用神经网络、支持向量机和多元统计方法来预测银行金融破产—— 以土耳其的储蓄存款保险基金（SDIF）转让银行为样本 进行比较分析外文翻译资料

英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

用神经网络、支持向量机和多元统计方法来预测银行金融破产——

以土耳其的储蓄存款保险基金（SDIF）转让银行为样本

进行比较分析

摘要

银行倒闭威胁到整个经济体系。因此，预测银行金融破产对于预防或者减少即将对经济体系产生的消极影响至关重要。这原本是一个分类问题，将银行分为运营正常和不正常的。这项研究意在应用各种神经网络技术，支持向量机和多元统计方法对土耳其银行破产案例进行预测，并且提出综合计算比较分类的技术测试。20个金融比率中的6个特征组——包括资本充足率、资产质量、管理质量、收益、流动性和市场风险敏感性被选为这个研究中的预测变量。四个具有不同特点的四个数据集被开发运用官方金融数据来改善预测性能。每个数据集也被分为训练集和验证集。在神经网络的范畴，四个不同的体系结构即多层感知器,竞争学习,自组织映射和学习矢量量化都被征用了。多元统计方法：多元判别分析,k - means聚类分析和逻辑回归分析。实验结果将根据正确的精度性能技术进行评估。结果表明，多层感知器和学习矢量量化可以被视为预测银行金融破产的最成功的模型。

关键字：银行破产预测 金融破产 银行 储蓄存款保险基金 人工神经网络 支持向量机 多元统计方法

1.简介

土耳其银行业在1994年金融危机之后经受了严峻的考验，进行重要的空头头寸的银行在外汇位置，不匹配的期限不得不蒙受巨大的损失并且面对流动性问题，作为主要存款挤兑的结果。在1994年3月，3个小银行提出清算过程，引发了进一步的存款取款。政府必须退出储蓄存款的100%担保并且对面临困难的银行提供流动性支持。然而，除了3个已经完成清算的小银行，银行业被证明是有弹性的并且一个银行危机是可以被避免的。这些发展凸显了土耳其银行业被高度分割的事实，一个有效率、盈利的银行组织处于核心地位，而其他小银行则处于边缘。银行业从1994年金融危机开始逐渐复苏。然而，1997-1998年东亚和俄罗斯的危机及1999年两个毁灭性的地震对土耳其经济和银行业带来了负面影响。2000年11月的危机导致了对银行业资本基础的重大侵蚀，并且揭露了系统的进一步脆弱性。不断升级的政治不确定性，失去信誉的汇率制度和最终在2001年2月废除盯住汇率进一步打击了本已脆弱的银行业（BRSA,2001）.2000年11月和2001年2月的危机期间，一些银行财务失败。因此，一些银行停止了他们的操作并且一些一行被储蓄存款保险基金（SDIF）接管。

SDIF在必要时除了储蓄存款提供保险要负责加强和重组银行的金融结构。SDIF的管理和代表拥有的法律实体在1983年被土耳其共和国（CBRT）首次监管，之后是由银行监管和监督机构（BRSA）接管。它在2003年被提供——SDIF的决策机构是基金董事会。

关于SDIF接管银行的法律基础如下：通过银行监管和监督委员会的决定（BRSB），银行进行银行业务许可和接受存款会根据银行法第71条NO.5411被撤销。当处于问题中的银行不能及时履行他的义务，它不能采取必要的措施，并且银行业务的延续将危机储户权益以及金融体系的安全和稳健时。因此，依照第106条相同的法律控制和管理规定由SDIF接受。SDIF应当支付保险存款和银行保险贡献基金，其管理和控制已经被假定。直接或通过另一个银行，它可以以存款和对银行贡献基金所有人的名义指定和研究银行破产进程。SDIF应当根据第106条相同的法律独家授权采取上述行动。

从1997年，21家银行被转移到了SDIF。这些银行已经及时解决问题，通过偿还所有债务，清算，偿还负债,存款保险制度,合并，最后,出售后财务和/或运营重组过程来直接清算。目前，只有一个银行，Birlesik Fon Bankasi，在SDIF的支持下依然保留。

因为银行在经济中的中心地位，1997到2003年这段银行倒闭的时期深深影响着相关部门和家庭。

在这样一个银行业风险部门预测可能的银行倒闭对于预防和减少它对整个经济系统的影响是至关重要的。另一方面，这种预测问题对于不同方法的比较分析也很重要。预测银行破产是一个首要的分类问题，将银行分为运营正常和不正常的。这个问题已被许多研究人员进行了广泛的研究,许多方法已经研究出来。破产预测一般包括多元统计方法和人工神经网络。最近，支持向量机（SVMS）已经成为对破产预测的一个焦点。然而，特别是在土耳其的案例中，这个问题比较不同方法的文献相对稀少。

