本站小編為你精心準備了民生銀行信用風險評價研究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：

本文建立相應的BP神經網絡模型，根據民生銀行信貸信用評級指標體系，選取BP神經網絡模型的訓練樣本和檢驗樣本。將訓練樣本輸入BP神經網絡進行訓練，BP神經網絡模型完成訓練后，用檢驗樣本對本文建立的BP神經網絡模型進行檢驗。完成訓練的BP神經網絡模型將根據企業的信用評級信息計算出企業信用得分的預測值，從而使商業銀行規避信貸過程中的信用風險，起到風險預警功能。

關鍵詞：

BP神經網絡；信貸信用；風險預警

我國一直沒有建立起符合市場規范的信用體系，信用風險是商業銀行面臨的最傳統最基本的風險形式，也是最難于控制和管理的風險形式。本文建立相應的BP神經網絡模型，根據民生銀行信貸信用評級指標體系，選取20個企業的信用評級信息作為BP神經網絡模型的訓練樣本，選取10個企業的信用評級信息作為BP神經網絡模型的檢驗樣本。將訓練樣本輸入BP神經網絡，讓BP神經網絡根據信貸企業信用得分的輸出值與真實值之間的誤差不斷調節各個神經元之間的權值與閥值，當誤差滿足要求時，BP神經網絡模型完成訓練。BP神經網絡模型完成訓練后，對本文建立的BP神經網絡模型進行檢驗[1]。完成訓練的BP神經網絡模型將根據企業的信用評級信息計算出企業信用得分的預測值，為商業銀行信貸過程中的信用風險進行預測評價，從而使商業銀行規避信貸過程中的信用風險，起到風險預警功能。

一、BP神經網絡理論

BP神經網絡理論是學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳人，經各隱層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望的輸出（教師信號）不符，則轉入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權值的依據。這種信號正向傳播與誤差反向傳播的各層權值調整過程是周而復始地進行的[2]。權值不斷調整的過程，也就是網絡的學習訓練過程。此過程一直進行到網絡輸出的誤差減少到可接受的程度，或進行到預先設定的學習次數為止。

（一）BP網絡模型

采用BP算法的多層感知器是至今為止應用最廣泛的神經網絡，在多層感知器的應用中，單隱層網絡的應用最為普遍。一般習慣將單隱層感知器稱為三層感知器，所謂三層包括了輸入層、隱層和輸出層。三層感知器中，輸入向量為()T12,,...,,...,inX=xxxx；隱層輸出向量為()T12,,...,,...,jmY=yyyy；輸出層輸出向量為()T12,,...,,...,klO=oooo；期望輸出向量為()T12,,...,,...,kld=dddd。輸入層到隱層之間的權值矩陣用V表示，()T12,,...,,...,jmV=VVVV，其中列向量jV為隱層第j個神經元對應的權向量；隱層到輸出層之間的權值矩陣用W表示，()T12,,...,,...,kiW=WWWW，其中列向量kW為輸出層第k個神經元對應的權向量[3]。下面分析各層信號之間的數學關系。對于輸出層，有：(net)kko=fk=1,2,...,l（1）0netmkjkjjwy==∑k=1,2,...,l（2）對于隱層，有：(net)jjy=fj=1,2,...,m（3）0netnjijiivx==∑j=1,2,...,m（4）以上兩式中，轉移函數f(x)均為單極性Sigmoid函數：1()1xfxe−=+（5）f(x)具有連續、可導的特點，且有：f′(x)=f(x)[1−f(x)]（6）根據應用需要，也可以采用雙極性Sigmoid函數（或稱雙曲線正切函數）：1()1xxefxe−−−=+（7）式（1）～式（7）共同構成了三層感知器的數學模型。

（二）網絡訓練與檢驗

網絡設計完成后，要應用訓練樣本進行訓練。訓練時對所有樣本正向運行一輪并反向修改權值一次稱為一次訓練。在訓練過程中要反復使用樣本集數據，但每一輪最好不要按固定的順序取數據，通常訓練一個網絡需要很多次。網絡的性能好壞主要看其是否具有很好的泛化能力，而對泛化能力的測試不能用訓練集的數據進行，要用訓練集以外的測試數據來進行檢驗[4]。一般的做法是，將收集到的可用樣本隨機地分為兩部分，一部分作為訓練樣本，另一部分作為檢驗樣本。

