一、信贷风险业务对银行发展影响?
信贷业务对银行发展影响很大,踌躇来的资金贷不出去就没有收益反而贴息,放出去收不回来风险更大严重的会导致破产极大程度的损毁了广大储户的利益
二、如何计算银行信贷风险敞口?
贷款1000万元,承兑敞口800万元(扣除20%保证金),贴现属低风险业务,不占敞口,为其他客户担保800万元占敞口,总计2600万元
三、商业银行信贷风险的分类?
1、操作风险
入市承诺的兑现使得中国金融市场的对外开放度不断提高,本土商业银行面临更加激烈的竞争,这对商业银行的风险管理提出了更高的要求但基于本土商业银行产权缺位、内部控制机制缺乏,流程设计失当等因素所造成的操作风险日益凸显。
2、担保风险
信贷担保只是分散了信贷风险,提供了一种补偿功能,但它不能改变借款人的信用状况,也不能保证足额偿还信贷,因此不能从根本上消除信贷风险。
3、道德风险
道德风险是委托人与代理人签约后,在履行过程中由于信息不对称导致具有信息优势的一方有可能为实现其自身利益最大化,采取不利于他人的行动,侵占他人的利益,从而造成他人损失的可能性。
四、银行信贷风险应怎样防范和化解?
1银行信贷风险,是债务人因无力清偿债务出现的风险,它是信贷资产经营上的一种主要风险.2主要以三种常见形态存在于商业银行中:一是赔本风险;二是赔息的风险;三是赔利风险。近几年来,我国商业银行在强化信贷风险管理,防范和化解信贷风险方面作了大量理论研究与实践探索,然而商业银行资产质量不高的问题始终没有得到根本解决。
五、研究银行信贷风险需要什么数据?
1.研究银行信贷风险需要该银行的资产总量,信贷余额,授信额度,不良贷款余额,逾期贷款余额,贷款期限结构等相关数据。
2.从目前公布的各大银行三季度报表来看,大部分银行的数据还是比较理想的,但有一部分城商行业绩不好。
六、南昌银行资产规模?
南昌银行股份有限公司,注册资本23.82亿元,南昌市财政局为第一大股东。南昌银行总部坐落在南昌市繁华的中山路上,南昌银行目前已在广州、苏州、萍乡、九江、赣州、新余、上饶、宜春、吉安等地设立分行,并发起设立了5家村镇银行,现有异地分(支)行9家,南昌地区一级支行16个,营业网点77个,员工2000余人。截至2013年9月末,全行资产总额达1251.06亿元,各项存款余额859.01亿元,实现税前利润17.68亿元。
七、商业银行信贷风险分析,可以从哪方面入手(农业银行为例)。?
泻药,我国经济高速发展,个人信贷业务也随着快速发展,而个人信贷业务对提高内需,促进消费也有拉动作用。有正必有反,在个人信贷业务规模不断扩大的同时,信贷的违约等风险问题也日益突出,一定程度上制约着我国的信贷市场的健康发展。
原文链接:
拓端数据科技 / Welcome to tecdat挑战
近年来,个人消费贷款的类型呈现出多元化的变化与发展,由原本的单一贷款种类发展到今天各式各样的贷款种类,汽车按揭贷款、教育助学贷款、耐用消费品贷款(家电、电脑、厨具等)、结婚贷款等在我国陆续开展。违约风险是指债务人由于各种原因不能按时归还贷款债务的风险,对于商业银行来说,违约风险主要是指由于贷款人得还款能力下降或者信用水平降低从而违约。
相关理论概述决策树
决策树(Decision Tree)是用于分类和预测的主要技术, 它着眼于从一组无规则的事例推理出决策树表示形式的分类规则, 采用自顶向下的递归方式,在决策树的内部节点进行属性值的比较, 并根据不同属性判断从该节点向下分支,在决策树的叶节点得到结论。因此,从根节点到叶节点就对应着一条合理规则,整棵树就对应着一组表达式规则。决策树是数据分析中一种经常要用到且非常重要的技术,既能够用于数据分析,也能够作预测。基于决策树算法的一个最大的优点是它在学习过程中不需要使用者了解很多背景知识,,只要训练事例能够用属性即结论的方式表达出来, 就能使用该算法进行学习。
基于决策树的分类模型有如下几个特点:(1)决策树方法结构简单,,便于理解;(2)决策树模型效率高,对训练集数据量较大的情况较为适合;(3)树方法通常不需要接受训练集数据外的知识;(4)决策树方法具有较高的分类精确度。
预警方案设计
