基于BP神经网络的 商业银行信用风险度量模型研究

曾嵘欣

摘 要：本文以商业银行表内业务和表外业务为切入点，利用贵州省地方法人银行的500户信贷企业财务数据，改进BP神经网络模型，模拟构建信用风险度量模型，取得了较好的效果。用信用风险度量模型对49家样本企业进行预测，结果发现，该模型对信用风险的提示和预警具有较强的现实指导意义，有利于商业银行提高防控信用风险的能力，也有利于中央银行量化差别化货币政策、提高宏观审慎管理效率。

关键词：信用风险度量；BP神经网络；预测

中图分类号：F830.33 文献标识码：A 文章编号：1674-2265（2018）06-0068-06

DOI：10.19647/j.cnki.37-1462/f.2018.06.010

一、引言

有效防控信用风险是商业银行金融风险管理中最为关键也最具挑战性的领域，而对商业银行信用风险进行精确的评估是其中的核心问题。西方国家信用风险评估理论先后经历了传统的主观分析、财务比率分析及人工智能的应用阶段。20世纪90 年代以来，人工智能和IT技术的快速发展为信用风险度量提供了新的思路与方法。专家系统、神经网络、决策支持系统、遗传算法等被引入信用风险评估中，有效克服了傳统统计分析方法对数据严格要求的假设。其中，神经网络模型（Artificial Nerual Network，ANN）具有更准确的预测能力。如Back（2006）用遗传算法对输入指标进行筛选，并将其与ANN相结合，对破产企业在破产前三年的数据进行分析，结果表明 ANN网络模型的判别准确率较高。

随着我国金融业的快速发展，越来越多的学者和实业界人士开始关注商业银行贷款企业信用风险评估的研究。其中，王春峰（1999）、杨保安（2001）等学者采用人工神经网络并对其应用于信用风险分析的可行性进行了论述，着重对构建商业银行信用风险分析的人工神经网络模型进行了深入细致的研究。吴冲和吴德胜（2009）等研究了神经网络在信用风险评估领域的应用，分别基于自适应神经网络、Elman 回归神经网络研究信用风险评估问题，并将遗传算法繁衍样本策略与神经网络相结合，提出运用遗传算法辅助网络训练策略，构建了相应的神经网络信用风险评估模型，在一定程度上克服了传统网络模型易出现局部极小值的不足。

从国内的研究现状来看，商业银行信用风险评估的研究尚处于起步阶段，商业银行信用风险评估指标的权重仍大多采用专家判断法来确定，具有较大的主观随意性，使信用风险的评价结果难以反映企业的真实状况。而对于神经网络方法在商业银行信用风险评估中的应用研究，多从规避神经网络模型缺陷的角度出发，进行组合模型的研究，这往往需要使用者本身具备比较深厚的模型理论功底，在一定程度上增加了模型推广应用的难度。

鉴于此，本文从实用性角度出发，剖析商业银行信用风险评估的影响因素，在此基础上，构建相对全面、合理的评估指标体系。在众多的神经网络模型中，误差反向传播（BP）神经网络是目前最为成熟的神经网络模型，为了更好地实现其推广应用价值，本文区别于其他关于组合模型的应用研究，而主要基于模型自身相关参数的调整和改进来规避其固有的应用缺陷，这将使得改进后的模型更具有应用上的可操作性。

二、人工神经网络基本理论

（一）组成方式及工作原理

人工神经网络是由大量简单的处理单元广泛连接组成的复杂网络，每个神经元可以看作是神经网络的基本运算单元。神经元之间是非线性映射，通过调整权重和阈值来“学习”或发现变量之间的关系，整个神经网络的信息处理也都是通过这些神经元之间的相互作用而实现。

人工神经网络的运算过程具有学习和工作两个阶段。在学习阶段，将要教给神经网络的信息作为输入、预期目标作为输出来训练网络，使网络参数（包括权值、阈值等）调整到最佳。在工作阶段，对于已经训练好的神经网络，网络参数不变，将一组新的样本作为输入变量输入到网络中，通过运用神经网络已获得的运算规则进行处理，得到相应的输出结果。同时，人工神经网络在学习过程中具有自学习与自适应能力，能够朝着误差减少的方向，逐步改变各层次神经元的权重值，以适应周围环境的要求。通常情况下，神经网络具有两种不同的学习训练方式：一种是有导师的学习算法，主要利用给定的样本标准来调整各神经元的权值系数，以达到对样本数据进行分类或模仿的目的；另一种是无导师的学习算法，只规定学习方式或学习规则，具体的学习内容随输入信号不同而不同，系统能自动发现并学习和储存环境特征及规律，可以自动地调整连接权值，以便对输入样本分组聚集，这种学习方法更接近于人脑的功能。

