商业银行信用风险评估模型研究-基于bp神经网络风险评估的改进

商业银行信用风险评估模型研究——基于BP神经网络风险评估的改进目录摘要 2一、商业银行信用风险评估体系 4二、银行信用风险评估模型发展 5（一）基于贷款客户资产价值数据的风险评估模型 51.KMV模型 52.CreditMetrics模型 63.CreditPortfolioView模型 64.CreditRiskPlus模型 7（二）基于贷款客户财务数据的风险评估模型 7（三）商业银行财务风险的评估模型有待改进 81.我国商业银行现有评估财务风险的方法 82.国际商业银行普遍使用的风险评估方法 9三、信用风险评估的实证分析 10（一）YH银行采用的贷款违约风险评估模型及评估结果 101.计算资产价值和资产波动率 102.计算违约距离和期望违约率 12（二）基于BP神经网络信用风险估计 141.样本选取 142.实证分析 15四、对商业银行信用风险评估提出的建议 21（一）结合KMV法与BP神经网络模型评估财务风险 21（二）逐步推进内部评级法 22（三）建立使用预期损失模型 231.预期损失模型应关注谨慎性和中立性 232.预期损失模型提高相关性兼顾可靠性 23（四）完善财务风险披露要求 241.提供整体层面的风险信息 242.报告多种损失的分布结果 243.提高信息披露的全面性 25（五）通过健全内部控制降低财务风险防范成本 25（六）建立非上市公司信用风险评估模型 26（七）针对不同的贷款类型选择适当的风险评估方法 26五、总结 26【参考文献】 28摘要随着滨海新区的经济发展，各商业银行纷纷在滨海新区开展业务，为区内企业提供金融服务。风险评估是建立商业银行内部控制体系的重要环节，本文从计量统计研究法和结构化研究法两个角度评估信用风险。在结构化研究法方面，本文采用KMV模型对滨海新区YH银行11家上市公司的违约概率进行计算。在计量统计研究法方面，本文从房地产、交通运输、重金属等与滨海新区YH银行11家上市公司相关的经营行业，以及与滨海新区发展轨迹类似的长三角地区选取18家企业作为样本，采用BP人工神经网络训练模型，对11家上市公司的信用风险进行评估。评估结果显示BP神经网络模型的拟合效果优于KMV模型。由于各类模型均有缺陷，商业银行应该增加模型的多样性，利用各类模型的优势，综合比较。而且，针对组合贷款还应以相同风险特征的资产池为基础估计信用风险。本文还提出利用BP人工神经网络模型并结合KMV模型评估非上市公司的信用风险，弥补以往采用线性模型评估非上市公司信用风险的不足，同时给出建立商业银行信用风险评估方式的相应建议。关键词：信用风险BP人工神经网络KMV模型Z值模型Abstract:WiththeeconomicdevelopmentofTianjinBinhaiNewArea,thecommercialbankshaveoperationsintheBinhaiNewArea,toprovidefinancialservicestocompaniesintheregion.Riskassessmentisanimportantpartofthecommercialbanktomakeinternalcontroltoestablishthevaluesofthecompanies.Thisresearchmethodmakesuseofthemeasurementstatisticsandstructuredresearchmethodstoevaluatethecreditrisk.Instructuringresearch,weuseKMVmodeltogettheprobabilityofdefaultof11listedcompaniesinBinhaiNewArea.Inthemeasurementofstatisticalresearch,thisarticleuse18companiesselectedassamplesthataresimilartotheabove11companies,usingBPartificialneuralnetworkmodeltoassessthecreditriskofthe11listedcompanies.AssessmentresultsshowthatBPneuralnetworkmodelfittedbetterthantheKMVmodel.Sincethevariousmodelshaveshortcomings,commercialbanksshouldincreasethediversityofmodelsandmaketheuseoftheadvantagesofvariousmodels.ThispaperalsoproposedusingBPartificialneuralnetworkmodelcombinedwithKMVmodeltoevaluatethecreditriskofnon-listedcompaniestomakeupthatnon-linearmodel’sweakness.Keywords:CreditRisk;BPartificialneuralnetwork;KMVmodel;Zmodel天津滨海新区地处渤海之滨，面积广阔，其优越的地理位置和良好的投资环境吸引了大批金融机构的进驻。2021年6月，《国务院推进天津滨海新区开发开放有关问题的意见》中指出：“在金融企业、金融业务、金融市场和金融开放等方面的重大改革,原则上可安排在天津滨海新区先行先试”。此后，天津银行率先成立了天津银行滨海分行。2021年12月，天津滨海新区内第一家具有独立法人资格的商业银行——天津市滨海农村商业银行正式揭幕。各银行积极拓展在滨海新区的业务，为滨海新区内企业提供各种金融服务。目前，滨海新区拥有泰达股份、天保基建、天津港等十余家实力雄厚的上市公司，涉及交通运输仓储业、建筑工程业和有色金属等多种经营领域。商业银行在为区内企业提供贷款，支持滨海新区建设的同时，也应该建立全面风险管理角度的内部控制体系，及时防范信用风险。一、商业银行信用风险评估体系美国的COSO框架和我国的《企业内部控制基本规范》都提出风险评估是建立健全内部控制体系的重要内容。《新资本协议》（巴塞尔协议Ⅱ）认为商业银行在日常经营中面临三种风险：信用风险、市场风险和操作风险。信用风险又称违约风险，是指受信人不能履行还本付息的责任而使授信人的预期收益与实际收益发生偏离的可能性。引发信用风险的因素有预期损失和非预期损失。预期损失是损失分布的平均数，代表银行信用资产组合平均损失；非预期损失是衡量信用损失的方差或资产组合固有的信用风险。银行通过提取拨备覆盖预期损失，通过充足的风险资本抵御非预期损失。鉴于信用风险的重要性，各方监管机构都对信用风险评估有明确要求。巴塞尔协议Ⅱ鼓励银行采用内部评价法评估信用风险，中国银监会也于2021年2月发布《中国银行业实施新资本协议指导意见》，明确国内大型银行采用内部评价法计量信用资本。