基于BP神经网络的资产证券化信用风险评测

内容摘要：资产证券化是依托特定的资产组合或者现金流为支撑而发行的债券，也是融资途径的一种方式，它可以将流动性差、可产生预见稳定现金流的资产转换成有较强流动性的债券形式，从而在市场上流通。资产证券化的这种优势给金融机构提供了快速处置不良资产的有效途径。资产证券化这种金融衍生品近年来在我国得以应用，其优良的特性使其受到广泛的关注。资产池信用评测在资产证券化过程中发挥着至关重要的作用，本文的思路是构建一个尽可能涵盖资产证券化各参与方的风险控制体系，以可测量的指标来反映资产证券化信用违约率。运用BP神经网络模型对资产证券化资产池信用进行测评，从债务方、发起方、信托机构三方，选取不同的影响因素，对我国资产证券化实例进行实证分析，以期能够为我国资产证券化信用风险评测提供参考。

关键词：资产证券化 信用风险 BP神经网络

引言

资产证券化是依托特定的资产组合或者现金流为支撑而发行的债券，也是融资途径的一种方式，它可以将流动性差、可产生预见稳定现金流的资产转换成有较强流动性的债券形式，从而在市场上流通。资产证券化的这种优势给金融机构提供了快速处置不良资产的有效途径。资产证券化是一个复杂的过程，涉及多方面的参与。债务人、发起人、特殊信托机构和投资者是资产证券化价值运动的主要参与人，其他机构是为该信托提供服务的。资产支持证券成功发行，需要考虑多种因素，对于理性投资者来说，投资都需要考虑成本和收益，衡量投资风险。

资产支持证券发行成功与否关键在于风险是否能够控制在投资者可接受的范围。对于证券化的债券来说，其资产池的组成资产中包括不同信用等级与不同风险类别的资产，需要对资产池综合风险进行客观衡量。近年来，尤其是2008年之后，伴随着金融风暴席卷全球，各类商业银行纷纷要求进行资产证券化运作，以增强其整体资产的流动性，提高银行抗风险能力。但是作为一种金融创新工具，资产证券化在我国金融市场还处于初级阶段，发展并不成熟，再加上我国信用基础相对薄弱，企业数据公布透明度不高，以及资产证券化的信用风险评测困难，这都严重阻碍了我国资产证券化的成长进程。

基于此，本文将运用现有的数据对资产证券化的信用风险测评进行实证分析，从而建立一个适合我国实际的资产证券化信用风险测评体系。

相关文献综述

李公科（2011）通过对美国次贷危机产生的根源进行研究，认为资产证券化良性运作，需要有效的监管制度对其进行监督，控制风险。曾卉（2008）从信用、定价和操作风险三方面进行研究，给出我国资产证券化风险控制参考。王江南（2007）利用数学计量，对住房抵押贷款证券化进行研究，提出了风险控制建议。李睿（2006）结合《新巴塞尔协议》，从体制创新方面对房地产业贷款进行研究，认为应建立系统的风险控制体系，融合其他金融衍生产品，进行风险控制。宋宸刚（2008）认为，就中国资产证券化成长状况，以发起机构为主导，其风险控制应以对发起机构的风险控制为核心。Gorton和Souleles（2005）对资产证券化过程中的特殊目的信托进行研究，阐述了SPV在资产证券化中起到的作用，认为SPV能降低企业破产成本。Robert（2001）考察了影响个人住房抵押贷款违约的因素，包括年龄、职业、学历、家庭收入、债龄、贷款年限、贷款总额等。

上述文献为资产证券化风险控制提供了多方的重要参考，但是也存在诸多不足，一方面，众所周知，监管体制的完善并非一蹴而就的，事实上可能是一个长期的复杂的过程，这也导致其应用性不强；另一方面，资产证券化涉及多个方面的利益参与者，而单从某一方面阐述参与者控制风险显然也并不符合理论，所以本文的思路是构建一个尽可能涵盖资产证券化各参与方的风险控制体系，以可测量的指标来反映资产证券化信用违约率。

研究设计与数据来源

（一）指标选取

针对我国资产证券化实例，本文在前期选取了11个指标来构建资产证券化信用违约风险体系，具体指标如表1所示。

信用违约风险，我们运用次级债券的实际收益率，原因是次级债券偿付在其他等级债券偿付之后，也即是当其他债券的计划偿付完毕，剩下的全都支付次级债券的利息，而次级债券的本金偿付是信托最后的偿付阶段，即其他债券本息偿付完毕之后，才能偿付次级债券的本金，这也就说明，此信托资产最终承受风险的是次级债券，也即本文所指的信用违约风险，次级债券收益率越高，信用违约风险越低，反之，次级债券收益率越低，信用违约风险越高。

