曾嶸欣
摘 要:本文以商業(yè)銀行表內(nèi)業(yè)務(wù)和表外業(yè)務(wù)為切入點(diǎn),利用貴州省地方法人銀行的500戶信貸企業(yè)財(cái)務(wù)數(shù)據(jù),改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型,模擬構(gòu)建信用風(fēng)險(xiǎn)度量模型,取得了較好的效果。用信用風(fēng)險(xiǎn)度量模型對49家樣本企業(yè)進(jìn)行預(yù)測,結(jié)果發(fā)現(xiàn),該模型對信用風(fēng)險(xiǎn)的提示和預(yù)警具有較強(qiáng)的現(xiàn)實(shí)指導(dǎo)意義,有利于商業(yè)銀行提高防控信用風(fēng)險(xiǎn)的能力,也有利于中央銀行量化差別化貨幣政策、提高宏觀審慎管理效率。
關(guān)鍵詞:信用風(fēng)險(xiǎn)度量;BP神經(jīng)網(wǎng)絡(luò);預(yù)測
中圖分類號:F830.33 文獻(xiàn)標(biāo)識碼:A 文章編號:1674-2265(2018)06-0068-06
DOI:10.19647/j.cnki.37-1462/f.2018.06.010
一、引言
有效防控信用風(fēng)險(xiǎn)是商業(yè)銀行金融風(fēng)險(xiǎn)管理中最為關(guān)鍵也最具挑戰(zhàn)性的領(lǐng)域,而對商業(yè)銀行信用風(fēng)險(xiǎn)進(jìn)行精確的評估是其中的核心問題。西方國家信用風(fēng)險(xiǎn)評估理論先后經(jīng)歷了傳統(tǒng)的主觀分析、財(cái)務(wù)比率分析及人工智能的應(yīng)用階段。20世紀(jì)90 年代以來,人工智能和IT技術(shù)的快速發(fā)展為信用風(fēng)險(xiǎn)度量提供了新的思路與方法。專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、決策支持系統(tǒng)、遺傳算法等被引入信用風(fēng)險(xiǎn)評估中,有效克服了傳統(tǒng)統(tǒng)計(jì)分析方法對數(shù)據(jù)嚴(yán)格要求的假設(shè)。其中,神經(jīng)網(wǎng)絡(luò)模型(Artificial Nerual Network,ANN)具有更準(zhǔn)確的預(yù)測能力。如Back(2006)用遺傳算法對輸入指標(biāo)進(jìn)行篩選,并將其與ANN相結(jié)合,對破產(chǎn)企業(yè)在破產(chǎn)前三年的數(shù)據(jù)進(jìn)行分析,結(jié)果表明 ANN網(wǎng)絡(luò)模型的判別準(zhǔn)確率較高。
隨著我國金融業(yè)的快速發(fā)展,越來越多的學(xué)者和實(shí)業(yè)界人士開始關(guān)注商業(yè)銀行貸款企業(yè)信用風(fēng)險(xiǎn)評估的研究。其中,王春峰(1999)、楊保安(2001)等學(xué)者采用人工神經(jīng)網(wǎng)絡(luò)并對其應(yīng)用于信用風(fēng)險(xiǎn)分析的可行性進(jìn)行了論述,著重對構(gòu)建商業(yè)銀行信用風(fēng)險(xiǎn)分析的人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了深入細(xì)致的研究。吳沖和吳德勝(2009)等研究了神經(jīng)網(wǎng)絡(luò)在信用風(fēng)險(xiǎn)評估領(lǐng)域的應(yīng)用,分別基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)、Elman 回歸神經(jīng)網(wǎng)絡(luò)研究信用風(fēng)險(xiǎn)評估問題,并將遺傳算法繁衍樣本策略與神經(jīng)網(wǎng)絡(luò)相結(jié)合,提出運(yùn)用遺傳算法輔助網(wǎng)絡(luò)訓(xùn)練策略,構(gòu)建了相應(yīng)的神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)評估模型,在一定程度上克服了傳統(tǒng)網(wǎng)絡(luò)模型易出現(xiàn)局部極小值的不足。
