基于結構化神經網絡的貸款風險預警方法

王宜剛

（湖南工業大學 財經學院，湖南 株洲 412007）

目前，人工神經網絡(Artificial Neural Networks，ANN)技術已得到大量研究，并廣泛應用于工程和科學等各種領域，用來處理從控制系統到城市規劃等各種問題。人工神經網絡強大的問題解決能力使其深受工程和科學領域相關研究者的青睞。近些年來，金融研究者和從業者也逐漸對人工神經網絡的應用產生興趣。有關ANN的應用研究很多，其中破產預測、金融市場預測、債務風險評估以及其在證券市場上的應用等是主要的研究方向。鑒于此，本文將探究人工神經網絡在商業銀行貸款處理中的應用。無論從構思上還是技術上講，將ANN應用于預警系統都是一個重大的突破。該應用不僅解決了利用傳統方式難以解決的非線性模型問題，還克服了其它許多難題如缺乏自適應性、低效率、低效益等，為預警系統的實際應用奠定了基礎。

1 貸款風險預警指標體系

貸款風險的預警信號(或稱為預警征兆要素)可歸結為如下幾類：會計要素、信息要素、組織要素和商業行為。本文主要關注財務狀況方面的一些預警信號，財務分析中透露的最重要的一個方面就是負債人的償還貸款能力。鑒于此，首先需要分析負債人的收益表和資產負債表，然后再分析其財務狀況、盈利能力和運營能力；這些研究分析包含了多種不同比率，其中最后一次分析結果決定了債務人的償款能力。這些不同的財務比率可分為以下四大類：盈利能力比率、運營能力比率、長期還款能力和短期還款能力。此外，每一種能力又擁有一組屬于自己的具體衡量指標。本文構建了一個用來評估銀行貸款風險的指標體系。該指標體系包含以上四種能力，共計15項指標，如表1所示。

需要注意的是：在處理神經網絡的輸入、輸出數據時，我們面臨的一個問題就是如何定義輸入和輸出數據向量。神經網絡的輸入數據表示貸款風險的特征，包含許多連續變量；而輸出決策大都是布爾離散向量。這就說明，當貸款風險正常時，輸出結果為(0,1)；而當風險超過正常范圍時，輸出結果為(1,0)。此外，所有數據都必須規范化，以便符合神經網絡輸入值的要求。為了便于描述結構化神經網絡模型，我們定義以下數學符號(如表2所示)。

表1 貸款風險預警指標體系

表2 本文中用到的數學符號

2 基于結構化神經網絡的貸款風險預警模型設計

結構化神經網絡模型及方法為非線性系統，特別是那些大型的、具有嚴重非線性特征系統的建模及結構優化給出了一條新的解決方案。采用結構化神經網絡構建的貸款風險預警模型如圖1所示。

圖1 基于結構化神經網絡的貸款風險預警模型

為了提高結構化神經網絡的學習效率，本文采用量化正交遺傳算法來訓練結構化神經網絡。量化正交遺傳算法的主要步驟如下：

(1)種群的初始化操作

步驟1依照下述公式對問題的可行空間[L,U]進行分割。

這里，L=[l1,l2,…,ln]T和U=[u1,u2,…,un]T分別指由優化問題所有n個自變量的下邊界及上邊界組成的集合，B是設計參數，1k指第k位是1，其它位是0的一個n維列向量，Li和Ui分別表示類似于L和U的n維列向量。最終將優化問題的可行空間[L,U]分割成B個子空間，即[L1,U1],[L2,U2],…,[LB,UB]。

步驟2在問題的各個子空間中，依照下述公式離散化各個自變量。假設自變量xi的可行域是[li,ui]，那么xi可被量化成Q1個水平ai1,ai2,…,aiQ1，這里Q1為奇數。

步驟3從每個子空間中挑選出M1個染色體。首先構造正交表LM1(QN1)=[αij]M1N，M1=QJ11，J1是滿足條件/(Q1-1)≥N≤的一個最小正整數，而N指問題相對應的優化維度。然后再從這QN1個組合里挑選出M1個組合來生成M1條染色體。

