商業(yè)銀行信貸風(fēng)險的模糊神經(jīng)網(wǎng)絡(luò)預(yù)警模型的構(gòu)建方法

[摘 要] 本文針對我國各類銀行全面實行貸款風(fēng)險五級分類管理，提出了構(gòu)建信貸風(fēng)險預(yù)警模型的方法。該方法首先應(yīng)用聚類方法對指標(biāo)進(jìn)行篩選，然后以熵權(quán)法構(gòu)建貸款風(fēng)險綜合指數(shù)，最后分別采用傳統(tǒng)的數(shù)學(xué)方法和模糊神經(jīng)網(wǎng)絡(luò)方法實現(xiàn)對信貸風(fēng)險的分類預(yù)警。

[關(guān)鍵詞] 信貸風(fēng)險 預(yù)警 聚類分析 熵值法 模糊神經(jīng)網(wǎng)絡(luò)

所謂貸款風(fēng)險主要表現(xiàn)在違約風(fēng)險，即由于貸款人不愿或無能力正常償還貸款本息從而導(dǎo)致銀行遭受損失的一種可能性，這種貸款稱為不良貸款。對貸款進(jìn)行風(fēng)險預(yù)警，及時、準(zhǔn)確地發(fā)現(xiàn)信貸風(fēng)險的誘導(dǎo)因素，并系統(tǒng)、連續(xù)地掌握信貸風(fēng)險的特征、大小、屬性及變動趨勢，使銀行可以及時采取行動，降低不良貸款發(fā)生的風(fēng)險，減少銀行的損失。

下面來構(gòu)建銀行信貸風(fēng)險預(yù)警模型。

一、 信貸風(fēng)險預(yù)警指標(biāo)體系

一般銀行在發(fā)放貸款時，所承擔(dān)的信貸風(fēng)險有兩種：一是借款人在貸款到期時，主觀上不愿意償還銀行的貸款；二是在貸款到期時，借款人由于經(jīng)營不善或客觀因素影響，沒有償還銀行貸款的能力。這兩種情況的發(fā)生，會影響信貸資金的安全性和盈利性。為了避免這種情況的發(fā)生，銀行必須對貸款進(jìn)行綜合的評估。當(dāng)然，影響銀行信貸風(fēng)險的因素很多，根據(jù)貸款風(fēng)險的有關(guān)原理和方法，我們得到以下刻畫貸款風(fēng)險的指標(biāo)：

1.短期償債能力(流動性比率）

反映借款人短期償債能力的指標(biāo)，包括：流動比率、現(xiàn)金比率、速動比率。

2.長期償債能力(杠桿比率）

反映借款人對債務(wù)的承受能力和償還債務(wù)的保障能力的指標(biāo)，包括：資產(chǎn)負(fù)債比率、負(fù)債權(quán)益比率、債務(wù)與有形凈值比率、股東權(quán)益比率、利息保障倍數(shù)。

3.盈利能力(盈利比率）

反映借款人獲取利潤的能力的指標(biāo)，包括：銷售利潤率、資產(chǎn)報酬率、資產(chǎn)收益率、普通股收益率、市價獲利比率。

4.營運能力(效率能力）

反映管理人員經(jīng)營、管理和運用資產(chǎn)的能力的指標(biāo)，包括存貨周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率、應(yīng)付款周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率。

5.貸款擔(dān)保分析

它是當(dāng)借款人不按照貸款合同履行義務(wù)時，第二種貸款償還來源。它有助于提高貸款償還可能性，降低銀行信貸的風(fēng)險。在貸款風(fēng)險定量分析中，我們可以根據(jù)不同的貸款擔(dān)保方式，量化為對應(yīng)的貸款方式風(fēng)險系數(shù)。

我們的目標(biāo)是運用上述的指標(biāo)求出信貸風(fēng)險的綜合指數(shù)，然后根據(jù)這個綜合指數(shù)的大小來確定信貸風(fēng)險到底屬于五級貸款分類（正常、關(guān)注、次級、可疑、損失）中的那一類。

二、 信貸風(fēng)險的綜合指數(shù)的確定

確定信貸分線綜合指數(shù)的方法有兩種：一是模糊神經(jīng)網(wǎng)絡(luò)方法，即通過建立信貸風(fēng)險模糊神經(jīng)網(wǎng)絡(luò)預(yù)警模型來求出；二是應(yīng)用傳統(tǒng)的數(shù)學(xué)方法求出。