從國內(nèi)的研究現(xiàn)狀來看,商業(yè)銀行信用風(fēng)險(xiǎn)評估的研究尚處于起步階段,商業(yè)銀行信用風(fēng)險(xiǎn)評估指標(biāo)的權(quán)重仍大多采用專家判斷法來確定,具有較大的主觀隨意性,使信用風(fēng)險(xiǎn)的評價(jià)結(jié)果難以反映企業(yè)的真實(shí)狀況。而對于神經(jīng)網(wǎng)絡(luò)方法在商業(yè)銀行信用風(fēng)險(xiǎn)評估中的應(yīng)用研究,多從規(guī)避神經(jīng)網(wǎng)絡(luò)模型缺陷的角度出發(fā),進(jìn)行組合模型的研究,這往往需要使用者本身具備比較深厚的模型理論功底,在一定程度上增加了模型推廣應(yīng)用的難度。
鑒于此,本文從實(shí)用性角度出發(fā),剖析商業(yè)銀行信用風(fēng)險(xiǎn)評估的影響因素,在此基礎(chǔ)上,構(gòu)建相對全面、合理的評估指標(biāo)體系。在眾多的神經(jīng)網(wǎng)絡(luò)模型中,誤差反向傳播(BP)神經(jīng)網(wǎng)絡(luò)是目前最為成熟的神經(jīng)網(wǎng)絡(luò)模型,為了更好地實(shí)現(xiàn)其推廣應(yīng)用價(jià)值,本文區(qū)別于其他關(guān)于組合模型的應(yīng)用研究,而主要基于模型自身相關(guān)參數(shù)的調(diào)整和改進(jìn)來規(guī)避其固有的應(yīng)用缺陷,這將使得改進(jìn)后的模型更具有應(yīng)用上的可操作性。
二、人工神經(jīng)網(wǎng)絡(luò)基本理論
(一)組成方式及工作原理
人工神經(jīng)網(wǎng)絡(luò)是由大量簡單的處理單元廣泛連接組成的復(fù)雜網(wǎng)絡(luò),每個神經(jīng)元可以看作是神經(jīng)網(wǎng)絡(luò)的基本運(yùn)算單元。神經(jīng)元之間是非線性映射,通過調(diào)整權(quán)重和閾值來“學(xué)習(xí)”或發(fā)現(xiàn)變量之間的關(guān)系,整個神經(jīng)網(wǎng)絡(luò)的信息處理也都是通過這些神經(jīng)元之間的相互作用而實(shí)現(xiàn)。
人工神經(jīng)網(wǎng)絡(luò)的運(yùn)算過程具有學(xué)習(xí)和工作兩個階段。在學(xué)習(xí)階段,將要教給神經(jīng)網(wǎng)絡(luò)的信息作為輸入、預(yù)期目標(biāo)作為輸出來訓(xùn)練網(wǎng)絡(luò),使網(wǎng)絡(luò)參數(shù)(包括權(quán)值、閾值等)調(diào)整到最佳。在工作階段,對于已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò),網(wǎng)絡(luò)參數(shù)不變,將一組新的樣本作為輸入變量輸入到網(wǎng)絡(luò)中,通過運(yùn)用神經(jīng)網(wǎng)絡(luò)已獲得的運(yùn)算規(guī)則進(jìn)行處理,得到相應(yīng)的輸出結(jié)果。同時(shí),人工神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過程中具有自學(xué)習(xí)與自適應(yīng)能力,能夠朝著誤差減少的方向,逐步改變各層次神經(jīng)元的權(quán)重值,以適應(yīng)周圍環(huán)境的要求。通常情況下,神經(jīng)網(wǎng)絡(luò)具有兩種不同的學(xué)習(xí)訓(xùn)練方式:一種是有導(dǎo)師的學(xué)習(xí)算法,主要利用給定的樣本標(biāo)準(zhǔn)來調(diào)整各神經(jīng)元的權(quán)值系數(shù),以達(dá)到對樣本數(shù)據(jù)進(jìn)行分類或模仿的目的;另一種是無導(dǎo)師的學(xué)習(xí)算法,只規(guī)定學(xué)習(xí)方式或?qū)W習(xí)規(guī)則,具體的學(xué)習(xí)內(nèi)容隨輸入信號不同而不同,系統(tǒng)能自動發(fā)現(xiàn)并學(xué)習(xí)和儲存環(huán)境特征及規(guī)律,可以自動地調(diào)整連接權(quán)值,以便對輸入樣本分組聚集,這種學(xué)習(xí)方法更接近于人腦的功能。
