基于BP神經(jīng)網(wǎng)絡(luò)的客戶信用風(fēng)險(xiǎn)評(píng)價(jià)

于彤　李海東

摘 要： 我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)管理不足，已經(jīng)嚴(yán)重影響銀行的發(fā)展，因而銀行需要重視客戶信用風(fēng)險(xiǎn)評(píng)估。分析了銀行信用風(fēng)險(xiǎn)的成因及評(píng)估存在的問題，從企業(yè)的財(cái)務(wù)情況出發(fā)，建立了客戶信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系。隨機(jī)選取了我國(guó)制造業(yè)的160個(gè)上市公司樣本，包括36個(gè)ST企業(yè)和124個(gè)非ST企業(yè)，并基于三層BP神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行訓(xùn)練及仿真測(cè)試，研究發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)適用于信用風(fēng)險(xiǎn)評(píng)估，且其準(zhǔn)確性優(yōu)于Logistic回歸模型。最后，從銀行、企業(yè)、政府三個(gè)角度出發(fā)，對(duì)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)管理提出了一些建議及對(duì)策。

關(guān)鍵詞： 信用風(fēng)險(xiǎn)評(píng)估； 評(píng)估指標(biāo)體系； 神經(jīng)網(wǎng)絡(luò)； 商業(yè)銀行

中圖分類號(hào)： TN911?34； F832.1 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2014）10?0008?04

Abstract： The banks in China shouls pay more attention to the customer credit risk assessment because the commercial bank credit risk management in China is insufficient， which has seriously affected the development of banks. The formation cause of the bank credit risk and the problems existing in the assessment are analyzed. The customer credit risk assessment index system was established on the basis of financial situation of enterprises. The 160 samples in listed companies in Chinese manufacturing industry were selected randomly， including 36 ST companies and 144 non ST companies， and then tested based on three?layer BP neural network training. It is found in the research that the BP neural network is suitable for the credit risk assessment， and its accuracy is better than that of Logistic regression model. Some suggestions and countermeasures to the credit risk management of Chinese commercial banks are put forward.

Keywords： credit risk assessment； assessment index system； neural network； commercial bank

商業(yè)銀行作為融資機(jī)構(gòu)，為企業(yè)、政府及個(gè)人提供貸款是其最主要的服務(wù)之一，銀行客戶的存貸款利差是目前我國(guó)商業(yè)銀行的主要收入來(lái)源[1]，從而導(dǎo)致信用風(fēng)險(xiǎn)成為我國(guó)商業(yè)銀行面臨的最重要風(fēng)險(xiǎn)。

1 概 述

2012年末，我國(guó)商業(yè)銀行不良貸款余額為4 928.5億元，其中次級(jí)貸款為2 176.2億元，可疑貸款為2 122.4億元，損失貸款為630.0億元，銀監(jiān)會(huì)強(qiáng)調(diào)了風(fēng)險(xiǎn)管理的重要性。

我國(guó)法律體系不完備、監(jiān)管不到位、銀行內(nèi)部控制存在問題、信息不對(duì)稱等原因，加劇了作為企業(yè)債權(quán)人銀行的風(fēng)險(xiǎn)[2]。目前實(shí)行的緊縮性貨幣政策，使商業(yè)銀行出現(xiàn)了“錢荒”現(xiàn)象，導(dǎo)致企業(yè)融資難。我國(guó)商業(yè)銀行需要提高信用風(fēng)險(xiǎn)評(píng)估的技術(shù)和準(zhǔn)確率，為信用等級(jí)較好的企業(yè)提供資金，實(shí)現(xiàn)資源優(yōu)化配置。

2004年的新巴塞爾資本協(xié)在原有協(xié)議基礎(chǔ)上進(jìn)行了修訂，其旨在優(yōu)化風(fēng)險(xiǎn)管理制度和提升國(guó)際金融的風(fēng)險(xiǎn)管理能力，鼓勵(lì)銀行根據(jù)自身情況不斷改進(jìn)風(fēng)險(xiǎn)評(píng)估方法[3?4]。

2 神經(jīng)網(wǎng)絡(luò)的理論及算法

人工神經(jīng)網(wǎng)絡(luò)是在神經(jīng)科學(xué)的基礎(chǔ)上模擬人工智能的一種網(wǎng)絡(luò)計(jì)算系統(tǒng)[5]，BP神經(jīng)網(wǎng)絡(luò)（Back?Propagation Neural Network，BP網(wǎng)絡(luò)）是一種對(duì)非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò)，屬于多層狀型的人工神經(jīng)網(wǎng)絡(luò)，由若干層神經(jīng)元組成，各層的神經(jīng)元發(fā)揮著不同的作用，本文主要利用三層BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法進(jìn)行研究。