本研究的主要目的是运用各种神经网络技术，支持向量机和多元统计方法对土耳其案例进行银行破产预测，通过这些技术提出一个综合计算比较方法。

论文的其余部分内容如下：这个综合性文献在第二节回顾了金融破产预测问题。第三节提供了根据数据，变量，分类技术的研究设计和方法来用于这项研究。第四节给出了实验结果和讨论。最后一节给出了一些一般性结论。

2.文献回顾

对金融企业失败的预测，尤其是银行，1960年代末以来一直是一个广泛的研究领域。各种统计方法和神经网络拓扑结构已经应用到解决银行和企业破产的预测问题。统计方法包括线性判别分析（LDA）,多元判别分析（MDA）,二次判别分析（QDA），多元回归、逻辑回归（分对数），因子分析（FA）。神经网络拓扑结构的文献属于包括多层感知（MLP）、径向基函数网络(RBFN),概率神经网络(并),auto-associative神经网络(AANN),自组织映射(SOM),学习矢量量化(LVQ)cascade-correlation神经网络(Cascor)和其他智能技术包括支持向量机、模糊逻辑和等张分离的不同神经网络结构。

奥特曼（1968）是第一个使用判别分析来预测不同行业公司失败的研究人员。Sinkey(1975)页采用判别分析预测银行倒闭。奥特曼（1977）在以后的研究中建立了一个判别模型，使用32比例作为解释变量来预测1966到1973年这段时期的失败的储蓄和贷款协会。Lam和Moy（2002）结合几个判别模型，并进行仿真分析在判别分析分类问题中提高分类结果的准确性。

另一种用来预测银行倒闭的多元统计方法是多元回归分析。Meyer和Pifer（1970）是最早用这种方法预测银行倒闭问题的研究员。

马丁(1977)和Ohlson(1980)采用逻辑回归来预测银行和公司失败，Thomson(1991)研究了发生在美国1980年代的银行倒闭，Gonzalez-Hermosillo(1999)调查了分别在1980年代和1990年代美国，墨西哥和哥伦比亚发生的银行倒闭现象。Kolari, Glennon, Shin, and Caputo (2002)开发了一个针对美国大型银行基于分对数分析和特征识别的早期预警系统。Jones and Hensher (2004)提出了组合logit模型公司困境与多项logit模型预测和比较。Montgomery, Hanh, Santoso,and Besar (2005)运用分对数对日本和印尼的银行倒闭进行研究。Canbas, Cabuk, and Kilic (2005)提出了通过结合判别分析，逻辑回归和主成分分析的一个综合预警系统。Konstandina(2006)分对数分析用于预测俄罗斯银行倒闭。Doganay et al。(2006)开发了一个通过结合多元回归,判别分析,分对数的早期预警系统。

神经网络（NNS）发现了在破产预测中的广泛应用。Odom和Sharda(1990)是最早申请NNS进行公司破产预测的。Tam(1991)采用反向传播神经网络进行破产预测。Tam和Kiang(1992)比较了LDA,逻辑回归，K-NN，ID3，前馈神经网络和BPNN在预测破产问题的性能。Salchenberger,Mine和Lash(1992)和Fletcher and Goss (1993)用BPNN来预测破产储蓄，贷款协会和公司并且用逻辑回归来比较其性能。Sharda and Wilson (1993)比较了BPNN和基于重采样技术的MDA。Altman,Marco, and Varetto (1994)比较了LDA性能和BPNN分类性能。Wilson and Sharda比较了BPNN的预测精度和DA的预测精度。Tsukuda and Baba (1994)用BPNN的一个隐藏层执行破产预测然后得出BPNN优于DA的结论。Leshno and Spector (1996)比较了多种NN模型并且DA. Jo and Han (1996)建议一个集成的破产预测模型方法，判别分析和两种人工智能模型，神经网络和基于案例预测，得出综合模型比个体模型产生精度更高预测的结论。Lee, Han, and Kwon (1996)提出了3中混合神经网络即MDA-assisted神经网络，ID3-assisted神经网络和SOM-assised神经网络来预测公司破产。他们得出的结论是，混合神经网络模型比MDA和ID3要好。Serrano-Cinca (1996)比较了SOM性能和LDA和金融诊断的神经网络。Jo, Han,and Lee (1997)应用了三种预测技术——DA，案例预测和神经网络来预测韩国公司的破产。他们得出NN优于DA和案例分析系统的结论。Barniv, Anurag, and Leach (1997)比较了神经网络，多语言命令分对数和非参数多重判别分析。他们得出神经网络优于NPDA和logit模型的结论。Bell (1997)比较了逻辑回归和神经网络来预测银行破产。Piramuthu, Ragavan, and Shaw (1998)设计了一个名为特征构造(FC)的方法并且用它和神经网络来进行破产预测。他们得出用FC的神经网络优于用全部数据集的普通神经网络的结论。Kiviluoto (1998)使用了SOM并且提出公司破产预测的变异体。他比较了三种不同的SOM-based分类器即SOM-1 SOM-2和混合了LDA的RBF-SOM，学习矢量化（LVQ）和K-NN。Zhang, Hu, Patuwo, and Indro (1999)使用了广义减少梯度（GRG2）训练的三层NN来进行破产预测。他们得出的结论是,GRG2训练神经网络优于逻辑回归。Alam, Booth, and Thordason (2000)指出，模糊聚类算法和自组织神经网络方法提供有价值的信息来识别潜在的破产银行。