(二)BP人工神經(jīng)網(wǎng)絡(luò)模型
BP神經(jīng)網(wǎng)絡(luò)( Back Propagation)是一種采用誤差反向傳播的學(xué)習(xí)算法,是由一個輸入層、一個或多個隱含層及一個輸出層組成的階層型神經(jīng)網(wǎng)絡(luò)。每層由一定數(shù)量的神經(jīng)元構(gòu)成,相鄰層之間的神經(jīng)元如同人的神經(jīng)細(xì)胞一樣是互相連接的,而每層的神經(jīng)元之間無連接。輸入信號先由輸入層向前傳播到隱結(jié)點(diǎn),經(jīng)過變換函數(shù)的處理之后,把隱結(jié)點(diǎn)的輸出信息傳播到輸出結(jié)點(diǎn),再給出輸出結(jié)果。研究發(fā)現(xiàn),網(wǎng)絡(luò)的擬合精度與網(wǎng)絡(luò)層數(shù)和每層節(jié)點(diǎn)數(shù)正相關(guān)。增加網(wǎng)絡(luò)層數(shù)雖然可提高擬合精度,但會使網(wǎng)絡(luò)復(fù)雜化,同時(shí)增加訓(xùn)練時(shí)間。依據(jù)Kolmogorov理論,在一定條件下,對于任意給定的ε>0,存在一個三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),它能以ε均方差的精度逼近任意連續(xù)函數(shù)或精確數(shù)據(jù)分類,可解決現(xiàn)實(shí)中大部分非線性的數(shù)據(jù)處理問題,應(yīng)用也最為普遍。
BP 神經(jīng)網(wǎng)絡(luò)的算法學(xué)習(xí)步驟如下:一是從總體樣本中選取一部分作為訓(xùn)練樣本,將其信息輸入到網(wǎng)絡(luò)中;二是樣本信息經(jīng)網(wǎng)絡(luò)隱含層的處理后由輸出層輸出;三是計(jì)算網(wǎng)絡(luò)的實(shí)際輸出和期望輸出的誤差值;四是從輸出層開始反向計(jì)算到第一個隱含層,按照誤差減少的原則調(diào)整整個網(wǎng)絡(luò)的權(quán)值;五是重復(fù)以上步驟,直到網(wǎng)絡(luò)的總誤差達(dá)到目標(biāo)誤差值為止。
通過以上步驟的反復(fù)訓(xùn)練之后,網(wǎng)絡(luò)各節(jié)點(diǎn)之間的連接權(quán)值就完全得到確認(rèn),此時(shí),可以用來對未知樣本進(jìn)行識別預(yù)測處理。
三、商業(yè)銀行信用風(fēng)險(xiǎn)度量模型構(gòu)建及運(yùn)用
(一)商業(yè)銀行信用風(fēng)險(xiǎn)度量的指標(biāo)體系建立
本文在構(gòu)建評估指標(biāo)體系時(shí)遵循以下兩個步驟:首先依據(jù)以往研究構(gòu)建的影響因素,對指標(biāo)進(jìn)行初選;然后運(yùn)用統(tǒng)計(jì)方法,結(jié)合專家咨詢,對初步確定的指標(biāo)進(jìn)行篩選,剔除對信用風(fēng)險(xiǎn)評估貢獻(xiàn)不大及相關(guān)性較強(qiáng)的指標(biāo),增加遺漏的主要指標(biāo),以此完善評價(jià)指標(biāo)體系,最后得出商業(yè)銀行信用風(fēng)險(xiǎn)評估指標(biāo)體系。依據(jù)上述方法,在確定評價(jià)指標(biāo)影響因素的基礎(chǔ)上,從盈利能力、發(fā)展能力、營運(yùn)能力、償債能力、現(xiàn)金流能力等五個方面對評價(jià)指標(biāo)進(jìn)行選擇,結(jié)合已有研究成果,得出本文所采用的財(cái)務(wù)指標(biāo),如表1所示。
(二)改進(jìn) BP 神經(jīng)網(wǎng)絡(luò)模型
由于 BP 網(wǎng)絡(luò)采用的是誤差反向傳播的算法,在網(wǎng)絡(luò)結(jié)構(gòu)較大時(shí)存在計(jì)算時(shí)間長、易陷入局部極小值而得不到最優(yōu)結(jié)果的缺點(diǎn)。本文采用以下兩種方法對標(biāo)準(zhǔn) BP 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn):
