随机模糊风险分析

随机模糊风险分析（精选9篇）

篇1：随机模糊风险分析

粗糙集理论下的模糊随机结构强度分析方法

在分析工程中含有模糊、随机变量的结构强度问题中,如何处理模糊变量和随机变量是一个非常重要的问题.根据粗糙集理论,利用基于模糊变量在粗糙集的上、下近似集合的定义和随机变量在粗糙集的上、下近似集合的定义,可以分别把结构中模糊和随机不确定因素这两种定义在不同集合下的不确定性变量处理为在完全属于论域集合和部分属于论域的上、下近似集合意义下区间参数.再根据区间估计定理,将模糊变量和随机变量转化为在统一尺度下的区间变量.使得含有模糊、随机变量的工程结构转化为含有区间数变量的.工程结构,这时模糊随机结构分析的结果也将是区间数.从而避免了判断模糊或随机参数下隶属函数或概率分布函数的难点,使模糊随机结构能够在粗糙集理论下进行统一的结构分析.算例表明,文中所提方法不但可以避免在工程实际问题中确定模糊和随机变量的难点,而且可以利用处理工程结构强度问题方法和软件来解决这类模糊随机问题.

作 者：刘长虹 LIU ChangHong 作者单位：华东理工大学,机械与动力工程学院,上海,37刊 名：机械强度 ISTIC PKU英文刊名：JOURNAL OF MECHANICAL STRENGTH年，卷(期)：29(6)分类号：O159 O346关键词：粗糙集 不确定 上(下)近似 结构分析

篇2：随机模糊风险分析

概率密度曲线及其参数估计的模糊与随机方法

首次提出了概率密度曲线及其参数估计的.模糊与随机方法,并以一组疲劳寿命数据为例描述了参数估计的具体过程.对随机样本分别采用模糊与随机方法和数理统计方法进行了参数估计,结果表明:用模糊与随机方法比用数理统计方法得到参数估计值更接近理论值.

作 者：陈群志 刘文E 金平胡仁伟 CHEN Qun-zhi LIU Wen-ting JIN Ping HU Ren-wei  作者单位：北京航空航天大学,固体力学研究所,北京,100083 刊 名：航空学报  ISTIC EI PKU英文刊名：ACTA AERONAUTICA ET ASTRONAUTICA SINICA 年，卷(期)： 20(5) 分类号：V215.7 V215.5 关键词：概率密度   参数估计   模糊与随机   数理统计  

篇3：随机模糊风险分析

关键词：模糊随机利率,小额贷款,模型,风险

小额贷款的主要服务对象为具有劳动能力及意愿, 却无法通过正规金融体系获得金融服务的小微企业及贫困人口。在实际操作中, 小额贷款机构通过一定方式的运行, 使信贷资源可以以较合理的价格及时地传递目标客户, 在提供融资服务的同时促进自身的发展。小额贷款的特点决定了其运行模式的关键在于风险管理能力, 在缺乏市场化抵押品、缺乏风险抵御能力、缺乏信用记录的情况下, 有效的风险管理模式是小额贷款运行的关键。从世界范围来看, 孟加拉、拉美及亚洲发展中国家均探索了一些成功的小额贷款运行模式。我国小额贷款从1993年开始起步, 经过多年发展在推动贫困地区发展、提高百姓收入水平等方面发挥了十分重要的作用。然而我们也应该认识到, 在我国小额贷款依然是新兴事物, 运作环境比较复杂, 发展中不可预见性因素较多, 小额贷款风险模型研究依然任重道远。

一、小额贷款的风险类型

(一) 信用风险

信用风险主要是小额贷款客户不还款的风险, 也包含了客户假贷款和骗贷的道德风险, 金融单位人员可能出现的信用风险包括对客户的信用情况、信用评价调整及授信额度放贷持续偏差, 以及金融机构人员为了私人获益, 违规放贷及内外勾结骗贷等情况。

(二) 市场风险

在开发的市场环境下, 一方面市场得到了扩大, 但竞争也更加激烈, 相应对经营管理能力的要求也全面提升。特别是一些对外贸易中, 小额贷款客户的竞争力较弱, 风险承担能力不足, 往往不能足额按期还贷。在对内市场方面, 小额贷款客户同样可能遇到自然环境、运输等方面的风险, 影响经济发展和融资业务。

(三) 操作风险

操作风险主要来自业务操作过程中的政策执行问题, 由于小额贷款政策性较强, 且一些政策的落实不够到位, 在制度遵守和相关规定贯彻执行方面可能存在执行不到位的问题, 在操作过程中弄虚作假的现象也时有发生。

(四) 流动性风险

金融机构向农户发放贷款, 基本上是一种“贷款承诺合同”, 在理论上, 只要限额, 客户自主灵活的使用贷款, 但是实际上, 客户一般不会采用这种融资方式, 金融机构也不是完全敞开这种业务经营模式。实际上, 客户与金融机构在业务上也非完全对等状况, 由于金融机构的业务利润不高, 积极性不强, 客户的金融需求不可缺少。所以一般情况下, 是金融机构占据主动地位, 对客户的融资需求不能积极主动的满足。同时, 如果大量客户在一段时间内集中办理贷款, 也可能导致流动性风险。

(五) 制度风险

带有政策扶持的客户信贷支持政策, 由于政府部门的政策意志, 使得产品政策是与市场需求有所不同的。产品制度上的一些问题也会对业务发展有所影响, 其中有对金融机构的强制性办理要求, 也有一部分客户得不到公正的信贷支持。