2021年，国际会计准则理事会（IASB）发布《金融工具：摊余成本和减值》的征求意见稿，提出采用“预期损失模型”来计提商业银行贷款的减值。预期损失模型要求贷款在初始确认时即估计其未来整个存续期内的信用损失，并据以确认减值。可见，信用风险不但是金融监管机构的监控重点，而且已经引起了准则制定机构的注意。二、银行信用风险评估模型发展（一）基于贷款客户资产价值数据的风险评估模型基于资产价值的违约风险度量模型根据对损失定义的不同可以分为两类：一类模型仅度量由违约导致的损失，有时称为违约式模型（Default—ModeModel，DM）；另一类模型除了考虑违约损失外，还包含了信用变化产生的损益，称此为多状态模型或盯市模型（Marked—to—MarketModel，MTM）。MTM模型的风险包括信用等级的升降和贷款违约，以贷款的市场价值变化为基础计算贷款价值，进而衡量信贷风险。DM模型则偏重于预测违约损失，不考虑信用等级的升降。目前基于资产价值评估风险的模型主要有四种：KMV模型；CreditMetrics模型；CreditPortfolioView模型；CreditRiskPlus模型。其中CreditMetrics模型是一种MTM模型，而CreditRiskPlus模型属于DM模型，CreditPortfolioView和KMV则既可被当作MTM模型使用，也可被当作DM模型使用。1.KMV模型KMV模型是美国KMV公司于1995年推出的违约概率评估模型。此模型的思路出自BlackScholes和Metron模型以及White的期权定价理论，Metron模型假设公司的资本结构为除了发行股票以外，只发行一种一年期的零息债券。公司的股票价值为VE，债券面值为D，公司价值为VA。若一年后，公司公司资产价值与债券面值之间的差额为正，则公司资产价值大于债券面值，不会违约；否则公司资不抵债，可能会违约。其正差额越大，违约距离越大，违约可能性越小。基于违约数据库，模型根据违约距离得出贷款的违约概率（EDF）。KMV模型采用企业股票市场的数据，使模型不仅随时根据市场变化更新违约概率，而且反映了市场投资者对于企业未来发展的综合预期。另外，使用KMV模型预测违约概率，可以量化不同企业的贷款风险差异程度，使贷款定价更为准确。但是，KMV模型也有其固有局限性：由于模型数据来源于资本市场，所以该模型多适用于上市贷款企业违约风险的评估；该模型的资产价值是动态数据，而模型假设企业长短期债务结构不变，因此将动态数据与静态数据比较会造成结构的偏差。2.CreditMetrics模型CreditMetrics模型是J.P摩根银行于2021年开发的以VAR（在险价值法）为基础的信贷风险度量模型。计算VAR的两个关键因素是金融工具在市场上的价值和金融工具市场的波动性。由于贷款不能在市场上公开交易，CreditMetrics模型利用借款人的信用评级、下一年信用评级发生变化的概率（评级转移矩阵）、违约贷款的回收率、债券市场上的信用风险价差和收益率作为输入参数，为贷款计算出假想的市场价值和波动率，随之计算出一项贷款的违约风险。CreditMetrics模型以分析性的框架为基础，计算贷款组合的波动率和预期损失，认为资产组合价值的变化不仅受到违约的影响，还要受到资产等级变化影响，而且还考虑到组合内各资产的联合违约概率。但是，此模型也存在很多缺陷。首先，模型假设同一信用评级内所有债务人都具有相同的违约概率，但是不同的企业面临经济变化时会产生不同的决策；其次，模型假设金融工具收益率和市场价格变动呈正态分布，但是金融市场价格变化经常出现“肥尾”现象；最后，模型只反映了风险因子与资产价格的线性关系，影响准确性。3.CreditPortfolioView模型CreditPortfolioView模型（麦肯锡模型）是由麦肯锡公司于2021年推出的利用宏观经济变量模拟的多因素模型。信用评级转移一般取决于经济状态，企业在经济周期低迷时期更有可能降级违约，贷款组合中的系统信用风险收信贷周期的影响，而信贷周期又受经济周期的影响。所以，麦肯锡模型使用GDP增长率、失业率、长期利率等宏观经济变量来决定违约概率，度量贷款中无法分散的系统性风险。模型转移矩阵中信用等级的转移概率受两方面影响：一个是由宏观经济变量度量的系统风险，另一个是随机扰动项的影响。麦肯锡模型对CreditMetrics模型进行了完善，克服了转移矩阵的静态假设，将违约概率和经济周期联系起来，提高了准确性。但是模型只考虑了系统风险，忽略了企业的自身情况，还有待进一步完善。4.CreditRiskPlus模型CreditRiskPlus模型是由瑞士银行金融产品部于2021年开发的信贷风险管理模型。模型只考虑违约风险，不考虑降级风险。模型视违约事件为随机事件，并采用保险精算学的分析框架来得出贷款组合的损失分布。模型假设资产每期的违约概率相同，某个债务人的违约概率很小并且相互独立。这些假定使资产组合发生违约事件的概率服从泊松分布，而违约事件数即为泊松分布的输入参数。CreditRiskPlus模型将风险相似的预期损失划分为若干频段，每个频段的损失近似为一个常数，通过违约事件数由泊松分布生成该频段的损失分布，对所有频段的损失加总可得贷款组合的损失分布。CreditRiskPlus模型的优点是仅通过违约事件数就可以推导出贷款的损失分布，简单易行。但是，该模型没有考虑市场风险，而且假定每一频段的损失固定，忽略风险的影响，所以很多财务公司采用了基于贷款客户财务数据的风险评估模型。（二）基于贷款客户财务数据的风险评估模型第一类评估贷款违约风险的模型是借助企业历史样本数据寻找违约可能性与公司特征变量之间的关系模型，主要包括专家评价法和评分法。专家评价法中最常用的是信贷分析的5C法，即对借款人的品格（Character）、资本（Capital）、偿付能力（Capacity）、抵押品（Collateral）和周期形势（CycleConditions）进行评估。除5C法之外，有些银行还是用5W或5P5W即借款人(Who)，借款用途(Why)、还款期限(When)、担保品(What)及如何还款(How)。5P即个人因素(Personal)、借款目的(Purpose)，偿还(Payment)，保障(Protection)和前景(Perspective)。5W即借款人(Who)，借款用途(Why)、还款期限(When)、担保品(What)及如何还款(How)。5P即个人因素(Personal)、借款目的(Purpose)，偿还(Payment)，保障(Protection)和前景(Perspective)。Z=1.2*Xl+1.4*X2+3.3*X3+0.6*X4+1.0*X5（2.1）式中:Xl=营运资金/总资产，表明企业流动性强弱；X2=留存收益/总资产，表明企业筹资和再投资的能力，代表企业创新和竞争力；X3=息税前利润/总资产，表明企业在不考虑税收和财务杠杆情况下的盈利能力。X4=资本市值/债务账面价值，表明资本的投资价值，指标越高说明企业越有投资价值；X5=销售额/总资产，表明企业资产获得销售收人的能力。