神經(jīng)網(wǎng)絡(luò)法在商業(yè)銀行信用風險計量中的應(yīng)用

楊肅昌 仇亞萍

[提要] 本文在介紹國內(nèi)外商業(yè)銀行信用風險計量方法基礎(chǔ)上，詳細歸納總結(jié)從1999～2007年和2008～2015年兩個階段內(nèi)，我國應(yīng)用神經(jīng)網(wǎng)絡(luò)模型解決商業(yè)銀行信用風險計量問題的研究發(fā)展歷程，發(fā)現(xiàn)該模型還存在一定缺陷，需要繼續(xù)進行研究和改進，并在此基礎(chǔ)上提出改進建議。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；商業(yè)銀行；信用風險計量

中圖分類號：F83 文獻標識碼：A

收錄日期：2015年9月9日

1999年，《巴塞爾新資本協(xié)議》首次提出應(yīng)用于商業(yè)銀行信用風險計量的標準法和內(nèi)部評級法，對各國產(chǎn)生了巨大影響，商業(yè)銀行信用風險管理一度成為國內(nèi)外經(jīng)濟學界關(guān)注的焦點，然而十幾年過去了，我國信用風險管理并未達到理想的效果。根據(jù)銀監(jiān)會監(jiān)管統(tǒng)計數(shù)據(jù)，截至2014年末，商業(yè)銀行不良貸款余額累計達8，426億元，不良貸款率1.25%，較年初增長0.25個百分點，整個銀行業(yè)信用風險居高不下，并且持續(xù)上升。

作為商業(yè)銀行的主要風險，信用風險的管理有著特殊的地位。信用風險管理主要由信用風險的識別、評估（計量）、監(jiān)測、報告與控制等環(huán)節(jié)構(gòu)成。其中，信用風險的評估是基礎(chǔ)。特別是，在利率市場化背景下，對信用風險的準確評估和價值把握將成為新形勢下商業(yè)銀行盈利的關(guān)鍵。

20世紀90年代以來，信用風險評估技術(shù)日新月異，在傳統(tǒng)多元判別法、logit模型等傳統(tǒng)信用評分法的基礎(chǔ)上，涌現(xiàn)出一批現(xiàn)代信用風險度量模型。典型的有以預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)的初始化對歷史經(jīng)驗數(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、信息技術(shù)和計算機網(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)被引入信用風險評估領(lǐng)域。大量研究顯示，神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的要求并不十分嚴格，同時也不必探究清楚被解釋變量與解釋變量之間準確的函數(shù)關(guān)系，這就與我國信用風險管理尚未成熟的現(xiàn)狀相契合；同時，神經(jīng)網(wǎng)絡(luò)特有的非線性映射能力和較強的魯棒性使得模型預測準確快速，具有明顯優(yōu)勢。

一、神經(jīng)網(wǎng)絡(luò)法及其基本評價

90年代以來，全球范圍內(nèi)計算機信息技術(shù)迅速發(fā)展，基于人工智能的智能計算技術(shù)為商業(yè)銀行信用風險評估的研究開拓了一個全新的研究領(lǐng)域，而基于神經(jīng)網(wǎng)絡(luò)的評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)元相互連接形成復雜非線性網(wǎng)絡(luò)，具有自我訓練、自主學習的能力。在這類模型中，信用風險評估被視為模式識別的分類問題，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，并對其他企業(yè)進行分類預測。神經(jīng)網(wǎng)絡(luò)是一項新型的非線性技術(shù)，對數(shù)據(jù)質(zhì)量要求不高，也沒有嚴格的數(shù)據(jù)分布假設(shè)，有著其他模型無法比擬的優(yōu)點。

神經(jīng)網(wǎng)絡(luò)，全稱為人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network），從仿生學視角模擬人類大腦運作過程，通過模仿生物學中神經(jīng)系統(tǒng)建立一個個神經(jīng)元模型，通過類似神經(jīng)細胞突觸互聯(lián)的拓撲連接方式，形成復雜宏大的動態(tài)網(wǎng)絡(luò)，能夠?qū)斎氲臄?shù)據(jù)進行信息處理。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)的原理和運作機制。