一是增加動量項(xiàng)。動量項(xiàng)反映了以前積累的網(wǎng)絡(luò)權(quán)值調(diào)整經(jīng)驗(yàn),從前次權(quán)值的調(diào)整量中取出一部分疊加到本次權(quán)值的調(diào)整量中,使得網(wǎng)絡(luò)權(quán)值的變化保持一定速度水平,減小了算法在網(wǎng)絡(luò)權(quán)值調(diào)整過程中的震蕩趨勢,以提高訓(xùn)練速度,有效地解決標(biāo)準(zhǔn) BP 算法易陷入局部極小值的不足。
二是自適應(yīng)調(diào)節(jié)學(xué)習(xí)速率。BP 算法在數(shù)據(jù)處理過程中采用梯度下降法,即利用誤差對于權(quán)、閾值的一階導(dǎo)數(shù)信息來指導(dǎo)下一步的權(quán)值調(diào)整方向,以使得最終得到總誤差最小。為了保證網(wǎng)絡(luò)收斂,算法的學(xué)習(xí)速率η必須小于某一上限,一般取0<η<1,而且當(dāng)誤差越接近極小值時(shí),由于梯度變化值逐漸趨于零,算法的收斂會越來越慢。為了提高學(xué)習(xí)速度,需要采用較大的學(xué)習(xí)速率,這又會導(dǎo)致網(wǎng)絡(luò)在穩(wěn)定點(diǎn)附近振蕩,使循環(huán)次數(shù)增加,甚至致使網(wǎng)絡(luò)不收斂。為有效解決這一困境,本文采用增加學(xué)習(xí)速率自調(diào)整的策略,使其該大時(shí)則增大,該小時(shí)則減小。具體說,當(dāng)網(wǎng)絡(luò)權(quán)值修改使得誤差信號趨向于減小,則加大下一次學(xué)習(xí)過程的學(xué)習(xí)速率值;當(dāng)網(wǎng)絡(luò)權(quán)值修改使得誤差信號增大,則減小下一學(xué)習(xí)過程的學(xué)習(xí)速率值。
經(jīng)過上述改進(jìn)后的BP算法,能夠有效地降低模型運(yùn)算的震蕩幅度與次數(shù),保證算法的收斂性,加快收斂速度,具有相當(dāng)重要的實(shí)際應(yīng)用價(jià)值。
(三)商業(yè)銀行信用風(fēng)險(xiǎn)度量模型的構(gòu)建
1. 樣本的選取及數(shù)據(jù)集劃分。本文在貴州省地方性法人銀行機(jī)構(gòu)(貴州銀行、貴陽銀行和貴州省農(nóng)信社)的信貸客戶中隨機(jī)選取500戶有信貸業(yè)務(wù)的企業(yè),其中,250戶企業(yè)發(fā)生過表內(nèi)信貸業(yè)務(wù),250戶企業(yè)發(fā)生過表外信貸業(yè)務(wù)。從企業(yè)信用狀況來看,300戶企業(yè)信用狀況良好,200戶企業(yè)出現(xiàn)過逾期。從貴州省工業(yè)景氣調(diào)查監(jiān)測企業(yè)中選取49戶無信貸業(yè)務(wù)企業(yè),總計(jì)549戶企業(yè),從企業(yè)的所屬行業(yè)來看,包含制造業(yè)、能源動力、建筑業(yè)、交通、醫(yī)藥、電子、商貿(mào)、咨詢、材料等多個行業(yè),具有較強(qiáng)的代表性,同時(shí)對樣本企業(yè)的財(cái)務(wù)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。
2. BP模型的參數(shù)設(shè)定。本文構(gòu)建的商業(yè)銀行信用風(fēng)險(xiǎn)評估的BP神經(jīng)網(wǎng)絡(luò)模型采用包含輸入層、單隱含層和輸出層典型的3 層結(jié)構(gòu)。輸入層的節(jié)點(diǎn)數(shù)由本文構(gòu)建指標(biāo)體系的13個財(cái)務(wù)指標(biāo)確定,即輸入層有13個神經(jīng)元。輸出層節(jié)點(diǎn)數(shù)設(shè)定為1個,假設(shè)輸出值接近于 0 時(shí),為正常企業(yè);輸出值接近于1時(shí),為違約企業(yè)。