- 相關(guān)推薦
商業(yè)銀行信用風(fēng)險(xiǎn)計(jì)量中神經(jīng)網(wǎng)絡(luò)法的運(yùn)用論文
1999 年，《巴塞爾新資本協(xié)議》首次提出應(yīng)用于商業(yè)銀行信用風(fēng)險(xiǎn)計(jì)量的標(biāo)準(zhǔn)法和內(nèi)部評(píng)級(jí)法，對(duì)各國產(chǎn)生了巨大影響，商業(yè)銀行信用風(fēng)險(xiǎn)管理一度成為國內(nèi)外經(jīng)濟(jì)學(xué)界關(guān)注的焦點(diǎn)，然而十幾年過去了，我國信用風(fēng)險(xiǎn)管理并未達(dá)到理想的效果。根據(jù)銀監(jiān)會(huì)監(jiān)管統(tǒng)計(jì)數(shù)據(jù)，截至 2014 年末，商業(yè)銀行不良貸款余額累計(jì)達(dá) 8,426 億元，不良貸款率1.25%,較年初增長 0.25 個(gè)百分點(diǎn)，整個(gè)銀行業(yè)信用風(fēng)險(xiǎn)居高不下，并且持續(xù)上升。
作為商業(yè)銀行的主要風(fēng)險(xiǎn)，信用風(fēng)險(xiǎn)的管理有著特殊的地位。信用風(fēng)險(xiǎn)管理主要由信用風(fēng)險(xiǎn)的識(shí)別、評(píng)估（計(jì)量）、監(jiān)測(cè)、報(bào)告與控制等環(huán)節(jié)構(gòu)成。其中，信用風(fēng)險(xiǎn)的評(píng)估是基礎(chǔ)。特別是，在利率市場(chǎng)化背景下，對(duì)信用風(fēng)險(xiǎn)的準(zhǔn)確評(píng)估和價(jià)值把握將成為新形勢(shì)下商業(yè)銀行盈利的關(guān)鍵。
20 世紀(jì) 90 年代以來，信用風(fēng)險(xiǎn)評(píng)估技術(shù)日新月異，在傳統(tǒng)多元判別法、logit 模型等傳統(tǒng)信用評(píng)分法的基礎(chǔ)上，涌現(xiàn)出一批現(xiàn)代信用風(fēng)險(xiǎn)度量模型。典型的有以預(yù)期違約概率為核心的 KMV 模型和基于VAR 理論的 Credit Metrics 模型。但其參數(shù)的初始化對(duì)歷史經(jīng)驗(yàn)數(shù)據(jù)有較高要求，而我國商業(yè)銀行的信用信息系統(tǒng)建設(shè)尚處于初級(jí)階段，數(shù)據(jù)積累十分有限且不易獲得，因此上述模型并未在我國得到廣泛應(yīng)用。目前，隨著金融數(shù)學(xué)、信息技術(shù)和計(jì)算機(jī)網(wǎng)絡(luò)的蓬勃發(fā)展，以神經(jīng)網(wǎng)絡(luò)為首的數(shù)據(jù)挖掘技術(shù)被引入信用風(fēng)險(xiǎn)評(píng)估領(lǐng)域。大量研究顯示，神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)的要求并不十分嚴(yán)格，同時(shí)也不必探究清楚被解釋變量與解釋變量之間準(zhǔn)確的函數(shù)關(guān)系，這就與我國信用風(fēng)險(xiǎn)管理尚未成熟的現(xiàn)狀相契合；同時(shí)，神經(jīng)網(wǎng)絡(luò)特有的非線性映射能力和較強(qiáng)的魯棒性使得模型預(yù)測(cè)準(zhǔn)確快速，具有明顯優(yōu)勢(shì)。
一、神經(jīng)網(wǎng)絡(luò)法及其基本評(píng)價(jià)
90年代以來，全球范圍內(nèi)計(jì)算機(jī)信息技術(shù)迅速發(fā)展，基于人工智能的智能計(jì)算技術(shù)為商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估的研究開拓了一個(gè)全新的研究領(lǐng)域，而基于神經(jīng)網(wǎng)絡(luò)的評(píng)估模型最具有代表性。神經(jīng)網(wǎng)絡(luò)模型模擬生物神經(jīng)系統(tǒng)，由大量神經(jīng)元相互連接形成復(fù)雜非線性網(wǎng)絡(luò)，具有自我訓(xùn)練、自主學(xué)習(xí)的能力。