在上述几类风险中, 信用风险对农户小额贷款危害最甚。由凭借农户的信用发放贷款是小额贷款的最大特点, 客户信用已自然成为影响贷款能否足额收回的关键因素。然而, 今天的社会信用普遍缺失, 个人信用体系不完善, 银行自身还不能实现电子自动化处理复杂的农户资料, 这一产品特点必然成为贷款形成风险的重要因素。对贷款申请者, 主要因素是个人信用难以估量, 管理难度大。同时, 由于缺乏与之配套的法规约束, 申贷者的信用意识不足, 可致使还贷行为的严肃性得不到应有的重视和保护。因此, 贷款信用风险的研究与防控是农户小额贷款风险控制的难点与重点。

二、小额贷款的利率影响因素

在复杂的经济环境中, 众多的因素都对利率的变化产生影响, 而在寿险精算中, 保费收取及净准备金主要受GDP增长率、人民币外汇率、通货膨胀率及广义货币供应量M2增长率的影响。

一国的GDP大幅增长, 反映出该国经济发展蓬勃, 国民收入增加, 消费能力也随之增强。在这种情况下, 该国中央银行将有可能提高利率, 紧缩货币供应, 国家经济表现良好及利率的上升会增加该国货币的吸引力。反过来说, 如果一国的GDP出现负增长, 显示该国经济处于衰退状态, 消费能力减低。这时该国中央银行将可能减息以刺激经济再度增长, 利率下降加上经济表现不振, 该国货币的吸引力也就随之而减低了。

在汇率方面, 本文是指人民币对美元的平均汇率。当一国货币汇率下降时, 有利于推动一般物价水平上升, 引起国内物价水平的上升, 从而导致实际利率下降。这种状况有利于债务人、不利于债权人, 从而造成借贷资本供求失衡, 最终导致名义利率的上升。如果一国货币汇率上升, 对利率的影响正好与上述情况相反。另外, 当一国货币汇率下降之后, 往往使人们产生对该国货币汇率进一步下降的预期, 在本币贬值预期的作用之下, 引起国内资金供应的减少, 推动本币利率的上升。如果本币汇率下降之后, 人们存在汇率将会反弹的预期, 可能出现与上述情况相反的变化, 即造成本币利率下降。

通货膨胀率。当出现通货膨胀的压力时, 提高利率可以减少货币量, 可以使货币增长率下降或为负, 从而抑制通胀;因为存款利率高了, 人们更愿意把钱存到银行, 这是一方面;贷款利率提高, 贷款的成本提高, 原来想贷款的人可能不贷款了, 这样也减少了货币需求。所以提高利率 (存/贷) 可以减少货币量, 从而抑制通货膨胀。而美国在1980-1981年, 中国在1989年, 存在着利率提高, 通货膨胀率降低的现象。但是大部分时间, 利率与通货膨胀率成同方向变化, 即提高利率不能抑制通货膨胀, 反而会加剧通胀。因此, 利率与通货膨胀率成正相关。只提高利率并不能抑制通货膨胀。

广义货币供应量M2。调整利率需考虑金融市场上的资金供求关系, 利率是资本需求方的使用成本, 是资本供给方的收到的“价格”。如果资本市场上供大于求, 价格会下降, 即利率会下降;如果资本市场供小于求, 价格就会升高, 即利率上升。如果广义货币供应量M2需求增大, 而市场上, 经济高涨, 货币减少, 则利率会随之向上调整;反之, 如果经济不景气, 货币有泛滥之嫌时, 大利率则有降低的趋势。

三、小额贷款模糊随机利率模型

本文主要采用三角模糊数。现让第j年的年利率表示为三角模糊数, 由于在模糊利率期限结构估计中, 分别用利率的最高值和最低值以及中间值来表示利率, 例如, 某年的利率最高和最低分别为3.25%和3.75%, 使用模糊理论的方法可以将它表示为 (0.035, 0.0025, 0.0025) , 即有或者。

对于利率影响因素, 其空间为Xj={X0j, X1j, X2j, X3j, X4j}, 其中X0j=1=1, X1j=1=第j年的GDP增长率, X2j=1=第j年的人民币汇率, X3j=1=第j年的通货膨胀率, X4j=1=第j年的广义货币供应量M2增长汇率。得出n年观察样本:{ (i1, x1) , (i2, x2) … (ij, xj) , (in, xn) }。

通过X0j, X1j, X2j, X3j, X4j的模糊线性回归对利率ij进行估计可得出线性函数如下:

是ij的模糊估计。

可得出如下模型:

四、规避小额贷款风险的建议

(一) 创新担保模式

为适应新时期我国发展需要, 建议金融机构, 对支持包括土地整治、农业机械、农业生产等合理发展用途, 都一视同仁地给予融资服务。金融机构提供的贷款, 要能够不断适应生产环境变化下的需求, 创新发展合法合规的担保模式, 放宽基本准入门槛, 调动和保护融资的积极性。一是深化已有的优秀担保方式, 如联保方式贷款, 优化客户评分系统, 壮大联保小组, 注重联保小组整体还款能力及信用, 继续加强该项担保方式下的贷款发展;二是探索新兴的担保方式, 如农村土地抵押贷款, 针对日益强烈的客户需求, 主动研究试点, 将土地资源灵活化, 充分运用丰富的土地资源, 扩大发展小额贷款业务