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)銀行信用風險計量領(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的魯棒性使得模型預測準確快速，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神經(jīng)網(wǎng)絡(luò)模型進行優(yōu)化后，其預測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險計量方面的應(yīng)用。如神經(jīng)網(wǎng)絡(luò)具有一定的片面性和盲目性，訓練是完全的黑箱操作，無法干預，許多專家經(jīng)驗派不上用場；人們普遍認為神經(jīng)網(wǎng)絡(luò)是不可解釋的，用神經(jīng)網(wǎng)絡(luò)來進行信用評級時，無法說明訓練后，各參數(shù)和閥值的經(jīng)濟含義，不具有說服性。

二、神經(jīng)網(wǎng)絡(luò)法文獻統(tǒng)計

通過對1999～2015年20余篇相關(guān)文獻的進一步分析，我們發(fā)現(xiàn)相關(guān)作者的學科背景和文獻中數(shù)據(jù)來源具有一定規(guī)律。

（一）學科背景分析。通過進一步的數(shù)據(jù)搜集和篩選，發(fā)現(xiàn)作者學科背景可考的文獻有14篇，大致分為三類：經(jīng)濟管理類、計算機科學類（包括計算機科學與技術(shù)、軟件工程、信息工程等）和數(shù)學類（包括計算數(shù)學和應(yīng)用數(shù)學），統(tǒng)計結(jié)果如圖2所示。（圖2）

其中，經(jīng)濟管理類中有4人來自于數(shù)量經(jīng)濟、信息經(jīng)濟和技術(shù)經(jīng)濟領(lǐng)域。分析表明，雖然商業(yè)銀行信用風險的計量一直是金融經(jīng)濟和銀行管理的熱點，但是其用到的工具神經(jīng)網(wǎng)絡(luò)是涉及神經(jīng)科學、計算機科學、計算數(shù)學等多個領(lǐng)域的交叉學科，模型對信用風險計量的過程中涉及到大量的運算和訓練，需要操作者具有相當深厚的算法功底，并且對待解決問題本身要有比較全面的了解和很好的判斷，且對于Matlab計算工具的熟練運用和程序編寫以及對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)較高的知識復合型人才更具優(yōu)勢。

（二）數(shù)據(jù)來源分析。文獻中明確提到所用數(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篇則通過上市公司公開披露的財務(wù)報表或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)部信息披露機制不完全，進行信用風險計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)機密，研究人員難以直接獲取實際違約公司的數(shù)據(jù)資料。因此，研究人員往往選取上市公司作為研究對象，將其公開披露的財務(wù)數(shù)據(jù)作為衡量指標，研究對象和選取指標類型的限制不具有全面性和代表性，會對神經(jīng)網(wǎng)絡(luò)信用風險計量模型的應(yīng)用產(chǎn)生不利影響。

三、神經(jīng)網(wǎng)絡(luò)法文獻內(nèi)容

目前，國內(nèi)學者對神經(jīng)網(wǎng)絡(luò)法的研究主要經(jīng)歷了兩個階段：第一個階段是對神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于信用風險計量的可行性和優(yōu)越性進行驗證，主要集中在1999～2007年之間，該階段重點驗證神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，如處理非線性問題的能力強，具有較好的非線性映射能力，同時具有較強的魯棒性，容錯能力和泛化能力較高；第二個階段是對現(xiàn)有的神經(jīng)網(wǎng)絡(luò)模型進行優(yōu)化和改進，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)理論等對神經(jīng)網(wǎng)絡(luò)學習過程及結(jié)果處理進行優(yōu)化，從而提高模型的運算速度和預測精度。目前，文獻內(nèi)容主要集中在以下兩個方面：