1.模糊神經(jīng)網(wǎng)絡(luò)方法

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)測等方面以展示了其非凡的優(yōu)越性，特別是能處理任意類型的數(shù)據(jù)，它克服了傳統(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，這給緘默帶來了極大的方便。經(jīng)過一定數(shù)量的帶噪聲的樣本的訓(xùn)練之后，網(wǎng)絡(luò)可以抽取樣本所隱含的特征關(guān)系，并對新情況下的數(shù)據(jù)進(jìn)行內(nèi)插和外推以推斷其屬性。此外，模糊邏輯技術(shù)仿照人的思維，具有邏輯推理功能。神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)相結(jié)合，即采用模糊神經(jīng)網(wǎng)絡(luò)，可揚長避短，使得系統(tǒng)有模糊邏輯推理和自學(xué)習(xí)能力。因此，我們可以采用模糊神經(jīng)網(wǎng)絡(luò)預(yù)測模型，以實現(xiàn)貸款風(fēng)險監(jiān)測中的建模和預(yù)報功能。

模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，是個多輸入單輸出的系統(tǒng)。

網(wǎng)絡(luò)共分四層：

第一層為輸入節(jié)點層。該層的輸入是風(fēng)險指標(biāo)，包括篩選后反映還債能力和現(xiàn)金流量分析的財務(wù)指標(biāo)以及量化后的非財務(wù)指標(biāo)，任意一個節(jié)點的輸出等于該節(jié)點的輸入，本層的節(jié)點數(shù)等于輸入指標(biāo)數(shù)n。

第二層為模糊化層。對所有輸入指標(biāo)，劃分為5個模糊子集，設(shè)Mij是第i個指標(biāo)的第j個模糊子集，其中i=1，2，…，n，j=1（正常）、2（關(guān)注）、3（次級）、4(可疑）、5(損失），因此本層的節(jié)點等于5n。本層的輸入即為第一層的輸出，本層的輸出為輸入指標(biāo)對于它的模糊子集的隸屬度。隸屬度函數(shù)采用高斯函數(shù)（也可采用三角形函數(shù)或梯形函數(shù)等）。

(i=1，2，…，n;j=1，2，…，5)

其中是的第j個模糊子集的隸屬函數(shù)。和分別表示 對第j個模糊子集的隸屬度函數(shù)的中心值和寬度。

第三層為模糊推理層，本層的節(jié)數(shù)設(shè)為5。我們設(shè)置的模糊規(guī)劃如下：

其中y是輸出變量，為一個實數(shù)后件。本層的輸入即為前一層的輸出。本層第j個節(jié)點的輸出是對模糊規(guī)劃的適應(yīng)度。對于給定的輸入風(fēng)險指標(biāo)，本層節(jié)點j的輸出為：

第四層為反模糊化層（輸出層）。本層的輸入為前一層的輸出，輸入代表信貸風(fēng)險綜合指數(shù)，我們采用重心法，可求出輸出變量：

在輸出前必須經(jīng)過模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練階段（詳見2，3），在此階段樣本的期望輸出值是已知量，它可以由歷史數(shù)據(jù)資料給出或其他的評價方法得出。

2.模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

此學(xué)習(xí)模型屬于前饋型網(wǎng)絡(luò)結(jié)構(gòu)。其學(xué)習(xí)過程就是對隸屬度函數(shù)和的調(diào)整。假設(shè)有一對輸入輸出數(shù)據(jù)是輸入變量，即風(fēng)險指標(biāo)，為期望輸出，即信貸風(fēng)險值。誤差函數(shù)定義為：

把y的計算值代入上式，得到。

利用梯度下降法可得：

其中為一個步長即學(xué)習(xí)率，為慣性因子，i=1，2，…m，j=1，2，…n，并有

3.樣本訓(xùn)練和模糊神經(jīng)網(wǎng)絡(luò)的實現(xiàn)

有了模糊神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)算法之后，便可利用輸入輸出樣本數(shù)據(jù)來訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)了，步驟如下：

