基于人工神经网络的商业银行信用风险模型-

1、田苗等:基于人工神经网络的商业银行信用风险模型4期作者简介:田苗(1982,男,安徽合肥人,硕士。研究方向:经济模型,数据挖掘。E-mail :again0508 。摘要:入世后,国外金融机构将给国内银行造成巨大的竞争压力。为了适应竞争的需要,增加抵御风险的能力,有必要对商业银行风险进行研究,以防范金融风险,维护金融及整个经济稳定。本文根据我国的具体现实,运用人工神经网络技术,构造出适合中国的信用风险模型,并对大连市某国有银行提供的数据进行了实证研究。关键词:人工神经网络;商业银行;信用风险模型中图法分类号:F830.49文献标识码:A基于人工神经网络的商业银行信用风险模型田苗1焦桂奇2王小敏

2、3(1.东北财经大学经济信息系;2.财政税收学院;3.电子商务学院,大连116025第6卷第4期2006年4月1671-1807(200604-0027-04C科技和产业Science Technology and Industry 商业银行的风险管理问题是我国加入WTO 后的一个突出问题。目前,信用风险仍然是我国商业银行最主要的风险1。我国商业银行目前正处在转轨时期,用传统方法评估信用风险难以达到满意的效果,而神经网络学习能力强,容错性好,具有很强的鲁棒性,适合评价信息不全的系统2。1人工神经网络的基本原理人工神经网络(Artificial Neural Network ANN 是由大量简单

3、的处理单元连接组成的复杂网络,用于模拟人类大脑神经网络的结构和行为。ANN 的三要素是信息的流动方向、网络的拓扑结构和学习方式3。根据信息流向和网络的拓扑结构,可以将ANN 模型分为前馈网络和反馈网络两大类。前馈网络的神经元分层排列,各神经元接受前一层输入并输出到下一层,每一层的神经元之间没有信息交流。前馈网络包括感知机(Perceptron 和多层前馈神经网络(Multiplayer Feedforward Neural Networks ,MFNN 两种基本形式。感知机由一个输入层和一个输出层组成,它只能解决线性可分的分类问题。MFNN 由一个输入层、若干个隐含层、一个输出层组成,它可以用

4、来解决非线性分类问题。反向传播(BackPropagation ,BP 网络就是一种多层前馈神经网络,是目前应用最广的一种神经网络。误差反向传播算法(Error Back -propagationAlgorithm ,简称HP 算法应用最为广泛,相应的前馈网络称为BP 网络。BP 网络的学习由以下四个过程组成:输入模式由输入层经隐含层向输出层的“模式顺传播”过程,网络的期望输出与实际输出之差的误差信号由输出层经隐含层逐层修正连接权的“误差逆传播”过程,由“模式顺传播”与“误差逆传播”的反复进行的网络“记忆训练”过程,网络趋向收敛即网络的总体误差趋向极小值的“学习收敛“过程。对三层BP 网络,设

5、输入层、隐含层和输出层结点个数分别为I ,J ,K 训练样本的个数为P ,网络的输入为X p x pi ,期望输出为T p t pk ,实际输出为O p o p ,输入层与隐含层的连接权为W q ,隐含层与输出层的连接权为W kj 。其中p 1,2,P ,i 1,2,I ,k 1,2,K ,激活函数为Sigmoid 函数f (x =1/(1+e-x ,则对一个输入样本,平方误差E p 定义为:E p =12k(t pk -o pk 2(1E=12P P k(t pk -o pk 2(2利用优化理论中的最速下降法对网络进行学习,调整各连接权,可使总体误差极小,学习公式如下:p w kj =pk

6、o pj p w ji =pj o pj其中:表示学习步长,pk 和pj 分别为pk =(t pk -o pk o pk (1-o pk pj =o pj (1-o pj k(pk w kj 2模型的建立2.1建立人工神经网络模型的可行性国际上通常将信用风险的测试转化为企业财务科技和产业6卷状况的衡量问题,使用最多的衡量方法是多元判别分析法(Multivariate Discriminant Analysis ,MDA 。使用MDA 必须假定财务比率之间是相互独立的,且信用状况不同的公司是线性可分的,而实际企业财务状况的好坏与财务比率的关系常常是非线性的,与MDA 的假设不符,用MDA 评价公

7、司的信用状况,很难取得理想的效果。由于ANN 具有很强的非线性映射能力,可以用来解决非线性分类问题。用ANN 评估,它能够从大量的复杂数据中发现其规律。因此,利用ANN 评价企业的信用状况是可行的4。2.2样本输入比率的选择神经网络输入模式的正确选择对财务比率的特表1实验数据风险企业WC/TA RE/TA EBIT/TA BVEBVID S/TA 输出状况编号结果-0.10801-3.20241-0.372500.117760.071410.000138违约测试样本违约应用正常正常正常违约28田苗等:基于人工神经网络的商业银行信用风险模型4期征抽取和网络的泛化能力(Generalization

8、 Capacity有重要的影响。Altman比率能反映企业流动性、盈利性、增长性、偿债性等方面指标,因此本模型选择Altman 的财务比率作为输入模式,具体指标如下:X p1营运资本/总资产(Working Capital/Total Assets, WC/TA。WC/TA是公司净流动资产相对于总资本的一种衡量,其中WC是公司流动资产与流动负债之差。X p2留存收益/总资产(Retained Earnings/Total Assets,RE/TA。RE/TA是公司盈利累积性的一种衡量,它同时考虑了公司的存续时间。X p3息税前利润/总资产(Earnings Before Interest an

