陈刚，男，1980年5月生人，祖籍河北省保定市望都县。先后毕业于北京科技大学金融工程专业和企业管理专业，分别获金融工程硕士学位和企业管理博士学位。近年来，主要从事金融工程、信用风险管理、大型企业战略管理等领域的研究工作。

　　信用风险是商业银行所面临的主要风险之一，对其进行度量和评估就成为风险管理的重要内容和关键环节。《行业战略·管理·运营书系：我国商业银行信用风险的度量与评估研究》在已有研究结论的基础上，尝试分别采用可信性理论、支持向量机理论和Copula函数等新的方法和工具对已有信用风险度量和评估的方法进行了创新性改进，取得了一些有意义的结论。
　　《行业战略·管理·运营书系：我国商业银行信用风险的度量与评估研究》适合于相关人员及部门和感兴趣的读者阅读、参考。

　　余晨曦和梁潇（2008）将支持向量机用于商业银行的信用风险评估，对贷款违约率进行了建模，并与判别分析的结果进行对比，得出支持向量机在对贷款违约的判别中有较好判别效果的结论。除此之外，支持向量机算法还被用于商业银行自身信用风险的研究中。Min等（2006）对遗传算法（GA）和SVM进行了一个集成处理，提出了可以提高支持向量机性能表现的两个方面：特征子集选择和参数优化，对银行的破产预测模型进行了优化处理。Melek等（2009）针对土耳其的商业银行系统，综合运用神经网络技术、支持向量机和多元统计方法对银行破产的可能性进行预测，对不同的财务指标进行数据集合，以提高预测性能。结果表明，SVM模型可被视为最成功的预测商业银行财务破产的模型。
　　支持向量机包括支持向量分类机和支持向量回归机（SVR），支持向量回归机是在支持向量分类机的基础上建立起来的，它可用于对训练样本的输出值进行预测。支持向量回归机在金融研究的一些领域已经得到应用，并且具有较高的预测精度。胡海青等（2010）以支持向量回归机建立我国股份制商业银行各利益相关者对银行资本配置影响的仿真模型，对股份制商业银行1999～2006年的数据进行了仿真计算，并同PLS回归、BP神经网络的预测结果进行比较，实证结果表明SVR算法预测的精确性以及其预测思路的可行性。经过近十年的发展，支持向量回归机已经衍生出多种类型，包括ε—SVR、C—SVR、v—SVR等。其中，v—SVR是具有较高精度的一类支持向量机，并逐渐开始在金融领域得到应用。孙彬和李铁克（2010）以上证指数为研究对象，提出投资选时策略，使用v—SVR对金融股指进行了预测，其研究结果表明在有限样本情况下v—SVR模型的预测偏差较小、预测方向的准确性较高。Hu和Trafalis（2011）在预测天燃气价格时，通过运用具有不同核函数的ε—SVR、v—SVR模型与人工神经网络模型、RBF网络模型以及非对称的GARCH模型进行比较，发现具有sigmoid核函数的v—SVR模型的预测精度最高。
　　因此，针对商业银行自身信用风险度量需要对指标进行高精度的预测，以及我国商业银行样本数量少的问题，本章尝试运用v—SVR模型对商业银行自身的信用风险进行预测评估，并将其结果与BP神经网络模型和ε—SVR模型的预测结果进行对比，以此检验模型的预测效果。
　　……

第1章 引言
1.1 选题背景
1.2 研究意义
1.3 本书主要内容
1.4 研究方法和技术路线

第2章 文献综述
2.1 商业银行信用风险述评
2.1.1 商业银行信用风险的含义
2.1.2 商业银行信用风险的特征
2.1.3 商业银行风险管理体系的建立
2.1.4 商业银行风险管理方法的演变
2.1.5 商业银行风险管理的核心思想
2.2 我国商业银行信用风险成因述评
2.2.1 我国商业银行信用风险成因的外部因素
2.2.2 我国商业银行信用风险成因的内部因素
2.3 信用风险评估及度量方法述评
2.3.1 以理论模型为基础的信用风险度量
2.3.2 基于Z-得分方法的信用风险评估
2.3.3 以多元统计为基础的信用风险评估
2.3.4 以期权理论模型为基础的信用风险度量
2.3.5 基于人工智能方法的信用风险评估
2.4 巴塞尔协议下的信用风险管理理论述评
2.4.1 巴塞尔协议的发展历程及评价
2.4.2 巴塞尔协议Ⅲ中信用风险管理方法

