（计算机应用技术专业论文）智能化信用风险预警方法研究.pdf

首都挪拖大学硕士学位论文 智能纯信用蕊硷颈警方法研究 摘要 长期以来，信用风险管理直是国际国内金融界关j 雯的焦点。在西方发达 国家，信用风险管理技术已经比较成熟，许多定量技术和支持二e 具、软件已付 诸商业应用，继传统的比椤| 1 分析之后，统计方法得到了，“+ 泛鹄应餍，如粼副分 析和i 。o g i s t i c 回归等。然而，统计分析方法也有其局限之处，尤其是在经济快 速发展两倍翊体系建设滞螽豹我国，歪是难以发挥有效的作孺。因此，需要弓i 入新的方法建立模型来鳃决信用风险评估的问题。 本文首先介绍了信用风除领域的基本概念和研究现状，认真分析了基 于统计分析方法的务神信用镡估模型，弗指出了它们存在的缺点。然质， 本文提出采用误差反向传播神经网络模型和自组织映射神经网络模型相 结合( b p s o m ) 豹方法来 鸯建信用风险评估模型，讨论了模羹的结构和 详细算法，并基于面向对象的方法对模型进行了实现。 另一方面，本文以2 0 0 5 年底沪市交易所公布的上市企业作为研究对 象，在对样本进行了预处理盛，从中撼取了训练样本集合和测试样本集合。 根据企业的财务数据生成六项财务比率作为摸型的输入向量，对模型进行 了训练和测试，弗对模型豹糗能进行了分析。 在信用风险评估模型的基础之上，本文搭建了信用评估与风险预警原 型系统。系统中通过引入规则库的概念，实现了规则的灵活定义和维护， 从两提高了系统的通用性。此夕 ，数据接目的设计强调了数据交换，实现 了不同格式数据的共享使用。 本文在借鉴亵方先遴评估预测理论的基础之上，结合我罾的实际情 况，尝试性地采用人工神经网络技术在信用风险的评他和应用方面进行了 探索，以我们设计并实现的b p s o m 模型为支持技术，为用户提供经过分 析与预测的输出，为决策者提供灵活、方便、渣瘊的辘珐决策信惠。 上述研究成果可应用于银行风险评级预警系统的设计和实现。 关键词： 信用风险；b p s o m ；信用风险预警 酋都师范大学硕士学位论文 智能化倍用风险预警方法研究 a b s t ra c t f o ral o n gt i m e ，t h em a n a g e m e n to fc r e d i tr i s ka l w a y si saf o c a lp r o b l e m a t t e n d e db yt | l em o n e ym 耕k e t 。趺i l l sa b o 饿i t ，e 蹲e c i a l l yb a 辩do ns l a t i s t 沁威 a n a l v s i s h a v eb e e nn l a t u r e d i nt h ew e s tc o l l n 挂i e s ，a n dm a n y o o l s & n d s o f t w a r eh a sb e e nm a d ef o rt h e 印p l i c a t i o no fc o m m e r c e h o w e v e r ，b e c a u s eo f i t sr e s t f i c ta n dd i s a d v a n t a g e s 魄es t a t i s t i c a la n 越y s i sc o u l d n h 刹e9 0 0 d p e r f o m l a n c eo nt h ea p p l i c a t i o ni nc h i n a t h e r e f o r e ，o t h e fa p p r o a c h e sh a v et o b ec o n s i d e r e d 。 i nt h i sp a p e r ，f i r s tb a s i cc o n c e p t si nt h ef i e l do fc r e d i tr i 8 ka r ei n t r o d u c e d ， t h e ns o l n ec h i e fc r e 症i te v a l u 8 t i o nm 口d d sb a s e do ns t a t i $ t c a la n 蘸y s i s 矗r e d i s c u s s e d ，a n dd i s a d v a n t a g e so ft h e ma r ep o i n t e do u t t h i sp a p e ra d v a i l c e d8 n e wm 武h o d ，w h i c hi st 魏e 越b n a t i o no fb a c kp m p a g a t i o i 圭l e a m i n g 黼dt h e s e l f - o r g a n i z i n gm a p ，t oc v 越u a t ec r e d i t “s k t h e nt h es t 勰c t u r ea n dt h e a r i t h f n e 蛀co fc r e d i te v a l u a t i o nm o d e li