零售金融和信用卡损失、公司金融损失、投资业务损失以及资产管理损失。（二）函数设定9个风险检测指即BP模型的输入节点,用X(x1,x2,、x9)来表示。模型的输出层节点只有1个，即商业银行操作风险值，用R(o1)来表示。隐层节点数的多少对网络性能的影响较大。隐层节点数的选择较为复杂，并无确定的法则，只能根据一些经验法则。对于三层网络，以下经验公式可供参考用来确定最佳的隐层节点数。其中，m为输入层单元数，n为输出层单元数，c为l10之间的常数。由前人研究成果得知，在输入节点数为9，输出节点数为1的情况下，隐层结点数取5时，网络收敛最快，误
9、判率最低。隐层节点用Y(y1，y2，y3，y4，y5)来表示。如果输入层节点到隐层节点的权值用V(v1，v2，v9)表示，隐层结点到输出层结点权值用W(w1，w2，w3，w4，w5)表示，则对于隐层有：，i=1,2、9；j=1,2，、5对于输出层有：，j=1，2，3，4，5图2 函数网络结构图其中f(x)为激发函数：由此，该度量模型的网络结构如图2所示。网络的学习算法神经络的学习，就是对各权值调整的过程，权值的调整原则是使误差不断减小，因此要使误差的调整量和误差的负梯度成正比。根据BP算法，得出模型的权值调整公式为：其中，d1是期望输出值，为学习率。是采用变步长法根据输出误差大小自动调整，可以
10、来减少迭代次数和加快收敛速度。其中，a为调整步长，在(0，1)取值；为期望输出与计算出的输出之间的误差。因此，对于每一个输入的样本，计算出相应的wjl和vij，得到权值调整公式：, j=1,2,3,4,5, j=1,2,3,4,5,6,7,8,9当o1和d1的误差达到要求的精度时，算法停止，学习过程结束。四、工具开发为进行实证研究，我下载了一个BP网络算法的模板系统，该系统的开发平台为Win7，开发工具采用Visual C+6.0版。此模型也可采用VB、MATLAB进行开发。下图为win7环境下BP神经网络操作风险度量系统的操作界面。图3 友好的操作界面考虑到我国在商业银行操作风险的度量方法和
11、管理水平方面的滞后，以及操作风险损失数据的严重缺乏，模板系统的开发者采用的是国际上具有代表性的四家银行：花旗银行、摩根大通银行、德意志银行和汇丰银行的数据对网络进行学习训练。其实，在BP网络的开发中学习样本的数量越多，网络对系统的拟合程度越高，但由于水平和资源有限，无法收集整理出大量样本予以学习。 五、样本选取说明此文中，鉴于样本的数量、质量和代表性等原因，并考虑到2008年金融危机对国内商业银行的影响，使用系统进行实证研究时，我选取的是2008年以前，具有代表性的国内四家股份制商业银行的2006-2007年报数据作为实验对象，共整理出90个数据，作为新训练样本。设置最大学习次数为10000次
12、，学习误差为0001。实验的输出结果表明，所有企业模拟的学习误差都在精度范围之内。表2 五家上市股份制商业银行9项指标各输入值，单位：百万元数据来源：招商银行、民生银行、深圳发展银行、浦东发展银行、华夏银行20062007年年报。六、数据导入和实证分析在操作风险度量系统界面上，将上表数据分别输入BP神经网络商业银行操作风险度量系统，得出五家股份制上市商业银行2006和2007年两年的基于神经网络法的操作风险资本金,如表3所示招商银行 民生银行 深圳发展银行 浦发银行 华夏银行2006 R(o1) 345604 316718 165520 317008 1876772007 R(o2) 4964
13、26 426712 206465 432386 252472表3 五家上市股份制商业银行基于神经网络法的操作风险资本金,单位：百万元2006、2007年我国这五家上市股份制商业银行，基于BP神经网络商业银行操作风险度量系统计算的操作风险资本金的平均值，分别为421015万元(招商银行)、371715万元(民生银行)、230993万元(深圳发展银行)、374697万元(浦东发展银行)、220075万元(华夏银行)。其中招商银行的操作风险资本金最高，民生银行最低。七、结论在操作风险损失数据普遍缺乏的情况下，如何选择合适的操作风险度量模型，对当前我国商业银行的操作风险管理尤为重要。此文中基于人工神经
14、网络技术的度量系统能够避开操作风险度量所需要的大量损失数据，不仅有一定的实用价值，而且还有很强的可操作性。这种跨学科的运用进一步促进了物理金融的发展，但要更为全面、准确地评估一个银行的操作风险大小，还应该结合极值理论、叶贝斯估计、Monte Carlo等方法，进行综合分析。参考文献：1 Lippman L.P.,Introduction to Computing with Neural Nets，Pearson，20072 Victor R Prybutok;Junsub;David Mitchell，Comparison of neural network models with ARIMA
15、 and regression models for prediction of Houstons daily maximum ozone concentrations，2000(1)3 Joe.Beth,Risk Management in Banking Industry,Wiley,2008（2）4 郭爽,周恩红，人工神经网络技术在商业银行操作风险度量中的运用，金融理论与实践，2010（4）5 赵先信，银行内部模型和监管模型， 上海人民出版社，20076 车德宇，商业银行操作风险管理理论与实务，中国经济出版社，20087 黎振兴，加强操作风险管理完善监管体系J,中国金融,2007（13）48-508 罗猛等，操作风险高级计量法及其验证:估计经验与启示J,国际金融研究,2009（5）54-609 陈四清，美国金融危机深层次原因分析及对中国银行业的启示J,国际金融研究，2008（1）26-
