基于BP神經網絡的資產證券化信用風險評測

內容摘要：資產證券化是依托特定的資產組合或者現金流為支撐而發行的債券，也是融資途徑的一種方式，它可以將流動性差、可產生預見穩定現金流的資產轉換成有較強流動性的債券形式，從而在市場上流通。資產證券化的這種優勢給金融機構提供了快速處置不良資產的有效途徑。資產證券化這種金融衍生品近年來在我國得以應用，其優良的特性使其受到廣泛的關注。資產池信用評測在資產證券化過程中發揮著至關重要的作用，本文的思路是構建一個盡可能涵蓋資產證券化各參與方的風險控制體系，以可測量的指標來反映資產證券化信用違約率。運用BP神經網絡模型對資產證券化資產池信用進行測評，從債務方、發起方、信托機構三方，選取不同的影響因素，對我國資產證券化實例進行實證分析，以期能夠為我國資產證券化信用風險評測提供參考。

關鍵詞：資產證券化 信用風險 BP神經網絡

引言

資產證券化是依托特定的資產組合或者現金流為支撐而發行的債券，也是融資途徑的一種方式，它可以將流動性差、可產生預見穩定現金流的資產轉換成有較強流動性的債券形式，從而在市場上流通。資產證券化的這種優勢給金融機構提供了快速處置不良資產的有效途徑。資產證券化是一個復雜的過程，涉及多方面的參與。債務人、發起人、特殊信托機構和投資者是資產證券化價值運動的主要參與人，其他機構是為該信托提供服務的。資產支持證券成功發行，需要考慮多種因素，對于理性投資者來說，投資都需要考慮成本和收益，衡量投資風險。

資產支持證券發行成功與否關鍵在于風險是否能夠控制在投資者可接受的范圍。對于證券化的債券來說，其資產池的組成資產中包括不同信用等級與不同風險類別的資產，需要對資產池綜合風險進行客觀衡量。近年來，尤其是2008年之后，伴隨著金融風暴席卷全球，各類商業銀行紛紛要求進行資產證券化運作，以增強其整體資產的流動性，提高銀行抗風險能力。但是作為一種金融創新工具，資產證券化在我國金融市場還處于初級階段，發展并不成熟，再加上我國信用基礎相對薄弱，企業數據公布透明度不高，以及資產證券化的信用風險評測困難，這都嚴重阻礙了我國資產證券化的成長進程。

基于此，本文將運用現有的數據對資產證券化的信用風險測評進行實證分析，從而建立一個適合我國實際的資產證券化信用風險測評體系。

相關文獻綜述

李公科（2011）通過對美國次貸危機產生的根源進行研究，認為資產證券化良性運作，需要有效的監管制度對其進行監督，控制風險。曾卉（2008）從信用、定價和操作風險三方面進行研究，給出我國資產證券化風險控制參考。王江南（2007）利用數學計量，對住房抵押貸款證券化進行研究，提出了風險控制建議。李睿（2006）結合《新巴塞爾協議》，從體制創新方面對房地產業貸款進行研究，認為應建立系統的風險控制體系，融合其他金融衍生產品，進行風險控制。宋宸剛（2008）認為，就中國資產證券化成長狀況，以發起機構為主導，其風險控制應以對發起機構的風險控制為核心。Gorton和Souleles（2005）對資產證券化過程中的特殊目的信托進行研究，闡述了SPV在資產證券化中起到的作用，認為SPV能降低企業破產成本。Robert（2001）考察了影響個人住房抵押貸款違約的因素，包括年齡、職業、學歷、家庭收入、債齡、貸款年限、貸款總額等。

上述文獻為資產證券化風險控制提供了多方的重要參考，但是也存在諸多不足，一方面，眾所周知，監管體制的完善并非一蹴而就的，事實上可能是一個長期的復雜的過程，這也導致其應用性不強；另一方面，資產證券化涉及多個方面的利益參與者，而單從某一方面闡述參與者控制風險顯然也并不符合理論，所以本文的思路是構建一個盡可能涵蓋資產證券化各參與方的風險控制體系，以可測量的指標來反映資產證券化信用違約率。

研究設計與數據來源

（一）指標選取

針對我國資產證券化實例，本文在前期選取了11個指標來構建資產證券化信用違約風險體系，具體指標如表1所示。

信用違約風險，我們運用次級債券的實際收益率，原因是次級債券償付在其他等級債券償付之后，也即是當其他債券的計劃償付完畢，剩下的全都支付次級債券的利息，而次級債券的本金償付是信托最后的償付階段，即其他債券本息償付完畢之后，才能償付次級債券的本金，這也就說明，此信托資產最終承受風險的是次級債券，也即本文所指的信用違約風險，次級債券收益率越高，信用違約風險越低，反之，次級債券收益率越低，信用違約風險越高。

