《BP算法在信用风险分析中的应用gmm.docx》由会员分享，可在线阅读，更多相关《BP算法在信用风险分析中的应用gmm.docx（8页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、BP算法在信用风险分析中的应用*得到国家自然科学基金（705682）和广东省自然科学基金（31906）资助 李行风1 张博群2 徐建东1 1. 暨南南大学数数学系，广东，广州，510632 2. 华南南理工大大学交通通学院，广东，广州，510640摘要：按照照企业的的财务状状况、经经营状况况以及过过往的信信用记录录分为“信用好好”和“信用差差”两个小小组。对对于每一一家贷款款企业，主主要考虑虑能反映映该企业业的还款款能力、盈盈利能力力、经营营效率和和资本结结构等77个财务务比率做做为分析析变量。关键词：BBP算法法；信用用风险评评价模型型；信用用风险分分析Appliicattionn onn
2、BP AAlgooritthm in Creeditt Riisk AnaalyssisLi Xiingffengg1 Zhaang Boqqun22 Xu Jiaandoong22 1). DDepaartmmentt off Maatheematticss, JJinaan Uniiverrsitty, Guaangzzhouu, Guuanggdonng, 5106332, Chiina2). CColllegee off Trrafffic andd Coommuuniccatiionss, SSoutth Chiina Uniiverrsitty oof TTechhnollogyy
3、，Guanggzhoou, Guaangddongg, 55106640, ChhinaaAbstrractt：Thhe rreseearcch eestaabliishees aa crrediit-rriskk evvaluuatiion moddel bassed on bacck-pproppagaatioon aalgooritthm. Thhe mmodeel hhas beeen aapplliedd too evvaluuatee thee crrediits of 80 apppliccantts iin aa coommeerciial bannk oof oour cou
4、untrry iin 220011. TThe 80 datta aare sepparaatedd innto twoo grroupps: a “ggoodd crrediit” grooup andd a “baad ccreddit” group according to their finance, management and previous credit records. To each applicant, it mainly is considered seven financial rates that can reflect its debt paying abilit
5、y, profitability, quality of management and capital structure. The BP network is trained 100 times, 390 times and 800 times respectively. The simulations show that, when the network is trained 800 times, it enters steady state and the performance function reaches optimal value. And the classificatio
6、n accuracy rate is 98.75%. In addition, the paper also presents a learning algorithm and steps of the BP network. Keywoordss：BPP allgorrithhm；CCreddit rissk eevalluattionn moodell；Crrediit rriskk annalyysiss1. 引言言信用风险分分析是指指信用评评级机构构根据科科学的指指标体系系，采用用严谨的的分析方方法，运运用简明明的文字字符号，对对被评级级单位履履行经济济责任的的能力及及其可信信任程度度
7、进行客客观公正正的评价价，并确确定其信信用等级级的一种种经济活活动。对对贷款企企业进行行信用评评级，建建立相应应的信用用风险评评价模型型，并运运用此模模型预测测某种事事态或性性质发生生的可能能性，以以便及早早发现信信用危机机信号，使使贷款企企业能够够在危机机出现的的萌芽阶阶段，采采取有效效措施，改改善经营营方式，防防范危机机发生；使银行行可依据据这种信信号及时时转移资资产，管管理应收收账款及及作出信信贷风险险决策。建建立贷款款企业的的准确审审核模型型，提高高银行的的贷前审审核质量量，对提提高信贷贷资产的的安全性性并减少少不良资资产的产产生有极极其重要要的现实实意义。2信用风险险评价模模型本文所
