基于神经网络的中国商业银行效率综合评价
基于BP神经网络的商业银行信用风险预警研究
基于BP神经网络的商业银行信用风险预警研究作者：江训艳来源：《财经问题研究》 2014年第13期江训艳收稿日期：2014-03-15作者简介：江训艳（1979-），男，硕士研究生，讲师，主要从事决策分析和风险管理等方面的研究。
（新余学院，江西新余338000）摘要：信用风险是指借款人没有能力或没有意愿按期还本付息而给贷款人造成损失的风险。
传统的信用风险主要来自于商业银行的贷款业务，现代意义上的信用风险考虑到了风险环境的变化，不仅包括传统定义上的贷款违约风险也包括借款人违约可能性发生变化而给银行资产造成损失的风险。
本文在研究目前较为流行的信用风险度量模型之后，提出BP神经网络预警系统来预警信用风险。
关键词：信用风险；预警系统；BP神经网络中图分类号：F830.33文献标识码：A文章编号：1000-176X（2014）05-0046-03商业银行在经营活动过程中，主要面临着信用风险、市场风险、利率风险和流动性风险等。
由于贷款质量直接关系到银行的损益状况和生存能力，因此控制信用风险、提高贷款质量向来是银行管理的核心环节。
对处于新兴市场和转轨经济时期的我国商业银行而言，加强信用风险管理显得尤其重要。
一、信用风险概述1.信用风险的概念及形成的主要原因在传统意义上，信用风险是指借款人没有能力或没有意愿按期还本付息而给贷款人造成损失的风险。
现代意义上的信用风险考虑到了风险环境的变化，意义更为丰富，不仅包括传统定义上的贷款违约风险也包括借款人违约可能性发生变化而给银行资产造成损失的风险。
造成我国商业银行信用风险的原因很多，归纳起来，主要有商业银行管理体制落后、商业银行经营机制存在严重缺陷、道德风险和逆向选择问题和社会信用环境欠佳等。
2.信用风险的主要类型与特征信用风险基本上包括信用违约风险(Default Risk)和信用息差风险(Spread Risk)两大类型。
信用风险除具有金融风险的不确定性、传递性和扩散性外，信用风险还具有概率分布厚尾特征、非系统风险特征明显和缺乏量化的数据基础特征。
基于粒子群优化的神经网络对银行个人信用评价的应用
——■＿
经济工作 ・Ｃ Ｎ Ｍ Ｃ Ｐ Ａ ＴＣ Ｅ Ｏ Ｏ Ｉ Ｒ Ｃ ＩＥ
基 粒 群 化 神 网 对 行 人 用 价 应 于 子 优 的 经 络 银 个 信 评 的 用
文 ／ 晓芸 叶 李
一
枫
、
引 言
权 所 组 成 ， 拓 扑 结 构 如 图 １ 示 。 络 的 学 习 过 程 由信 息 正 向 其 所 网
在我国个人信用 法律制度 尚不健全 ， 个人信用状况较差 、 水 平较低 ， 信用缺失现象严重 的实际情况下 ， 强个 人信用评估指 加
传播和误差反 向传播构成。
Ｂ Ｐ算 法 是 最 普 遍 的 神 经 网络 训 练 算 法 。但 是 ， ｍ ｌａｔ Ｒ ｕｈｒ研
标体系与个 人信用评 估方 法的研究 ，可以极 大地 降低 信贷风险
。
男性取值 １女性取值 ２ ，
２ 以下 １２ — ５为 ２ ３— ０ ３５ ５岁 ，６ ３ ，６ ５ 为 ，０以 上 为 ４
初 等教育取值 １ 中等教育取值 ２ 高等教育取值 ３ ， ，
３０ ０ ０以下 为 １ ３０ － ０ ０为 ２ ５ ０ － ０ ０为 ３ ７ ０ 一 １０ ，０ ０ ５ ０ ，０ ０ ７ ０ ，００ ｌ０ ０为 ４ １００以上 为 ５ ，１０
过 神 经 网
粒 子 的适 应 度 ） 。如 果 均 方 差 小 于 系 统 指 定 的 误 差 精 度 ， 训 练 过 程 停 止 ， 则 继 则 否
续进彳 迭代 ，直到最大迭代 了 次数 。整个算法 的流程图如
１ ０ 经济论坛 ２ ０ ・ Ｏ ０８ ２
维普资讯
Ｅ Ｏ Ｏ Ｉ Ａ ＴＣ ・ Ｃ Ｎ Ｍ Ｃ Ｒ ＣＩＥ 经济工作 —■—■● Ｐ
基于LM-BP神经网络的软件质量综合评价
基于LM-BP神经网络的软件质量综合评价郑鹏【摘要】由于传统软件质量评价存在主观性等缺陷。
针对这种情况，提出基于LM‐BP神经网络的软件质量综合评价方法。
算法以ISO／IEC 9126为软件质量度量标准，解决了标准BP算法存在的问题，建立了LM-BP神经网络软件质量综合评价模型，为软件质量综合评价提供了一种新的方法。
实验结果表明，LM-BP神经网络的软件质量综合评价能客观、定量、快速且准确得到软件质量综合评价结果，该评价模型具有客观性和实用性。
%Because traditional software quality evaluation has some defects such as subjectivity , we proposed a method based on levenberg marquardt-back propagation(LM-BP) neural network software quality comprehensive evaluation .Based on ISO/IEC 9126 software quality model ,the algorithm solves the problems existing in the standard BP algorithm ,establishes the LM-BP neu‐ral network software quality comprehensive evaluation model ,and offers a new method forcom‐prehensive evaluation of software quality .Experimental results show that the LM-BP neural net‐work software quality comprehensive evaluation is objective ,quantitative ,fast and accurate .The evaluation model is objective and practical .【期刊名称】《山东理工大学学报（自然科学版）》【年(卷),期】2016(000)003【总页数】5页(P74-78)【关键词】软件质量;ISO/IEC 9126标准;神经网络;LM-BP;综合评价【作者】郑鹏【作者单位】莆田学院信息工程学院，福建莆田351100【正文语种】中文【中图分类】TP311.52软件产品质量的评价，即软件产品质量特性的检测与度量.随着计算机技术和软件产业的发展，软件质量评价成为软件工程领域的热点问题.神经网络方法是通过模拟大脑神经网络处理、记忆信息的方式进行信息处理，具有自我学习以及自适应的能力.将神经网络应用于软件质量评价之中，能克服传统软件质量评价方法的一些缺陷，能快速、准确地得到软件质量评价结果.为量化且客观地对软件质量进行评价，本文以ISO/IEC9126软件质量为度量标准，利用改进的BP神经网络算法来建立软件质量综合评价模型，并应用构建的算法模型对软件质量进行评价.神经网络[1]是一种以动物的神经网络行为特征作为模拟对象的分布式数学模型，通过模拟对信息进行并行分布式处理.神经网络是把若干个可以调整的神经元的权值连接起来，具有可大规模并行处理以及优良自我组织、自我学习能力等特点，在计算机处理、智能信息控制等诸多领域得到很好的应用.迄今为止，神经网络已发展成为了数十种优秀的模型，比如: Hinton模型、Hopficld模型、以及Kohonen的自我组织网络模型和Rumelhart等的多层自我感知机模型等等.其中，应用最广泛的是多层感知机神经网络[2]，即BP网络.BP因其采用误差反向传播算法而得名，上个世纪八十年代，D.E.Rumelhart与McCelland等几个科学家提出了BP算法，BP算法的特点是结构比较简单且容易实现.经过了数十年的发展，在实际应用中已经有了很多的神经网络模型变式.BP网络的结构是一种分层型的网络，由三层：输入层、隐层和输出层组成(图1).BP网络各层之间既互连又独立，网络的各层间全互连，每一层中的各单元则相互独立.BP网络中可有一个或多个的隐层.BP算法步骤如下：(1)选择学习训练集，设定n个学习样本.(2)参数的初始化，即对神经网络模型中涉及的权值和阀值初始化赋值，初始值通常设为(-1,1)之间的随机数，并将训练集里的各个样本实行归一化处理.(3)计算将输入层中的加权数据输入到隐含层中的激活函数得到的新值，再进行加权输入处理到输出层激活函数以得到输出层的计算结果.(4)如果计算的结果与预期结果存在误差，那调整权值、阀值并重新计算每一层的输出结果直至误差在误差范围内为止.标准BP网络算法的优点是：结构严谨、可操作性强等，但BP算法在收敛过程中存在收敛速度比较慢、“局部最小值”问题以及学习速率不易确定的缺点.这些缺陷可以通过Levenberg-Marquardt BP算法(简称LM-BP算法)来克服.相对于普通的神经网络算法LM-BP优化算法的鲁棒性好、收敛速度快.LM-BP算法是把高斯牛顿算法与梯度下降算法的结合起来，同时改善了快速特性和全局收敛特性，进而最终有效的改进收敛性能.LM-BP算法的基本思想就是在应用中要解决非最优点奇异性的问题，做法是让目标函数在靠近最优点时对极值点附近的特性近似二次性，以加快寻优收敛过程.对于新的权值与阀值的计算，可设x(m)以表示第m次的迭代里权值与阈值组成的向量，新的向量xm+1可表示为：x(m+1)=x(m)+ΔxLM-BP算法是改进的高斯—牛顿法，其形式[3]为：Δx=-[JT(x)J(x)+μI]-1J(x)e(x)式(2)中比例系数μ>0为常数，I是单位矩阵.当比例系数μ取值为0时，式(2)就是高斯—牛顿算法.算法在μ的取值变大时就会靠近梯度下降法.随着成功迭代次数的增加，μ的值会减小.高斯—牛顿法的计算速度和精度在接近误差最小值时会变得更快、更高.通过许多的实例证明，采用了近似二阶导数信息的LM-BP算法的速度可比梯度下降法的速度高数十倍以上.除此之外，因为[JT(x)J(x)+μI]本身是正定的，因此式(2)中的存在解，从这方面来看，LM 算法也比高斯—牛顿法来的优.软件产品中衡量明确或隐含的能力的有关特征的指标综合，即是软件质量.软件质量的评价评估，是充分保障质量的重要方法.软件产品的相关质量特性，通常采用经过确认或被广泛接受之尺度来评估.ISO/IEC 9126软件质量模型是国际标准化组织制定的一种评价软件质量通用模型.该标准定义了六种质量特性，并描述了软件质量评估过程的模型.ISO/IEC 9126软件质量度量模型[4-5]分为特性、子特性和度量三层.该度量模型中，一个质量特性由一些子特性来衡量，而每一子特性又由若干个指标来度量.按照独立与最小关联的原则，ISO/IEC 9126把软件产品划分为六大个质量特性：功能性(Enctionality)、可靠性(Reliability)、易用性(Esability)、效率(Efficiency)、维护性(Maintainability)和可移植性(Portability) (如图2所示)，并选择了与其对应的21个子特性.ISO/IEC 912软件度量模型中包含的软件度量指标体系，这些指标体系针对的度量模型的三层，涵括了软件内、外部质量度量的因素，都为定量客观的评价软件质量打下基础，更为质量控制作了坚实的保障.4.1 指标体系及评价分级标准依据ISO/IEC 9126标准，选取功能性、可靠性、易用性、效率、维护性、可移植性这6大特性以及下属的21个指标作为软件质量综合评价的评价指标，用I1～I21表示(表1)[6].确定指标体系后，把软件质量根据评价结果分为4个等级，分别用V1，V2，V3，V4来表示软件质量的优秀，良好，合格，不合格.向量表示为优秀V1=(1，0，0，0)，良好V2=(0，1，0，0)，合格V3=(0，0，1，0)，不合格V4=(0，0，0，1).4.2 确定神经网络的拓扑结构神经网络的模型的确定需要先设定其拓扑结构：每层的节点数，以及隐含层的层数.根据21个评价指标，因此输入层的神经元个数个数可以确定为21.根据评价结果的评价等级，可确定输出层的神经元个数为4.隐含层的层数设为1.最后，根据经验公式和学习训练结果相结合来确定隐含层的神经元的个数.本文采用通常用于分类的经验公+a来设计.式中：i为输入层神经元数；o为输出层神经元数；v为隐含层神经元数；a为[1,10]之间的常数.按照测试的情况以及实验经验，将隐含层神经元数设定为7.因此，最终得到的拓扑结构为(21，7，4).4.3 模型参数及数据初始化对模型进行初始化[8]，包括设定训练精度、学习因子，提供网络初始权重文件、学习样本文件.对于样本数据，训练之前将数据处理在[0,1]之间，可按式(3)进行归一化处理：x′=(x-xmin)/(xmax-xmin)设输入向量为P=[p1,p2,…,pC]T，输出向量为t；中间层激活值向量为U=[u1,u2,…,um1]T，中间层输出变量为Z=[z1,z2,…,zs1]T；实际输出向量为；输入层与隐含层的连接权值向量为W1ab,a=1,2,…,m1;b=1,2,…,C；隐含层与输出的连接权值向量为W2ab,a=1,2,…,m2;b=1,2,…,m1.4.4 计算模型实际输出利用非线性激活函数计算隐含层的输入激活值U=W1×P以及隐含层的输出值.