星论文网欢迎您的来访,本中致力于各类论文代写,论文发表,代写代发论文服务

摘要：本文建立了基于Elman神经网络的商业银行信贷风险识别及评估模型，并通过实例验证了模型的准确性和可靠性。研究过程及结果表明，基于Elman神经网络的商业银行信贷风险识别及评估模型能够很好地反映信贷过程中的非线性因素，准确地预测出完整的信贷风险评估指标和信用等级之间的映射关系，能快速评估和有效减低商业的信贷风险。一组实例结果显示该评估模型的准确率接近90%。

关键词：Elman神经网络，信贷风险， 商业银行

中图分类号：F830                      文献标志码：A

（author. etc）

Abstract：Credit-risk evaluation model for commercial bank loan sased on Elman Neural Network is established. The example demonstrates the accuracy and reliability of the model. The research process and the results show that, commercial bank credit risk identification and assessment model based on Elman neural network can be well reflected in nonlinear credit factors during loan process, accurately predict a complete mapping relationship between the credit risk indicators and credit rating, quickly and effectively reduce the credit risk of the commercial. A special case shows that the accuracy of credit-risk evaluation model is nearly 90%.

Key words：Elman neural network，credit risk，commercial bank

 

商业银行信贷风险主要表现为违约风险，即由于贷款人不愿或无能力正常偿还贷款本息从而导致银行遭受损失的一种可能性，这是不良贷款产生的最直接原因^[1,2]。商业银行对贷款进行风险识别和评估能够及时、准确地发现信贷风险的诱导因素，并能系统、连续地掌握信贷风险的特征、大小、属性及变动趋势，进而可能及时采取行动，使得银行在风险管理中降低不良贷款的风险和减少损失^[3-5]。目前欧美商业银行在信贷风险识别和评估方面主要采用的度量模型主要包括Credit Metrics模型、KMV模型、Credit Risk模型和Credit Portfolio View等^[4]，在我国推行五级分类的国际标准制度，但实际中难以把握贷款在未来的变动情况，因此受到了极大的限制。因此需要发展合适的信贷风险识别及评估模型以与我国实际情况相符合。由于信贷风险的复杂性和高度非线性，不断有新的非线性风险识别和评估模型出现，例如基于专家系统、神经网络、支持向量机等模型^[5-11]，不同模型需要和不同的应用对象具体情况相结合，以实现对实际信贷过程风险的最准确化预测。为此，本文根据Elman神经网络的特点，利用其非线性与泛化的能力，建立了一个基于Elman神经网络的商业银行信贷风险识别及评估模型，并通过实例来验证其有效性。

Elman型回归神经网络一般分为4层^[12]：输入层、隐层、承接层和输出层，如图1所示。

图1 Elman型回归神经网络

其输入层、隐层、输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐层单元的传递可采用线性或非线性函数，承接层用来记忆隐层单元前一时刻的输出值。Elman神经网络的非线性状态空间表达式为：

                                     （1）

式中，分别表示m维输出结点向量，n维中间层结点单元向量，r维输入向量和n维反馈状态向量。分别表示中间层到输出层、输入层到中间层、承接层到中间层的连接权值。为输出神经元的传递函数，是中间层输出的线性组合。为中间层神经元的传递函数，采用函数。

Elman网络采用误差平方和函数进行权值修正：

                                           （2）

影响信贷风险有许多不确定性的因素，各种因素对信贷风险的影响实际上是无法用确切的定量关系来描述的。已有的多元判别分析、多元回归分析、回归、数学规划、贝叶斯决策模型、聚类分析、存活分析等方法虽然得到大量应用，但这些统计模型的判别函数和样本分布的假设前提不尽相同，它们较为突出的优点在于具有较强的解释性，模型中变量的系数都具有一定的涵义，缺点在于统计方法一般都有较为严格的前提假设，如多元判别分析要求样本数据服从正态分布、等协方差，且协方差、错分成本和先验概率均要已知等，但现实中许多数据难以满足这些要求。虽然可以采用对数变换、二次差别分析等一些必要的技术手段和方法加以改进，但这些方法应用的同时又会相应地产生变量经济涵义不清晰等新的问题。

作为研究复杂性的有力工具，神经网络技术近年来在模式识别与分类、识别滤波、自动控制、预测等方面已展示了优点，特别是能处理任意类型的数据，它克服了传统分析过程的复杂性及选择适当模型函数形式的困难，更有利于对非线性情况下的模式识别和预测的理论建模和分析计算。相比其他类型的神网络技术，Elman神经网络自适应能力更强、泛化能力更好，更有利于处理非线性问题。

信贷风险评估模型的任务是完成信贷风险评估指标和信用等级之间的映射。建立合理的信贷风险评估模型，一方面需要解决信贷风险评估指标的权值问题，另一方面需要探索信贷风险评估指标和信用等级之间的映射规则。

