- 相關(guān)推薦
商業(yè)銀行信用風(fēng)險計量中神經(jīng)網(wǎng)絡(luò )法的運用論文
1999 年，《巴塞爾新資本協(xié)議》首次提出應用于商業(yè)銀行信用風(fēng)險計量的標準法和內部評級法，對各國產(chǎn)生了巨大影響，商業(yè)銀行信用風(fēng)險管理一度成為國內外經(jīng)濟學(xué)界關(guān)注的焦點(diǎn)，然而十幾年過(guò)去了，我國信用風(fēng)險管理并未達到理想的效果。根據銀監會(huì )監管統計數據，截至 2014 年末，商業(yè)銀行不良貸款余額累計達 8,426 億元，不良貸款率1.25%,較年初增長(cháng) 0.25 個(gè)百分點(diǎn)，整個(gè)銀行業(yè)信用風(fēng)險居高不下，并且持續上升。
作為商業(yè)銀行的主要風(fēng)險，信用風(fēng)險的管理有著(zhù)特殊的地位。信用風(fēng)險管理主要由信用風(fēng)險的識別、評估（計量）、監測、報告與控制等環(huán)節構成。其中，信用風(fēng)險的評估是基礎。特別是，在利率市場(chǎng)化背景下，對信用風(fēng)險的準確評估和價(jià)值把握將成為新形勢下商業(yè)銀行盈利的關(guān)鍵。
20 世紀 90 年代以來(lái)，信用風(fēng)險評估技術(shù)日新月異，在傳統多元判別法、logit 模型等傳統信用評分法的基礎上，涌現出一批現代信用風(fēng)險度量模型。典型的有以預期違約概率為核心的 KMV 模型和基于VAR 理論的 Credit Metrics 模型。但其參數的初始化對歷史經(jīng)驗數據有較高要求，而我國商業(yè)銀行的信用信息系統建設尚處于初級階段，數據積累十分有限且不易獲得，因此上述模型并未在我國得到廣泛應用。目前，隨著(zhù)金融數學(xué)、信息技術(shù)和計算機網(wǎng)絡(luò )的蓬勃發(fā)展，以神經(jīng)網(wǎng)絡(luò )為首的數據挖掘技術(shù)被引入信用風(fēng)險評估領(lǐng)域。大量研究顯示，神經(jīng)網(wǎng)絡(luò )對數據的要求并不十分嚴格，同時(shí)也不必探究清楚被解釋變量與解釋變量之間準確的函數關(guān)系，這就與我國信用風(fēng)險管理尚未成熟的現狀相契合；同時(shí)，神經(jīng)網(wǎng)絡(luò )特有的非線(xiàn)性映射能力和較強的魯棒性使得模型預測準確快速，具有明顯優(yōu)勢。
一、神經(jīng)網(wǎng)絡(luò )法及其基本評價(jià)
90年代以來(lái)，全球范圍內計算機信息技術(shù)迅速發(fā)展，基于人工智能的智能計算技術(shù)為商業(yè)銀行信用風(fēng)險評估的研究開(kāi)拓了一個(gè)全新的研究領(lǐng)域，而基于神經(jīng)網(wǎng)絡(luò )的評估模型最具有代表性。神經(jīng)網(wǎng)絡(luò )模型模擬生物神經(jīng)系統，由大量神經(jīng)元相互連接形成復雜非線(xiàn)性網(wǎng)絡(luò )，具有自我訓練、自主學(xué)習的能力。
在這類(lèi)模型中，信用風(fēng)險評估被視為模式識別的分類(lèi)問(wèn)題，通過(guò)研究并提取違約企業(yè)和非違約企業(yè)的特征變量，建立判別模型，并對其他企業(yè)進(jìn)行分類(lèi)預測。神經(jīng)網(wǎng)絡(luò )是一項新型的非線(xiàn)性技術(shù)，對數據質(zhì)量要求不高，也沒(méi)有嚴格的數據分布假設，有著(zhù)其他模型無(wú)法比擬的優(yōu)點(diǎn)。