（二）BP人工神经网络模型

BP神经网络（ Back Propagation）是一种采用误差反向传播的学习算法，是由一个输入层、一个或多个隐含层及一个输出层组成的阶层型神经网络。每层由一定数量的神经元构成，相邻层之间的神经元如同人的神经细胞一样是互相连接的，而每层的神经元之间无连接。输入信号先由输入层向前传播到隐结点，经过变换函数的处理之后，把隐结点的输出信息传播到输出结点，再给出输出结果。研究发现，网络的拟合精度与网络层数和每层节点数正相关。增加网络层数虽然可提高拟合精度，但会使网络复杂化，同时增加训练时间。依据Kolmogorov理论，在一定条件下，对于任意给定的ε>0，存在一个三层神经网络结构，它能以ε均方差的精度逼近任意连续函数或精确数据分类，可解决现实中大部分非线性的数据处理问题，应用也最为普遍。

BP 神经网络的算法学习步骤如下：一是从总体样本中选取一部分作为训练样本，将其信息输入到网络中；二是样本信息经网络隐含层的处理后由输出层输出；三是计算网络的实际输出和期望输出的误差值；四是从输出层开始反向计算到第一个隐含层，按照误差减少的原则调整整个网络的权值；五是重复以上步骤，直到网络的总误差达到目标误差值为止。

通过以上步骤的反复训练之后，网络各节点之间的连接权值就完全得到确认，此时，可以用来对未知样本进行识别预测处理。

三、商业银行信用风险度量模型构建及运用

（一）商业银行信用风险度量的指标体系建立

本文在構建评估指标体系时遵循以下两个步骤：首先依据以往研究构建的影响因素，对指标进行初选；然后运用统计方法，结合专家咨询，对初步确定的指标进行筛选，剔除对信用风险评估贡献不大及相关性较强的指标，增加遗漏的主要指标，以此完善评价指标体系，最后得出商业银行信用风险评估指标体系。依据上述方法，在确定评价指标影响因素的基础上，从盈利能力、发展能力、营运能力、偿债能力、现金流能力等五个方面对评价指标进行选择，结合已有研究成果，得出本文所采用的财务指标，如表1所示。

（二）改进 BP 神经网络模型

由于 BP 网络采用的是误差反向传播的算法，在网络结构较大时存在计算时间长、易陷入局部极小值而得不到最优结果的缺点。本文采用以下两种方法对标准 BP 神经网络算法进行改进：

一是增加动量项。动量项反映了以前积累的网络权值调整经验，从前次权值的调整量中取出一部分叠加到本次权值的调整量中，使得网络权值的变化保持一定速度水平，减小了算法在网络权值调整过程中的震荡趋势，以提高训练速度，有效地解决标准 BP 算法易陷入局部极小值的不足。

二是自适应调节学习速率。BP 算法在数据处理过程中采用梯度下降法，即利用误差对于权、阈值的一阶导数信息来指导下一步的权值调整方向，以使得最终得到总误差最小。为了保证网络收敛，算法的学习速率η必须小于某一上限，一般取0<η<1，而且当误差越接近极小值时，由于梯度变化值逐渐趋于零，算法的收敛会越来越慢。为了提高学习速度，需要采用较大的学习速率，这又会导致网络在稳定点附近振荡，使循环次数增加，甚至致使网络不收敛。为有效解决这一困境，本文采用增加学习速率自调整的策略，使其该大时则增大，该小时则减小。具体说，当网络权值修改使得误差信号趋向于减小，则加大下一次学习过程的学习速率值；当网络权值修改使得误差信号增大，则减小下一学习过程的学习速率值。

经过上述改进后的BP算法，能够有效地降低模型运算的震荡幅度与次数，保证算法的收敛性，加快收敛速度，具有相当重要的实际应用价值。

（三）商业银行信用风险度量模型的构建

1. 样本的选取及数据集划分。本文在贵州省地方性法人银行机构（贵州银行、贵阳银行和贵州省农信社）的信贷客户中随机选取500户有信贷业务的企业，其中，250户企业发生过表内信贷业务，250户企业发生过表外信贷业务。从企业信用状况来看，300户企业信用状况良好，200户企业出现过逾期。从贵州省工业景气调查监测企业中选取49户无信贷业务企业，总计549户企业，从企业的所属行业来看，包含制造业、能源动力、建筑业、交通、医药、电子、商贸、咨询、材料等多个行业，具有较强的代表性，同时对样本企业的财务数据进行标准化处理。