在這類模型中，信用風(fēng)險(xiǎn)評(píng)估被視為模式識(shí)別的分類問題，通過研究并提取違約企業(yè)和非違約企業(yè)的特征變量，建立判別模型，并對(duì)其他企業(yè)進(jìn)行分類預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)是一項(xiàng)新型的非線性技術(shù)，對(duì)數(shù)據(jù)質(zhì)量要求不高，也沒有嚴(yán)格的數(shù)據(jù)分布假設(shè)，有著其他模型無法比擬的優(yōu)點(diǎn)。
神經(jīng)網(wǎng)絡(luò)，全稱為人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network），從仿生學(xué)視角模擬人類大腦運(yùn)作過程，通過模仿生物學(xué)中神經(jīng)系統(tǒng)建立一個(gè)個(gè)神經(jīng)元模型，通過類似神經(jīng)細(xì)胞突觸互聯(lián)的拓?fù)溥B接方式，形成復(fù)雜宏大的動(dòng)態(tài)網(wǎng)絡(luò)，能夠?qū)斎氲臄?shù)據(jù)進(jìn)行信息處理。在眾多的神經(jīng)網(wǎng)絡(luò)模型中，BP-神經(jīng)網(wǎng)絡(luò)（誤差反向傳播）是目前理論最為成熟、應(yīng)用最為廣泛的。下面以 BP 神經(jīng)網(wǎng)絡(luò)為例來介紹神經(jīng)網(wǎng)絡(luò)的原理和運(yùn)作機(jī)制。
BP 神經(jīng)網(wǎng)絡(luò)為采用反響傳播算法的多層前饋式神經(jīng)網(wǎng)絡(luò)，可以實(shí)現(xiàn)輸入到輸出的任意非線性映射，其中，輸出量為 0~1 的連續(xù)值，其結(jié)構(gòu)如圖1 所示。（圖 1）
經(jīng)過 10 多年的發(fā)展，神經(jīng)網(wǎng)絡(luò)在我國商業(yè)銀行信用風(fēng)險(xiǎn)計(jì)量領(lǐng)域的應(yīng)用已較為成熟，神經(jīng)網(wǎng)絡(luò)特有的非線性映射能力和較強(qiáng)的魯棒性使得模型預(yù)測(cè)準(zhǔn)確快速，明顯優(yōu)于傳統(tǒng)的線性判別方法，尤其是近幾年來引入遺傳算法和模糊理論等對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化后，其預(yù)測(cè)效率和可操作性大大提高，具有極其廣闊的應(yīng)用前景。但是，經(jīng)過不斷測(cè)試，發(fā)現(xiàn)該模型還存在著一些缺陷。
神經(jīng)網(wǎng)絡(luò)自身的缺陷限制了其在信用風(fēng)險(xiǎn)計(jì)量方面的應(yīng)用。如神經(jīng)網(wǎng)絡(luò)具有一定的片面性和盲目性，訓(xùn)練是完全的黑箱操作，無法干預(yù)，許多專家經(jīng)驗(yàn)派不上用場(chǎng)；人們普遍認(rèn)為神經(jīng)網(wǎng)絡(luò)是不可解釋的，用神經(jīng)網(wǎng)絡(luò)來進(jìn)行信用評(píng)級(jí)時(shí)，無法說明訓(xùn)練后，各參數(shù)和閥值的經(jīng)濟(jì)含義，不具有說服性。
二、神經(jīng)網(wǎng)絡(luò)法文獻(xiàn)統(tǒng)計(jì)
通過對(duì) 1999~2015 年 20 余篇相關(guān)文獻(xiàn)的進(jìn)一步分析，我們發(fā)現(xiàn)相關(guān)作者的學(xué)科背景和文獻(xiàn)中數(shù)據(jù)來源具有一定規(guī)律。