由于资产证券化债务人涉及比较多，且包括企业和个人借款，这里在对债务人进行信用违约测评时，利用债务人信用评级，并对其进行加权处理，取加权结果，并对照信用违约来评价债务人违约率。加权平均贷款年利率的计算方法如下：

加权平均贷款年利率

=

其中，Pn为每笔贷款余额，Rn为每笔贷款在初始起算日的执行年利率。

加权票面利率为债券发行时，除次级债券，各级别债券比例与其确定的票面利率的加权值。

付息频率为每年信托机构需要支付给投资者利息的次数，这个指标在我国现阶段的信托中，大多都是每年支付四次，而在我们对资产池进行信用违约风险测算时，我们选取的样本点都存在相同的付息频率，在MATLAB中进行神经网络模拟时，这个指标需要除去，在进行模拟时，对于某一个指标如果样本值完全相同，指标必须除去，否则会影响结果输出（朱凯、王正林，2010）。

鉴于本文的思想，随着样本点的增加，如果出现不同的付息频率，可以在程序中加入该指标，相应改变网络结构即可。加权平均贷款剩余期限的计算方法如下：

加权平均贷款剩余期限

=

其中，Pn为每笔贷款余额，Tn为每笔贷款剩余期限（如同一笔贷款的本金分多期偿还，则看成多笔贷款进行计算）。endprint

（二）BP神经网络风险评测方法

现有的研究认为神经网络是一种能适应新环境的系统（熊志斌，2010），它通过对过去的信息进行学习，从而具有分析、预测、推理、分类等功能，能够仿效人类大脑去解决复杂问题的系统，在诸多领域取得广泛应用。

它的应用类似大脑神经突触连接的结构，它是基于此进行信息处理的数学模型，是对人脑的抽象、简化和模拟，其组成部分是大量的神经元，其神经元之间通过加权连接，每个神经元有一种给定的输出函数，即激励函数。网络输出由神经元的连接方式、权重值和激励函数确定，不同的结构，得到不同的输出。图1给出了包含一个隐含层的神经网络结构。

从图1可以看出，神经网络有三层，分别为输入层、隐含层、输出层。对于输入层的每一个神经元对应于一个指标，经过隐含层激励函数的作用，隐含层输出数据作为输出层输入数据，然后再经过输出层激励函数作用，输出网络结果。这里的隐含层相当于一个“暗箱”，经过“暗箱”处理，得出相应结果，也即是模仿人脑，提供给一个人信息，然后这个人可以根据这些信息，通过自己的经验信息，得出一个结果。

但是在得出结果的过程中，需要一个训练的过程，这包括两个阶段：第一个阶段是对网络进行训练；第二个阶段是对网络进行检验。具体分析如下：

第一个阶段是把样本数据分为训练组和检验组，并且利用训练组信息对网络进行训练，这个阶段的运作过程是：将各个事件的各个指标数据输入，同时将每个事件对应的实际输出赋予输出层，设定误差目标，训练次数，学习步长，进行网络训练，当网络误差达到设定的误差时，网络训练结束。

第二个阶段是对训练的网络进行检验，这时利用检验组数据，将检验组各事件指标输入，此时不对输出层赋值，得出网络输出，将网络输出与检验组的实际输出进行比较，如果误差不大，那么网络是有效的，否则，网络是不能满意的。不满意的原因有很多，包括网络结构不合理、样本数据少、指标选取不合理等，此时需要根据不同情况进行修正。

当网络检验过程通过以后，也即是网络有效，此时可以运用训练好的网络对类似事件进行预测。神经网络通过训练能从大量信息中发现其规律，其预测精确度较高，精确率在80%左右。由于算法的不同，神经网络分为很多种，本文采用BP算法，也即是BP（Back Propagation）神经网络，即误差反向传播神经网络结构，它是一种多层的前向型神经网络，在这种模型中，信号前向传播，误差反向传播。误差反向传播是指在误差的调整过程中，从最终输出层依次向前进行对各神经元连接权值进行调整，使误差达到设定误差目标。BP神经网络隐含层通常运用sigmoid函数，就BP结构来看，一个隐含层基本能够对任何函数进行逼近。

