【導讀】疑面臨各種各樣的挑戰(zhàn)，對于金融風險的評估和管理的重要性日益加強。營業(yè)務領域和面向的群眾普及率大幅開闊與提高，可謂步步如履薄冰。和控制出現(xiàn)危機的主要原因。法、分類樹方法等。格的限制條件，并且不適用于我國目前的經(jīng)濟情況。因而我選用神經(jīng)網(wǎng)絡模型，進行我國商業(yè)銀行的信用風險的評估分析。神經(jīng)網(wǎng)絡模型對任意函數(shù)具有逼近能力、學習能力、自組織和自適應能力，能夠比較精確的描述因素之間的映射關系。并且神經(jīng)網(wǎng)絡模型在應用中的優(yōu)勢在。于，它結構簡單，學習方法快，推廣能力優(yōu)異。險進行一個較為準確的評估。專家制度的概述....

　　

【正文】 貸償還狀況 , 將這 36家企業(yè)分為正常和違約 (即不能如期償還貸款的企業(yè) )兩類。選擇 28 企業(yè)作為訓練集 , 其中正常和違約企業(yè)各為 14家 , 剩下 8 家企業(yè) , 除了留 2家作為應用實例外 , 全部作為測試集 , 測試集中的正常和違約企業(yè)各 3 家。網(wǎng)絡輸出結果為正常和違約兩種 , 對應的輸出值分別為布爾型離散變量 1和 0。實驗數(shù)據(jù)如表 1。 表 1 實驗數(shù)據(jù) 風險狀況 企業(yè)編號 WC/TA RE/TA ENIT/TA BE/BVID S/TA 輸出結果 正常 1 2 3 4 5 6 7 8 9 10 11 12 13 14 違約 1 2 23 3 4 5 6 7 8 9 10 11 12 13 14 正常 1 2 3 違約 4 5 6 正常 7 違約 8 模型的設計 權值的修改方式。一般，權值的修改有兩種方式：一是對于每一個訓練樣本，就調(diào)整一次權值，稱為 Online 處理，另一種是輸入全部的訓練樣 本后才修改一次權值，稱為 Batch 處理。其差別在于計算 W? 是從（ 1）式中的 pE 出發(fā)還是從有（ 2）式中的 E 出發(fā)。 Online 處理雖與生物神經(jīng)網(wǎng)絡的學習過程一致，針對特定的訓練樣本，能減少誤差，但可能增大其它訓練樣本的誤差，而我們的處理總是以減小總體誤差函數(shù)為目標， 采用后一種處理方式。 初始權值與初始輸入的確定 。 由于輸入初始值和初始權值對學習是否達到局部 最小和能否收斂關系很大 ， 有必要對輸入的初始值進行預處理 ， 即歸一化處理 。 我 24 們通過一定的處理方式將初始輸入調(diào)到較小的區(qū)間 [1， 1]內(nèi) ， 初始權值是通過隨機函數(shù)生成 [， ]之間的隨機數(shù)賦給各連接權 ,避免由于大的輸入或權值使網(wǎng)絡陷入飽和狀態(tài) 。 。 有時候 ， 網(wǎng)絡層次的增加可減少各隱含層單元總個數(shù) ， 同時使學習過程變得更容易 ， 但可能增加網(wǎng)絡的學習時間 。 在模式空間中 ,即使各樣本分布在相互犬牙交錯的復雜區(qū)域內(nèi) ， 三層神經(jīng)網(wǎng)絡就能構成所需要的復雜判別函數(shù) 。 由于本模型是用于模式分類的判別函數(shù)的神經(jīng)網(wǎng)絡 ,因此我們采用三層 BP 網(wǎng)絡 。 。 隱含層單元個數(shù)的選擇是十分復雜的問題 ， 它與所求解問題的要求、輸入輸出層的單元數(shù)都有關系 ， 目前主要依靠經(jīng)驗確定其數(shù)目 ， 還沒有一致認同的理論指導 。 一般說來 ， 隱含層單元數(shù)越多 ， 越有助于訓練樣本的擬合 ， 但同時也約束了模型的自由度 ， 降低了模型的泛化能力 ， 形成過度訓練 。 