(二) 构建多元化的社会绩效评价

由于客户需求具有多样性, 各地区的经济社会发展水平及文化地理条件也不尽相同, 小额贷款社会绩效体系不能是单一的模式, 必须建立适应不同需求的考核评价体系。建立以合作性金融为基础、以商业性金融为主导、以政策性金融为补充的多元化、多层次的农户贷款考评体系, 是适应当前我国特点和融资需求的合理选择。尤其对具备促进农村经济发展的国有农村金融机构, 如中国农业银行及农村信用社等, 需由上而下的传导该项业务的社会绩效评价体系, 增进社会责任意识。

(三) 发挥市场化导向原则

市场竞争是市场经济发展的必要原则与发展动力。通过竞争优胜略汰可以保持农村地区的金融活力。考虑到加入WTO后的市场竞争, 提供融发展的内生动力更显重要。而在金融的发展中, 由于国有企业的服务素养不足, 国家应在政策导向与方式引导的前提下, 考虑适度放开金融准入, 将非国有金融机构引入该区域, 优化产品制度及提高服务能力。

(四) 加大财政支持

为鼓励金融机构加大融资力度, 充分发挥财政资金的导向作用, 优化金融服务环境, 可由财政安排专项资金支持建立健全贷款风险补偿配套政策。建议中央财政、地方财政与银行各出一块资金, 并吸收龙头企业、社会组织及个人等的捐助, 以支持经济发展及贷款稳健发展的原则, 组织开立贷款风险补偿基金, 供区域内的各类金融组织、担保机构的风险违约补贴。对于银行涉农贷款的增量进行风险补贴;对涉农贷款风险控制好的银行进行奖励;对于商业银行涉贷款业务, 提供利差补贴和非人为因素造成的呆账款损失, 给予其一定比例的补偿, 以此全面提高金融机构抗风险能力, 提高小额贷款的风险覆盖面, 调动其服务积极性。

参考文献

[1]陈水利, 李敬功, 王向公.模糊集理论及其应用[M].北京:科学出版社, 2005.

[2]J.de Andrés, L.Gonzalez.Using fuzzy random variable in life annuities pricing[J].Fuzzy Sets and Systems, 2011, doi:10.1016/j.fss.2011.05.024.

篇4：随机模糊风险分析

关键词 随机模糊神经网络；变时滞；全局渐近稳定性

Globally Asymptotic Stability of Stochastic Fuzzy Cellular

Neural Networks with Timevarying Delays

WANG Jingyi， PENG Guoqiang

（College of Mathematics & Econometrics， Hunan University， Changsha， Hunan 410082，China）

Abstract This paper aims at solving the problem of checking the stability of a class of stochastic fuzzy cellular neural networks with timevarying delays. By constructing suitable Lyapunov functional and applying linear matrix inequality（LMI） theory， some sufficient conditions were developed to guarantee its globally asymptotic stability of this kind of neural networks. Two main results were obtained： one considering the globally asymptotic stability of the model， the other regarding its globally asymptotic stability in the mean square.

Key words stochastic fuzzy neural networks； timevarying delays； globally asymptotic stability

中图分类号 O29 文献标识码 A

1 Introduction

It is well known that fuzzy cellular neural networks（FCNN） which integrates fuzzy logic into traditional cellular neural networks brought up by Chua and Yang in 1988 have become a useful tool in a lot of fields like signal processing， pattern recognition， associative memory and image processing[1-3]. Furthermore， time delays are frequently encountered in hardware implementation and they can destroy a stable network and cause oscillations， bifurcation and chaos. Thus， it is of great importance to study the stability of delayed fuzzy cellular neural networks. In actuality， a great deal of studies focusing on this issue have emerged in recent years[4-6].

However， a real system is usually affected by external perturbations and hence should be treated as random. In fact， the synaptic transmission is a noisy process caused by random fluctuations from the release of neurotransmitters and other probabilistic factors. Moreover， a neural network can be stabilized or destabilized by certain stochastic inputs[7]. Accordingly， the study for stability of stochastic FCNNs becomes urgent and consequently some results have been derived[8-11].

The main purpose of this paper is to study the globally asymptotic stability of a kind of stochastic fuzzy cellular neural networks with timevarying delays. We tried to derive our results by applying the linear matrix inequality（LMI） approach， which， to the authors’ best knowledge， has not been used on this kind of systems before. Our conditions for stability are expressed in terms of linear matrix inequalities which can be easily solved by some standard numerical packages.

nlc202309041802

Thus， the proof is completed.

Theorem 2 Under the same conditions of Theorem 1， system （1） is globally asymptotic stable in the mean square.

By the stability results in [7]， the neural network （1） is globally asymptotically stable in the mean square.

5 Conclusion

In this paper， the sufficient conditions have been derived for checking the globally asymptotic stability and the globally asymptotic stability in the mean square of a class of stochastic fuzzy cellular neural networks with timevarying delays by constructing suitable Lyapunov functional and applying LMI approach. Besides， a numerical example has been given to testify the effectiveness of our methods.

References

[1] S HAYKIN. Neural Networks： A Comprehensive Foundation[M].Commun. in Partial Diff Eqns， 1994：105-143.

[2] L O CHUA， L YANG. Cellular neural networks： applications[J].IEEE Trans. Circuits Systems， 1988，35（10）：1257-1272.

[3] T YANG， Y YANG， C WU， et al. Fuzzy cellular neural networks： theory[J].Proceedings of IEEE international workshop on mathematical morphological operations，1996：225-230.

[4] Y LIU， W TANG. Exponential stability of fuzzy cellular neural networks with constant and timevarying delays[J].Phys Letts A， 2004， 323：224-233.

[5] Q ZHANG， R XIANG. Global asymptotic stability of fuzzy cellular neural networks with timevaring delays[J].Phys. Letts. A， 2008， 372：3971-3977.