（三）样本数据及来源

本文选取开元2005信贷资产证券化、开元2006信贷资产证券化、开元2008信贷资产证券化、浦发2007信贷资产证券化、兴业2007信贷资产证券化、信银2008信贷资产证券化、招元2008信贷资产证券化、浙元2008中小企业贷款证券化。经过整合，汇总出本文需要的数据，具体如表2所示。

对于各信托资产的次级债券收益率（到期收益率），数据来源于联合资信评估有限公司，我们需要对到期收益率进行调整，而是利用实际收益率R-Adj，进行调整时用到期收益率减去同期国债利率，具体如表3所示。

实证分析

（一）网络训练与仿真

本文选择MATLAB7.0进行模拟仿真，首先，需要对指标进行归一化，对于每个指标，利用：

归一化完成后，在MATLAB中调用BP网络生成命令net=newff（minmaxP，[S1，S2]，{'tansig'，'logsig'}，'traincgf'）生成BP网络并进行训练。其中P为样本点指标矩阵，S1，S2，分别表示隐含层和输出层的神经节点数，在BP网络中，通常利用S函数，这里分别设定隐含层激励函数为tansig，输出层激励函数为logsig，网络训练函数为Fletcher-Powell共轭梯度算法（cgf）算法。BP网络隐含层节点选择对网络训练和预测有很大影响，网络节点过多，网络训练精度就会增强，但是在网络预测时，会导致过度拟合现象；网络节点过少，则训练精度相应会降低，所以，合理的隐含层节点是非常重要的。在本文中，通过多次试验，得到相对较优的隐含层网络节点数，即隐含层有12个神经元。

网络训练时，我们选取其中6个样本点作为训练组，分别为：开元08、浦发07、开元05、兴业07、信银08、招元08。选择开元06和浙元08作为测试组。训练次数设置为5000次，学习速率为0.001，误差目标设定为e-6。网络在进行了149次训练之后，达到了设定的误差目标e-6。

从表4可以看出，网络仿真收益率较好的拟合了实际收益率。

（二）网络测试

利用选取开元06和浙元08进行测试，得出测试结果为： 8.83%和6.20%，而其实际收益率为9.46%和8.01%，可以看出，测试结果比较接近实际数据，但是存在一定误差，原因可能是：可能由于网络本身的原因，即网络自身存在系统误差，还则可能是由于数据样本较少导致的，需要相应增加数据样本量，随着样本数据量进一步增大，网络仿真的效果将会得到不断改善。再者，影响资产池违约风险因素众多，不仅包括资产池各类资产本身的风险，还包括市场风险、政府政策变化、法律关系调整和随机因素的影响等等，所以误差的存在是必然的，但是相应的误差应该是在可以接受的范围内。说明选取的这些指标基本能够满足对资产证券化信用违约的测评，本文设计的网络评测系统基本可以满足要求，投资者在进行投资时可以以这些指标作为参考，进行相应的投资决策。

结论

金融产品收益的不确定性，将会给经济主体的生产生活等带来非预期和非计划的后果。对微观的个人或家庭来说，可能影响其生计和投资；而对于企业等经济组织来说，可能因此停止正常的经营，直至破产。就一个国家而言，金融活动贯穿于社会经济活动的全过程并为其提供服务，因此，社会性的金融产品风险将会导致金融市场紊乱和经济增长率的下降，使整个社会财富减少。对于一个国家、一个地区或经济共同体来说，金融产品的风险受到外来冲击的影响，且与该国、该地区或经济共同体的对外开放度正相关，即经济开放度越高，与世界经济的联系越密切，外来金融产品风险对本国、本地区或经济共同体的影响就越大。因此，包括资产证券化在内的众多金融创新产品的开发或引入必须是一个逐步的渐进的过程。endprint

资产证券化作为金融创新产品，能够较好地解决资产流动性较差的问题，有效缓解不良贷款回收的压力，因此受到银行类金融机构和资产管理公司的一致青睐，纷纷进行相应尝试。但是，必须指出的是，在其获得广泛应用的同时，更需要对其风险进行科学合理的衡量，本文结合中国资产证券化大量的实例，尝试构建证券化资产风险测评体系，选择次级债券实际收益率为主要测评指标，原因在于次级债券为风险的最终承担者，这也就能合理的进行了转化，然后利用BP神经网络进行拟合和仿真测试，从本文的分析来看，从银行、债务人、SPV三方面构建的多指标测评体系，基本能够满足对资产证券化信用违约的分析预测。资产证券化的出现在很大程度上能够较好解决企业融资问题，同时也为银行快速处理不良资产提供了有效的途径，进一步丰富金融产品种类，改善金融结构比例，能够从整体上促进金融业的健康发展。科学的金融产品风险测评系统的构建，一方面，可以为金融机构提供决策依据，也能为投资者进行投资提供重要参考，另一方面，为政府职能部门的金融监管和相关金融政策的调整提供重要参考依据，总体上有利于金融市场的稳健运行。

