基于BP神經網(wǎng)絡的 商業(yè)銀行信用風險度量模型研究

曾嶸欣

摘 要：本文以商業(yè)銀行表內業(yè)務和表外業(yè)務為切入點，利用貴州省地方法人銀行的500戶信貸企業(yè)財務數(shù)據(jù)，改進BP神經網(wǎng)絡模型，模擬構建信用風險度量模型，取得了較好的效果。用信用風險度量模型對49家樣本企業(yè)進行預測，結果發(fā)現(xiàn)，該模型對信用風險的提示和預警具有較強的現(xiàn)實指導意義，有利于商業(yè)銀行提高防控信用風險的能力，也有利于中央銀行量化差別化貨幣政策、提高宏觀審慎管理效率。

關鍵詞：信用風險度量；BP神經網(wǎng)絡；預測

中圖分類號：F830.33 文獻標識碼：A 文章編號：1674-2265（2018）06-0068-06

DOI：10.19647/j.cnki.37-1462/f.2018.06.010

一、引言

有效防控信用風險是商業(yè)銀行金融風險管理中最為關鍵也最具挑戰(zhàn)性的領域，而對商業(yè)銀行信用風險進行精確的評估是其中的核心問題。西方國家信用風險評估理論先后經歷了傳統(tǒng)的主觀分析、財務比率分析及人工智能的應用階段。20世紀90 年代以來，人工智能和IT技術的快速發(fā)展為信用風險度量提供了新的思路與方法。專家系統(tǒng)、神經網(wǎng)絡、決策支持系統(tǒng)、遺傳算法等被引入信用風險評估中，有效克服了傳統(tǒng)統(tǒng)計分析方法對數(shù)據(jù)嚴格要求的假設。其中，神經網(wǎng)絡模型（Artificial Nerual Network，ANN）具有更準確的預測能力。如Back（2006）用遺傳算法對輸入指標進行篩選，并將其與ANN相結合，對破產企業(yè)在破產前三年的數(shù)據(jù)進行分析，結果表明 ANN網(wǎng)絡模型的判別準確率較高。

隨著我國金融業(yè)的快速發(fā)展，越來越多的學者和實業(yè)界人士開始關注商業(yè)銀行貸款企業(yè)信用風險評估的研究。其中，王春峰（1999）、楊保安（2001）等學者采用人工神經網(wǎng)絡并對其應用于信用風險分析的可行性進行了論述，著重對構建商業(yè)銀行信用風險分析的人工神經網(wǎng)絡模型進行了深入細致的研究。吳沖和吳德勝（2009）等研究了神經網(wǎng)絡在信用風險評估領域的應用，分別基于自適應神經網(wǎng)絡、Elman 回歸神經網(wǎng)絡研究信用風險評估問題，并將遺傳算法繁衍樣本策略與神經網(wǎng)絡相結合，提出運用遺傳算法輔助網(wǎng)絡訓練策略，構建了相應的神經網(wǎng)絡信用風險評估模型，在一定程度上克服了傳統(tǒng)網(wǎng)絡模型易出現(xiàn)局部極小值的不足。

從國內的研究現(xiàn)狀來看，商業(yè)銀行信用風險評估的研究尚處于起步階段，商業(yè)銀行信用風險評估指標的權重仍大多采用專家判斷法來確定，具有較大的主觀隨意性，使信用風險的評價結果難以反映企業(yè)的真實狀況。而對于神經網(wǎng)絡方法在商業(yè)銀行信用風險評估中的應用研究，多從規(guī)避神經網(wǎng)絡模型缺陷的角度出發(fā)，進行組合模型的研究，這往往需要使用者本身具備比較深厚的模型理論功底，在一定程度上增加了模型推廣應用的難度。

鑒于此，本文從實用性角度出發(fā)，剖析商業(yè)銀行信用風險評估的影響因素，在此基礎上，構建相對全面、合理的評估指標體系。在眾多的神經網(wǎng)絡模型中，誤差反向傳播（BP）神經網(wǎng)絡是目前最為成熟的神經網(wǎng)絡模型，為了更好地實現(xiàn)其推廣應用價值，本文區(qū)別于其他關于組合模型的應用研究，而主要基于模型自身相關參數(shù)的調整和改進來規(guī)避其固有的應用缺陷，這將使得改進后的模型更具有應用上的可操作性。

