【正文】 過于苛刻的不足，開始采用 Logit 模型以及非參數(shù)統(tǒng)計等方法來建立違約判別函數(shù)。 由于 Logit 是采用一系列財務(wù)比率變 量來分析公司破產(chǎn)或違約的概率，然后根據(jù)銀行、投資者的風(fēng)險偏好程度設(shè)定風(fēng)險界限，以此對分析對象進(jìn)行風(fēng)險定位和決策，企業(yè)財務(wù)狀況的評價可以看作是基于一系列獨立變量基礎(chǔ)上的分類問題，企業(yè)財務(wù)狀況的好壞與財務(wù)指標(biāo)是非線性的，財務(wù)指標(biāo)可能是高度相關(guān)的，并且并不服從正態(tài)分布，而采用 Logit 方法對預(yù)測企業(yè)破產(chǎn)盡管有所改進(jìn)，但仍不夠理想。 近鄰法不僅放松了正態(tài)性假定，也避免了傳統(tǒng)技術(shù)對模型函數(shù)形式設(shè)定的困難。任意兩個樣本之間的距離可定義為 ? ? ? ? ? ?1, c o vTd x y x y x y?? ? ?，其中 1cov? 是合并協(xié)方差的逆。 3． 4 統(tǒng)計方法的缺陷 統(tǒng)計模型的最大優(yōu)點在于其具有明顯的解釋性，評估方法簡單、計算復(fù)雜度低，但是這些方法都是基于線性模型的評估方法，有著過于嚴(yán)格的前提條件，而且商業(yè)銀行的風(fēng)險因素錯綜復(fù)雜，各個因素之間錯綜復(fù)雜，存在著不確定、非線性特點 ， 無法用簡單的線性模型做出準(zhǔn)確的評估， 。 并且我國的現(xiàn)代商業(yè)銀行體制剛剛建立，各種風(fēng)險的評估與管理體制仍不健全， 15 對信用風(fēng)險的研究還處于傳統(tǒng)的風(fēng)險分析階段，這遠(yuǎn)不能滿足我國商業(yè)銀行發(fā)展的需求。作為研究復(fù)雜性的有力工具 ,神經(jīng)網(wǎng)絡(luò)技術(shù)近年來在模式識別與分類、識別濾波、自動控制、預(yù)測等方面已展示了其非凡的優(yōu)越性 ， 特別是能處理任意類數(shù)據(jù) ,這是許多傳統(tǒng)方法所無法比擬的。神經(jīng)網(wǎng)絡(luò)方法克服了傳統(tǒng)分析過程的復(fù)雜性及選擇適當(dāng)模型函數(shù)形式的困難 ， 它是一種自然的非線性建模過程 ,毋需分清存在何種非線性關(guān)系 ,給建模與分析帶來極大的方便 。 16 4 神經(jīng)網(wǎng)絡(luò)模型 4． 1 神經(jīng)網(wǎng)絡(luò)模型理論 神經(jīng)網(wǎng)絡(luò)模型的概述 神經(jīng)網(wǎng)絡(luò)最早是由心理學(xué)家和 神經(jīng)生物學(xué)家提出的，旨在尋求開發(fā)和測試神經(jīng)的計算模擬。在學(xué)習(xí)階段，通過調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值，使得神經(jīng)網(wǎng)絡(luò)模型可以預(yù)測輸入樣本的正確分來來學(xué)習(xí)。 雖然神經(jīng)網(wǎng)絡(luò)的理論可追溯到 40 年代 ,但在信用風(fēng)險分析中的應(yīng)用還是 90 年代的新生事物。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是由一個輸入層、若干個中間隱含層和一個輸出層組成。 輸入層 隱含層 輸出層 圖 2 簡單的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 人工神經(jīng)網(wǎng)絡(luò)是對生物神經(jīng)的簡化和模擬。樹突通過連接其他細(xì)胞體的突觸接受周圍細(xì)胞由軸突的神經(jīng)末梢傳出的神經(jīng)沖動；軸突的端部有眾多神經(jīng)末梢作為神經(jīng)信號的輸入端，用 于傳輸神經(jīng)沖動。 為了模擬生物神經(jīng)細(xì)胞，可以把一個神經(jīng)細(xì)胞間化為一個人工神經(jīng)元，人工神經(jīng) 17 元用一個多輸入、單輸出的非線性節(jié)點表示，如圖 3： 1x 閥值 i? 