基于GA-BP神經網絡和AHP法的銀行個人信用評估

蓋方 楊穎 解佳琦

摘要：隨著個人信貸在銀行貸款業務中的比例不斷上升，建立一個完善、自動化的個人信用評估體系來保證銀行的信貸收益十分重要。針對此現象，先建立了基于GA-BP神經網絡的個人信用評分預測模型，然后利用了因子分析與AHP模型建立了用戶信用等級的劃分體系，最后根據信用評分高低將信用等級劃分為：AA，A，BB，B，CC，C6個等級，完善了銀行個人信用評估體系，為金融機構規范個人信貸管理、減少投資風險起到重要的作用。

關鍵詞：個人信用評估;BP神經網絡;層次分析

0引言：

隨著市場經濟、法治進程的推進，中國某些缺乏市場秩序和道德規范的低信用度市場面臨著巨大的挑戰。對于個人信用評估問題，從銀行角度來講，失去了業務拓展的空間。國際金融界普遍認為，企業貸款相當于批發性業務，利率低、風險集中。而消費信貸相當于零售性業務，利率高、風險分散。在銀行的資產業務中，消費信貸含金量極高，建立較為完善的個人信用評估系統必不可少。

1.基于GA-BP神經網絡的個人信用評分模型建立：

1.1 BP神經網絡前饋計算

BP網絡是多層前饋型網絡的典型代表[1]，它由三個神經元層組成：輸入層、中間層和輸出層，相鄰之間的各神經元實現全連接。BP網絡中，輸入向量為X，且其中第i個節點的輸出記為zi;隱含層的輸出向量為Y，且，其中第j個節點的閾值[3]記為γj，隱含層第j個節點與輸入層第i個節點的連接權記為vji;輸出層輸出向量為O，且，其中第k個節點的閾值記為θk，輸出層第k個節點與隱含層第j個節點的連接權記為wkj。期望輸出向量為D，且。隱含層各單元輸入、輸出為：

1.2個人信用評分網絡的建立與誤差計算：

通過SPSS隨機抽取80%的客戶數據的（560個高信用度客戶和240個低信用度客戶）作為訓練集[2]，利用信用評價指標作為輸入層，銀行信用評分作為輸出層通過MATLAB進行BP神經網絡的構建訓練。BP神經網絡在第2282次迭代后停止計算，此時R=0.8761大于0.8，神經網絡表現良好。利用剩余的20%的客戶數據對所建立的模型進行信用評分計算，調用MATLAB var（a）函數與真實值對比求解，解得誤差為：9.37%。

2.基于因子分析和AHP的信用等級劃分：

表1是巴特利特球度檢驗和KMO檢驗，觀察可得：k值接近0.6，sig<0.05，故可以進行因子分析[4]。

2.1? AHP模型的建立與引入：

對10個指標如圖進行分層利用MATLAB語言求矩陣A的最大特征值得：λ=3.0183采用T.L.Saaty一致性檢驗：CI=（λ-n）/（n-1）。根據Saaty的隨機一致性檢驗，得RI=0.90一致性比例：CR=0.0158<0.1，通過一致性檢驗。

通過MATLAB進行歸一化處理得到各指標權重：

W=0.0757，0.1483，0.0926，0.0403，0.0527，0.1684，0.0685，0.1470，0.0611，0.1454。

W即為各個指標對信用等級的影響權重。

將信用評分劃分為6個等級：AA，A，BB，B，CC，C依次對應3.6-3.0，3.0-2.4，2.4-1.8，1.8-1.2，1.2-0.6，0.6-0的信用評分。根據權重對GA-BP神經網絡的到信用評分進行加權的到用戶最終的信用評分，從而進行評定信用等級，具體如表2所示：

3.結論：

本文采用BP神經網絡對客戶信用指標進行信用評分計算，建立的GA-BP神經網絡信用評分計算模型，優化算法是的誤差降低至2.31%，最后引入因子分析優化下的AHP模型做到了客戶信用等級的精確分類，提供了一套有效的銀行個人信用評故體系。

參考文獻：

[1]胡霄楠，史忠利BP神經網絡在雷達故障診斷中的應用研究。計算機測量與控制2006，14 （12）：1660——1662。

[2]鐘穎，汪秉文。基于遺傳算法的BP神經網絡時間序列預測模型。系統工程與電子技術。2002，24 （4）。

作者簡介：蓋方（1997—）女，漢族，安徽淮北人，本科，研究方向：信息管理與信息系統。