这样可以计算输出层单元的输入O=W2×Z和实际的输出向量：=f(O)，接着可以得出各样本的误差、误差的信号项和对权的偏导数：b，最后把计算的每个权值偏导数填入到Jacobian矩阵，并将所有训练样本输入.4.5 权值调整为满足迭代要求，利用递归方法按以下公式调整权值让输出节点返回到隐层节点：Wk+1=Wk-[JT(WK)J(WK)+μI]-1JT(Wk)E(Wk)对权值矩阵迭代，直至满足停止迭代要求为止.4.6 软件质量综合评价在进行软件质量综合评价前，应选取多组能尽可能地反映各种软件质量等级软件质量的特征参数值供网络系统作为学习样本学习.网络系统在确定各层输入输出节点及隐节点并调整权值并进行学习训练后，形成了一个推理机制，最终构成一个可进行软件质量综合评价的知识库.此外，还可以利用每次的软件的评价结果不断更新原有的软件质量评价知识库.如此，在对待评价软件进行软件质量评价时，只需要在训练好的网络评价模型中输入指标值，经过模型计算，即可得到该软件质量的综合评价值.该标准定义了六种质量特性，并描述了软件质量评估过程的模型.笔者根据软件质量标准化自评和正式评价的结果及相关资料，结合评分标准，收集了20组数据，其中前18组作为训练样本建立软件质量综合评价知识库，最后两组作为检验样本(表2).5.1 网络参数设置与训练本文使用MATLAB编写程序进行仿真.当采用经典BP算法时，根据以上所述的神经网络模型生成神经网络，系统原始初始化权值以及隐藏层和输出层的阈值后，设定学习率为0.3、最大训练次数为100000以及误差精度为0.00001，输入训练集中的样本数据，对神经网络进行训练.历时262s，经过29736次迭代之后，训练结束(图3).当采用LM-BP算法时，根据以上所述的神经网络模型生成神经网络，系统原始初始化权值以及隐藏层和输出层的阈值后，设定学习率为0.25、最大训练次数为100000、隐含层神经元数为7以及误差精度为0.00001，阀值初始化为0，输入训练集中的样本数据，对神经网络进行训练.历时8s，经过8次迭代之后，训练结束(图4).本文采用仿真的计算机硬件配置是：CPU为Intel(R) Celeron(R) G530，内存1G，硬盘120G.5.2 实例验证系统训练后，使用最后2组数据验证的指标值(表2)，经过模型验证计算出最终的计算输出结果(表3).实例证明，实际的评价结果和改进算法的预测结果一致，由此可以证明此LM-BP神经网络综合评价方法能够达到预期效果.5.3 与标准BP算法的比较从图3、图4的训练曲线与表3的评价结果中发现，相比于标准的BP算法，采用LM-BP算法的模型精度优于标准的BP算法.LM-BP算法的误差在训练中急剧下降，可见该算法可节省大量的训练时间，运算速度比标准BP算法快很多.样本的预测结果说明此网络的收敛速度不仅快，而且收敛性也很好，软件质量的综合评价精度高. 本文通过系统的规划、设计、实现证明，人工神经网络方法克服了传统分析过程的复杂性，是一种自然的非线性建模过程.然后为了解决标准BP算法收敛速度慢、计算量大的缺点，引入了基于LM-BP算法的神经网络软件质量综合评价模型.实验表明，LM-BP算法可提高网络的训练速度，而且预测的精度更高.因此，基于LM-BP算法的神经网络模型为软件质量综合评价提供了一种新的研究思路，该方法用于实际的软件质量综合评价中将给决策者提供重要的参考，具有一定的科学和实用价值.【相关文献】[1] 艾洪福,石莹.基于BP人工神经网络的雾霾天气预测研究 [J]. 计算机仿真,2015,32(01):402-415.[2] 陈涛.专家知识与神经网络在舰载软件质量评价中的应用[J]. 电子制作,2015(01):77-78.[3] 王欣彦,王立鹏,李新. 基于LM-BP神经网络的电机转子裂纹故障诊断[J]. 微特电机,2015,43(04):18-21.[4] 洪流,黄海波,贾春晖,肖静. 基于外部质量特性的软件质量模糊综合评价方法的研究[J]. 现代计算机(专业版) 2015, 5(15):6-8.[5] 夏刚,楼文高,娄元英. 软件质量综合评价的投影寻踪模型[J].信息技术，2014(03):72-74.[6]郑鹏. 基于灰色-Vague集的软件质量综合评价[J].莆田学院学报，2014(2):55-59.[7] 王晶晶,王剑. 一种BP神经网络改进算法研究[J].软件导刊,2015(3):56-57.[8] 路阔,钟伯成. 基于LMBP神经网络的建筑能耗预测[J]. 计算机技术与发展,2015(06):243-246.。
基于BP神经网络的商业银行绿色信贷风险评价研究——以蚌埠农业银行为例
Financial View金融视线 | MODERN BUSINESS 现代商业75基于BP神经网络的商业银行绿色信贷风险评价研究——以蚌埠农业银行为例汤洁茹 高振华 叶婉婷 安徽财经大学金融学院 安徽蚌埠 233030摘要:近些年来，各商业银行积极开展绿色信贷业务，大力扶持环保型企业的发展，与此同时绿色信贷风险的问题也困扰着各大商业银行，故本文以蚌埠农业银行为例，建立了基于BP神经网络的商业银行绿色信贷风险评价模型。
本文首先对绿色信贷的含义以及其所面临的风险进行介绍，其次建立了绿色信贷风险评价的指标，然后基于BP神经网络对蚌埠农业银行的绿色信贷业务风险进行实证研究，最后提出了两点完善风险评价的建议。
关键词:绿色信贷业务；风险评价；BP神经网络；商业银行一、商业银行绿色信贷及其风险概述绿色信贷对于商业银行既包含了利益，也包含了责任。
践行绿色信贷不仅是贯彻国家宏观调控政策的要求，更是推进商业银行信贷结构调整、防范化解风险、拓展市场新领域、实现可持续发展的重要途径。
总的来说，商业银行绿色信贷的含义是：在商业银行决策信贷时，既注重贷款给商行带来的收益，又注重生态环境、进行有利于可持续发展的放贷。
绿色信贷含义丰富，与低碳发展、节能减排、生态保护息息相关。
绿色信贷业务本身具有一些特殊性，因此在管理风险的过程中，绿色信贷相对于普通信贷的风险更加难以管理。
商业银行主要通过对贷出资金的利率进行调控来达到绿色信贷，具体操作方法如下：对采用绿色科技、利用环保材料、遵守排污规定的企业给予优惠的贷款利率；相反，对高耗能企业、排污超标的企业提高贷款利率，提高这类企业运用资金的成本。
绿色信贷风险主要有环境风险、信贷风险、操作风险、法律风险、市场风险，现对这几种风险做出具体介绍：1.环境风险。
近几年，国家为了保护环境出台相关政策，这些政策在一定程度上限制了企业的日常经营活动，降低企业的利润、当企业无法获得预期的利润时，可能就无法偿还从商业银行借来的贷款，于是商业银行就面临着贷款无法收回的风险。
基于BP神经网络的中外商业银行现实竞争力综合评价
２ 样本的选取
本文选取的样本分 三组 ， 第一组为国有 商业银 行 ： 中国工商银行集 团、 中国银行集 团 、 中国建设银行 ； 二组 为全 国性股份 制商 业银行 ： 第 交 通银行 、 招商 银行、 中国 民生银行 、 华夏银 行 、 中信银行 、 兴业 银行 、 上海 浦东发展银行、 Ｉ 深封发展银行 ； ｌ 第三组为外资银行 ： 美洲银行 、 渣打银行 、 德意志银行。 上述 ３ 家外资银行为 国际上享有盛誉 的银行 ， 分别来 自不同的国家 和地 区 。 均在华设有分支机构且 已参股中资商业银行 ， 故选 其作为研究 的样本。由于 目 前外资银行 在华设立的分 支机构业务范 围受 到限制 ， 不 能真正体现其竞争力 ， 因而采 用上述 ３ 家外 资银行全球业务活动 的统计 资料作为分析比较 的依据 。 同时 ， 要有效应对国际贸 易摩擦 。中央政府 、 地方政府 业协会 和国内 企业要 进行科学分 工和有效协 作 ， 构建 “ 四位 一体” 的贸易摩擦 应对机 制 ， 积极参与多边和双边经 贸活 动。在 以我为 ０ 并 原则下 ， 积极参与 ＷＴ ｏ多哈发展 回合 的谈 判 ， 参与世界 银行 、 国际 曙币基金组 织 、 联合 国 贸易与发展会议等多边经 贸活 动 ．参与全球歪要经济政 策的讨论 和制 定， 扩大在多边经济贸易 规则制定中的发言权 。
步加大工作力度 ． 以客观事实为依据 ， 以合理开放市场为条件 。 以各个
击破为策 略， 通过谈判与磋商 ， 使更多的 国家承认我 国的市场经济地位 。
我国自从 ２０ 年加入世界贸易组织以来 ，商业银行改革不断取得 ０１ 进展。随着 “ 世” 的逐步兑现 ， 人 承诺 银行业受 到的冲击开始显现 。面对 ２０ 年底我国银行业“ ０６ 人世” 保护期的结束 、 中外商业银行全方位竞争格
国有商业银行经营效率实证研究
国有商业银行经营效率实证研究摘要：国有商业银行股份制改革以来，资产规模不断提高，不良贷款率保持低位运行，抵抗金融风险能力不断提高。
但随着我国金融领域开放程度不断提高，国有商业银行不仅要抵御外在经济危机的不良影响，更要应对竞争日益激烈的国内金融市场。
因此，今后国有商业银行的发展不能盲目追求规模的扩大，更要注重质的提高。
本文采用数据包络分析方法（dea），测算2005-2011年国有商业银行经营综合效率，并将综合效率分解为纯技术效率和规模效率，深入分析效率的差异性。
关键词：综合效率；数据包络分析；技术效率一、引言始于2003年的国有商业银行股份制改革极大地激发了银行经营活力，改善了经营效益。
经过近10年的快速发展，国有商业银行资产规模不断提高，不良贷款率保持低位运行，抵抗金融风险能力不断提高。
在2011年世界银行1000强排名中，共有101家银行来自中国，而中国工商银行、中国建设银行、中国银行更是跻身前十名。
近年来我国金融领域开放程度不断提高，对外国有商业银行将受到世界金融危机的影响和外资银行的挑战，对内又受到股份制商业银行以及中小型银行的激烈竞争，同时，国有商业银行经营效益直接关乎国民经济平稳运行和金融稳定发展。
因此，今后国有商业银行的发展不能仅仅追求规模的扩大，更要注重质的提高，即银行效率的提高。
本文拟采用数据包络分析方法（dea），测算2005-2011年国有商业银行经营超效率及综合效率，并将综合效率分解为纯技术效率和规模效率，最后提出增强经营效益的对策建议。
二、研究方法1978年美国运筹学家charnes和cooper以“相对相率”概念为基础，率先创建数据包络分析模型方法，用来判定决策单元的相对有效性。
经过30多年的发展，数据包络分析（dea）现已成为管理科学与工程、决策分析以及综合评价等领域中一种重要且常用的分析方法和研究工具。
数据包络分析方法假定决策单元（dmu）的输入或者输出保持不变，依托线性规划和统计数据确定相对有效性的生产前沿面，然后将每个决策单元投影到dea生产前沿上，最后通过比较决策单元（dmu）偏离前沿面的程度来评价相对有效性。
基于SMOTE—贝叶斯网络的商业银行风险评估模型研究
基于SMOTE—贝叶斯网络的商业银行风险评估模型研究摘要商业银行风险评估是银行业务中至关重要的一环，在现代化的金融风险管理中占据重要地位。
由于银行贷款业务存在风险，因此需要通过风险评估来衡量和控制风险水平。
本文基于SMOTE-贝叶斯网络算法，针对商业银行风险评估的问题进行了研究和探究，并提出了一种适用于商业银行风险评估的模型。
该模型考虑了信贷风险的多种因素，包括信用评级、利率、收入情况等，同时利用SMOTE算法对样本不平衡问题进行处理，提升了模型的准确性和可靠性。
通过对模型的实证分析发现，所提出的基于SMOTE-贝叶斯网络的商业银行风险评估模型相较于其他模型具有更高的预测准确率和有效性，具有一定的应用价值和推广意义。
关键词：商业银行；风险评估；SMOTE算法；贝叶斯网络；样本不平衡AbstractCommercial bank risk assessment is an essential part of banking business and occupies an important position in modern financial risk management. Due to the risks associated with bank lending business, risk assessment is necessary to measure and control risk levels. Based on the SMOTE-Bayesian network algorithm, this paperhas conducted research and exploration on the issue of commercial bank risk assessment and proposes a model suitable for commercial bank risk assessment. The model considers various factors of credit risk, including credit rating, interest rates, income situation, etc., and uses the SMOTE algorithm to address the problem of sample imbalance, which enhances the accuracy and reliability of the model. The empirical analysis of the model shows that the proposed SMOTE-Bayesian network-based commercial bank risk assessment model has a higher prediction accuracy and effectiveness than other models, and has a certain application value and promotion significance.Keywords: commercial bank; risk assessment; SMOTE algorithm; Bayesian network; sample imbalance一、绪论随着金融市场的不断发展和完善，商业银行作为重要的金融机构在经济发展中扮演着重要的角色。