3 分 析

3.1 財(cái)務(wù)指標(biāo)體系的建立和篩選

由于數(shù)據(jù)和信息有限，以財(cái)務(wù)指標(biāo)為主要參考，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行等級(jí)分類，建立財(cái)務(wù)情況的三級(jí)指標(biāo)，如表1所示。

表1 財(cái)務(wù)情況指標(biāo)體系

過多相關(guān)性太高的指標(biāo)可能影響評(píng)估的準(zhǔn)確性，因此要檢驗(yàn)指標(biāo)間的相關(guān)性，選取制造業(yè)的120家上市公司的財(cái)務(wù)數(shù)據(jù)，利用SPSS檢驗(yàn)指標(biāo)的相關(guān)性，發(fā)現(xiàn)營(yíng)業(yè)收入現(xiàn)金比率與現(xiàn)金流量比之間的相關(guān)系數(shù)為0.780，流動(dòng)比率、資產(chǎn)負(fù)債率、現(xiàn)金流量比三者之間，營(yíng)業(yè)收入增長(zhǎng)率、資本積累率和凈資產(chǎn)收益增長(zhǎng)率三者之間也存在顯著的相關(guān)性。

同時(shí)借助變差系數(shù)（變差系數(shù)=[標(biāo)準(zhǔn)差平均值]）進(jìn)行分析，它能夠反映指標(biāo)的鑒別能力，變差系數(shù)較高的指標(biāo)鑒別能力較強(qiáng)，變差系數(shù)較低的指標(biāo)鑒別能力較弱。

經(jīng)過對(duì)這些指標(biāo)變差系數(shù)的計(jì)算，剔除資產(chǎn)負(fù)債率、總資產(chǎn)凈利率、資本積累率和凈資產(chǎn)收益增長(zhǎng)率，那么主要的指標(biāo)有9個(gè)：流動(dòng)比率（X1）、現(xiàn)金流量比（X2）、利息保障倍數(shù)（X3）、營(yíng)業(yè)毛利率（X4）、銷售凈利率（X5）、營(yíng)業(yè)收入現(xiàn)金比率（X6）、應(yīng)收賬款周轉(zhuǎn)率（X7）、總資產(chǎn)周轉(zhuǎn)率（X8）、營(yíng)業(yè)收入增長(zhǎng)率（X9）。

3.2 數(shù)據(jù)的選擇及處理

當(dāng)前我國(guó)商業(yè)銀行信息嚴(yán)重不透明，因此無(wú)法獲取實(shí)際違約公司數(shù)據(jù)[6]。參考前人的研究及做法[6?8]，將財(cái)務(wù)狀況不正常、極有可能違約的 ST 公司作為違約樣本，將財(cái)務(wù)狀況正常的非ST公司作為不違約樣本，在此基礎(chǔ)之上做簡(jiǎn)化處理。

為了加快BP神經(jīng)網(wǎng)絡(luò)的收斂速度，提高學(xué)習(xí)訓(xùn)練的效果，將原始指標(biāo)數(shù)據(jù)標(biāo)準(zhǔn)化處理到區(qū)間[0，1]內(nèi)。在以上選定的9個(gè)指標(biāo)中，流動(dòng)比率和資產(chǎn)負(fù)債率為非方向型指標(biāo)（最優(yōu)值為給定數(shù)值，分別為2和0.45，其余指標(biāo)均為正向指標(biāo)（值越大越優(yōu)）。對(duì)于正向指標(biāo)，根據(jù)式（1）進(jìn)行標(biāo)準(zhǔn)化處理；對(duì)于非方向型指標(biāo)，假設(shè)最優(yōu)值為[Xoj]，則根據(jù)式（2）完成標(biāo)準(zhǔn)化處理。

4 結(jié) 語(yǔ)

我國(guó)商業(yè)銀行應(yīng)積極響應(yīng)新巴塞爾協(xié)議的要求，提高信用風(fēng)險(xiǎn)評(píng)估技術(shù)，提高信用評(píng)估的準(zhǔn)確性，促進(jìn)銀行業(yè)風(fēng)險(xiǎn)管理、社會(huì)信用體系的建設(shè)。不僅應(yīng)從技術(shù)層面來(lái)改善，更應(yīng)該從制度層面上進(jìn)行整體完善，從而提供制度保障。

