基于GA-BP神经网络和AHP法的银行个人信用评估

2018-02-11盖方杨颖解佳琦

神州·下旬刊 2018年12期

盖方杨颖解佳琦

摘要：随着个人信贷在银行贷款业务中的比例不断上升，建立一个完善、自动化的个人信用评估体系来保证银行的信贷收益十分重要。针对此现象，先建立了基于GA-BP神經网络的个人信用评分预测模型，然后利用了因子分析与AHP模型建立了用户信用等级的划分体系，最后根据信用评分高低将信用等级划分为：AA，A，BB，B，CC，C6个等级，完善了银行个人信用评估体系，为金融机构规范个人信贷管理、减少投资风险起到重要的作用。

关键词：个人信用评估;BP神经网络;层次分析

0引言：

随着市场经济、法治进程的推进，中国某些缺乏市场秩序和道德规范的低信用度市场面临着巨大的挑战。对于个人信用评估问题，从银行角度来讲，失去了业务拓展的空间。国际金融界普遍认为，企业贷款相当于批发性业务，利率低、风险集中。而消费信贷相当于零售性业务，利率高、风险分散。在银行的资产业务中，消费信贷含金量极高，建立较为完善的个人信用评估系统必不可少。

1.基于GA-BP神经网络的个人信用评分模型建立：

1.1 BP神经网络前馈计算

BP网络是多层前馈型网络的典型代表[1]，它由三个神经元层组成：输入层、中间层和输出层，相邻之间的各神经元实现全连接。BP网络中，输入向量为X，且其中第i个节点的输出记为zi;隐含层的输出向量为Y，且，其中第j个节点的阈值[3]记为γj，隐含层第j个节点与输入层第i个节点的连接权记为vji;输出层输出向量为O，且，其中第k个节点的阈值记为θk，输出层第k个节点与隐含层第j个节点的连接权记为wkj。期望输出向量为D，且。隐含层各单元输入、输出为：

1.2个人信用评分网络的建立与误差计算：

通过SPSS随机抽取80%的客户数据的（560个高信用度客户和240个低信用度客户）作为训练集[2]，利用信用评价指标作为输入层，银行信用评分作为输出层通过MATLAB进行BP神经网络的构建训练。BP神经网络在第2282次迭代后停止计算，此时R=0.8761大于0.8，神经网络表现良好。利用剩余的20%的客户数据对所建立的模型进行信用评分计算，调用MATLAB var（a）函数与真实值对比求解，解得误差为：9.37%。

2.基于因子分析和AHP的信用等级划分：

表1是巴特利特球度检验和KMO检验，观察可得：k值接近0.6，sig<0.05，故可以进行因子分析[4]。

2.1 AHP模型的建立与引入：

对10个指标如图进行分层利用MATLAB语言求矩阵A的最大特征值得：λ=3.0183采用T.L.Saaty一致性检验：CI=（λ-n）/（n-1）。根据Saaty的随机一致性检验，得RI=0.90一致性比例：CR=0.0158<0.1，通过一致性检验。

通过MATLAB进行归一化处理得到各指标权重：

W=0.0757，0.1483，0.0926，0.0403，0.0527，0.1684，0.0685，0.1470，0.0611，0.1454。

W即为各个指标对信用等级的影响权重。

将信用评分划分为6个等级：AA，A，BB，B，CC，C依次对应3.6-3.0，3.0-2.4，2.4-1.8，1.8-1.2，1.2-0.6，0.6-0的信用评分。根据权重对GA-BP神经网络的到信用评分进行加权的到用户最终的信用评分，从而进行评定信用等级，具体如表2所示：

3.结论：

本文采用BP神经网络对客户信用指标进行信用评分计算，建立的GA-BP神经网络信用评分计算模型，优化算法是的误差降低至2.31%，最后引入因子分析优化下的AHP模型做到了客户信用等级的精确分类，提供了一套有效的银行个人信用评故体系。

参考文献：

[1]胡霄楠，史忠利BP神经网络在雷达故障诊断中的应用研究。计算机测量与控制2006，14 （12）：1660——1662。