二、人工神經網(wǎng)絡基本理論

（一）組成方式及工作原理

人工神經網(wǎng)絡是由大量簡單的處理單元廣泛連接組成的復雜網(wǎng)絡，每個神經元可以看作是神經網(wǎng)絡的基本運算單元。神經元之間是非線性映射，通過調整權重和閾值來“學習”或發(fā)現(xiàn)變量之間的關系，整個神經網(wǎng)絡的信息處理也都是通過這些神經元之間的相互作用而實現(xiàn)。

人工神經網(wǎng)絡的運算過程具有學習和工作兩個階段。在學習階段，將要教給神經網(wǎng)絡的信息作為輸入、預期目標作為輸出來訓練網(wǎng)絡，使網(wǎng)絡參數(shù)（包括權值、閾值等）調整到最佳。在工作階段，對于已經訓練好的神經網(wǎng)絡，網(wǎng)絡參數(shù)不變，將一組新的樣本作為輸入變量輸入到網(wǎng)絡中，通過運用神經網(wǎng)絡已獲得的運算規(guī)則進行處理，得到相應的輸出結果。同時，人工神經網(wǎng)絡在學習過程中具有自學習與自適應能力，能夠朝著誤差減少的方向，逐步改變各層次神經元的權重值，以適應周圍環(huán)境的要求。通常情況下，神經網(wǎng)絡具有兩種不同的學習訓練方式：一種是有導師的學習算法，主要利用給定的樣本標準來調整各神經元的權值系數(shù)，以達到對樣本數(shù)據(jù)進行分類或模仿的目的；另一種是無導師的學習算法，只規(guī)定學習方式或學習規(guī)則，具體的學習內容隨輸入信號不同而不同，系統(tǒng)能自動發(fā)現(xiàn)并學習和儲存環(huán)境特征及規(guī)律，可以自動地調整連接權值，以便對輸入樣本分組聚集，這種學習方法更接近于人腦的功能。

（二）BP人工神經網(wǎng)絡模型

BP神經網(wǎng)絡（ Back Propagation）是一種采用誤差反向傳播的學習算法，是由一個輸入層、一個或多個隱含層及一個輸出層組成的階層型神經網(wǎng)絡。每層由一定數(shù)量的神經元構成，相鄰層之間的神經元如同人的神經細胞一樣是互相連接的，而每層的神經元之間無連接。輸入信號先由輸入層向前傳播到隱結點，經過變換函數(shù)的處理之后，把隱結點的輸出信息傳播到輸出結點，再給出輸出結果。研究發(fā)現(xiàn)，網(wǎng)絡的擬合精度與網(wǎng)絡層數(shù)和每層節(jié)點數(shù)正相關。增加網(wǎng)絡層數(shù)雖然可提高擬合精度，但會使網(wǎng)絡復雜化，同時增加訓練時間。依據(jù)Kolmogorov理論，在一定條件下，對于任意給定的ε>0，存在一個三層神經網(wǎng)絡結構，它能以ε均方差的精度逼近任意連續(xù)函數(shù)或精確數(shù)據(jù)分類，可解決現(xiàn)實中大部分非線性的數(shù)據(jù)處理問題，應用也最為普遍。

BP 神經網(wǎng)絡的算法學習步驟如下：一是從總體樣本中選取一部分作為訓練樣本，將其信息輸入到網(wǎng)絡中；二是樣本信息經網(wǎng)絡隱含層的處理后由輸出層輸出；三是計算網(wǎng)絡的實際輸出和期望輸出的誤差值；四是從輸出層開始反向計算到第一個隱含層，按照誤差減少的原則調整整個網(wǎng)絡的權值；五是重復以上步驟，直到網(wǎng)絡的總誤差達到目標誤差值為止。