2. BP模型的参数设定。本文构建的商业银行信用风险评估的BP神经网络模型采用包含输入层、单隐含层和输出层典型的3 层结构。输入层的节点数由本文构建指标体系的13个财务指标确定，即输入层有13个神经元。输出层节点数设定为1个，假设输出值接近于 0 时，为正常企业；输出值接近于1时，为违约企业。隐含层节点数初始值为7 个，随后将采用试凑法确定网络误差最小时对应的隐节点数。由此构成一个13-7-1型的初始三层 BP 神经网络模型。初始设置最大的训练次数为 50000 次，即当网络的训练次数达到 50000，停止训练。根据软件要求及模型的需要，本文设置的误差精度是0.65×10-3，当两次的迭代结果误差小于该值时，系统会结束迭代运算。 隐含层和输出层的激励函数均选择对数 S 型函数即 tansig函数。学习函数设定为梯度下降动量学习函数（Learngdm）。自适应调整学习速率并附加动量因子的梯度下降反向传播算法函数（traingdx），该算法是梯度下降法与自适应调整学习速率法组合优化算法，具有收敛速度快、学习效果好、计算精度高的特点，提高了神经网络的学习速度并增加了算法的可靠性。网络收敛的误差性能函数采用最小均方误差值 MSE，目标值定为 0.0001。

以往国内对信用风险的度量集中于传统的信贷业务，但近年来表外业务快速发展，仅测度表内信贷业务远不能全面客观反映商业银行面临的信用风险，因此本文将分别构建表内和表外业务的信用风险度量模型。

3. 表内业务信用风险度量模型建立和检验。

（1）划分数据集。根据本文的研究思路和BP网络评估模型建立需求，将250个表内样本数据分为训练组X21和测试组X22。其中训练组X21 为125个样本（50个违约样本和 75个正常样本），测试组X22为125个样本（50 个违约样本和 75 个正常样本）。

（2）模型建立。针对表内业务数据组进行BP神经网络训练过程，反复调试后当隐含层节点数为 7 个时，当网络迭代运算 290 次之后，网络性能为 0.000632，满足设定误差限值 0.65×10-3，且此时神经网络模型的误差最小。停止迭代运算，网络训练完毕。以0.01为判别阈值，当输出值与实际值之差大于0.01时，认为出现误判；反之亦然。

（3）模型检验。构建的表内业务信用风险测度模型表现出了较好的拟合效果。下面将利用测试样本数据来检验模型的泛化效果。将125 组测试样本数据输入到训练好的神经网络模型中进行仿真测试，对其信用风险进行评估，结果如下：

4. 表外业务信用风险度量模型建立和检验。

（1）划分数据集。根据本文的研究思路和BP网络评估模型建立需求，将250个表外样本数据分为训练组X11和测试组X12。其中训练组X11 为125个样本（50个违约样本和 75个正常样本），测试组X12为125个样本（50 个违约样本和 75 个正常样本）。

（2）模型建立。针对表外业务数据组进行BP神经网络训练过程，反复调试后，隐含层节点数为7，当网络迭代运算 290 次之后，网络性能为0.000648，满足设定误差限值 0.00065，且此时神经网络模型的误差最小。停止迭代运算，网络训练完毕。以0.01为判别阈值，当输出值与实际值之差大于0.01时，认为出现误判；反之亦然。

（3）模型检验。构建的表外业务信用风险测度模型表现出了较好的拟合效果。下面将利用测试样本数据来检验模型的泛化效果。将125 组测试样本数据输入到训练好的神经网络模型中进行仿真测试，对其信用风险进行评估，结果如下：

5. 商业银行业务信用风险度量模型的运用。经过上面的测算，表内、表外的信用风险度量模型均已达到预期效果，下面将49个未贷款样本分别放入两个模型进行预测，为商业银行的授信决策提供指引和参考（见图1，图2）。

从结果可以看出，22户企业被表内、表外业务模型提示为高风险企业，从企业所属行业来看，传统的原材料生产及加工（煤炭采选6户、金属矿采选2户、有色金属冶炼及加工2户）占比达45.5%。当前我国深入推进供给侧结构性改革，传统的原材料加工及生产企业多数属于淘汰的落后产能，虽然工业产品的价格有所回暖，但缺乏先进产能的有效支撑，企业的生产经营仍然较为困难。企业普遍反映，生产技术老化、人工成本高企是制约企业经营的主要原因。加上环保要求越来越高，市场价格的回暖并没有彻底改善经营效益。对贵州省地方法人金融机构部分重点行业监测显示：截至2017年9月末，贵州省地方法人金融机构对全省产能过剩行业的不良贷款余额5.8亿元，不良贷款率达15.5%，高于全省金融机构不良贷款率13.43个百分点。