由于我国的实际情况的原因，企业财务数据不易取得，信用基础大都相对薄弱，所以本文在样本数据的选择上有些是进行的近似的估计，但是随着资产证券化发展进程的加速，资产证券化规模的扩大和金融体系的不断完善健全，在能够获取大量准确数据的情况下，应该构建更为科学完善的资产证券化信用风险测评体系，从而进行更为精确的分析和研究，提供更为系统科学的多方决策参考，这也是本文需要进一步努力与改善的地方，也是今后我国金融发展的方向。

参考文献：

1.李公科.我国发展资产证券化问题与对策探讨[J].现代商贸工业，2011（18）

2.曾卉.我国信贷资产证券化风险评估与控制研究[J].中国商界，2008（7）

3.王江南.住房抵押贷款证券化的提前偿付风险与利率风险分析[J].上海商学院学报，2007（1）

4.李睿.中国商业银行房地产贷款信用风险管理研究[D].华东师范大学，2006

5.宋宸刚.我国信贷资产证券化发起机构风险管理论析[J].社会科学家，2008（8）

6.Gorton. Garyand NicholasS.Souleles，"Special Purpose Vehicles and Securitization''，University of Pennsylvania working paper，2005

7.朱凯，王正林.精通MATLAB神经网络[M].电子工业出版社，2010

8.熊志斌.基于遗传进化型模糊神经网络的信用风险评估模型构建及应用[M].华南理工大学出版社，2010

9.庞明，郭菊娥.不良资产证券化资产池信用风险测算研究—基于神经网络[J]，2007（6）

10.吴崇.基于BP神经网络的商业银行供应链融资信用风险评价研究[D].浙江工业大学，2012

11.胡海青，张琅，张道宏.供应链金融视角下的中小企业信用风险评估研究—基于SVM与BP神经网络的比较研究[J]，2012（11）

作者简介：

马静（1982-），女，汉族，河南南阳人，郑州华信学院商学院讲师，经济师，硕士。主要研究方向为金融经济。endprint

资产证券化作为金融创新产品，能够较好地解决资产流动性较差的问题，有效缓解不良贷款回收的压力，因此受到银行类金融机构和资产管理公司的一致青睐，纷纷进行相应尝试。但是，必须指出的是，在其获得广泛应用的同时，更需要对其风险进行科学合理的衡量，本文结合中国资产证券化大量的实例，尝试构建证券化资产风险测评体系，选择次级债券实际收益率为主要测评指标，原因在于次级债券为风险的最终承担者，这也就能合理的进行了转化，然后利用BP神经网络进行拟合和仿真测试，从本文的分析来看，从银行、债务人、SPV三方面构建的多指标测评体系，基本能够满足对资产证券化信用违约的分析预测。资产证券化的出现在很大程度上能够较好解决企业融资问题，同时也为银行快速处理不良资产提供了有效的途径，进一步丰富金融产品种类，改善金融结构比例，能够从整体上促进金融业的健康发展。科学的金融产品风险测评系统的构建，一方面，可以为金融机构提供决策依据，也能为投资者进行投资提供重要参考，另一方面，为政府职能部门的金融监管和相关金融政策的调整提供重要参考依据，总体上有利于金融市场的稳健运行。

由于我国的实际情况的原因，企业财务数据不易取得，信用基础大都相对薄弱，所以本文在样本数据的选择上有些是进行的近似的估计，但是随着资产证券化发展进程的加速，资产证券化规模的扩大和金融体系的不断完善健全，在能够获取大量准确数据的情况下，应该构建更为科学完善的资产证券化信用风险测评体系，从而进行更为精确的分析和研究，提供更为系统科学的多方决策参考，这也是本文需要进一步努力与改善的地方，也是今后我国金融发展的方向。