通過以上步驟的反復訓練之后，網(wǎng)絡各節(jié)點之間的連接權值就完全得到確認，此時，可以用來對未知樣本進行識別預測處理。

三、商業(yè)銀行信用風險度量模型構建及運用

（一）商業(yè)銀行信用風險度量的指標體系建立

本文在構建評估指標體系時遵循以下兩個步驟：首先依據(jù)以往研究構建的影響因素，對指標進行初選；然后運用統(tǒng)計方法，結合專家咨詢，對初步確定的指標進行篩選，剔除對信用風險評估貢獻不大及相關性較強的指標，增加遺漏的主要指標，以此完善評價指標體系，最后得出商業(yè)銀行信用風險評估指標體系。依據(jù)上述方法，在確定評價指標影響因素的基礎上，從盈利能力、發(fā)展能力、營運能力、償債能力、現(xiàn)金流能力等五個方面對評價指標進行選擇，結合已有研究成果，得出本文所采用的財務指標，如表1所示。

（二）改進 BP 神經網(wǎng)絡模型

由于 BP 網(wǎng)絡采用的是誤差反向傳播的算法，在網(wǎng)絡結構較大時存在計算時間長、易陷入局部極小值而得不到最優(yōu)結果的缺點。本文采用以下兩種方法對標準 BP 神經網(wǎng)絡算法進行改進：

一是增加動量項。動量項反映了以前積累的網(wǎng)絡權值調整經驗，從前次權值的調整量中取出一部分疊加到本次權值的調整量中，使得網(wǎng)絡權值的變化保持一定速度水平，減小了算法在網(wǎng)絡權值調整過程中的震蕩趨勢，以提高訓練速度，有效地解決標準 BP 算法易陷入局部極小值的不足。

二是自適應調節(jié)學習速率。BP 算法在數(shù)據(jù)處理過程中采用梯度下降法，即利用誤差對于權、閾值的一階導數(shù)信息來指導下一步的權值調整方向，以使得最終得到總誤差最小。為了保證網(wǎng)絡收斂，算法的學習速率η必須小于某一上限，一般取0<η<1，而且當誤差越接近極小值時，由于梯度變化值逐漸趨于零，算法的收斂會越來越慢。為了提高學習速度，需要采用較大的學習速率，這又會導致網(wǎng)絡在穩(wěn)定點附近振蕩，使循環(huán)次數(shù)增加，甚至致使網(wǎng)絡不收斂。為有效解決這一困境，本文采用增加學習速率自調整的策略，使其該大時則增大，該小時則減小。具體說，當網(wǎng)絡權值修改使得誤差信號趨向于減小，則加大下一次學習過程的學習速率值；當網(wǎng)絡權值修改使得誤差信號增大，則減小下一學習過程的學習速率值。

經過上述改進后的BP算法，能夠有效地降低模型運算的震蕩幅度與次數(shù)，保證算法的收斂性，加快收斂速度，具有相當重要的實際應用價值。

（三）商業(yè)銀行信用風險度量模型的構建

1. 樣本的選取及數(shù)據(jù)集劃分。本文在貴州省地方性法人銀行機構（貴州銀行、貴陽銀行和貴州省農信社）的信貸客戶中隨機選取500戶有信貸業(yè)務的企業(yè)，其中，250戶企業(yè)發(fā)生過表內信貸業(yè)務，250戶企業(yè)發(fā)生過表外信貸業(yè)務。從企業(yè)信用狀況來看，300戶企業(yè)信用狀況良好，200戶企業(yè)出現(xiàn)過逾期。從貴州省工業(yè)景氣調查監(jiān)測企業(yè)中選取49戶無信貸業(yè)務企業(yè)，總計549戶企業(yè)，從企業(yè)的所屬行業(yè)來看，包含制造業(yè)、能源動力、建筑業(yè)、交通、醫(yī)藥、電子、商貿、咨詢、材料等多個行業(yè)，具有較強的代表性，同時對樣本企業(yè)的財務數(shù)據(jù)進行標準化處理。

