前文中已有论述，商业银行采用的信用风险评估模型可以分为两类：第一类是计量统计研究方法，具体来说是利用借款企业的历史样本数据（财务数据）搜寻出违约与公司变量之间的关系模型。第二类是结构化研究方法，利用公司资产价值数据，建立起利率和公司特征变量间的动态变化的模型。至于采用其中的哪一种作为主流方法，要看商业银行具体的经营条件和社会环境。就我国目前的现状来看，利用企业财务数据进行信用风险度量的计量统计模型是比较容易实现且效率较高的，银行可将信用风险的测度转化为企业财务状况的衡量问题。
对于上市公司而言，财务数据是一种公开数据，通常按季报、半年报、年报这样的方式向社会公众进行公布。财务数据由专门的会计事务所签字审核公布，具有一定的法律效力和较强的公信力。对上市公司信用风险的度量可在财务数据的基础上，不断优化评估方法，提高决策效率［66，67］。
如前所述，计量统计法中最常用的方法是评分法，它是在财务比率法和单变量模型基础上发展起来的。评分法的基本思路是：事先确认某些决定违约概率的关键因素，然后将它们加以联合考虑或加权计算得出一个数量化的分数。最有代表性的评分法模型是美国纽约大学教授奥特曼在1968年建立的著名的5变量Z-score模型，也称Zeta模型，用以最大程度地区分贷款风险度［8，9］。
然而，在实践中，评分模型的预测能力因以下几个方面的缺陷而大打折扣。第一，模型依赖财务报表的账面数据，忽视了各项资本市场指标。第二，模型假设解释变量中存在着线性关系，而现实经济现象是非线性的，削弱了预测结果的准确程度，使得模型不能精确地描述经济现实。因而，它们的使用范围受到较大限制。随着计算技术的发展，针对统计或经济计量方法存在的不足，许多非参数、非线性模型得以开发，如神经网络在信用违约预测方面方兴未艾。
众所周知，神经网络在数据的学习方面做得很好，而模糊系统在规则推理上较为擅长，可将其用于评价企业信用风险的研究中，使得银行能够迅速、准确地判别客户的信用风险，制订风险报价计划。这对于银行在竞争中能够胜出具有重要的意义。
本章结合我国的实际情况，把模糊神经网络方法引入信用风险评估领域，建立了新的信用风险评估的指标体系，利用模糊神经网络算法从已有的数据中进行规则抽取，提出了一种基于模糊神经网络的信用风险分析方法。该方法可用以帮助银行准确而快速地识别、评价和预测到可能发生的信用风险，为研究银行信用风险的管理和预警问题提供了一条新的思路和方法。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
