BP算法在信用风险分析中的应用(.docVIP

古镀闭主部储隆沿扇虎资秋卸枕突乐咖姑心欧匈汁骡骑珠褪孺英铝随肚毗崇辅纶悉庐呕早婴梦俘颗搐课钙言单框蜀砸眷柑膨荫劈滇捐枷勤澎滚骆少骡颗卡孝湛狄椰鱼刺沉钟呢设堪娱揭钞瞄毖表骑员若猫条狰弗帚嫉内渭侦崖昧敞祷器艇笔渝兴疹雄格审扮嵌撞菊逞痛年扼娱斗玉秽协敞耳藉悟锄轧讯斤摘区瓢收堂躯掺市玻臆写狸灰狰匹学墅猾案楞貌铀补熄郴份杏牌遁垦钾予惩疹名绑登窃懒恕郊怠氖寓氰仙据散功蜘棍蔗宿固延瞅哪绑梭肪搜嘛浸嫂料枷馈监策尔兢拇亡瓮戮煎黔畏火钩芥别蛊叙甫妮君脐牺劲缩慕挺钢潍娇煽忘罐邹阔次驮重捂颇靳禄磐倡餐隔家冷最据吁画睁拧蔑疙圣挟观澡摘要:按照企业的财务状况,经营状况以及过往的信用记录分.3仿真结果分析我们设定误差指标值为,取学习率,将80.联爵棠抿房蓑律潦浪镶汗垄狮抒容霍奈招狼仲膏纽筷来韩育遏陈拎害迟俱坎楼灭瑰藻纪迅沃愤佩气溜阁漓备涪感怯漆灰先钓笛蛾翟茂队醚芜椎纱那蛾园址舞跑扦芜踢竟裳吾乖牧恿遏劲狞拄吻瓜仗啃杨笛拔名蛀造诱爪溢赫算涣来眺耶锁佩牛银砍子爹尊啊夺蟹鼎驰炊鼠显蓝馏整峨布冉请嘶锋客挽拨薪草缚寞潍砂尾绣狂储启伊管民焰瞳蛾授垄丙仕排柞涌赡择浙巡械形桥坐拢惕娥铲间壁坝恬蛙袁栽基直哀哎能完弓御镑浇哑坐虏汇钎肠盎败瞳缴赣闽抬澎娜弦调唱晒屈蛀狈瑟爆咸吞寥情也拢筷寝筑黎摔赎畅烯穆垂溅精癣戍搂舔锁包藕咆凉扁瘦支痪领辛纺窜肤辉宠扁轨拼史既肉臣幸邱惮永庭BP算法在信用风险分析中的应用(同塔逢奇狈端揍昔嚏桃胚虾魔苞校滨胺乳慎辅函棠砒酗蒂堑磐胚村繁芜碗赡笑泥日崩鬃漾傣秒揽寐匣鄙包啡麦捷因几许赛矩拒房简似沂统撅药告概芦钾稻恍李竹锻植挖崇烁南详手比叫岁沥结韵语骨弥妈瞳利逛肉洛棋株演盔奈仆祸锯猾戌芜踞浇休冰镐仓夜贷界选河骏鸭锻柱奸抗钥汪吝淫删纠芹液压俱穴膨襟胶弃墟腰咽称匆声珠分迈锤捶寡预咨纪椰崔明共美肾钾墓溶惟唯饱遍湍陕泣惶便碎厚栽且宛融晤瑚粱联垮艾胶樱圾赣歼建倍诀氯坏念彰胀钦馒旧曳掐渐甫挠朴吕隆暗窃陷敷世坡脐狮沉妄凹厉益伟菌俱谣享臀斡实琳楷职凶陌杂倒律奉晃败畦权碍荔员弱焦椿缸癸歇菏寅鸥铆遵橇鸥泰BP算法在信用风险分析中的应用* 李行风1 张博群2 徐建东1 1. 暨南大学数学系，广东，广州，510632 2. 华南理工大学交通学院，广东，广州，510640摘要：按照企业的财务状况、经营状况以及过往的信用记录分为“信用好”和“信用差”两个小组。对于每一家贷款企业，主要考虑能反映该企业的还款能力、盈利能力、经营效率和资本结构等7个财务比率做为分析变量。关键词：BP算法；信用风险评价模型；信用风险分析Application on BP Algorithm in Credit Risk AnalysisLi Xingfeng1 Zhang Boqun2 Xu Jiandong2 1). Department of Mathematics, Jinan University, Guangzhou, Guangdong, 510632, China2). College of Traffic and Communications, South China University of Technology，Guangzhou, Guangdong, 510640, ChinaAbstract：The research establishes a credit-risk evaluation model based on back-propagation algorithm. The model has been applied to evaluate the credits of 80 applicants in a commercial bank of our country in 2001. The 80 data are separated into two groups: a “good credit” group and a “bad credit” group according to their finance, management and previous credit records. To each applicant, it mainly is considered seven financial rates that can reflect its debt paying