（一）學(xué)科背景分析。通過進(jìn)一步的數(shù)據(jù)搜集和篩選，發(fā)現(xiàn)作者學(xué)科背景可考的文獻(xiàn)有 14 篇，大致分為三類：經(jīng)濟(jì)管理類、計(jì)算機(jī)科學(xué)類（包括計(jì)算機(jī)科學(xué)與技術(shù)、軟件工程、信息工程等）和數(shù)學(xué)類（包括計(jì)算數(shù)學(xué)和應(yīng)用數(shù)學(xué)），統(tǒng)計(jì)結(jié)果如圖 2 所示。（圖 2）
其中，經(jīng)濟(jì)管理類中有4人來自于數(shù)量經(jīng)濟(jì)、信息經(jīng)濟(jì)和技術(shù)經(jīng)濟(jì)領(lǐng)域。分析表明，雖然商業(yè)銀行信用風(fēng)險(xiǎn)的計(jì)量一直是金融經(jīng)濟(jì)和銀行管理的熱點(diǎn)，但是其用到的工具神經(jīng)網(wǎng)絡(luò)是涉及神經(jīng)科學(xué)、計(jì)算機(jī)科學(xué)、計(jì)算數(shù)學(xué)等多個(gè)領(lǐng)域的交叉學(xué)科，模型對(duì)信用風(fēng)險(xiǎn)計(jì)量的過程中涉及到大量的運(yùn)算和訓(xùn)練，需要操作者具有相當(dāng)深厚的算法功底，并且對(duì)待解決問題本身要有比較全面的了解和很好的判斷，且對(duì)于Matlab計(jì)算工具的熟練運(yùn)用和程序編寫以及對(duì)操作者提出了更高的要求。
這些領(lǐng)域相互結(jié)合并相互滲透，綜合素質(zhì)較高的知識(shí)復(fù)合型人才更具優(yōu)勢(shì)。
（二）數(shù)據(jù)來源分析。
文獻(xiàn)中明確提到所用數(shù)據(jù)來源的有18篇，其中從銀行取得業(yè)務(wù)數(shù)據(jù)資料或來自銀行數(shù)據(jù)庫的有11 篇，其他 7 篇?jiǎng)t通過上市公司公開披露的財(cái)務(wù)報(bào)表或Wind 數(shù)據(jù)庫、證券之星等公開網(wǎng)站獲得數(shù)據(jù)，統(tǒng)計(jì)結(jié)果如圖 3 所示。（圖 3）
現(xiàn)階段，我國商業(yè)銀行內(nèi)部信息披露機(jī)制不完全，進(jìn)行信用風(fēng)險(xiǎn)計(jì)量的首要問題是很難獲得商業(yè)銀行企業(yè)客戶貸款相關(guān)資料數(shù)據(jù)。無論是在國內(nèi)還是在國外，商業(yè)銀行的壞賬、違約數(shù)據(jù)都屬于商業(yè)機(jī)密，研究人員難以直接獲取實(shí)際違約公司的數(shù)據(jù)資料。因此，研究人員往往選取上市公司作為研究對(duì)象，將其公開披露的財(cái)務(wù)數(shù)據(jù)作為衡量指標(biāo)，研究對(duì)象和選取指標(biāo)類型的限制不具有全面性和代表性，會(huì)對(duì)神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)計(jì)量模型的應(yīng)用產(chǎn)生不利影響。
三、神經(jīng)網(wǎng)絡(luò)法文獻(xiàn)內(nèi)容
目前，國內(nèi)學(xué)者對(duì)神經(jīng)網(wǎng)絡(luò)法的研究主要經(jīng)歷了兩個(gè)階段：第一個(gè)階段是對(duì)神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于信用風(fēng)險(xiǎn)計(jì)量的可行性和優(yōu)越性進(jìn)行驗(yàn)證，主要集中在1999~2007 年之間，該階段重點(diǎn)驗(yàn)證神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，如處理非線性問題的能力強(qiáng)，具有較好的非線性映射能力，同時(shí)具有較強(qiáng)的魯棒性，容錯(cuò)能力和泛化能力較高；第二個(gè)階段是對(duì)現(xiàn)有的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化和改進(jìn)，從 2004 年發(fā)展至今，尤以 2009 年之后的研究最為突出，逐步引入遺傳算法、模糊理論、粒子群算法、證據(jù)理論等對(duì)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程及結(jié)果處理進(jìn)行優(yōu)化，從而提高模型的運(yùn)算速度和預(yù)測(cè)精度。目前，文獻(xiàn)內(nèi)容主要集中在以下兩個(gè)方面：