sd i s c u s s e d s e c o n d ，t h i sp a p e ru s e st h ef i n a i l c i a ld a t ao fc o m p a n i e do nt h em a r k e t p u b l i c i z e 畦i ns h 8 n g h a i2 0 0 5a ss a m p l es e t a r t 臂l h e s es a m p l e s 量l a v eb e e n p r e d i s p o s e d ，t b en l o d e li st f a i n e da n d e s t e d ，a n dt h ep e f f o 瓶a n c eo f 娃h a s b e e na n a l y z e d l a s t ，跚sp 印e fd e s i 萨s粕dd e v e l o p sp r o t o t y p es y s t e mf o r c r e d i t e v 如a t i o na n dr i s ke 础yw a 戚n g h 恤s y s t e m ，r u l ef o rc r e d i tc 勰b ed e 蠡n e d 黼d m 强a g e d 娃硎y ，w h i 斑i m p r o v 瞳也e c yo f 幽es y 妇啦。f 曲e 蕊o r e ，i n t e l 蠹 f o rd a t ae x c h a n g ei s 锄p h a s i 嚣e 【1 t 董l er e s e a r e ho fa b o v oc a nb e 纛p p l i e di nt h ed e s 谵建曩n dd e v e l o p l 珏e n to f b a n kr i s ke v a l u a t i o ne a r l yw a r n i n gs y s t e m k e yw o r d s ：c r e d i t “s k ，b p s o m ，c r e d t 癫ke a r l yw a m n g i l - 首都 | i | i 范犬学硕圭学往论文 智能亿信用风缒预警方法研究 第一章引言 1 1课题意义与硪究背景 从本质上而言，市场经济戟是信用经济，信赐是市场经济的基础。然 而自从信用活动出现以来就一直伴随着信用风险，因此市场经济又是一种 风险经济。无论楚美国、欧洲还是囊溯，在残酷的竞争蘧力下，陷入财务 失败境地甚至破产的企妲数目都是隧大的。对于投资者和监管层而吉，如 何通过审查企业的财务掇袭，客观评价上市公司的财务状况和偿债能力， 尤其是预测可能出现财务失败的公司，对于投资者及时调整投资策略、监 管层准确识别盲嚣融资公司都具有熏要意义。正是在这种意义下，信用评 估和风险预警系统的研究成为了一个整界糕的研究热杰。 国外很早就开始关注信用风险评估预测方面的研究。早在2 0 世纪6 0 年代，b e a v e l ( 1 9 6 6 年建立单变量分析模型) 和a l 虹n a l l 【2 j ( 1 9 6 8 年建立 蔷名的z s c o r e 模裂) 等美国与欧洲许多闰家的研究者们已经开始进行偿 用风险分析研究。1 9 8 8 年国际清算银行( b a n kf o ri n t e m a t i o n a ls e t t l e r n e n t s ， b i s ) 的巴塞尔( b a s e l ) 银行黢管委员会( b 蹉k r e g 珏l a f i t y c o m l n i t t e e ) 制 订了关于统一国际银行资本衡量和资本标准的协议( 即著名的巴塞尔 拂议) ，并在欧美等发达蠲家的银行中普遍推行开来。亚洲金融风暴之后， 全世界又兴起了挣破旧的信用风险分拆方法，重新建立套新的信用风验 分析方法的热潮，人工智能技术如神经网络、专家系统等开始得到人们广 泛豹关注，些研究工傣已经开始展开。 然而在我国，由于长期以来对于社会信用问题没有日l 起足够的熏视， 这一领域的研究才羁j j 刚起步，且大多数的研究还停留在传统的统计分析方 法。信用领域建设的滞盾将会严重影响到我国市场经济的健康发展，所幸 的是，越来越多的人们已经认识到我国建立社会信用体系的追切性。2 0 0 1 年越来，国务院出台了关于加强中夺企、盈傣焉管瑾工作的若干意见、中 小企业信用担保机构风险管理暂行办法、关于建立中小企业信用担保体 系的试点指导意见等系列的指导性文件。与此同时，国内各大商业银 首都师范大学硕七学位论文智能化信用风险预警方法研究 行也开始注意加强信用风险管理，并构建相应的信用风险评估系统口4 j 。 本文研究结合北京市教育委员会科技发展计划项目一一智能化信用 评级与风险预警方法研究( 编号：k m 2 0 0 4 1 0 0 2 8 0 1 2 ) ，将人工神经网络技 术应用到信用风险评估当中。笔者采用组合神经两络的方法构建信用风险 评估模型，并在模型的基础之上，设计并搭建了信用评级与风险预警原型 系统。