论文部分内容阅读
摘要:由于信贷风险的复杂性和高度非线性,中国商业银行运用五级分类信贷制度难以把握贷款在未来的变动情况。为此,根据Elman神经网络原理,利用其非线性与泛化的能力,建立了一个基于Elman神经网络的商业银行信贷风险识别及评估模型,并通过实例来验证其有效性,以实现对实际信贷风险的最准确化预测。
关键词:信用等级;信贷风险;神经网络
中图分类号:F830 文献标志码:B
违约风险是商业银行信贷风险主要表现,即由于贷款人不愿或无能力正常偿还贷款本息从而导致银行遭受损失可能性,这是不良贷款产生的最直接原因[1]。商业银行对贷款进行风险识别和评估能够及时、准确地发现信贷风险的影响因素,并能连续地掌握信贷风险的特征、大小及变动趋势,使得银行在风险管理中降低不良贷款的风险和减少损失[2]。目前,欧美商业银行在信贷风险识别和评估方面主要采用的度量模型包括KMV模型、Credit Metrics模型、Credit Risk模型和Credit Portfolio View等。我国推行五级分类国际标准制度,但实际中难以把握贷款在未来的变动情况,需要发展合适的信贷风险识别及评估模型。由于信贷风险的复杂性和高度非线性,不断有新的风险识别和评估模型出现,例如支持向量机模型、专家系统等[3],不同模型需要和不同的应用对象相结合,以实现对实际信贷过程风险的最准确化预测。为此,本文根据Elman神经网络的特点,利用其非线性与泛化的能力,建立了一个基于神经网络的商业银行信贷风险识别及评估模型并进行了实证研究。
一、Elman神经网络模型理论基础
Elman型神经网络一般分为输入层、隐层、承接层和输出层。[4],其输入层、隐层、输出层的连接类似于前馈网络,输入层的单元仅起信号传输作用,输出层单元起线性加权作用。隐层单元的传递可采用线性或非线性函数,承接层用来记忆隐层单元前一时刻的输出值。
Elman神经网络的非线性状态空间表达式为:
二、基于Elman神经网络的评估模型建立
(一)模型的输出和信用等级的转换关系
模型的输出节点数可以是一个,也可以是多个,对于分类模型,输出节点数量和分类的类别数量有关,假定信用等级分为m个级别,则评估模型的输出节点数量可以为m或log 2m。在多数情况下,为了简化网络结构,提高模型的训练效率,一般将一个具有多个输出的网络模型转化为多个具有一个输出的网络模型。本着这个原则,本文对评估模型的输出进行简化,先,根据业务需要,将信用等级分为AAA、AA、A、B、BB和BBB六个级别;其次,参照信用评分的方法,将评估模型的输出转换为一个连续型的变量,变量的不同取值范围对应不同的信用等级。为了得到合理的评估模型的隐含层节点数,本文根据以下经验法则,确定隐含层节点数的一般范围,然后在该范围之内,采用扩张法,通过反复的实验确定合理的隐含层节点数:(1)较好的隐含层节点数介于输入节点和输出节点数量之和的50%-70%之间;(2)隐含层节点数m必须小于N>1(其中N为训练样本数)。
(二)求解速度和误差界值分析
对于Elman神经网络模型,模型的求解速度等价于BP学习算法的收敛速度,一般用达到指定误差精度时的学习次数表示,它和多种因素有关,包括模型本身的结构、样本数据的数量和数据特点、模型的初始权值以及模型的学习参数等。对Elman神经网络算法训练速度的影响参数,有学习率η、动量因子α和收敛误差界值E(w)等,对于学习率必须小于某一上限,取0<η<1 ;增加动量项的目的是为了避免模型训练陷于较浅的局部极小点,理论上其值大小应与权值修正量的大小有关,取动量因子α为常量( 0<α<1 )一般比学习率大,具体视实际情况而定。
在评估模型训练之前,应根据实际情况预先确定误差界值E(w),误差界值E的选择完全根据评估模型的收敛速度大小和具体样本的学习精度来确定。E值的选择必须在分类精度和训练效率之间权衡;当E值选择较小时,评估模型分类精度高,但收敛速度慢,训练次数增加,如果E值选择较大则相反。
(三)神经网络模型的构建
神经网络信贷风险评估模型的任务是完成信贷风险评估指标和信用等级之间的映射,建立正确的信贷风险评估模型,一方面需要探索信贷风险评估指标和信用等级之间的映射规则,另一方面需要解决信贷风险评估指标的权值问题。信贷风险评估模型可以用Elman神经网络模型的输入和输出节点数以及隐含层数量和各隐含层节点数来表示,在评估模型的网络结构中,输入节点的数量可以比较直观地得到,它就是信贷风险评估指标的数量。
三、模型的实证分析
(一)指标和样本数据选取
指标主要分为四个方面,其中定量方面指标均来自于各企业的财务报告,定性方面指标为对每个指标深入剖析,指标选取参考了商业银行《信贷客户评价报告》中信贷评价打分要素的各项条款,按其涉及方面综合考量,有些参考接近的指标值进行量化,有些直接打分化。最后模型的输入值为各大指标下小指标的加权平均数。