2. BP模型的參數(shù)設定。本文構建的商業(yè)銀行信用風險評估的BP神經網(wǎng)絡模型采用包含輸入層、單隱含層和輸出層典型的3 層結構。輸入層的節(jié)點數(shù)由本文構建指標體系的13個財務指標確定，即輸入層有13個神經元。輸出層節(jié)點數(shù)設定為1個，假設輸出值接近于 0 時，為正常企業(yè)；輸出值接近于1時，為違約企業(yè)。隱含層節(jié)點數(shù)初始值為7 個，隨后將采用試湊法確定網(wǎng)絡誤差最小時對應的隱節(jié)點數(shù)。由此構成一個13-7-1型的初始三層 BP 神經網(wǎng)絡模型。初始設置最大的訓練次數(shù)為 50000 次，即當網(wǎng)絡的訓練次數(shù)達到 50000，停止訓練。根據(jù)軟件要求及模型的需要，本文設置的誤差精度是0.65×10-3，當兩次的迭代結果誤差小于該值時，系統(tǒng)會結束迭代運算。 隱含層和輸出層的激勵函數(shù)均選擇對數(shù) S 型函數(shù)即 tansig函數(shù)。學習函數(shù)設定為梯度下降動量學習函數(shù)（Learngdm）。自適應調整學習速率并附加動量因子的梯度下降反向傳播算法函數(shù)（traingdx），該算法是梯度下降法與自適應調整學習速率法組合優(yōu)化算法，具有收斂速度快、學習效果好、計算精度高的特點，提高了神經網(wǎng)絡的學習速度并增加了算法的可靠性。網(wǎng)絡收斂的誤差性能函數(shù)采用最小均方誤差值 MSE，目標值定為 0.0001。

以往國內對信用風險的度量集中于傳統(tǒng)的信貸業(yè)務，但近年來表外業(yè)務快速發(fā)展，僅測度表內信貸業(yè)務遠不能全面客觀反映商業(yè)銀行面臨的信用風險，因此本文將分別構建表內和表外業(yè)務的信用風險度量模型。

3. 表內業(yè)務信用風險度量模型建立和檢驗。

（1）劃分數(shù)據(jù)集。根據(jù)本文的研究思路和BP網(wǎng)絡評估模型建立需求，將250個表內樣本數(shù)據(jù)分為訓練組X21和測試組X22。其中訓練組X21 為125個樣本（50個違約樣本和 75個正常樣本），測試組X22為125個樣本（50 個違約樣本和 75 個正常樣本）。

（2）模型建立。針對表內業(yè)務數(shù)據(jù)組進行BP神經網(wǎng)絡訓練過程，反復調試后當隱含層節(jié)點數(shù)為 7 個時，當網(wǎng)絡迭代運算 290 次之后，網(wǎng)絡性能為 0.000632，滿足設定誤差限值 0.65×10-3，且此時神經網(wǎng)絡模型的誤差最小。停止迭代運算，網(wǎng)絡訓練完畢。以0.01為判別閾值，當輸出值與實際值之差大于0.01時，認為出現(xiàn)誤判；反之亦然。

（3）模型檢驗。構建的表內業(yè)務信用風險測度模型表現(xiàn)出了較好的擬合效果。下面將利用測試樣本數(shù)據(jù)來檢驗模型的泛化效果。將125 組測試樣本數(shù)據(jù)輸入到訓練好的神經網(wǎng)絡模型中進行仿真測試，對其信用風險進行評估，結果如下：

4. 表外業(yè)務信用風險度量模型建立和檢驗。

（1）劃分數(shù)據(jù)集。根據(jù)本文的研究思路和BP網(wǎng)絡評估模型建立需求，將250個表外樣本數(shù)據(jù)分為訓練組X11和測試組X12。其中訓練組X11 為125個樣本（50個違約樣本和 75個正常樣本），測試組X12為125個樣本（50 個違約樣本和 75 個正常樣本）。

（2）模型建立。針對表外業(yè)務數(shù)據(jù)組進行BP神經網(wǎng)絡訓練過程，反復調試后，隱含層節(jié)點數(shù)為7，當網(wǎng)絡迭代運算 290 次之后，網(wǎng)絡性能為0.000648，滿足設定誤差限值 0.00065，且此時神經網(wǎng)絡模型的誤差最小。停止迭代運算，網(wǎng)絡訓練完畢。以0.01為判別閾值，當輸出值與實際值之差大于0.01時，認為出現(xiàn)誤判；反之亦然。

（3）模型檢驗。構建的表外業(yè)務信用風險測度模型表現(xiàn)出了較好的擬合效果。下面將利用測試樣本數(shù)據(jù)來檢驗模型的泛化效果。將125 組測試樣本數(shù)據(jù)輸入到訓練好的神經網(wǎng)絡模型中進行仿真測試，對其信用風險進行評估，結果如下：