因此，本文的工作一方面对组合神经网络的算法与实现进行了研究， 促进了人工神经网络技术在实践应用中的进一步推广，具备一定的理论意 义：另一方面推动了信用风险预警的研究工作，并为实际信用风险评估系 统的设计与实现提供了一个参考，具有重要的实际价值。 1 2 主要研究内容 信用评级与风险预警系统的核心是信用风险评估模型。本文采用 b p s o m 组合神经网络算法构建了信用风险评估模型，并以该模型为基础， 进行了信用评级与风险预警原型系统的搭建工作。具体而言，本文的主要 研究内容包括以下几个方面： ( 1 ) 研究了各种传统信用风险预警模型，对其特点进行了分析，并 指出它们的局限之处。 ( 2 ) 在比较了几种常见神经网络模型的基础之上，本文采用了 b p s o m 组合神经网络算法来构建信用风险评估模型，并基于面 向对象的方法对模型进行了实现。 ( 3 ) 本文采用沪市交易所的2 2 3 家上市公司作为研究对象，并从中 抽取训练样本集合和测试样本集合。采用样本的若干项财务数 据并生成反映企业财务状况的六组财务比率作为模型的输入向 量，对模型进行了训练和测试，并对模型的性能进行了分析。 ( 4 ) 在信用风险评估模型的基础之上，本文采用c 择n e t 和m i c r o s o f t s q l s e r v e r 2 k 设计并搭建了信用评估与风险预警原型系统。系统 中通过引入规则库的概念，可以通过维护规则来满足用户的不 同需求，大大提高了系统的通用性。此外，数据导入导出模块 的设计强调了数据交换，为不同格式数据的共享使用提供了方 酋都师范大学硕圭学像论文 智能化信糟风蹬颈警方法讲究 便。 1 3 论文章节结构 本文共分为六个章节，备章主要内容如下： 第一章弓| 富。阐明了本文选题斡硒究意义和背景，说明了本文的主要 研究内容和论文的章节安排。 第二章信用风险综述。介绍了信用风险领域豹相关概念，概述了当前 该领域国内雏的研究现状，最后对几种流行的信惩风险预警模 型进行了简单介绍。 第三章毒孛经网络投笨。箍述了入工李牵经网络鲍基本概念和思想，并详 细介绍了几种常用神经网络的模型结构及其算法。 第四章智能化信焉风险预警模型。首先阐述了传统信用风险预警模理 的局眼之处，并在比较了几荦巾常用李枣经网络基勰之上，提出采 用b p s o m 组裔神经网络来构建债用风险评估模型；然后使 瘸沪市上市公司的魏务比率佟为祥本，对模型的结构和算法遂 行了详细叙述；最后根据模型的预测结果对模型的性能进行了 分祈。- 第五章信用评估发风险预警缀型系统。在遵照系统设计厥则的基础之 上，对系统进行了整体设计，并给出了系统的技术实施方案及 数据痒设计方案；然君，对系统的各个功能模块进行了介绍f 最后综合分析了系统的特点。 第六章总结与展望。对本文的研究工作进行了概括和总结，指出了进 一步工作的器点，并对构建完备的僚用评健体系进彳亍了震望。 首都师范大学硕士学位论文 智能化信用风险预警方法研究 第二章信用风险综述 2 1信用、信用风险及信用评价 2 1 1 信用 信用( c r e d i t ) 是和商品生产、货币经济相联系的范畴，在商品货币 关系存在的条件下，信用是价值运动的一种特殊形式。其特点是：贷者将 货币给借者，约期归还，借款至口期后除归还本金外，还需支付一定的利息。 在这一信用关系中，贷款者在贷出一笔款项的同时获得了一种权力，即可 以要求借款人以后偿还一笔款项的权利，又称债权。借款人则承担以后偿 还一笔款项的义务，又称债务。由于在现代经济中货币被广泛地作为支付 手段，所以这种债务偿还通常是用支付一定的货币金额来完成的。 因此，我们可以这样定义信用：信用是债权人( 授信人) 和债务人( 受 信人) 对资金、商品或服务的暂时的、有条件的让渡【6 ) ：是一种建立在授 信人对受信人偿付承诺的信任的基础上、使后者无须付现即可获取商品、 服务或货币的能力【7 j 。 信用对于一个国家、一个民族都是至关重要的，因为一个社会只有讲 信用，才能够形成一个良好的社会“信用结构”，而这个信用结构是一个 社会平常运转的重要基础。 2 1 2 信用风险 信用关系是人类社会出现分工之后的产物。随着社会分工、交换关系 的出现，商品在不同所有者之间分布不均衡，于是产生借贷需求，使得物 品的所有权与使用权暂时分离。物品一旦暂时离开它的所有者，也就存在 着可能被他人占有或不能归还的可能性，信用风险由此产生。社会分工越 发达，交换活动越深入，人们面临风险也就越大。在市场经济条件下，由 于市场缺陷的存在，信用风险是必然存在的。 信用风险又称违约风险，是指在信用关系规定的交易过程中，借款人、 证券发行人或交易对方因为种种原因不能履行或者不能全部履行给付承 酋都师范大学硕士学位论文 错能化信用风险预警方法研究 诺面构成违约，致使镶行、投资者或交易对方遭受损失豹可能性睛j ，这种 无力履行交收责任的原因往往是破产或者其他严重的财务问题。因此，风 险的大小主要取决于交易对方的财务状况和风陵状况。按照风险发生的性 质可以把信用娥蹬分- 必经营性风险窥道德风险。经营性风羧主要楚由于企 业经营不善造成的。而道德风险主要是由经营者的道德品质、偿还意志决 定的。本题中所研究的信用风险圭要摇的是经营髓飙险。 2 0 世纪8 0 年代末以来，随着金融的全球他趋势及金激市场的波动性 加剧，各国银行和投资者受到了前所未有的信用风险的挑战。