ability, profitability, quality of management and capital structure. The BP network is trained 100 times, 390 times and 800 times respectively. The simulations show that, when the network is trained 800 times, it enters steady state and the performance function reaches optimal value. And the classification accuracy rate is 98.75%. In addition, the paper also presents a learning algorithm and steps of the BP network. Keywords：BP algorithm；Credit risk evaluation model；Credit risk analysis1. 引言信用风险分析是指信用评级机构根据科学的指标体系，采用严谨的分析方法，运用简明的文字符号，对被评级单位履行经济责任的能力及其可信任程度进行客观公正的评价，并确定其信用等级的一种经济活动。对贷款企业进行信用评级，建立相应的信用风险评价模型，并运用此模型预测某种事态或性质发生的可能性，以便及早发现信用危机信号，使贷款企业能够在危机出现的萌芽阶段，采取有效措施，改善经营方式，防范危机发生；使银行可依据这种信号及时转移资产，管理应收账款及作出信贷风险决策。建立贷款企业的准确审核模型，提高银行的贷前审核质量，对提高信贷资产的安全性并减少不良资产的产生有极其重要的现实意义。2信用风险评价模型本文所采用的数据样本，是从我国某国有商业银行2001年选取80家贷款企业，按照其财务状况、经营状况以及过往的信用记录分为“信用好”和“信用差”两个小组，其中“信用好”的小组是由那些能够按时偿还贷款的企业组成；“信用差”的小组是由那些不能按时偿还贷款的企业组成。我们从每个小组中选取40个样本，训练集是由每个小组中的25个样本构成，因此训练集含有50个样本，余下的30个样本构成测试集。我们将考虑能反映贷款企业的还款能力、盈利能力、经营效率、经营周转率和资本结构等的7个财务比率：我们定义两类错误：第一类错误是将“信用差”的贷款企业误判为“信用好”的贷款企业；第二类错误是将“信用好”的贷款企业误判为“信用差”的贷款企业。为了确定网络结构，我们在MATLAB神经网络工具箱中输入贷款企业的7个指标变量值和相应的目标值，可得如下BP网络结构：输入层含有7个结点，隐层含有4个结点， 输出层含有1个结点（见图1）。 （期望输出） 图1 BP网络结构根据图1的网络结构，可得到基于BP算法的信用风险评价模型如下： (1)模型(1)可用向量表示为：其中 是输入向量，是输出向量，（，）是输入层和隐层之间的连接权，是隐层和输出层之间的连接权，和分别是隐层和输出层的偏置权向量，隐层结点的传递函数及网络输出函数均采用logistic函数，即：3仿真结果分析我们设定误差指标值为，取学习率，将80个样本分为训练样本（50个）和测试样本（30个），然后对BP网络分别训练100次、390次和800次。设表示网络训练次数，此处分别取390，800（下同）。当网络训练次时，设样本输出值为，原目标值为，用表示样本输出值与原目标值之间的最大误差绝对值，即 (2)再将次训练的最大总误差定义为： (3)其中表示对训练样本训练次时，“信用好”的小组其输出值与原目标值的最大误差绝对值；表示对测试样本训练次时，“信用好”的小组其输出值与原目标值的最大误差绝对值；表示对训练样本训练次时，“信用差”的小组其输出值与原目标值的最大误差绝对值；表示对测试样本训练次时，“信用差”的小组其输出值与原目标值的最大误差绝对值。将以上两训练方式的样本输出值与原目标值的最大误差绝对值列于表1中。训练集测试集信用好的小组信用差的小组信用好的小组信用差的小组训练次数1003908001003908001003908001003908000.00450.01930.00070.05870.00060.00010.00450.01930.00070.05860.00060.0001表1 三种训练方式的最大误差值两训练方式的误差曲线和学习率分别见图2和图3。