基于综合风险约束的贷款组合优化决策模型

基于CVaR风险度量和VaR风险控制的贷款组合优化模型迟国泰;王际科;齐菲
【期刊名称】《预测》
【年(卷),期】2009(028)002
【摘要】以银行贷款组合的条件风险价值CVaR最小为目标函数,以贷款组合的VaR约束为条件,以二次规划为手段,建立了贷款组合优化模型.本模型的创新与特色一是以贷款组合的CVaR最小为目标决策,降低了银行发生灾难性风险的可能性.二是以VaR风险控制作为约束条件,使组合风险限定在银行的承受能力内.三是用有效前沿上最小的CVaR点和单项贷款的最大收益率确定了目标收益率的合理区间.【总页数】6页(P47-52)
【作者】迟国泰;王际科;齐菲
【作者单位】大连理工大学,管理学院,辽宁,大连,116024;鲁东大学,学报编辑部,山东,烟台,264025;大连理工大学,管理学院,辽宁,大连,116024
【正文语种】中文
【中图分类】F830.5
【相关文献】
1.基于多目标CVaR模型的证券组合投资的风险度量和策略 [J], 蒋敏;姜宝珍;孟志青;虞晓芬
2.基于修正的CVaR动态优化模型的商业银行贷款组合优化研究 [J], 史永奋
3.基于CVaR和改进熵的全贷款组合优化模型 [J], 迟国泰;向俊
4.基于CVaR风险控制下的多阶段投资组合优化模型 [J], 贺月月;高岳林;李维
5.基于VaR和CVaR风险控制下的M-V投资组合优化模型 [J], 高岳林;苗世清因版权原因，仅展示原文概要，查看原文内容请购买。

基于信用风险修正的多阶段银行贷款组合优化决策模型
高岳林;孙滢
【期刊名称】《商业研究》
【年(卷),期】2011(000)003
【摘要】针对银行的信用风险和贷款的周期性等问题,建立一个基于信用风险修正的多阶段银行贷款组合优化决策模型,该模型在多阶段模型中考虑了信用风险修正问题,根据模型的特点给出了把Monte Carlo模拟的动态算法和差分进化的多阶段算法相结合的求解方法,前者求解银行各类贷款的期望收益率,后者求解每一阶段银行对各类贷款的最优投资比重.数值试验表明所建立的模型是合理的且符合商业银行的实际操作要求,给出的方法是有效的和可行的.
【总页数】5页(P68-72)
【作者】高岳林;孙滢
【作者单位】北方民族大学,信息与系统科学研究所,银川,750021;北方民族大学,信息与系统科学研究所,银川,750021
【正文语种】中文
【中图分类】F830.45
【相关文献】
1.基于信用风险修正的多阶段银行资产组合优化模型 [J], 孙滢;高岳林
2.基于几种风险测度的多阶段组合优化研究 [J], 郑承利;姚银红
3.基于修正的CVaR动态优化模型的商业银行贷款组合优化研究 [J], 史永奋
4.基于修正的CVaR动态优化模型的商业银行贷款组合优化研究 [J], 史永奋;
5.基于CVaR风险控制下的多阶段投资组合优化模型 [J], 贺月月;高岳林;李维因版权原因，仅展示原文概要，查看原文内容请购买。