世界银行对 全球镶霉蛾惫枫的磷究袭骥，导致镊露破产的囊要原因就是信臻风险。因 此，国际金融界对信用风险的关注目益加强。1 9 7 4 年2 0 0 4 年以来，旨在 加强国际金融界信用风险管理的巴赛尔协议不断褥以修订，并在西方 发达国家全面实施。信用风险评估方法不断推陈出新，管理技术也同臻突 善，许多定量技术、支持工具和软件已付诸商业应用。 2 1 3 信用评价 信用评估是由专门从事信用评估的独立的社会中介机构，运用科学的 指标体系、定量分析和定性分析摆结会的方法，逶过瓣企监、债券发行者、 金融机构等市场参与主体的倍用记漾、企业素质、经蒋水平、外部环境、 财务状况、发展前景班及可熊出现的各种风险等进行客观、科学、公正的 分析研究之后，就其信用能力( 主要是偿还债务的能力及其可偿债程度) 所做的综合评价，并用特定的等级符号标定其信用等级的一种经济活动【9 1 。 疆蓖，我国的金融u i i 场还不完善，上枣公司嶷莠不齐，企业豹财务状 况、经营状况等方面常常呈现很大的波动性，每年都有不少企业濒临破产 甚至不得不鑫布破产，这无疑绘银行积投资者们带来了巨大的风险，甚至 影响到市场的投资信心。因此，借助科学的分柝方法为上市公司建立相应 的信用评价模型，并运用模型来判断上市公司的经营好坏，及早地发现信 用危枫信号，显褥格终鲎要：来为投资者的投资提供参考：二来为镭符 及其他债权人提供是否贷款的依据；三来可以为各级证券监管部门在评价 上市公司质置方面作一个参考1 1 。】。 首都师范大学硕士学位论文智能化信用风险预警方法研究 2 2 国内外研究现状 2 。2 1 国外信用风险预警研究现状 长期以来，信用风险管理一直是国际金融界关注的焦点。在西方发达 国家，信用风险管理技术已经比较成熟，许多定量技术和支持工具、软件 已付诸商业应用，继传统的比例分柝之后，统计方法得到了广泛的应用， 如判别分析和l o g i s t i c 回归等。它的具体作法是根据历史上每个类别( 如信 用等级a a a 、a a 、a 、b 等) 的若干样本，从已知的数据中发现规律，从 而总结出分类的规则，建立判别模型，用于新样本的判别。世界著名的中 介机构和金融机构向公众发布的、比较有影响力的统计分析模型有j p 摩 根的信用度量术模型( c r e d i tm e t r i c s ) 、k m v 公司的k m v 模型、瑞士银 行金融产品开发部的信用风险附加模型( c r e d i t r i s k + ) 和麦肯锡公司的信 用组合观点模型( c r e d i tp o n f o l i ov i e w ) 等等【。 这些统计模型的判别函数和样本分布的假设前提不仅相同，而且它们 一个较为突出的共同优点在于具有较强的解释性，模型中变量的系数都具 有一定的涵义，缺点在于统计方法一般都具有较为严格的前提假设，如应 用较多的多元判别分析法要求样本数据服从正态分布、协方差等均要已知 等。但现实中许多数据难以满足这些要求。虽然可以采用对数变换、二次 差别分析等一些必要的技术手段和方法加以改进，但这些方法应用的同时 又会相应地产生变量经济涵义不清楚等新的问题【1 2 】。 自从2 0 世纪9 0 年代末期以来，人工智能技术如神经网络、专家系统 等也被应用于信用风险的识别与预测。神经网络技术作为研究复杂性问题 的强有力工具，近年来在模式识别与分类、识别滤波、自动控制、预测等 方面已经展示了其非凡的优越性。与传统方法相比，它克服了传统分析过 程的复杂性和选择适当模型函数的困难，它是一种自然非线性建模过程， 勿须分清是何种非线性关系，给建模与分析带来了极大的方便。在美国和 欧沸，已经有一些实际工作，尝试将神经网络技术应用到信用风险管理领 域。1 9 9 2 年，j e n s e n 利用b p 算法网络对贷款企业进行分类，分类准确率 达到7 6 8 0 i l ”。c o a t s 和p a n f 也于1 9 9 3 年利用b p 算法对美国公司和 首都师范大学硕士学位论文智能化信用风险预警方法研究 银行财务危机进行了破产预警研究1 4 】。 2 2 2 我国信用情况及风险预警研究现状 我国的资信评级行业产生于1 9 8 7 年，是随着改革开放和市场化的推 进，在由传统的计划经济向市场经济过渡过程中出现的一种新生事物。特 别是进入9 0 年代后随着我国社会主义市场经济体制建立和逐步完善信用 评级取得了长足发展。经过十余年的发展我国信用评级已初具规模。然而， 研究表明，目前国内主要银行的风险管理还处于一个初级阶段【”】。现行的 风险管理方法主要仍是以传统的静态比率分析和单一项目分析等定性方 法为主，以模型为基础的定量分析为辅的管理方法。由于利率和汇率的非 市场化、政府信用支撑等原因，商业银行的市场风险、利率风险等在目前 表现得还不充分，管理技术的发展主要集中在信用风险和流动性风险两方 面，还未形成银行资本绩效评估和全面风险管理的基本框架。尽管国内各 个商业银行已经开始争相引进和试用国外的成熟、先进的技术和模型，但 由于银行自身基础条件( 包括硬件、软件和银行人员等各方面) 和外界经 济环境的限制，使得这些技术距离在银行实际业务中的广泛推行还存在一 定的时间差距。 