由于資產證券化債務人涉及比較多，且包括企業和個人借款，這里在對債務人進行信用違約測評時，利用債務人信用評級，并對其進行加權處理，取加權結果，并對照信用違約來評價債務人違約率。加權平均貸款年利率的計算方法如下：

加權平均貸款年利率

=

其中，Pn為每筆貸款余額，Rn為每筆貸款在初始起算日的執行年利率。

加權票面利率為債券發行時，除次級債券，各級別債券比例與其確定的票面利率的加權值。

付息頻率為每年信托機構需要支付給投資者利息的次數，這個指標在我國現階段的信托中，大多都是每年支付四次，而在我們對資產池進行信用違約風險測算時，我們選取的樣本點都存在相同的付息頻率，在MATLAB中進行神經網絡模擬時，這個指標需要除去，在進行模擬時，對于某一個指標如果樣本值完全相同，指標必須除去，否則會影響結果輸出（朱凱、王正林，2010）。

鑒于本文的思想，隨著樣本點的增加，如果出現不同的付息頻率，可以在程序中加入該指標，相應改變網絡結構即可。加權平均貸款剩余期限的計算方法如下：

加權平均貸款剩余期限

=

其中，Pn為每筆貸款余額，Tn為每筆貸款剩余期限（如同一筆貸款的本金分多期償還，則看成多筆貸款進行計算）。endprint

（二）BP神經網絡風險評測方法

現有的研究認為神經網絡是一種能適應新環境的系統（熊志斌，2010），它通過對過去的信息進行學習，從而具有分析、預測、推理、分類等功能，能夠仿效人類大腦去解決復雜問題的系統，在諸多領域取得廣泛應用。

它的應用類似大腦神經突觸連接的結構，它是基于此進行信息處理的數學模型，是對人腦的抽象、簡化和模擬，其組成部分是大量的神經元，其神經元之間通過加權連接，每個神經元有一種給定的輸出函數，即激勵函數。網絡輸出由神經元的連接方式、權重值和激勵函數確定，不同的結構，得到不同的輸出。圖1給出了包含一個隱含層的神經網絡結構。

從圖1可以看出，神經網絡有三層，分別為輸入層、隱含層、輸出層。對于輸入層的每一個神經元對應于一個指標，經過隱含層激勵函數的作用，隱含層輸出數據作為輸出層輸入數據，然后再經過輸出層激勵函數作用，輸出網絡結果。這里的隱含層相當于一個“暗箱”，經過“暗箱”處理，得出相應結果，也即是模仿人腦，提供給一個人信息，然后這個人可以根據這些信息，通過自己的經驗信息，得出一個結果。

但是在得出結果的過程中，需要一個訓練的過程，這包括兩個階段：第一個階段是對網絡進行訓練；第二個階段是對網絡進行檢驗。具體分析如下：

第一個階段是把樣本數據分為訓練組和檢驗組，并且利用訓練組信息對網絡進行訓練，這個階段的運作過程是：將各個事件的各個指標數據輸入，同時將每個事件對應的實際輸出賦予輸出層，設定誤差目標，訓練次數，學習步長，進行網絡訓練，當網絡誤差達到設定的誤差時，網絡訓練結束。

第二個階段是對訓練的網絡進行檢驗，這時利用檢驗組數據，將檢驗組各事件指標輸入，此時不對輸出層賦值，得出網絡輸出，將網絡輸出與檢驗組的實際輸出進行比較，如果誤差不大，那么網絡是有效的，否則，網絡是不能滿意的。不滿意的原因有很多，包括網絡結構不合理、樣本數據少、指標選取不合理等，此時需要根據不同情況進行修正。

當網絡檢驗過程通過以后，也即是網絡有效，此時可以運用訓練好的網絡對類似事件進行預測。神經網絡通過訓練能從大量信息中發現其規律，其預測精確度較高，精確率在80%左右。由于算法的不同，神經網絡分為很多種，本文采用BP算法，也即是BP（Back Propagation）神經網絡，即誤差反向傳播神經網絡結構，它是一種多層的前向型神經網絡，在這種模型中，信號前向傳播，誤差反向傳播。誤差反向傳播是指在誤差的調整過程中，從最終輸出層依次向前進行對各神經元連接權值進行調整，使誤差達到設定誤差目標。BP神經網絡隱含層通常運用sigmoid函數，就BP結構來看，一個隱含層基本能夠對任何函數進行逼近。

