【正文】 而如今，伴隨著這篇畢業(yè)論文的最終成稿，負(fù)面的心情也煙消云散，自己也得到了極大的滿足和成就感。另外， 我還有特別感謝對(duì)我的畢業(yè)論文寫作過程提供無私幫助的同學(xué)們，有了他們的幫助才使得我的論文更加豐滿、更加全面。在論文的寫作過程中，張老師多次的對(duì)我的論文進(jìn)行評(píng)注，幫助我不斷的完善論文。 29 參 考 文 獻(xiàn) [1]王永昌，《我國經(jīng)濟(jì)發(fā)展方式轉(zhuǎn)型的基本趨向》，中國政黨干部論壇， 2020； [2]盧文瑩，《金融風(fēng)險(xiǎn)管理》，復(fù)旦大學(xué)出版社， 2020； [3]李志剛，《金融風(fēng)險(xiǎn)宏觀與微觀透視》，中國金融出版社 2020； [4]鄧宇翔，魯煒，黃敏 《運(yùn)用概率神經(jīng) 網(wǎng)絡(luò)進(jìn)行企業(yè)信用風(fēng)險(xiǎn)評(píng)估》 [J].中國管理科學(xué)第 11 卷專輯 2020 年 10 月： 413－ 415 [5] 王燕，黃家琳 《信用風(fēng)險(xiǎn)評(píng)估模型》北京工商大學(xué)學(xué)報(bào) (自然科學(xué)版 )2020 年 1月 [6]劉郁菲，商業(yè)銀行信用風(fēng)險(xiǎn)管理， 2020 [7]劉郁菲，商業(yè)銀行信用風(fēng)險(xiǎn)管理， 2020 [8]歐陽資生，商業(yè)銀行信用組合風(fēng)險(xiǎn)管理模型比較研究，湖南商學(xué)院學(xué)報(bào)，第 16卷 3 期 [9]證監(jiān)會(huì)國際組織技術(shù)委員會(huì)報(bào)告，《金融機(jī)構(gòu)及其監(jiān)管當(dāng)局風(fēng)險(xiǎn)管理與控制指引》（征求意見稿），中國證監(jiān)會(huì)網(wǎng)站 [10]張維，李玉霜，商業(yè)銀行信用風(fēng)險(xiǎn)分析 綜述，管理科學(xué)學(xué)報(bào)， 1998 [11]杜志剛，銀行個(gè)人信用評(píng)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(luò)技術(shù)的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估，系統(tǒng)工程理論與實(shí)踐， 1999 [13]詹原瑞，銀行信用風(fēng)險(xiǎn)的現(xiàn)代度量與管理，經(jīng)濟(jì)科學(xué)出版社 [14]閻紅玉，商業(yè)銀行信貸與營銷，清華大學(xué)出版社 [15]王憲明，銀行業(yè)數(shù)據(jù)模型的設(shè)計(jì)與實(shí)現(xiàn)，金融電子化， 2020 [16]魏元風(fēng)，案例推理技術(shù)在銀行信貸中的應(yīng)用，華東船舶工業(yè)學(xué)院學(xué)報(bào)， 2020 [17]施鴻寶，神經(jīng)網(wǎng)絡(luò)及其應(yīng)用，西安交通大學(xué)出版社， 1993 [18]李宗怡，美國大銀行內(nèi)部信用風(fēng)險(xiǎn)評(píng)級(jí)體系及其借鑒，國外財(cái)經(jīng)， 2020 [19]劉同明，數(shù)據(jù)挖掘技術(shù)及其應(yīng)用，國防工業(yè)出版社， 2020 [20]曾國堅(jiān)，何五星，銀行風(fēng)險(xiǎn)論，中國計(jì)劃出版社， 1995 [21]胡守仁，神經(jīng)網(wǎng)絡(luò)應(yīng)用技術(shù)，國防科技大學(xué)出版社， 1998 [22]曹順，劉婷，基于 BP 神經(jīng)網(wǎng)絡(luò)的企業(yè)信用評(píng)價(jià)研究，控制工程， 2020 [23]楊保安，朱明，基于神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)結(jié)合的銀行貸款風(fēng)險(xiǎn)管理，系統(tǒng)工程管理方法應(yīng)用， 1999 [24]陳雄華，林成德，葉武，基于神經(jīng)網(wǎng)絡(luò)的企業(yè)信用等級(jí)評(píng)估， 系統(tǒng)工程學(xué)報(bào)， 2020 [25]郝麗萍，胡欣悅，李麗，商業(yè)銀行信貸風(fēng)險(xiǎn)分析的人工神經(jīng)網(wǎng)絡(luò)模型研究， 2020 [26]劉鷹，趙琳，神經(jīng)網(wǎng)絡(luò) BP 算法的改進(jìn)和方針，計(jì)算機(jī)仿真， 1999 30 致 謝 本文是在 張宇敬老師的耐心教導(dǎo)和細(xì)致完善下完成的。 (3)人民銀行內(nèi)部或者貨幣政策委員會(huì)下設(shè)內(nèi)部模型監(jiān)測職能系統(tǒng) ,提高人民銀行風(fēng)險(xiǎn)監(jiān)管的科學(xué)性 。 實(shí)現(xiàn)交易處理電子化和風(fēng)險(xiǎn)實(shí)時(shí)監(jiān)控 ,對(duì)業(yè)務(wù)及風(fēng)險(xiǎn)管理流程進(jìn)行整合 ,使之科學(xué)化 。具體而言，可以包括以下三點(diǎn)： (l)規(guī)劃商業(yè)銀行風(fēng)險(xiǎn)管理信息系統(tǒng)建設(shè) 。 （ 6）神經(jīng)網(wǎng)絡(luò)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。 （ 4）神經(jīng)網(wǎng)絡(luò)具有在新環(huán)境下的泛化能力和容錯(cuò)能力，能夠處理有噪聲和不完全的數(shù)據(jù)。 （ 2）神經(jīng)網(wǎng)絡(luò)采用分布式存儲(chǔ)結(jié)構(gòu)，網(wǎng)絡(luò)中少量單元的局部缺損不會(huì)造成網(wǎng)絡(luò)的癱瘓和全局影響，反映了神經(jīng)網(wǎng)絡(luò)的魯棒性。神經(jīng)網(wǎng)絡(luò)技術(shù)因?yàn)榫哂酗@著的解決非線性問題的特點(diǎn)，使它適合于構(gòu)建信用風(fēng)險(xiǎn)評(píng)估分類模型。隨著市場競爭的日益激烈化，商業(yè)銀行對(duì)信用風(fēng)險(xiǎn)量化和風(fēng)險(xiǎn)評(píng)估模型化的要求也日益強(qiáng)烈。判斷率很高的原因之一是神經(jīng)網(wǎng)絡(luò)具有很好的知識(shí)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) 。試驗(yàn)說明 , 本模型能達(dá)到這一效果 。 此時(shí)決策者容易犯第一類錯(cuò)誤 , 即把測試樣本中信用好的 2 號(hào)企業(yè)誤判為信用差的企業(yè) , 但這比犯第二類錯(cuò)誤 (即把信用差的企業(yè)誤判為信用好的企業(yè) ) 要好 ， 因?yàn)榉傅谝活愬e(cuò)誤時(shí) , 銀行損失的是機(jī)會(huì)成本 , 而犯第二類錯(cuò)誤就會(huì)給銀 26 行帶來真正的損失。由計(jì)算得到所有 28個(gè)學(xué)習(xí)樣本的系統(tǒng)誤差 E 為 。 25 權(quán)值的調(diào)整公式及學(xué)習(xí)參數(shù)的確定采用最速下降法調(diào)整權(quán)值 , ， 對(duì)那些嚴(yán)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(shí)間 ， 這里采用改進(jìn) BP算法 ， 加上慣性項(xiàng) ， 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(xué)習(xí)因子和動(dòng)量因子，此法比最速下降發(fā)收斂速度快，對(duì) ? 、 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(luò)以較快速度收斂，又不出現(xiàn)震蕩。 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(fù)試驗(yàn)得知 , 在輸入節(jié)點(diǎn)數(shù)為 5, 輸出節(jié)點(diǎn)數(shù)為 1的情況下 , 隱層結(jié)點(diǎn)數(shù)取 3 時(shí) , 網(wǎng)絡(luò)收斂最快 , 誤判率最低。 對(duì)于三層網(wǎng)絡(luò) ，確定隱含層節(jié)點(diǎn)的主要經(jīng)驗(yàn)法則是 ： 隱含層節(jié)點(diǎn)既不是各層中節(jié)點(diǎn)數(shù)最少的 ， 也不是最多的 ； 隱含層節(jié)點(diǎn)數(shù)介于輸入輸出節(jié)點(diǎn)數(shù)之和的 50%一 70%之間 ； 隱層節(jié)點(diǎn)數(shù)應(yīng)小于學(xué)習(xí)樣本數(shù) ， 若節(jié)點(diǎn)數(shù)大于樣本數(shù) ， 則必有冗余節(jié)點(diǎn)可歸并 ， 若節(jié)點(diǎn)數(shù)等于樣本數(shù) ，則網(wǎng)絡(luò)成為插值網(wǎng)絡(luò) ， 插信網(wǎng)絡(luò)的泛化能力較差 。 