隱含層節(jié)點(diǎn)數(shù)初始值為7 個,隨后將采用試湊法確定網(wǎng)絡(luò)誤差最小時(shí)對應(yīng)的隱節(jié)點(diǎn)數(shù)。由此構(gòu)成一個13-7-1型的初始三層 BP 神經(jīng)網(wǎng)絡(luò)模型。初始設(shè)置最大的訓(xùn)練次數(shù)為 50000 次,即當(dāng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)達(dá)到 50000,停止訓(xùn)練。根據(jù)軟件要求及模型的需要,本文設(shè)置的誤差精度是0.65×10-3,當(dāng)兩次的迭代結(jié)果誤差小于該值時(shí),系統(tǒng)會結(jié)束迭代運(yùn)算。 隱含層和輸出層的激勵函數(shù)均選擇對數(shù) S 型函數(shù)即 tansig函數(shù)。學(xué)習(xí)函數(shù)設(shè)定為梯度下降動量學(xué)習(xí)函數(shù)(Learngdm)。自適應(yīng)調(diào)整學(xué)習(xí)速率并附加動量因子的梯度下降反向傳播算法函數(shù)(traingdx),該算法是梯度下降法與自適應(yīng)調(diào)整學(xué)習(xí)速率法組合優(yōu)化算法,具有收斂速度快、學(xué)習(xí)效果好、計(jì)算精度高的特點(diǎn),提高了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度并增加了算法的可靠性。網(wǎng)絡(luò)收斂的誤差性能函數(shù)采用最小均方誤差值 MSE,目標(biāo)值定為 0.0001。
以往國內(nèi)對信用風(fēng)險(xiǎn)的度量集中于傳統(tǒng)的信貸業(yè)務(wù),但近年來表外業(yè)務(wù)快速發(fā)展,僅測度表內(nèi)信貸業(yè)務(wù)遠(yuǎn)不能全面客觀反映商業(yè)銀行面臨的信用風(fēng)險(xiǎn),因此本文將分別構(gòu)建表內(nèi)和表外業(yè)務(wù)的信用風(fēng)險(xiǎn)度量模型。
3. 表內(nèi)業(yè)務(wù)信用風(fēng)險(xiǎn)度量模型建立和檢驗(yàn)。
(1)劃分?jǐn)?shù)據(jù)集。根據(jù)本文的研究思路和BP網(wǎng)絡(luò)評估模型建立需求,將250個表內(nèi)樣本數(shù)據(jù)分為訓(xùn)練組X21和測試組X22。其中訓(xùn)練組X21 為125個樣本(50個違約樣本和 75個正常樣本),測試組X22為125個樣本(50 個違約樣本和 75 個正常樣本)。
(2)模型建立。針對表內(nèi)業(yè)務(wù)數(shù)據(jù)組進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程,反復(fù)調(diào)試后當(dāng)隱含層節(jié)點(diǎn)數(shù)為 7 個時(shí),當(dāng)網(wǎng)絡(luò)迭代運(yùn)算 290 次之后,網(wǎng)絡(luò)性能為 0.000632,滿足設(shè)定誤差限值 0.65×10-3,且此時(shí)神經(jīng)網(wǎng)絡(luò)模型的誤差最小。停止迭代運(yùn)算,網(wǎng)絡(luò)訓(xùn)練完畢。以0.01為判別閾值,當(dāng)輸出值與實(shí)際值之差大于0.01時(shí),認(rèn)為出現(xiàn)誤判;反之亦然。
(3)模型檢驗(yàn)。構(gòu)建的表內(nèi)業(yè)務(wù)信用風(fēng)險(xiǎn)測度模型表現(xiàn)出了較好的擬合效果。下面將利用測試樣本數(shù)據(jù)來檢驗(yàn)?zāi)P偷姆夯Ч?。?25 組測試樣本數(shù)據(jù)輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行仿真測試,對其信用風(fēng)險(xiǎn)進(jìn)行評估,結(jié)果如下:
4. 表外業(yè)務(wù)信用風(fēng)險(xiǎn)度量模型建立和檢驗(yàn)。