（三）樣本數據及來源

本文選取開元2005信貸資產證券化、開元2006信貸資產證券化、開元2008信貸資產證券化、浦發2007信貸資產證券化、興業2007信貸資產證券化、信銀2008信貸資產證券化、招元2008信貸資產證券化、浙元2008中小企業貸款證券化。經過整合，匯總出本文需要的數據，具體如表2所示。

對于各信托資產的次級債券收益率（到期收益率），數據來源于聯合資信評估有限公司，我們需要對到期收益率進行調整，而是利用實際收益率R-Adj，進行調整時用到期收益率減去同期國債利率，具體如表3所示。

實證分析

（一）網絡訓練與仿真

本文選擇MATLAB7.0進行模擬仿真，首先，需要對指標進行歸一化，對于每個指標，利用：

歸一化完成后，在MATLAB中調用BP網絡生成命令net=newff（minmaxP，[S1，S2]，{'tansig'，'logsig'}，'traincgf'）生成BP網絡并進行訓練。其中P為樣本點指標矩陣，S1，S2，分別表示隱含層和輸出層的神經節點數，在BP網絡中，通常利用S函數，這里分別設定隱含層激勵函數為tansig，輸出層激勵函數為logsig，網絡訓練函數為Fletcher-Powell共軛梯度算法（cgf）算法。BP網絡隱含層節點選擇對網絡訓練和預測有很大影響，網絡節點過多，網絡訓練精度就會增強，但是在網絡預測時，會導致過度擬合現象；網絡節點過少，則訓練精度相應會降低，所以，合理的隱含層節點是非常重要的。在本文中，通過多次試驗，得到相對較優的隱含層網絡節點數，即隱含層有12個神經元。

網絡訓練時，我們選取其中6個樣本點作為訓練組，分別為：開元08、浦發07、開元05、興業07、信銀08、招元08。選擇開元06和浙元08作為測試組。訓練次數設置為5000次，學習速率為0.001，誤差目標設定為e-6。網絡在進行了149次訓練之后，達到了設定的誤差目標e-6。

從表4可以看出，網絡仿真收益率較好的擬合了實際收益率。

（二）網絡測試

利用選取開元06和浙元08進行測試，得出測試結果為： 8.83%和6.20%，而其實際收益率為9.46%和8.01%，可以看出，測試結果比較接近實際數據，但是存在一定誤差，原因可能是：可能由于網絡本身的原因，即網絡自身存在系統誤差，還則可能是由于數據樣本較少導致的，需要相應增加數據樣本量，隨著樣本數據量進一步增大，網絡仿真的效果將會得到不斷改善。再者，影響資產池違約風險因素眾多，不僅包括資產池各類資產本身的風險，還包括市場風險、政府政策變化、法律關系調整和隨機因素的影響等等，所以誤差的存在是必然的，但是相應的誤差應該是在可以接受的范圍內。說明選取的這些指標基本能夠滿足對資產證券化信用違約的測評，本文設計的網絡評測系統基本可以滿足要求，投資者在進行投資時可以以這些指標作為參考，進行相應的投資決策。

結論

金融產品收益的不確定性，將會給經濟主體的生產生活等帶來非預期和非計劃的后果。對微觀的個人或家庭來說，可能影響其生計和投資；而對于企業等經濟組織來說，可能因此停止正常的經營，直至破產。就一個國家而言，金融活動貫穿于社會經濟活動的全過程并為其提供服務，因此，社會性的金融產品風險將會導致金融市場紊亂和經濟增長率的下降，使整個社會財富減少。對于一個國家、一個地區或經濟共同體來說，金融產品的風險受到外來沖擊的影響，且與該國、該地區或經濟共同體的對外開放度正相關，即經濟開放度越高，與世界經濟的聯系越密切，外來金融產品風險對本國、本地區或經濟共同體的影響就越大。因此，包括資產證券化在內的眾多金融創新產品的開發或引入必須是一個逐步的漸進的過程。endprint

資產證券化作為金融創新產品，能夠較好地解決資產流動性較差的問題，有效緩解不良貸款回收的壓力，因此受到銀行類金融機構和資產管理公司的一致青睞，紛紛進行相應嘗試。但是，必須指出的是，在其獲得廣泛應用的同時，更需要對其風險進行科學合理的衡量，本文結合中國資產證券化大量的實例，嘗試構建證券化資產風險測評體系，選擇次級債券實際收益率為主要測評指標，原因在于次級債券為風險的最終承擔者，這也就能合理的進行了轉化，然后利用BP神經網絡進行擬合和仿真測試，從本文的分析來看，從銀行、債務人、SPV三方面構建的多指標測評體系，基本能夠滿足對資產證券化信用違約的分析預測。資產證券化的出現在很大程度上能夠較好解決企業融資問題，同時也為銀行快速處理不良資產提供了有效的途徑，進一步豐富金融產品種類，改善金融結構比例，能夠從整體上促進金融業的健康發展?？茖W的金融產品風險測評系統的構建，一方面，可以為金融機構提供決策依據，也能為投資者進行投資提供重要參考，另一方面，為政府職能部門的金融監管和相關金融政策的調整提供重要參考依據，總體上有利于金融市場的穩健運行。