步驟4按照適應度值的大小，從M1B條潛在染色體里選取其中最優的G條來組成初始種群。

(2)交叉操作

步驟1假設要進行交叉操作的兩個父代個體為：它們所決定的求解空間[lparent,uparent]為：

步驟2將父代個體的求解空間離散化。將求解空間[lparent,uparent]離散化成Q2（奇數）份，如將第i維區間量化成βi1,βi2,…,βiQ2，其中：

步驟3將所有自變量進行隨機分組。隨機生成F-1個整數 1＜k1＜k2＜…＜kF-1＜n，對于每個染色體x=(x1,x2,…,xN)，均可產生以下F個因素：

為第i個因素定義如下Q2個水平

步驟4應用正交表從父代求解空間中選擇潛在子代點。構造正交表，J2是滿足條件的一個最小正整數；然后從這QF2個組合里挑選出M2個組合來生成相應的M2個潛在子代。

步驟5接著從這M2個子代以及它們的兩個父代里，選取其中適應度最高的兩個個體來作為該次交叉的結果。

步驟6如果交叉操作次數達到預設值，則停止交叉操作；否則，重復步驟2繼續執行交叉操作。

(3)變異操作

步驟1從需要變異的個體集合中隨機選擇一個需要進行變異操作的父代染色體。

步驟2然后隨機選取N個自變量中將要發生變異的一個來進行操作。

步驟3使用微攝動方法來獲得發生變異后的子代個體。微攝動的具體操作如下：將步驟2中所選擇自變量的值依次微調為其初始值的，和倍，其中σ為設計參數。微調后就可獲得四個相應的子代染色體。

步驟4從這四個子代及一個父代個體中選取最優的一個來作為本次變異操作的結果。

步驟5如果當前已進行的變異操作次數已達到預設值，則停止變異操作；否則，繼續重復執行變異操作。在每次迭代中，變異操作共執行10次。

3 應用實例

為了驗證本文結構化神經網絡模型的正確性和有效性，我們采用部分實證數據來驗證本文方法的可行性和有效性。本文應用40家公司的實際數據作為學習樣本，對構建的結構化神經網絡模型進行訓練。然后采用10家公司的實際數據作為測試樣本，對已經學習好的結構化神經網絡進行檢驗和測試。測試結構如表3所示，不難看出，采用本文結構化神經網絡對貸款風險預測的準確率非常好。本章中的應用實例不僅驗證了本文模型和方法的有效性，而且還證明結構化神經網絡是處理預警問題的一個好工具。

表3 本文結構化神經網絡的預測結果

4 結束語

本文的主要創新點可總結為：針對貸款風險預警問題，設計了貸款風險預警指標體系，基于結構化神經網絡構建了貸款風險預警模型，借助應用實例證實了本文所提出的模型及方法的高效性，同時還證明了結構化神經網絡是處理預警問題的一個好工具。

[1]S.Feng,L.Xu.An Intelligent Decision Support System for Fuzzy Comprehensive Evaluation of Urban Development[J].Expert Systems with Applications,1999,16(1).

[2]S.Shi,L.Xu,B.Liu.Improving the Accuracy of Nonlinear Combined Forecasting Using Neural Networks[J].Expert Systems with Applica?tions,1999,16(1).

[3]T.Quah,B.Srinivasan.Improving Returns on Stock Investment through Neural Network Selection[J].Expert Systems with Applica?tions,1999,17(4).

[4]K.Fanning,K.Cogger.Neural Network Detection of Management Fraud Using Published Financial Data,International Journal of Intelli?gent Systems in Accounting[J].Finance and Management,1998,7(1).

[5]R.Hashemi,L.Blanc,C.Rucks,A.Rajaratnam.A Hybrid Intelligent System for Predicting Bank Holding Structures[J].European Journal of Operational Research,1998,109.