激活函數(shù) 2x iI iy 輸入信號 求和 nx 連接權(quán) 圖 3 人工神經(jīng)元模型 神經(jīng)細(xì)胞 i 的人工神經(jīng)元的輸入輸出關(guān)系可以描述為： ? ?1ni ji j ijiiI w xy f I?????? ????? () 式（ ）中，jx由細(xì)胞 j 傳送到細(xì)胞 I 輸入量。 神經(jīng)元上的傳遞函數(shù)，是樣本由輸入層神經(jīng)元傳遞到輸出層神經(jīng)元時進(jìn)行的變換。此時神經(jīng)元輸出取 0 或 1，反映了神經(jīng)元的興奮或抑制。有兩種情況時分段函數(shù)的特殊形式，一是若在執(zhí)行中保持現(xiàn)行區(qū)域而使其不進(jìn)入飽和狀態(tài)，則會產(chǎn)生線性組合器；二是若線性區(qū)域的放大倍數(shù)無限大，則分段線性函數(shù)簡化為閥值函數(shù)。到目前為止，它是人工神經(jīng)網(wǎng)絡(luò)中最常用的激勵函數(shù)。當(dāng)斜率參數(shù)接近無窮大時，此函數(shù)轉(zhuǎn)化為簡單的閥值函數(shù)，但Sigmoid 函數(shù)對應(yīng) [0,1]一個連續(xù)區(qū)域，而閥值函數(shù)對應(yīng)的只是 0 和 1 兩個點，此外，Sigmoid 函數(shù)是可微的，而閥值函數(shù)是不可微的。并且神經(jīng)網(wǎng)絡(luò)模型在應(yīng)用中的優(yōu)勢在于，它結(jié)構(gòu)簡單，學(xué)習(xí)方法快，推廣能力優(yōu)異。 神經(jīng)網(wǎng)絡(luò)在很大程度上克服了 統(tǒng)計模型 方法的不足，特別是針對信用風(fēng)險評估系統(tǒng)的應(yīng)用特點和數(shù)據(jù)特點，神經(jīng)網(wǎng)絡(luò)表現(xiàn)出更好的針對性和適用性。對于以財務(wù)指標(biāo)為主的信用風(fēng)險評估，對連續(xù)型數(shù)據(jù)的處理能力及處理結(jié)果的準(zhǔn)確性十分重要。對于分類精度要求較高的信用風(fēng)險評估問題，神經(jīng)網(wǎng)絡(luò)對噪聲數(shù)據(jù)的承受能力使評估模型具有穩(wěn)定的分類準(zhǔn)確率。對數(shù)據(jù)分布的假設(shè)是限制傳統(tǒng)的信用風(fēng)險評估方法應(yīng)用的主要原因，因為大多數(shù)信用數(shù)據(jù)都是隨機(jī)分布的。在現(xiàn)實世界中，大多數(shù)數(shù)據(jù)關(guān)系都是非線性關(guān)系，比如信用風(fēng)險評估指標(biāo)和信用風(fēng)險等級之間的關(guān)系。 在信用風(fēng)險評估系統(tǒng)中，神經(jīng)網(wǎng)絡(luò)最主要的任務(wù)是從歷史數(shù)據(jù)集中學(xué)習(xí)隱含在其中的知識，揭露信用風(fēng)險評估指標(biāo)之間的內(nèi)在關(guān)系，并建立同實際情況一致的信用風(fēng)險評估模型。 4． 2 基于神經(jīng)網(wǎng)絡(luò)模型的信用風(fēng)險評估模型建立 模型的研究方向 有了合理的建模方法，并不意味著得到了合理的信用風(fēng)險評估模型。而從全局角度看，合理的評估模型還包括信用風(fēng)險評估指標(biāo)體系、樣本數(shù)據(jù)準(zhǔn)備及其模式劃分、指標(biāo)數(shù)據(jù)的預(yù)處理方法和評估模型的泛化和改進(jìn)等等。 （ 1）建立科學(xué)、完善和適用的信用風(fēng)險評估指標(biāo)體系。指標(biāo)體系的建立包括指標(biāo)的確定和指標(biāo)數(shù)據(jù)的預(yù)處理等。評估模型的輸入節(jié)點數(shù)量由評估指標(biāo)決定，輸出節(jié)點數(shù)量由信用等級數(shù)量確定，而隱含層節(jié)點數(shù)量是確定模型網(wǎng)絡(luò)結(jié)構(gòu)的難點。采用 BP 神經(jīng)網(wǎng)絡(luò)方法建模要求有足夠多的典型性好和精度高的樣本。 （ 4）評估模型的訓(xùn)練。模型的訓(xùn)練包括模型參數(shù)的初始化及誤差函數(shù)和精度的選擇等工作。 （ 5）模型的評價和改進(jìn)。要分析評估模型的泛化能力，應(yīng)該用非訓(xùn)練樣本誤差的大小來表示和評價。 