由于我國的實際情況的原因，企業財務數據不易取得，信用基礎大都相對薄弱，所以本文在樣本數據的選擇上有些是進行的近似的估計，但是隨著資產證券化發展進程的加速，資產證券化規模的擴大和金融體系的不斷完善健全，在能夠獲取大量準確數據的情況下，應該構建更為科學完善的資產證券化信用風險測評體系，從而進行更為精確的分析和研究，提供更為系統科學的多方決策參考，這也是本文需要進一步努力與改善的地方，也是今后我國金融發展的方向。

參考文獻：

1.李公科.我國發展資產證券化問題與對策探討[J].現代商貿工業，2011（18）

2.曾卉.我國信貸資產證券化風險評估與控制研究[J].中國商界，2008（7）

3.王江南.住房抵押貸款證券化的提前償付風險與利率風險分析[J].上海商學院學報，2007（1）

4.李睿.中國商業銀行房地產貸款信用風險管理研究[D].華東師范大學，2006

5.宋宸剛.我國信貸資產證券化發起機構風險管理論析[J].社會科學家，2008（8）

6.Gorton. Garyand NicholasS.Souleles，"Special Purpose Vehicles and Securitization''，University of Pennsylvania working paper，2005

7.朱凱，王正林.精通MATLAB神經網絡[M].電子工業出版社，2010

8.熊志斌.基于遺傳進化型模糊神經網絡的信用風險評估模型構建及應用[M].華南理工大學出版社，2010

9.龐明，郭菊娥.不良資產證券化資產池信用風險測算研究—基于神經網絡[J]，2007（6）

10.吳崇.基于BP神經網絡的商業銀行供應鏈融資信用風險評價研究[D].浙江工業大學，2012

11.胡海青，張瑯，張道宏.供應鏈金融視角下的中小企業信用風險評估研究—基于SVM與BP神經網絡的比較研究[J]，2012（11）

作者簡介：

馬靜（1982-），女，漢族，河南南陽人，鄭州華信學院商學院講師，經濟師，碩士。主要研究方向為金融經濟。endprint

資產證券化作為金融創新產品，能夠較好地解決資產流動性較差的問題，有效緩解不良貸款回收的壓力，因此受到銀行類金融機構和資產管理公司的一致青睞，紛紛進行相應嘗試。但是，必須指出的是，在其獲得廣泛應用的同時，更需要對其風險進行科學合理的衡量，本文結合中國資產證券化大量的實例，嘗試構建證券化資產風險測評體系，選擇次級債券實際收益率為主要測評指標，原因在于次級債券為風險的最終承擔者，這也就能合理的進行了轉化，然后利用BP神經網絡進行擬合和仿真測試，從本文的分析來看，從銀行、債務人、SPV三方面構建的多指標測評體系，基本能夠滿足對資產證券化信用違約的分析預測。資產證券化的出現在很大程度上能夠較好解決企業融資問題，同時也為銀行快速處理不良資產提供了有效的途徑，進一步豐富金融產品種類，改善金融結構比例，能夠從整體上促進金融業的健康發展?？茖W的金融產品風險測評系統的構建，一方面，可以為金融機構提供決策依據，也能為投資者進行投資提供重要參考，另一方面，為政府職能部門的金融監管和相關金融政策的調整提供重要參考依據，總體上有利于金融市場的穩健運行。

由于我國的實際情況的原因，企業財務數據不易取得，信用基礎大都相對薄弱，所以本文在樣本數據的選擇上有些是進行的近似的估計，但是隨著資產證券化發展進程的加速，資產證券化規模的擴大和金融體系的不斷完善健全，在能夠獲取大量準確數據的情況下，應該構建更為科學完善的資產證券化信用風險測評體系，從而進行更為精確的分析和研究，提供更為系統科學的多方決策參考，這也是本文需要進一步努力與改善的地方，也是今后我國金融發展的方向。