神經(jīng)網(wǎng)絡(luò )，全稱(chēng)為人工神經(jīng)網(wǎng)絡(luò )（Artificial Neural Network），從仿生學(xué)視角模擬人類(lèi)大腦運作過(guò)程，通過(guò)模仿生物學(xué)中神經(jīng)系統建立一個(gè)個(gè)神經(jīng)元模型，通過(guò)類(lèi)似神經(jīng)細胞突觸互聯(lián)的拓撲連接方式，形成復雜宏大的動(dòng)態(tài)網(wǎng)絡(luò )，能夠對輸入的數據進(jìn)行信息處理。在眾多的神經(jīng)網(wǎng)絡(luò )模型中，BP-神經(jīng)網(wǎng)絡(luò )（誤差反向傳播）是目前理論最為成熟、應用最為廣泛的。下面以 BP 神經(jīng)網(wǎng)絡(luò )為例來(lái)介紹神經(jīng)網(wǎng)絡(luò )的原理和運作機制。
BP 神經(jīng)網(wǎng)絡(luò )為采用反響傳播算法的多層前饋式神經(jīng)網(wǎng)絡(luò )，可以實(shí)現輸入到輸出的任意非線(xiàn)性映射，其中，輸出量為 0~1 的連續值，其結構如圖1 所示。（圖 1）
經(jīng)過(guò) 10 多年的發(fā)展，神經(jīng)網(wǎng)絡(luò )在我國商業(yè)銀行信用風(fēng)險計量領(lǐng)域的應用已較為成熟，神經(jīng)網(wǎng)絡(luò )特有的非線(xiàn)性映射能力和較強的魯棒性使得模型預測準確快速，明顯優(yōu)于傳統的線(xiàn)性判別方法，尤其是近幾年來(lái)引入遺傳算法和模糊理論等對神經(jīng)網(wǎng)絡(luò )模型進(jìn)行優(yōu)化后，其預測效率和可操作性大大提高，具有極其廣闊的應用前景。但是，經(jīng)過(guò)不斷測試，發(fā)現該模型還存在著(zhù)一些缺陷。
神經(jīng)網(wǎng)絡(luò )自身的缺陷限制了其在信用風(fēng)險計量方面的應用。如神經(jīng)網(wǎng)絡(luò )具有一定的片面性和盲目性，訓練是完全的黑箱操作，無(wú)法干預，許多專(zhuān)家經(jīng)驗派不上用場(chǎng)；人們普遍認為神經(jīng)網(wǎng)絡(luò )是不可解釋的，用神經(jīng)網(wǎng)絡(luò )來(lái)進(jìn)行信用評級時(shí)，無(wú)法說(shuō)明訓練后，各參數和閥值的經(jīng)濟含義，不具有說(shuō)服性。
二、神經(jīng)網(wǎng)絡(luò )法文獻統計
通過(guò)對 1999~2015 年 20 余篇相關(guān)文獻的進(jìn)一步分析，我們發(fā)現相關(guān)作者的學(xué)科背景和文獻中數據來(lái)源具有一定規律。
�。ㄒ唬⿲W(xué)科背景分析。通過(guò)進(jìn)一步的數據搜集和篩選，發(fā)現作者學(xué)科背景可考的文獻有 14 篇，大致分為三類(lèi)：經(jīng)濟管理類(lèi)、計算機科學(xué)類(lèi)（包括計算機科學(xué)與技術(shù)、軟件工程、信息工程等）和數學(xué)類(lèi)（包括計算數學(xué)和應用數學(xué)），統計結果如圖 2 所示。（圖 2）
其中，經(jīng)濟管理類(lèi)中有4人來(lái)自于數量經(jīng)濟、信息經(jīng)濟和技術(shù)經(jīng)濟領(lǐng)域。分析表明，雖然商業(yè)銀行信用風(fēng)險的計量一直是金融經(jīng)濟和銀行管理的熱點(diǎn)，但是其用到的工具神經(jīng)網(wǎng)絡(luò )是涉及神經(jīng)科學(xué)、計算機科學(xué)、計算數學(xué)等多個(gè)領(lǐng)域的交叉學(xué)科，模型對信用風(fēng)險計量的過(guò)程中涉及到大量的運算和訓練，需要操作者具有相當深厚的算法功底，并且對待解決問(wèn)題本身要有比較全面的了解和很好的判斷，且對于Matlab計算工具的熟練運用和程序編寫(xiě)以及對操作者提出了更高的要求。
