基于SVM的我国商业银行风险预警研究

陈朝晖，胡玉芳

(福州大学管理学院，福建 福州 350002)

随着我国金融领域开放程度的加深，银行业所面临的经营环境更加不确定。设计适合我国实际情况的银行风险预警模型，避免危机的爆发或降低危机的破坏性，具有重要的理论与现实意义。

1 文献回顾

自20世纪80年代开始，以统计学习理论为基础的小样本、非线性机器学习方法，即支持向量机(SVM)越来越受到研究者的青睐。

国外对SVM的预测效果进行了大量的研究。SHIN等[1]采用SVM方法对公司破产风险进行预测，并将其与BP神经网络方法进行比较，结果显示:当训练样本比较小时，SVM的预测精度和总体效率都比 BP神经网络高。CHEN等[2]采用SVMs、BP神经网络及Logit回归方法构建了银行风险预警模型，结果显示SVMs模型的预测效果和准确率远远高于其他两个模型。BOYACIOGLU等[3]以土耳其被储蓄存款保险基金接管的银行为样本，对神经网络、支持向量机和多元统计预警模型进行了比较分析，结果显示，SVMs具有较好的预警效果，预测准确率达到90.9%。

国内对SVM的应用主要体现在对银行信贷风险的识别与分类上。余晨曦等[4]将支持向量机的非线性分类器应用到贷款违约的判别中，构建了基于支持向量机的我国商业银行信用风险度量模型，并将结果与多元线性判别分析的结果进行了对比。结果显示，支持向量机在对贷款违约的判别中有很好的判别效果。吴冲等[5]建立基于模糊积分的支持向量机集成方法对商业银行信用风险进行了五级分类，评估结果表明，该评价方法具有科学、简洁、预测精度高等特点，且模型的结构与方法应用前景广阔。……