基于BP神经网络的商业银行贷款定价目标利润率测度分析

发布时间：2020-06-22 02:08

【摘要】：随着利率市场化改革的实施,我国金融业市场环境变得更加复杂,贷款利率市场化完成后,我国中央银行对商业银行贷款利率管制完全取消,贷款利率将根据资金市场供求自由波动,商业银行则根据客户的具体特征进行自主定价,对于长期执行央行基准利率政策的商业银行来说,传统的贷款定价方式已不再适用。在激烈地市场竞争下,商业银行选择合适的贷款定价方法是迫切需要解决的问题。成本加成贷款定价模型是当今商业银行使用较多的模型,其充分考虑了成本、利润和风险三方面,能够很好的解决利率市场化所带给我国银行贷款定价困难的问题。但是在对预期目标利润测度方面困难较大,一直以来,银行都是主观地对目标利润率进行估计赋值,甚至有的银行忽略了目标利润,以致银行贷款风险增大,贷款收入稳定性难以保证。如何通过市场自由竞争之后的结果,通过有效的方法根据客户的属性特征和金融市场因素对客户预期目标利润进行客观估计赋值,以此减少风险保证贷款收入的稳定是亟待解决的问题。本文提出运用BP神经网络对贷款市场自由竞争后的数据结果进行数据拟合分析,可以达到依据客户规模、地域、所购买产品等特征信息和其他市场因素客观地对预期目标利润率进行客观测度。从而解决了目标利润率测度难的问题,弥补了成本加成定价模型在贷款定价实际方面应用的缺陷,使得成本加成模型应用更加全面和可行。并根据研究过程中遇到的问题提出继续完善成本测度、风险测度和利润测度机制的建议。本文在第1章阐述了选题的背景和意义,介绍了贷款定价理论的发展动态,说明了本文的研究内容、方法和创新点。在第2章主要介绍利率市场化改革的实施情况,分析了其对我国商业银行贷款定价所带来的影响,从而选择一个合适的贷款定价模型是我国商业银行解决自主定价能力差、风险管理能力弱和难以掌握金融市场运行规律等问题的关键。第3章首先说明了成本加成贷款定价模型能够很好的解决我国商业银行所面临的贷款定价问题,并对其内容、原理和优缺点进行了概述,简要介绍了模型中各因素的计量原则,分析了客观测度预期目标利润率的重要性和困难,提出选用BP神经网络模型测度目标利润率。第4章首先分析了本文所选数据的特性,然后对BP神经网络模型进行了简要概述,并根据其在数据拟合上的优势,从理论角度分析了BP神经网络方法对本文预期目标利润率的适用性。第5章是本文的重点,在前文的基础上,构建了适合本文测度目标利润率的BP神经网络模型,对所选的历史数据进行分析,结果表明,通过BP神经网络利用企业的特征信息和市场因素对预期目标利润率进行客观预测,所得结果与实际数据误差较小,对商业银行在进行贷款业务时具有很大的参考价值。并根据分析提出建议。最后在第6章中进行总结和展望。
【学位授予单位】：山东财经大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F832.4;TP183
【图文】：

目标利润,测算方法

图 3-1 目标利润率的测算方法利润率的方法是一般技术企业所使用方法，但对于较为复杂的不再适用，国内外很多学者曾多次尝试将上述方法应用到商业效果并不理想。所以就造成如今我国商业银行在运用成本加成定价时，对于目标利润率的赋值只能凭借经验进行主观赋值，再贷款业务中获得最大收益。由此可以发现合理地测度目标利价模型中的重中之重。润率在成本加成定价法中的重要性成本加成贷款定价法的重要组成部分，是保证商业银行在贷款。需对测度得到的目标利润进行全面的审查和评价，以判定商指标是否先进可靠，对测度的目标利润和实现目标利润的措施

神经网络结构,隐含层

系统的自适应等。其可以模拟出样本之间任意的分线性关系。如图 4-1 所示，BP 神经网络主要组成部分有输入层、隐含层和输出层，每一层都由一个或多个神经节点组成，每一层的神经节点只接收前一层神经元的输入，输入信息必须经过各层神经元的处理才会变为输出层的输出，即外界输入信息进入输入层，然后经过输入层的处理后进入隐含层，最后在隐含层处理后进入输出层达到信息输出。其中隐含层可以包含一层或多层结构。

【参考文献】