這些領(lǐng)域相互結合并相互滲透，綜合素質(zhì)較高的知識復合型人才更具優(yōu)勢。
�。ǘ⿺祿䜩�(lái)源分析。
文獻中明確提到所用數據來(lái)源的有18篇，其中從銀行取得業(yè)務(wù)數據資料或來(lái)自銀行數據庫的有11 篇，其他 7 篇則通過(guò)上市公司公開(kāi)披露的財務(wù)報表或Wind 數據庫、證券之星等公開(kāi)網(wǎng)站獲得數據，統計結果如圖 3 所示。（圖 3）
現階段，我國商業(yè)銀行內部信息披露機制不完全，進(jìn)行信用風(fēng)險計量的首要問(wèn)題是很難獲得商業(yè)銀行企業(yè)客戶(hù)貸款相關(guān)資料數據。無(wú)論是在國內還是在國外，商業(yè)銀行的壞賬、違約數據都屬于商業(yè)機密，研究人員難以直接獲取實(shí)際違約公司的數據資料。因此，研究人員往往選取上市公司作為研究對象，將其公開(kāi)披露的財務(wù)數據作為衡量指標，研究對象和選取指標類(lèi)型的限制不具有全面性和代表性，會(huì )對神經(jīng)網(wǎng)絡(luò )信用風(fēng)險計量模型的應用產(chǎn)生不利影響。
三、神經(jīng)網(wǎng)絡(luò )法文獻內容
目前，國內學(xué)者對神經(jīng)網(wǎng)絡(luò )法的研究主要經(jīng)歷了兩個(gè)階段：第一個(gè)階段是對神經(jīng)網(wǎng)絡(luò )模型應用于信用風(fēng)險計量的可行性和優(yōu)越性進(jìn)行驗證，主要集中在1999~2007 年之間，該階段重點(diǎn)驗證神經(jīng)網(wǎng)絡(luò )的優(yōu)勢，如處理非線(xiàn)性問(wèn)題的能力強，具有較好的非線(xiàn)性映射能力，同時(shí)具有較強的魯棒性，容錯能力和泛化能力較高；第二個(gè)階段是對現有的神經(jīng)網(wǎng)絡(luò )模型進(jìn)行優(yōu)化和改進(jìn)，從 2004 年發(fā)展至今，尤以 2009 年之后的研究最為突出，逐步引入遺傳算法、模糊理論、粒子群算法、證據理論等對神經(jīng)網(wǎng)絡(luò )學(xué)習過(guò)程及結果處理進(jìn)行優(yōu)化，從而提高模型的運算速度和預測精度。目前，文獻內容主要集中在以下兩個(gè)方面：
�。ㄒ唬┥窠�(jīng)網(wǎng)絡(luò )法可行性和優(yōu)越性分析。王春峰、萬(wàn)海暉、張維（1999） 以國內某商業(yè)銀行的 90 多家企業(yè)客戶(hù)短期貸款數據為基礎，以主因子分析法得到 5 項財務(wù)比率，分別建立了前向三層 BP 神經(jīng)網(wǎng)絡(luò )模型和傳統線(xiàn)性判別模型來(lái)度量該商業(yè)銀行信用風(fēng)險，運行結果顯示，幾乎從所有的方面來(lái)看，神經(jīng)網(wǎng)絡(luò )都優(yōu)于判別分析法。同時(shí)，由于神經(jīng)網(wǎng)絡(luò )模型的非線(xiàn)性映射能力、容錯能力、泛化能力較強，在商業(yè)銀行信用風(fēng)險計量領(lǐng)域具有廣泛前景。
但也存在一些缺陷，如網(wǎng)絡(luò )結構不固定，訓練的復雜性和缺少解釋能力。
章忠志、符林、唐煥文（2003）以大連市 36 家企業(yè)的財務(wù)數據和來(lái)自銀行的企業(yè)信貸資料為基礎，將企業(yè)分為違約（無(wú)法按時(shí)償還貸款）和正常兩類(lèi)，選取5個(gè)財務(wù)指標作為輸入量，建立BP三層神經(jīng)網(wǎng)絡(luò )模型計量商業(yè)銀行信用風(fēng)險，訓練和預測結果較好，從測試結果看，判斷準確率高達90%以上，說(shuō)明了神經(jīng)網(wǎng)絡(luò )模型具有較好的特征抽取和知識發(fā)現能力。