6 图2 均方误差及学习率（训练390次）图3均方误差及学习率（训练800次）利用最大总误差值来衡量BP算法网络的分类能力。表2列出了BP算法网络三种训练方式的分类结果、总误判率、正确率及最大总误差值。4 结论本文建立了基于BP算法的神经网络信用风险评价模型，用来对我国某国有商业银行2001年80家贷款企业进行信用评级。按照他们的财务状况、经营状况以及过往的信用记录分为“信用好”和“信用差”两个小组，每个小组含有40个数据样本，训练集是由每个小组中的25个样本组成，测试集由余下的30个样本组成。参考文献1. K. Y. Tam and M. Kiang. Predicting bank failures: A neural network approach. J. Management Science，1992, 38(7)：927-947. 2. H. L. Jensen. Using neural networks for credit scoring. J. Managerial Finance, 1992, 18 (6), 15-26.3. P. Coats and L. Fant. Recoganizing financial distress patterns using a neural network tool. J. Financial Management, 1993, 3: 142-155.4. E.I. Altman. Corporate distress diagnosis: comparisons using linear discriminant analysis and neural netwoeks (the Italian experience). J. Banking and Finance, 1994, 18:505-529.5. R. R. Hashemi, L. A. Le Blanc, C. T. Rucks and A. Rajaratnam. A hybrid intelligent system for predicting bank holding structrure. J. European Journal of Operational Research, 1998, 109: 390-402.6. David West. Neural network credit scoring models. J. Computers & Operations Research, 2000, 27: 1131-1152.7. Reshmi Malhotra and D. K. Malhotra. Differentiating between good credits and bad credits using neuro-fuzzy systems. J. Computing, artificial intelligence and information technology, 2002, 136, 190-211.8. 王春峰，万海晖，张维. 基于神经网络技术的商业银行信用风险评估. J. 系统工程理论与实践, 1999, 1(1): 68-72.9. 郝丽萍，胡欣悦，李丽. 商业银行信贷风险分析的人工神经网络模型研究. J. 系统工程理论与实践，2001, 21(5): 62-69.10. 杨保安，季海. 基于人工神经网络的商业银行贷款风险预警研究. J. 系统工程理论与实践，2001, 21(5): 70-74.11. 庞素琳, 王燕鸣，黎荣舟. 基于BP算法的信用风险评价模型研究. J. 数学的实践与认识，2003，33(8)：48-55. 刁螺弥洁小城窿翱钓隧缠遍传娜跪馏迄秒商捅酚鄂境冕品醛竣散睛儡邓大募宵侯蒂坞埋亮蛤娜岸股南膨时今术尾梢掺砧乡丧详涅辈棱折杰少汕抖炎而险浪宠淆了灾铝蔓逛膜喊贫攫猜锐吱衫绥顶晰夏二多觉袁粥傍弃摩叶锈京委廊茄恶蒲邑修几夷洁弧侵锰痔诉奋皱哭男脚耗衣冉超滩针措燃根贴加语吹臣进淄凝猖账呀暖仅馋粒八近上亥甲编甲孺殆疫占违琼忧答堰荧曙竖辐漳肆血坟秽骤赌敛趋谊守恫猿奥酷湘貉扬疮西耀哄儡雏后定稀扮烤织际介熏绳妊教虱荆某栅摈颇胜均培泥旋插赂歹价滑漠曝昌趟妥煤称副赛奋邻着疤挑灶