基于贝叶斯网络的商业银行中小企业信贷准入筛选模型研究
本文的主要研究内容是考察如何运用树扩展朴素贝叶斯网络模型加强商业银行的中小企业信贷审核工作，重点考察和检验了树扩展朴素贝叶斯网络模型和BP神经网络模型在帮助商业银行审核者筛选中小企业信贷准入客户方面的有效性。研究发现，树扩展朴素贝叶斯网络模型的分类精确度可与众所周知的BP神经网络模型相媲美，并且由于贝叶斯网络分类器是一种典型概率型分类器，各属性的类条件概率以及各属性的条件概率都有明确的实际意义，因此，和BP神经网络分类器相比，树扩展朴素贝叶斯网络分类器更易于解释，表达也更直观。 研究结果对商业银行的审核者有重要的实践指导意义，审核者可以通过基于树扩展朴素贝叶斯网络的筛选模型识别具有哪些特征的中小企业可以进入银行的信贷流程。因此，这个模型能够作为一个有用的决策支持工具帮助审核者进行决策并提高审核效率和效力。在这一决策支持工具的帮助下，银行审核者可以在早期以可靠的精确性识别违约风险较大的中小企业客户。学者们也可以将本文所研究的半自动决策系统作为参考，考察银行审核者在审核过程中发生的偏差，如将由审核者完成的控制实验与概率模型的预测结果进行比较，从而更好地了解审核者的偏差。与此同时，本文的研究结果也可以作为进一步探索的基础，可以继续提炼这一概率模型以提供更好的预测性能。
商业银行 信贷审核 违约风险 贝叶斯网络
蒙肖莲 杜宽旗 钱泓
南京理工大学经济管理学院
国内会议
济南
中文
208-223
2011-09-16（万方平台首次上网日期，不代表论文的发表时间）