陳誠高（2006）在碩士畢業(yè)論文中提出了按行業(yè)分類(lèi)，對不同行業(yè)分別建立信用風(fēng)險的神經(jīng)網(wǎng)絡(luò )模型。將企業(yè)細分為工業(yè)企業(yè)、商貿企業(yè)、建筑安裝企業(yè)、公共事業(yè)等行業(yè)類(lèi)別，以工業(yè)企業(yè)為例，再具體劃分為大中型工業(yè)企業(yè)和小型工業(yè)企業(yè)兩種評估模式，在每種模式下分別初始化和訓練，結果顯示，評估的可接受率高達85%以上，遠遠高于傳統信用風(fēng)險評估方法，說(shuō)明以其較高準確性，基于神經(jīng)網(wǎng)絡(luò )的商業(yè)銀行信用風(fēng)險計量模型可以在貸款決策中發(fā)揮重大作用。
李萌和陳柳欽（2007）對以BP神經(jīng)網(wǎng)絡(luò )技術(shù)計量商業(yè)銀行信用風(fēng)險時(shí)模型的隱含層個(gè)數進(jìn)行了討論。他們選取某商業(yè)銀行 218 家公司客戶(hù)，用未按時(shí)償還貸款的比率區分信用風(fēng)險高低，對46 個(gè)指標進(jìn)行主成分分析簡(jiǎn)化為 12 個(gè)，分別建立單隱層 BP 神經(jīng)網(wǎng)絡(luò )模型和雙隱層BP 神經(jīng)網(wǎng)絡(luò )模型，結果顯示雙隱層模型誤判比率并未低于單隱層模型，同時(shí)還需要更多的運行時(shí)間，從而證實(shí)了 LippmanRP 于 1987 年提出的定理“與一個(gè)隱含層相比，用兩個(gè)隱含層的網(wǎng)絡(luò )訓練并無(wú)助于提高小規模網(wǎng)絡(luò )預測的準確率”.同時(shí)，他們還發(fā)現單隱層模型預測準確率是63.6%,雖然有一定的自我學(xué)習、調整和風(fēng)險識別能力，但穩定性和泛化能力還存在較大提高空間，具體應用時(shí)，要結合其他信用風(fēng)險評估技術(shù)和手段。
高志（2007） 基于 SOM 神經(jīng)網(wǎng)絡(luò )建立商業(yè)銀行信用風(fēng)險計量模型。他以數據庫中 164 家各行業(yè)上市公司財務(wù)數據為基礎，以是否被特別處理來(lái)衡量信用風(fēng)險，對初始的 9 項財務(wù)指標主成分分析得到 4項綜合指標，建立 SOM 神經(jīng)網(wǎng)絡(luò )模型。測試結果顯示，結合了主成分分析法的 SOM 神經(jīng)網(wǎng)絡(luò )模型不論在算法還是分類(lèi)效果上都優(yōu)于單純BP 神經(jīng)網(wǎng)絡(luò )模型，同時(shí)也驗證了神經(jīng)網(wǎng)絡(luò )應用于信用風(fēng)險度量的可行性：神經(jīng)網(wǎng)絡(luò )方法具有較強的非線(xiàn)性映射能力，是一種非參數的、較為穩健的方法，具有較強的學(xué)習能力；神經(jīng)網(wǎng)絡(luò )存儲結構是存儲式的，網(wǎng)絡(luò )中少量局部的缺損并不會(huì )造成網(wǎng)絡(luò )癱瘓，容錯能力強，顯示出較強的魯棒性。
�。ǘ┥窠�(jīng)網(wǎng)絡(luò )法模型的優(yōu)化與改進(jìn)研究。吳沖、呂靜杰、潘啟樹(shù)、劉云燾（2004）提出了基于模糊理論的神經(jīng)網(wǎng)絡(luò )模型。首先利用 SPSS對數據進(jìn)行處理，通過(guò)因子分析得到指標最少個(gè)數，將最初提出的 16項財務(wù)指標簡(jiǎn)化為 4 個(gè)解釋因子，且具有較明顯的經(jīng)濟含義。以其作為輸入量，進(jìn)行模糊化處理后，進(jìn)行網(wǎng)絡(luò )學(xué)習，從訓練結果看，預測誤差很小，取得了較為滿(mǎn)意的結果。同時(shí)，模糊規則層克服了神經(jīng)網(wǎng)絡(luò )完全黑箱操作的缺點(diǎn)，可以由信用風(fēng)險計量人員依據經(jīng)驗針對不同問(wèn)題進(jìn)行調節，說(shuō)明模糊神經(jīng)網(wǎng)絡(luò )非常適合應用于商業(yè)銀行信用風(fēng)險的計量中。