基于BP神经网络的商业银行信用风险评估模型研究
一
、
商业银行 向多元化 发 展 的 同时 面临着 各 种金 融 风 险， 其中， 信 用风险是 当前主要 的金 融风 险之一 ， 且 发生
频率高。我国对 商 业银 行信 用 风险 评估 的研 究 起步 较
晚， 各商业银行信用 风险 的分析与 评估 一般都 存在 以下 几方面问题。１ ．信 用风 险评价指 标 体系不 全 面。２ ．企 业提供的财务数据 不准 确 、 不 充分 。商 业银 行往往 不能 从 中了解到企 业 的真 实经 营状况 。３ ．信 用风 险评 估 的 方法单一 。目前 ， 国内大多数 商业银行采 用信用评 分法 ， 即选取一些相关的财务指标根据事先确定 的分 值表打分
［ 关键词］信 用风险； 模糊综合评价 法； Ｂ Ｐ神 经网络 ； 评 价指标体 系
［ 中图分类号］Ｆ ８ ３
引言
［ 文献标 识码 ］Ａ
［ 文章编号］２ ０ ９ ５— ３ ２ ８ ３ （ ２ ０ １ ３ ） ０ ９— ０ １ ２ ８一 Ｏ ３ ｉ ｉ ．评语等级集合 。指评 价指标 可能得 出的所 有评 价结果的集合 ， 用 Ｖ表示 ， Ｖ＝｛ ｖ 。 ， ｖ ， …， ｖ ｝ ， 其中 ｖ 。 （ ｉ
二、 相 关 理 论 （ 一） 模 糊 综合 评 价 法
Ｖ 。 ， 则 可 得 到第 ｉ 个 评 价 因素 的 数值 化 评 价 值 ｘ ｉ ＝
［ Ｒ ］ 。 ｍ・ ［ Ｖ ’ ］ 。 。 （ 二） Ｂ Ｐ 神 经 网络算法 Ｂ Ｐ （ Ｂ ａ ｃ ｋ Ｐ ｒ ｏ ｐ ａ ｇ ａ ｔ ｉ ｏ ｎ ） 神经网络［ ２ 是一种按照误差
表示 ， Ｕ＝｛ ｕ 。 ， Ｕ ， …， ｕ ｝ ， 其中 Ｕ ｉ （ ｉ －１ ， ２ ， …， ｎ ） 表 示影 响评价对象的 因素 ， 也称为评价指标 ， ｎ为因素的个数。
商业银行的信用风险评估模型
商业银行的信用风险评估模型信用风险是商业银行面临的最重要的风险之一，它直接关系到银行的资产质量和盈利能力。
为了准确评估客户的信用风险，商业银行不断发展和完善各种信用风险评估模型。
本文将介绍商业银行常用的信用风险评估模型及其特点。
一、传统评估模型1. 德鲁瓦模型德鲁瓦模型是最早应用于商业银行信用风险评估的模型之一。
该模型通过评估客户的财务状况、抵押物价值和担保品等因素，对客户进行评分，以确定其信用等级。
这种模型简单直观，但在考虑因素和权重上相对较为死板，不能全面准确地评估客户的信用风险。
2. Altman模型Altman模型是一种常用的企业破产预测模型，在银行信用风险评估中也得到了广泛应用。
该模型通过综合考虑企业的财务指标，如流动比率、资产负债率和盈利能力等，为企业评估其破产概率。
然而，Altman模型仅适用于评估企业的破产风险，对于非企业客户的信用评估作用有限。
二、基于统计方法的评估模型1. Logistic回归模型Logistic回归模型是一种经常用于分类和预测的统计模型，在商业银行信用风险评估中也被广泛应用。
该模型通过考虑多个变量，如个人征信报告、负债水平和还款能力等，来预测客户的违约概率。
Logistic回归模型具有较强的灵活性和可解释性，但需要大量的数据样本来进行训练和验证。
2. 神经网络模型神经网络模型是一种模拟人脑神经元工作方式的评估模型，其在商业银行信用风险评估中具有一定的优势。
神经网络模型可以通过学习大量的样本数据，自动识别和利用变量之间的非线性关系，进一步提高评估的准确性。
但神经网络模型需要较高的计算资源和训练时间，同时在应用过程中很难解释模型的结果。
三、基于机器学习的评估模型1. 随机森林模型随机森林模型是一种集成学习方法，在信用风险评估中表现出良好的性能。
该模型通过构建多个决策树，并综合其结果进行评估和预测。
随机森林模型具有较强的适应性和鲁棒性，可以有效地处理大规模数据，并对缺失数据进行处理。
神经网络在商业领域中的应用
神经网络在商业领域中的应用神经网络是一种人工智能技术，它被广泛应用于商业领域中的各种应用。
神经网络的强大功能让商业企业能够更好地分析数据、预测趋势和优化业务。
本文将探讨神经网络在商业领域中的应用及其在商业实践中的优势和挑战。
一、基本原理神经网络本质上是一组数学模型，它的灵感来源于神经元。
神经元是人类的基本神经单元，能够处理、储存和传输信息。
神经网络的设计基于这种生物学原理，将大量神经元和它们之间的连接模拟出来。
每个神经元都有自己的权重和阈值，当输入数据通过一系列计算后，神经元将产生一个输出，进而被传递到下一个神经元。
整个神经网络通过反复迭代的训练，不断优化权重和阈值的设定，以提高预测精度。
二、商业领域中的应用神经网络广泛应用于商业领域中的各种应用，如物流、金融、医疗、广告和电子商务等。
下面列举几个例子。
1、智能客服智能客服通过将神经网络与自然语言处理技术结合，让机器能够理解人类的语言和意图。
这种技术被广泛应用于客户服务中，能够大大提高客户满意度。
智能客服可以自动回答常见问题、为客户提供技术支持、预测客户需求等。
2、预测销售趋势神经网络能够帮助企业预测销售趋势，以帮助企业做出更好的商业决策。
神经网络能够分析历史销售数据、促销活动、市场趋势等各种信息，以预测未来的销售趋势。
这种技术被广泛应用于零售、电商和制造业等行业。
3、欺诈检测神经网络被广泛用于欺诈检测，能够分析大量交易记录，以预测哪些交易可能会涉及欺诈。
神经网络能够学习欺诈行为的模式，并预测新的欺诈行为。
这种技术被广泛应用于银行、信用卡、电商等领域。
三、优势和挑战神经网络在商业实践中有很多优点，主要包括以下几点：1、自适应性神经网络具有自适应性，能够根据数据自动调整权重和阈值，以提高预测精度。
这种能力使神经网络能够适应不同的环境和数据。
2、高准确率神经网络能够分析大量数据，并预测未来的趋势和行为。
在商业领域中，准确率是非常重要的因素，神经网络在这方面非常出色。
神经网络在银行信用风险评估中的应用
，Ｊ ‘ １ （ ＋ ） ）一 ／ １
（） １
作 用后 ， 出层节 点 ｋｋ＝ １２… ， 得 到输 出矢 量 ： 输 （ ，， Ｈ）
』
一
型（ Ａ ， ｇｔ 析模 型、 ＭＤ ）ｌ ｉ分 ｏ 近邻法 。其 中以 ＭＤ Ａ和 ｌ ｉ分析 ｏｔ ｇ
模型应用最为广泛。统计模型的最大优点在于其具有 叫显的解
信用风险是指债务人或交易方 ｃ种种原 网无力或是 不愿 皇 『 意按期履行合同义务 ，ห้องสมุดไป่ตู้以及信用评级 的降低而导致债权人或交 易对方所遭受的潜在损失， 是银行业面临的主要风险。自从 ２ Ｏ 世纪 ９ 年代末期以来 ， ［ Ｏ 人： 智能技术如 一 经网络 、 专家系统 、 分
ｊ人 工神 经 网络 的基 本 原理 ．
内蒙 农 业 大学 学 报 （ 会 科 学 版 ） 社
２０ ０ ７年第 １ （ ９卷 第
总第 ３ ４期）
输出节点 Ｋ和隐层节点 的阈值 ； 为稳层 节点和输 出层 ｋ 节 点的连接权值 ； 为输入层节点 ｉ １２ …， 和隐层 Ｊ常 （ 一 。， Ａ 点的连接权俄 为输人层节点 ｉ 处的特征矢量。 （） ４ 计算网络输人矢量 与训练样水的 目标矢鞋 的误
维普资讯
内蒙 古 农 业 大学 学 报 （ 会 科 学 版 ） 社
Ｊ ｕ ￣ ｆ ｎ ｅ ｎ ｏｉ Ａ ． ｕ ｕ Ｕ ｃｓ ｏ ｎ ｄｏ ｎ ｒ Ｉ Ｍｏｇ ｌ ｇ ｃ ｈ Ｍ ｖ ｒｉ ａ ｄ ｉ ｃ ＆ｉｎ ａ１ Ｅ ｏ ） ｃ
模型解决 了传 统评 级方式 中的主观性 问题 ， 以及难 以处理 高度非 线性模 型的 问题 ， 对我 国银行 具有十 分重要 的现
实意 义 。
关 键 词 ： 工神 经 网络 ； Ｐ算 法 ； ｏ ｉ模 型 ； 用风 险评 估 人 Ｂ Ｌ ｇｔ 信 中 图 分类 号 ：８ ０ ２ Ｆ ３ ． 文献标识码 ： Ａ 文 章 编 号 ：０ ９ ４ ５ （ ０ ７Ｏ — ０ ０ — ０ １ ０ － ４ ８ ２ ０ ）４ １ ３ ２
商业银行的风险评估模型
商业银行的风险评估模型在当今竞争激烈的金融市场中，商业银行承担着为实体经济提供信贷支持的关键角色。
然而，由于金融市场的不确定性和风险，商业银行需要有效的风险评估模型来确保其业务的稳健运营。
本文将探讨商业银行常用的风险评估模型及其重要性。
一、背景介绍商业银行作为金融体系的核心，其风险评估对于金融稳定和经济发展至关重要。
风险评估模型可以帮助银行定量化银行业务的风险，并提供决策依据。
在过去的几十年间，随着金融市场的不断变革，商业银行的风险评估模型也不断演进，从传统的基于财务数据的评估向涵盖更多因素的综合评估转变。
二、商业银行风险评估模型的类型1. 基于财务数据的模型基于财务数据的模型是传统的风险评估方法，主要依据企业的财务报表数据，如利润表、资产负债表和现金流量表等来评估其信用风险。
通过分析与比较这些财务指标，银行可以得出关于借款企业的偿还能力和还款意愿的结论。
2. 评级模型评级模型是一种将借款企业分类并赋予相应信用等级的风险评估方法。
商业银行根据借款企业的财务状况、行业竞争力、管理水平等因素，将其划分为不同的信用等级，以此来评估其风险水平。
3. 统计模型统计模型是一种基于大数据和历史数据进行风险评估的方法。
通过对银行内部和外部数据的分析，可以识别出潜在的风险因素，并建立相应的模型来评估风险水平。
其中，常用的统计模型包括Logistic回归、决策树和神经网络等。
4. 综合评估模型综合评估模型是一种将多种评估方法综合运用的风险评估方法。
商业银行可以根据自身业务特点和风险偏好，选择并结合不同的评估模型，以提高风险评估的准确性和全面性。
三、商业银行风险评估模型的重要性1. 降低银行风险商业银行通过风险评估模型能够更准确地评估借款企业的信用风险，从而避免潜在的风险隐患。
通过提前发现借款企业的财务困境和经营风险，银行可以采取相应措施，降低坏账风险，保护银行资产安全。
2. 提高信贷决策的准确性和效率商业银行利用风险评估模型，可以更全面地了解借款企业的风险特征和偿还能力，从而准确评估其信用水平。
金融专业毕业论文选题题目