通过对统计数据的分析，Altman得出经验临界值Z=3.0，Z值高于3.0的企业安全性比较高，低于3.0的企业面临破产风险，同时，Altman还发现Z值低于1.8的企业已经存在严重的财务危机，具有很高的破产概率。但是，随着时间的推移，Z值模型预测的效力就会降低，所以Z值模型只能进行短期风险的预测，不适合商业银行长期贷款的风险预测。此后，线性模型、Logstic多元模型和Probit模型等统计模型不断应用于贷款违约的预测。随着计算机的发展，许多非线性模型得以开发，如BP神经网络模型。同时，风险预测模型还与模糊数学、数学规划等理论结合，目的是有效挖掘样本信息，提高模型应对风险的预测效果。由于财务数据以年报的形式公开，银行可以充分掌握信息，所以基于财务数据的模型一直广泛应用。但是，模型过分依赖历史数据而忽略资本市场指标，以过去的角度预测未来，亦存在一定的局限。（三）商业银行财务风险的评估模型有待改进1.我国商业银行现有评估财务风险的方法如前文所述，商业银行采用的信用风险评估可以分为利用企业历史财务数据和使用资产价值数据的两种方法。银行使用哪种方法主要取决于企业的经营环境和银行的评估成本。我国贷款企业中上市公司较少，而且我国商业银行风险管理刚刚起步，还没有建立完善的评估模式，所以，利用企业财务数据进行违约风险度量的计量统计模型相对适宜，并使用线性模型进行概率判别。但是，此类统计法也存在很大的局限性。首先，现有的线性模型过于重视样本的横截面分析，忽视了时间序列的分析，不能反映财务循环的时间序列特征；其次，模型选取的样本受到限制，估计样本和对比样本必须是同行业同规模的，实际中贷款业务规模各异，不能一概而论，对样本的要求过于严格可能增加样本的测试难度；最后，线性模型的自变量与因变量呈线性关系，实际中贷款违约的影响因子本身具有一定联动性，既受微观企业经营状况的制约，还受宏观经济周期的影响，并不是简单的线性关系。2.国际商业银行普遍使用的风险评估方法国际上普遍使用的风险评估方法是利用贷款企业资产价值数据，建立利率和公司特征变量之间的动态模型，称为结构化研究方法。例如：以CreditMetrics模型为代表的盯市模型，以CreditRiskPlus模型为代表的违约式模型，以及兼有二者特征的CreditPortfolioView和KMV模型等等。这些模型是美国等金融业相对成熟的国家使用的银行风险评估模型，这些模型更加准确地度量了贷款的违约风险。国际商业银行和学者对于结构化方法有四类模型。第一类是基于期权定价技术的计量模型。该模型将贷款看作卖出以资产为标的的看涨期权，执行价格为债务面值。当公司资产超过债务面值，则执行期权，偿还债务，否则贷款将违约。美国KMV公司开发的模型就基于这一原理，KMV模型是目前国际金融界最流行的信用风险评估模型之一。第二类模型违约风险统计模型，将违约率作为连续的单点运动描述，同时考虑了违约的波动性，但不考虑违约的原因，将违约事件的次数用泊松分布描述。瑞士银行在此基础上开发了CreditRiskPlus模型。第三类是离散动态宏观模拟模型，对不同行业的宏观数据和违约率时间序列数据建立多因素模型，适用评估贷款组合的系统风险。第四种模型是在险价值模型，利用企业信用等级、评级迁徙矩阵、违约贷款损失率、风险价差和收益率计算企业价值及其波动性。夏红芳.商业银行信用风险度量与管理研究[M].杭州：浙江大学出版社，2009年：18-31在险价值模型是巴塞尔协议内部评级法中用来评价违约风险的模型，通过穆迪、标准普尔等提供的评级数据，考察债务信用等级变化，计算出迁徙矩阵的转移概率，进而得出贷款的违约概率。夏红芳.商业银行信用风险度量与管理研究[M].杭州：浙江大学出版社，2009年：18-31相比于上述风险评估模型，我国的线性评估方法显然落后。虽然一些银行正在积极改进，但是由于上述大多数模型需要建立高质量的信息数据库，耗时长，成本高，很多银行仍然采用以主观判断为主的传统方式评估财务风险。三、信用风险评估的实证分析YH银行是一家全国性的非上市银行，坐落于天津，服务滨海新区。YH银行贷款客户规模和行业呈多样化分布，既有实力雄厚的上市公司，也有快速发展的中小企业；所属行业包括制造业、交通运输业、房地产业、餐饮娱乐业等众多行业。本文选取各行业中具有代表性的11家上市公司进行财务风险防范分析。（一）YH银行采用的贷款违约风险评估模型及评估结果由贷款的财务风险主要指贷款违约的可能性，量化这一可能性的指标就是贷款违约概率，前面章节已经介绍过国内外使用的贷款违约概率估计模型。YH银行针对不同性质的贷款，采用不同的贷款违约概率估计模型，对于上市公司的重要贷款实施严密的风险监控，使用国际通行的KMV模型估计违约概率。KMV模型是借助BlackScholes的期权定价模型，将公司股权看做是买入一份欧式看涨期权，以公司债务面值为执行价格，以公司资产市场价值为标的。如果借款到期时，公司资产的市场价值高于债务，则公司选择执行，偿还债务；如果资产市价低于债务，公司将选择违约。KMV模型的计算公式如下:VE=VAN(d1)-DPe-rTN(d2)（5.1）d1=[ln(VA/DP)+(r+0.5δA2)T]/δAT0.5（5.2）d2=d1-δAT0.5（5.3）δE=VAΔδA/VE（5.4）其中：N（·）为标准正态分布函数，VE、σE、DP和r分别是股权价值、股价波动率、总负债和无风险利率，均可以从资本市场和企业财务信息中得到。VA、σA是未知量，由以上方程组进行迭代和编程求解。1.计算资产价值和资产波动率使用KMV模型时还存在若干假设：股票价格服从对数正态分布；股改后非流通股占比减少，视流通股与非流通股具有相同的每股市值；公司的债务等于短期债务与长期债务一半之和。11家企业已知的数据如下：表111家企业KMV模型样本数据股票代码股票简称年份年末股权价值(VE)股价年波动率（σE）总负债（D）无风险利率（r）债务偿还期(T)000652泰达股份20217,864,808,6300.74108835963,482,590,4760.04141202112,173,484,2800.242441008844,380,652,7160.02521000695滨海能源2021939,684,0900.67192248782501,541,0400.0414120211,826,052,7700.26072282868489,117,5300.02521000897津滨发展20214,965,025,7600.523638158373,212,840,2620.0414120219,525,733,4600.243363165254,780,559,2180.02521000965天保基建20211,639,906,1900.598324921251,511,692,8390.0414120216,969,527,6000.388824802221,985,749,2610.02521600082海泰发展20211,624,981,3000