5. 商業(yè)銀行業(yè)務信用風險度量模型的運用。經過上面的測算，表內、表外的信用風險度量模型均已達到預期效果，下面將49個未貸款樣本分別放入兩個模型進行預測，為商業(yè)銀行的授信決策提供指引和參考（見圖1，圖2）。

從結果可以看出，22戶企業(yè)被表內、表外業(yè)務模型提示為高風險企業(yè)，從企業(yè)所屬行業(yè)來看，傳統(tǒng)的原材料生產及加工（煤炭采選6戶、金屬礦采選2戶、有色金屬冶煉及加工2戶）占比達45.5%。當前我國深入推進供給側結構性改革，傳統(tǒng)的原材料加工及生產企業(yè)多數(shù)屬于淘汰的落后產能，雖然工業(yè)產品的價格有所回暖，但缺乏先進產能的有效支撐，企業(yè)的生產經營仍然較為困難。企業(yè)普遍反映，生產技術老化、人工成本高企是制約企業(yè)經營的主要原因。加上環(huán)保要求越來越高，市場價格的回暖并沒有徹底改善經營效益。對貴州省地方法人金融機構部分重點行業(yè)監(jiān)測顯示：截至2017年9月末，貴州省地方法人金融機構對全省產能過剩行業(yè)的不良貸款余額5.8億元，不良貸款率達15.5%，高于全省金融機構不良貸款率13.43個百分點。

房地產企業(yè)也是高風險行業(yè)。在表內外BP網(wǎng)絡預警模型中有13.6%（3戶）提示為高風險企業(yè)。房企資金鏈緊張態(tài)勢仍未緩解，竣工面積大幅回落，土地市場持續(xù)低迷，截至2017年9月末，貴州省房地產業(yè)不良貸款余額為22.72億元，不良貸款率為1.21%，較年初升高0.42個百分點，高于全省金融機構不良貸款率增幅0.19個百分點。

從企業(yè)規(guī)模來看，小微企業(yè)被提示存在高危風險的為50%，分別高出中型企業(yè)、大型企業(yè)19.1個和24.7個百分點，是模型重點預警的區(qū)域。2017年9月末，貴州省小微企業(yè)不良貸款率為3.22%，較年初上升0.47個百分點，分別高于中型、大型企業(yè)不良貸款率0.88個、2.69個百分點，其中，單戶授信總額500萬元以下的小微型企業(yè)不良貸款率為7.23%，較年初上升1.07個百分點。個人經營性貸款不良率為4.07%，較年初上升0.71個百分點，高于全省金融機構不良貸款率兩個百分點。

綜上所述，表內、表外神經網(wǎng)絡BP模型對銀行業(yè)審批和風險防范有較強的預警效果，能給予銀行業(yè)信貸審批和貸中后管理較強的輔助作用。

四、主要結論及政策建議

本文從商業(yè)銀行信用風險管理的相關理論研究出發(fā)，構建了較為全面的信用風險評價指標體系，闡述了神經網(wǎng)絡技術在信用風險評估應用中的優(yōu)勢，建立了基于改進 BP 網(wǎng)絡模型的商業(yè)銀行信用風險評估模型，得到了較為精確的預測判斷結果。以上研究表明，本文所構建的表內外的信用風險評估模型在我國商業(yè)銀行信用風險評估中具有良好的應用前景，能對商業(yè)銀行的貸款決策活動起到有效的輔助作用，有利于其防范和降低信貸風險。通過理論建模到實證研究的過程，總結出以下結論：

一是表外業(yè)務的信用風險不容忽視。以往的研究僅從銀行的信貸業(yè)務出發(fā)度量和測算信用風險，已經不能全面客觀地反映銀行經營面臨的真實的信用風險。表外業(yè)務、中間業(yè)務等已成為金融機構主要利潤來源，應把表外業(yè)務納入信用風險測度范圍內，全面衡量當前商業(yè)銀行經營面臨的風險。