第一部分1银行盈余管理问题研究2财政分权与上市公司避税行为的分析3基于MM模型的税收效应分析4上市公司股权激励效应的实证究＿基于资本税收效应的分析5税收对资本结构的影响6我国上市银行的市场结构与绩效的研究7从上市公司分配方案看我国股利政策的特点8股利政策与我国上市公司收益的实证研究9技术指标在我国证券市场运用的实证研究10累积投票制度与分类表决制度的比较11论我国证券民事赔偿中的投资者利益保护12市盈率、成长性与公司股票价格/现金流量与股票价格13形式审查与实质审查——中美两国发行制度的比较研究14中国上市公司成长性分析15对我国寿险公司竞争能力的实证研究16社会养老保险的国际模式比较及其对我国的启示17我国财产保险公司偿付能力影响因素的实证分析18我国人身保险市场集中度的实证研究及预测19我国寿险公司资本结构影响因素的实证分析20股指的变化对人身保险需求的影响分析第二部分1上市商业银行治理结构与经营绩效关系研究2上市银行高管薪酬影响因素研究3小微企业融资问题研究4小微企业融资问题研究5银行信贷与地区经济发展的关系研究：浙江案例6股指期货成交量和持仓量对中国股市波动的影响7利率波动对股价的影响研究8农产品期货的周期性研究9金融消费者权益保护研究10上市保险公司社会责任研究11上市证券公司税收负担研究12社会保障资金运作绩效研究13基于copula技术的金融相依性分析研究14基于分位点回归的VaR度量方法15基于神经网络的个人信用评分研究16融资性担保公司与银行合作问题研究17我国存款保险制度建立的问题分析18人民币实际汇率预测：基于STAR模型1银行理财产品的收益率影响因素2中国跨境资本流动周期及影响因素分析3中国银行业理财产品结构的分析4实际汇率对产业结构升级的影响5实际有效汇率波动对产业结构的影响：基于东亚各国数据6实际有效汇率波动对就业结构和产业结构的影响7相对劳动生产率对实际汇率影响分析: 基于东亚各国数据8人民币利率市场化对国际资本流入的研究9危机以来人民币国际化的新进展研究10危机以来中国货币政策对“保增长、促就业”的效果研究11我国2001-2006年通货膨胀产生的原因研究12我国影子银行存在的问题及对策研究13中国国际资本输出对国内经济的影响14中国利率市场化的经济效应分析15我国P2P网贷平台借款人行为分析：以拍拍贷网贷为例16我国财政政策与货币政策的组合优化问题研究——基于XX政策目标17我国居民家庭金融资产选择行为研究18企业资本结构动态调整机制研究19商业银行公司治理问题研究20上市公司现金持有问题研究第三部分1互联网背景下的保险业发展研究2互联网背景下的保险业发展研究3互联网金融背景下的保险业发展研究4基于老龄化的中国社会医疗保险研究5基于老龄化的中国社会医疗保险研究6人民币升值具有J曲线效应？7劳动收入占比与通货膨胀的互动机制研究8马歇尔-勒纳条件在中国成立吗9全球供应竞争下人民币汇率对出口价格的传递效应10“金融脱媒”背景下中国商业银行面临的挑战及其应对11对外直接投资区位选择的中韩比较12国际收支失衡及其调节的中德比较13韩国对外直接投资产业选择研究14私人银行现状的中外对比15我国对外直接投资的区位选择因素分析16浙江对外直接投资结构演变及影响因素分析17浙江省对外直接投资与产业结构调整之间关系的实证分析18中韩对外直接投资结构的比较研究19房价的变动对人身险需求的影响20房地产价格波动对银行资产质量的冲击第四部分1腐败行为对城市商业银行业绩的影响：来自省会城市面板数据的实证分析2股权结构、高管薪酬与公司绩效：基于上市银行的实证分析3经济增长、货币政策与商业银行不良资产4银行治理、高管薪酬与风险承担5 VaR风险度量及其在股市中应用6 VaR在汇率风险度量中的应用7股票市场高频数据风险分析8均值-方差准则下最优投资组合选择9宁波市洪涝灾害的防灾防损措施研究10网络购物退运费险现状及对策网络购物退运费险现状及对策11浙江省小微企业巨灾保险模式探讨12浙江省新型农村合作医疗保险现状及对策13金融脱媒下商业银行经营绩效研究14商业银行风险承担问题研究15上市公司公司治理问题研究16上市公司资本结构研究17人口年龄结构与中国房价18人民币升值对中国FDI的影响19升值预期与通货膨胀20亚洲国家实际汇率联动效应研究第五部分1政府消费与人民币实际汇率2股票股利、现金股利市场反应比较3股指期货GARCH效应检验4股指期货价格随机游走检验5日度上海市场流动性波动性相关性检验6日度深圳市场流动性波动率相关性检验7深圳市场股价惯性翻转效应检验8股市乱象背后的行为金融学本质9大宗商品期货价格变化和CPI等宏观经济变量的联动性分析10黄金等贵金属在资本市场的避险能力研究11上市公司财务指标对于其经营状况的预测能力分析12套期保值在中国资本市场上可能的应用13统计套利在市场上的应用14中小投资者偏向“非理性”投资股票市场的原因分析15银行风险度量的理论与实证16中国股票市场的长期投资价值与投资策略17基于巴塞尔新资本协议的银行风险行为研究18我国商业银行市场风险管理实证研究19中国商业银行非利息收入对银行绩效和风险水平影响实证研究20中国商业银行效率、资本与风险的关系研究第六部分1人口老龄化对人身保险市场发展的影响2深圳A股市场交易量溢价检验3投资者情绪、资产估值与股票市场波动4投资者情绪测量研究5我国财产保险公司资本与风险关系研究6我国股指期货与现货的信息传到机制7并购重组是否创造价值——以高科技行业为例8我国上市公司增发的市场反应及其影响因素分析——以创业板为例9中国上市公司红利政策行为及其影响因素分析——以金融（银行保险券商信托）业为例10中国证券市场IPO现象分析——以中小板为例11国际金融危机后人民币汇率与股价联动关系研究12国际资本流动会影响汇率波动吗：基于跨国面板数据的检验13国际资本流动与股票价格指数关系的实证检验14国际资本流入对国内物价水平的影响研究：基于跨国面板数据的分析15互联网与银行理财产品比较分析16黄金价格波动的影响因素分析17美国宏观经济对国际资本流动影响的实证研究18全球大宗商品价格波动的中国因素——基于协整约束的VAR模型的分析19人民币成为储备货币的条件分析20基于B2B的供应链金融模式及发展策略研究21创业板投资收益风险分析22行为金融之处置效应检验23可转换债券套利机会分析。
2018年金融专业毕业论文题目与选题参考
2018年金融专业毕业论文题目与选题参考1、中国小微企业融资问题研究2、中国农村金融可持续发展问题研究3、中小企业融资难研究4、金融产业集聚及其对区域经济增长的影响研究5、资本约束下我国商业银行盈利模式的转型研究6、金融消费者保护理论研究7、农民收入增长与农村金融发展的互动研究8、我国反向抵押贷款的风险因素与定价研究9、信息不对称视角下中国上市公司股权结构与股利政策关系研究10、中国地方政府债务融资问题研究11、中国商业银行网点布局研究12、中国上市公司股权激励问题研究13、基于绩效考核下的国有控股银行操作风险管理研究14、互联网金融发展研究15、我国新型农村合作医疗实施效果的实证研究16、中国金融发展对企业技术创新的效应研究17、全球视角下的欧洲主权债务危机研究18、外资银行进入对中国商业银行竞争行为的影响研究19、银行宏观审慎监管的基础理论研究20、人口老龄化背景下日本公共养老金制度的经济学分析21、基于时间序列分析的我国上市银行系统性风险研究22、我国中小企业融资问题研究23、中国农产品贸易比较优势动态研究24、次贷危机后国内外金融监管思路和模式研究25、宏观经济不确定下的商业银行信贷风险防范研究26、我国商业银行服务管理问题研究27、国际碳交易定价机制及中国碳排放权价格研究28、农村中小企业融资体系研究29、陕西省农户借贷行为研究30、我国小企业融资困境与对策研究31、我国融资租赁公司的融资问题研究32、中国金融发展方式转变研究33、企业集团财务公司风险防范问题研究34、中国利率市场化研究35、融资融券对股票市场的影响研究36、基于动态随机一般均衡模型的中国经济波动数量分析37、中国大型商业银行公司治理及其优化路径研究38、供应链金融融资模式分析及风险控制39、中国农村小额信贷可持续发展影响因素研究40、中国城市基础设施建设融资模式研究41、中美中小银行比较研究42、关于黄金定价的一些研究43、我国民间金融发展研究44、美国次贷危机成因与我国住房和金融市场发展45、我国农村金融排除研究46、欧洲国家债务危机的风险传导研究47、中国证券交易制度的设计与变革研究48、农村金融产品与服务创新研究49、中国中小企业融资担保制度问题研究50、我国市政债券融资的理论研究与制度设计51、中国商业银行资本结构优化调整研究52、中国上市公司债权再融资的实证研究53、影子银行发展对我国货币政策的挑战54、中国政策性银行市场化路径研究55、房地产价格波动对宏观经济影响的一般均衡分析56、我国互联网金融的演进及问题研究57、村镇银行发展的内外部制约因素研究58、我国上市公司股利政策研究59、新型农村社会养老保险基金运营管理研究60、经济周期中我国民营企业融资问题研究61、风险可保性理论与巨灾风险的国家管理62、我国商业银行信贷风险控制研究63、保荐代表人、证券监管与保荐质量的提高64、中国商业银行可持续发展研究65、基于全面风险管理的商业银行功能再造研究66、中国银行业监管问题与对策研究67、外商直接投资与我国二氧化碳排放68、我国房地产价格波动形成机制及影响因素研究69、股指期货影响股市波动的机制解析与实证检验70、基于情绪的投资者行为研究71、中国上市公司投资不足和过度投资研究72、发展中国家金融开放的时机抉择及政策选择73、中国公立大学财务治理模式创新研究74、顺周期性下的银行风险管理与监管75、现代金融危机生成的机理与国际传导机制研究76、资本约束下的银行经济资本管理与经营转型77、互联网金融对传统金融的影响力研究78、基于需求视角的互联网金融模式研究79、互联网金融对商业银行的影响及对策研究80、中国中小企业融资渠道拓展研究81、基于投资者情绪的行为资产定价研究82、股指期货市场风险管理与量化策略研究83、商业银行个人理财产品市场竞争行为研究84、保险公司多元化经营行为研究85、中国中小企业融资难的制度性缺陷研究86、地方政府债务风险预警体系研究87、我国农产品品牌价值及品牌战略管理研究88、我国中小企业信用担保制度问题研究89、房地产价格与货币政策90、互联网金融发展及其对我国商业银行的影响研究91、我国房地产金融风险研究92、余额宝存在的风险及对策研究93、我国互联网金融对商业银行盈利的影响研究94、浅析互联网金融及其对商业银行的影响95、温州中小企业融资问题研究96、人民币跨境结算的制约因素与推进策略研究97、基于主成分分析法和熵值法的我国指数基金综合评价98、中国影子银行效应、风险及监管研究99、中国上市公司并购动因与绩效研究100、江苏区域金融作用机制及发展差异研究101、中国区域金融协调发展研究102、互联网金融对商业银行的影响与启示研究103、互联网金融模式对我国商业银行体系的冲击104、第三方支付发展及其对商业银行影响研究105、关于第三方支付平台以及互联网金融发展研究106、中美社区银行模式比较研究107、股票挂钩型结构性银行理财产品特征及其定价分析108、我国财政补贴农业保险问题研究109、论我国巨灾保险制度的建立与完善110、第三方支付的模式分析及问题探索111、季节性农产品供应链内部融资问题研究112、美国扩张性货币与财政政策对中国通货膨胀的影响113、水果价格形成、波动及调控政策研究114、中国股票市场波动的影响因素研究115、我国新型农村金融机构的发展特征及政策效果研究116、中国农村金融供给创新的路径选择117、我国家庭金融资产选择行为研究118、我国股票市场与货币政策的相互影响研究119、我国商业银行操作风险理论与实证研究120、互联网金融风险及风险管理研究121、P2P 网络借贷平台风险防范研究122、村镇银行 - 我国农村金融发展的新选择123、我国商业银行的操作风险研究124、信息披露的投资者保护效应研究125、近代中国金融机构变迁研究126、基于供应链的湖北农产品物流服务体系研究127、中国区域金融支持问题研究128、信贷风险管理研究129、中国银行监管的问题与对策研究130、互联网金融的发展对我国商业银行的影响131、中小企业新型融资方式比较研究132 、P2P 网络借贷平台运营模式研究133、上市公司股权结构与现金股利政策间关系的实证研究134、我国货币政策的利率传导机制及效率研究135、资本监管与商业银行行为研究136、中国大型商业银行国际竞争力的研究137、节能减排约束下中国城市经济增长138、我国信托业功能演进和发展研究139、中国商业银行对小微企业信贷融资问题研究140、银行理财业务机制研究141、人民币国际化路径设计及政策建议142、中国农村金融供给与需求结构研究143、我国大型商业银行对中小企业信贷融资问题研究144、基于模糊分析法的商业银行信贷风险内控体系评价研究145、中国金融生态问题研究146、基于互联网金融的小微企业融资模式研究147、互联网企业并购风险控制研究148、电商小额信贷金融模式的优势与风险研究149、我国利率市场化的现状和对策研究150、P2P 借贷行业的发展与风险控制151、我国商业银行风险管理存在的问题与对策研究152、我国 P2P 网络信贷风险评估研究153、中国金融发展与产业结构调整的实证研究154、个人信用评分组合模型研究与应用155、货币政策冲击对股票市场的非对称影响研究156、我国企业债券信用增进研究157、基于企业社会责任视角的期货公司风险管理研究158、产业政策对产业结构变迁、二氧化碳排放的影响159、利率市场化进程中我国商业银行中间业务发展研究160、中国金融发展对农民收入增长影响的理论与实证研究161、中国商业银行效率研究162、P2P 网络信贷行为及风险评估研究163、我国商业银行个人理财业务发展研究164、我国商业银行个人理财业务风险防范研究165、商业银行践行绿色信贷政策运行机制研究166、商业银行个人理财业务风险研究167、汇率变动对价格影响的实证分析168、中小企业融资研究169、中国商业银行国际化发展模式研究170、低碳经济框架下碳金融体系运行的机制设计与制度安排171、基于信用评分模型的小微企业贷款的可获得性研究172、我国战略性新兴产业的融资模式研究173、中国商业银行整体风险管理研究174、美国货币政策对中国产出溢出效应的实证研究175、人民币汇率变动的出口价格传递效应研究176、中国村镇银行制度研究177、中国货币政策的股票市场传导机制研究178、中国银行业全面风险管理改进研究179、经济转型中我国商业银行效率与相关因素研究180、生鲜电商行业发展研究181、“大家投”网众筹融资模式分析182、互联网金融对我国商业银行的影响研究183、北京农商银行应对互联网金融的策略研究184、利率市场化对商业银行风险的影响研究185、定量宽松货币政策理论与实践的研究186、我国私募股权投资基金退出机制研究187、海外创业板市场比较研究188、中国民间借贷的现状和出路189、国家农业产业技术体系建设与发展190、商业银行操作风险度量与预警研究191、金融宏观与微观审慎监管协调机制研究192、银行数据挖掘的运用及效用研究193、新兴市场中小企业融资研究194、人民币离岸市场与在岸市场联动关系研究195、中国金融脱媒研究196、商业银行流动性风险管理研究197、关系型融资研究198、中国商业银行效率研究199、大数据技术在商业银行中的运用探讨200、上海自贸试验区金融与贸易功能拓展研究201、中国互联网金融发展研究202、P2P 