具体的信用风险管理需要结合具体的国情。我国的信用状况表现为： 履约率低、债务人大量逃废债务和以万亿元计的银行的不良贷款积累等 等。造成这种现状的原因在于： ( 1 ) 我国进行信用评级起步较晚，信用评级制度不完善，有关信息 往往不全； ( 2 ) 各类资产或不同地区可能都需要不同的模型； ( 3 ) 支持模型的数据一般很难得到； ( 4 ) 信用评级手段及方法薄弱，提供的服务水平不高，等等。 因此，为了要克服以上这些问题，人工神经网络技术无疑是一条行之 有效的途径。若能将传统方法与神经网络有机地结合起来，将会形成一种 新的综合性评级及预警方法，能够适应于更广的评级预警对象，使评级及 预警结果得以改善。在我们国家，近年来采用神经网络技术对信用风险进 蓠都师范尢学矮士学位论文智貔他信用风险预警方法研究 行评待和预测的磷究异常活跃。2 0 0 2 年，傅荣秘癸世农提出了一种b p 算 法信用评价模型【1 6 l 。2 0 0 3 年，薛锋和乔卓利用b p 算法对我国2 0 0 0 年和 2 0 0 1 年共l o o 家j = 市公司进行了模式分类i 1 7 】。2 0 0 2 年，熊熊和张维利用 s o f m 网络对我国商业银行的蕊管方法进行了分类研究【”】2 0 0 5 年，彭 岩利用s o m p n n 组合神经网络进行了信贷风险预警方面的研究，井取得 了良好的预警效柒【1 9 3 。 2 3 信用风险预警模型 信用风险分析是一个世界性的问题，上溯到上世纪3 0 年代，西方一 些国家就有学者涉足信用风验分折领域豹探索。到了6 0 年代开始，它开 始成为一个研究的热点。距洲金融风暴之后，全世界又兴起了打破旧的信 用风险分析方法，重新建立一套新的信用风险分析方法的热潮。 伴随整个信用评价方法研究历史发展过程，各种倍用评价模型屡出不 穷，并在实际的应用中不断得到改进。在信用评价刚刚出现的初期，简单 的财务比率分折模型得到了广泛靛应1 珂l 。隧着统计理论的发展，统计分桥 方法开始引起人们的普遍关注并得以丈量运用。统计方法主要包括多元判 潮分析法( m d a ) ( 其中著名的包括a l t m a n 的z s c o r e 模型，及在此基础 之上改进的z e t a 模型) 、l o g i s t i c 回归模型( l r ) 、主成分分柢方法、聚 类分析方法等等。这些方法的引入，克服了传统比率分析方法综合分析能 力差、缺乏整体概括、定量评价结果不足等缺点，然雨它们自身也仍存在 着许多缺陷【2 0 1 。 上世纪8 0 年代末9 0 年代初以来，随着人工智能领域研究的发展，专 家系统( e s ) 、 申经网络技术( a n n ) 、遗传算法、分类樾等等郝被弓| 入到 信用风险分析中，h 并建立起许多人工智能的模型。 表2 1 中新示为信用风险分析研究方法的发鼹历程。下蕊分鄹介绍几 秸模型。 表2 1 信用风险分析研究方法发展历程 r 一叮_ 1 l ， 焦旦墨堕坌堑皇亟趔婴塞立鲨 l篷 垡 酋都拜蕺犬学碗士学位论文 智能他信用贰女女颈警方法研究 比率分祈方法2 0 髓纪3 0 。6 0 年代 单变量判定分辑法 多元判别分析法 参数统计方法 l o g i s t i e 圉l 毽模型 b a y e s 分析 统计方法2 0 啦纪6 0 7 0 年代 k 近邻法 挟密度分类法 非参数统计方法 聚类分析方法 决策树方法 专家系统。2 0 世纪8 0 年代 多层感知器 b p 算法弼络 人工智能技术径向基函数网络2 0 世纪9 0 年代至 神经唾络方法 概率神经网络 今 自组织竞争蟋络 自诣振神经网络 2 3 1 财务比率分柝模毅 由于信用危机往往是由财务危机引致而使银行和投资者面稿巨大的 信用腿险，及早发现秘找出一些颈警财务趋蠢恶纯的特征财务指标，无疑可 判断借款或证券发行人的财务状况，从而确定其信用等级，为信贷和投资提 供依据。基于这一动机，盒融机构通常将信弼风险的测度转化为企业财务状 况的衡量问题。因此，一系列财务比率分柝方法也应运面生，铡如著袋的桂 郑财务分析体系和沃尔比震评分法【2 l 】。 财务比率分析实际上是种篱单豹力曩投方法：绘每个要考虑的辫务比 率确定相应的权重和计算公式，根据企业的财务比率值得到相应的财务比 率得分，再将所有的财务比率相加，就得到企业的信用评分。目前我国大 多数企业主要采用的就是这种方法。 计算公式如下：s = y 4 + 舅i 蓠都瓣范大学颈士学位论文智能化荫冈风酸预警方法研究 其中： s 一一某用户的信用分数， 彳：一一事先拟定的对第f 种财务比率进行加权的权数， x ；一一第f 穆财务比率得分 财务比率分析模型的最大缺陷在于指标和权重的确定带宥很大的主 观性，使得译级结果与企娩豹实舔状况有很大豹出入。因此，簧更好的解 决信用评估问题，需要引入更加科学的方法来建立准确的定量模型。 2 3 2 判别分析方法 判别分析法( d i s c r i m i n a l l ta n a l y s i s ，简称d a ) 根据已知的违约和非 违约的企韭进行分类构成若干个总体，由这若干个总体的特征找出一个或 多个判别函数或准则，用予判别任一已观察的向量应判羁哪一令总体，以 及检验两个或多个母体，在所测詹的指标变量上是否有显著差异，如有则 指出为哪些指标。 