張衛東、韓云昊、米陽(yáng)（2006）提出了基于遺傳邏輯算法和模糊算法的CA-BP 模糊神經(jīng)網(wǎng)絡(luò )的商業(yè)銀行信用風(fēng)險模型。他們認為單獨的 BP 神經(jīng)網(wǎng)絡(luò )計量模型完全黑箱操作，存在產(chǎn)生局部極小的可能，如果將遺傳算法、模糊算法和 BP 神經(jīng)網(wǎng)絡(luò )結合起來(lái)建立信用風(fēng)險計量模型，可以發(fā)揮各自?xún)?yōu)勢，具有更理想的效果。他們選取中國工商銀行某支行的 100 個(gè)貸款實(shí)際樣本，建立營(yíng)運能力、償債能力、盈利能力、貸款方式4個(gè)評價(jià)指標，利用Matlab實(shí)證分析，運行結果顯示所建模型誤差很小，比單獨采用一種或兩種方法準確性更高，也更快速。
吳沖、張曉東、田海霞、劉超宇（2009）提出用模糊神經(jīng)網(wǎng)絡(luò )來(lái)評估商業(yè)銀行信用風(fēng)險，由于信用分析人員可以根據實(shí)際經(jīng)驗調整模糊運算規則，可以在一定程度上解決神經(jīng)網(wǎng)絡(luò )黑箱操作的盲目性問(wèn)題。
他們搜集中國工商銀行某支行制造業(yè)短期貸款167個(gè)樣本數據，通過(guò)因子分析將16 項指標簡(jiǎn)化為 4 個(gè)解釋因子，建立模糊神經(jīng)網(wǎng)絡(luò )模型，訓練結果較為滿(mǎn)意，預測誤差小，同時(shí)模糊規則層還可以根據具體情況進(jìn)行調節，具有較強的準確性和可操作性。
宋麗華（2010）將 D-S 證據理論引入神經(jīng)網(wǎng)絡(luò )模型，將神經(jīng)網(wǎng)絡(luò )模型輸出的歸一化數據作為D-S證據理論中的基本概率分布，建立改進(jìn)的神經(jīng)網(wǎng)絡(luò )與證據理論融合模型，得到的評估結果與實(shí)際客戶(hù)的違約情況基本一致，給出較為精確的評價(jià)結果，優(yōu)于單純的神經(jīng)網(wǎng)絡(luò )評估模型。
宿玉海、彭雷、郭勝川（2012）基于BP神經(jīng)網(wǎng)絡(luò )信用風(fēng)險計量模型計算過(guò)程中自身權值調整方式存在的缺陷，提出用 Adaboost 算法和遺傳算法進(jìn)行改進(jìn)。通過(guò)對 200 家上市公司的財務(wù)指標進(jìn)行考察，發(fā)現優(yōu)化后系統總誤差水平明顯降低。但兩種算法各自存在缺陷，因此他們建議實(shí)際應用過(guò)程中，根據需要處理客戶(hù)數據量和緊急程度來(lái)選擇不同算法對信用風(fēng)險進(jìn)行計量。
柳凌燕、王憲明、胡繼成（2014）針對傳統的 BP 神經(jīng)網(wǎng)絡(luò )在訓練效果上依賴(lài)于初始值以及訓練參數的設定，且具有收斂速度慢，易陷入局部極小值等缺點(diǎn)，設計了柯西變異和高斯變異的雙變異算子加入到免疫規劃算法中，并將改進(jìn)后的免疫規劃算法應用到神經(jīng)網(wǎng)絡(luò )的訓練過(guò)程。他們選取國內 16 家上市銀行相關(guān)指標數據作為樣本，以《金融藍皮書(shū)：中國商業(yè)銀行競爭力報告》風(fēng)險評估值為基礎，建立改進(jìn)的三層BP 神經(jīng)網(wǎng)絡(luò )模型，結果表明該模型收斂速度較快，而且預測準確度較高，證明了該融合免疫規劃算法的BP 神經(jīng)網(wǎng)絡(luò )模型在信用風(fēng)險計量上的有效性。