从某股份制银行总部的贷款企业海量数据库中选择样本,将200个企业客户按行业分为工业、商贸、事业、服务和其他行业等五个模式,以工业企业为例进行第二层次的模式划分。在所有信贷风险评估指标中,市场竞争力指标数据差异最大,按销售毛利润指标可以将工业企业样本划分为两个有效模式(模式样本数量大于30),划分方法为将销售毛利润数量为1 000万元的样本归为小型企业评估模式(模式Ω1),将大于1 000万元的样本归为大中型企业评估模式(模式Ω2)。
(二)实证分析
确定工业企业评估模式评估模型结构为28×m×1,中小型企业模式的训练样本数量为25,大中型企业模式的训练样本数量为20。根据隐含层节点数介于输入节点和输出节点数量之和50%-70%之间的规则,隐含层节点数m的取值范围大约为14 采用变学习率和加动量项相结合的方法以改进评估模型的训练效率,学习率η取值0.9,动量因子α取值0.8,误差精度E(w)设为0.001。本文采用Matlab工具完成信贷风险评估神经网络模型的研究和验证工作。从神经网络模型输出结果可以看出,对于Ω1评估模式,对于全部25个训练样本的Ω1评估模式中其分类准确率为86.1%。对于Ω2评估模式,对于全部20个训练样本的Ω2评估模式中其分类准确率为87.6%。
四、结论
通过分析得出以下结论:
1.以上指标体系建立Elman神经网络模型来对中国企业进行信用评分分析是切实可行的,而且其判别准确率比较高。
2.利用Elman神经网络对企业的信用状况评价出分数值之后,然后采取排序的方法或者评级的方法,这样可以更好的利用神经网络的优势,更进一步把握企业的信用状况。
3.实际在银行信贷风险评估过程中,信用等级分类准确并不是商业银行可以接受的最低底线,从风险的角度考虑,如果将低信用等级客户评级为高信用等级客户,则银行需要承担相当高的风险,而如果将高信用等级的客户评级为低信用等级的客户,银行承担的风险反而降低了。
参考文献:
[1] 杨军.商业银行客户评价[M].北京:中国财政经济出版社,1999:34-41.
[2] 杨保安,朱明.神经网络与专家系统相结合的银行贷款风险管理决策研究——国家自然科学基金项目79770086回溯[J].管理学报,2006,3(4):387-390.
[3] FANNING K, COGGER K. Neural Network Detection ofManagement Fraud Using Published Financial[J].Interna-tional Journal of Intelligent Systems in Accounting, Finance and Management,1998(7)45-57.
[4] KRISHNAN C N. On Credit Spread Slopes and Predicting Bank Risk[J].FRB of Clevel and Working Paper, 2004,26(7):123-129.
(责任编辑:席晓虹)
关键词:信用等级;信贷风险;神经网络
中图分类号:F830 文献标志码:B
违约风险是商业银行信贷风险主要表现,即由于贷款人不愿或无能力正常偿还贷款本息从而导致银行遭受损失可能性,这是不良贷款产生的最直接原因[1]。商业银行对贷款进行风险识别和评估能够及时、准确地发现信贷风险的影响因素,并能连续地掌握信贷风险的特征、大小及变动趋势,使得银行在风险管理中降低不良贷款的风险和减少损失[2]。目前,欧美商业银行在信贷风险识别和评估方面主要采用的度量模型包括KMV模型、Credit Metrics模型、Credit Risk模型和Credit Portfolio View等。我国推行五级分类国际标准制度,但实际中难以把握贷款在未来的变动情况,需要发展合适的信贷风险识别及评估模型。由于信贷风险的复杂性和高度非线性,不断有新的风险识别和评估模型出现,例如支持向量机模型、专家系统等[3],不同模型需要和不同的应用对象相结合,以实现对实际信贷过程风险的最准确化预测。为此,本文根据Elman神经网络的特点,利用其非线性与泛化的能力,建立了一个基于神经网络的商业银行信贷风险识别及评估模型并进行了实证研究。
一、Elman神经网络模型理论基础
Elman型神经网络一般分为输入层、隐层、承接层和输出层。[4],其输入层、隐层、输出层的连接类似于前馈网络,输入层的单元仅起信号传输作用,输出层单元起线性加权作用。隐层单元的传递可采用线性或非线性函数,承接层用来记忆隐层单元前一时刻的输出值。
Elman神经网络的非线性状态空间表达式为:
二、基于Elman神经网络的评估模型建立
(一)模型的输出和信用等级的转换关系