[6] K YUAN， J CAO， J DENG. Exponential stability and periodic solutions of fuzzy cellular neural networks with timevaring delays[J].Neurocomputing， 2006， 69：1619-1627.

[7] X MAO. Stochastic differential equations and applications[M].Chichester： Horwood Publishing，2007：110-127.

[8] S BLYTHE， X MAO，X LIAO. Stability of stochastic delay neural networks[M].J Franklin Inst， 2001：338-481.

[9] H ZHAO， N DING， L CHEN. Almost sure exponential stability of stochastic fuzzy cellular neural networks with delays[J].Chaos， Solitons and Fractals， 2009：1653-1659.

[10]L CHEN， R WU， D PAN. Mean square exponential stability of impulsive stochastic fuzzy cellular neural networks with distributed delays[J].Expert Systems with Applications， 2011，38：6294-6299.

[11]M Syed ALI， P BALASUBRAMANIAM. Global asymptotic stability of stochastic fuzzy cellular neural networks with multiple discrete and distributed time-varing delays.[J]Commun Nonlinear Sci Numer Simulat， 2010：1155-1167.

篇5：随机模糊风险分析

07年爆发的次贷危机席卷了全球，也对商业银行的风险管理水平提出了更高的要求。国际先进的商业银行已建立并逐步完善全面的风险管理体系，而随着我国金融业的全面对外开放带来的竞争压力，以及商业银行风险复杂程度的不断提高，构建科学的风险评价体系已成为我国商业银行的核心竞争力。

本文根据我国商业银行的实际情况，从全面风险管理的角度构建商业银行风险评价体系：选取了代表信用风险、市场风险、操作风险、流动性风险的各项指标，利用模糊层次分析法确定指标权重，并引入参数α表示决策的置信程度，通过乐观指数μ表示决策者的评估观念，克服了德尔菲法和传统层次分析法的缺点；构造了一个模糊评判模型，对每个指标因素的风险程度用模糊数学中的隶属度来表示，系统客观地研究我国商业银行的风险评价问题；以实际案例来说明所提出的模型是可行的，并对我国商业银行风险评价体系的完善提出了相关对策和建议。这对于提高我国商业银行的风险管理水平具有一定的现实意义。

篇6：随机模糊风险分析

1.如何产生二维均匀分布的随机数，设均匀分布的密度函数为：

2.一个由两个投保人构成的最后生存状态模拟，若每个投保人死亡的概率都为0.125，并且两个生命状态是独立的，通过将每个生命状态进行模拟10、20、50和100次来估计此最后生存状态消亡的概率。将模拟得到的结果与精确的解进行比较，能观察到什么样的结果?(提示：读者可用3枚同样的硬币来模拟一个生命状态消亡。)来源：

篇7：随机模糊风险分析

基于模糊理论的ERP项目风险评价模型

多年来国内许多企业投身于ERP热潮,但实施ERP的成功率不高.据统计,国外企业实施ERP的.成功率约为70%.而在我国实施ERP的企业中,按预算成功实现系统集成的只占10%～20%,仅部分集成的占30%～40%,完全失败的占50%,并且实施成功的企业多为外资企业.因此,对企业实施ERP项目进行风险评估,并对其进行系统、有效的风险控制将有助于企业做出科学的决策,避免风险带来的损失.本文提出一种ERP风险评估方法,帮助企业认识高风险因素,以达到有效控制风险,实现ERP功能和效益的目的.

作 者：祁明扬 作者单位：武汉科技大学,湖北,武汉,430081刊 名：企业技术开发(下半月)英文刊名：TECHNOLOGICAL DEVELOPMENT OF ENTERPRISE年，卷(期)：200928(3)分类号：F275关键词：ERP 项目风险 模糊理论

篇8：随机模糊风险分析

关键词：模糊随机理论,石油工程管理,应用分析

模糊随机理论作为一种解决模糊问题的科学方法, 被广泛应用于很多行业, 甚至我们的日常生活中。将其应用到石油工程管理中, 不仅可以可以用来评估相关工程装备的耐压力与载荷力的不确定性, 还可以对风险进行正确的分析评估, 提高工程管理的有效性。

1 模糊随机理论

美籍伊朗人扎德等人于1965年针对于在客观世界中存在的用二值逻辑或者有限的多值逻辑无法描述的模糊现象或者模糊概念的问题, 提出了模糊随机理论, 为解决模糊问题提供了分析工具, 制订了解决模糊问题的科学方法。例如在平常的生活中, 我们通常会遇到这样那样的问题, 主要是因为事情的原因和结果之间的关系不明确, 从而使得在事情的发展过程中存在着模糊性, 也可称作为模糊逻辑, 相反即是精确逻辑。通常情况下, 模糊逻辑一般都是用模糊集合来表示的, 而模糊集合具有灵活的隶属关系, 且允许集合中的元素能够部分隶属于该集合, 也可不存在于该集合。因此, 模糊随机理论在石油的工程管理中具有非常有效的实用价值。随着社会的发展, 30多年来, 模糊随机理论的发明和应用经历了被怀疑和排斥到被接受和重视的漫长历程。目前, 模糊随机理论已被广泛的应用于决策、控制、数据库技术、模式识别、人工智能等领域, 并且取得了非常明显的成效。随着模糊随机理论的逐渐成熟, 模糊随机理论的技术和应用也取得了非常好的效果。