(1)劃分?jǐn)?shù)據(jù)集。根據(jù)本文的研究思路和BP網(wǎng)絡(luò)評估模型建立需求,將250個表外樣本數(shù)據(jù)分為訓(xùn)練組X11和測試組X12。其中訓(xùn)練組X11 為125個樣本(50個違約樣本和 75個正常樣本),測試組X12為125個樣本(50 個違約樣本和 75 個正常樣本)。
(2)模型建立。針對表外業(yè)務(wù)數(shù)據(jù)組進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程,反復(fù)調(diào)試后,隱含層節(jié)點(diǎn)數(shù)為7,當(dāng)網(wǎng)絡(luò)迭代運(yùn)算 290 次之后,網(wǎng)絡(luò)性能為0.000648,滿足設(shè)定誤差限值 0.00065,且此時(shí)神經(jīng)網(wǎng)絡(luò)模型的誤差最小。停止迭代運(yùn)算,網(wǎng)絡(luò)訓(xùn)練完畢。以0.01為判別閾值,當(dāng)輸出值與實(shí)際值之差大于0.01時(shí),認(rèn)為出現(xiàn)誤判;反之亦然。
(3)模型檢驗(yàn)。構(gòu)建的表外業(yè)務(wù)信用風(fēng)險(xiǎn)測度模型表現(xiàn)出了較好的擬合效果。下面將利用測試樣本數(shù)據(jù)來檢驗(yàn)?zāi)P偷姆夯Ч?。?25 組測試樣本數(shù)據(jù)輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行仿真測試,對其信用風(fēng)險(xiǎn)進(jìn)行評估,結(jié)果如下:
5. 商業(yè)銀行業(yè)務(wù)信用風(fēng)險(xiǎn)度量模型的運(yùn)用。經(jīng)過上面的測算,表內(nèi)、表外的信用風(fēng)險(xiǎn)度量模型均已達(dá)到預(yù)期效果,下面將49個未貸款樣本分別放入兩個模型進(jìn)行預(yù)測,為商業(yè)銀行的授信決策提供指引和參考(見圖1,圖2)。
從結(jié)果可以看出,22戶企業(yè)被表內(nèi)、表外業(yè)務(wù)模型提示為高風(fēng)險(xiǎn)企業(yè),從企業(yè)所屬行業(yè)來看,傳統(tǒng)的原材料生產(chǎn)及加工(煤炭采選6戶、金屬礦采選2戶、有色金屬冶煉及加工2戶)占比達(dá)45.5%。當(dāng)前我國深入推進(jìn)供給側(cè)結(jié)構(gòu)性改革,傳統(tǒng)的原材料加工及生產(chǎn)企業(yè)多數(shù)屬于淘汰的落后產(chǎn)能,雖然工業(yè)產(chǎn)品的價(jià)格有所回暖,但缺乏先進(jìn)產(chǎn)能的有效支撐,企業(yè)的生產(chǎn)經(jīng)營仍然較為困難。企業(yè)普遍反映,生產(chǎn)技術(shù)老化、人工成本高企是制約企業(yè)經(jīng)營的主要原因。加上環(huán)保要求越來越高,市場價(jià)格的回暖并沒有徹底改善經(jīng)營效益。對貴州省地方法人金融機(jī)構(gòu)部分重點(diǎn)行業(yè)監(jiān)測顯示:截至2017年9月末,貴州省地方法人金融機(jī)構(gòu)對全省產(chǎn)能過剩行業(yè)的不良貸款余額5.8億元,不良貸款率達(dá)15.5%,高于全省金融機(jī)構(gòu)不良貸款率13.43個百分點(diǎn)。
房地產(chǎn)企業(yè)也是高風(fēng)險(xiǎn)行業(yè)。在表內(nèi)外BP網(wǎng)絡(luò)預(yù)警模型中有13.6%(3戶)提示為高風(fēng)險(xiǎn)企業(yè)。房企資金鏈緊張態(tài)勢仍未緩解,竣工面積大幅回落,土地市場持續(xù)低迷,截至2017年9月末,貴州省房地產(chǎn)業(yè)不良貸款余額為22.72億元,不良貸款率為1.21%,較年初升高0.42個百分點(diǎn),高于全省金融機(jī)構(gòu)不良貸款率增幅0.19個百分點(diǎn)。
