基于模糊神经网络的商业银行信用风险评估模型研究.pdf
《基于模糊神经网络的商业银行信用风险评估模型研究.pdf》由会员分享，可在线阅读，更多相关《基于模糊神经网络的商业银行信用风险评估模型研究.pdf（10页珍藏版）》请在冰豆网上搜索。
!
#年$月系统工程理论与实践第$期文章编号%$&（）*!
#+$&$&）基于模糊神经网络的商业银行信用风险评估模型研究吴冲,吕静杰,潘启树,刘云焘*哈尔滨工业大学管理学院,黑龙江哈尔滨$-$+摘要%在确立了商业银行信用风险评价指标体系的基础上,建立了基于模糊神经网络的商业银行信用风险评估模型.该网络具有四个因子输入,一个衡量商业银行信用风险的输出,总共六层的结构,且模糊规则层具有根据具体问题情况进行调节的能力,优于神经网络完全黑箱操作的特点.利用/012034$对$（组样本数据进行实证分析,训练结果表明网络预测误差小.关键词%商业银行5信用风险评估5模糊神经网络5实证研究中图分类号%6!
（!
4-56）7!
4#!
文献标识码%891:
;?
A;B1CBDE8DDADDFA1/=;A2=G?
=FFAHB02I0EDI0DA;=6:
JJP,QRNSBP&TBA,U8KVB&DO:
QWNX:
&10=*9HO=2=G/00PAFA1,Y03BWD1B1:
1A=GZAHO=2=PYAB2=PTB0P$-$,?
OB0+_a%8H=FFAHB0230EHA;B1BDE0DDADDFA1F=;A230DA;=G:
JJA:
02A1L=EBDAD1032BDOA;:
DBP1OAHA;B10DDADDFA1B;AbDED4ZOBDA1L=EBD0&D1=Ac:
1D0;=A=:
1c:
1FA0D:
BP1OAHA;B1BDE=GH=FFAHB0230ED4ZOAG:
JJ:
2A20AO0D1OAH0c03B2B1PAHADD01DB0HH=;0HALB1ODcAHBGBHH=;B1B=D=Gc=32AFD4ZOA=cA01B=G1OBDF=;A2BDF:
HO3A11A1O01OA1=1022=G0A:
02D1B01B=002F0;ALB1O$（P=:
cD=GD0Fc2A;010:
DBP/012034$,0;10BBPAD:
21DB;BH01A1O011OAA1L=EcA;BH1B=O0D2ADDA=4defgh_i%H=FFAHB0230E5HA;B1BDE0DDADDFA15G:
JJA:
02A1L=E5D:
3D101B01B=ADA0HO收稿日期%!
7&$&$资助项目%国家社会科学基金*!
ISX$!
+5黑龙江省青年科学基金*V?
#?
!
-+作者简介%吴冲*$j（$k+,男,黑龙江省哈尔滨人,副教授,管理科学与工程博士后,主要研究方向%金融工程,预测与决策理论与方法,lF0B2%L:
HO=PmOB14A;:
4Hn问题的提出商业银行作为国民经济的o总枢纽p和金融信贷中心,发挥着融通资金q引导资金流向和调节社会供需平衡等诸多不可替代的重要作用.然而,商业银行在营运过程中无时无刻不面临着各种金融风险,其中,信用风险占有特殊的重要地位,世界银行对全球银行业危机的研究表明,导致银行破产的最常见的原因就是信用风险r$s.信用风险的实质是信贷资金安全系数的不确定性,这种不确定性实际强调的是信贷资金形成呆帐的可能性.然而长期以来,信用风险评估一直被看作是模式识别中的一类o分类p问题,依据的信用风险衡量标准是贷款企业o违约与否p,形成信用风险的分类评估模式.随着信用风险的迅猛膨胀以及信贷决策的日益复杂化,分类评估模式所反映的有限的经济信息已经远不能满足信贷风险决策的需要.在此,本文欲建立一个基于模糊神经网络的商业银行信用风险的评价模型.t商业银行信用风险评价指标体系t4nuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu指标选择原则万方数据!