.510937216421,402,306,7390.0414120214,988,014,1800.63893461859779,489,1730.02521600489中金黄金202113,382,802,8700.581053013323,531,412,6300.04141202146,076,515,9300.645514336626,069,383,9030.02521600583海油工程202132,908,984,0000.553468870424,299,012,2160.04141202136,949,680,0000.274855286925,176,588,7380.02521600717天津港202114,536,995,9600.336391219516,098,623,9690.04141202120,817,380,1600387,661,2480.02521600787中储股份20212,955,280,9100.436622672954,869,335,8310.0414120218,140,595,9600.294904397714,145,633,2970.02521601919中国远洋202157,267,557,6800.4962347215641,505,053,4320.041412021106,135,873,5600.3177992793956,147,232,6510.02521600751SST天海20211,050,500,0400.29066928052754,238,2840.0414120212,948,278,3700.23521765933969,151,8040.025212.计算违约距离和期望违约率KMV公司通过观察大量企业的违约现象，发现企业资产价值达到其全部债务中的某一点时，会发生违约行为，而这一违约触发点（DefaultPoint）可以认为是短期债务与一半长期债务之和。用资产波动率衡量的公司资产价值与违约点的距离就是违约间距（DD）。KMV模型假设资产服从正态分布，所以公司的期望违约率（EDF）是违约间距的标准正态函数：EDF=N(-DD)=1-N(DD)滨海新区11家上市公司2021年——2021年违约率计算如下表所示：表211家企业KMV模型计算结果股票代码股票简称年份年末资产价值(VA)年末资产波动率(σA)违约距离（DD）N(DD)违约概率（EDF）000652泰达股份202111,195,120,0000.523271.911050.90660.0934202116,445,120,0000.179475.5720610000695滨海能源20211,419,970,0000.446472.239810.92510.074920212,302,999,0000.206734.837280.9990.001000897津滨发展20218,046,887,0000.323373.092390.96780.0322202114,187,330,0000.163406.1199410000965天保基建20213,088,271,0000.319573.129230.94410.055920218,905,861,0000.304293.286390.99460.0054600082海泰发展20212,970,034,0000.279973.571140.96990.030120215,748,070,0000.554471.803510.93940.0606600489中金黄金202116,770,760,0000.463732.156370.95540.0446202151,994,700,0000.572051.748090.93820.0618600583海油工程202137,033,650,0000.491832.033210.96330.0367202141,997,450,0000.241824.135310.999890.00011600717天津港2021203,882,900,0000.239854.169270.999980.00009202127,046,080,0000.137217.2879010600787中储股份20217,626,580,0000.169445.901430.98340.0166202112,183,060,0000.197055.074800.999810.00019601919中国远洋202197,083,450,0000.292933.413790.97440.02562021160,886,000,0000.209654.769830.99650.0035600751SST天海20211,774,150,0000.172115.808290.999810.0001920213,893,313,0000.178125.614110.999980.00009KMV模型虽然简便易行，但是只能评估上市公司的违约概率。对于非上市公司，YH银行只能采取分析财务信息和非财务信息，并结合主观判断进行估计。YH银行对非上市公司财务风险评估模型如下表所示：指标性质指标类型指标名称财务因素偿债及变现能力指数资产负债率、利息保障倍数、流动比率盈利比率指数销售利润率、资产报酬率效率比率指数总资产周转率、存货周转率、应收账款周转率发展能力比率指数销售收入增长率、资本增值率非财务因素企业内部环境企业内部控制制度、企业管理水平、企业信誉企业外部环境企业所属行业、宏观经济水平数据来源：YH银行财务信息，2021（二）基于BP神经网络信用风险估计神经网络可以处理和识别非线性关系,解决Logistic等线性模型不能解决的复杂问题。它可以从输入层到输出层实现任意非线性映射，并且具有很强的泛化能力。BP神经网络分为三个层次：输入层、隐含层和输出层。通过对已知信用风险因素和风险评分进行学习，调整模型结构，生成能够预测企业信用风险的模型。人工神经网络映射结构如下图所示：图1人工神经网络映射结构图资料来源：作者编制1.样本选取本文选取了与YH银行11家贷款企业区位、经营领域相似的18支A股股票作为训练样本。训练样本按地域分类，滨海新区概念股8股，长三角地区股票5股，其他地区5股；按行业分类，房地产类6股交通运输类5股，重金属类1股，综合类6股。按市场分类，深市7股，沪市11股。本文以Z值模型涉及的指标为基础，结合代表企业偿债能力、获利能力和运营能力的财务指标共11个，设置为输入层。利用Z值法得分和专家经验对信用风险打分，作为训练样本的期望值（导师值），设置为输出层。Z值法的公式为：Z=0.717X1+0.847X2+3.107X3+0.42X4+0.998X5其中，Z：判别函数值；X1：营运资金/资产总额；X2：留存收益/资产总额；X3：息税前利润/资产总额；X4：股东权益总额/负债总额；X5：总资产周转率。当Z<1.23时，企业具有很高的破产概率；当1.23≤Z≤2.9时，企业财务状况不稳定，需要引起注意；当Z>2.9时，企业破产的可能性很小，可以不予考虑。