基于风险价值约束的贷款组合效用最大化优化模型
的开题报告
一、研究背景
贷款组合的风险管理一直是银行和金融机构面临的重要问题之一。

在贷款组合中，不同类型的贷款具有不同的风险价值，银行需要寻找最优的贷款组合方式，以最大限度地平衡风险和收益，实现贷款组合效用的最大化。

目前，贷款组合优化问题已成为金融风险管理领域的研究热点。

传统的贷款组合优化模型往往假设所有贷款的风险均为已知，而在实际情况下，风险是随着时间以及市场情况而不断变化的。

因此，为了更准确地反映贷款组合的风险特征，需要基于风险价值进行约束，并考虑风险的动态调整能力。

二、研究内容
本研究旨在基于风险价值约束，构建一种贷款组合效用最大化的优化模型，并探讨相应的求解算法。

具体的研究内容包括：
1.定义贷款组合的风险价值，并对其进行量化描述。

2.构建基于风险价值约束的贷款组合效用最大化的优化模型。

3.探讨求解该优化模型的算法，包括线性规划、整数线性规划、动态规划等方法。

4.通过实例分析，验证该模型及算法的有效性和实用性。

三、研究意义
本研究提出的基于风险价值约束的贷款组合优化模型，能够更准确地反映贷款组合的风险特征，并实现贷款组合效用的最大化。

该模型具
有较高的实用价值，可为金融机构提供科学有效的决策支持。

同时，研
究过程也可以为风险管理和优化领域的进一步研究提供新的思路和方法。

基于单位风险收益最大化的贷款组合优化模型杨中原【摘要】以银行资产的单位风险收益最大为目标,以法律法规和贷款集中度为约束条件,建立了基于单位风险收益最大化的贷款组合优化模型.通过贷款集中度约束调节不同行业贷款总量的分配比例,在确保资产单位风险收益最大的同时,解决银行为了追求收益最大化将大量资产分配给收益较高的行业,而导致银行贷款集中度风险过大的问题.【期刊名称】《科技与管理》【年(卷),期】2010(012)002【总页数】4页(P104-107)【关键词】资产负债管理;集中度;组合风险;贷款组合【作者】杨中原【作者单位】大连银行,博士后工作站,辽宁,大连,116001;中国社会科学院,金融研究所博士后流动站,北京,100732【正文语种】中文【中图分类】F830.33;O224全球银行危机案例研究表明，银行危机的实质在于商业银行资产配置失误[1]。

