導(dǎo)語：銀行機構(gòu)不良資產(chǎn)分類研究一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

【摘要】商業(yè)銀行信用風(fēng)險管理一直是全面風(fēng)險管理（ERM）的重要組成部分，對于地方法人銀行機構(gòu)而言，不良資產(chǎn)的識別和分類是信用風(fēng)險管理的重點和難點。針對我國中小法人銀行面臨的不良貸款信用風(fēng)險問題，引入一種基于數(shù)據(jù)挖掘技術(shù)的KNN分類算法進行建模，對不良資產(chǎn)信用風(fēng)險進行識別分類，并選取湖南S農(nóng)商行和B農(nóng)商行2017年末全部信貸數(shù)據(jù)進行實證。

【關(guān)鍵詞】KNN算法；風(fēng)險管理；不良資產(chǎn)

一、引言

金融是現(xiàn)代經(jīng)濟的核心，銀行市現(xiàn)代金融的核心，現(xiàn)代商業(yè)銀行在經(jīng)營和發(fā)展過程中，因為籌集融通資金，中間環(huán)節(jié)會積累大量不良資產(chǎn)。由于歷史上和現(xiàn)實上的原因，我國農(nóng)信系統(tǒng)的地方法人金融機構(gòu)累積了大量的不良資產(chǎn)，雖然經(jīng)過央行票據(jù)置換和農(nóng)商行改革已經(jīng)置換、清收了大量的不良資產(chǎn)，但是由于地方法人銀行機構(gòu)信用風(fēng)險管理能力較差，人才隊伍培養(yǎng)滯后，故對不良資產(chǎn)的事前識別能力極弱[1]。目前國內(nèi)銀行業(yè)對不良資產(chǎn)信用風(fēng)險評估方法主要是采用古典分析法和多元統(tǒng)計法。古典分析法是指銀行經(jīng)營者依賴一批訓(xùn)練有素的專家主觀判斷，對信貸項目進行判斷打分，審貸會以此決策。多元統(tǒng)計分析的基本思路是根據(jù)歷史積累的樣本建立統(tǒng)計模型，對新樣本發(fā)生的某種事件的可能性進行預(yù)測的方法，包括線性概率和判別分析法等[2]。以上所述方法雖然被廣泛應(yīng)用，但是他們只是針對某一方面如財務(wù)進行分析和統(tǒng)計，不能充分利用銀行搜集的全面信息，尤其是一些邊緣信息。大量的數(shù)據(jù)挖掘研究結(jié)果表明，很多邊緣信息和側(cè)面指標可以很好地補充單一財務(wù)指標的缺陷，使借款項目的特征更加鮮明，故本文引入K近鄰算法建模，試圖用新辦法解決信用風(fēng)險識別、評估的舊問題[3]。

二、模型設(shè)計

K近鄰（K-NearestNeighbors,KNN）算法是一種基于實例的數(shù)據(jù)挖掘分類算法，最初是由Cover和Hart于1968年提出，是一種非參數(shù)的分類技術(shù)。通過計算每個訓(xùn)練樣例到待分類樣品的距離，取和待分類樣品距離最近的K個訓(xùn)練樣例，K個樣品中哪個類別的訓(xùn)練樣例占多數(shù)，則待分類元組就屬于哪個類別。KNN算法具體步驟如下：（1）初始化距離為最大值,包涵全部樣本。（2）計算每個位置樣本和每個訓(xùn)練樣本的距離dist。（3）得到目前K個近鄰樣本中的最大距離MD。（4）如果dist小于MD，則將該訓(xùn)練樣本作為K近鄰樣本。（5）重復(fù)步驟（2）、（3）、（4），掃描樣本庫，直到未知樣本和所有訓(xùn)練樣本的距離都計算完。（6）統(tǒng)計K個近鄰樣本中每個類別出現(xiàn)的次數(shù)。（7）選擇出現(xiàn)頻率最大的類別作為未知樣本的類別。（8）利用前7步訓(xùn)練得出的模型進行預(yù)測。KNN方法在類別決策時，只與極少數(shù)的相鄰樣本相關(guān)，因此采用該種方法可以較好地樣本的不平衡的問題。由此可見，KNN算法對K值即近鄰種類的數(shù)量依賴較大，如果K值較小，預(yù)測目標容易產(chǎn)生變動性，K值太大，模型的預(yù)測誤差可能會過大。為防止樣本密度差異過大，故K值選取須反復(fù)驗證，根據(jù)前人研究經(jīng)驗推定K值的有效途徑是通過有效參數(shù)數(shù)目這個概念，有效參數(shù)數(shù)目是與K值相關(guān)的，約等于n/K，其中n是這個訓(xùn)練數(shù)據(jù)集中實例的數(shù)目[4]。