网络信贷中借款人的信用风险评估研究203、我国影子银行风险研究204、新型城镇化导向下的金融支持体系研究205、我国社区银行发展现状及前景研究206、商业银行个人理财业务风险控制研究207、我国中小企业融资问题研究208、商业银行小微企业贷款定价机制研究209、我国商业银行风险预警系统研究210、基于供应链金融的中小企业融资模式研究211、国内外商业银行个人理财业务的比较研究212、房地产价格波动与金融稳定研究213、我国上市电影企业价值研究214、农村金融与担保机制研究215、收入分配与中等收入陷阱的关系研究216、控股股东代理问题与公司投融资决策217、股指期货风险管理研究218、股指期货套期保值和套利策略研究219、国际贸易融资创新及风险控制220、个人住房抵押贷款提前还款风险实证研究221、互联网金融与金融包容性222、中国 P2P 网络贷款行业研究报告223、信息不对称下 P2P 网络借贷行为的实证研究224、互联网金融对我国商业银行的影响研究225、国内外商业银行电子银行业务发展的比较研究226、新形势下我国商业银行中间业务发展研究227、招商银行投资价值分析228、利率市场化背景下我国商业银行业务转型问题研究229、我国中小企业融资问题研究230、P2P 网络借贷模式研究231、基于 BP 神经网络的股票指数期货价格预测232、基于模糊综合评判法的企业信用评级研究233、供应链金融融资模式及案例分析234、中国企业集团资金集中管理研究235、我国外汇储备与通货膨胀关系研究236、跨国资源类并购定价及绩效研究237、我国贸易收支不平衡实证研究238、对冲基金对中国 A 股市场的影响研究239、人民币升值：研判、成因及影响研究240、金融危机传导理论研究241、现代商业银行信用风险管理技术研究242、中小企业银行信贷融资研究243、中国互联网金融的三种新型投融资模式研究244、我国对外直接投资发展阶段、模式及策略研究245、我国村镇银行发展路径研究。
基于Elman神经网络的商业银行信贷风险识别及评估模型
（ 宁 工 程 技 术 大 学 研 究 生 学 院 ，辽 宁 葫 芦 岛 １ ５ ０ ） 辽 ２ １５ 摘 要 ： 立 了基 于 Ｅｍａ 建 ｌ ｎ神 经 网络 的 商 业银 行 信 贷 风 险 识 别 及 评 估 模 型 ， 通 过 实 例 验 证 了模 型 的 准 确 性 和 可 靠 性 。 并 研 究过 程 及 结 果表 明 ， 于 Ｅｍａ 基 ｌ ｎ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 ， 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 ， 快 速 评 估 和 有 效 减 低 商业 的 信 贷 风 险 。 准 能
基 于 Ｅｍａ ｌ ｎ神经 网络 的商业银行信 贷风险识 别及评估模型
态 向量 。 ， ， 分 别 表 示 中 间层 到 输 出层 、 入 。 输 层 到 中间层 、 承接 层 到 中 间 层 的连 接 权 值 。 ・ Ｇ（ ）为
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
维普资讯
第 ８卷
２０ ０ ８年
第 ８期
８月
科
技
和
产 业
Ｖ １ ， ｏ８ ｏ８ Ｎ． ．
文 章 编 号 ：６ １ ８ ７ ２０ ） ８ ０ ０ ４ １ ７ —１ ０ （ ０ ８ ０ —０ ８ —０
基于Ｅｍ ｎ ｌａ 神经网 络的商业银行信贷 风险识别及评估模型
输 出神 经元 的传 递 函数 ， 中间 层 输 出 的线 性 组 合 。 是 Ｆ（ ）为 中间层 神经 元 的传 递 函数 ， 用 ｌｇ／ ） ・ 采 ｏｓ ｇ（ 一
基于ν-SVR的商业银行信用风险评估
龙源期刊网
基于ν-SVR的商业银行信用风险评估
作者：陈刚陆嘉骏刘澄刘祥东王洋洋
来源：《中国管理信息化》2012年第16期
［摘要］随着银行利率市场化的呼声加强，商业银行自身信用风险问题日益突出，对商业银行信用风险进行科学评估成为信用风险管理的关键。
针对国内上市商业银行样本数量偏少的情况，本文引入适合小样本学习的支持向量机(SVM)来评估信用风险。
通过对财务数据的主成分分析构建了商业银行信用风险评估指标体系。
以贷款违约率作为输出指标，利用v- SVR (Support Vector Regression)模型对16家上市银行的主成分进行评估。
通过评估结果与历史数据对比发现，模型能很好地预测商业银行的信用风险，比BP神经网络模型和ε-SVR模型具有更高的预测精度。
［关键词］支持向量机；信用风险；BP神经网络；贷款违约率
doi : 10 . 3969 / j . issn . 1673 - 0194 . 2012 . 16. 025。
基于BP网络和证据理论的商业银行竞争力评价
商业银行竞争力评价问题引起国内外有关学者的广 本文通过对已有的关于商业银行竞争力评价体系构 泛关注，以期望从规范与实证结合的角度来构建并确定 建的文献 ［］ ［］进行研究的基础上 ，以商业银行现 ５、 ６ 商业银行竞争力，但由于商业银行竞争力涉及的因素众 实竞争力为出发点 ， 兼以考虑潜在竞争力，考察盈利能 多， 其评价理论和方法尚处在探索之中。国内外有学者 力、资产质量 （ 即安全性） 、流动性及发展能力 （ 即市场 提 出用指标逐一对 比分 析… 、层次分 析法 －，前者 主要 占有能力）四个方面要素的 ｌ个指标 ， １ ２ 】 １ 如下表。 通过选择一些反映商业银行竞争力的指标，逐一 比较分 析研究 ， 采用该类评价方法使得评价还不够系统，且多 表 １ 商业银行评价指标体 系 数研究没有给出综合评价的结果；后者是评价指标体系 指标类别 二级指标 定 义
样本的舞征分析 ，显示了 该方法的优越性：融合后的评价结果可信度有了明显提高，同时降低了由于神 经网络 自 身缺点导致的评价结果的不确定性，提高了系统的客错性。
［ 关键词） 商业银行 竞争力 Ｂ 络 Ｐ网 证据理论
［ 中圈分类号） ３ ［ ｏ 文献标识码］Ａ
ｌ 引 言
２ 商业银行竞争力评价体系指标
０
‰
Ａ
ｌ ｌ
输入层
隐含层
输出层
Ｋ
神经网络模型在银行互联网金融反欺诈中的运用分析
分析Technology AnalysisI G I T C W 技术100DIGITCW2020.120 引言互联网金融为人们生活创造很多便利条件的同时，欺诈风险也随之增加，欺诈事件数目也有增长。
面对日益见长的欺诈形式，应积极做好互联网金融的风险防控工作。
为更好的满足欺诈事件精准化管理的现实需求，需要以大数据技术为基础建设智能风险控制模型，打造出定量标示与定性分析相结合的防控模式。
本文以神经网络模型为始发点，较为详细的探究其在互联网金融反欺诈领域中的应用情况。
1 金融欺诈领域的问题分析有资料记载，仅是在2016年一季度中全国网络诈骗金额达到了9.7亿元。
欺诈手段层出不穷，比如电话诈骗、木马病毒、伪基站等。
笔者认为，个人账户信息泄露是威胁账户资金安全性的主要因素，主要表现在如下两个方面：一是犯罪分子非法使用身份证、手机、银行卡号码等个人信息，借用冒名顶替与虚伪制造非法去蒙骗有关金融机构，虚假身份欺诈、伪卡欺诈等是主要的表现形式。
二是犯罪分子可能会巧用个体购物清单、既往交易记录、登录时间等日常生活数据信息，勾画出隐在受害者行为习惯相应对的基础画像，在和其交流过程中使对方产生一定信任感而后进行欺诈，最后实现以非法途径占有他人财产，电信、互联网欺诈等是常见的表现形式。
2 互联网金融欺诈案件的特征分析2.1 资金流动方向和商行建设对接关系的第三方商户是被欺诈资金的主要流向，尤其聚集于一些高风险商户。
有资料记载，在风险事件样本中，迅付与网银两家公司所占比例高于50.0%。
另外，针对被欺诈资金的用途，通常是购置一些可能在短期内能够折现的商品，比如游戏、手机费及账户充值等。
2.2 注册事件纵观网络金融欺诈风险事件，大概有二成以上的客户群体快支付注册和风险事件发生在同一日。
这也就意味着欺诈者窃取客户个人信息后，开通快捷支付在前，而后在同一日操作风险案件。
2.3 欺诈金额大体上＜5000元，表现出小金额欺诈的特征。
基于神经网络的企业信用等级评估
研究简报基于神经网络的企业信用等级评估①陈雄华,林成德,叶 武(厦门大学自动化系,厦门361005)摘要:企业信用等级评估是金融领域重要的问题,论文采用人工神经网络模型研究企业信用等级的评估问题.按照企业样本在信用等级的分布状况来抽样,然后,根据企业样本性质的不同,将其分为制造业和非制造业两大类.利用偏相关分析方法建立了企业信用评级的指标体系.此外,还介绍了几种企业信用评级常用的评估模型,并将神经网络评估模型的性能和其他的信用评估模型作了比较,实验结果表明神经网络模型具有更好的预测准确性.关键词:神经网络;信用评级;信用风险评估模型中图分类号:TP389;TP183 文献标识码:A 文章编号:1000-5781(2002)06-0570-06 Credit risk assessment of enterprise basing on neural netw orkCHEN Xiong2hua,LIN Cheng2de,YE Wu(Department of Automation,X iamen University,X iamen361005,China)Abstract:Credit rating of the enterprise is very im portant problem in the financial field.In this article, we researched this problem using artificial neural netw ork m odel.We g ot the sam ples basing on the distri2 bution of credit rating of the all sam ples.And then,we divided the sam ples of the enterprises into tw o sets,one is manu facture and the other is non2manu facture,we als o developed an indicators′system using partial correlation method.Furtherm ore,we introduced many credit assessment m odels in comm on use and com pared the result of our m odel with that of s ome of them.The result from the experiment shows that our m odel is m ore applicable and suitable.K ey w ords:neural netw ork;credit risk assessment;credit risk assessment m odel0 引 言商业银行对客户的信用评价是银行贷款的核心内容,对银行客户的信用评估是否合理、科学、准确关系着银行贷款的成败.银行的风险管理一直是国际国内金融界关注的焦点[1,2],在西方发达国家,商业银行的信用风险管理技术已经比较成熟,许多定量技术和支持工具、软件已付诸商业应用,继传统的比例分析之后,统计方法得到了广泛的应用,如判别分析和Logistic回归等.自从20世纪90年代末期以来,人工智能技术如神经网络,专家系统、分类树也被应用于商业银行信用的管理中[3,4].从国内看,对处于新兴市场和转轨型经济环境下的我国商业银行而言,加强信用风险的管理尤为重要.这是因为我国的商业银行刚刚建立,其信用风险的管理技术较为落后,特别是客户信用分析与评估技术仍处于传统的比例分析阶段.目第17卷第6期2002年12月 系 统 工 程 学 报JOURNA L OF SY STE MS E NGI NEERI NGV ol.17N o.6Dec.,2002①收稿日期:2001-04-16;修订日期:2002-06-24.前我国银行机构对企业的信用等级评定是通过对企业的某些单一财务指标进行加权平均确定的[4].