参考文献：

1.李公科.我国发展资产证券化问题与对策探讨[J].现代商贸工业，2011（18）

2.曾卉.我国信贷资产证券化风险评估与控制研究[J].中国商界，2008（7）

3.王江南.住房抵押贷款证券化的提前偿付风险与利率风险分析[J].上海商学院学报，2007（1）

4.李睿.中国商业银行房地产贷款信用风险管理研究[D].华东师范大学，2006

5.宋宸刚.我国信贷资产证券化发起机构风险管理论析[J].社会科学家，2008（8）

6.Gorton. Garyand NicholasS.Souleles，"Special Purpose Vehicles and Securitization''，University of Pennsylvania working paper，2005

7.朱凯，王正林.精通MATLAB神经网络[M].电子工业出版社，2010

8.熊志斌.基于遗传进化型模糊神经网络的信用风险评估模型构建及应用[M].华南理工大学出版社，2010

9.庞明，郭菊娥.不良资产证券化资产池信用风险测算研究—基于神经网络[J]，2007（6）

10.吴崇.基于BP神经网络的商业银行供应链融资信用风险评价研究[D].浙江工业大学，2012

11.胡海青，张琅，张道宏.供应链金融视角下的中小企业信用风险评估研究—基于SVM与BP神经网络的比较研究[J]，2012（11）

作者简介：

马静（1982-），女，汉族，河南南阳人，郑州华信学院商学院讲师，经济师，硕士。主要研究方向为金融经济。endprint

资产证券化作为金融创新产品，能够较好地解决资产流动性较差的问题，有效缓解不良贷款回收的压力，因此受到银行类金融机构和资产管理公司的一致青睐，纷纷进行相应尝试。但是，必须指出的是，在其获得广泛应用的同时，更需要对其风险进行科学合理的衡量，本文结合中国资产证券化大量的实例，尝试构建证券化资产风险测评体系，选择次级债券实际收益率为主要测评指标，原因在于次级债券为风险的最终承担者，这也就能合理的进行了转化，然后利用BP神经网络进行拟合和仿真测试，从本文的分析来看，从银行、债务人、SPV三方面构建的多指标测评体系，基本能够满足对资产证券化信用违约的分析预测。资产证券化的出现在很大程度上能够较好解决企业融资问题，同时也为银行快速处理不良资产提供了有效的途径，进一步丰富金融产品种类，改善金融结构比例，能够从整体上促进金融业的健康发展。科学的金融产品风险测评系统的构建，一方面，可以为金融机构提供决策依据，也能为投资者进行投资提供重要参考，另一方面，为政府职能部门的金融监管和相关金融政策的调整提供重要参考依据，总体上有利于金融市场的稳健运行。

由于我国的实际情况的原因，企业财务数据不易取得，信用基础大都相对薄弱，所以本文在样本数据的选择上有些是进行的近似的估计，但是随着资产证券化发展进程的加速，资产证券化规模的扩大和金融体系的不断完善健全，在能够获取大量准确数据的情况下，应该构建更为科学完善的资产证券化信用风险测评体系，从而进行更为精确的分析和研究，提供更为系统科学的多方决策参考，这也是本文需要进一步努力与改善的地方，也是今后我国金融发展的方向。

参考文献：

1.李公科.我国发展资产证券化问题与对策探讨[J].现代商贸工业，2011（18）

2.曾卉.我国信贷资产证券化风险评估与控制研究[J].中国商界，2008（7）

3.王江南.住房抵押贷款证券化的提前偿付风险与利率风险分析[J].上海商学院学报，2007（1）

4.李睿.中国商业银行房地产贷款信用风险管理研究[D].华东师范大学，2006

5.宋宸刚.我国信贷资产证券化发起机构风险管理论析[J].社会科学家，2008（8）

6.Gorton. Garyand NicholasS.Souleles，"Special Purpose Vehicles and Securitization''，University of Pennsylvania working paper，2005

7.朱凯，王正林.精通MATLAB神经网络[M].电子工业出版社，2010

8.熊志斌.基于遗传进化型模糊神经网络的信用风险评估模型构建及应用[M].华南理工大学出版社，2010

9.庞明，郭菊娥.不良资产证券化资产池信用风险测算研究—基于神经网络[J]，2007（6）

10.吴崇.基于BP神经网络的商业银行供应链融资信用风险评价研究[D].浙江工业大学，2012

11.胡海青，张琅，张道宏.供应链金融视角下的中小企业信用风险评估研究—基于SVM与BP神经网络的比较研究[J]，2012（11）

作者简介：

马静（1982-），女，汉族，河南南阳人，郑州华信学院商学院讲师，经济师，硕士。主要研究方向为金融经济。endprint