三、實證分析

本文選取湖南永州境內(nèi)S農(nóng)商行和B農(nóng)商行全部信貸數(shù)據(jù)作為實證樣本。首先對數(shù)據(jù)進行處理，對缺損數(shù)據(jù)和重復(fù)數(shù)據(jù)進行了清洗，選取12450個樣本，13個特征值作為有效數(shù)據(jù)。將數(shù)據(jù)庫的英文字符和中文字符全部轉(zhuǎn)化為雙精度浮點型數(shù)據(jù)，然后利用虛擬變量函數(shù)對雙精度浮點型數(shù)據(jù)全部進行編碼，樣本屬性標簽正常貸款和不良貸款分別用0和1表示。在實證環(huán)節(jié)，隨機選取40%的樣本作為測試樣本，共進行40次交叉驗證。在交叉驗證環(huán)節(jié)K值選取6時，預(yù)測和訓(xùn)練效果最佳。40次交叉驗證預(yù)測標簽為1的不良貸款結(jié)果如下表。K值為4時，準確率為0.732；K值為5時,準確率為0.772；K值為6時,準確率為0.862；K值為7時,準確率為0.753；K值為8時,準確率為0.604。全部40次隨機交叉驗證的準確率均值為0.745，標準誤差為0.116。透過該模型的實證結(jié)果，我們還可以看到B農(nóng)商行和S農(nóng)商行存在如下幾個現(xiàn)象：一是個別信貸經(jīng)理不良貸款筆數(shù)奇高，占到全部不良貸款的15.63%，而貸款“三查”制度執(zhí)行未見差錯，內(nèi)部審計也未發(fā)現(xiàn)嚴重問題，當是與該信貸經(jīng)理能力和素質(zhì)有關(guān)。二是存在不良貸款在某些區(qū)域集中分布的情況，普遍存在居委會的不良貸款筆數(shù)超過以村為名的行政聚居區(qū)，經(jīng)過實地調(diào)查發(fā)現(xiàn)是純農(nóng)業(yè)地區(qū)（村）授信筆數(shù)少于工商業(yè)為主的聚居區(qū)（居委會）。分屬同一支行，有別個行政聚居區(qū)（村、居委會）不良貸款筆數(shù)明顯超過其他行政聚居區(qū)，該個別居委會民風(fēng)較為拖沓，習(xí)慣性欠息[5]。三是貸款投向劃分不準確，導(dǎo)致該項聚類出現(xiàn)偏差，在農(nóng)商行的樣本中，95.4%的貸款投向均是農(nóng)林牧漁業(yè)，原因是為了獲得再貸款、再貼現(xiàn)支持，人民銀行信貸考核需要涉農(nóng)貸款比例達標，實際導(dǎo)致信用風(fēng)險識別不準確[6]。

四、結(jié)論和建議

利用KNN算法構(gòu)建的不良資產(chǎn)分類模型的準確率較高，穩(wěn)定性較強，在多次交叉驗證后，可以選擇合適的K值，獲得較好的預(yù)測效果，故模型實用價值很高。但法人銀行機構(gòu)的關(guān)聯(lián)交易和流動性狀況是該模型不能識別的，股東的高額關(guān)聯(lián)貸款給法人銀行帶來的信用風(fēng)險是極大的，極端情況的流動性短缺會讓法人銀行機構(gòu)經(jīng)營困難，結(jié)合聲譽風(fēng)險，可能會被處置當局警告、早糾甚至接管[7]。

作者:劉翔鵬 單位:中國人民銀行永州市中心支行