1 9 6 8 年，a l t m a n 【2 】率先将判别分析法应用于财务危机、公司破产及违 约风险的分析。他选取了5 个财务比率：运营资本总资产、存留收益总 资产、感税前利润，总资产、股东娓权蘸资产受馈总额、销售收入，总资产， 建立了如下著名的线性判别分析( l i n e a r d i s c r i m i n 黼t a 她l y s i s ，简称l d a ) 模型： z = o ，0 1 2 工i + 0 0 1 4 x 2 + o 0 3 3 屯+ o 0 0 6 j + o 9 9 9 屯 该模型也称为z s c o r e 模型。其中z 为判别值，一般来说，z 值越低， 上枣公司发生财务危枧的可能性越大，越有可能破产。x 1 反映上枣公司的 资产折现规模特征，一个财务状况持续恶化的上市公司必定表现为x l 不断 减少；规反获上市公司的繁积获利麓力，该比率越大，说明上市公司抵御 危机的能力越强：的反映上市公司的盈利能力水平，通常是衡摄上市公司 财务危机的最重要的指标之一；粕衡量上市公司的资本结构，反映了上市 公司的价值邸承捏债务之阀的关系；嬲反映上市公司豹资产总额的周转速 度，速度越快，销售能力越强，宽争力越大。 a l t m 姐( 1 9 7 7 年，1 9 8 3 年) 又在z * s c o r e 模型的基础之上进行了改进， 荐都帮范大学颟士学位论文 智能化信焉风缝蓣警方法研究 建立了著名的z e 张模蒸 2 2 ，2 朝。目前，z e t a 模型已经商业化，广泛应用 予美国、意大利等国的商业银行，并取得了巨大的经济效益。 然而，研究表曝，由于国内外的会计准贝i j 存在一定的差异，因此，喜 接采蹋z s c o f e 模型和z e t a 模型来分橱我霆企业的财务状况是不准确的 f 2 4 1 。要准确的将其应用于分析我国企业的财务状况，必须结合我国的相关 行监规定和企业财务数据韵具体情况，建立福应的信蹋评价模型。 2 3 3l o g i s t i c 回归模戳 1 9 7 7 年，m a n i n 2 5 1 采用一系列财务魄率变量来预测公司破产及违约概 率，建立了l o 昏s t i o 回归模型( l o g i s t i cr e 铲e s 3 i o nm o d d ，亦称l o 垂s t i c 模型或者l r ) ，根据银行、投资者的风险偏好设定风险警戒线，以此对分 析对象进行风险定位和决策。 l o g i s t i c 模型可表述为： l p 2 再万 o y 2 岛+ 乙o z 扭 其中，搬( 七= l ，2 ，m ) 为信用风险谗定中的影响变量( 或表示企业 的特锭；! 指标变量) ，q ( _ ，= 0 ，l ，2 ，m ) 为技术系数，通过回归或极大似然 估计获得，y 为贷款申请人的财务状况打分值，l o g i s t i c 回归慎p ( o ，1 ) 为信用风险分析的判别结果。 2 。3 4k 一近邻法 k 近邻判别法( k n e a r e s tn e 谵h b o r ) 是一种非参数统计方法2 们。任 何一个样本属于哪一类是由与它距离最近的k 个样本所属类塑而确定。任 意薅个样本之闽的距离定义如+ f ： d ( 并，y ) 盘( 工y ) c o v 卅( x y ) 其中，v 是合并协方差。 在这距离概念下，k 近邻法将个样本划归为它的k 个近邻的多数， 即当一个样本的k 个近邻的大多数划归某一类，则将该样本也划归为这 首都师范犬学硕士学位论文智能纯信用敲缒预警方法研究 类。虽然近邻法不要求数攥燕态分布，也避免了传统技术对模型函数形式 设定的困难，但当数据的维数较高时，存在所谓的维数祸根一一对离维数 据，即使样本量很大，其撤在高维空闻中仍显得非常稀疏，绝大多数样本 附近掇本没骞样本点，这就使得获褥l 【个邻近的襻本点并科藤其进器难确 地分类变得困难许多。 勖m 等将餮近邻判剃法用于信用风险分祈，从流动 生、擞刺性、资本 质量等角度选出1 9 个变量指标，取马氏距离对样本进行分类。经比较， k n n 的分类结果准确性不如线性判别分析法、l o g i 3 t i e 模型及神经阏络方 法f 2 n 。其中的原因是：在嗣群瓣样本容囊下，若对具体阀题瓣确存在特定 的参数模型并可能找出时，非参数方法不及参数模型效率高。 首都师范大学硕士学位论文 锗能纯信用风险预警方法研究 3 1神经网络概述 第三章神经鹅络技术 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，a n n ) ，是由大量处理单 元( 神经元n e _ i l n s ) ，“泛蔓连两成的瓣络，怒对人脑的抽象、简化和模 拟，反映人脑的撼本特性2 引。人工神经网络的研究是从人脑的生理结构出 发来研究入的智能行为，模拟人脑信息处理的功能。自上世纪八十年代再 次兴起之质，人工神经鼹络取得了长足的进展，在模式分类、机器视觉、 语音处理、智能计算、自动控制、信号处理、优化问题、医疗诊断、金融 决簧、工业生产等广泛的领域都获褥了卓有成效的应掰。 使用人工神经网络的主要优点是： ( 1 ) 熊够自适应样本数据，具有很强的鲁棒性和容错性。