（一）神經(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項財務(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)銀行信用風險，運行結(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，由于神經(jīng)網(wǎng)絡(luò)模型的非線性映射能力、容錯能力、泛化能力較強，在商業(yè)銀行信用風險計量領(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，訓練的復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（無法按時償還貸款）和正常兩類，選取5個財務(wù)指標作為輸入量，建立BP三層神經(jīng)網(wǎng)絡(luò)模型計量商業(yè)銀行信用風險，訓練和預測結(jié)果較好，從測試結(jié)果看，判斷準確率高達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，對不同行業(yè)分別建立信用風險的神經(jīng)網(wǎng)絡(luò)模型。將企業(yè)細分為工業(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)兩種評估模式，在每種模式下分別初始化和訓練，結(jié)果顯示，評估的可接受率高達85%以上，遠遠高于傳統(tǒng)信用風險評估方法，說明以其較高準確性，基于神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風險計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）對以BP神經(jīng)網(wǎng)絡(luò)技術(shù)計量商業(yè)銀行信用風險時模型的隱含層個數(shù)進行了討論。他們選取某商業(yè)銀行218家公司客戶，用未按時償還貸款的比率區(qū)分信用風險高低，對46個指標進行主成分分析簡化為12個，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，同時還需要更多的運行時間，從而證實了LippmanRP于1987年提出的定理“與一個隱含層相比，用兩個隱含層的網(wǎng)絡(luò)訓練并無助于提高小規(guī)模網(wǎng)絡(luò)預測的準確率”。同時，他們還發(fā)現(xiàn)單隱層模型預測準確率是63.6%，雖然有一定的自我學習、調(diào)整和風險識別能力，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，要結(jié)合其他信用風險評估技術(shù)和手段。

高志（2007）基于SOM神經(jīng)網(wǎng)絡(luò)建立商業(yè)銀行信用風險計量模型。他以數(shù)據(jù)庫中164家各行業(yè)上市公司財務(wù)數(shù)據(jù)為基礎(chǔ)，以是否被特別處理來衡量信用風險，對初始的9項財務(wù)指標主成分分析得到4項綜合指標，建立SOM神經(jīng)網(wǎng)絡(luò)模型。測試結(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，同時也驗證了神經(jīng)網(wǎng)絡(luò)應(yīng)用于信用風險度量的可行性：神經(jīng)網(wǎng)絡(luò)方法具有較強的非線性映射能力，是一種非參數(shù)的、較為穩(wěn)健的方法，具有較強的學習能力；神經(jīng)網(wǎng)絡(luò)存儲結(jié)構(gòu)是存儲式的，網(wǎng)絡(luò)中少量局部的缺損并不會造成網(wǎng)絡(luò)癱瘓，容錯能力強，顯示出較強的魯棒性。

（二）神經(jīng)網(wǎng)絡(luò)法模型的優(yōu)化與改進研究。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對數(shù)據(jù)進行處理，通過因子分析得到指標最少個數(shù)，將最初提出的16項財務(wù)指標簡化為4個解釋因子，且具有較明顯的經(jīng)濟含義。以其作為輸入量，進行模糊化處理后，進行網(wǎng)絡(luò)學習，從訓練結(jié)果看，預測誤差很小，取得了較為滿意的結(jié)果。同時，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，可以由信用風險計量人員依據(jù)經(jīng)驗針對不同問題進行調(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)銀行信用風險的計量中。

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)銀行信用風險模型。他們認為單獨的BP神經(jīng)網(wǎng)絡(luò)計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)合起來建立信用風險計量模型，可以發(fā)揮各自優(yōu)勢，具有更理想的效果。他們選取中國工商銀行某支行的100個貸款實際樣本，建立營運能力、償債能力、盈利能力、貸款方式4個評價指標，利用Matlab實證分析，運行結(jié)果顯示所建模型誤差很小，比單獨采用一種或兩種方法準確性更高，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)來評估商業(yè)銀行信用風險，由于信用分析人員可以根據(jù)實際經(jīng)驗調(diào)整模糊運算規(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個樣本數(shù)據(jù)，通過因子分析將16項指標簡化為4個解釋因子，建立模糊神經(jīng)網(wǎng)絡(luò)模型，訓練結(jié)果較為滿意，預測誤差小，同時模糊規(guī)則層還可以根據(jù)具體情況進行調(diào)節(jié)，具有較強的準確性和可操作性。