對于三層網(wǎng)絡 ，確定隱含層節(jié)點的主要經(jīng)驗法則是 ： 隱含層節(jié)點既不是各層中節(jié)點數(shù)最少的 ， 也不是最多的 ； 隱含層節(jié)點數(shù)介于輸入輸出節(jié)點數(shù)之和的 50%一 70%之間 ； 隱層節(jié)點數(shù)應小于學習樣本數(shù) ， 若節(jié)點數(shù)大于樣本數(shù) ， 則必有冗余節(jié)點可歸并 ， 若節(jié)點數(shù)等于樣本數(shù) ，則網(wǎng)絡成為插值網(wǎng)絡 ， 插信網(wǎng)絡的泛化能力較差 。 另外 ， 對于三層網(wǎng)絡 ， 確定隱層單元數(shù)的以下經(jīng)驗公式可供參考 。 ① 1n n m a? ? ? 其中 m 為輸入層單元數(shù)， n 為輸入層單元數(shù)， a 為 1— 10 之間的常數(shù) ； ② 22lognn? ， n 為輸入層單元數(shù) ； ③ 10()n niipC??? 式中 p 為樣本數(shù)， 1n 為隱層單元數(shù)， n 為輸入層單元數(shù)，如果 1in? ， 1( ) 0niC ?經(jīng)過多次反復試驗得知 , 在輸入節(jié)點數(shù)為 5, 輸出節(jié)點數(shù)為 1的情況下 , 隱層結點數(shù)取 3 時 , 網(wǎng)絡收斂最快 , 誤判率最低。 如下圖所示。 25 權值的調(diào)整公式及學習參數(shù)的確定采用最速下降法調(diào)整權值 , ， 對那些嚴重卷繞的非凸函數(shù)效果不佳 ， 往往不易收斂 ， 即使收斂也需很長時間 ， 這里采用改進 BP算法 ， 加上慣性項 ， 即 ( 1 ) ( )kj k j kjw n a w n?? ?? ? ? ? ? ( 1 ) ( )j j i jiw n a w n?? ?? ? ? ? ? 1n? 表示第 1n? 次迭代， ? 、 a 分別表示學習因子和動量因子，此法比最速下降發(fā)收斂速度快，對 ? 、 a 的確定，可以采用試值法 : 先初始化 ? 、 a 的值，再一次調(diào)整 ? 、 a 到合適的值，使網(wǎng)絡以較快速度收斂，又不出現(xiàn)震蕩。利用試值法得出本模型里的 ? 、 a 分別為 ， . 4． 3 模型結果及分析 對前述的實驗數(shù)據(jù)進行了計算 , 具體數(shù)據(jù)及計算結果見表 1。由計算得到所有 28個學習樣本的系統(tǒng)誤差 E 為 。從表 1 可以看出 , 在 14個正常企業(yè)中 ， 只有第 10 號企 業(yè)的輸出低于 (輸出為 ), 其它輸出均大于 , 在 14 個違約企業(yè)中 , 只有第 4號企業(yè)的輸出高于 (輸出為 ), 其它企業(yè)輸出均低于； 測試樣本中只有第 2 號樣本輸出不太理想 ( 輸出為 )， 很難從輸出結果判斷企業(yè)的種類 。 此時決策者容易犯第一類錯誤 , 即把測試樣本中信用好的 2 號企業(yè)誤判為信用差的企業(yè) , 但這比犯第二類錯誤 (即把信用差的企業(yè)誤判為信用好的企業(yè) ) 要好 ， 因為犯第一類錯誤時 , 銀行損失的是機會成本 , 而犯第二類錯誤就會給銀 26 行帶來真正的損失。因 此 ， 要盡量避免第二類錯誤的發(fā)生。試驗說明 , 本模型能達到這一效果 。 總的來說 ， 本模型判斷結果較好 , 從訓練、測試和應用的結果看 , 判斷準確率達 90%以上。