從企業(yè)規(guī)模來看,小微企業(yè)被提示存在高危風(fēng)險(xiǎn)的為50%,分別高出中型企業(yè)、大型企業(yè)19.1個和24.7個百分點(diǎn),是模型重點(diǎn)預(yù)警的區(qū)域。2017年9月末,貴州省小微企業(yè)不良貸款率為3.22%,較年初上升0.47個百分點(diǎn),分別高于中型、大型企業(yè)不良貸款率0.88個、2.69個百分點(diǎn),其中,單戶授信總額500萬元以下的小微型企業(yè)不良貸款率為7.23%,較年初上升1.07個百分點(diǎn)。個人經(jīng)營性貸款不良率為4.07%,較年初上升0.71個百分點(diǎn),高于全省金融機(jī)構(gòu)不良貸款率兩個百分點(diǎn)。
綜上所述,表內(nèi)、表外神經(jīng)網(wǎng)絡(luò)BP模型對銀行業(yè)審批和風(fēng)險(xiǎn)防范有較強(qiáng)的預(yù)警效果,能給予銀行業(yè)信貸審批和貸中后管理較強(qiáng)的輔助作用。
四、主要結(jié)論及政策建議
本文從商業(yè)銀行信用風(fēng)險(xiǎn)管理的相關(guān)理論研究出發(fā),構(gòu)建了較為全面的信用風(fēng)險(xiǎn)評價(jià)指標(biāo)體系,闡述了神經(jīng)網(wǎng)絡(luò)技術(shù)在信用風(fēng)險(xiǎn)評估應(yīng)用中的優(yōu)勢,建立了基于改進(jìn) BP 網(wǎng)絡(luò)模型的商業(yè)銀行信用風(fēng)險(xiǎn)評估模型,得到了較為精確的預(yù)測判斷結(jié)果。以上研究表明,本文所構(gòu)建的表內(nèi)外的信用風(fēng)險(xiǎn)評估模型在我國商業(yè)銀行信用風(fēng)險(xiǎn)評估中具有良好的應(yīng)用前景,能對商業(yè)銀行的貸款決策活動起到有效的輔助作用,有利于其防范和降低信貸風(fēng)險(xiǎn)。通過理論建模到實(shí)證研究的過程,總結(jié)出以下結(jié)論:
一是表外業(yè)務(wù)的信用風(fēng)險(xiǎn)不容忽視。以往的研究僅從銀行的信貸業(yè)務(wù)出發(fā)度量和測算信用風(fēng)險(xiǎn),已經(jīng)不能全面客觀地反映銀行經(jīng)營面臨的真實(shí)的信用風(fēng)險(xiǎn)。表外業(yè)務(wù)、中間業(yè)務(wù)等已成為金融機(jī)構(gòu)主要利潤來源,應(yīng)把表外業(yè)務(wù)納入信用風(fēng)險(xiǎn)測度范圍內(nèi),全面衡量當(dāng)前商業(yè)銀行經(jīng)營面臨的風(fēng)險(xiǎn)。
二是信用風(fēng)險(xiǎn)具有較強(qiáng)的地域特征。實(shí)證結(jié)果顯示,本文構(gòu)建的表內(nèi)外信用風(fēng)險(xiǎn)模型提示的高風(fēng)險(xiǎn)行業(yè)和高風(fēng)險(xiǎn)企業(yè)均與實(shí)際情況較為吻合,表明信用風(fēng)險(xiǎn)的測度具有較強(qiáng)的地域特征。而目前我國商業(yè)銀行經(jīng)營中,多數(shù)采用統(tǒng)一的信用風(fēng)險(xiǎn)評估模式,因此存在較大的不適應(yīng)性。為了有效監(jiān)測和預(yù)警信用風(fēng)險(xiǎn),中央銀行應(yīng)發(fā)揮更積極的作用,構(gòu)建適合區(qū)域特征的信用風(fēng)險(xiǎn)模型,有效防范區(qū)域信用風(fēng)險(xiǎn)。
三是采用穿透式監(jiān)管。近年來,同業(yè)業(yè)務(wù)、股權(quán)投資和債券投資等大量金融創(chuàng)新快速涌現(xiàn),跨市場、跨機(jī)構(gòu)和跨地區(qū)的金融業(yè)務(wù)使傳統(tǒng)的金融監(jiān)管模式已經(jīng)無法適應(yīng),監(jiān)管的盲區(qū)和空白區(qū)大量存在,金融風(fēng)險(xiǎn)的監(jiān)測和預(yù)警也較為滯后。監(jiān)管部門應(yīng)加強(qiáng)協(xié)作,打破以往的監(jiān)管界限,采用穿透式的監(jiān)管原則,加強(qiáng)金融綜合統(tǒng)計(jì)能力,追根溯源確定風(fēng)險(xiǎn)源頭,有效防控金融風(fēng)險(xiǎn)。
參考文獻(xiàn):
[1]閻慶民.中國銀行業(yè)風(fēng)險(xiǎn)評估及預(yù)警系統(tǒng)研究[M].北京:中國金融出版社,2005.