神经网络的结构是通过神经元的特性以及网络中神经元连接的特性来定义的。对于信贷风险评估模型，其结构可以用Elman神经网络模型的输入和输出节点数以及隐含层数量和各隐含层节点数来表示。在评估模型的网络结构中，输入节点的数量可以比较直观地得到，它就是信贷风险评估指标的数量。模型的输出节点数可以是一个，也可以是多个，对于分类模型，输出节点数量和分类的类别数量有关，假定信用等级分为 m 个级别，则评估模型的输出节点数量可以为 m 或 log₂m。在多数情况下，为了简化网络结构，提高模型的训练效率，一般将一个具有多个输出的网络模型转化为多个具有一个输出的网络模型。本着这个原则，本文对评估模型的输出进行简化，首先，根据业务需要，将信用等级分为 AAA、AA、A、B、BB 和 BBB 六个级别；其次，参照信用评分的方法，将评估模型的输出转换为一个连续型的变量，变量的不同取值范围对应不同的信用等级，如表1所示。

 

表1 评估模型的输出和信用等级的转换关系

信用等级	AAA	AA	A	B	BB	BBB
评估模型输出（训练阶段）	0.95	0.85	0.75	0.65	0.55	0.45
评估模型输出（应用阶段）	[0.9,1.0]	[0.8,0.9)	[0.7,0.8)	[0.6,0.7)	[0.5,0.6)	[0.0,0.5)

 

为了得到合理的评估模型的隐含层节点数，本文根据以下经验法则，确定隐含层节点数的一般范围，然后在该范围之内，采用扩张法，通过反复的实验确定合理的隐含层节点数。

（1）较好的隐含层节点数介于输入节点和输出节点数量之和的 50%至 70%之间。

（2）隐含层节点数m必须小于 N >1（其中 N 为训练样本数）。

对于Elman神经网络模型，模型的求解速度等价于 BP 学习算法的收敛速度，一般用达到指定误差精度时的学习次数表示，它和多种因素有关，包括模型本身的结构、样本数据的数量和数据特点、模型的初始权值以及模型的学习参数等。

对Elman神经网络算法训练速度的影响参数有学习率、动量因子和收敛误差界值等，对于学习率必须小于某一上限，取；增加动量项的目的是为了避免模型训练陷于较浅的局部极小点，理论上其值大小应与权值修正量的大小有关，取动量因子为常量（）一般比学习率大，具体视实际情况而定。

在评估模型训练之前，应根据实际情况预先确定误差界值，误差界值的选择完全根据评估模型的收敛速度大小和具体样本的学习精度来确定。值的选择必须在分类精度和训练效率之间权衡；当值选择较小时，评估模型分类精度高，但收敛速度慢，训练次数增加，如果值选择较大则相反。根据表1来推算信贷风险评估模型的误差界值，以 AA 类信用等级为例，在计算模型输出误差时，AA 取值 0.85，而在将评估模型输出转换为信用等级分类时，[0.8, 0.9) 区间的值映射为AA 类，用最大的差值计算模型的输出误差，则由式（2）可得：

在综合考虑评估模型的收敛速度和分类精度的前提下，选择评估模型的误差界值为 0.001。

指标选取参考了商业银行《信贷客户评价报告》中信贷评价打分要素的各项条款，筛选出若干指标，主要分为四个方面，其中定量方面指标均来自于各企业的财务报告，定性方面指标为对每个指标深入剖析，按其涉及方面综合考量，有些参考接近的指标值进行量化，有些直接打分化。最后模型的输入值为各大指标下小指标的加权平均数。具体指标见表2，下面依据各不同情况进行分析。

表2 风险评估体系指标列表

风险分析与指标类型	定量	定性
市场竞争力	销售毛利润 销售利润率	行业地位 经营环境 技术水平
流动性风险	流动比率 速动比率 应收账款周转率	无
管理水平	每股收益 总资产周转率	个人文化水平 管理经验
其他指标	资产负债率 净资产收益率	风险预测 价值预测

从某股份制银行总部的贷款企业海量数据库中选择样本，将300个企业客户按行业分为工业、商贸、事业、服务和其他行业等五个模式，样本的分布如表3所示。

表3 按行业划分的不同模式样本分布情况

模式 序号	客户 行业	总数	样本 比例	有效样 本数量	样本有 效率
01	工业	90	25%	79	87.8%
02	商贸	81	22.5%	73	90.1%
03	事业	67	18.6%	58	86.6%
04	服务	64	17.8%	57	89.1%
05	其他	58	16.1%	51	87.9%

 

以工业企业为例进行第二层次的模式划分。在所有信贷风险评估指标中，市场竞争力指标数据差异最大，因此按销售毛利润指标可以将工业企业样本划分为两个有效模式（模式样本数量大于30），划分方法为将销售毛利润数量为10¹和10²数量级万元的样本归为小型企业评估模式（模式0101），将10³和10⁴数量级万元的样本归为大中型企业评估模式（模式0102）。第二层次的模式划分如表4所示。

表4 第二层次的模式划分

模式	模式名称	划分依据	样本 数量	样本 比率
0101	小型企业评估模式	实有净资产指标小于1000	34	43%
0102	大中型企业评估模式	实有净资产指标不小于1000	45	57%

       这些企业的信用等级分布情况如表5所示。

表5 企业信用等级分布情况

模式代号	AAA	AA	A	B	BB	BBB
0101	0	8	10	9	4	3
0102	6	18	12	3	3	3