Commercial bank credit risk management based on grey incidence analysis
Notice bibliographique
Résumé
Purpose This paper attempts to analysis the credit risk at the angle of industrial and macroeconomic factor using grey incidence analysis method. Design/methodology/approach Credit asset quality problem is one of the obstacles limiting the further development of commercial banks; the research on credit risk becomes an important part of the implementation of a commercial bank's risk management. Different industries may have different effects on the credit risk of commercial bank. This paper proposes finding out the different incidences between industries and credit risk, as well as macroeconomics. Incidence identification method is established to investigate whether the industry and macroeconomic factor could affect an impaired loan ratio of a bank using the grey incidence analysis method. Findings The results indicate that the impaired loan ratio differs with diverse industry's influence and the macroeconomics also affect it. From the angle of the industry, the result can also determine the risk deviation scope in the grey risk control process which offers new content and ideas within the grey risk control. Practical implications Under the guidance of the principle of “differential treatment, differential control”, this research will help to strengthen the implementation of differentiated credit policy, focus on guiding and promoting the optimization of credit structure, so as to maintain a reasonable size of credit facilities and build a steady currency credit system. Originality/value The paper succeeds in finding the top five influent industries compared with others by using one of the newest developed theories: grey systems theory.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».