随着银行信贷激增，贷款出现行业集中和客户集中的趋势，导致银行贷款集中度风险过高，使得银行面临较大的风险。

在贷款发放时，有效控制贷款集中度对减小银行的风险具有重要的实践意义。

现有的资产负债研究已经取得了大量的成果，依据风险和收益管理的侧重点不同，现有的资产负债管理的思路上大体可分为3类。

一是,基于风险最小化的资产分配模型研究。

Gary等利用贷款组合的收益大于或等于目标收益作为约束条件，通过最小化组合风险建立了贷款组合分配模型[2]。

迟国泰等解决了在一组新的贷款发放时，新、旧两组贷款的组合风险的控制问题[3]。

王春峰等[4]、庄新田等[5]给出了银行资产负债管理模型。

这类模型的特点没有反映出追求银行股东财富最大化盈利性。

二是，基于收益最大化的资产组合分配模型。

Li等[6]在追求组合收益最大化，建立了多阶段的均值—方差组合优化模型。

Tokat等[7]在反映风险价值与风险厌恶的情况下求期望收益的最大化，给出了特定情况下的资产分配结果。

这类方法的特点是追求组合收益最大化。

基于VaR和集中度约束的贷款组合优化模型杨中原;许文【摘要】资产负债管理是把资产与负债组合视为有机整体,协调流动性、安全性和赢利性,本文通过资产的集中度约束把银行资产合理分配在不同行业中,有效降低银行资产集中度风险,通过能反映银行风险承受能力的VaR约束控制了贷款组合风险,应用实例的结果表明,本模型能够谋求"三性"的最佳配置,有效降低银行经营过程中的集中度风险和流动性风险,并实现银行经营效益的最大化,这对银行的贷款管理具有重要的现实意义.【期刊名称】《经济数学》【年(卷),期】2011(028)002【总页数】4页(P85-88)【关键词】贷款组合;集中度风险;流动性风险;资产负债【作者】杨中原;许文【作者单位】大连银行,辽宁,大连,116001;中国社会科学院,金融研究所,北京,100732;大连银行,辽宁,大连,116001【正文语种】中文【中图分类】F224.3银行危机的实质在于银行资产配置失误而导致的流动性不足[1].资产负债管理是一种总体风险控制与资源配给方法,是把资产与负债组合视为有机整体,协调流动性、安全性和赢利性,以资产负债管理控制银行的综合风险已成为有关各方关注的热点.特别是银行贷款急剧增加时,有效的资产负债管理对银行的健康发展显得尤为重要. 根据控制或管理的侧重点不同,现有的资产负债管理模型可分为三大类:第一类是基于风险最小化的资产分配模型研究.Yi等利用投资组合收益的均值方差度量风险,研究了多时段的资产负债管理[2].Calafiore以投资期内的累积风险最小为目标,建立了多时段投资组合模型[3].印凡成等[4]用S型隶属函数刻画投资者对投资收益、投资风险、流动性水平的满意度,构建了半绝对偏差投资组合模型.这种模型的特点是追求银行资产风险最小化.第二类是基于收益最大化的资产分配模型研究.Yang等给出了收益最大的多阶段动态的资产组合选择优化模型[5].Chiu和Li研究了基于安全第一准则下的盈余最大化的资产负债管理[6].迟国泰等建立了资产负债组合优化决策模型,解决了商业银行各种资产数量的优化配置问题[7].这类方法的特点是追求组合收益最大化.第三类是基于收益和风险因素的资产分配模型研究.Grebeck等利用随机规划研究了风险最小和预期收益最大的资产组合问题[8].Perez等利用妥协规划法求解了资产组合优化模型,并给出了资产组合的夏普单指数模型[9].Roman等建立了组合收益预期价值、方差以及CVaR的多目标资产组合优化模型[10].Shing和Nagasawa建立了期望收益最大和组合风险最小的多目标随机规划模型[11].这类模型的缺点是当目标定得较高时,则会导致银行面临较大的风险.本文通过资产的荷芬达尔指数控制银行资产在不同行业中的分配,使集中度风险在银行可控的范围内,通过能反映银行风险承受能力的VaR约束控制了贷款组合风险,从而实现银行资产负债的合理匹配.其中,il为两种不同贷款收益率的相关系数.2.2.1 法律法规约束商业银行依据商业银行法和中央银行的监管条例,并根据自身的内部条件和经营环境总结出的资产负债比例,可以有效减少流动性风险,这些法律法规的监管约束[12]主要有:1)备付金比例:2.2.2 VaR约束法律、法规约束只能反映监管的合规性,而不能反映银行自身的风险承受能力对带宽分配的影响,所以需要引入VaR约束将风险值控制在银行的可承受能力之内.其中,Φ(·)为标准正态分布的分布函数,σ(X)为贷款组合的收益率的标准差,μ(X)为贷款组合的期望收益率.一定的置信水平下,把预期损失VaR在控制在一定的范围内,因而构造VaR约束条件为2.2.3 资产集中度约束若贷款过度集中在某个行业,则会导致银行资产集中度风险过大,因而通过合理的调配贷款在各个行业的集中程度显得尤为重要.第k行业的贷款占贷款总额的比重:荷芬达尔指数越大,表明贷款集中度越高,贷款集中度风险也就越大,反之,贷款集中度风险越小.贷款集中度风险约束条件为其中,C为银行集中度风险的阈值上限.银行通过历史数据测算自身集中度风险的阈值上限 C,只要贷款的集中度 RH小于阈值C,就说明贷款集中度风险在银行的可控范围内.2.3 模型的建立以式(4)贷款组合风险最小为目标函数:以式(6)～(14)的法律法规、风险价值VaR式(16)、集中度 RH式(19)为约束条件. 某银行现有资金头寸设为1个单位,该银行实际执行的资产利率表见表1.在房地产业、交通及物流、制造业、基建行业、零售业、服务业6个不同行业中,采集了180个企业以往的贷款年收益率作为样本数据,见表2.根据历史数据,银行决策者结合风险事件来确定集中重度风险的承受能力.根据表1和表2中的相关数据,代入式(20)和式(21)可以得到资产风险最小化和收益最大化两个目标函数.根据约束条件式(6)～(19),构建法律法规约束、VaR约束和资产集中度约束条件.