�。ㄒ唬┥窠�(jīng)網(wǎng)絡(luò)法可行性和優(yōu)越性分析。王春峰、萬海暉、張維（1999） 以國內(nèi)某商業(yè)銀行的 90 多家企業(yè)客戶短期貸款數(shù)據(jù)為基礎(chǔ)，以主因子分析法得到 5 項(xiàng)財(cái)務(wù)比率，分別建立了前向三層 BP 神經(jīng)網(wǎng)絡(luò)模型和傳統(tǒng)線性判別模型來度量該商業(yè)銀行信用風(fēng)險(xiǎn)，運(yùn)行結(jié)果顯示，幾乎從所有的方面來看，神經(jīng)網(wǎng)絡(luò)都優(yōu)于判別分析法。同時(shí)，由于神經(jīng)網(wǎng)絡(luò)模型的非線性映射能力、容錯(cuò)能力、泛化能力較強(qiáng)，在商業(yè)銀行信用風(fēng)險(xiǎn)計(jì)量領(lǐng)域具有廣泛前景。
但也存在一些缺陷，如網(wǎng)絡(luò)結(jié)構(gòu)不固定，訓(xùn)練的復(fù)雜性和缺少解釋能力。
章忠志、符林、唐煥文（2003）以大連市 36 家企業(yè)的財(cái)務(wù)數(shù)據(jù)和來自銀行的企業(yè)信貸資料為基礎(chǔ)，將企業(yè)分為違約（無法按時(shí)償還貸款）和正常兩類，選取5個(gè)財(cái)務(wù)指標(biāo)作為輸入量，建立BP三層神經(jīng)網(wǎng)絡(luò)模型計(jì)量商業(yè)銀行信用風(fēng)險(xiǎn)，訓(xùn)練和預(yù)測(cè)結(jié)果較好，從測(cè)試結(jié)果看，判斷準(zhǔn)確率高達(dá)90%以上，說明了神經(jīng)網(wǎng)絡(luò)模型具有較好的特征抽取和知識(shí)發(fā)現(xiàn)能力。
陳誠高（2006）在碩士畢業(yè)論文中提出了按行業(yè)分類，對(duì)不同行業(yè)分別建立信用風(fēng)險(xiǎn)的神經(jīng)網(wǎng)絡(luò)模型。將企業(yè)細(xì)分為工業(yè)企業(yè)、商貿(mào)企業(yè)、建筑安裝企業(yè)、公共事業(yè)等行業(yè)類別，以工業(yè)企業(yè)為例，再具體劃分為大中型工業(yè)企業(yè)和小型工業(yè)企業(yè)兩種評(píng)估模式，在每種模式下分別初始化和訓(xùn)練，結(jié)果顯示，評(píng)估的可接受率高達(dá)85%以上，遠(yuǎn)遠(yuǎn)高于傳統(tǒng)信用風(fēng)險(xiǎn)評(píng)估方法，說明以其較高準(zhǔn)確性，基于神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)計(jì)量模型可以在貸款決策中發(fā)揮重大作用。
李萌和陳柳欽（2007）對(duì)以BP神經(jīng)網(wǎng)絡(luò)技術(shù)計(jì)量商業(yè)銀行信用風(fēng)險(xiǎn)時(shí)模型的隱含層個(gè)數(shù)進(jìn)行了討論。他們選取某商業(yè)銀行 218 家公司客戶，用未按時(shí)償還貸款的比率區(qū)分信用風(fēng)險(xiǎn)高低，對(duì)46 個(gè)指標(biāo)進(jìn)行主成分分析簡化為 12 個(gè)，分別建立單隱層 BP 神經(jīng)網(wǎng)絡(luò)模型和雙隱層BP 神經(jīng)網(wǎng)絡(luò)模型，結(jié)果顯示雙隱層模型誤判比率并未低于單隱層模型，同時(shí)還需要更多的運(yùn)行時(shí)間，從而證實(shí)了 LippmanRP 于 1987 年提出的定理“與一個(gè)隱含層相比，用兩個(gè)隱含層的網(wǎng)絡(luò)訓(xùn)練并無助于提高小規(guī)模網(wǎng)絡(luò)預(yù)測(cè)的準(zhǔn)確率”.同時(shí)，他們還發(fā)現(xiàn)單隱層模型預(yù)測(cè)準(zhǔn)確率是63.6%,雖然有一定的自我學(xué)習(xí)、調(diào)整和風(fēng)險(xiǎn)識(shí)別能力，但穩(wěn)定性和泛化能力還存在較大提高空間，具體應(yīng)用時(shí)，要結(jié)合其他信用風(fēng)險(xiǎn)評(píng)估技術(shù)和手段。