隱含層單元個(gè)數(shù)的選擇是十分復(fù)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(guān)系 ， 目前主要依靠經(jīng)驗(yàn)確定其數(shù)目 ， 還沒有一致認(rèn)同的理論指導(dǎo) 。 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(luò) ,因此我們采用三層 BP 網(wǎng)絡(luò) 。 有時(shí)候 ， 網(wǎng)絡(luò)層次的增加可減少各隱含層單元總個(gè)數(shù) ， 同時(shí)使學(xué)習(xí)過程變得更容易 ， 但可能增加網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間 。 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(quán)值是通過隨機(jī)函數(shù)生成 [， ]之間的隨機(jī)數(shù)賦給各連接權(quán) ,避免由于大的輸入或權(quán)值使網(wǎng)絡(luò)陷入飽和狀態(tài) 。 初始權(quán)值與初始輸入的確定 。其差別在于計(jì)算 W? 是從（ 1）式中的 pE 出發(fā)還是從有（ 2）式中的 E 出發(fā)。 表 1 實(shí)驗(yàn)數(shù)據(jù) 風(fēng)險(xiǎn)狀況 企業(yè)編號(hào) WC/TA RE/TA ENIT/TA BE/BVID S/TA 輸出結(jié)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(shè)計(jì) 權(quán)值的修改方式。網(wǎng)絡(luò)輸出結(jié)果為正常和違約兩種 , 對(duì)應(yīng)的輸出值分別為布爾型離散變量 1和 0。我們析取大連市 36家企業(yè)作為樣本 , 按照銀行提供的企業(yè)信貸償還狀況 , 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。 S/TA 指資產(chǎn)周轉(zhuǎn)率 , 是一種能夠反映公司資產(chǎn)營運(yùn)能力的標(biāo)準(zhǔn)財(cái)務(wù)比率 , 它可以衡量企業(yè)在競爭狀態(tài)下的管理能力。 BVEIBVTD 能夠說明在公司資不抵債前 , 公司資產(chǎn)能夠下降多少。 EBIT/TA 是衡量除去稅收或其他杠桿外 , 公司資產(chǎn)的真實(shí)獲利能力。 RE/TA 是公司盈利累積性的一種衡量 , 它同時(shí)考慮了公司的存續(xù)時(shí)間。 WC/TA 是公司凈流動(dòng)資產(chǎn)相對(duì)于總資本的一種衡量 , 其中 WC是公司流動(dòng)資產(chǎn)與流動(dòng)負(fù)債之差。 對(duì)三層 BP 網(wǎng)絡(luò) , 設(shè)輸入層、隱含層和輸出層結(jié)點(diǎn)個(gè)數(shù)分別為 I, J, K 訓(xùn)練樣本的個(gè)數(shù)為 P, 網(wǎng)絡(luò)的輸入為 ? ?P piXx，期望輸出為 ? ?P pkTt ，實(shí)際輸出為 ? ?PpOo，輸入層 與 隱 含 層 的 連 接 權(quán) 為 qW ， 隱 含 層 與 輸 出 層 的 連 接 權(quán) 為 kjW ，其中? ? ? ? ? ?1 , 2 , , , 1 , 2 , , , 1 , 2 , ,p P i I k K? ? ?， 激 活 函 數(shù) 為 Sigmoid 函數(shù) 21 ? ? 11fx cx? ??，則對(duì)一個(gè)輸入樣本，平方誤差 pE 定義為： 21 ()2p pk pkkE t o??? （ 1） 21 ()2 pk pkPkE P t o???? （ 2） 利用優(yōu)化理論中的最速下降法對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，調(diào)整各連接權(quán)，可使總體誤差極小，學(xué)習(xí)公式如下： p kj pk pjwo???? p ji pj pjwo???? 其中： ? 表示學(xué)習(xí)步長， pk? 和 pj? 