假设银行根据自身的风险承受能力,给定VaR=5%,c=95%,银行的集中度风险的阈值上限 C分别取四个离散点 25%、30%、35%、40%,通过Matlab可以求解双目标优化模型,资产组合的收益、风险、行业集中结果见表3.3.3.1 资产的行业分布分析根据表3中1～8行,以房地产业、交通及物流、制造业等6个行业为横坐标,资产分配比重为纵坐标,得到不同集中度约束下的资产分配对比图,如图1所示.表3和图1反映出资产的行业分布特点是:1)银行在收益较高行业投放贷款比重大,随着银行风险集中度阈值的增大,银行在贷款收益较高的行业投放的贷款额度随之增大.2)银行在收益较低行业投放贷款比重小,随着银行风险集中度阈值的增大,贷款收益较低的行业投放的贷款额度随之减小.3)现有模型由于没有考虑银行自身的集中度风险承受能力,将51.75%的贷款投放给收益最高的房地产行业.3.3.2 收益与集中度的关系在3.2.1的模型中,对银行的集中度风险的阈值 C连续取值,可以得到资产组合收益率与集中度阈值之间的对应关系,如图2所示.在图2中,C＊为银行所承受的最大贷款集中度,C0为现有模型确定的贷款集中度,Rmax为资产组合的收益率的最大值.从图2揭示了资产组合收益与集中度具有如下对应关系:1)当 C＊≤C0时,资产组合的收益率随着贷款集中度阈值的增大而增大.2)当 C＊>C0时,资产组合的收益率不会无限的增大,而是趋于定值 Rmax.3)资产组合的收益率受到银行所承受的最大贷款集中度C＊的约束.综上,本模型在集中度风险控制方面要优于现有模型.据银行的自身集中度风险承受能力合理分配资产,有效降低了贷款的集中度风险,同时也保证资产组合具有较高的收益.银行为了追求收益最大化,将过多的贷款投放到收益较高行业,而在收益较低行业投放贷款比重减小,这导致银行资产的集中度过高,使银行面临巨大的集中度风险.本研究通过设定贷款集中度阈值,将资产合理的分配到各个行业,有效降低了银行的集中度风险,同时引入VaR约束反映银行风险承受能力,控制了贷款组合风险.在贷款规模的快速扩张时期,本研究为银行决策者在宏观上把握资产分布提供理论支持.【相关文献】[1] 叶望春,夏清华.银行危机对商业银行资产配置的启示[J].世界经济,2001,(9):69-72.[2] LYI , Z F LI ,D LI. Multi-period portfolio selection for asset-liabilitymanagement with uncertain investment horizon[J ]. Journal of industrialand management optimization , 2008 , 4(3) :535 - 552.[3] CALAFIORE G C. Multi-period portfolio optimization with linearcontrol policies[J ]. Automatica , 2008 , 44(10) : 2463 - 2473.[4] 印凡成,周淳,黄健元.半绝对偏差投资组合模型构建及其应用[J].经济数学,2010,27(2):57-61.[5] GL YANG, S M HUANG, W CHEN. An utilities based approachfor multi-period dynamic portfolio selection[J ] Journal of systems scienceand systems engineering , 2007 ,16(3) :277 - 286.[6] M C CHIU , D LI. Asset-liability management under the safety -first principle [J ]. Journal of optimization theory and applications ,2009 , 143(3) :455 - 478.[7] 迟国泰,徐琤,李延喜.银行资产负债管理中的资产分配模型[J].大连理工大学学报,2001,41(4):501-504.[8] MJ GREBECK, S T RACHEV ,F J FABOZZI. Stochastic programmingand stable distributions in asset-liability management [J ]. Journalof Risk ,2009 ,12(2) :29 - 47.[9] GB PEREZ, T A BILBAO , L J ANTOMIL. Selecting the optimumportfolio using fuzzy compromise programming and Sharpe’s single -index model , Applied mathematics and computation , 2006 , 182 (1) :644 - 664.[10]D ROMAN , D KDARBY, GMITRA. Mean-risk models using tworisk measures : A multi-objective approach [J ]. Quantitative finance ,2007 ,7(4) :443 - 458.[11]C SHING, H NAGASAWA . Interactive decision systemin stochasticmulti-objective portfolio selection[J ]. International Journal of ProductionEconomics ,1999 :60 - 61. [12]袁乐平,黄博文.基于VaR约束的商业银行资产负债组合配给模型探讨[J].中南大学学报:社会科学版,2005,11(2):217-221.。