二、基于BP神經網絡的民生銀行信用風險評價研究

（一）建立保險公司投資風險評價指標體系

貸款信用評級財務指標包括貸款企業經營管理能力、貸款企業債務償還能力和貸款企業持續發展能力。貸款企業經營管理能力包括五個指標，分別是資產報酬率、流動資產周轉率、應收賬款周轉率、主營收入現金含量、成本費用利潤率；貸款企業債務償還能力包括五個指標，分別是流動比率、利息保障倍數、資產負債率、現金流與流動負債比、凈資產與貸款余額比；貸款企業持續發展能力包括三個指標，分別是凈資產增長率、主營利潤增長率、工資福利增長率。貸款信用評級非財務指標包括五個指標，分別財務報表質量評價、企業員工能力、企業經營者履歷、企業經營者信譽、行業現狀及前景。

（二）BP神經網絡模型訓練

選取20個企業的信用評級信息作為BP神經網絡模型的訓練樣本。根據民生銀行信貸信用評級指標體系，訓練樣本的輸入向量X由18個指標組成，分別是資產報酬率1x、流動資產周轉率2x、應收賬款周轉率3x、主營收入現金含量4x、成本費用利潤率5x、流動比率6x、利息保障倍數7x、資產負債率8x、現金流與流動負債比9x、凈資產與貸款余額比10x、凈資產增長率11x、主營利潤增長率12x、工資福利增長率13x、財務報表質量評價14x、企業員工能力15x、企業經營者履歷16x、企業經營者信譽17x、行業現狀及前景18x。訓練樣本的輸入向量T121718X=(x,x,,x,x)。訓練樣本的輸出向量為Y，代表企業的信用得分。輸入BP神經網絡模型的訓練樣本如表1所示。建立的BP神經網絡模型為三層網絡，拓撲結構為18-5-1。將20個訓練樣本輸入BP神經網絡進行訓練，讓BP神經網絡根據信貸企業信用得分的輸出值與真實值之間的誤差不斷調節各個神經元之間的權值與閥值[5]。采用MATLAB7.0神經網絡工具箱進行運算，當誤差平方和小于10-5時，訓練終止。訓練樣本中各個信貸企業的真實信用得分和BP神經網絡模型輸出值。

（三）BP神經網絡模型檢驗

由表1可以看出BP神經網絡模型輸出值與信貸企業真實信用得分的誤差很小，下面對本文設計的BP神經網絡模型進行檢驗。BP神經網絡模型采用10個企業的信用評級信息作為檢驗樣本。對本文建立的BP神經網絡模型進行檢驗，將10個企業的信用評級信息作為檢驗樣本輸入完成訓練的BP神經網絡模型，完成訓練的BP神經網絡模型將根據10個企業的信用評級信息計算出企業信用得分的預測值。檢驗樣本中各個信貸企業的真實信用得分和BP神經網絡模型預測值如表2所示。根據表2的數據，得到信貸企業的真實信用得分和BP神經網絡模型預測值之間誤差曲線。檢驗樣本中信貸企業的真實信用得分和BP神經網絡模型預測值的擬合度較高，部分樣本真實值與預測值基本重合。檢驗樣本中信貸企業的真實信用得分和BP神經網絡模型預測值誤差值整體較小，最大誤差11.7%，最小誤差0.27%。假設以絕對誤差小于5%為容忍度，那么本文建立的BP神經網絡模型的準確率為70%。假設以絕對誤差小于10%為容忍度，那么本文建立的BP神經網絡模型的準確率為90%。

三、結論

1、檢驗樣本中信貸企業的真實信用得分和BP神經網絡模型預測值的擬合度較高，樣本21、26、28的真實值與預測值基本重合，樣本24、25的真實值與預測值偏差較大。

2、檢驗樣本中信貸企業的真實信用得分和BP神經網絡模型預測值誤差值整體較小，最大誤差11.7%，最小誤差0.27%。

3、假設以絕對誤差小于5%為容忍度，那么本文建立的BP神經網絡模型的準確率為70%。假設以絕對誤差小于10%為容忍度，那么本文建立的BP神經網絡模型的準確率為90%。計算結果表明本文建立的BP神經網絡模型準確率較高，可以為商業銀行信貸過程中的信用風險進行預測評價，從而使商業銀行規避信貸過程中的信用風險，起到風險預警功能。

參考文獻：

[1]許美玲,齊曉娜,李倩等.基于BP神經網絡的村鎮銀行信用風險預警模型的構建[J].河南科技,2014(22).

[2]黃夢宇.基于BP神經網絡的手機銀行風險預警模型研究[J].時代金融(下旬),2014(4).

[3]遲國泰,陳國斌,遲楓等.基于神經網絡的中國商業銀行效率綜合評價[J].哈爾濱工業大學學報,2006,38(4).

[4]于彤,李海東.基于BP神經網絡的客戶信用風險評價[J].現代電子技術,2014(10).

[5]馬鴻雁.基于BP神經網絡的商業銀行風險預警系統的研究[J].經濟研究導刊,2014(24)

作者：張雅茹 胡建蘭 單位：中國民生銀行