该方法的最大缺陷在于指标和加权值的确定带有很大的主观性,使得评估结果和实际状况有很大的出入.因此需要引入科学方法来确定有效评估指标,并建立准确的定量模型来解决信用等级评估的问题.1 传统的信用评估模型和神经网络国际上,对企业信用的评估,通常将商业银行对企业信用风险的测度转化为对企业财务状况的衡量问题,因为信用风险的形成,主要取决于企业的财务状况.具体的作法是根据历史上每个类别(如信用等级AAA、AA、A、B等)的若干样本,从已知的数据中发现规律,从而总结出分类的规则,建立判别模型,用于新样本的判别.国外在对银行客户信用评价中广泛采用了基于统计判别方法的模型,这些方法都是在Fisher于1936年所作的研究之后提出来的[4].常用的模型还有:多元判别分析法(M DA)、Logit模型、分类树法等.M DA是除美国外其他国家用得最多的统计方法.M DA可以具体分为一般判别分析和逐步判别分析,前者不考虑变量筛选,后者考虑变量筛选.基于M DA建立的判别模型有Chesser判别模型、ZET A判别模型、逐步判别分析模型等.它们的共同特点就是通过对一些财务指标进行加权得到一个输出结果,再对这个输出的结果进行分段判别,从而得到对应的一个信用等级.Logit分析与判别分析的本质差异在于不要求财务指标满足正态分布或等方差,由于一般判别分析方法的局限,Logit分析在预测中得到了相当广泛的应用,1981年以后的研究绝大多数都用Logit分析,在一些国家建立了许多相应的模型[5-9].20世纪80年代末期,有学者提出一种基于机器学习技术发展起来的符号方法,即分类树方法.该方法不像传统方法那样通过判别函数形成决策规则来判别样本所属的类型,而是创立了一个对原始样本进行最佳分类判别的分类树.以上介绍的这些模型已经得到了广泛的应用,但它们仍存在着许多缺陷,实证结果发现:1)企业财务状况的评价可以看作是在基于独立变量基础上的分类问题;2)企业财务状况的好坏与财务指标的关系是非线性的;3)许多财务指标可能是高度相关的;4)许多财务指标不成正态分布.因此,传统的分类方法不能很好地解决这些问题.神经网络技术作为研究复杂性问题的强有力的工具,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其非凡的优越性,特别是它能处理任意类型的数据,这一特点是许多其他方法所无法比拟的.神经网络通过不断学习,能够从特定模式的大量的数据中发现其潜在的规律.神经网络克服了传统分析过程的复杂性及选择适当模型函数的困难,它是一种自然非线性建模过程.勿须分清是何种非线性关系,给建模与分析带来了极大的方便,该方法用于企业财务状况研究时,一方面利用其映射能力,另一方面利用其泛化能力,即在经过一定数量的带噪声的样本的训练之后,网络可以抽取样本所隐含的特征关系,并对新情况下的数据进行内插和外推以推断其属性.它在分类问题中的出现,最早是用于对银行破产的预估[4].神经网络人工智能方法能处理一系列信息输入(如财务比率等的数据),并能产生相应的输出,网络通过学习能够产生一个成功反映所有输入输出变量相应关系的模式.除此之外神经网络不需要变量之间必须线性相关或是相互独立这一假设.变量之间存在的微妙联系,在数据不连续或有噪声的情况下,也可被系统辨识并生成定性估评(如信用等级).简而言之,除部分不明确的结果之外,神经网络能够在相似点和类似点上给出有价值的结论.在美国和欧洲,已有一些实际工作[10,11],尝试将此技术应用到金融服务领域,尤其是信用分析领域.在我国这方面的实际工作还较少,还处于研究探索阶段[12].2 样本取样和变量的筛选211 样本的选取本文所用的数据来源于福建省某银行对中小—175—2002年12月 陈雄华等:基于神经网络的企业信用等级评估企业(非上市公司)信用评估时所使用的数据.在样本收集过程中,要考虑的主要问题是样本的代表性、可靠性、和抽样误差.不同行业不同企业的财务特性是存在差异的.由于其经营生产流程、经营周期、经营性质等均有不同,反映其财务状况和生产经营状况必然有所不同.本文将行业分为制造类和非制造类.客户信用等级是反映客户偿还债务能力和价值大小的相对评价标准,目前我国银行一般将客户分为AAA级、AA级、A级、BBB级、BB级、B级6个信用等级.由于本文中银行提供的数据只有少量BBB级、BB级、B级的客户,故把这3个等级合并为A级以下这一个等级.所使用的样本按银行对企业的信用评估等级AAA级、AA级、A级、A 级以下4个等级的数据分布进行取样.根据以上的分析,借鉴国外研究取样的经验并结合我国的实际,确定以下的取样原则:1)随机取样;2)主要按银行提供的已评估样本的分布来取样,尽量考虑行业、资产规模的样本的分布;3)尽量选取足够多的样本,以保证样本的代表性.这样,把企业分成制造类和非制造类两大类,再依等级AAA、AA、A、A以下4级分类划分,根据4类的分布情况,同时考虑资产规模,进行随机抽样.选取了每个企业的财务数据,每年的数据作为一个样本,由于银行提供的数据中制造类的比例为8∶4∶2∶1,所以按比例进行抽样,结果AAA、AA、A、A以下的样本比例为126∶68∶34∶12,其中150个取为学习样本,而余下的90个作为检验样本;对于非制造类,比例为3∶2∶1∶1,抽样样本数为66∶43∶21∶20,其中90个为学习样本,其余的60个为检验样本.212 财务比率分析与变量筛选企业的信用状况如何,要依据一些标准的财务指标加以规定.现根据实际情况筛选那些对信用等级的评估起重要作用的财务指标.财务指标的选取依据两个原则:一是指标最好能比较直接地反映偿债能力;二是指标的设计应该避开所谓的行业标准,即尽量使这些指标的值在不同行业和不同企业有相同或相似的意义.在参考国家财政统计评价司关于企业信用评级指导思想[13]的基础上并参照银行所提供的数据将信用等级分为G1(营运资本/总资产)、G2(资产负债率)、G3(流动比率)、G4(速动比率)、G5(存货周转率)、G6(应收账款周转率)、G7(销售利润率)、G8(资产报酬率)、G9(息税前收益/总资产)、G10(销售收入/总资产)、G11(负债总额/总资产)、G12(固定资产/总资产)、G13(息税前收益/总负债)、G14(息税前收益/营运资本)、G15(存货/销售收入)、G16(流动负债/净资本)、G17(利润/销售收入)这些财务比率进行偏相关分析.将随机选取的制造类240条样本和非制造类150条样本用SPSS统计软件进行偏相关分析.得到的结果见表1.表1 制造类样本偏相关分析项目G1G2G3G4G5G6G7G8G9 S0.69460.89320.66530.67100.0336-0.02680.69840.89780.8996 P0.0000.0000.0000.0000.4120.5130.0000.0000.000项目G10G11G12G13G14G15G16G17S0.81700.8932-0.10480.7779-0.0758-0.03720.75150.0630P0.0780.0000.0000.0000.0640.3640.0000.123 表1是制造类各财务比率与信用等级分S的零阶相关,这里对应的数据表示相关系数,P表示对于相关系数为0的假设成立的概率,参与相关系数计算的观测量数都是240.非制造类与制造类进行同样的处理,各财务比率与信用等级的零阶相关见表2.—275—系 统 工 程 学 报 第17卷 第6期表2 非制造类样本偏相关分析项目G1G2G3G4G5G6G7G8G9 S0.72760.78820.78820.7093-0.01290.05810.69990.62020.6037 P0.0050.0000.0000.0100.8750.4800.0000.0000.000项目G10G11G12G13G14G15G16G17S0.6255-0.2685-0.06270.49800.07460.2507-0.3531-0.0533P0.0570.0000.0020.0000.3640.0020.0000.000 注:表2变量S和P的意义同表1,参与相关系数计算的观测量数都是150. 从各变量间的零阶相关系数可以看出信用等级分与财务比率的相关系数,以及显著性检验结果的不相关概率.可以知道信用等级分与以下财务比率有较明显线性关系:对制造类:G1、G2、G3、G4、G7、G8、G9、G10、G11、G13、G16.对非制造类:G1、G2、G3、G4、G7、G8、G9、G10.由于各财务比率间的相互影响,再根据信用等级分与各财务比率单独的偏相关进行分析得出结果见表3,4.表3 制造类各财务比率和信用等级分独立的偏相关分析项目G1G2G3G4G7G8 S0.68190.63800.79400.80790.61260.6500 P0.0000.0590.0230.0090.0000.000项目G9G10G11G13G16S0.84540.61580.4361-0.35540.3710P0.0000.0030.8940.7030.614表4 非制造类各财务比率和信用等级分独立的偏相关分析项目G1G2G3G4G7G8G9G10 S0.59890.77270.71420.70780.62320.55900.67920.7848 P0.0240.0390.0030.0000.0000.0020.0320.027 表3和表4对应数据表示该变量在排除其它变量的影响后,与信用等级分S的相关系数,P表示不相关的概率.由表3可得出结论:对制造类的信用等级分与G11(负债总额/总资产)的相关系数为0.4361,不相关的概率为0.894,可不考虑;对G13(息税前收益/总负债)的相关系数为-0.3554,不相关的概率为0.703,也可不考虑;对G16(流动负债/净资本)的相关系数为0.3710,不相关的概率为0.614,也可不考虑.而对非制造类,信用等级分与各财务比率的偏相关性都比较强,对这8个比率应给予考虑.综上所述,对制造类或非制造类,在下面的信用等级判别模型中采用的财务比率变量统一为: G1、G2、G3、G4、G7、G8、G9和G10这8个量.3 实际应用3.1 网络构建根据文[14,15]提到的建模方法,建立了一个3层BP神经网络信用等级评判模型:其输入层为8个神经元,输出为1个神经元,而隐含层神经元的个数,用文[15]提供的方法:即逐步增加结点,每增加1个结点后,通过学习训练,如果引起判断准确性的下降,则采用未增加前的结点数,本文对模型进行试验后发现,当结点增加到18的时候,评判的准确率最高,在以后就有下降的趋势,故模型的隐结点数定为18.将AAA、AA、A、A以下4级的期望输出分别设为0.9,0.7,0.5,0.3.网络模型确定后,公司该年的8个财务比率—375—2002年12月 陈雄华等:基于神经网络的企业信用等级评估作为一个矢量输入,在各个比率输入之前将数据先进行归一化处理x′=x-min(・)m x(・)-min(・)归一化后,x′∈[0,1].3.2 网络的训练采用动量法和学习率自适应调整的改进型BP算法来训练网络[16],将输入信号和期望输出一同输给网络,网络在学习过程中将不断地调整网络的权值和阈值,当输出值和期望的输出间的平均误差e小于目标误差ε时,学习过程结束,在本实验中,经过了多次实验,发现目标误差设为0.006时,评判的准确性最高,特别应指出,这里的误差精度不宜取得过高,因为样本集的输入输出夹杂有噪音信号,学习开始时,网络权值的调整主要只针对实际信号进行,但随着学习的继续,网络权值的结构也反应了噪音的某些特征,因此学习过度将会引入噪音信号.3.3 模型评估应用当网络学习完成后,就可以利用这一模型对样本进行预测,即对银行客户进行信用等级的评估,建立的评判规则如表5所示.表5 评判规则级别AAA AA A A以下模型的输出уу≥0.80.6≤у<0.80.4≤у<0.6у<0.4现将制造类和非制造类的学习样本和检验样本均输入到网络中进行评估,并和一般回归模型和逐步判别模型作比较得出表6的结果.表6 各种模型评判结果类别模型不同类别判断准确性(判断正确/总个数)AAA AA A A以下学习样本/%检验样本/%制造类一般回归56/7926/4128/3919/2917/2210/125/104/870.67(106/150)65.56(59/90)逐步判别59/7930/4127/3920/2918/229/125/103/872.67(109/150)68.89(62/90)神经网络69/7932/4131/3921/2917/228/1210/106/884.67(127/150)73.33(66/90)非制造类一般回归31/4217/2419/2614/1710/126/93/104/1076.67(69/90)68.33(41/60)逐步判别34/4217/2419/2616/1710/126/93/104/1078.89(71/90)68.33(43/60)神经网络38/4219/2424/2613/1710/127/99/107/1090(81/90)76.67(46/60) 注:表中AAA、AA、A、A以下4栏中的每一单元格均有两组数据,第1组数据为对应信用等级学习样本评判正确的样本数/该信用等级学习样本总数,第2组数据为对应信用等级检验样本评判正确的样本数/该信用等级检验样本总数,学习样本和检验样本栏中给出了评判准确率和对应的评判正确的样本数/对应样本总数. 