与我国国情相结合#具有可操作性我国目前资本市场上#伪造$编造会计凭证$会计账簿和编制虚假财务会计报表现象非常严重#因此过多或完全采用财务指标不但忽视了其他非财务因素的影响#结果的真实可靠性也会受到质疑%&以巴塞尔新资本协议为指引#以内部评级结果为基础巴塞尔协议规定世界商业银行在&（年必须开始使用内部评级法%我国银行于!
）*年颁布了贷款风险分类指导原则#并与&年开始正式实行贷款五级分类管理#在选择指标和确定计量模型的时候应该充分结合两者的需求#以便模型具有实用性%+学习国外同业的成熟经验和国际标准西方商业银行发展时间较长#在信用风险管理方面已经积累了大量的经验#形成了不同的模型和标准%我们在研究信用风险时#也必须学习国外同业的成熟经验和国际标准#与中国的具体国情相结合%（可预见性原则指标体系的设置和信用风险的评估#目的在于深入挖掘贷款企业和银行本身潜在的风险信息#因此指标应该能够体现未来的发展趋势%,-,信用风险评估指标体系的构建传统信用风险评估指标体系往往仅含有数个财务指标#而且并未将贷款方式切实引入评估范围#依此对信用风险进行判别#其评估结果难以令人信服%同一企业在不同贷款方式下其信用风险是不同的#贷款方式的.多样性/决定了信用风险的.相对性/#即信用风险的评估结果应是相对特定贷款方式的量化值%而传统评估模型在对样本进行学习$训练的过程中对贷款方式的影响不加以区分#甚至不加以考虑#这样势必会形成不容忽视的.系统性误差/#不能反映信用风险的.相对性/特征%综合考虑信用风险的各影响要素#依据指标选择原则#借鉴我国财政部统计评价司的企业绩效评价指标体系和中国工商银行企业资信评估指标体系以及国内外有关文献的相关数据#兼顾我国信用风险的特殊性和数据的可获得性#最终确定以下!
0项指标用作商业银行信用风险评估1流动比率$速动比率$超速动比率$营运资金2总资产$资产负债率$净资产收益率$资产收益率$销售净利率$销售收入2总资产$成本费用利润率$存货周转率$应收账款周转率$总资产周转率$流动资产周转率$固定资产周转率$贷款方式%3模型的提出人工神经网络4567898:
8;?
6;7A6B#5=应用于商业银行信用风险评估#无论从思想上#还是从技术上都是对传统评估方法C&D（E的一种拓宽和突破#解决了传统评估方法难以处理高度非线性模型$缺少自适应能力$信息和知识获取的间接$费时$效率低等困难#从而为模型实用化奠定了基础CFE%但同时我们也应该看到#神经网络用于信用风险评估具有一定的片面性和盲目性等缺点%例如神经网络的训练是在黑箱中进行的#这种运算摒弃许多行业经验和专家经验#具有一定的盲目性#人们不能对之进行干预C0D*E%神经网络适合于对数量指标的分析#而忽略对影响因素中的定性指标的分析#显然是不合理的$片面的%而且用神经网络来评价经济问题时#很难说明神经网络训练后#各网络参数和阀值的经济含义#使得模型缺乏说服性%在考虑到神经网络用于商业银行信用风险评估的进步性和局限性的基础上#本文提出用模糊神经网络来评估商业银行信用风险%首先#模糊神经网络可以对模糊向量进行分析预测#如很多经济指标可能为如下形式1.贷款企业管理者经营管理能力高$中$低/G.贷款企业发展前景好$一般$不好/等%运用模糊神经网络就可以在一定程度上克服神经网络的片面性G其次模糊神经网络的运算不完全是黑箱操作#信用分析人员可以根据实际经验#调整模糊运算规则#这样可以在一定程度上解决神经网络的盲目性问题%故我们认为将模糊神经网络用于商业银行信用风险问题的评估#具有一定的进步性#是一种有益的尝试#同其他方法相比#本评价方法具有科学$简洁$可操作性强等特点#而且模型的结构与方法应用前景广阔%H模糊神经网络模型的确定H-I模糊神经网络的输入和输出四个输入向量#依次为营运能力因子$偿债能力因子$盈利能力因子和贷款方式因子%营运能力因子包&系统工程理论与实践&（年!