模糊随机理论与神经网络系统的有机结合是当前社会发展和实际应用的必经之路, 模糊神经网络的提出和应用是在最近的十几年才发展起来的, 但是其发展前景是非常广阔的, 被许多学者和行业看好, 主要是因为模糊随机理论和神经网络系统有很多的相似之处, 主要表现为以下的几点: (1) 这两者都是从已定的网络系统输入输出的数据之间建立的输入输出关系; (2) 从数据处理的角度来分析, 两者都是采用并行处理的结构系统; (3) 从系统逼近能力的角度来分析, 两者都具备全局的逼近性, 即均有逼近能力。模糊的逻辑推理是一种近似性的推理过程, 就是从一组模糊的“If-Then”规则和已知的事实中获取结果的推理过程, 有利于将人类已获知的知识内容添加到其推理规则当中, 同时在机制上有利于模糊诊断模型的建立。

2 模糊随机理论在石油工程管理中的应用

2.1 模糊决策

在石油工程的实际管理中, 会存在许多不确定的因素, 不可能在知道所作决策带来的确定结果后再来做决策, 因此有许多决策都是在模糊的环境条件下经过一些数学的推理所得出的, 这就应用了模糊随机理论。人们常用的模糊决策有模糊寻优、模糊排序和模糊对策等方法, 其基本的方法步骤如下:

(1) 根据在管理中需要解决的问题, 有针对性地提出一些可能能够解决该问题的方法对策, 并给它一个集合M, M= (m i, (i=1, 2, 3…..n) ) , 其中mi表示的是每个可能的决策。

(2) 由于不是所制定的每个决策都能够理想地解决石油工程管理中出现的问题, 故需要用一个标准对这些决策进行评价, 而这些决策对于解决问题的效果又很难具体地量化, 这时就需要一个模糊的目标函数Y来表示, 并且这个函数有自己的约束条件, 这样在对这些决策具体地量化前, 先排除一些不切合实际的决策, 重新建立一个新的决策集N, N= (ni, (i=1, 2, 3…..p) ) (p

(3) 根据目标函数Y对决策集N中的决策的评价结果, 选取能够解决问题的最优决策, 或者综合几个比较好的决策, 然后再根据模糊数学中关于隶属函数的交集运算规则求出最理想的决策。

2.2 风险分析

风险是可能发生的灾难或危害变成现实的几率及后果, 它具有随机性, 如果我们能够对其进行正确的分析评估, 然后提出多种备选方案, 就能有效地避免灾难或危害的发生。风险分析是石油工程能够顺利施工的保证, 这时我们就需要用模糊随机理论, 其具体的方法步骤如下:

(1) 对石油工程中可能出现的各种风险进行分析, 这里面既包括风险的种类, 也包括每种风险可能造成的危害大小C i (i=1, 2, 3…..n) 和这些风险不发生的频率P i (i=1, 2, 3…..n) , 这些风险都不发生的概率为P, P=∏P i (i=1, 2, 3…..n) , 显然发生风险的概率就是P F=1-P, 系统总的风险值F=∑∏CiPi (i=1, 2, 3…..n) 。

(2) 将模糊随机理论与风险分析结合起来, 筛选出满足函数约束条件的最优方案, 并建立一个集合V=vi, (i=1, 2, 3…..n) 。

(3) 对筛选出来的各种方案进行风险分析, 找出针对石油工程管理中的问题找出最佳的解决方案。

3 结语

模糊随机理论可以用来定量描述石油工程管理中可能出现的问题, 从而做出模糊决策, 另外也可以用来评估相关工程装备的耐压力与载荷力 (强度与应力) 的不确定性, 并对其进行风险评价。由此可见, 模糊随机理论对于石油工程的管理起到了非常重要的作用, 根据对工程方案进行决策分析与风险分析, 最后提出对石油工程管理中的模糊优化风险分析的最优方案。

参考文献

[1]郑贤斌, 陈国明.基于熵技术的石化企业安全模糊综合评价方法研究[J].中国安全科学学报, 2004, 14 (2) :109～112

[2]Chappelle0, Vapnik V, Bousquet O.Choosing multiple parameters for support vectormachines[J].Machine Learning;2002, 46 (1) :131-160.

[3]Pandit M, Buchheit K.Optimizing iterative learning control of cyclic production processes with application to extruders[J].IEEE Tram.on Control Systems Technology, 1999, 7 (3) :382-390.

[4]杨惠敏, 付萍.基于熵权的多级模糊综合评价的应用[J].华北电力大学学报, 2005, 32 (5) :104-107

篇9：随机模糊风险分析

关键词 财务管理；违约预测；实证分析； 贡献度随机森林； 连续属性离散化； WOE变换

中图分类号 F224 文献标识码 A

Abstract The contribution forest model（CRF） was used to research the inner connection between the corporate bonds and its financial index ratio，. The method of discretization and WOE transformation were applied to reduce the dimension of these indexes. The results show that the CRF model's performance significantly outperforms the other models， and the performance of the model on test dataset reaches a accuracy of 90.47%. And the other assessment indexes，AUC statistics， AR ratio and K-S values， are improved by 2.6%， 7.6%， 4.38%. Furthermore， the contribution of variables evaluated its influence on probability of default in a quantitative way， which provides a new point of view to interpret the process of forecast of random forest.