根据Z值得分结合其它财务指标为企业信用风险评分。企业信用风险打分标准如下表[15]：表3企业信用风险打分标准评分风险低风险较低风险一般风险较高风险高得分1―0.90.9-0.80.8-0.60.6-0.4<0.42.实证分析为适应BP人工神经网络学习规则的要求，将样本数据进行线性变化，使之落入区间[0,1]内。变换公式为：Xi=(X-Xmin)/(Xmax-Xmin)本文选取18家上市公司2021年、2021年连续两年的财务指标和信用风险得分作为训练样本，以YH银行11家上市公司信用风险为预测目标。输入层的神经元数为11，输出层的神经元数为1，训练时学习速率为0.01，最大训练步数为4000，误差精度为0.001，使用MATLAB软件进行学习（如表4所示）。将线性化处理后的预测企业财务指标输入训练好的网络，得出预测企业的信用风险评估值（如表5所示）。表418家企业的训练样本此表由作者自行绘制，表格数据均来源于国泰安数据库：http://www.gtadata.此表由作者自行绘制，表格数据均来源于国泰安数据库：/。表格内财务指标是经过线性变化的数据。股票代码股票简称所属行业年份营运资金/资产总额留存收益/资产总额息税前利润/资产总额总资产周转率股东权益/负债总额每股经营现金流量速动比率000537广宇发展房地产20210.7770.8250.4710.4980.0980.4910.07820210.7270.8650.3240.4540.0571.0000.011000594国恒铁路重金属20210.7070.9510.4750.0001.0000.5340.29620210.8770.9160.2370.0741.0000.5231.000000836鑫茂科技房地产20210.7610.9290.8870.2940.1780.8020.15120210.8330.9340.2980.5300.1030.3000.094600335鼎盛天工综合20210.7150.8730.4420.4940.1310.5190.18720210.6780.8700.1560.4960.0670.4590.053600468百利电气综合20210.6970.9180.5080.5960.2860.6190.26920210.6830.9420.2960.6530.1230.5230.103600800ST磁卡综合20210.6080.7000.9840.0630.1030.6150.22820210.5350.6370.0000.0930.0400.5160.052000540中天城投综合20210.8670.8790.6090.2600.1050.2220.14120210.9230.9170.3630.4460.0480.0000.103000606青海明胶综合20210.7320.9000.4590.4670.2160.5600.33620210.7390.8960.2301.0000.1340.5020.161000669领先科技房地产20210.8450.9280.3880.0310.5170.4971.00020210.8400.9450.2420.0510.2580.5230.333000979ST科苑房地产20210.0000.0000.0000.1700.0000.5810.00020210.0000.0001.0000.3900.0000.5470.000600003ST东北高交通运输20210.6980.9370.4410.0590.5090.6510.53220210.6570.9670.3160.0760.2670.6860.118600017日照港交通运输20210.6650.9150.5670.2300.1990.6690.26620210.6420.9470.3510.4170.1330.6830.085600087长航油运交通运输20210.7430.9070.5500.2030.1350.4940.70720210.7130.9160.2480.2770.0630.4300.205600428中远航运交通运输20210.7911.0001.0001.0000.2681.0000.90520210.7341.0000.2530.7610.1300.5660.223600638新黄浦房地产20210.7510.9630.5630.0400.3270.5790.44420210.8310.9430.2800.0020.0900.4700.177600653申华控股综合20210.6680.8120.4470.6300.1800.5810.26020210.6300.8600.2850.8750.0820.5740.083600732上海新梅房地产20211.0000.9140.5380.2200.1450.0000.24220211.0000.9360.2610.0000.0810.4920.031600798宁波海运交通运输20210.6350.8920.5760.1310.1340.9030.17920210.6170.9100.2780.0550.0710.6250.051表418家企业的训练样本（续表）股票代码股票简称所属行业年份流动比率应收账款周转率资产负债率净资产收益率Z值导师值000537广宇发展房地产20210.2200.3260.3780.0000.9770.420210.1330.0040.3940.5280.8050.2000594国恒铁路重金属20210.2730.2420.0000.1573.5530.920211.0000.0680.0000.6476.2791000836鑫茂科技房地产20210.2420.1300.2350.9031.6890.720210.3120.0030.2550.6881.3730.4600335鼎盛天工综合20210.1810.0790.3040.1251.0320.320210.1150.0010.3560.5400.4390.1600468百利电气综合20210.1810.1010.1420.1801.7850.720210.1220.0020.2200.7061.3320.5600800ST磁卡综合20210.1110.0320.3661.0000.6320.120210.0530.0000.4870.000-1.0200000540中天城投综合20210.3270.2120.3600.4831.1660.420210.3060.0050.4401.0001.2550.4000606青海明胶综合20210.2310.0960.1940.1471.3840.420210.1840.0020.2040.5291.4420.5000669领先科技房地产20210.4790.0160.0580.1182.0710.720210.3200.0000.1020.5621.9150.7000979ST科苑房地产20210.0000