1. 研究目的与意义
20世纪80年代末，金融全球化趋势不可阻挡，各国金融的波动性也逐步增强，几乎所有的商业银行和绝大多数投资者都面临着严峻的挑战，其中信用风险的影响尤为凸显。而在近两年中出现的金融业低迷以及一些发达国家引发的反全球化潮流更是大大加重了信用风险在世界金融中的危害性。国际金融界高度关注信用风险，且商业银行的抗信用风险能力也是我国银行管理中的一个突出问题。
随着技术的发展，人工智能技术被越来越多地用在风险评估中，其中由于人工神经网络具有高度的自主学习能力、联想存储功能以及不确定性信息处理能力，使得其在一些信息不够全面的系统评估中更具优势，具有较强的实际意义。
2. 研究内容和预期目标
本文以神经网络技术在商业银行风险评估中的应用为研究对象，运用定性分析与定量计算，理论探讨和实证分析相结合的研究方法，综合应用商业银行信用风险、统计分析和神经网络等相关理论。首先深入阐述商业银行信用风险管理的理论基础，涵盖信用风险概念、特征以及人工神经网络基本理论等内容。通过综合评估现有评估模型的优缺点，选择改进的BP神经网络创建商业银行信用风险评估模型。在实证分析部分，利用所搜集的上市公司数据对模型进行仿真分析，验证模型的科学性及可行性。
本论文将分为5个部分，依次为绪论、信用风险的理论阐述、人工神经网络的原理及其应用、建立基于B-P神经网络的个人信用风险评估模型以及结论与建议。3. 国内外研究现状
国外研究现状：在人工神经网络算法的研究方面，Lapedes等人首先将人工神经网络引入金融预测研究中，该智能方法逐渐吸引了很多中外学者的青睐。Chakraborty等人使用简单的神经网络（ANN）对多变量时间序列进行预测研究，ANN模型的预测效果明显优于传统统计学模型。Jandaghi等人分别建立模糊神经网络模型和ARIMA时间序列模型对上市公司股价进行研究，预测结果比较显示，模糊神经网络模型的准确性高于传统的ARIMA模型。Yaser等人研究了在金融工程领域中，运用人工神经网络技术进行预测时，输入变量的选择没有任何依据，如何选取是疑难点，开发相应的变量选择方法是亟待解决的问题。
同时，在信用风险评估体系方面，西方商业银行通过30多年的努力，不断推陈出新，已经拥有了比较完善的信用风险评估体系，为有效预防信用风险起到了重要作用。近年来，随着相关科学领域的发展，西方各国对于风险评估模型的探索不断进步，继传统的比例分析之后，统计方法也被大量运用，以弥补传统方法中的综合分析能力差等不足。目前，在国外量化评估和应用量化评估模型已得到公认，信用风险评估的模型方法已成为信用评估的发展趋势。但是由于信用风险评估模型中存在数据匮乏等实际问题，各界对信用风险量化度量方法还未达成共识。
我国研究现状：在人工神经网络算法的研究方面，杨娟丽等人优化了BP神经网络时间序列预测模型，该方法拥有更好的推理能力和泛化能力，克服了传统神经网络方法波动情况。赵振勇详细探讨了样本数据的选取、隐节点个数的确定原则。根据外生因素的多变性、内部结构的复杂性、高度非线性特点及基本BP算法的缺点，提出了一种遗传BP算法。张希影引入遗传算法防止BP神经网络易陷入局部极小点、收敛速度慢，优化其权值和阀值提高了模型预测精度和收敛速度。
4. 计划与进度安排
本文将通过文献分析法、对比分析法以及理论研究和实证分析相结合的方法来构建一个适合我国国情的风险评估体系，在研究过程中将建立一个基于B-P神经网络的个人信用风险评估模型，通过不断的修正尽可能使得模型准确，并通过与其他模型的对比分析，尽可能对我国的风险评估体系提出合适的建议。
5. 参考文献
| [1]Li Dan-Ping,ChengSi-Jie,Cheng Peng-Fei,Wang Jian-Qiang,Zhang Hong-Yu. A novel financial riskassessment model for companies based on heterogeneous information andaggregated historical data.[J]. PloS one,2018,13(12). [2]Ning Chen,BernardeteRibeiro,An Chen. Financial credit risk assessment: a recent review[J].Artificial Intelligence Review,2016,45(1). [3]Xubing Yang,HongxinYang,Fuquan Zhang,Xijian Fan,Qiaolin Ye,Zhe Feng. A random-weightedplane-Gaussian artificial neural network[J]. Neural Computing andApplications,2019,31(12). [4]Xin Cai,Yufeng Qian,QingshanBai,Wei Liu. Exploration on the financing risks of enterprise supply chainusing Back Propagation neural network[J]. Journal of Computational and AppliedMathematics,2020,367. [5]Ortiz-Gracia, Luis,Masdemont,Josep J. Credit risk contributions under the Vasicek one-factor model: a fastwavelet expansion approximation[J]. The Journal of ComputationalFinance,2014,17(4). [6]黄可鸣.专家系统导论[J].东南大学出版社.1988 [7]王泉源.人工智能与专家系统[J].国防科技大学出版社.1995 [8]胡冰星.商业银行信贷风险管理[J].上海三联分店.1995 [9]张立明.人工神经网络的模型及应用[M].复旦大学出版社.1999 [10]杨保安,朱明基.于人工智能的银行信贷风险管理决策研究[J].东华大学出版社.2005 [11]科罗赫,加莱,马克.风险管理[M].北京:中国财政经济出版社.2005 [12]赵林,杨保安,田春艳.基于神经网络的数据挖掘技术及应用研究[J].2005年中国控制与决策学术会议论文集.2005 [13]邱晖,孙政顺.知识管理系统的构建及其策略[J].计算机工程与应用[J].2001 [14]柯孔林,周春喜.商业银行信用风险评估方法研究述评[J].商业经济与管理[J].2005 [15]魏春元.从FICO看中国个人信用评估系统[J].中国信用卡[M].2001 |
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