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，建立改進的神經(jīng)網(wǎng)絡(luò)與證據(jù)理論融合模型，得到的評估結(jié)果與實際客戶的違約情況基本一致，給出較為精確的評價結(jié)果，優(yōu)于單純的神經(jīng)網(wǎng)絡(luò)評估模型。

宿玉海、彭雷、郭勝川（2012）基于BP神經(jīng)網(wǎng)絡(luò)信用風險計量模型計算過程中自身權(quán)值調(diào)整方式存在的缺陷，提出用Adaboost算法和遺傳算法進行改進。通過對200家上市公司的財務(wù)指標進行考察，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信用風險進行計量。

柳凌燕、王憲明、胡繼成（2014）針對傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)在訓練效果上依賴于初始值以及訓練參數(shù)的設(shè)定，且具有收斂速度慢，易陷入局部極小值等缺點，設(shè)計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，并將改進后的免疫規(guī)劃算法應(yīng)用到神經(jīng)網(wǎng)絡(luò)的訓練過程。他們選取國內(nèi)16家上市銀行相關(guān)指標數(shù)據(jù)作為樣本，以《金融藍皮書：中國商業(yè)銀行競爭力報告》風險評估值為基礎(chǔ)，建立改進的三層BP神經(jīng)網(wǎng)絡(luò)模型，結(jié)果表明該模型收斂速度較快，而且預測準確度較高，證明了該融合免疫規(guī)劃算法的BP神經(jīng)網(wǎng)絡(luò)模型在信用風險計量上的有效性。

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)銀行信用風險計量領(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的魯棒性使得模型預測準確快速，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神經(jīng)網(wǎng)絡(luò)模型進行優(yōu)化后，其預測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險計量方面的應(yīng)用。如神經(jīng)網(wǎng)絡(luò)具有一定的片面性和盲目性，訓練是完全的黑箱操作，無法干預，許多專家經(jīng)驗派不上用場；人們普遍認為神經(jīng)網(wǎng)絡(luò)是不可解釋的，用神經(jīng)網(wǎng)絡(luò)來進行信用評級時，無法說明訓練后，各參數(shù)和閥值的經(jīng)濟含義，不具有說服性。

當前流行做法是將商業(yè)銀行的信用風險轉(zhuǎn)化為企業(yè)財務(wù)狀況的判別問題，往往利用企業(yè)財務(wù)數(shù)據(jù)來衡量可能存在的信用風險，但影響企業(yè)信用風險的因素還有很多，為此建議將能反映公司管理水平的定性指標，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、更全面地計量信用風險，取得更好的評估效果。

主要參考文獻：

[1]韓立群.人工神經(jīng)網(wǎng)絡(luò)[M].北京：北京郵電大學出版社，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，2003.

[3]陳誠高.神經(jīng)網(wǎng)絡(luò)技術(shù)在商業(yè)銀行信用風險評估系統(tǒng)中的應(yīng)用研究[D].江蘇：東南大學，2006.

[4]李萌，陳柳欽.基于BP神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風險識別實證分析[J].南京社會科學，2007.1.

[5]高志.SOM神經(jīng)網(wǎng)絡(luò)模型在商業(yè)銀行信用風險評估中的應(yīng)用研究[J].電腦知識與技術(shù)，2007.

[6]宋麗華.基于神經(jīng)網(wǎng)絡(luò)與證據(jù)理論的商業(yè)銀行信用風險評估[D].黑龍江：哈爾濱工業(yè)大學，2010.

[7]翟萬里.基于人工神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風險評估模型研究[D].湖南：長沙理工大學，2013.