[2]Simon Haykin,葉世偉等譯.神經(jīng)網(wǎng)絡(luò)原理[M].北京:機(jī)械工業(yè)出版社,2004.
[3]N.Vapnik. 1998. The nature of statistical learning theory, New York: Springer-Verlag.
[4]W.F.Messier,J.V.Hausen. 1985. Including rules for expert system development an example using default and bankruptcy data,Management Science,(9).
[5]樓順天 ,施陽.基于 MATLAB的系統(tǒng)分析與設(shè)計(jì)—— 神經(jīng)網(wǎng)絡(luò) [M].西安: 西安電子科技大學(xué)出版社,2000.
[6]Odom M D,Sharda R A. 1990. Neural networks for bankruptcy prediction. International Joint conference on Neural Network,San Diego.
[7]Tam K.Y,M.Kiang. 1992. Predicting bank failures:A neural network approach,Decision Sciences,(23).
[8]Lain M. 2004. Neural networks techniques for financial performance prediction:Integrating fundamental and technical analysis,Decision Support Systems.
[9]B.Back,T.Laitinen,K.Sere. 2006. Neural networks and genetic algorithms for bankruptcy predictions[A],Expert Syst.Appl[c].
[10]E.Nur Ozkan-Gunay,Memed Ozkan. 2007. Prediction of bank failures in emerging Financial markets:all ANN approach[J].The Journal of Risk Finance,(5).
[11]朱毅峰,銀行信用風(fēng)險(xiǎn)管理[M].北京:中國人民大學(xué)出版社,2006.
[12]張愛民,祝春山,許丹健.上市公司財(cái)務(wù)失敗的主成分預(yù)測模型及其實(shí)證研究[J].金融研究,2001,(5).
[13]梁琪.企業(yè)信用風(fēng)險(xiǎn)的主成分判別模型及其實(shí)證研究[J].財(cái)經(jīng)研究,2003,(29).
[14]布慧敏.我國商業(yè)銀行信用風(fēng)險(xiǎn)量化度量方法研究[J].統(tǒng)計(jì)與決策,2005,(1).
[15]王春峰,萬海暉,張維.基于神經(jīng)網(wǎng)絡(luò)技術(shù)的商業(yè)銀行信用風(fēng)險(xiǎn)評估[J].系統(tǒng)工程理論與實(shí)踐,1999,(91).
[16]楊保安,季海.基于人工神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行貸款風(fēng)險(xiǎn)預(yù)警研究[J].系統(tǒng)工程理論與實(shí)踐,2001,(5).
[17]吳沖,呂靜杰,潘啟樹,劉云燾.基于模糊神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)評估模型研究[J].系統(tǒng)工程理論與實(shí)踐,2004,11(4).
[18]吳德勝,梁操.遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)及信用評價(jià)研究[J].中國管理科學(xué),2009,12(1).
[19]王衛(wèi)東.現(xiàn)代商業(yè)銀行全面風(fēng)險(xiǎn)管理[M].北京:中國經(jīng)濟(jì)出版社,2001.
[20]章忠志,符林,唐煥文.基于人工神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)模型[J].經(jīng)濟(jì)數(shù)學(xué),2003,(20).