从表6可以看出基于BP神经网络的信用评价模型,在判别的准确性方面优于其他常用的模型,虽然得到的结果没有像国外同等实验那么显著,但对那些不是经过专家筛选出来的,且在可靠性、准确性方面也存在着疑问的学习样本,有这样的结果已经说明BP神经网络提供了更好的银行客户信用等级评判模型.4 展望和思索在以上研究基础上,对工作中存在的不足和欠缺作以下归纳,并对完善工作提出了几点思考.因为样本量还不够大,因此在实用性和普及性上尚待进一步研究和探索.其次因为样本数量的限制,不可能对不同行业进行具体的模型构建,只能以一种统一的眼光来构造一个通用的模型,而在经济领域,行业间的差异较大,如果强制地把它们划归到统一的模型中去研究,必定使模型出现失真,所以在样本数据量足够的情况下,应该对一些特殊的行业进行特别的处理.因为神经网络的输入和输出是一种映射的关系,这种映射关系不能处理一些特殊的情况,如在—475—系 统 工 程 学 报 第17卷 第6期信用评估中,当某个指标满足不了要求,则不管信用分多高都不能评为AAA.这样的硬性规则在信用评估中是很多的,如果能够总结出所有的硬性规则,并用这些规则对神经网络的输出作二次修正,则应该可以提高模型评判的准确性.万事万物都有其矛盾的统一性和特殊性,对于我国的企业,则存在行业性质、企业规模、政策倾向、经济地域等诸多方面的差异,如何解决这些差异对建模的影响,应该由人工智能和经济领域的专家们共同探讨,共同研究.建议由经济领域的专家根据企业的各种属性和特点划分出有较强可比性的经济客体的集合,再由人工智能领域的专家针对各个不同的客体集合进行人工神经网络的建模.由于在每个集合内部有较强的可比性,它们存在的规则也较明显,而神经网络通过学习就可以捕捉到这种潜在的规则.5 结束语将BP 神经网络技术应用于商业银行客户信用等级评价中,结果表明,神经网络模型具有广泛的应用前景.当然,基于神经网络的银行信用等级评估还有一些尚待解决的问题,比如对判别结果的解释能力,一般情况下神经网络都被认为没有解释能力,这是神经网络作为一种技术方法的主要缺陷,人们无法根据神经网络的权值得到输入变量的相关重要性.近年来,国外一些专家学者提出在构造网络结构的同时使用遗传算法,还有一些学者使用启发式的方法来解释输入变量的相关重要性,有人则把模糊逻辑与神经网络的解释能力联系起来,在这个研究方向上已取得了不少的进展.参考文献:[1]Freeman A.A survey of international banking[J ].The Economist ,1993,(6):1—37[2]曾国坚,何五星.银行风险论[M].北京:中国计划出版社,1995[3]高业培.企业失败理论与实证研究[D].厦门:厦门大学,1999[4]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,1999,9:24—32[5]Fisher R A.The use of multiple measurements in tax onomic problems[J ].Ann.Eugenics ,1936,(7):179—188[6]Altman E I.Financial ratios ,discriminant analysis ,and the predication of corporate bankrupcy[J ].Journal of Finance ,1968,23(9):589—609[7]E lam E.The effect of lease data on the predictive ability of financial ration analysis for small business failure prediction[J ].Journal ofFinancial and Quantitative Analysis ,1972,(3):65—76[8]Press SJ ,Wils on S.Choosing between Logistic regression and discriminant analysis[J ].J.Amer S tatist Ass oc ,1978,73(7):699—705[9]E isenbeis R A.Pitfalls in the application of discriminant analysis in business ,finance ,and economics[J ].Journal of Finance ,1977,32:875—900[10]Odom M D ,Sharda R A .Neural netw ork for bankruptcy predition[J ].International Joint C on ference on Neural Netw orks ,1990,2(6):163—168[11]H opfield J J ,T ank D W.Neural computation of decisions in optimization problem[J ].Biological Cybernetics ,1985,52:123—145[12]王世彤.企业财务综合分析方法—互异代表系与人工神经网络[J ].系统工程理论与实践,1998,(12):103—109[13]财政部统计评价司.企业效绩评价问答[M].北京:经济科学出版社,1999[14]Dutta S ,et al .Bond rating :A non 2conservative application of neural netw orks[J ].Proc.IEEE Int.C on f.on Neural Netw orks ,1992,(2):154—173[15]P oddig T.Bankruptcy prediction :A C omparis on with Discriminant Analysis[M].New Y ork :Apostolos 2Paul Refenes ,1993.137—159[16]陈雄华,林成德.基于改进型BP 算法的外债风险指标预测[J ].厦门大学学报(自然科学版),2001,40(5):1017—1021作者简介:陈雄华(1976—),男,福建政和人,硕士.研究方向:计算机技术在经济领域的应用.林成德(1948—),男,浙江定海人,博士,教授.研究方向:随机系统的估计和应用,控制在经济领域的应用.叶 武(1975—),男,福建莆田人,硕士.研究方向:计算机技术在经济领域的应用.—575—2002年12月 陈雄华等:基于神经网络的企业信用等级评估。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第38卷 第4期2006年4月哈 尔 滨 工 业 大 学 学 报JOURNAL OF HARB I N I N STI T UTE OF TECHNOLOGYVol 138No 14Ap r .2006基于神经网络的中国商业银行效率综合评价迟国泰1,陈国斌1,迟 枫2(1.大连理工大学管理学院,辽宁大连116024,E 2mail:chigt@dlut .edu .cn chigt163@;2.中国人民大学财政金融学院,北京100872)摘 要:在广泛选取原始指标的基础上,建立了基于主成分分析法的商业银行效率评价指标体系,建立了基于BP 神经网络的商业银行效率评价模型.采用改进的主成分分析法建立了新的指标体系,用7个指标保留了92%的原始信息,并避免了指标间相关性对后期评价的影响;运用斜交旋转法,得到了对商业银行效率影响较显著的7个指标因素;采用均值法对原始数据进行标准化处理,保留了指标间的差异信息和相互影响信息;利用BP 神经网络避免了传统评价方法中人为主观因素和模糊随机因素的影响.关键词:银行效率;效率评价;主成分分析;BP 神经网络中图分类号:F832文献标识码:A文章编号:0367-6234(2006)04-0626-04Eff i c i ency appra is a l of Ch i n a co mm erc i a l banks ba sed on BP neutra l networkCH I Guo 2tai 1,CHE N Guo 2bin 1,CH I Feng2(1.School ofM anage ment,Dalian University of Technol ogy,Dalian 116024,China,E 2mail:chigt@dlut .edu .cn chigt163@;2.School of Finance,Ren m in University of China,Beijing 100872,China )Abstract:On the gr ound of the widely chosen efficiency indexes of commercial banks,an index syste m based on p rinci pal component analysis and an efficiency app raisal model based on BP neural net w ork are established .The ne w index syste m is built based on i m p r oved p rinci pal co mponent analysis which keep s 92%of the origi 2nal inf or mati on with 7indexes and avoids the influence of the correlati on bet w een different indexes on later ap 2p raise .7mainly influencing fact ors are f ound thr ough direct obli m in method .The inf or mati on of diversity and inner influence bet w een different indexes are kep t thr ough average 2standard 2method .An app raisalmodel based on BP neural net w ork is set up which gets rid of the influence of the factiti ous subjective fact ors and fuzzy st o 2chastic ones .Key words:bank efficiency;efficiency app raise;p rinci pal component analysis;BP neutral net w ork收稿日期:2005-02-24.基金项目:国家社会科学基金资助项目(04BJY082).作者简介:迟国泰(1955-)男,教授,博士生导师. 对商业银行效率的评价主要是前沿生产函数的非参数法(如DEA )与多指标综合评价法[1～3].非参数法在研究中受的限制相对较少,应用较为广泛,但不能完整准确地表达评价对象的效率状况.多指标综合评价法则可以通过优化指标体系的构建和评价方法的选取来避免模糊随机因素和人为主观因素的影响,但只能用少数指标代替多数指标,这就影响了评价的准确性和科学性.本文广泛收集整理了商业银行效率评价指标,运用改进后的主成分分析法[4]对其进行处理,以分离出的主成分替代原有指标,用较少指标表达大部分数据信息,避免了指标间相关性的影响;建立了基于BP 神经网络的商业银行效率综合评价模型,避免了模糊随机因素和人为主观因素影响.1 原始指标的选取采取“海选”的方式来选取原始效率指标,即在数据能够获得的情况下,将能够反映商业银行效率的指标均作为原始指标[3,5,6].收集整理了2001年～2002年14家商业银行的指标数据[7],由于篇幅的限制,表1仅列示了2002年部分商业银行的相关数据.表1 2002年数据矩阵银行名称资产收益率/%资本收益率/%收入利润率/%人均利润率/元人均存款/亿元机构平均存款/亿元营业费用率/%工商银行01133156191522314701111564513农业银行01121133129602317010501632316……………………浦发银行0146161517191848012861519银行名称资产费用率/%人均费用/万元存款费用率/%贷款费用率/%成本收入比存贷比率不良贷款预计损失比率/%权益资产乘数工商银行01861010311140196113701432616农业银行01813131111167016711494191312………………………浦发银行01911014621621330193611811212注:根据2002年《中国金融年鉴》有关数据计算得到.2 商业银行效率评价指标体系的建立为了全面而准确地反映商业银行的效率状况,采用改进的主成分分析法[4]对表1的15个指标进行处理,利用分离出的主成分“指标”代替原有的具体指标来构建新的效率评价指标体系.