当数据有噪 声、形变和非线性时，a n n 也熊够正常娥工作。 ( 2 ) 具有很强的自学习能力。a n n 可以很容易地继承现有的领域知识， 在学习中不断完薅基己，其存创新特点。 ( 3 ) 使用灵活，能够处理来自多个资源和决策系统的数据。 ( 4 ) 提供简单工具进行自动特征抽取，产生有用的数据寝示，可作为 专家系统的前端( 预处理器) 。 ( 5 ) 神经网络是一种大规模自适应非线性动力系统，具有集体运算的 能力。 此外，神经网络述具有联想、概括、类比和推广等优点。但是，过分 夸大神经网络的艨用能力也是不恰当的，毕竟它不是无所不能的。这就需 要在实际工作中具体闻题具体分撼，合理地选撵神经网络模型，必要的话 还要将若干种神缀网络模型结合起来使用。本文即采用b p 神经网络模型 与自组织浃射( s o m ) 粹经嘲络模型穗结含的方法进行了信用评估领域的 研究。下面对b p 神经网络模型和s o m 神经网络模型的结构和算法进行篱 要的介绍。 曾鄂烬范太学积：t 学位论文 智耱纯信用风险颈警方法研究 3 28 p 棒经隧络结构及箕算法 2 0 世纪8 0 年代中期，r u m e l h 蠢f t ，h i n t o n 和w i l l i a 玳s 等提出了一种人 工神经网络的误差反向传播训练算法( b a c kp r o p a g a t i o n ，简称b p 霹法) 【2 鲥，系统跑解决了多层网络中稳含神经元连接权值豹学习阀题。b p 算法 是有导师的学习，它是建立在梯度下降法的基础之上的。目前，在人工雄 经网络的实际应用中，绝大部分的神经网络模型是采用b p 网络或萁变化 形式 3 棚。 误差反向传播 r 一1 1 - 一1 | 蘧一 输入躁豫含层输出层 y 图3 1 基于b p 算法的多层前馈神经网络 纂于b p 算法的多层前馈型网络的结构如图3 。l 所示。网络结构由输入层、 输出层和隐含层节点组成，稳含层可以是一层，也可以是多层，前层与后一 层豹节熹通过权连接，是一个拓矜结构为有翔无环图的葡向网络。 网络的学习过程由正向和反向传播两部分组成。在正向传播过程中， 将输入信息硒前传播到隐含层的节点上，经过各单元的激活函数运算后， 把隐含节点的输出信息传攘到输出节点，最螽绘辫输出结果。 如果输出层不能锝到期望的输出，就是实际输出值与期望输出值之阅 有误差，那么转入反向传播过程，将误差信号沿原来的连接通路返阐，通 过修改各层神经元的权值，逐次地向辕入层传播去进行计算，再进行正两 传播过程，这两个过程的反复运用，使得误差信号最小。实际上，尚误差 著都师范犬学碗士学位论文 餐能化信用风蹬预警方法研究 达到人们新希望的要求辩，网络酶学习遭程就绪束了。 以三层前馈神经时络为例，b p 学习算法步骤如下： ( 1 ) 设置弼络相荧参量和变量： 戈。= k ，坼：，锄】， w 2 ，如) w 榭( ，1 ) 为第雅次迭代时输入层 与稳含层( 神经元数弱为j ) 之问的权僮向量。 相应地，( 以) 为第”次迭代时隐含层与输出层之间的权值向量。 玎为学习速率，m 印o c 为最大迭代次数。 ( 2 ) 初始他，齄= o ，随机生成较小嚣非零傻，著赋绘驴( 揩) 纛y ( 辩) 。 ( 3 ) 向网络中逐个输入训练样本集中所有样本趣； ( 4 ) 对于输入样本溉，前向计算依次获得b p 网络各层神经元的输 入信号“和输出信号v ，其中： v t ( n ) = f ( 俘7 ( 玎) ”l ( ，o ) 逶常采用的激滔函数为s i 窑m o i d 型函数： m ) = 忐 ( 5 ) 出期望误差d k 与瓢( n ) 计算误差鳅，1 ) ，如果e 白) 是否符合要求， 若符含刘谢练结束，否剡继续下一步。 ( 6 ) 将误差信号反向传播，计算各层神经元的校正误蓑： 艿；( 露) = y ，( 妨( 1 一y ，( 开) ) ( d p ( 起) 一y ，( 再) ) ，p = l ，2 ，_ p 彰( n ) = f ( z ? ( n ) ) 占；( ”) ( h ) ，l = 1 ，2 ，j ( 7 ) 按照下式计算权值修正量a w ，并修正权值： ( 再) = 节艿；( ”) ( 行) ，伽+ 1 ) = ( n ) + ( n ) 首都新范大学琐士学位论盘智能忧信捌风硷撷警方眭研究 f = l ，2 ，厶p = l ，2 ，产 ，( n ) = 口d j ( 月) ( n ) ，h f 0 + 1 ) = u ( ) + 帆，( n ) m ；l ，2 ， 以 ( 8 ) n = n + l ，如果n + l 大于最大迭代次数局 幽， 则返回到第( 3 ) 步。 f 丑1 2 ， 停比训练； b p 算法是人们认谈最清楚、应用最广泛的类神经网络，已经成为 神经网络的重要模型之一。它具有理论依据充分、推导过程严谨、信息处 理能力强及通用性好等优点，在模式匹配、模式分类、模式识别以及模式 分桥与预测等领域得到了大量的应用。”。但是值褥注意的是，它也存在 以下不足之处【”j ： ( 1 ) 收敛速度幔。r u m e l h a n 等人存1 9 8 6 年曾班微分方程为例，说 明仅当网络权值调整步长尤限小时，收敛t 才有效一这意味蓿训练要用无 限的收敛时间。