.1331.0000.109-3.099020210.0000.0061.0000.560-0.9980600003ST东北高交通运输20210.2420.3510.0600.1391.9080.220210.1040.0130.0980.6201.9010.2600017日照港交通运输20210.1340.1230.2110.2371.1210.520210.0820.0030.2050.6441.3240.5600087长航油运交通运输20210.3260.2580.2980.2890.9770.420210.1960.0060.3720.5610.6460.2600428中远航运交通运输20210.4311.0000.1530.5963.052120210.2130.0220.2090.5891.5420.7600638新黄浦房地产20210.3260.2670.1200.2001.5730.620210.3190.0070.2840.6170.9670.4600653申华控股综合20210.1480.6210.2310.1311.1510.520210.0870.0180.3060.6180.9430.3600732上海新梅房地产20211.0000.0000.2810.3361.4560.520210.6791.0000.3100.5901.1230.6600798宁波海运交通运输20210.0790.5340.2990.3610.7200.420210.0440.0130.3420.5740.4670.2表511家企业评估结果此表由作者自行绘制，表格数据均来源于国泰安数据库：http://www.gtadata.此表由作者自行绘制，表格数据均来源于国泰安数据库：/。表格内财务指标为经过线性变化的数据。股票代码股票简称所属行业年份营运资金/资产总额留存收益/资产总额息税前利润/资产总额总资产周转率股东权益/负债总额每股经营现金流量速动比率000652泰达股份综合20210.6930.9370.5160.1720.5050.3380.40420210.7260.9431.0000.3040.5130.1660.320000695津滨能源综合20210.5590.9260.0000.1800.4930.5050.28120210.6460.9110.7420.2690.4770.3100.269000897津滨发展房地产20210.9700.9180.0260.0170.5090.3480.27620210.8790.9230.8310.0380.4580.6090.241000965天保基建房地产20210.9410.9280.0420.0000.7740.2990.00020210.8600.9440.8830.0000.6961.0000.038600082海泰发展房地产20211.0000.9600.2330.0620.6670.0000.84720211.0000.9770.8790.0581.0000.2160.932600489中金黄金重金属20210.6550.9520.8461.0000.9000.4890.31820210.6790.9530.9700.9980.5190.8200.219600583海油工程综合20210.7121.0000.6090.3440.7420.5270.43620210.7001.0000.9500.4470.8390.5140.389600717天津港交通运输20210.6220.9960.4530.2431.0000.6430.40520210.6980.9910.9010.1940.9790.6400.498600787中储股份交通运输20210.6700.9390.0120.9010.4930.6260.42620210.7420.9460.8591.0000.7140.4270.471601919中国远洋交通运输20210.7650.9661.0000.4400.7691.0001.00020210.7820.9260.6950.1680.5380.0001.000600751SST天海交通运输20210.0000.0000.2060.2920.0000.3720.10420210.0000.0000.0000.1070.0000.2020.000表511家企业评估结果（续表）股票代码股票简称所属行业年份流动比率应收账款周转率资产负债率净资产收益率Z值导师值预测导师值000652泰达股份综合20210.3640.0670.2220.3041.1070.40.347520210.2100.0860.1701.0001.3360.90.8838000695津滨能源综合20210.1630.0000.2300.0260.7930.20.021520210.1220.0280.1910.8880.6800.60.7217000897津滨发展房地产20210.9940.0690.2190.1240.9310.60.785020210.3640.1030.2030.9480.8160.50.6096000965天保基建房地产20210.7180.0240.0790.4441.0840.80.852820210.3320.0000.0860.9791.0540.60.6047600082海泰发展房地产20211.0001.0000.1270.3971.3050.90.856120211.0000.1730.0000.9661.6770.90.9386600489中金黄金重金属20210.3150.5680.0310.7593.09510.989820210.1641.0000.1670.9932.31210.9796600583海油工程综合20210.4010.0420.0920.8731.7790.90.858820210.1980.0470.0400.9891.8440.90.9688600717天津港交通运输20210.2230.0320.0000.5391.6230.80.888520210.2030.0490.0050.9711.4810.80.9209600787中储股份交通运输20210.3270.1990.2300.2012.3400.70.231120210.2270.1780.0800.9652.39310.9899601919中国远洋交通运输20210.6530.0730.0801.0002.1020.80.742620210.4000.0720.1560.8830.7420.50.5021600751SST天海交通运输20210.0000.0411.0000.000-1.53100.000120210.0000.0201.0000.000-4.07900.0000以均方误差()对模型预测结果进行评价,MSD=0.000516,证明模型的评估效果很好，BP人工网神经络模型对企业信用风险的评估是有效的。