为了提高精度,设定分离出的主成分应能够代表原始数据90%以上的信息.2.1 求R特征值以及贡献率为了反映原始数据的全部信息,采用均值化方法[4]来消除指标的量纲和数量级的影响,使从均值化后的数据中提取的主成分能充分体现原始数据所包含的全部信息.根据均值化处理后的数据,借助SPSS统计软件得到了变量的相关系数矩阵R的特征值以及贡献率,见表2.基于过程内特征根大于1的原则(第6个和第7个系统默认其符合要求)以及考虑到本研究的精度,主成分因子过程提取了7个主成分量Y1～Y7,使信息反映量达到了921876%.表2 主成分分析结果主成分特征值贡献率累计贡献率Y141716311440311440Y221949191661511102Y321207141711651812Y41144991657751470Y51101061736821206Y60195461357881563Y70164741313921876 2.2 建立因子载荷矩阵对提取的7个主成分变量建立原始因子载荷矩阵,然后对其进行结构调整简化(整个过程由SPSS自动完成)得出方差最大斜交旋转矩阵,见表3.这也是这7个主成分的载荷矩阵.表3 主成分矩阵指标名称Y1Y2Y3Y4Y5Y6Y7影响率人均利润率X1018620-014530-010*********-010938-010647010688012710资本收益率X2017700-014740-012120-010*********-012440-011040012421收入利润率X3015440-017930-010653011330010972010890010386011559人均存款X4018600010141-010*********-013440-011550011800012704存贷比率X5016870012340-013070-013300-011110-010410-013290012160贷款费用率X6017560014440012770-011920011360012520-010*********存款费用率X7016800011150014370-013550-010*********-010*********资产费用率X8015040013570016550011360011270012220011000011585权益资产乘数X9013080016170-012500015480011110010381-012990010529人均费用X10014860012820-016130012520013840-011800-010*********营业费用率X11010323013400016400012450013780-014020010269010942成本收入比X12013000-014080015740013100-010871-013630010116010844资产收益率X13010791-015750-011640014000014020015120011180011131机构平均存款X14012200014900-011890015120-015090011640012620010494不良贷款预计损失比率X15013290014310-013450-014030013010-011440015400010233 主成分分析的因子旋转方式分为正交旋转和斜交旋转.表3采用斜交旋转,主要因为斜交旋转要比正交旋转更具有一般性,没有因子之间必须不相关的这个限制.表3通过斜交旋转列示了影响每个主成分因子的因素及其影响程度.由表3可以得到主成分Y1～Y7关于原始指标的线性组合.2.3 用主成分指标代替原始指标根据表3,将表1的数据转化成为新的主成・726・第4期迟国泰,等:基于神经网络的中国商业银行效率综合评价分指标数据,得到2001年和2002年的新的指标体系数据,如表4(2001年指标数据略).表4 2002年主成分指标数据银行名称Y1Y2Y3Y4Y5Y6Y7工商银行414026016737115727111113016984-015290-012594农业银行410782114622015672-012205110047-013240014838中国银行515048011696019970018836016667010222-010275建设银行416121111358112672013561017952-011496-010285交通银行512610113842013406019614019551-012985-013949中信实业银行1016227013110-018988016694112063-019159114528光大银行816500615393-111883511786-313211018212212536华夏银行912372-014445-018617115131019253-017626-010364民生银行1212412012073018571116173011900-012862015105广发银行712690218299015891011941115509-011843012843深圳发展银行810434019737017326012630111839-014060013638招商银行815183-515913-110534415205410424318680019398兴业银行716011111442-011204111803019926-015169013302浦发银行1013738-210176018178017513-0110250100790128993 中国商业银行效率评价模型的建立 商业银行效率评价模型建立以后,当某银行的指标值经由输入层进入网络,网络使用训练好的权值进行运算,最后输出层的输出值就是该银行的最后得分.得分越高的银行说明其效率越高.3.1 评价模型参数的确定1)网络节点个数的确定.典型的BP神经网络由三层组成,需要分别确定每一层网络节点的个数.网络输入层神经元节点数就是系统的特征因子(自变量)个数,输出层神经元节点数就是系统目标个数.隐含层节点个数本研究暂设为6个,由此构成了一个7-6-1型BP神经网络模型.2)初始权值的确定.初始权值是不应完全相等的一组值.本研究设计了一个随机发生器程序,产生一组-110～+110的随机数,作为网络的初始权值.3)最小训练速率的确定.训练速率在不导致振荡前提下,越大越好,本研究取013.4)动态系数的确定.动态系数的选择也是经验性的,本研究取017.5)允许误差的确定.当2次迭代结果的误差小于该值时,系统结束迭代计算,给出结果.本研究选取的允许误差为1e-5.6)迭代次数的确定.本研究取2000次.采用2001年的指标数据作为网络训练的数据组,然后运用训练好的网络对2002年的指标数据进行评价,并对评价结果进行分析.4 中国商业银行效率的综合评价本研究设定,当输出结果为1时,说明该商业银行的总体效率为好;输出结果为0时,说明该商业银行的总体效率为一般;输出结果为-1时,说明该商业银行的总体效率为不好.对14家商业银行进行训练和评价的结果见表5.由表5可知,两年的效率值相比有了较大的变化.交通银行2002年的效率值较2001年有了较大程度的降低,中信实业银行、中国银行和广东发展银行的效率值较上年有了较大程度的提高.股份制商业银行除交通银行外效率普遍较高,而国有商业银行的效率除中国银行和建设银行外其余两家均很低.表5 训练及评价结果银行名称训练数据标准值2001年数据训练值2002年数据评价值2002年排序民生银行10198540192803光大银行10199630190465华夏银行10189560181087深发展10199400191754浦发银行11100000199911招商银行10199940193032中信银行0-0100050181866广发银行00100120148478兴业银行001000701046710交通银行0-010006-01258412中国银行00100490128979建设银行0-01004801037811工商银行-1-019950-01953413农业银行-1-019901-01978614・826・哈 尔 滨 工 业 大 学 学 报 第38卷 5 评价结果分析511 评价结果总体分析由表5第五列可知,在14家主要商业银行中,9家股份制银行由于经营机制灵活、创新及竞争意识强、员工素质高、法人治理结构及激励机制相对完善、历史包袱轻等优势,资源配置效果较好,效率高.其中浦东发展银行代表了股份制商业银行的最高效率水平.国有商业银行效率尽管不如股份制银行,但其效率状况在行业中基本保持稳定.其中农业银行的整体效率始终排在最末.动态来看,随着我国银行体制改革的不断深入,就各银行自身纵向来比,部分银行近年来的效率有了一定程度的改善.从整体上看,由于四大国有商业银行所占市场份额以及市场资产份额较大,国有商业银行效率的改进将在很大程度上提高我国银行业的资源利用水平和整体效率.512 资产规模与商业银行效率的偏相关分析本研究对资产规模[7]和表5中2002年商业银行效率评价值进行了偏相关分析,得到了在资产结构一定的情况下资产规模与银行效率之间的偏相关性系数.分析结果显示,相关系数为-01709,资产规模与商业银行效率之间存在较大程度的负相关.就实际来看,存款数额在3000亿元以上的银行除交通银行外全为国有商业银行,但是其整体效率却为最低,即规模越大效率越低.与此相反,其他股份制商业银行虽然在资产规模、信贷规模等各个方面不如国有商业银行,但是其整体效率却高于国有商业银行.为进一步分析资产增加对效率的影响,本文对2001-2002年商业银行资产增加额[7]和对应银行效率的增加进行了偏相关分析和显著性检验.结果显示,两者之间的偏相关系数为01017,显著性系数为01977,这否定了“两者之间不相关”的假设,两者之间以01017的水平呈弱相关,接近相互独立.由此可见,资产的增加并不能促进效率的提高,反而会对其起到负作用.513 所有制对商业银行效率的影响由表5可知,国有商业银行的效率明显低于新兴股份制商业银行,除中国银行和建设银行外,其余两家国有商业银行均排在最末位.长期以来,我国国有商业银行是按照行政区划设置分支机构的,而该方式导致了人工成本的上升,即使进行了多年的商业化改革也没有使该问题得到根本性的解决.同时,国有商业银行资金的流向也并不是完全市场化的,更多的时候受到了政府行为的影响,这也使得国有商业银行不能按照市场规则配置自己的资金使用结构,进而降低了其整体效率.股份制商业银行则基本上是根据其需要按照市场原则来招聘和管理其员工,其员工的管理较为科学规范,较少地受到了政府行为和非市场行为的影响.由于股份制商业银行受到资本市场的制约,其资金的流向和使用也需要符合市场的需要,因此其资源的配置相比较国有商业银行来说要高,因此也使得其整体效率得到了较大的提升. 6 政策建议1)理性扩大银行规模,着重提高管理水平.由偏相关分析可知,单纯追求资产或资本的最大规模并不能带来效率的提高和成本的下降.我国商业银行应谨慎扩大自身规模,将精力放在提高资源利用水平和自身效率的层面上,着重提高银行的经营管理和决策水平,加快内外部信息的交换.2)明晰商业银行产权结构,进行国有商业银行股份制改革.明晰商业银行的产权结构,使其能够按照市场的要求配置自身资源、提高自身的整体效率.而实行股份制改革能够明确商业银行的产权关系,使银行的所有权与经营权得到分离,提高商业银行的经营管理水平.同时,股份制的实施能够促使各大银行按照资本市场的要求配置自身资源、提高自身效率,并最终促进资本的有效流动,提高银行业的整体效率.参考文献:[1]BHATT ACHARYY A A,LOVE LL C A K,S AHAY P.The inpact of liberati on on the p r oductive efficiency ofindian commercial banks[J].Eur opean Journal of Op2 erati on Research,1997,(98):332-345.[2]赵 旭.国有商业银行效率的实证分析[J].经济科学,2000(6):45-50.[3]赵 旭,周军民.银行效率的模糊评价[J].价值工程,2002(2):34-36.[5]谭中明.我国商业银行效率分析[J].中国软科学,2002(3):34-36,18.[6]黄 宪.中国银行业效率分析[J].国际金融研究,1998(7):32-35.[7]中国金融协会.中国金融年鉴[M].中国金融年鉴编辑部.2003.505-529,609.[4]朱顺泉,张尧庭.改进的主成分分析法在公司财务评价中的应用[J].山西财经大学学报,2001(2):31-46.(编辑 王小唯)・926・第4期迟国泰,等:基于神经网络的中国商业银行效率综合评价。