銀行應(yīng)借鑒并改進(jìn)國(guó)際先進(jìn)的信用評(píng)估技術(shù)，同時(shí)還需健全規(guī)范內(nèi)部控制制度、完善信用評(píng)估系統(tǒng)、建立合理的激勵(lì)機(jī)制來(lái)加強(qiáng)銀行的信用風(fēng)險(xiǎn)管理。此外，企業(yè)應(yīng)增強(qiáng)自身的信用意識(shí)和社會(huì)責(zé)任感，并建立企業(yè)內(nèi)部的信用風(fēng)險(xiǎn)管理制度。最后，政府應(yīng)完善我國(guó)的信用體系的法制建設(shè)、信息管理建設(shè)，發(fā)揮信用中介的積極作用。

參考文獻(xiàn)

[1] 黃雋，章艷紅.商業(yè)銀行的風(fēng)險(xiǎn)：規(guī)模和非利息收入：以美國(guó)為例[J].金融研究，2010（6）：79?94.

[2] 席穎.淺析我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)的防范[J].法制與社會(huì)， 2011（12）：110?111.

[3] 王珊珊，呂建.淺析新巴塞爾協(xié)議及其對(duì)我國(guó)銀行的影響[J].時(shí)代金融，2011（12）：80?81.

[4] 金貝杯.簡(jiǎn)述新巴塞爾協(xié)議對(duì)舊巴塞爾協(xié)議國(guó)際銀行監(jiān)管思想的發(fā)展[J].金融天地，2011（2）：134?135.

[5] BAESENS B， SETIONO R， MUES C， et al. Using neural network rule extraction and decision tables for credit?risk evaluation [J]. Management Science， 2003， 49（3）： 312?329.

[6] 張能福，張佳.改進(jìn)的KMV 模型在我國(guó)上市公司信用風(fēng)險(xiǎn)度量中的應(yīng)用[J].預(yù)測(cè)，2010（5）：50?54.

[7] 吳松，張冬鵬，胡煊.一種預(yù)定義規(guī)則的數(shù)據(jù)挖掘方法在商業(yè)銀行審計(jì)中的應(yīng)用[J].信息系統(tǒng)工程，2012（1）：34?35.

[8] 李穎超.商業(yè)銀行基于KMV模型對(duì)上市公司客戶信用風(fēng)險(xiǎn)度量研究[D].重慶：西南政法大學(xué)，2012.

[9] 羅曉光，劉飛虎.基于Logistic回歸法的商業(yè)銀行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型研究[J].金融發(fā)展研究，2011（11）：57?61.

[10] 張傳新，王光偉.基于主成分分析和Logit模型的商業(yè)銀行引用風(fēng)險(xiǎn)度量研究[J].西部經(jīng)濟(jì)管理論壇，2012，23（4）：17?23.

[11] 梁碩.商業(yè)銀行信用風(fēng)險(xiǎn)模型研究[D].北京：首都經(jīng)濟(jì)貿(mào)易大學(xué)，2011.

3.2 數(shù)據(jù)的選擇及處理

當(dāng)前我國(guó)商業(yè)銀行信息嚴(yán)重不透明，因此無(wú)法獲取實(shí)際違約公司數(shù)據(jù)[6]。參考前人的研究及做法[6?8]，將財(cái)務(wù)狀況不正常、極有可能違約的 ST 公司作為違約樣本，將財(cái)務(wù)狀況正常的非ST公司作為不違約樣本，在此基礎(chǔ)之上做簡(jiǎn)化處理。

為了加快BP神經(jīng)網(wǎng)絡(luò)的收斂速度，提高學(xué)習(xí)訓(xùn)練的效果，將原始指標(biāo)數(shù)據(jù)標(biāo)準(zhǔn)化處理到區(qū)間[0，1]內(nèi)。在以上選定的9個(gè)指標(biāo)中，流動(dòng)比率和資產(chǎn)負(fù)債率為非方向型指標(biāo)（最優(yōu)值為給定數(shù)值，分別為2和0.45，其余指標(biāo)均為正向指標(biāo)（值越大越優(yōu)）。對(duì)于正向指標(biāo)，根據(jù)式（1）進(jìn)行標(biāo)準(zhǔn)化處理；對(duì)于非方向型指標(biāo)，假設(shè)最優(yōu)值為[Xoj]，則根據(jù)式（2）完成標(biāo)準(zhǔn)化處理。