基于优化融合Stacking算法的贷款决策模型研究中文摘要近年来，“互联网+金融”模式的兴起，使传统银行走上了转型发展的新道路。

银行信贷业务的互联网化给贷款客户提供了便捷和高效的新体验，但伴随而来的信贷风险是一大难题。

因此探究更高效、更好性能的贷款决策模型对于网络贷款业务的发展具有重要意义。

Stacking算法是一种模型融合算法，选择异构且性能好的基分类器对Stacking算法具有积极的影响。

研究发现，其第一层训练集经过五折交叉训练后，将预测结果直接作为第二层元分类器的训练集，忽略了第一层基分类器的分类效果对元数据集的影响，从而限制了Stacking的融合能力，且Stacking算法对过程处理的依赖性较强，因此，如何使元数据集的组合策略更加有效，如何降低Stacking在数据处理、特征选择、参数设定、基分类器训练等环节的干扰成为本文研究的重点。

本文基于优化融合的Stacking算法构造贷款决策模型，具体工作如下：首先，以新兴的XGBoost、LightGBM算法，以及并行集成方法中的随机森林算法作为基分类器，构建出基本的Stacking算法。

基于以上问题，本文结合Adaboost中对分类错误样本调整权重的思想，提出自适应权重融合的Stacking算法。

即对基学习器训练及预测结束后得到的结果，再次组合训练时先初始化其权重，然后在训练过程中计算误差并不断调整权重，从而使得效果好的基分类器对最终结果有正面的带动。

其次，运用优化的XGBoost算法作为训练Stacking贷款决策模型的样本选择方法。

XGBoost算法在创建提升树后，能够直接获取属性的重要程度分值，由节点负责加权和记录次数，最终得到重要性评分和排序。

本文依据XGBoost算法获得的重要性评分，在scikit-learn中通过SelectFromModel类进行特征选择。

这项特征选择方法相较于人工经验选择更加科学化、合理化，有效降低了模型的特征扰动。

引言：2019年8月17日，为了提高贷款市场报价利率的代表性，中国人民银行发布公告，决定将贷款市场报价利率报价行类型在原来的基础上增加农村商业银行、民营银行等，进一步深化利率市场化改革，降低实体经济在融资过程中的成本支出。

通过对商业银行贷款数据分析，了解商业银行最优贷款定价问题，以此为商业银行的信贷决策和风险管理提供参考。

一、风险偏好分析从广义角度来看,风险偏好是指单位为实现其战略目标所愿意接受的风险程度,一般认为风险偏好是建立在风险容忍度概念基础上抽象的结果，风险容忍度过程中对差异的可接受程度是判断风险偏好的重要基础。

根据现有的研究成果，一般将风险偏好指标分为基于市场构建和基于统计模型构建两类，市场法一般市场上流行的指标体系采用标准化处理后的算数平均、加权平均、差方计算等方法进行处理，用于描述风险资产、避险资产、利差等市场指标高频捕捉市场风险偏好的变动。

另外一种是采用统计模型方法对风险进行计量，典型指标包括VIX 指数、JP Morgan 风险耐受指数、瑞银外汇风险指数、Westpac 风险规避指数等,本文将基于统计的方法,结合市场中关键指标体系,建立分析模型体系。