參考文獻：

1.李公科.我國發展資產證券化問題與對策探討[J].現代商貿工業，2011（18）

2.曾卉.我國信貸資產證券化風險評估與控制研究[J].中國商界，2008（7）

3.王江南.住房抵押貸款證券化的提前償付風險與利率風險分析[J].上海商學院學報，2007（1）

4.李睿.中國商業銀行房地產貸款信用風險管理研究[D].華東師范大學，2006

5.宋宸剛.我國信貸資產證券化發起機構風險管理論析[J].社會科學家，2008（8）

6.Gorton. Garyand NicholasS.Souleles，"Special Purpose Vehicles and Securitization''，University of Pennsylvania working paper，2005

7.朱凱，王正林.精通MATLAB神經網絡[M].電子工業出版社，2010

8.熊志斌.基于遺傳進化型模糊神經網絡的信用風險評估模型構建及應用[M].華南理工大學出版社，2010

9.龐明，郭菊娥.不良資產證券化資產池信用風險測算研究—基于神經網絡[J]，2007（6）

10.吳崇.基于BP神經網絡的商業銀行供應鏈融資信用風險評價研究[D].浙江工業大學，2012

11.胡海青，張瑯，張道宏.供應鏈金融視角下的中小企業信用風險評估研究—基于SVM與BP神經網絡的比較研究[J]，2012（11）

作者簡介：

馬靜（1982-），女，漢族，河南南陽人，鄭州華信學院商學院講師，經濟師，碩士。主要研究方向為金融經濟。endprint

資產證券化作為金融創新產品，能夠較好地解決資產流動性較差的問題，有效緩解不良貸款回收的壓力，因此受到銀行類金融機構和資產管理公司的一致青睞，紛紛進行相應嘗試。但是，必須指出的是，在其獲得廣泛應用的同時，更需要對其風險進行科學合理的衡量，本文結合中國資產證券化大量的實例，嘗試構建證券化資產風險測評體系，選擇次級債券實際收益率為主要測評指標，原因在于次級債券為風險的最終承擔者，這也就能合理的進行了轉化，然后利用BP神經網絡進行擬合和仿真測試，從本文的分析來看，從銀行、債務人、SPV三方面構建的多指標測評體系，基本能夠滿足對資產證券化信用違約的分析預測。資產證券化的出現在很大程度上能夠較好解決企業融資問題，同時也為銀行快速處理不良資產提供了有效的途徑，進一步豐富金融產品種類，改善金融結構比例，能夠從整體上促進金融業的健康發展?？茖W的金融產品風險測評系統的構建，一方面，可以為金融機構提供決策依據，也能為投資者進行投資提供重要參考，另一方面，為政府職能部門的金融監管和相關金融政策的調整提供重要參考依據，總體上有利于金融市場的穩健運行。

由于我國的實際情況的原因，企業財務數據不易取得，信用基礎大都相對薄弱，所以本文在樣本數據的選擇上有些是進行的近似的估計，但是隨著資產證券化發展進程的加速，資產證券化規模的擴大和金融體系的不斷完善健全，在能夠獲取大量準確數據的情況下，應該構建更為科學完善的資產證券化信用風險測評體系，從而進行更為精確的分析和研究，提供更為系統科學的多方決策參考，這也是本文需要進一步努力與改善的地方，也是今后我國金融發展的方向。

參考文獻：

1.李公科.我國發展資產證券化問題與對策探討[J].現代商貿工業，2011（18）

2.曾卉.我國信貸資產證券化風險評估與控制研究[J].中國商界，2008（7）

3.王江南.住房抵押貸款證券化的提前償付風險與利率風險分析[J].上海商學院學報，2007（1）

4.李睿.中國商業銀行房地產貸款信用風險管理研究[D].華東師范大學，2006

5.宋宸剛.我國信貸資產證券化發起機構風險管理論析[J].社會科學家，2008（8）

6.Gorton. Garyand NicholasS.Souleles，"Special Purpose Vehicles and Securitization''，University of Pennsylvania working paper，2005

7.朱凱，王正林.精通MATLAB神經網絡[M].電子工業出版社，2010

8.熊志斌.基于遺傳進化型模糊神經網絡的信用風險評估模型構建及應用[M].華南理工大學出版社，2010

9.龐明，郭菊娥.不良資產證券化資產池信用風險測算研究—基于神經網絡[J]，2007（6）

10.吳崇.基于BP神經網絡的商業銀行供應鏈融資信用風險評價研究[D].浙江工業大學，2012

11.胡海青，張瑯，張道宏.供應鏈金融視角下的中小企業信用風險評估研究—基于SVM與BP神經網絡的比較研究[J]，2012（11）

作者簡介：

馬靜（1982-），女，漢族，河南南陽人，鄭州華信學院商學院講師，經濟師，碩士。主要研究方向為金融經濟。endprint