二是信用風險具有較強的地域特征。實證結果顯示，本文構建的表內外信用風險模型提示的高風險行業(yè)和高風險企業(yè)均與實際情況較為吻合，表明信用風險的測度具有較強的地域特征。而目前我國商業(yè)銀行經營中，多數(shù)采用統(tǒng)一的信用風險評估模式，因此存在較大的不適應性。為了有效監(jiān)測和預警信用風險，中央銀行應發(fā)揮更積極的作用，構建適合區(qū)域特征的信用風險模型，有效防范區(qū)域信用風險。

三是采用穿透式監(jiān)管。近年來，同業(yè)業(yè)務、股權投資和債券投資等大量金融創(chuàng)新快速涌現(xiàn)，跨市場、跨機構和跨地區(qū)的金融業(yè)務使傳統(tǒng)的金融監(jiān)管模式已經無法適應，監(jiān)管的盲區(qū)和空白區(qū)大量存在，金融風險的監(jiān)測和預警也較為滯后。監(jiān)管部門應加強協(xié)作，打破以往的監(jiān)管界限，采用穿透式的監(jiān)管原則，加強金融綜合統(tǒng)計能力，追根溯源確定風險源頭，有效防控金融風險。

參考文獻：

[1]閻慶民.中國銀行業(yè)風險評估及預警系統(tǒng)研究[M].北京：中國金融出版社，2005.

[2]Simon Haykin，葉世偉等譯.神經網(wǎng)絡原理[M].北京：機械工業(yè)出版社，2004.

[3]N.Vapnik. 1998. The nature of statistical learning theory， New York： Springer-Verlag.

[4]W.F.Messier，J.V.Hausen. 1985. Including rules for expert system development an example using default and bankruptcy data，Management Science，（9）.

[5]樓順天 ，施陽.基于 MATLAB的系統(tǒng)分析與設計—— 神經網(wǎng)絡 [M].西安： 西安電子科技大學出版社，2000.

[6]Odom M D，Sharda R A. 1990. Neural networks for bankruptcy prediction. International Joint conference on Neural Network，San Diego.

[7]Tam K.Y，M.Kiang. 1992. Predicting bank failures：A neural network approach，Decision Sciences，（23）.

[8]Lain M. 2004. Neural networks techniques for financial performance prediction：Integrating fundamental and technical analysis，Decision Support Systems.

[9]B.Back，T.Laitinen，K.Sere. 2006. Neural networks and genetic algorithms for bankruptcy predictions[A]，Expert Syst.Appl[c].

[10]E.Nur Ozkan-Gunay，Memed Ozkan. 2007. Prediction of bank failures in emerging Financial markets：all ANN approach[J].The Journal of Risk Finance，（5）.

[11]朱毅峰，銀行信用風險管理[M].北京：中國人民大學出版社，2006.

[12]張愛民，祝春山，許丹健.上市公司財務失敗的主成分預測模型及其實證研究[J].金融研究，2001，（5）.

[13]梁琪.企業(yè)信用風險的主成分判別模型及其實證研究[J].財經研究，2003，（29）.

[14]布慧敏.我國商業(yè)銀行信用風險量化度量方法研究[J].統(tǒng)計與決策，2005，（1）.

[15]王春峰，萬海暉，張維.基于神經網(wǎng)絡技術的商業(yè)銀行信用風險評估[J].系統(tǒng)工程理論與實踐，1999，（91）.

[16]楊保安，季海.基于人工神經網(wǎng)絡的商業(yè)銀行貸款風險預警研究[J].系統(tǒng)工程理論與實踐，2001，（5）.

[17]吳沖，呂靜杰，潘啟樹，劉云燾.基于模糊神經網(wǎng)絡的商業(yè)銀行信用風險評估模型研究[J].系統(tǒng)工程理論與實踐，2004，11（4）.

[18]吳德勝，梁操.遺傳算法優(yōu)化神經網(wǎng)絡及信用評價研究[J].中國管理科學，2009，12（1）.

[19]王衛(wèi)東.現(xiàn)代商業(yè)銀行全面風險管理[M].北京：中國經濟出版社，2001.

[20]章忠志，符林，唐煥文.基于人工神經網(wǎng)絡的商業(yè)銀行信用風險模型[J].經濟數(shù)學，2003，（20）.