4 結(jié) 語(yǔ)

我國(guó)商業(yè)銀行應(yīng)積極響應(yīng)新巴塞爾協(xié)議的要求，提高信用風(fēng)險(xiǎn)評(píng)估技術(shù)，提高信用評(píng)估的準(zhǔn)確性，促進(jìn)銀行業(yè)風(fēng)險(xiǎn)管理、社會(huì)信用體系的建設(shè)。不僅應(yīng)從技術(shù)層面來(lái)改善，更應(yīng)該從制度層面上進(jìn)行整體完善，從而提供制度保障。

銀行應(yīng)借鑒并改進(jìn)國(guó)際先進(jìn)的信用評(píng)估技術(shù)，同時(shí)還需健全規(guī)范內(nèi)部控制制度、完善信用評(píng)估系統(tǒng)、建立合理的激勵(lì)機(jī)制來(lái)加強(qiáng)銀行的信用風(fēng)險(xiǎn)管理。此外，企業(yè)應(yīng)增強(qiáng)自身的信用意識(shí)和社會(huì)責(zé)任感，并建立企業(yè)內(nèi)部的信用風(fēng)險(xiǎn)管理制度。最后，政府應(yīng)完善我國(guó)的信用體系的法制建設(shè)、信息管理建設(shè)，發(fā)揮信用中介的積極作用。

參考文獻(xiàn)

[1] 黃雋，章艷紅.商業(yè)銀行的風(fēng)險(xiǎn)：規(guī)模和非利息收入：以美國(guó)為例[J].金融研究，2010（6）：79?94.

[2] 席穎.淺析我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)的防范[J].法制與社會(huì)， 2011（12）：110?111.

[3] 王珊珊，呂建.淺析新巴塞爾協(xié)議及其對(duì)我國(guó)銀行的影響[J].時(shí)代金融，2011（12）：80?81.

[4] 金貝杯.簡(jiǎn)述新巴塞爾協(xié)議對(duì)舊巴塞爾協(xié)議國(guó)際銀行監(jiān)管思想的發(fā)展[J].金融天地，2011（2）：134?135.

[5] BAESENS B， SETIONO R， MUES C， et al. Using neural network rule extraction and decision tables for credit?risk evaluation [J]. Management Science， 2003， 49（3）： 312?329.

[6] 張能福，張佳.改進(jìn)的KMV 模型在我國(guó)上市公司信用風(fēng)險(xiǎn)度量中的應(yīng)用[J].預(yù)測(cè)，2010（5）：50?54.

[7] 吳松，張冬鵬，胡煊.一種預(yù)定義規(guī)則的數(shù)據(jù)挖掘方法在商業(yè)銀行審計(jì)中的應(yīng)用[J].信息系統(tǒng)工程，2012（1）：34?35.

[8] 李穎超.商業(yè)銀行基于KMV模型對(duì)上市公司客戶信用風(fēng)險(xiǎn)度量研究[D].重慶：西南政法大學(xué)，2012.

[9] 羅曉光，劉飛虎.基于Logistic回歸法的商業(yè)銀行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型研究[J].金融發(fā)展研究，2011（11）：57?61.

[10] 張傳新，王光偉.基于主成分分析和Logit模型的商業(yè)銀行引用風(fēng)險(xiǎn)度量研究[J].西部經(jīng)濟(jì)管理論壇，2012，23（4）：17?23.

[11] 梁碩.商業(yè)銀行信用風(fēng)險(xiǎn)模型研究[D].北京：首都經(jīng)濟(jì)貿(mào)易大學(xué)，2011.