模型的建立 原理 神經(jīng)網(wǎng)絡(luò)模型的三要素攝信息流動方向、網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和學(xué)習(xí)方式。前饋網(wǎng)絡(luò)的神經(jīng)元分層排列 , 各神經(jīng)元接受前一層輸入并輸出到下一層 , 每一層的神 經(jīng)元之間沒有信息交流。感知機(jī)由一個輸入層和一個輸出層組成 , 它只能解決線性可分的分類問題。反向傳播 （ BackPropagation， BP） 網(wǎng)絡(luò)就是一種多層前饋神經(jīng)網(wǎng)絡(luò) , 是目前 應(yīng)用 最廣的 一種神 經(jīng)網(wǎng)絡(luò) 。 BP 網(wǎng)絡(luò)的學(xué)習(xí)由以下四 個過程組成：輸入模式 由輸入層經(jīng)隱含層向輸出層的“模式順傳播”過程 , 網(wǎng)絡(luò)的期望輸出與實際輸出之差的誤差信號由輸出層經(jīng)隱含層逐層修正連接權(quán)的“誤差逆?zhèn)鞑ァ边^程 , 由“模式順傳播”與“誤差逆?zhèn)鞑ァ钡姆磸?fù)進(jìn)行的網(wǎng)絡(luò)“記憶訓(xùn)練”過程 , 網(wǎng)絡(luò)趨向收斂即網(wǎng)絡(luò)的總體誤差趨向極小值的“學(xué)習(xí)收斂“過程。由于 Altman 比率在學(xué)習(xí)研究和實際工作中廣泛使用，它能反映企業(yè)流動性、盈利性、增長性、償債性等方面指標(biāo) ,因此本模型選擇 Altman 的財務(wù)比率作為輸入模式 ,具體指標(biāo)如下 : 1pX —— 營運資本 /總資產(chǎn) (Working Capital/Total Assets,WC/TA)。 2pX —— 留 存 收 益 /總 資 產(chǎn) (Retained Earnings/TotalAssets, RE/TA)。 3pX —— 息稅前利潤 /總資產(chǎn) (Earnings Before Interest andTaxes/TotalAssets, EHIT/TA)。 4pX —— 權(quán) 益 的 賬 面 價 值 /總 債 務(wù) 的 賬 面 價 值 (BookValue of Equity/BookValue of Total Debts, BVE/BVTD)。 22 5pX —— 銷售收入 /總資產(chǎn) (Sales/Total Assets, S/TA)。 系統(tǒng)選取的學(xué)習(xí)樣本既要能反映系統(tǒng)平穩(wěn)發(fā)展時的性質(zhì) , 又要能反映系統(tǒng)發(fā)生突變時的特性 , 同時還要兼顧系統(tǒng)發(fā)展的各個階段 , 樣本必須具有代表性。選擇 28 企業(yè)作為訓(xùn)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(yīng)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。實驗數(shù)據(jù)如表 1。一般，權(quán)值的修改有兩種方式：一是對于每一個訓(xùn)練樣本，就調(diào)整一次權(quán)值，稱為 Online 處理，另一種是輸入全部的訓(xùn)練樣 本后才修改一次權(quán)值，稱為 Batch 處理。 Online 處理雖與生物神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程一致，針對特定的訓(xùn)練樣本，能減少誤差，但可能增大其它訓(xùn)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(biāo)， 采用后一種處理方式。 由于輸入初始值和初始權(quán)值對學(xué)習(xí)是否達(dá)到局部 最小和能否收斂關(guān)系很大 ， 有必要對輸入的初始值進(jìn)行預(yù)處理 ， 即歸一化處理 。 。 在模式空間中 ,即使各樣本分布在相互犬牙交錯的復(fù)雜區(qū)域內(nèi) ， 三層神經(jīng)網(wǎng)絡(luò)就能構(gòu)成所需要的復(fù)雜判別函數(shù) 。 。 一般說來 ， 隱含層單元數(shù)越多 ， 越有助于訓(xùn)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(xùn)練 。 