Lacher, Coats, Sharma, and Fantc (1995) 提出了一个cascade-correlation神经网络分类(Cascor)公司的财务状况，他比较了Cascor模型和奥特曼z分数模型的性能。他们得出的结论是，Cascor模型会不断产生更高的真题分类率。Yang, Platt, and Platt (1999)提出没有模式规范化的PNN和费希尔判别法来解决破产预测问题。他们将原始的PNN和没有模式规范化的PNN和FDA与DA和BPNN相比。Baek and Cho (2003)提出用自动连接神经网络（AANN）对韩国公司进行破产预测。他们得出的结论是，AANN要优于双阶级BPNN。

文献用支持向量机（SVMs）来处理莫婵预测问题是对比统计方法和神经网络相对较小的方案。Shin, Lee, and Kim (2005)用SVMs来预测企业破产并且与BPNN的结果进行比较。他们表明，随着训练集逐渐变小，SVMs的精确度和泛化性要优于BPNN。Min and Lee (2005)将SVMs用于破产预测问题，师徒提出一个新的模型使其拥有更好的解释力和稳定性。他们将他们的模型和DA,分队数好三层完全连接的BPNN进行比较。他们的实验结果显示，SVMs要优于其他的方法。Min, Lee, and Han (2006)从两个方面提出了提高SVMs性能的方法：特征子集选择和参数优化。他们用遗传算法(GA)优化支持向量机的特征子集和参数来进行破产预测。最近，Wu, Tzeng, Goo, and Fang (2007)使用一个实值遗传算法优化参数的支持向量机预测破产并且在台湾金融危机预测中测试他们的模型，来比较所提出的GASVMs模型和用多元统计分析和人工智能的其他模型的精确性。他们表明，GA-SVM模型表现出了最精确的预测，暗示将实值遗传算法和传统的支持向量机模型相结合是非常成功的。总的来说，这项运用SVM来预测金融破产的研究显示了SVMs优于神经网络和统计方法预测破产。

除了统计方法，神经网络和支持向量机，在文献中还有多种智能技术包括案例推理、决策树、运筹学、进化方法、基于粗糙集技术、软计算技术和其他技术将模糊逻辑和等张分离等技术来进行破产预测。评审论文的kumar和Ravi（2007）总结了对感兴趣的读者有用的相关文献。

3.研究方法和理论

总共有20个财务比例，和6个特征组，包括资本充足率、资产质量、管理质量、收益、流动性和对市场风险的敏感性被选为这个研究中的分类组。这些6个组中的财务比例如下：

资本充足率:股东权益/总资产(CA1),股东权益/总贷款(游离钙),股东权益 净利润/总资产 资产负债表外的承诺(CA3)。

资产质量:固定资产/总资产(AQ1),贷款总额/总资产(AQ2),贷款后续/贷款总额(AQ3),明确规定/贷款总额(AQ4),明确规定/贷款后续(AQ5)。

管理:人员费用(M1)/平均资产。

收益:净利润/平均资产(E1),净利润/平均股东权益(E2),税前收入/平均资产(E3)、利息收入/总营业收入(E4),非利息费用/总营业收入(E5)。

流动性:流动资产/总资产(L1),贷款总额/总存款(L2)。

对市场风险:证券交易/总资产(SMR1),外汇资产/外汇负债(SMR2),净利息收入/

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[150880]，资料为PDF文档或Word文档，PDF文档可免费转换为Word