数据在进行操作的过程中,我们一共分了四步,分别是数据分析和分离数据集、建立训练数据集决策树、评估模型性能、提高模型性能。
数据分析和分离数据集
在数据进行分析时,可以从中知道所有申请者的违约情况。在分离数据集这一步,我们将数据分成两部分:用来建立决策树训练数据集和用来评估模型性能的测试数据集,按照80%训练集和20%测试集来分离样本。总的来看,这两个数据集的比例是大致相同的,所以分离的两个数据集是合理的。
训练数据集
测试数据集
违约
不违约
违约
不违约
0.31625
0.68375
0.235
0.765
25300
54700
4700
15300
表1
建立训练数据集决策树
图1
图1是训练数据集决策树的基本情况。
图2
图2是训练数据集的部分决策树。
由于我们我们的数据庞大,生成的决策树非常的大,上图的输出显示了决策树的部分分枝,我们用简单的语言来举例解释前五行:
(1)如果支票账户余额是未知的,则归类为不太可能违约。
(2)否则,如果支票账户余额少于0,或者1~200之间;
(3)月贷款期限少于或等于11个月的
(4)信用记录是危及、好的、优秀的、差的,归类为不太可能违约。
(5)信用记录是非常优秀的,就归类为很有可能违约。
括号中的数字表示符合该决策准则的案例的数量以及根据该决策不正确分类的案例的数量。
在决策树中我们不难发现,为什么一个申请者的信用记录非常优秀,却被判成很有可能违约,而那些支票余额未知的申请者却不太可能违约呢?这些决策看似没有逻辑意义,但其实它们可能反映了数据中的一个真实模式,或者它们可能是统计中的异常值。
在决策树生成后,输出一个混淆矩阵,这是一个交叉列表,表示模型对训练数据错误分类的记录数:
众所周知,决策树有一种过度拟合训练数据模型的倾向,由于这个原因,训练数据中报告的错误率可能过于乐观,因此,基于测试数据集来评估决策树模型是非常重要的。
评估模型性能
在这一步中使用测试数据集做预测,结果如图3所示。
实际值
预测值
行合计
不违约
违约
不违约
12500
0.625
2800
0.140
15300
违约
2300
0.115
2400
0.120
4700
列合计
14800
5200
20000
表2
从表2中可以得知,在测试集样本中,实际不违约被判为不违约的数量,占比为0.625;实际不违约被判为违约的数量,占比为0.140;而实际违约被判为不违约的数量占比为0.115;实际违约被判为违约的数量,占比为0.120。
从银行角度出发,申请人实际不违约被判为违约的影响远没有实际违约被判为不违约的影响大。原因有以下几点:一、 申请人实际不违约被判为违约,银行可能不会通过贷款申请,从而不发放贷款,这样银行不会遭受贷款发放出去却收不回来的风险,只是少收部分贷款利息而已。二、申请人实际违约被判为不违约,银行可能会同意申请人的贷款申请同意发放贷款,在发放贷款后,被判为不违约的申请人可能会因为缺乏诚信,不遵守合约规定按时还款,这样银行不仅损失了利息的收入,连本金都有可能收不回来。三、在测试数据集数据中,实际不违约的数量,占比0.183;而实际违约的数量,被判为不违约的数量,占比0.489。
由以上三点可以得出结论,基于训练测试集得出的模型,用测试数据集中的数据进行检验,最终出来的结果并不是很好。从银行角度出发,如果使用该模型引用到实际生活中,会因为申请人实际违约被误判为不违约的概率太大,而使银行做出错误的决定,从而产生损失。
模型优化方案——增加迭代次数、代价矩阵
由上面的评估模型性能可以得知,基于训练数据集得出的模型不太理想,因此我们来提高模型的性能。
1、迭代10次
首先我们选择使用迭代10次的方法进行对模型性能的提高。
实际值
预测值
行合计
不违约
违约
不违约
13300
0.665
2000
0.100
15300
违约
2300
0.115
2400
0.120
4700
列合计
15600
4400
20000
表3
由表3可以知道经过10次迭代,实际违约被判为不违约的数量占比0.115,与训练数据集的模型相比没有变化;而实际不违约被判为违约的数量,占比0.100。