第3章 巴塞尔协议
3.1 巴塞尔委员会简介
3.1.1 巴塞尔委员会成立背景与意义
3.1.2 巴塞尔委员会发展历程
3.1.3 制定巴塞尔协议的背景与意义
3.2 巴塞尔协议（第一版）（Basel Accord Ⅰ）
3.2.1  Basel Accord I的成立背景
3.2.2  Basel Accord Ⅰ的主要内容
3.2.3  Basel Accord Ⅰ的优势与不足
3.3 巴塞尔协议（第二版）（ Basel Accord Ⅱ）
3.3.1  Basel AccordⅡ的成立背景
3.3.2  Basel AccordⅡ的主要内容
3.3.3  Basel AccordⅡ的优势与不足
3.4 巴塞尔协议（第三版）（Basel AccordⅢ）
3.4.1  Basel AccordⅢ的成立背景
3.4.2  Basel AccordⅢ的主要内容
3.4.3 中国银行业当前的监管指标体系
3.4.4  Basel AccordⅢ的优势与不足
3.5 案例分析

第4章 基于可信性理论和层次分析法的信用风险评估模型
4.1 可信性测度简介
4.1.1 可能性测度
4.1.2 必要性测度
4.1.3 可信性测度
4.2 层次分析法理论简介
4.3 基于可信性测度的多层次模糊综合评估模型
4.4 商业银行信用风险的可信性测度的综合评估
4.4.1 信用风险评价指标体系的建立
4.4.2 信用风险因素集与评语集的确定
4.4.3 信用风险评价指标权重的确定
4.4.4 对商业银行信用风险的综合评估
4.5 本章小结

第5章 基于v-SVR的商业银行信用风险度量
5.1 支持向量机模型概述
5.1.1 统计学习理论概述
5.1.2 结构风险最小化
5.1.3 核函数
5.1.4 支持向量机模型概述
5.1.5 支持向量回归机
5.2 BP神经网络算法概述
5.2.1 BP神经网络的理论基础
5.2.2 BP神经网络的算法思想
5.2.3 BP算法的学习机制
5.2.4 BP算法的步骤及流程图
5.2.5 BP神经网络的结构设计
5.2.6 BP神经网络的样本处理
5.2.7 BP神经网络的参数选择
5.3 实证分析
5.3.1 数据来源及指标分析
5.3.2 数据预处理
5.3.3 数值实验
5.3.4 结果分析
5.4 信用风险预测
5.5 本章小结

第6章 基于Copula函数的信用风险度量
6.1 Copula理论简介
6.1.1 Copula函数及Sklar定理
6.1.2 几类常用Copula函数及其性质
6.1.3 Copula函数模型估计
6.1.4 Copula函数拟合检验
6.2 C-VaR方法概论
6.2.1 VaR理论模型
6.2.2 -VaR模型
6.2.3 -VaR与VaR
6.3 Monte Carlo方法概述
6.3.1 Monte Carlo方法的产生与发展
6.3.2 Monte Carlo方法在一重定积分计算中的应用
6.3.3 Monte Carlo方法在多重定积分计算中的应用
6.3.4 Monte Carlo方法在概率计算中的应用
6.4 基于Copula-CVaR的整合风险度量模型
6.5 实证分析
6.5.1 样本数据选取
6.5.2 边际ε分布的确定
6.5.3 相关性检验
6.5.4 Copula函数估计
6.5.5 整合风险CVaR的计算
6.5.6 我国商业银行整合风险的比较
6.6 本章小结

第7章 结论
参考文献
附录A 我国上市商业银行财务数据
附录B 12家商业银行的两类风险资产收益率
后记