高志（2007） 基于 SOM 神經(jīng)網(wǎng)絡(luò)建立商業(yè)銀行信用風(fēng)險(xiǎn)計(jì)量模型。他以數(shù)據(jù)庫中 164 家各行業(yè)上市公司財(cái)務(wù)數(shù)據(jù)為基礎(chǔ)，以是否被特別處理來衡量信用風(fēng)險(xiǎn)，對(duì)初始的 9 項(xiàng)財(cái)務(wù)指標(biāo)主成分分析得到 4項(xiàng)綜合指標(biāo)，建立 SOM 神經(jīng)網(wǎng)絡(luò)模型。測(cè)試結(jié)果顯示，結(jié)合了主成分分析法的 SOM 神經(jīng)網(wǎng)絡(luò)模型不論在算法還是分類效果上都優(yōu)于單純BP 神經(jīng)網(wǎng)絡(luò)模型，同時(shí)也驗(yàn)證了神經(jīng)網(wǎng)絡(luò)應(yīng)用于信用風(fēng)險(xiǎn)度量的可行性：神經(jīng)網(wǎng)絡(luò)方法具有較強(qiáng)的非線性映射能力，是一種非參數(shù)的、較為穩(wěn)健的方法，具有較強(qiáng)的學(xué)習(xí)能力；神經(jīng)網(wǎng)絡(luò)存儲(chǔ)結(jié)構(gòu)是存儲(chǔ)式的，網(wǎng)絡(luò)中少量局部的缺損并不會(huì)造成網(wǎng)絡(luò)癱瘓，容錯(cuò)能力強(qiáng)，顯示出較強(qiáng)的魯棒性。
（二）神經(jīng)網(wǎng)絡(luò)法模型的優(yōu)化與改進(jìn)研究。吳沖、呂靜杰、潘啟樹、劉云燾（2004）提出了基于模糊理論的神經(jīng)網(wǎng)絡(luò)模型。首先利用 SPSS對(duì)數(shù)據(jù)進(jìn)行處理，通過因子分析得到指標(biāo)最少個(gè)數(shù)，將最初提出的 16項(xiàng)財(cái)務(wù)指標(biāo)簡化為 4 個(gè)解釋因子，且具有較明顯的經(jīng)濟(jì)含義。以其作為輸入量，進(jìn)行模糊化處理后，進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，從訓(xùn)練結(jié)果看，預(yù)測(cè)誤差很小，取得了較為滿意的結(jié)果。同時(shí)，模糊規(guī)則層克服了神經(jīng)網(wǎng)絡(luò)完全黑箱操作的缺點(diǎn)，可以由信用風(fēng)險(xiǎn)計(jì)量人員依據(jù)經(jīng)驗(yàn)針對(duì)不同問題進(jìn)行調(diào)節(jié)，說明模糊神經(jīng)網(wǎng)絡(luò)非常適合應(yīng)用于商業(yè)銀行信用風(fēng)險(xiǎn)的計(jì)量中。
張衛(wèi)東、韓云昊、米陽（2006）提出了基于遺傳邏輯算法和模糊算法的CA-BP 模糊神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)模型。他們認(rèn)為單獨(dú)的 BP 神經(jīng)網(wǎng)絡(luò)計(jì)量模型完全黑箱操作，存在產(chǎn)生局部極小的可能，如果將遺傳算法、模糊算法和 BP 神經(jīng)網(wǎng)絡(luò)結(jié)合起來建立信用風(fēng)險(xiǎn)計(jì)量模型，可以發(fā)揮各自優(yōu)勢(shì)，具有更理想的效果。他們選取中國工商銀行某支行的 100 個(gè)貸款實(shí)際樣本，建立營運(yùn)能力、償債能力、盈利能力、貸款方式4個(gè)評(píng)價(jià)指標(biāo)，利用Matlab實(shí)證分析，運(yùn)行結(jié)果顯示所建模型誤差很小，比單獨(dú)采用一種或兩種方法準(zhǔn)確性更高，也更快速。