Key words financial management； default prediction； empirical analysis ； contribution andom forest model； discretization； WOE transformation

1 引 言

随着金融体系的快速发展，金融市场不断实现快速迭代不断更新，取得显著成就的同时，危机事件却频出不穷.2016年以来国内先后出现多起银行危机事件，先后有中国农业银行39.15亿元票据案件、中信银行9.69亿票据案件、天津银行7.86亿票据案件.上述危机之所以爆发，一个重要原因就是风险管理不当.而信用风险作为Basel新资本协议所强调的重要风险之一，由于其复杂多变，对信用风险的识别、计量往往面临更大的挑战.如何对借债企业的信用风险进行评估、预判其违约概率是信用风险管理的重点内容.因此，建立科学有效的信用风险评估模型，无论是对商业银行增强抵御风险能力，还是对企业管理者宏观审慎的战略决策均有显著意义.

从信用风险的现有研究成果来看，方法体系多分布于传统的统计分析方法、定性评级法、基于期权理论以及现代数据挖掘类方法.其中，最早研究开始于Altman（1968）[1]， 认为企业违约可能性的大小与其财务健全与否有直接密切联系，选择五个重要的财务比率，建立了区别倒闭公司与非倒闭公司的Altman模型.Deakin（1972）[2]认为，己经破产、无力偿还债务的公司容易发生信用风险.由于我国目前信用评级机构尚不完善，信用评级数据严重缺失，国内关于企业信用风险的研究多从财务数据中提取特征指标建立相应信用评价模型.Prinzie（2008）[3]将随机森林方法与logistic方法相结合，利用随机森林的构造决策树的思想构建logistic决策森林，提高了logistic模型的估计精度.Yeh等（2012）[4]利用实际金融市场数据，基于KMV模型、随机森林方法、粗糙集理论构建混合KNV-RF-RST模型，评价企业信用风险问题.张奇等（2015）[5]构建了Logit-SVM混合评价模型，提高了模型在训练集上的二分类预测能力.Cui （2015）等[6]充分利用社交媒体大数据，结合BP神经网络模型，构建现代商业银行信用风险评价模型，拓展了传统的信用风险研究指标选择方式.上述研究从不同角度充实了信用风险评价研究，但多数研究都注重模型精度的提高，而忽略了在提高模型精度的同时增加模型的解释能力.如何改进已有的学习算法，在提高模型精度的同时也保证模型的解释能力、量化评估指标的贡献度.基于此，本文采用最优分箱（Optimal Binning，OB）和证据权重变换（Weight Of Evidence，WOE）对数据集进行转变进一步提升模型预测精度，并提出贡献度随机森林（Contribution Random Forest，CRF）方法分解预测函数，在提升预测性能同时也提升了传统RF模型的解释能力.

2 贡献度随机森林模型构建

2.1 随机森林原理回顾

随机森林是Breiman（2001）[8]提出的一种组合分类算法.随机森林通过随机的方式建立多个决策树，利用bootstrap抽样方法从样本数据中抽取k个bootstrap样本Si（i=1，2，…，k），再每次从原始M个自变量中选择n输入变量（nM），由被选择的n个自变量构成随机特征输入向量X，并利用分类回归树（CART）算法建立相应无剪枝的元决策树分类器，最后利用这k个元分类器构成一个组合分类决策系统，最终采用简单投票法做出最终预测.

2.2 连续属性离散化与WOE变换

原始随机森林算法模型虽然分类精度高，但计算负荷大、评估速度慢，在数据集指标维度过大时这一点尤为明显.而对于采用信息熵、Gini指数作为节点分裂标准的随机森林而言，在决策树的生成过程中倾向于选择取值分布广的连续变量，无法有效处理连续变量属性，而通过离散化连续变量，恰可以消除这一影响.根据Fayyad和Irani（1993）[10]的基于熵的连续变量离散化最优分箱方法，以下简称最优分箱（Optimal Binning，OB），其原理和步骤如下：

（5）对分割后的左右子集，重复上述步骤，直至达到最大分组数K.

通过对连续变量进行OB分箱，一方面约束了连续变量的取值维度，使得各变量之间利用信息增益、Gini指数作为节点分裂标准有了可比性，且在一定程度上避免了极端值的影响；另一方面变量取值的降维大大降低了算法的开销.在上述连续变量分箱后，相当于若干个虚拟变量，这就导致原始数据集变量取值过于稀疏，因此需要对分箱后的数据进一步规约，考虑进行证据权重变换（Weight of Evidence，WOE） [10]，对分箱后的变量进行重新编码.

从式（7）可以看出，CRF模型预测值可以分解为各决策树的初始决策值的平均值与各特征变量的平均贡献值之和.CRF模型虽然对随机森林对预测函数进行了分解，但最终对响应变量的预测结果和传统随机森林的投票法完全一致.

3 实证分析

3.1 数据准备与指标体系说明

选取发行公司债券的沪深上市公司作为研究对象，数据来源于WIND金融咨询终端，样本包括截止2016年8月1日已到期债券和已摘牌债券.由于企业的财务状况是企业经营现状的直接反馈，其信用风险亦可从财务指标角度考察，因此从财务指标比率的角度建立信用风险评价模型.参考中诚信、鹏元资信、大公国际等评级机构信用风险评价指标体系，结合刘畅[11]等提出的中小企业信用风险预警指标体系，从资本结构、盈利能力、偿债能力、营运能力、发展能力以及现金流量情况6个方面，遴选以下25项财务比率指标作为信用风险评估候选指标集，见表1.在研究样本中，剔除数据缺失严重的样本，最终初始样本量为230.在230只债券中，已发生违约的债券有28只，记为Bad类，正常债券202只，记为Good类.在数据时间截点选择上，选择债券违约发生前一年或被评级机构降级前一年的财务数据，以此达到建模预警目的.由于现有样本Bad类样本过少，为平衡样本结构，对于债券或主体评级为BBB以下、债券（主体）评级或评级展望被连续降级的也归为Bad类，最后利用SMOTE[12]方法选择每个Bad类样本临近的5个样本合成部分Bad类样本，最终Bad类样本为166.