判斷率很高的原因之一是神經(jīng)網(wǎng)絡具有很好的知識發(fā)現(xiàn)和特征抽取能力 , 另一原因可能是所有數(shù)據(jù)均為內(nèi)插數(shù)據(jù) 。 27 結 論 商業(yè)銀行信用風險評估是一個傳統(tǒng)而古老的話題。隨著市場競爭的日益激烈化，商業(yè)銀行對信用風險量化和風險評估模型化的要求也日益強烈。在這種情況下，國內(nèi)外眾多研究者在這方面進行了廣泛而深入的研究，設計了很多適應特定環(huán)境的信用風險評估模型，但這些模型都 存在一些局限性，無法適應現(xiàn)代信用風險評估的要求。神經(jīng)網(wǎng)絡技術因為具有顯著的解決非線性問題的特點，使它適合于構建信用風險評估分類模型?？傮w來說，神經(jīng)網(wǎng)絡模型具有以下優(yōu)越性： （ 1）神經(jīng)網(wǎng)絡是一種非參數(shù)化模型，具有很強的非線性映射能力和學習能力，比傳統(tǒng)的方法具有更好的分類準確度、自適應性和動態(tài)性。 （ 2）神經(jīng)網(wǎng)絡采用分布式存儲結構，網(wǎng)絡中少量單元的局部缺損不會造成網(wǎng)絡的癱瘓和全局影響，反映了神經(jīng)網(wǎng)絡的魯棒性。 （ 3）神經(jīng)網(wǎng)絡進行大規(guī)模并行處理，反映為同一層所有神經(jīng)元同時進行計算，并且每一神經(jīng)元存儲的信息也同時參 與計算。 （ 4）神經(jīng)網(wǎng)絡具有在新環(huán)境下的泛化能力和容錯能力，能夠處理有噪聲和不完全的數(shù)據(jù)。 （ 5）神經(jīng)網(wǎng)絡具有很強的數(shù)據(jù)融合能力，可以同時處理定量信息和定性信息。 （ 6）神經(jīng)網(wǎng)絡模型是一種多變量模型，它的輸入變量和輸出變量的數(shù)目是任意的。 根據(jù)我的學習和鉆研，我認為我國商業(yè)銀行應當借鑒國外成功的信用風險內(nèi)部評級模型經(jīng)驗，積極進行信用風險評估的研究和探索，收集廣泛、連續(xù)的數(shù)據(jù)，為系統(tǒng)精確的商業(yè)銀行建立信用風險評估模型做好各方面準備，盡快完成我國商業(yè)銀行風險管理由定性分析為主的傳統(tǒng)風險管理方式以定量分析為基 礎的定量與定性相結合的現(xiàn)代風險管理模式的過渡。具體而言，可以包括以下三點： (l)規(guī)劃商業(yè)銀行風險管理信息系統(tǒng)建設 。 構建定性與定量指標相結合的風險管理模型 ,科學測量風險分布以及計算預期損失 。 實現(xiàn)交易處理電子化和風險實時監(jiān)控 ,對業(yè)務及風險管理流程進行整合 ,使之科學化 。 (2)完善我國信用評級制度 ,建設權威性信用評級機構 建設全國性信用評級機構 ,制定統(tǒng)一的評級行為規(guī)范 ,體現(xiàn)評級機構獨立 、 客觀 、 公正的性質 ； 改變評級市場分割線狀 ,撇棄地方保護主義 ， 使評級結果完全真實的反映風險程度 ,擴大信用評級范圍 , 28 建立全社會信用評 級體系 。 (3)人民銀行內(nèi)部或者貨幣政策委員會下設內(nèi)部模型監(jiān)測職能系統(tǒng) ,提高人民銀行風險監(jiān)管的科學性 。 按照信用風險模型進行科學的壓力測試來監(jiān)測各家銀行計算出的風險評估的科學性與準確性 ,并在此基礎上建立起一套適應我國國情的信用風險評估體系 。 29 參 考 文 獻 [1]王永昌，《我國經(jīng)濟發(fā)展方式轉型的基本趨向》，中國政黨干部論壇， 2020； [2]盧文瑩，《金融風險管理》，復旦大學出版社， 2020； [3]李志剛，《金融風險宏觀與微觀透視》，中國金融出版社 2020； [4]鄧宇翔，魯煒，黃敏 《運用概率神經(jīng) 網(wǎng)絡進行企業(yè)信用風險評估》 [J].