经验观察也表明，训练过程中的收敛是不可预测的，一个 楣当简葶的问题。其诫练酃可缝需要几下次选 弋。 ( 2 ) 局部极小问题。b p 算法采用梯度下降法来调整网络权值，从理 论上看，其训练是沿着误差曲酾的斜面向一f 逼近的。对于一个复杂的网络 来说，其误差曲面是一个离维空闻中的衄丽，它是非常复杂聪不规舆习豹， 其中分布着许多局部极小点。在网络的训练过程中，一旦陷入了这样的局 部极小点，束经优化的b p 算法是很难从中述离岛来的。 ( 3 ) 网络瘫痪问题。在某种情况下，网络权值可能变得很大这会 使得神经元的阐络输入变得很大，从而又使得其激活函数的导函数在此点 上的取值很小。此时，训练步长会变褥非常巾，进而导致试l 练时间按数量 级增长，最终导致网络停止收敛。 ( 4 ) 隐古层的层数及神经元的数强难沮确定。网络隐禽层的神经元 数目是根据经验获得的，这通常需要耗费大量的时甸和精力。 ( 5 ) 步长问惩。在训练过程中，必须适当的控制权修改量的大小。 如果步长太小，收敛就非常慢如果步长太大，又可能会导致阳络的瘫痪 和不稳定。 以l 二凡点都是引? 网络建模和学习训练过程中可能出现的闯题。本文 嚣都师范大学硕士学位论交 智能化信用风险颈警方法研究 透过不断实验，并采用与s 0 m 网络棒结合的方法较好逸解决了以上问题。 3 3s o m 神经嗣络结构及箕算法 生物学研究表明，生物神经元在接受刺激并进行竞争产生获胜神经元 之后，获胜神经元不但加强自旁，丽显带动周禹的邻近神经元褥鞋相应的 加强，同时抑制周围距离较远的神经元，这就是所谓的“加强中心而抑制 周瑁”( o n c e n t e r ，o 昏s u h 0 u n d ) 现象2 ”。这种生物现象是基于神经元之问 的窕触权值实现的。在生物神经元中，媳经元的突触投值与神经元间距离 的关系可以用墨磋哥草帽函数( m & 瓤伽n h 她f 、m c t i o n ) 来表示，如圈32 所示，其中横坐标代表神经元之闻钓距离。可露生物神经元与其璃溺邻近 神经元具有正的连接权值，而随着距离的增加，权值逐渐减小直到成为负 值即产生了抑制作用。 圈3 2 墨西哥草帽醋数 = 良人脑中，脑瘦屡的细胞群箕有广泛的自组织现象，而这种现象的产 生和生物神缝元细胞之阀的加强中心丽抑制周围的作用有着密切的联系。 所谓自组织现象是指：。入脑在许多区域是有组织的，不同的区域的作用各 不相同，不同的感富输入被传递绘不同位置的艟缀腱群，而且这种神经元 所具有的特性并不是完全来自于生物遗传，而是很大程度上依赖于眉天的 学习过程。基于生物神经元这+ 特性，芬兰赫尔辛基大学神经网络专家 k o h o n e n 教授于1 9 8 1 年提如7 自组织映射网络( s e l 仁o r g 瓶i z n g m a p p i n g 1 弘3 ，也称为自组织特征映射嘲络( se l f _ o r g a n i z i n g f e a t n r em 叩p i n g ) 或者 k o 的n 翱网络。 首都卿范大学联士学位论文 智能化信用风险颈警穷法研究 豳3 3 中给出了s o m 豹弼络结构。它由输入层和竞争层组成。输入 层神经元数为n ，竞争层由m = m 2 个神经元组成，且构成一个二维平面阵 列。输入层和竞争层之问实行全互遥接，竞争层各神经元之f i l i l 还实行侧抑 制连接。因此，网络中寿两种连接投，一矛孛是神经元对强部输入反应的连 接权值，另一种是神经元之同的连接权值，它的大小控制着神经元之间的 交互侮用的大，j 、。 争层 o j i j _ 输入层 翻3 3 自组织映射阏络结构 神经网络训练的过程就是某个输出维点能对菜一类模式作出特别的 反应以代表该模式类。所不同的是，s o m 规定了二维平面上相邻的结点 能对实际模式分布中楣近酌模式类作出特羽的反应。这样，当某类数据模 式输入时，对其某一输出结点给予最大的刺激。当输入模式从一个模式区 域移到相邻的模式区域时，二维平面。e 韵获胜结点也从原来的结点移到其 相邻螅结点。如果训练充分且算法收敛，则自组织映射瓣络可以将任意维 数的输入模式以拓扑有序的方式变换到一维或者二维的离散空间上，该空 阔上的每个节熹的坐标就相当于输入空闻的权值晦量，这种交换称为特征 映射( f e a t u r em a p ) 。因此，从掰络的输嗽状况，不但能判断输入模式所 属的类别并使输出结点代表莱一模式，还熊够得翔整个数据区域的火体分 毒情况，卵扶样本数据巾撅剿所有数据分布鹩丈体本质特征。 自组织映射学习算法属于无监督竞争学习算法。它包含竞争、合作和 更新三个过程。 ( 1 ) 在竞争中，确定输出最大的神经元为获胜神经元。由于神经元 的激励函数为线性函数，神经元的输出最大取决于其输入“，= y 一，即 扣l 输入向量x = x l ，x 2 ，x 。】t 和权值向量啊= 【w f l ，w f 2 ，w ，】7 ( i 菏豁鄹范大学碉士学位论文 智能纯幕用风酶颈警方法研究 = l ，2 ，耐) 的肉积。谲该内积在输入向量和权值向量淘为翔一亿向量时， 等价于输入向量和权值向量的欧氏距离最小。所谓欧氏距离是指h 维欧氏 空