分別為： ( ) (1 )pk pk pk pk pkt o o o? ? ? ? (1 ) ( )pj pj pj pk kjko o w???? ? 樣本輸入選擇 神經(jīng)網(wǎng)絡(luò)輸入模式的正確選擇對(duì)財(cái)務(wù)比率的特征抽取和網(wǎng)絡(luò)的泛化能力有重 要的影響。誤差 反向 傳播算 法 （ Error Backpropagation Algorithm，簡稱 HP 算法） 應(yīng)用最為廣泛 , 相應(yīng)的前饋網(wǎng)絡(luò)稱 為BP 網(wǎng)絡(luò)。 多層前饋神經(jīng)網(wǎng)絡(luò) 由一個(gè)輸入層、若干個(gè)隱含層、一個(gè)輸出層組成 , 它可以用來解決非線性分類問題。前饋網(wǎng)絡(luò)包括感知機(jī)和多層前饋 神經(jīng)網(wǎng)絡(luò)兩種基本形式。 根據(jù)信息流向和網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu) , 可以將 神經(jīng)網(wǎng)絡(luò) 模型分為前饋網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)兩大類。 BP 網(wǎng)絡(luò)模型有很多優(yōu)點(diǎn)，但也存在很多缺點(diǎn)，比如易陷入局部極小點(diǎn)和學(xué)習(xí)收斂速度慢等問題，為提高評(píng)估模型的泛化能力和訓(xùn)練效率，應(yīng)對(duì) BP 學(xué)習(xí)算法進(jìn)行適當(dāng)?shù)母倪M(jìn)。合理的評(píng)估模型對(duì)非訓(xùn)練樣本具有很好的泛化能力，即有效逼近樣本蘊(yùn)含的內(nèi)在規(guī)律，而不是看評(píng) 估模型對(duì)訓(xùn)練樣本的擬合能力。模型的訓(xùn)練一般是不斷反復(fù)進(jìn)行的，已使模型收斂于全局極小點(diǎn)。 BP 網(wǎng)絡(luò)模型的訓(xùn)練是通過應(yīng)用誤差反傳原理不斷調(diào)整網(wǎng) 20 絡(luò)權(quán)值，使網(wǎng)絡(luò)模型輸出值與已知的訓(xùn)練樣本輸出值之間的誤差達(dá)到期望值。為監(jiān)控訓(xùn)練過程使之不發(fā)生“過擬和”和評(píng)價(jià)建立 的網(wǎng)絡(luò)模型的性能和泛化能力，必須將收集到的樣本數(shù)據(jù)隨機(jī)分成訓(xùn)練樣本和測試樣本（ 20%）兩個(gè)部分，數(shù)據(jù)分組時(shí)還應(yīng)盡可能考慮樣本模式間的平衡。 （ 3）樣本數(shù)據(jù)的準(zhǔn)備。 （ 2）確定評(píng)估模型的網(wǎng)絡(luò)結(jié)構(gòu)。這是建立合理的信用風(fēng)險(xiǎn)評(píng)估模型的首要條件，因?yàn)橹挥袑?duì)正確的指標(biāo)進(jìn)行學(xué)習(xí)和分析，才可能得到正確的模型。為了得到合理的信用風(fēng)險(xiǎn)評(píng)估 模型，本文將從以下方面展開研究。單從模型的角度看，合理的評(píng)估模型是必須在具有合理的隱含層節(jié)點(diǎn)數(shù)、訓(xùn)練時(shí)沒有發(fā)生“過擬合”現(xiàn)象、求得全局極小點(diǎn)和同時(shí)考慮網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度和誤差大小的綜合結(jié)果。 由此可見，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法對(duì)信用風(fēng)險(xiǎn)評(píng)估系統(tǒng)有著十分關(guān)鍵的意義。神經(jīng)網(wǎng)絡(luò)的非線性映射能力使信用風(fēng)險(xiǎn)評(píng)估模型更具科學(xué)性和準(zhǔn)確性。 （ 4）非線性映射能力。 19 （ 3）神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)分布要求不嚴(yán)格，也不必要詳細(xì)表述自變量與因變量之間的函數(shù)關(guān)系。 （ 2）神經(jīng)網(wǎng)絡(luò)對(duì)噪聲數(shù)據(jù)具有較高的承受能力，在經(jīng)過一定數(shù)量的帶噪聲的樣本訓(xùn)練后，神經(jīng)網(wǎng)絡(luò)仍然具有很好的泛化能力。 （ 1）神經(jīng)網(wǎng)絡(luò)適合處理