基于BP神經網絡的手機銀行風險預警模型研究

黃夢宇

（南海農村商業銀行，廣東 南海 528200）

手機銀行在傳統銀行的基礎上發展而來，其必然包含傳統銀行的部分風險，但同時也面臨新的技術風險。而手機銀行作為一項較新的業務，關于其風險預警的研究尚不多，只有一些學者提出了其對手機銀行風險的定性研究。因此，本文將在綜合分析以往研究成果的基礎上，從傳統銀行風險、技術風險、業務風險三個角度，提出手機銀行風險評價指標體系，并運用BP神經網絡對手機銀行風險進行預警。

構建一個準確的手機銀行風險預警模型，對于防范和化解風險，具有重要的指導意義。傳統的預警模型主要采用線性數學的方法對風險進行預測，這些方法存在難以處理非線性數據、自學習能力差、不具備動態預測能力等缺陷，在解決手機銀行風險的預警問題上有較大的局限性。隨著人工智能的發展，我們可以提出一種全新的思路，將BP神經網絡引入以解決智能預警的問題。

一、手機銀行風險預警指標的設置

本文在參考學術界關于手機銀行風險研究成果的基礎上，對手機銀行風險進一步識別，并采用德爾菲法（Delphi）來確定相關指標，采用定量分析的層次分析法（AHP）來確定各指標的權重。

（一）風險識別

手機銀行風險識別就是綜合運用各種方法，甄別手機銀行所面臨的風險, 并分析風險的表現形式及對手機銀行造成的影響,為防范風險提供依據[1]。手機銀行既面臨著傳統銀行的風險，也面臨著新的風險，難以對手機銀行面臨的所有風險一一列舉，本文主要選取了對手機銀行影響較大的風險進行研究，繪制出手機銀行風險全息圖。其中，某些風險同時隸屬于二級風險當中的某兩類，但為了制作全息圖的方便，根據該風險的偏向性做出了模糊劃分，這種劃分無礙于對手機銀行風險的研究。

圖1 手機銀行風險全息圖

（二）確定相關指標及權重

確定了這14個風險和對應的一籃子指標后，筆者向中國人民銀行廣州分行，工、農、中、建四家國有銀行的廣東省分行的專業人士發放了50份問卷。其中，回收問卷47份，有效問卷45份，有效率為90%。從問卷中得到三方面重要信息，一方面經過有關專業人士和有關學者的篩選，最終得到了表1所示的各項指標；第二個方面，問卷設計了相關指標重要性的參考分值，由專業人士和相關學者根據自身經驗和知識架構進行打分和排序，根據排序結果，利用AHP計算出各指標的權重，各指標權重如表1所示；第三個方面，要求受訪者根據自身實踐經驗以及理論基礎知識，采用1～5表示三級指標對手機銀行綜合風險的影響程度，這一部分獲取的數據為本文第三部分所用。

?

其中，三級指標是在預先制定的一籃子指標的基礎上，由專業人士和專家學者共同篩選所得。在制定一籃子指標時，主要參考了張紀（2006）提出的手機銀行風險[2]、何光輝等（2011）提出的手機銀行的新型風險[3]及劉以研等（2012）提出的手機銀行安全性的影響因素[4]等。

二、手機銀行風險預警指標閾值的確定

本文采用BP神經網絡構建手機銀行風險預警模型，其中將以預警三級指標作為輸入，以手機銀行風險預警度（“安全”或“風險”）為輸出。但我國手機銀行發展歷史較短，并沒有足夠的評價手機銀行風險的基礎數據，監管部門也缺乏相關數據記錄。因此，必須采用一定的標準衡量手機銀行的風險，本文通過調查問卷獲取的數據確定樣本輸入，同時采用臨界值法對樣本銀行的風險預警度進行劃分，確定BP神經網絡的輸出值。

具體而言，本文根據各指標閾值構建了一個“虛擬預警銀行”；同時，通過樣本銀行風險數值與權重做加權運算得到樣本銀行綜合風險值。將“虛擬預警銀行”的風險值視為風險預警的分界線，高于這一分界線的樣本銀行視為風險銀行，否則為安全銀行。

三、手機銀行風險預警模型的實驗檢驗

（一）數據綜合風險值的獲取

根據表1合成權重以及指標閾值的結果，采用加權求和的方法計算“虛擬預警銀行”的綜合風險值，結果為4.477。本文將4.477作為手機銀行風險的分界線，樣本銀行風險值高于4.477的為風險銀行，預警度取“1”；否則，樣本銀行為安全銀行，預警度取“0”。根據這一原則，45個樣本當中有40個安全樣本和5個風險樣本。

（二）BP神經網絡的訓練與檢驗結果

1.數據的歸一化和隱層節點的選取。將收集到的數據運用mapm inmax函數進行歸一化處理，使得所有的樣本數據落入[0,1]范圍之內，并根據歸一化后的數據來確定隱層節點數。在隱層節點數的選擇方面，本文采用經驗公式與試湊法相結合的方式進行。經過對比分析，隱層節點數選10較好，因為其訓練誤差平方和以及訓練步數都較小。

2.基于BP神經網絡的手機銀行風險預警模型的訓練。本文將經過歸一化處理后的指標值作為神經網絡的輸入，與之相對應的預警度（“0”或者“1”）作為期望輸出。本文一共45個訓練樣本，并隨機選擇了10個樣本作為檢測樣本，導入MATLAB的神經網絡工具箱進行訓練。圖2顯示，當訓練到76步時，網絡收斂，即達到訓練目標，此神經網絡的訓練完成。

3.基于BP神經網絡的手機銀行風險預警模型的預測。以隨機選取的10組歸一化后的指標值作為輸入，對應的預警結果作為期望輸出。通過將實際輸出與期望輸出進行比較，可以看出，期望輸出與實際輸出的差值很小。因此，經過訓練的BP網絡是有效的，可以運用該網絡對手機銀行風險進行預測。

?

四、結論

手機銀行是網絡銀行發展的重要階段，手機銀行的安全性研究是一個新興的領域。但目前的研究主要集中于定性介紹手機銀行面臨的風險類型，缺乏關于手機銀行風險的實證研究，還沒有系統性地提出風險預警模型，本文的研究可以為解決這個問題提供一個新的視角。本文在分析現有研究成果的基礎上，構建了手機銀行風險評價指標體系，運用BP神經網絡構建了手機銀行風險預警模型。通過實驗表明，運用該模型對手機銀行風險進行預測具有可行性，預測結果可以為風險評估提供一個有力的支撐。

[1]張龍濤.我國網絡銀行業務風險的分析[J].中央財經大學學報，2006，7:43-48.

[2]張紀.國際手機銀行發展、風險分析與安全策略[J].國際金融研究，2006，3:68-72.

[3]何光輝，楊咸月.手機銀行模式與監管:金融包容與中國的戰略轉移[J].財貿經濟，2011，4:46-54.

[4]劉以研，白璐.信息技術條件下的手機銀行安全問題研究[J].情報科學，2012，30(4):609-612.