⑴將一個輸入樣本夾道網(wǎng)絡(luò)的輸入端，向前傳送并處理，直到輸入層。

將與此輸入樣本相對應(yīng)的正確輸出矢量送入系統(tǒng)并與網(wǎng)絡(luò)輸出層的實際輸出相比較。

⑵求出實際輸出與目標(biāo)輸出之差，并將這個差值反傳回網(wǎng)絡(luò)。通過反向傳播算法，改變網(wǎng)絡(luò)的連接權(quán)值及網(wǎng)絡(luò)參數(shù)。

⑶換一個輸入樣本，重復(fù)(1)到(3)步驟，如果學(xué)習(xí)過程重復(fù)到一定的步驟，或?qū)嶋H輸出與所要求的目標(biāo)輸出之差對所有的訓(xùn)練樣本而言都小于一個給定值，學(xué)習(xí)過程就告結(jié)束。

用這些樣本訓(xùn)練好網(wǎng)絡(luò)后，再用測試樣本進(jìn)行檢驗。當(dāng)模型確定后，得到的結(jié)果便是信貸風(fēng)險綜合指數(shù)。

三、統(tǒng)計學(xué)方法

采用改進(jìn)的功效系數(shù)法來構(gòu)造信貸風(fēng)險綜合指數(shù)。

首先是涉及并計算各類指標(biāo)的單項風(fēng)險指數(shù)；其次是根據(jù)各評價指標(biāo)的重要性，運用熵值法確定各指標(biāo)的權(quán)數(shù)；第三是用加權(quán)算術(shù)平均得到貸款者的綜合風(fēng)險指數(shù)。根據(jù)綜合風(fēng)險指數(shù)的大小即可進(jìn)行警情預(yù)報。具體做法如下：

第一步，將指標(biāo)變量進(jìn)行分類。指標(biāo)的實際值越大越好的變量稱為極大型變量，如總資產(chǎn)報酬率、應(yīng)收賬款周轉(zhuǎn)率；指標(biāo)實際值越小越好的稱為極小型變量；指標(biāo)實際數(shù)值在某一點最好的稱為穩(wěn)定型變量，如流動比率；指標(biāo)值在某一區(qū)間最好的變量稱為區(qū)間型變量，如資產(chǎn)負(fù)債率。

第二步，構(gòu)造上述四類變量的單項風(fēng)險值數(shù)：

第三步，采用信息論中的熵值法來確定各指標(biāo)的權(quán)重。熵值法的基本原理認(rèn)為，單項指標(biāo)所形成的時間序列的差異程度越大，則提供的信息量越大，那么在綜合評價中就應(yīng)賦予較大的權(quán)重；如果某項指標(biāo)的指標(biāo)值全部相等，則認(rèn)為它提供的信息量為0，應(yīng)賦予的權(quán)重也為0，于是該指標(biāo)在綜合評價中不起作用。

設(shè)有m個樣本，n項評價指標(biāo)，形成原始指標(biāo)數(shù)據(jù)矩陣，其中為某單項指標(biāo)，ij是第i個樣本的第j個單項指標(biāo)值。在信息論中，信息熵定義為，它表示某單項指標(biāo)值的差異程度，差異程度越高（低），則信息熵越?。ù螅瑱?quán)重就越大（?。?。因此，可根據(jù)各指標(biāo)值的差異程度，利用信息熵，可計算出第j個指標(biāo)的權(quán)重。

其中：

第四步，計算貸款風(fēng)險綜合指數(shù)：

四、根據(jù)風(fēng)險綜合指數(shù)確定貸款類屬

根據(jù)上面算出的貸款風(fēng)險綜合指數(shù)的大小，來劃分風(fēng)險區(qū)間，如下表所示：

從而就可判斷貸款風(fēng)險類屬。

我國銀行已全面實行貸款風(fēng)險五級分類管理，本文提供的模型正適應(yīng)該風(fēng)險預(yù)警方法，并提供了一種全新的實現(xiàn)步驟，可以為商業(yè)銀行相關(guān)風(fēng)險應(yīng)變部門提供決策支持。

參考文獻(xiàn)：

[1]楊衛(wèi)山 黃瑞芬:建立國有商業(yè)銀行信貸風(fēng)險預(yù)警機(jī)制探討.經(jīng)濟(jì)師，2005年02期

[2]王 君:貸款分類原理與實務(wù)（第二版）[M].北京:中國金融出版社，2002

[3]劉普寅 吳孟達(dá):模糊理論及其應(yīng)用.北京:國防科技大學(xué)出版社，2001

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文