月万方数据括应收账款周转率!
总资产周转率!
流动资产周转率!
固定资产周转率偿债能力因子包括流动比率!
速动比率!
超速动比率!
营运资金#总资产!
资产负债率!
存货周转率盈利能力因子包括净资产收益率!
资产收益率!
销售净利率!
销售收入#总资产!
成本费用利润率贷款方式因子包括贷款方式$一个输出变量%用贷款到期时尚未偿还的贷款额除以总的贷款额得到$&（模糊神经网络算法本文选用混合学习算法）最陡下降和*+,最小二乘估计结合的算法-.%/01$模型只有一个输出%表示为）234567%89%5/9其中67为输入向量%8为参数集%4为网络所实现的整体函数:
如果存在函数;使复合函数;59使得;中的元素是线性的%则通过对方程5/9施加;算子%有;5293;中的元素是线性的:
现给出8/中的元素值%我们可以给出方程5?
9输入对训练数据%并得到一个矩阵方程）AB3C5D9其中B为未知向量%其元素是8中的参数:
因此这是一个标准的线性最小二乘问题%使EABFCE最小化的B的最优解为最小二乘估计器5*+,9BG）BG35AHA9F/AHC5I9其中AH是A的转置%如果AHA非奇异%5AHA9F/AH是A的伪逆:
具体地%设5D9中定义的矩阵A的第7行向量为J7H%C的第7个元素为C7H%则可以按照下式迭代计算B）B7K/3B7K7K/J7K/5CH7K/FJH7K/B79%7K/37F7J7K/JH7K/7/KJH7K/7J7K/LMN%730%/%O%F/%5P9其中最小二乘估计器BG等于BQ:
计算5P9式所需的初始条件为B030及03RS%其中R是一个大的正数%S是维数为TUT的单位矩阵:
这些初始条件对辨识BG所起的作用很大:
下面综合最陡下降和*+,结合的算法来计算网络参数:
计算的每个周期包括一个前向传递过程和一个反向传递过程:
在前向传递过程中%每给出一个输入向量后%就逐层计算网络节点的输出直到得到5D9中矩阵A和C的相应行:
对所有的训练数据重复这一过程以形成完整的A和C随后8中的参数就可以由5I9中的一个伪逆公式或是由5?
9中的递归最小二乘公式进行辨识:
辨识8中的参数后%我们可以为每个训练数据对计算误差指标:
在反向传递过程中%假定一个V层网络%第W层5W30%/%O%VW30表示输入层9层有X5W9个节点:
第W层有7个节点Y73/%O%X5W9Z的输出及函数可以分别表示为W%7和W%7%我们有如下的通用表达式）W%73W%75WF/%/%O%WF/%X5WF/9%R%O9%5_9其中%R%O是此节点的参数:
设给定训练数据集对数据%将第Q对5/Q9数据的误差指标定义为误差的平方和）a3bX5V9c3/5dcFV%c9%5e9其中dc为第Q个期望输出向量的第c个分量%W%c为给网络施加第Q个输入向量所产生的实际输出向量的第c个分量%5为简化表示%对dc和W%c省去了下标Q9:
显然如果aQ30%则网络就能精确复现第Q个训练数据中的期望输出向量:
因此我们的任务就是使得定义为a3faQ的整体误差最小:
定义误差gV%7为误差指标aQ的第S层第7个节点输出的导数%符号表示为）gV%73hKaQhV%75.9?
第D期基于模糊神经网络的商业银行信用风险评估模型研究万方数据对第!
层第个
升级会员 