3.2 模型设定

设定训练集与测试集比例为7：3，分别设定随机森林中元分类器数量为100、200、300、400，设定候选特征数的变化范围为2-25，训练集中各模型的OOB误差如图1所示.

在n=100，候选特征数为 8时，OOB误差达最小值为0.0702；在n=200，候选特征数为 4时，OOB误差达最小值为0.0742；在n=300，候选特征数为 4时，OOB误差达最小值为0.0661；在n=400，候选特征数为 3时，OOB误差达最小值为0.0713 .综合来看，随着模型训练次数的增加，OOB误差逐渐收敛于稳定水平，过高的训练次数范围反而增加计算负荷，而候选特征数不宜过大或多小，因此设定模型元分类器数量为300，候选特征数为4.在实施最优分箱过程中，对连续变量的分组数不宜过大也不宜过小，过大则无法达到降维的目的，过小则区分度不足.设定每次划分带来的信息增益最小阈值为0.01，最大分组数K的变动范围为3—10，不同分组条件下，随机森林模型的准确率情况如表2所示.当分组数等于3时，模型的准确率最低；当分组数等于5或6时，准确率达最大；当分组数大于6时，准确率开始下降.因此，设定最大分组数为5或6为宜，为减小计算负荷，此处设为5.

3.3 模型比较

经过前述OB-WOE变换、预测函数贡献度分解，即得变换后的CRF模型，为评估最优分箱WOE变换对其他模型影响，考察决策树、支持向量机、logistic回归、贝叶斯分类、KNN最近邻分类以及神经网路在最优分箱WOE变换下的预测表现，如表3所示.

在实施最优分箱WOE变换的训练集中，随机森林对Good类样本的准确率为98.39%，相比不变化情况上升了6.07个百分点；对Bad类的准确率为98.17%，上升了8.5个百分点.在测试集中，变换后的数据集对Good类样本的准确率为91.80%，对Bad类的准确率为89.13%，分别上升了2.5、6.5个百分点.由此可见，无论是对于训练集还是测试集，对于随机森林分类方法而言，OB-WOE变换后的数据集能显著提升模型分类效果.对于其他模型而言，提升效果较为明显的是logistic回归、神经网络.其中，logistic回归对于Good类的预测能力的提升效果尤为明显，训练集中由76.45%上升到90.32%，测试集中由76.82%上升到86.36%.对于神经网络而言，无论是测试集还是训练集，其Good类准确率和Bad类准确率都上升了10个百分点以上.究其原因，最优分箱本质是对数据集的一种规约，通过降低自变量取值维度来提炼各样本之间的共性，故对于分类评估模型而言，最优分箱后的数据往往更能提升分类效果.模型准确率只是模型评估的一方面，为综合评估一个信用风险评价模型，还需要从ROC曲线、K-S曲线、CAP曲线等角度综合度量.

3.4 模型总体效应评估

考虑到准确率只是评估模型优劣的一种方法，在信用风险评估研究中还经常从ROC曲线、CAP曲线及K-S曲线三个角度考察模型的曲线性质.其中，ROC曲线是在混合矩阵基础上利用图形综合揭示模型预测的灵敏性和误报率的一种方法，横轴表示误报率（模型错误预测的Bad类占比总Good类比率），纵轴表示灵敏性（模型正确预测到Bad类占比总Bad类比率）.CAP曲线又称累计正确率曲线，CAP和准确性比率（AR）通常广泛用于信用评级领域，通过模型为受评对象计算一个风险评分，将风险评分作为其信用的综合评价，评分越高风险越大，通过求得不同风险评分范围百分比下累计违约的概率部分来刻画CAP曲线.K-S曲线是对模型区分Good类样本和Bad类样本的另一种评估方法，利用评估模型为每个研究样本计算一个违约概率，再将所有样本进行K等分分割，对每部分样本按照违约概率大小进行降序，计算每个样本中违约与正常百分比的累计分布，二者之间的差异就是K-S曲线的构成要素.

如图2所示，从各模型的测试集的ROC曲线来看，在误报率在0.05左右时，变换后的CRF模型对Bad类的覆盖率已达到92%，AUC统计量达0.943，而不变化的CRF模型模型对Bad类的覆盖率约88%，AUC统计量统计量为0.917.对于其他模型，变换前后效果也很明显，其中神经网络模型的AUC统计量有0.653提升到0.872，在误报率为0.1时的覆盖率由0.38左右提升到0.8.综合来看，实施变换后，各模型的优劣次序依次为随机森林、SVM、KNN、神经网络、logistics回归、贝叶斯、决策树，与测试集准确率评估结果基本一致.从各模型的CAP曲线来看，在前40%左右的样本，变换后的CRF模型的CAP曲线贴近理想结果，其AR比例为0.891，不变换的CRF模型的CAP曲线与理想结果有一定差距，最终其AR比率为0.815，说明进行最优分箱变换能提高模型对Bad类的辨识度.从K-S曲线来看，变换后的模型，其K-S值达到0.8204，而不变换的CRF模型其K-S值为0.776 6，处于较高水平，进一步说明进行连续变量的OB-WOE变换能提升模型的分类性能.

