民生银行信用风险评价研究范文

本站小编为你精心准备了民生银行信用风险评价研究参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

摘要：

本文建立相应的BP神经网络模型，根据民生银行信贷信用评级指标体系，选取BP神经网络模型的训练样本和检验样本。将训练样本输入BP神经网络进行训练，BP神经网络模型完成训练后，用检验样本对本文建立的BP神经网络模型进行检验。完成训练的BP神经网络模型将根据企业的信用评级信息计算出企业信用得分的预测值，从而使商业银行规避信贷过程中的信用风险，起到风险预警功能。

关键词：

BP神经网络；信贷信用；风险预警

我国一直没有建立起符合市场规范的信用体系，信用风险是商业银行面临的最传统最基本的风险形式，也是最难于控制和管理的风险形式。本文建立相应的BP神经网络模型，根据民生银行信贷信用评级指标体系，选取20个企业的信用评级信息作为BP神经网络模型的训练样本，选取10个企业的信用评级信息作为BP神经网络模型的检验样本。将训练样本输入BP神经网络，让BP神经网络根据信贷企业信用得分的输出值与真实值之间的误差不断调节各个神经元之间的权值与阀值，当误差满足要求时，BP神经网络模型完成训练。BP神经网络模型完成训练后，对本文建立的BP神经网络模型进行检验[1]。完成训练的BP神经网络模型将根据企业的信用评级信息计算出企业信用得分的预测值，为商业银行信贷过程中的信用风险进行预测评价，从而使商业银行规避信贷过程中的信用风险，起到风险预警功能。

一、BP神经网络理论

BP神经网络理论是学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传人，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出（教师信号）不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程是周而复始地进行的[2]。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。

（一）BP网络模型

采用BP算法的多层感知器是至今为止应用最广泛的神经网络，在多层感知器的应用中，单隐层网络的应用最为普遍。一般习惯将单隐层感知器称为三层感知器，所谓三层包括了输入层、隐层和输出层。三层感知器中，输入向量为()T12,,...,,...,inX=xxxx；隐层输出向量为()T12,,...,,...,jmY=yyyy；输出层输出向量为()T12,,...,,...,klO=oooo；期望输出向量为()T12,,...,,...,kld=dddd。输入层到隐层之间的权值矩阵用V表示，()T12,,...,,...,jmV=VVVV，其中列向量jV为隐层第j个神经元对应的权向量；隐层到输出层之间的权值矩阵用W表示，()T12,,...,,...,kiW=WWWW，其中列向量kW为输出层第k个神经元对应的权向量[3]。下面分析各层信号之间的数学关系。对于输出层，有：(net)kko=fk=1,2,...,l（1）0netmkjkjjwy==∑k=1,2,...,l（2）对于隐层，有：(net)jjy=fj=1,2,...,m（3）0netnjijiivx==∑j=1,2,...,m（4）以上两式中，转移函数f(x)均为单极性Sigmoid函数：1()1xfxe−=+（5）f(x)具有连续、可导的特点，且有：f′(x)=f(x)[1−f(x)]（6）根据应用需要，也可以采用双极性Sigmoid函数（或称双曲线正切函数）：1()1xxefxe−−−=+（7）式（1）～式（7）共同构成了三层感知器的数学模型。

（二）网络训练与检验

网络设计完成后，要应用训练样本进行训练。训练时对所有样本正向运行一轮并反向修改权值一次称为一次训练。在训练过程中要反复使用样本集数据，但每一轮最好不要按固定的顺序取数据，通常训练一个网络需要很多次。网络的性能好坏主要看其是否具有很好的泛化能力，而对泛化能力的测试不能用训练集的数据进行，要用训练集以外的测试数据来进行检验[4]。一般的做法是，将收集到的可用样本随机地分为两部分，一部分作为训练样本，另一部分作为检验样本。

二、基于BP神经网络的民生银行信用风险评价研究

（一）建立保险公司投资风险评价指标体系

贷款信用评级财务指标包括贷款企业经营管理能力、贷款企业债务偿还能力和贷款企业持续发展能力。贷款企业经营管理能力包括五个指标，分别是资产报酬率、流动资产周转率、应收账款周转率、主营收入现金含量、成本费用利润率；贷款企业债务偿还能力包括五个指标，分别是流动比率、利息保障倍数、资产负债率、现金流与流动负债比、净资产与贷款余额比；贷款企业持续发展能力包括三个指标，分别是净资产增长率、主营利润增长率、工资福利增长率。贷款信用评级非财务指标包括五个指标，分别财务报表质量评价、企业员工能力、企业经营者履历、企业经营者信誉、行业现状及前景。