吳沖、張曉東、田海霞、劉超宇（2009）提出用模糊神經(jīng)網(wǎng)絡(luò)來評(píng)估商業(yè)銀行信用風(fēng)險(xiǎn)，由于信用分析人員可以根據(jù)實(shí)際經(jīng)驗(yàn)調(diào)整模糊運(yùn)算規(guī)則，可以在一定程度上解決神經(jīng)網(wǎng)絡(luò)黑箱操作的盲目性問題。
他們搜集中國工商銀行某支行制造業(yè)短期貸款167個(gè)樣本數(shù)據(jù)，通過因子分析將16 項(xiàng)指標(biāo)簡化為 4 個(gè)解釋因子，建立模糊神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練結(jié)果較為滿意，預(yù)測(cè)誤差小，同時(shí)模糊規(guī)則層還可以根據(jù)具體情況進(jìn)行調(diào)節(jié)，具有較強(qiáng)的準(zhǔn)確性和可操作性。
宋麗華（2010）將 D-S 證據(jù)理論引入神經(jīng)網(wǎng)絡(luò)模型，將神經(jīng)網(wǎng)絡(luò)模型輸出的歸一化數(shù)據(jù)作為D-S證據(jù)理論中的基本概率分布，建立改進(jìn)的神經(jīng)網(wǎng)絡(luò)與證據(jù)理論融合模型，得到的評(píng)估結(jié)果與實(shí)際客戶的違約情況基本一致，給出較為精確的評(píng)價(jià)結(jié)果，優(yōu)于單純的神經(jīng)網(wǎng)絡(luò)評(píng)估模型。
宿玉海、彭雷、郭勝川（2012）基于BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)計(jì)量模型計(jì)算過程中自身權(quán)值調(diào)整方式存在的缺陷，提出用 Adaboost 算法和遺傳算法進(jìn)行改進(jìn)。通過對(duì) 200 家上市公司的財(cái)務(wù)指標(biāo)進(jìn)行考察，發(fā)現(xiàn)優(yōu)化后系統(tǒng)總誤差水平明顯降低。但兩種算法各自存在缺陷，因此他們建議實(shí)際應(yīng)用過程中，根據(jù)需要處理客戶數(shù)據(jù)量和緊急程度來選擇不同算法對(duì)信用風(fēng)險(xiǎn)進(jìn)行計(jì)量。
柳凌燕、王憲明、胡繼成（2014）針對(duì)傳統(tǒng)的 BP 神經(jīng)網(wǎng)絡(luò)在訓(xùn)練效果上依賴于初始值以及訓(xùn)練參數(shù)的設(shè)定，且具有收斂速度慢，易陷入局部極小值等缺點(diǎn)，設(shè)計(jì)了柯西變異和高斯變異的雙變異算子加入到免疫規(guī)劃算法中，并將改進(jìn)后的免疫規(guī)劃算法應(yīng)用到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程。他們選取國內(nèi) 16 家上市銀行相關(guān)指標(biāo)數(shù)據(jù)作為樣本，以《金融藍(lán)皮書：中國商業(yè)銀行競(jìng)爭力報(bào)告》風(fēng)險(xiǎn)評(píng)估值為基礎(chǔ)，建立改進(jìn)的三層BP 神經(jīng)網(wǎng)絡(luò)模型，結(jié)果表明該模型收斂速度較快，而且預(yù)測(cè)準(zhǔn)確度較高，證明了該融合免疫規(guī)劃算法的BP 神經(jīng)網(wǎng)絡(luò)模型在信用風(fēng)險(xiǎn)計(jì)量上的有效性。
四、研究建議