3.5 变量重要性与变量贡献度比较

根据式（7）建立变换后的CRF模型，以“11超日债”2013年年度财务数据为例，评估其变量贡献度，并对比随机森林方法下的变量重要性. 在变量贡献度分析方法下，各变量变量贡献度之和为0.802，即说明划分为Bad类的概率为0.802，从而可以认为其风险较高.评级机构在超日债违约后才将其信用等级下调至C级，在某种程度上有一定时滞.而根据变换后的CRF模型，基于“超日债”发债主体2013年年度财务指标数据可判断其违约概率为0.802，在判别“11超日债”为违约过程中，各变量的变量变量贡献度如表4所示.

由（7）式可知，在判断“11超日债”为Bad类过程中，贡献度排在前5位的变量与变量重要性排在前5位的变量重复率为40%；贡献度排在前10位的变量与变量重要性排在前10位的变量重复率为60%；贡献度排在前15位的变量与变量重要性排在前15位的变量重复率为73%；贡献度排在前20位的变量与变量重要性排在前20位的变量重复率为85%.其中吻合度较高的变量为EBITtoSaale、Asset_TR、Gro_profit、TAtoD_R、AR_TR；差异较大的变量为Z_Value、Inventory_TR、EM、LDA_R.这是因为变量重要性是对全部样本共性的提炼，旨在说明在各变量在总体数据集的表现情况，多用于从大量指标中选择有作用的变量；而变量贡献度侧重评估对象个性的描述，旨在说明在判断其为Good类或Bad类过程中，哪些变量发挥的作用相对明显，可用于个体分析判断.从贡献度来看，ROE的贡献度最大，说明从ROE角度相对最能说明超日债的风险情况，其次是EBITtoSaale、GropToRev、NetPro_M等等，这也与实际的财务分析理念一致.企业长期经营战略必须提升其ROE，ROE过低则自有资产利用效率低，偿债压力增大.此外，还注意到贡献排名前12的变量中，其WOE值均为正，说明该分组子集中负例占比总负例的比率大于集中正例占比总正例的比率，即落入该分组的个案更多体现Bad类别的特征.结合 “11超日债”实际财务数据来看，其ROE为-1169.6，EBITtoSaale 为-793.56、GropToRev为-64.317、ROA为-65.783等均远低于平均水平，而其Z_Value为-3.34，远远低于Altman的破产概率预警阈值1.8[1]，从而上述指标在 “11 超日债”的判别过程中区分能力强，对违约率影响显著.

因此，从预测结果分解的维度上来看，CRF模型是对预测过程的一个分解，将“黑盒”的决策过程还原为各变量的贡献度之和，进而衡量在预测过程中哪些变量发挥的作用相对明显，再从财务分析角度予以对比印证，在个案分析层面增加了模型的可解释性.

4 结 论

针对传统随机森林方法的“黑盒”弊端提出贡献度随机森林方法，通过变量贡献度视角研究了财务指标与违约率的关系.利用对数据集进行基于熵的最优分箱处理、WOE变换实现数据集约简目的，并进一步构建CRF模型评估变量在个案预测过程中的贡献度，实现预测过程的可解释性，最后基于ROC曲线、CAP曲线、K-S曲线对模型进行评估.经对比分析，实施最优分箱、WOE变换能有效提升各模型的准确率，但仍属CRF模型准确率最高，达90.47%.相比不变换的CRF模型，其AUC统计量、AR比率、K-S值分别提升了2.6%、7.6%、4.38%.在“11 超日债”单个样本评估分析中，变量贡献度和指标重要性排在前5、10、15、20位指标的重复度分别为40%、60%、73%、85%，两种评估方式一致程度高.变量贡献度排名靠前的指标均对违约率影响显著，通过变量贡献度角度分解了随机森林预测过程，量化各项指标的影响大小，增加了模型的可解释性.

参考文献

[1] Altman E I. Financial Ratios， Discriminate analysis and the prediction of corporate bankruptcy[J].Journal of Finance，1968， 12（23）：589-609.

[2] Deakin E B. A discriminate analysis of prediction for business failure[J]. Journal of Accounting Research，1972， 14（10）：167-169.

[3] Prinzie A， Van den Poel D. Random forests for multiclass classification： Random multinomial logit[J]. Expert systems with Applications， 2008， 34（3）： 1721-1732.

[4] Yeh C C， Lin F， Hsu C Y. A hybrid KMV model， random forests and rough set theory approach for credit rating [J]. Knowledge-Based Systems， 2012， 22（33）：166-172.

[5] 张奇， 胡蓝艺， 王珏. 基于Logit与SVM的银行业信用风险评价模型研究[J]. 系统工程理论与实践，2015， 10（7）：1784-1790.

[6] Cui D. Financial credit risk warning based on big data analysis [J]. Journal of Accounting Research ， 2015， 8（10）：133-141.

[7] 李军，信聪，陈暮紫，杨晓光. 诉讼处置不良贷款违约损失率估计的模型簇[J].系统工程，2015， 11（08）：123-132.

[8] Breiman L. Random forests[J].Machine Learning，2001， 45（1）：145-168.

[9] Fayyad U M， Irani K B. Multi-interval discretization of continuous valued attributes for classification learning[J]. Thirteenth International Joint Conference on Articial Intelligence， 1993， 12（2）：1022-1027

[10]Bill H Y， Mykola T . Modeling exposure at default and loss given default： Empirical approaches and technical implementation [J]. Journal of Credit Risk， 2012， 8（2）：81-102

[11]刘畅， 郭敏， 莫铌， 等. 基于巴塞尔协议Ⅱ内部评级法构建我国商业银行中小企业贷款信用风险有效度量和预警指标体系[J]. 金融监管研究， 2012， 12（7）：26-39.