从滨海新区11家上市公司的结果来看，网络模型对SST海天的风险评估符合其在资本市场SST的状况，违约概率较高，风险较大；房地产类企业信用风险比较平稳；天津港、海油工程等企业由于政府的一贯支持而保持较低的信用风险。而泰达股份等综合类企业由于投资领域广泛，信用风险变化应该引起借款银行的注意。KMV模型和BP神经网络模型评估结果的拟合图如下所示：资料来源：作者编制上图中的导师值是由11家企业财务比率通过Z值评分法得出；预测导师值是由BP神经网络模型学习得出；违约距离是11家企业资本市场数据通过KMV模型得出。预测导师值与真实导师值偏差不大，证明BP神经网络模型可以用于贷款企业的财务风险评估。KMV模型与BP神经网络模型整体上具有很好的拟合效果。KMV法基于资本市场数据评估财务风险，BP神经网络模型基于财务数据评估财务风险。企业的市场环境、经营前景等非财务因素通常包含在资本市场的供求关系中，所以KMV模型评估的财务风险受宏观条件影响较大，各企业差距很小，走势相对平缓。而且资本市场的炒作也经常使股价偏离企业价值，掩盖企业的财务危机。而BP神经网络评估的结果剔除了宏观因素，更能直接反应贷款企业的财务风险。四、对商业银行信用风险评估提出的建议（一）结合KMV法与BP神经网络模型评估财务风险KMV模型主要应用于上市公司违约风险度量，而对非上市公司财务风险评估，国际和国内都缺乏有效研究。与银行以往评价财务风险的模型不同，BP神经网络模型是一种非线性模型，其优势主要表现于：该模型根据提供的数据，通过学习和训练，找出输入与输出之间的内在联系进而求解；该模型不依赖于变量间的线性或独立假设，可以弱化权重确定中的人为因素；该模型可以自动处理不完全的数据，具有泛化功能和一定的容错能力。利用两个模型的优势可以开发出有效评估非上市公司财务风险的模型。首先，将银行的贷款客户划分为上市公司和非上市公司两个区域，每个区域依据其行业、规模、经营产品等因素划分为若干贷款组。其次，利用KMV法评估各贷款组中上市公司的财务风险，作为训练样本。最后，以贷款组为单位采用BP神经网络模型对相应贷款组中非上市公司进行学习，得出非上市公司的财务风险。表6非上市公司财务风险评价模型上市企业非上市企业贷款组分类单位数风险评估单位数风险评估1大型房地产企业M家利用KMV法评估财务风险作为训练样本1N家利用BP伸进网络模型对训练样本1进行学习，评估非上市企业财务风险2中小型房地产企业M家利用KMV法评估财务风险作为训练样本2N家利用BP伸进网络模型对训练样本2进行学习，评估非上市企业财务风险3大型制造企业M家利用KMV法评估财务风险作为训练样本3N家利用BP伸进网络模型对训练样本3进行学习，评估非上市企业财务风险4中小型制造企业M家利用KMV法评估财务风险作为训练样本4N家利用BP伸进网络模型对训练样本4进行学习，评估非上市企业财务风险························资料来源：作者设计（二）逐步推进内部评级法2021年2月28日，中国银监会发布了《中国银行实施新资本协议的指导意见》，标志着我国正式启动实施巴塞尔Ⅱ的进程。根据我国商业银行的发展水平和外部条件，银监会确立了分类实施、分层推进、分步达标的基本原则。在逐步推进内部评级法的过程中，还要注意若干问题。首先，评估贷款财务风险需要区分贷款主体，以提供更相关的信息。贷款按照主体可以分为公司类、信用卡类、金融机构类、国家主权等，不同类型的贷款风险不同，违约概率，违约损失率和风险暴露的估计需要因地制宜。金融机构、公司类贷款等违约概率与违约损失率具有相对独立性，由于抵押物等因素违约损失率不受违约概率的影响，因此对二者估计时应分开考虑；而住房抵押贷款和信用卡贷款的违约损失率与违约概率有很大关联，所以需要考虑而二者的相关性。其次，不同的模型适用不同的贷款主体。公司类贷款一般单笔金额较大，主体单一，具有个性化与精细化的特点，需要单独估计预期损失，适合采用巴塞尔Ⅱ的内部评级法，借助内部数据库和外部等级评价确定未来现金流量；而信用卡贷款主体分散，单笔数额小，应该划分为具有相同风险特征的若干资产池，采用风险迁徙矩阵模型，以资产池为单位计提贷款减值准备。（三）建立使用预期损失模型预期损失模型可以克服未来现金流量法的顺周期性，但是银行在建立预期损失模型时还需要注意若干问题。1.预期损失模型应关注谨慎性和中立性会计信息质量中的谨慎性不是监管部门的审慎性。谨慎性指在不确定情况下进行预测判断时的小心程度，包括不高估资产收入，不低估负债费用。预期损失模型基于扣减预期信用损失后的现金流量确认利息收入，并在确定贷款减值准备是考虑预期信用损失，改善了已发生模型高估资产和收入的现象，体现了谨慎性。从巴塞尔Ⅱ设定的资产风险权重来看，监管部门的审慎性旨在故意高估风险以确保资本充足，而谨慎性不允许过度谨慎，不能通过故意的低估或高估操纵利润。所以这就要求预期损失模型标准化、合理化，以免削弱可靠性。会计信息质量强调的是中立性而不是前瞻性。会计上的中立性禁止筛选财务报表的信息或为了达到预定的结果而以影响决策的方式反映。监管部门的信用风险模型目的在于资本充足率的计算，不仅考虑信用风险，还要考虑市场风险和操作风险，以提前锁定风险为目标，对信息有所取舍。所以，预期损失模型在借助监管模型时需要进行修正，以不偏不倚的角度估计风险，避免故意夸大风险。2.预期损失模型提高相关性兼顾可靠性国际会计准则理事会（IASB）认为：信息应该与使用者决策需要相关，相关性通过评价过去、现在和未来事项或证实、纠正过去的评价来影响使用者决策。预期损失模型符合可预测性，虽然预计未来现金流量法对单笔重大贷款进行了单笔和组合双重测试，但是提取减值的前提是“触发事件”。来经济环境、借款人实力等宏观因素导致的信用损失不包括在内，忽略这些信用风险所提供的会计信息可能因高估资产和收入而影响使用者的决策。预期损失模型每期预计信用损失可以提供更为相关的信息。会计信息质量另一重要特征就是可靠性。可靠性要求会计信息如实反映，但是可靠性并不等于客观性。IASB的概念框架指出：大部分反映的财务信息承担的风险小于应如实反映承担的风险。这是因为某些事项的确认和计量以及用来如实传达事项信息的技术存在固有困难，而导致忽略一些事项的计量。由此可以看出目前的可靠性并没有达到绝对的如实反映，反映的仅仅是可以客观计量的部分，而忽略了预期信用损失这种存在估计困难的信息，进而低估了会计主体的风险。所以预期损失估计应该具备合理、专业的模型，以减少估计的不确定性，提高会计信息的可靠性。从以上分析可以看出：预期损失模型符合相关性和可靠性的要求，提高了会计信息质量。但是在建立预期损失模型是还要考虑谨慎性和中立性，建立标准合理的模型，避免夸大风险，削弱可靠性。（四）完善财务风险披露要求1.提供整体层面的风险信息《企业会计准则第37号》没有要求主体披露总体VAR的敏感性。尽管分部披露风险可以将风险分类披露，增加使用者对风险性质的了解。但是由于总体风险并不能是由各部分风险简单加总而得的，所以商业银行除了需要披露单笔大额贷款的VAR风险，还应该披露总体层面风险。目前在总体层面，准则仅要求主体定性讨论风险管理战略和实物，而不要求量化。