按照投资者对风险的偏好，可以将风险偏好划分为以下几种类型：（1）风险回避。

当预期收益率一致时，投资者偏好低风险资产，如果资产的风险相同，投资者偏好高预期收益率资产。

（2）风险追求。

风险追求与风险回避是完全相反的，投资者会主动追求风险，倾向于收益的波动，而不是收益稳定，预期收益相同时，他们会选择风险更大的资产。

（3）风险中立。

这部分投资者既不会回避风险，也不会主动追求风险，而是以预期收益大小为标准，不去在意风险的情况如何。

因经营货币与信用是商业银行的主要业务,以信用为基准的评价制度已成为影响经济发展的重要因素,信用风险是我国商业银行所面临的最重要的风险因素,关系到经济繁荣和稳定,信贷管理是风险管理的最重要的因素,信贷过程中，可以通过对单笔贷款的控制了解其存在的风险，从而实现对总体贷款风险的有效控制。

基于高阶矩风险控制的贷款组合优化模型
贷款组合优化模型是指将不同类型的贷款按一定比例组合起来，
以期望获得最佳的回报和风险控制效果。

这种模型的核心是风险控制，传统的风险控制方法主要侧重于期望收益率和方差等一阶矩和二阶矩
风险指标，而高阶矩则涉及更高级的风险评估指标。

高阶矩风险控制是指基于更高阶的统计量，例如偏度和峰度等指
标来进行风险控制。

偏度主要反映数据分布的非对称性，而峰度反映
了数据分布的峰态程度。

根据这些指标，可以更全面地评估贷款组合
的风险。

在基于高阶矩风险控制的贷款组合优化模型中，模型会考虑多个
贷款的风险特征以及相互之间的关联性，从而构建最佳的贷款组合。

此外，模型还会考虑预期收益、风险分配等因素，通过优化目标函数，得到最优的组合方案。

总之，基于高阶矩风险控制的贷款组合优化模型对于提高金融机
构的风险控制能力和投资收益水平都具有重要的意义。

VaR约束的多目标组合贷款优化决策模型
洪忠诚;迟国泰;王际科
【期刊名称】《哈尔滨工业大学学报》
【年(卷),期】2008(40)10
【摘要】在VaR约束下,以线性加权和法求多目标规划,建立了组合投资的收益最大,同时方差风险最小的组合贷款多目标优化决策模型.该模型的特点是运用了多目标规划的方法建立投资组合优化问题的多目标函数,利用线性加权和法把多目标规划转化为单目标规划,解决了各个商业银行可根据自己的需要选择适合的损失率与收益率,使组合风险最小、其收益最大的最优投资组合问题;同时考虑了风险之间的相关性.通过VaR约束排除了风险相对较高风险的贷款组合,有效地控制了组合风险,使贷款的分配直接反映了商业银行的风险承受能力,并且确立了在多目标组合贷款中的有效集,它在风险和收益的空间上的轨迹也存在着这样的有效边界.
【总页数】5页(P1661-1665)
【作者】洪忠诚;迟国泰;王际科
【作者单位】大连理工大学,管理学院,大连,110324;大连理工大学,管理学院,大连,110324;大连理工大学,应用数学系,大连,116024
【正文语种】中文
【中图分类】F830
【相关文献】
1.基于CVaR收益率约束的贷款组合优化决策模型实例研究 [J], 丁浩;
2.基于CVaR收益率约束的贷款组合优化决策模型实例研究 [J], 丁浩
3.基于CVaR的多产品多目标风险决策模型 [J], 夏欢;蒋敏;孟志青;方森宇
4.基于VaR收益率约束的贷款组合优化决策模型 [J], 迟国泰;姜大治;奚扬;林建华
5.基于资本效率约束的多目标行业组合贷款优化管理模型 [J], 文忠平;周圣;史本山因版权原因，仅展示原文概要，查看原文内容请购买。