另外 ， 對于三層網(wǎng)絡(luò) ， 確定隱層單元數(shù)的以下經(jīng)驗公式可供參考 。 如下圖所示。利用試值法得出本模型里的 ? 、 a 分別為 ， . 4． 3 模型結(jié)果及分析 對前述的實驗數(shù)據(jù)進(jìn)行了計算 , 具體數(shù)據(jù)及計算結(jié)果見表 1。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(jié)果判斷企業(yè)的種類 。因 此 ， 要盡量避免第二類錯誤的發(fā)生。 總的來說 ， 本模型判斷結(jié)果較好 , 從訓(xùn)練、測試和應(yīng)用的結(jié)果看 , 判斷準(zhǔn)確率達(dá) 90%以上。 27 結(jié) 論 商業(yè)銀行信用風(fēng)險評估是一個傳統(tǒng)而古老的話題。在這種情況下，國內(nèi)外眾多研究者在這方面進(jìn)行了廣泛而深入的研究，設(shè)計了很多適應(yīng)特定環(huán)境的信用風(fēng)險評估模型，但這些模型都 存在一些局限性，無法適應(yīng)現(xiàn)代信用風(fēng)險評估的要求。總體來說，神經(jīng)網(wǎng)絡(luò)模型具有以下優(yōu)越性： （ 1）神經(jīng)網(wǎng)絡(luò)是一種非參數(shù)化模型，具有很強(qiáng)的非線性映射能力和學(xué)習(xí)能力，比傳統(tǒng)的方法具有更好的分類準(zhǔn)確度、自適應(yīng)性和動態(tài)性。 （ 3）神經(jīng)網(wǎng)絡(luò)進(jìn)行大規(guī)模并行處理，反映為同一層所有神經(jīng)元同時進(jìn)行計算，并且每一神經(jīng)元存儲的信息也同時參 與計算。 （ 5）神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的數(shù)據(jù)融合能力，可以同時處理定量信息和定性信息。 根據(jù)我的學(xué)習(xí)和鉆研，我認(rèn)為我國商業(yè)銀行應(yīng)當(dāng)借鑒國外成功的信用風(fēng)險內(nèi)部評級模型經(jīng)驗，積極進(jìn)行信用風(fēng)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(fēng)險評估模型做好各方面準(zhǔn)備，盡快完成我國商業(yè)銀行風(fēng)險管理由定性分析為主的傳統(tǒng)風(fēng)險管理方式以定量分析為基 礎(chǔ)的定量與定性相結(jié)合的現(xiàn)代風(fēng)險管理模式的過渡。 構(gòu)建定性與定量指標(biāo)相結(jié)合的風(fēng)險管理模型 ,科學(xué)測量風(fēng)險分布以及計算預(yù)期損失 。 (2)完善我國信用評級制度 ,建設(shè)權(quán)威性信用評級機(jī)構(gòu) 建設(shè)全國性信用評級機(jī)構(gòu) ,制定統(tǒng)一的評級行為規(guī)范 ,體現(xiàn)評級機(jī)構(gòu)獨立 、 客觀 、 公正的性質(zhì) ； 改變評級市場分割線狀 ,撇棄地方保護(hù)主義 ， 使評級結(jié)果完全真實的反映風(fēng)險程度 ,擴(kuò)大信用評級范圍 , 28 建立全社會信用評 級體系 。 按照信用風(fēng)險模型進(jìn)行科學(xué)的壓力測試來監(jiān)測各家銀行計算出的風(fēng)險評估的科學(xué)性與準(zhǔn)確性 ,并在此基礎(chǔ)上建立起一套適應(yīng)我國國情的信用風(fēng)險評估體系 。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(dǎo)。同時，在此次畢業(yè)論文的完成過程中，我也學(xué)到了許多的數(shù)學(xué)建模和經(jīng)濟(jì)學(xué)方面的知識，豐富了頭腦，開闊了視野，整理了自身知識構(gòu)架。 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(fù)復(fù)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。 最后，再次對關(guān)心和幫助我的老師和同學(xué)們表示衷心的感謝！