所以大多数银行只是描绘了风险管理战略，没有量化披露。完整的风险披露体系应该既有分类，又有汇总，全面披露，以使信息使用者形成正确的判断。2.报告多种损失的分布结果大部分银行至报告一个点估计，但是信息使用者可能会因为过度信任点估计而夸大风险。例如，某银行报告风险的敏感性升降五个百分点带来的损失，但是这些敏感性是有分布情况的，分布离散程度小的风险远远大于分布离散程度大的风险。所以信息使用者可能对单一的数据产生误解，甚至认为各风险的分布是对称的而将正负数值抵消。所以，商业银行在财务风险披露时还要注意多种损失的分布和置信区间的披露。3.提高信息披露的全面性我国商业银行管理层次多，委托代理关系复杂，纵向横向机构之间信息不完全、不对称。管理模式的分割导致信息统计整合成本高而效率低。商业银行在依据会计准则要求的同时，还应该补充金融监管机构的披露要求。《新资本协议》要求加强对抵押等风险缓释技术的披露，强调按照地理、产业和期限披露贷款风险集中度。这些要求有助于信息使用者全面了解银行财务风险，所以商业银行应该吸收先进经验，进一步完善披露内容。（五）通过健全内部控制降低财务风险防范成本有效的内控制度可以大大降低银行防范财务风险的成本。严格的贷款审批制度，审贷的不相容岗位分离，贷款后的风险控制和追踪都可以降低违约可能性或者及时发现贷款企业的违约迹象，降低不良贷款率，减少银行损失。所以，完善内部控制也是YH银行防范财务风险的一个方法。首先，YH银行还需要一套完善的财务管理机制。财务管理机制是指财务系统中各种要素通过相互作用和制约，达到优化财务结构，改善资源配置和防范财务风险结果。它包括财务预算机制、财务投融资机制、财务风险防范机制等，与银行的日常经营紧密相连，同时又具有一定独立性。这种财务管理机制是一种契约制度，在进行活动获取利益的同时防范财务风险。银行管理层作为代理人通过执行契约，在追求个人效用的同时达到委托人的预期效用最大化。其次，YH银行应该建立全面风险管理系统。贷款作为银行的重要资产，其质量关系到银行的稳定经营。上个世纪，各国有银行都承担着巨额的不良贷款，虽然其中有政府干预的成分，银行自身对贷款质量的误判也不容忽视。商业银行应该对贷款进行全程风险管理，从贷款审核到收回，把岗位制约、责任之约和程序之约纳入一个系统，进行系统控制，科学地评估管理贷款风险。之所以成为全程管理，是因为贷款业务在各个环节都可能存在风险。贷款风险管理是一个动态的管理过程，包括风险识别、风险界定、风险监测、风险的转移与分散以及考核与奖罚等一系列程序，防范财务风险，确保银行资产的流动性、安全性和赢利性。（六）建立非上市公司信用风险评估模型由于上市公司可以获得公开的市场信息，KMV模型对信用风险评估的效果显著，但是非上市公司只能依靠财务数据和类似企业的股价建立线性模型进行风险评估。KMV模型已经在世界范围内得到广泛应用，但是度量非上市公司信用风险的模型还未得到推广。常用的非上市公司信用风险度量方法是建立线性回归模型：公司资产价值VA=α+β1（EBITDA/TA）+β2ln(TA)公司资产报酬标准差σA=α+β1ln(销售收入)+β2利率波动+β3营业利润+β4ROA成长率+β5速动比率+β6负债比率+β7总资产周转率其中，EBITDA是税前息前折旧损耗前盈余；TA是账面总资产。实际上，公司资产价值和资产回报波动性的影响因素十分复杂，而且其关系也并非是线性的。随着计量技术的发展，商业银行可以采用BP人工网络等非线性模型，利用相似的上市公司资本市场数据采用KMV模型计算资产价值和波动率，并以此作为输出层训练模型，评估非上市公司信用风险，将得到更好的预测精度。（七）针对不同的贷款类型选择适当的风险评估方法公司类贷款一般单笔金额较大，主体单一，具有个性化与精细化的特点，需要单独估计预期损失，适合采用巴塞尔Ⅱ的内部评级法，借助KMV、BP人工神经网络模型来评估；而信用卡贷款主体分散，单笔数额小，应该划分为具有相同风险特征的若干资产池，采用风险迁徙矩阵模型，以资产池为单位评估信用风险。五、总结本文主要是以YH银行为主体，分析研究了其信用风险评估的主要方法，并提出改进措施。首先，YH银行对上市公司贷款客户采用KMV法进行风险评估，虽然简便易行，但是只能应用于上市公司。文章采用BP神经网络法对YH银行贷款客户中具有代表性的11家上市公司进行训练，与KMV法进行对照，得出相似结果。这表明：BP神经网络法可以克服KMV法的缺陷，进行财务风险评估。最后，本章提出结合KMV法和BP神经网络模型的优势评估非上市公司贷款的财务风险，逐步推进内部评级法，建立预期损失模型和完善财务风险披露要求，同时认为建立完善的财务管理机制和全面的风险管理系统，也可以一定程度上降低贷款的违约风险。综上所述，实证表明滨海新区YH银行的上市公司总体具备较低的违约风险，与实际情况相符，证明BP人工神经网络对上市公司信用风险评估具有较好的效果，有利于商业银行建立健全的风险评估体系，及时防范风险，但是还需要与其他内控要素结合，对贷款和各项投资进行全面风险管理。同时，本论文也存在一定的不足之处，其一是采用BP人工神经网络来评估上市公司信用风险，有一定的复杂性，特别是matlab程序的编写比较繁琐，需要一定的人力资本；其次，由于受工作量的局限，论文仅仅选取天津市滨海新区的上市公司数据进行研究，为商业银行信用风险的评估提出一种新思路的同时可能由于宏观环境和不同客户对象的影响，出现一定的偏差，这些都是我们值得考虑的因素，也是值得进一步研究的关键。【参考文献】[1]中国银行业监督委员会，新资本协议第三次征求意见稿译文，2021。[2]王胜邦，杨洋，采用信用风险模型计提监管资本:问题和对策，银行家，10：116～121,2021。[3]赵纶，我国商业银行贷款损失拨备计提研究，复旦大学硕士学位论文：10～14,2021。[4]IASB，FinancialInstruments:AmortisedCostandImpairment，IASCF，2021。[5]郑伟，预期损失模型缺陷与会计监管独立性问题的研究[J]，会计研究，5：17～24，2021。[6]AltmanEI,Thomas,P,EvaluationofCompanyasaGoingConcern,JournalofAccountangcy,6:63～70,1974。[7]钟波，肖志，一种基于粗糙集理论的组合预测方法，统计研究，11：37～39，2021。[8]MorganJP,Creditmetrics,NewYork[9]BlackFischer,MyronSholes.ThePricingofOptionsandCorporateLiabilities,JournalofPoliticalEconomy,81:637～659,1973。[10]HullJ,WhiteA,Theimpactofdefaultriskonthepricesofoptionsandotherderivativesecurities,JournalofBankingandFin