四、研究建議
經(jīng)過(guò) 10 多年的發(fā)展，神經(jīng)網(wǎng)絡(luò )在我國商業(yè)銀行信用風(fēng)險計量領(lǐng)域的應用已較為成熟，神經(jīng)網(wǎng)絡(luò )特有的非線(xiàn)性映射能力和較強的魯棒性使得模型預測準確快速，明顯優(yōu)于傳統的線(xiàn)性判別方法，尤其是近幾年來(lái)引入遺傳算法和模糊理論等對神經(jīng)網(wǎng)絡(luò )模型進(jìn)行優(yōu)化后，其預測效率和可操作性大大提高，具有極其廣闊的應用前景。但是，經(jīng)過(guò)不斷測試，發(fā)現該模型還存在著(zhù)一些缺陷。
神經(jīng)網(wǎng)絡(luò )自身的缺陷限制了其在信用風(fēng)險計量方面的應用。如神經(jīng)網(wǎng)絡(luò )具有一定的片面性和盲目性，訓練是完全的黑箱操作，無(wú)法干預，許多專(zhuān)家經(jīng)驗派不上用場(chǎng)；人們普遍認為神經(jīng)網(wǎng)絡(luò )是不可解釋的，用神經(jīng)網(wǎng)絡(luò )來(lái)進(jìn)行信用評級時(shí)，無(wú)法說(shuō)明訓練后，各參數和閥值的經(jīng)濟含義，不具有說(shuō)服性。
當前流行做法是將商業(yè)銀行的信用風(fēng)險轉化為企業(yè)財務(wù)狀況的判別問(wèn)題，往往利用企業(yè)財務(wù)數據來(lái)衡量可能存在的信用風(fēng)險，但影響企業(yè)信用風(fēng)險的因素還有很多，為此建議將能反映公司管理水平的定性指標，比如公司股權結構、管理層素質(zhì)和內部控制完善程度等納入模型，從而更真實(shí)、更全面地計量信用風(fēng)險，取得更好的評估效果。
主要參考文獻：
[1]韓立群。人工神經(jīng)網(wǎng)絡(luò )[M].北京：北京郵電大學(xué)出版社，2006.
[2]覃光華。人工神經(jīng)網(wǎng)絡(luò )技術(shù)及其應用[D].四川：四川大學(xué)，2003.
[3]陳誠高。神經(jīng)網(wǎng)絡(luò )技術(shù)在商業(yè)銀行信用風(fēng)險評估系統中的應用研究[D].江蘇：東南大學(xué)，2006.
[4]李萌，陳柳欽�；� BP 神經(jīng)網(wǎng)絡(luò )的商業(yè)銀行信用風(fēng)險識別實(shí)證分析[J].南京社會(huì )科學(xué)，2007.1.
[5]高志。SOM 神經(jīng)網(wǎng)絡(luò )模型在商業(yè)銀行信用風(fēng)險評估中的應用研究[J].電腦知識與技術(shù)，2007.
[6]宋麗華�；谏窠�(jīng)網(wǎng)絡(luò )與證據理論的商業(yè)銀行信用風(fēng)險評估[D].黑龍江：哈爾濱工業(yè)大學(xué)，2010.
[7]翟萬(wàn)里。 基于人工神經(jīng)網(wǎng)絡(luò )的商業(yè)銀行信用風(fēng)險評估模型研究[D].湖南：長(cháng)沙理工大學(xué)，2013.
【商業(yè)銀行信用風(fēng)險計量中神經(jīng)網(wǎng)絡(luò )法的運用論文】相關(guān)文章：
試論在歷史教學(xué)中運用自主學(xué)習法論文11-16
環(huán)境科學(xué)人工神經(jīng)網(wǎng)絡(luò )運用論文11-25
游戲在幼兒教育中的運用論文12-04
ERP在企業(yè)采購管理中的運用論文11-15
情景再現中的播音主持運用論文11-18
陜北秧歌在舞蹈教學(xué)中的運用論文11-09