（二）BP神经网络模型训练

选取20个企业的信用评级信息作为BP神经网络模型的训练样本。根据民生银行信贷信用评级指标体系，训练样本的输入向量X由18个指标组成，分别是资产报酬率1x、流动资产周转率2x、应收账款周转率3x、主营收入现金含量4x、成本费用利润率5x、流动比率6x、利息保障倍数7x、资产负债率8x、现金流与流动负债比9x、净资产与贷款余额比10x、净资产增长率11x、主营利润增长率12x、工资福利增长率13x、财务报表质量评价14x、企业员工能力15x、企业经营者履历16x、企业经营者信誉17x、行业现状及前景18x。训练样本的输入向量T121718X=(x,x,,x,x)。训练样本的输出向量为Y，代表企业的信用得分。输入BP神经网络模型的训练样本如表1所示。建立的BP神经网络模型为三层网络，拓扑结构为18-5-1。将20个训练样本输入BP神经网络进行训练，让BP神经网络根据信贷企业信用得分的输出值与真实值之间的误差不断调节各个神经元之间的权值与阀值[5]。采用MATLAB7.0神经网络工具箱进行运算，当误差平方和小于10-5时，训练终止。训练样本中各个信贷企业的真实信用得分和BP神经网络模型输出值。

（三）BP神经网络模型检验

由表1可以看出BP神经网络模型输出值与信贷企业真实信用得分的误差很小，下面对本文设计的BP神经网络模型进行检验。BP神经网络模型采用10个企业的信用评级信息作为检验样本。对本文建立的BP神经网络模型进行检验，将10个企业的信用评级信息作为检验样本输入完成训练的BP神经网络模型，完成训练的BP神经网络模型将根据10个企业的信用评级信息计算出企业信用得分的预测值。检验样本中各个信贷企业的真实信用得分和BP神经网络模型预测值如表2所示。根据表2的数据，得到信贷企业的真实信用得分和BP神经网络模型预测值之间误差曲线。检验样本中信贷企业的真实信用得分和BP神经网络模型预测值的拟合度较高，部分样本真实值与预测值基本重合。检验样本中信贷企业的真实信用得分和BP神经网络模型预测值误差值整体较小，最大误差11.7%，最小误差0.27%。假设以绝对误差小于5%为容忍度，那么本文建立的BP神经网络模型的准确率为70%。假设以绝对误差小于10%为容忍度，那么本文建立的BP神经网络模型的准确率为90%。

三、结论

1、检验样本中信贷企业的真实信用得分和BP神经网络模型预测值的拟合度较高，样本21、26、28的真实值与预测值基本重合，样本24、25的真实值与预测值偏差较大。

2、检验样本中信贷企业的真实信用得分和BP神经网络模型预测值误差值整体较小，最大误差11.7%，最小误差0.27%。

3、假设以绝对误差小于5%为容忍度，那么本文建立的BP神经网络模型的准确率为70%。假设以绝对误差小于10%为容忍度，那么本文建立的BP神经网络模型的准确率为90%。计算结果表明本文建立的BP神经网络模型准确率较高，可以为商业银行信贷过程中的信用风险进行预测评价，从而使商业银行规避信贷过程中的信用风险，起到风险预警功能。

参考文献：

[1]许美玲,齐晓娜,李倩等.基于BP神经网络的村镇银行信用风险预警模型的构建[J].河南科技,2014(22).

[2]黄梦宇.基于BP神经网络的手机银行风险预警模型研究[J].时代金融(下旬),2014(4).

[3]迟国泰,陈国斌,迟枫等.基于神经网络的中国商业银行效率综合评价[J].哈尔滨工业大学学报,2006,38(4).

[4]于彤,李海东.基于BP神经网络的客户信用风险评价[J].现代电子技术,2014(10).

[5]马鸿雁.基于BP神经网络的商业银行风险预警系统的研究[J].经济研究导刊,2014(24)

作者：张雅茹 胡建兰 单位：中国民生银行