9、d Taxes/TotalAssets,EHIT/TA。EBIT/TA是衡量除去税收或其他杠杆外,公司资产的真实获利能力。X p4权益的账面价值/总债务的账面价值(Book Value of Equity/BookValue of Total Debts,BVE/ BVTD。BVEIBVTD能够说明在公司资不抵债前,公司资产能够下降多少。X p5销售收入/总资产(Sales/Total Assets,S/TA。S/TA指资产周转率,是一种能够反映公司资产营运能力的标准财务比率,它可以衡量企业在竞争状态下的管理能力。2.3样本数据的选择、处理及模型输出设计系统选取的学习样本既要能反映系统平稳发展

10、时的性质,又要能反映系统发生突变时的特性,同时还要兼顾系统发展的各个阶段,样本必须具有代表性。我们析取大连市36家企业作为样本,按照银行提供的企业信贷偿还状况,将这36家企业分为正常和违约(即不能如期偿还贷款的企业两类。选择28企业作为训练集,其中正常和违约企业各为14家,剩下8家企业,除了留2家作为应用实例外,全部作为测试集,测试集中的正常和违约企业各3家。网络输出结果为正常和违约两种,对应的输出值分别为布尔型离散变量1和0。实验数据如表1。2.4模型设计的主要注意事项(1权值的修改方式。一般,权值的修改有两种方式:一是对于每一个训练样本,就调整一次权值,称为On-line处理,另一种是输入

11、全部的训练样本后才修改一次权值,称为Batch处理。我们采用后一种处理方式。(2初始权值与初始输入的确定。由于输入初始值和初始权值对学习是否达到局部最小和能否收敛关系很大,有必要对输入的初始值进行归一化处理。通过一定的处理方式将初始输入调到较小的区间-1,1内,初始权值是通过随机函数生成-0.5,0.5之间的随机数赋给各连接权,避免由于大的输入或权值使网络陷入饱和状态。(3网络层次的选定。网络层次的增加可减少各隐含层单元总个数,同时使学习过程变得更容易,但可能增加网络的学习时间。本模型是用于模式分类的判别函数的神经网络,因此采用三层BP网络。(4隐含层单元个数确定。对于三层网络,确定隐含层节点

12、的主要经验法则是:隐含层节点既不是各层中节点数最少的,也不是最多的;隐含层节点数介于输入输出节点数之和的50%70%之间;隐层节点数应小于学习样本数,若节点数大于样本数,则必有冗余节点可归并,若节点数等于样本数,则网络成为插值网络,插值网络的泛化能力较差。另外,对于三层网络,确定隐层单元数的以下经验公式可供参考。(1n1=n+m!+其中m为输出层单元数,n为输入层单元数,为110之间的学数。(2n1=log2n,n为输入层单元数(3p<t=0nC(n1i式中p为样本数,n1为隐层单元数,n为输入层单元数,如果i>n1C(n1i=0经过多次反复试验得知,在输入节点数为5,输出节点数为

13、1的情况下,隐层结点数取3时,网络收敛最快,误判率最低。(5权值的调整公式及学习参数的确定采用最速下降法调整权值,对那些严重卷绕的非凸函数效果不佳,往往不易收敛,即使收敛也需很长时间,这里采用改进BP算法,加上惯性项,即w kj(n+1=k o j+w kj(nw ji(n+1=j o i+w ji(nn+1表示第n+1次迭代,分别表示学习因子和动量因子。此法比最速下降法收敛速度快。对,的确定,可以采用试值法:先初始化,的值,再依次调整,到合适的值,使网络以较快速度收敛,又不出现振荡5。利用试值法得出本模型里的,分别为0.9,0.70。29科技和产业6卷The Credit Risk Mode

14、l of Commercial Bank based on Artificial Neural NetsworksTIANG Miao ,JIAO Guiqi ,WANG XiaominAbstract :After WTO's entry ,the overseas'financial organs will give the domestic bank the large pressure of competition.In order to adapt to it and increase the ability of resistance on risk ,it is

15、necessary to research the commercial bank risk for guarding against the financial risk ,maintaining the stability of the finance and the entire economy.According to the concrete reality of our country ,this article uses artificial neural networks technology ,structuring the credit risk model ,and ha

16、s conducted the real diagnosis research on the data which are provided from some Dalian state-owned bank.Key words :Artificial neural networks ;Commercial bank ;Credit Risk Model(收稿日期:2005-11-233计算结果及分析为了应用该模型,我们利用一个c+程序,网络拓扑结构可由用户根据需要来确定,即网络层数及各层的节点数可以根据用户实际需要从键盘输入,而且学习因子和动量因子都是根据需要通过键盘输入确定,使一个程序能够

17、实现多个研究项目共享同一套程序代码。另外,我们将初始权值、学习好的权值、训练数据集、测试数据集、应用数据集等数据分别建立文件。样本学习只需进行一次,学习成功后将学习好的权值保存到文件中,测试和实际应用时直接调用已学习好的权值和数据文件。如果系统有较大变动,使不同信用公司的财务比率特征有新的差异,这时可重新选择样本,并进行成功学习后,模型又可投入使用。从这种意义上说,本模型属动态可调整模型,具有良好的适应性。对前述的实验数据进行了计算,具体数据及计算结果见表1。由计算得到所有28个学习样本的系统误差E 为0.002499。从表1可以看出,在14个正常企业中,只有第10号企业的输出低于0.9(输出为0.828510,其它输出均大于0.92,在14个违约企业中,只有第4号企业的输出高于0.06(输出为0.12309,其它企业输出均低于0.06;测试样本中只有第2号样本输出不太理想(输出为0.49899,很难从输出结果判断企业的种类。此时决策者容易犯第一类错误,即把测试样本中信用好的2号企业误判为信用差的企业,但这比犯第二类错误(即把信用差的企业误判为信用好的企业要好,因为犯第一类错误时,银行损失的是机会成本,而犯第二类错误就会给银行