房地产企业也是高风险行业。在表内外BP网络预警模型中有13.6%（3户）提示为高风险企业。房企资金链紧张态势仍未缓解，竣工面积大幅回落，土地市场持续低迷，截至2017年9月末，贵州省房地产业不良贷款余额为22.72亿元，不良贷款率为1.21%，较年初升高0.42个百分点，高于全省金融机构不良贷款率增幅0.19个百分点。

从企业规模来看，小微企业被提示存在高危风险的为50%，分别高出中型企业、大型企业19.1个和24.7个百分点，是模型重点预警的区域。2017年9月末，贵州省小微企业不良贷款率为3.22%，较年初上升0.47个百分点，分别高于中型、大型企业不良貸款率0.88个、2.69个百分点，其中，单户授信总额500万元以下的小微型企业不良贷款率为7.23%，较年初上升1.07个百分点。个人经营性贷款不良率为4.07%，较年初上升0.71个百分点，高于全省金融机构不良贷款率两个百分点。

综上所述，表内、表外神经网络BP模型对银行业审批和风险防范有较强的预警效果，能给予银行业信贷审批和贷中后管理较强的辅助作用。

四、主要结论及政策建议

本文从商业银行信用风险管理的相关理论研究出发，构建了较为全面的信用风险评价指标体系，阐述了神经网络技术在信用风险评估应用中的优势，建立了基于改进 BP 网络模型的商业银行信用风险评估模型，得到了较为精确的预测判断结果。以上研究表明，本文所构建的表内外的信用风险评估模型在我国商业银行信用风险评估中具有良好的应用前景，能对商业银行的贷款决策活动起到有效的辅助作用，有利于其防范和降低信贷风险。通过理论建模到实证研究的过程，总结出以下结论：

一是表外业务的信用风险不容忽视。以往的研究仅从银行的信贷业务出发度量和测算信用风险，已经不能全面客观地反映银行经营面临的真实的信用风险。表外业务、中间业务等已成为金融机构主要利润来源，应把表外业务纳入信用风险测度范围内，全面衡量当前商业银行经营面临的风险。

二是信用风险具有较强的地域特征。实证结果显示，本文构建的表内外信用风险模型提示的高风险行业和高风险企业均与实际情况较为吻合，表明信用风险的测度具有较强的地域特征。而目前我国商业银行经营中，多数采用统一的信用风险评估模式，因此存在较大的不适应性。为了有效监测和预警信用风险，中央银行应发挥更积极的作用，构建适合区域特征的信用风险模型，有效防范区域信用风险。

三是采用穿透式监管。近年来，同业业务、股权投资和债券投资等大量金融创新快速涌现，跨市场、跨机构和跨地区的金融业务使传统的金融监管模式已经无法适应，监管的盲区和空白区大量存在，金融风险的监测和预警也较为滞后。监管部门应加强协作，打破以往的监管界限，采用穿透式的监管原则，加强金融综合统计能力，追根溯源确定风险源头，有效防控金融风险。

参考文献：

[1]阎庆民.中国银行业风险评估及预警系统研究[M].北京：中国金融出版社，2005.

[2]Simon Haykin，叶世伟等译.神经网络原理[M].北京：机械工业出版社，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]楼顺天 ，施阳.基于 MATLAB的系统分析与设计—— 神经网络 [M].西安： 西安电子科技大学出版社，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，銀行信用风险管理[M].北京：中国人民大学出版社，2006.

[12]张爱民，祝春山，许丹健.上市公司财务失败的主成分预测模型及其实证研究[J].金融研究，2001，（5）.

[13]梁琪.企业信用风险的主成分判别模型及其实证研究[J].财经研究，2003，（29）.

[14]布慧敏.我国商业银行信用风险量化度量方法研究[J].统计与决策，2005，（1）.

[15]王春峰，万海晖，张维.基于神经网络技术的商业银行信用风险评估[J].系统工程理论与实践，1999，（91）.

[16]杨保安，季海.基于人工神经网络的商业银行贷款风险预警研究[J].系统工程理论与实践，2001，（5）.

[17]吴冲，吕静杰，潘启树，刘云焘.基于模糊神经网络的商业银行信用风险评估模型研究[J].系统工程理论与实践，2004，11（4）.

[18]吴德胜，梁操.遗传算法优化神经网络及信用评价研究[J].中国管理科学，2009，12（1）.

[19]王卫东.现代商业银行全面风险管理[M].北京：中国经济出版社，2001.

[20]章忠志，符林，唐焕文.基于人工神经网络的商业银行信用风险模型[J].经济数学，2003，（20）.