作业4
使用自组织神经网络（self-organising neural network）进行聚类
提交日期：2020年10月9日 0：00
星期五后提交的扣分：每天50％
目标：
开发可以识别潜在故障银行的智能系统。
提交要求：
这项作业是针对一组两个学生的。 每个小组提交一份报告。
每个作业必须完全是您自己的工作。剽窃是不能容忍的（您将自动不及格）。
问题描述：
2008年，一系列银行倒闭引发了金融危机。从任何历史标准来看，这场危机都是自1930年代大萧条以来最严重的危机。这场危机的直接原因是美国房地产泡沫的破裂。反过来，这导致与房地产定价相关的证券价值急剧下降，从而损害了全球的金融机构。银行无力偿债和缺乏信贷减少了投资者的信心，结果，股市暴跌。2009年，全球经济收缩了1.1％，而发达国家则达到了3.4％。在中央银行和政府进行了空前规模的干预之后，全球经济开始复苏。但是，全球金融体系仍然处于风险之中。如果我们能够在面临偿付能力和流动性危机之前识别出存在潜在问题的银行，则可以大大降低大型银行连锁倒闭的危险。银行倒闭的原因很多。这些包括高风险承担，利率波动，管理不善，会计标准不足以及来自非存款机构的竞争加剧。自危机以来，银行监管机构越来越关注减少存款保险负债的规模。甚至有人建议，最好的监管政策是在银行资本不足之前关闭银行。因此，尽早识别可能倒闭的银行对于避免另一场重大的金融危机至关重要。
什么是聚类分析？
聚类分析是一种探索性的数据分析技术，它将不同的对象分成称为聚类的组，这样，如果两个对象属于同一聚类，则它们之间的关联度最大。“集群分析”一词由Robert_Tryon于70多年前首次提出。从那时起，聚类分析已成功应用于许多领域，包括医学，考古学，天文学等。在聚类中，没有预定义的类-对象仅根据它们的相似性进行分组。因此，聚类通常被称为无监督分类。 自变量和因变量之间没有区别，发现簇时，用户需要解释其含义。
聚类分析使用什么方法？
我们可以确定聚类分析中使用的三种主要方法。这些基于统计，模糊逻辑和神经网络。在本案例研究中，我们将应用自组织神经网络。
我们的目标是使用银行的财务数据对银行进行集群。该数据可以从联邦存款保险公司（FDIC）的年度报告中获得。FDIC是美国国会设立的独立机构。它保证存款，检查和监督金融机构，并管理接管业务。为了评估银行的整体财务状况，监管机构使用了CAMELS（资本充足率，资产，管理，收益，流动性和对市场风险的敏感性）评级系统。CAMELS评级已应用于美国的8,500家银行。美国政府也将其用于选择2008年资本化计划的银行。
对于我们的案例研究，我们选择了100家银行，并从FDIC去年的年度报告中获取了它们的财务数据。我们根据CAMELS系统调整以下五个等级：
1. NITA-净收入除以总资产。 NITA代表资产收益率。倒闭的银行的NITA值非常低甚至为负。
2. NLLAA –净贷款损失除以调整后的资产。调整后的资产是通过从总资产中减去贷款总额来计算的。失败的银行通常比健康的银行具有更高的NLLAA值。
3. NPLTA –不良贷款除以总资产。不良贷款包括到期日超过90天的贷款和非应计贷款。失败的银行通常比健康的银行具有更高的NPTTA值。
4. NLLTL –净贷款损失除以总贷款。破产银行的贷款损失较高，因为它们经常向高风险借款人贷款。因此，破产银行通常比健康银行具有更高的NLLTL值。
5. NLLPLLNI –净贷款损失和贷款损失准备金之和除以净收入。 NLLPLLNI值越高，存储库性能越差。
对统计数据的初步调查可以发现，一些银行可能会遇到一些财务困难。聚类应该可以帮助我们识别存在类似问题的银行组。
指导原则：
这项作业大约需要4个小时的时间。 记住需要一份报告，您应该努力按以下比例分配工作：
1.对问题及相关理论的理解15％
2.建立自组织地图（SOM）15％
3.测试SOM 10％
4.分析与讨论35％
5.作业报告10％
6.建立具有创意和用户友好的图形界面15％。
作业报告应包括（但不限于）以下内容：
1.简介。
2.问题描述和该技术的相关理论。
4.开发的SOM的说明。
5. SOM的分析和测试。
6。结论。
注意：数据在Bank_data.m文件中提供，输出结果为failing bank 或 healthy bank