模型的输出节点数可以是一个,也可以是多个,对于分类模型,输出节点数量和分类的类别数量有关,假定信用等级分为m个级别,则评估模型的输出节点数量可以为m或log 2m。在多数情况下,为了简化网络结构,提高模型的训练效率,一般将一个具有多个输出的网络模型转化为多个具有一个输出的网络模型。本着这个原则,本文对评估模型的输出进行简化,先,根据业务需要,将信用等级分为AAA、AA、A、B、BB和BBB六个级别;其次,参照信用评分的方法,将评估模型的输出转换为一个连续型的变量,变量的不同取值范围对应不同的信用等级。为了得到合理的评估模型的隐含层节点数,本文根据以下经验法则,确定隐含层节点数的一般范围,然后在该范围之内,采用扩张法,通过反复的实验确定合理的隐含层节点数:(1)较好的隐含层节点数介于输入节点和输出节点数量之和的50%-70%之间;(2)隐含层节点数m必须小于N>1(其中N为训练样本数)。
(二)求解速度和误差界值分析
对于Elman神经网络模型,模型的求解速度等价于BP学习算法的收敛速度,一般用达到指定误差精度时的学习次数表示,它和多种因素有关,包括模型本身的结构、样本数据的数量和数据特点、模型的初始权值以及模型的学习参数等。对Elman神经网络算法训练速度的影响参数,有学习率η、动量因子α和收敛误差界值E(w)等,对于学习率必须小于某一上限,取0<η<1 ;增加动量项的目的是为了避免模型训练陷于较浅的局部极小点,理论上其值大小应与权值修正量的大小有关,取动量因子α为常量( 0<α<1 )一般比学习率大,具体视实际情况而定。
在评估模型训练之前,应根据实际情况预先确定误差界值E(w),误差界值E的选择完全根据评估模型的收敛速度大小和具体样本的学习精度来确定。E值的选择必须在分类精度和训练效率之间权衡;当E值选择较小时,评估模型分类精度高,但收敛速度慢,训练次数增加,如果E值选择较大则相反。
(三)神经网络模型的构建
神经网络信贷风险评估模型的任务是完成信贷风险评估指标和信用等级之间的映射,建立正确的信贷风险评估模型,一方面需要探索信贷风险评估指标和信用等级之间的映射规则,另一方面需要解决信贷风险评估指标的权值问题。信贷风险评估模型可以用Elman神经网络模型的输入和输出节点数以及隐含层数量和各隐含层节点数来表示,在评估模型的网络结构中,输入节点的数量可以比较直观地得到,它就是信贷风险评估指标的数量。
三、模型的实证分析
(一)指标和样本数据选取
指标主要分为四个方面,其中定量方面指标均来自于各企业的财务报告,定性方面指标为对每个指标深入剖析,指标选取参考了商业银行《信贷客户评价报告》中信贷评价打分要素的各项条款,按其涉及方面综合考量,有些参考接近的指标值进行量化,有些直接打分化。最后模型的输入值为各大指标下小指标的加权平均数。
从某股份制银行总部的贷款企业海量数据库中选择样本,将200个企业客户按行业分为工业、商贸、事业、服务和其他行业等五个模式,以工业企业为例进行第二层次的模式划分。在所有信贷风险评估指标中,市场竞争力指标数据差异最大,按销售毛利润指标可以将工业企业样本划分为两个有效模式(模式样本数量大于30),划分方法为将销售毛利润数量为1 000万元的样本归为小型企业评估模式(模式Ω1),将大于1 000万元的样本归为大中型企业评估模式(模式Ω2)。
(二)实证分析
确定工业企业评估模式评估模型结构为28×m×1,中小型企业模式的训练样本数量为25,大中型企业模式的训练样本数量为20。根据隐含层节点数介于输入节点和输出节点数量之和50%-70%之间的规则,隐含层节点数m的取值范围大约为14
四、结论
通过分析得出以下结论:
1.以上指标体系建立Elman神经网络模型来对中国企业进行信用评分分析是切实可行的,而且其判别准确率比较高。
2.利用Elman神经网络对企业的信用状况评价出分数值之后,然后采取排序的方法或者评级的方法,这样可以更好的利用神经网络的优势,更进一步把握企业的信用状况。
3.实际在银行信贷风险评估过程中,信用等级分类准确并不是商业银行可以接受的最低底线,从风险的角度考虑,如果将低信用等级客户评级为高信用等级客户,则银行需要承担相当高的风险,而如果将高信用等级的客户评级为低信用等级的客户,银行承担的风险反而降低了。
参考文献:
[1] 杨军.商业银行客户评价[M].北京:中国财政经济出版社,1999:34-41.
[2] 杨保安,朱明.神经网络与专家系统相结合的银行贷款风险管理决策研究——国家自然科学基金项目79770086回溯[J].管理学报,2006,3(4):387-390.
[3] FANNING K, COGGER K. Neural Network Detection ofManagement Fraud Using Published Financial[J].Interna-tional Journal of Intelligent Systems in Accounting, Finance and Management,1998(7)45-57.
[4] KRISHNAN C N. On Credit Spread Slopes and Predicting Bank Risk[J].FRB of Clevel and Working Paper, 2004,26(7):123-129.
(责任编辑:席晓虹)