中國管理科學第 11 卷專輯 2020 年 10 月： 413－ 415 [5] 王燕，黃家琳 《信用風險評估模型》北京工商大學學報 (自然科學版 )2020 年 1月 [6]劉郁菲，商業(yè)銀行信用風險管理， 2020 [7]劉郁菲，商業(yè)銀行信用風險管理， 2020 [8]歐陽資生，商業(yè)銀行信用組合風險管理模型比較研究，湖南商學院學報，第 16卷 3 期 [9]證監(jiān)會國際組織技術委員會報告，《金融機構及其監(jiān)管當局風險管理與控制指引》（征求意見稿），中國證監(jiān)會網(wǎng)站 [10]張維，李玉霜，商業(yè)銀行信用風險分析 綜述，管理科學學報， 1998 [11]杜志剛，銀行個人信用評估方法研究，華南金融電腦， 2020 [12]王春峰，萬海暉，張維，基于神經(jīng)網(wǎng)絡技術的商業(yè)銀行信用風險評估，系統(tǒng)工程理論與實踐， 1999 [13]詹原瑞，銀行信用風險的現(xiàn)代度量與管理，經(jīng)濟科學出版社 [14]閻紅玉，商業(yè)銀行信貸與營銷，清華大學出版社 [15]王憲明，銀行業(yè)數(shù)據(jù)模型的設計與實現(xiàn)，金融電子化， 2020 [16]魏元風，案例推理技術在銀行信貸中的應用，華東船舶工業(yè)學院學報， 2020 [17]施鴻寶，神經(jīng)網(wǎng)絡及其應用，西安交通大學出版社， 1993 [18]李宗怡，美國大銀行內(nèi)部信用風險評級體系及其借鑒，國外財經(jīng)， 2020 [19]劉同明，數(shù)據(jù)挖掘技術及其應用，國防工業(yè)出版社， 2020 [20]曾國堅，何五星，銀行風險論，中國計劃出版社， 1995 [21]胡守仁，神經(jīng)網(wǎng)絡應用技術，國防科技大學出版社， 1998 [22]曹順，劉婷，基于 BP 神經(jīng)網(wǎng)絡的企業(yè)信用評價研究，控制工程， 2020 [23]楊保安，朱明，基于神經(jīng)網(wǎng)絡與專家系統(tǒng)結合的銀行貸款風險管理，系統(tǒng)工程管理方法應用， 1999 [24]陳雄華，林成德，葉武，基于神經(jīng)網(wǎng)絡的企業(yè)信用等級評估， 系統(tǒng)工程學報， 2020 [25]郝麗萍，胡欣悅，李麗，商業(yè)銀行信貸風險分析的人工神經(jīng)網(wǎng)絡模型研究， 2020 [26]劉鷹，趙琳，神經(jīng)網(wǎng)絡 BP 算法的改進和方針，計算機仿真， 1999 30 致 謝 本文是在 張宇敬老師的耐心教導和細致完善下完成的。在該課題的選題和研究方法以及思路方面，我都得到了張老師的悉心指導。在論文的寫作過程中，張老師多次的對我的論文進行評注，幫助我不斷的完善論文。同時，在此次畢業(yè)論文的完成過程中，我也學到了許多的數(shù)學建模和經(jīng)濟學方面的知識，豐富了頭腦，開闊了視野，整理了自身知識構架。另外， 我還有特別感謝對我的畢業(yè)論文寫作過程提供無私幫助的同學們，有了他們的幫助才使得我的論文更加豐滿、更加全面。 歷時數(shù)月，從畢業(yè)論文的選題到搜集資料，從開題報告、論文初稿的反反復復的修改完善，這期間我經(jīng)歷了許多的彷徨、焦急和喜悅，心情起伏跌宕。而如今，伴隨著這篇畢業(yè)論文的最終成稿，負面的心情也煙消云散，自己也得到了極大的滿足和成就感。 最后，再次對關心和幫助我的老師和同學們表示衷心的感謝！