3.2 數(shù)據(jù)的選擇及處理

當(dāng)前我國(guó)商業(yè)銀行信息嚴(yán)重不透明，因此無(wú)法獲取實(shí)際違約公司數(shù)據(jù)[6]。參考前人的研究及做法[6?8]，將財(cái)務(wù)狀況不正常、極有可能違約的 ST 公司作為違約樣本，將財(cái)務(wù)狀況正常的非ST公司作為不違約樣本，在此基礎(chǔ)之上做簡(jiǎn)化處理。

為了加快BP神經(jīng)網(wǎng)絡(luò)的收斂速度，提高學(xué)習(xí)訓(xùn)練的效果，將原始指標(biāo)數(shù)據(jù)標(biāo)準(zhǔn)化處理到區(qū)間[0，1]內(nèi)。在以上選定的9個(gè)指標(biāo)中，流動(dòng)比率和資產(chǎn)負(fù)債率為非方向型指標(biāo)（最優(yōu)值為給定數(shù)值，分別為2和0.45，其余指標(biāo)均為正向指標(biāo)（值越大越優(yōu)）。對(duì)于正向指標(biāo)，根據(jù)式（1）進(jìn)行標(biāo)準(zhǔn)化處理；對(duì)于非方向型指標(biāo)，假設(shè)最優(yōu)值為[Xoj]，則根據(jù)式（2）完成標(biāo)準(zhǔn)化處理。

4 結(jié) 語(yǔ)

我國(guó)商業(yè)銀行應(yīng)積極響應(yīng)新巴塞爾協(xié)議的要求，提高信用風(fēng)險(xiǎn)評(píng)估技術(shù)，提高信用評(píng)估的準(zhǔn)確性，促進(jìn)銀行業(yè)風(fēng)險(xiǎn)管理、社會(huì)信用體系的建設(shè)。不僅應(yīng)從技術(shù)層面來(lái)改善，更應(yīng)該從制度層面上進(jìn)行整體完善，從而提供制度保障。

銀行應(yīng)借鑒并改進(jìn)國(guó)際先進(jìn)的信用評(píng)估技術(shù)，同時(shí)還需健全規(guī)范內(nèi)部控制制度、完善信用評(píng)估系統(tǒng)、建立合理的激勵(lì)機(jī)制來(lái)加強(qiáng)銀行的信用風(fēng)險(xiǎn)管理。此外，企業(yè)應(yīng)增強(qiáng)自身的信用意識(shí)和社會(huì)責(zé)任感，并建立企業(yè)內(nèi)部的信用風(fēng)險(xiǎn)管理制度。最后，政府應(yīng)完善我國(guó)的信用體系的法制建設(shè)、信息管理建設(shè)，發(fā)揮信用中介的積極作用。

參考文獻(xiàn)

[1] 黃雋，章艷紅.商業(yè)銀行的風(fēng)險(xiǎn)：規(guī)模和非利息收入：以美國(guó)為例[J].金融研究，2010（6）：79?94.

[2] 席穎.淺析我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)的防范[J].法制與社會(huì)， 2011（12）：110?111.

[3] 王珊珊，呂建.淺析新巴塞爾協(xié)議及其對(duì)我國(guó)銀行的影響[J].時(shí)代金融，2011（12）：80?81.

[4] 金貝杯.簡(jiǎn)述新巴塞爾協(xié)議對(duì)舊巴塞爾協(xié)議國(guó)際銀行監(jiān)管思想的發(fā)展[J].金融天地，2011（2）：134?135.

[5] BAESENS B， SETIONO R， MUES C， et al. Using neural network rule extraction and decision tables for credit?risk evaluation [J]. Management Science， 2003， 49（3）： 312?329.

[6] 張能福，張佳.改進(jìn)的KMV 模型在我國(guó)上市公司信用風(fēng)險(xiǎn)度量中的應(yīng)用[J].預(yù)測(cè)，2010（5）：50?54.

[7] 吳松，張冬鵬，胡煊.一種預(yù)定義規(guī)則的數(shù)據(jù)挖掘方法在商業(yè)銀行審計(jì)中的應(yīng)用[J].信息系統(tǒng)工程，2012（1）：34?35.

[8] 李穎超.商業(yè)銀行基于KMV模型對(duì)上市公司客戶信用風(fēng)險(xiǎn)度量研究[D].重慶：西南政法大學(xué)，2012.

[9] 羅曉光，劉飛虎.基于Logistic回歸法的商業(yè)銀行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型研究[J].金融發(fā)展研究，2011（11）：57?61.

[10] 張傳新，王光偉.基于主成分分析和Logit模型的商業(yè)銀行引用風(fēng)險(xiǎn)度量研究[J].西部經(jīng)濟(jì)管理論壇，2012，23（4）：17?23.

[11] 梁碩.商業(yè)銀行信用風(fēng)險(xiǎn)模型研究[D].北京：首都經(jīng)濟(jì)貿(mào)易大學(xué)，2011.