从银行角度出发,这次的模型性能提高没有很大的实际意义,因为影响银行是否亏损的最主要因素是看实际违约被判为不违约的比重,而这次的性能提高并没有减少实际违约被判为不违约的数量,所以我们还要继续提高模型的性能。
2、迭代100次
根据上面的步骤知道,迭代10次出来的模型效果并不是很好,所以我们在这一步进行迭代100次的操作。
实际值
预测值
行合计
不违约
违约
不违约
12900
0.645
2400
0.120
15300
违约
2400
0.120
2300
0.115
4700
列合计
15300
4700
20000
表4
经过迭代100次的过程出来的结果由表4所示,与训练数据集的结果图相比,由此可以看出该次模型性能的提升没有较大效果。
3、代价矩阵
由于上述两次操作均没有使得模型的性能得到较大的提升,所以在这一步我们决定采用代价矩阵的方式来进行。
这里我们假设将一个违约用户错误的分类为不违约相比于将不违约用户错误的分类为违约来说,前者相较于后者会给贷款方造成4倍的损失,故代价矩阵为:
上述矩阵行表示真实值,列表示预测值,第一列和第一行代表不违约,第二列和第二行代表违约。假如该算法正确分类时,则没有分配代价。图6是加入代价矩阵的模型分类结果汇总。
实际值
预测值
行合计
不违约
违约
不违约
7600
0.380
7700
0.385
15300
违约
1000
0.050
3700
0.185
4700
列合计
8600
11400
20000
表5
相较于前面的结果,在加入代价矩阵后的模型效果不错,在实际违约被判为不违约的比例上得到了较大程度的下降。
图3
图3是测试数据集的部分决策树。
建议
现今,我国的生活水平逐步提升,个人的消费水平也跟着上升,但仍有很多人的工资薪酬涨幅跟不上消费的增长,就会从商业银行贷款作为经济生活维持,已提升自己的生活水平,不仅是车辆按揭贷、房产按揭贷款、教育助学贷款、耐用消费品贷款、结婚贷款等在我国陆续开展,数量与规模也越来越庞大。商业银行要从贷款中获利,就必须加强对于贷款的风险管理,在进行单一评估的同时从大量规律中获取经验,对于人力无法理解的大规模数据,就需相关研究来获取有用的规律,帮助商业银行及其他金融机构做出决策,而决策树对银行及金融机构来说就是一种很好的决策管理方法。
通过决策树的每一个子节点可以看出哪一个自变量会对贷款违约有多大的影响,从而商业银行可以更加的关注客户的这一方面,在这方面严格把关。算法能够为影响较大的错误分类进行误判代价值的设定,从而使模型在这类误判中的增加重视,降低这类错误发生的概率。假设银行将实际上不违约的客户判成了违约,银行仅仅是少获得几笔贷款的利息,不至于把整笔贷款都亏掉变成坏账;但假如银行使用了这种算法,对客户的违约可能性做出更为准确的判断,便能减少银行对实际违约的客户错判成不违约的情况,降低银行出现贷款无法追收的情况。
八、请问流动资产和非流动资产怎么划分?
非流动资产是指流动资产以外的资产,主要包括持有至到期投资、长期应收款、长期股权投资、投资性房地产、固定资产、在建工程、无形资产、长期待摊费用、可供出售金融资产等。流动资产包括:库存现金、银行存款、其他货币资金、交易性金融资产、应收票据、应收账款、预付账款、应收利息、应收股利、其他应收款、存货(库存商品、原材料等)、一年内到期的非流动资产与以上科目的备抵科目。
九、哪些属于流动资产?哪些属于非流动资产?
1.流动资产科目:货币资金、短期投资、应收票据、应收账款和存货等。
2.非流动资产科目:非流动资产是指流动资产以外的资产,主要包括长期股权投资、固定资产、在建工程、工程物资、无形资产、研发支出等。
3.流动负债:流动负债主要包括短期借款、应付票据、应付账款、预收账款、应付工资、应付福利费、应付股利、应交税金、其他暂收应付款项、预提费用和一年内到期的长期借款等。
4.长期负债:长期借款、应付债券、长期应付款、专项应付款。
十、哪些属于流动资产?哪些属于非流动资产?
流动资产包括货币资金,存货,应收账款,其他应收款等。
非流动资产包括固定资产,无形资产,长期股权投资等!


- 相关评论
- 我要评论
-