經(jīng)過 10 多年的發(fā)展，神經(jīng)網(wǎng)絡(luò)在我國商業(yè)銀行信用風(fēng)險(xiǎn)計(jì)量領(lǐng)域的應(yīng)用已較為成熟，神經(jīng)網(wǎng)絡(luò)特有的非線性映射能力和較強(qiáng)的魯棒性使得模型預(yù)測(cè)準(zhǔn)確快速，明顯優(yōu)于傳統(tǒng)的線性判別方法，尤其是近幾年來引入遺傳算法和模糊理論等對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化后，其預(yù)測(cè)效率和可操作性大大提高，具有極其廣闊的應(yīng)用前景。但是，經(jīng)過不斷測(cè)試，發(fā)現(xiàn)該模型還存在著一些缺陷。
神經(jīng)網(wǎng)絡(luò)自身的缺陷限制了其在信用風(fēng)險(xiǎn)計(jì)量方面的應(yīng)用。如神經(jīng)網(wǎng)絡(luò)具有一定的片面性和盲目性，訓(xùn)練是完全的黑箱操作，無法干預(yù)，許多專家經(jīng)驗(yàn)派不上用場(chǎng)；人們普遍認(rèn)為神經(jīng)網(wǎng)絡(luò)是不可解釋的，用神經(jīng)網(wǎng)絡(luò)來進(jìn)行信用評(píng)級(jí)時(shí)，無法說明訓(xùn)練后，各參數(shù)和閥值的經(jīng)濟(jì)含義，不具有說服性。
當(dāng)前流行做法是將商業(yè)銀行的信用風(fēng)險(xiǎn)轉(zhuǎn)化為企業(yè)財(cái)務(wù)狀況的判別問題，往往利用企業(yè)財(cái)務(wù)數(shù)據(jù)來衡量可能存在的信用風(fēng)險(xiǎn)，但影響企業(yè)信用風(fēng)險(xiǎn)的因素還有很多，為此建議將能反映公司管理水平的定性指標(biāo)，比如公司股權(quán)結(jié)構(gòu)、管理層素質(zhì)和內(nèi)部控制完善程度等納入模型，從而更真實(shí)、更全面地計(jì)量信用風(fēng)險(xiǎn)，取得更好的評(píng)估效果。
主要參考文獻(xiàn)：
[1]韓立群。人工神經(jīng)網(wǎng)絡(luò)[M].北京：北京郵電大學(xué)出版社，2006.
[2]覃光華。人工神經(jīng)網(wǎng)絡(luò)技術(shù)及其應(yīng)用[D].四川：四川大學(xué)，2003.
[3]陳誠高。神經(jīng)網(wǎng)絡(luò)技術(shù)在商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估系統(tǒng)中的應(yīng)用研究[D].江蘇：東南大學(xué)，2006.
[4]李萌，陳柳欽�；� BP 神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別實(shí)證分析[J].南京社會(huì)科學(xué)，2007.1.
[5]高志。SOM 神經(jīng)網(wǎng)絡(luò)模型在商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用研究[J].電腦知識(shí)與技術(shù)，2007.
[6]宋麗華�；谏窠�(jīng)網(wǎng)絡(luò)與證據(jù)理論的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估[D].黑龍江：哈爾濱工業(yè)大學(xué)，2010.
[7]翟萬里。 基于人工神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估模型研究[D].湖南：長沙理工大學(xué)，2013.
【商業(yè)銀行信用風(fēng)險(xiǎn)計(jì)量中神經(jīng)網(wǎng)絡(luò)法的運(yùn)用論文】相關(guān)文章：
試論在歷史教學(xué)中運(yùn)用自主學(xué)習(xí)法論文11-16
環(huán)境科學(xué)人工神經(jīng)網(wǎng)絡(luò)運(yùn)用論文11-25
淺析現(xiàn)值計(jì)量在會(huì)計(jì)計(jì)量中的運(yùn)用12-10
游戲在幼兒教育中的運(yùn)用論文12-04
ERP在企業(yè)采購管理中的運(yùn)用論文11-15
情景再現(xiàn)中的播音主持運(yùn)用論文11-18
陜北秧歌在舞蹈教學(xué)中的運(yùn)用論文11-09