8、采用用的数据据样本，是是从我国国某国有有商业银银行20001年年选取880家贷贷款企业业，按照照其财务务状况、经经营状况况以及过过往的信信用记录录分为“信用好好”和“信用差差”两个小小组，其其中“信用好好”的小组组是由那那些能够够按时偿偿还贷款款的企业业组成；“信用差差”的小组组是由那那些不能能按时偿偿还贷款款的企业业组成。我我们从每每个小组组中选取取40个样样本，训训练集是是由每个个小组中中的255个样本本构成，因因此训练练集含有有50个样样本，余余下的330个样样本构成成测试集集。我们们将考虑虑能反映映贷款企企业的还还款能力力、盈利利能力、经经营效率率、经营营周转率率和资本本结构等等的7个
9、财务务比率：我们定义两两类错误误：第一一类错误误是将“信用差差”的贷款款企业误误判为“信用好好”的贷款款企业；第二类类错误是是将“信用好好”的贷款款企业误误判为“信用差差”的贷款款企业。为了确定网网络结构构，我们们在MAATLAAB神经经网络工工具箱中中输入贷贷款企业业的7个指标标变量值值和相应应的目标标值，可可得如下下BP网络络结构：输入层层含有77个结点点，隐层层含有44个结点点， 输出层层含有11个结点点（见图图1）。 （期期望输出出） 图1 BBP网络络结构根据图1的的网络结结构，可可得到基基于BPP算法的的信用风风险评价价模型如如下： (1)模型(1)可用向向量表示示为：其中 是输输
10、入向量量，是输输出向量量，（，）是输输入层和和隐层之之间的连连接权，是隐层和输出层之间的连接权，和分别是隐层和输出层的偏置权向量，隐层结点的传递函数及网络输出函数均采用logistic函数，即：3仿真结果果分析我们设定误误差指标标值为，取取学习率率，将800个样本本分为训训练样本本（500个）和和测试样样本（330个），然然后对BBP网络络分别训训练1000次、3990次和和8000次。设设表示网网络训练练次数，此此处分别别取3990，8000（下同同）。当当网络训训练次时时，设样样本输出出值为，原原目标值值为，用用表示样样本输出出值与原原目标值值之间的的最大误误差绝对对值，即即 (2)再将次
11、训练练的最大大总误差差定义为为： (33)其中表示对对训练样样本训练练次时，“信用好好”的小组组其输出出值与原原目标值值的最大大误差绝绝对值；表示对对测试样样本训练练次时，“信用好好”的小组组其输出出值与原原目标值值的最大大误差绝绝对值；表示对对训练样样本训练练次时，“信用差差”的小组组其输出出值与原原目标值值的最大大误差绝绝对值；表示对对测试样样本训练练次时，“信用差差”的小组组其输出出值与原原目标值值的最大大误差绝绝对值。将以上两训训练方式式的样本本输出值值与原目目标值的的最大误误差绝对对值列于于表1中中。训练集测试集信用好的小组组信用差的小组组信用好的小组组信用差的小组组训练次数1003
12、908001003908001003908001003908000.004450.019930.000070.058870.000060.000010.004450.019930.000070.058860.000060.00001表1 三三种训练练方式的的最大误误差值两训练方式式的误差差曲线和和学习率率分别见见图2和图3。8 图图2 均方误误差及学学习率（训训练3990次）图3均方误误差及学学习率（训练8000次）利用最大总总误差值值来衡量量BP算法法网络的的分类能能力。表表2列出出了BPP算法网网络三种种训练方方式的分分类结果果、总误误判率、正正确率及及最大总总误差值值。4 结论本文建立了
13、了基于BBP算法法的神经经网络信信用风险险评价模模型，用用来对我我国某国国有商业业银行220011年80家贷贷款企业业进行信信用评级级。按照照他们的的财务状状况、经经营状况况以及过过往的信信用记录录分为“信用好好”和“信用差差”两个小小组，每每个小组组含有440个数数据样本本，训练练集是由由每个小小组中的的25个样样本组成成，测试试集由余余下的330个样样本组成成。参考文献1. K. Y. Taam aand M. Kiaang. Prrediictiing bannk ffaillurees: A nneurral nettworrk aapprroacch. J. MManaagemmen
14、tt Scciennce，19992, 38(7)：927-9447. 2. H. L. Jeenseen. Usiing neuurall neetwoorkss foor ccreddit scoorinng. J. MManaagerriall Fiinannce, 19992, 188 (66), 15-26.3. P. Cooatss annd L. Fannt. Reecogganiizinng ffinaanciial disstreess pattterrns usiing a nneurral nettworrk ttooll. J. Fiinannciaal MManaag
15、emmentt, 19993, 3: 1442-1555.4. E.I. Alttmann. Coorpooratte ddisttresss ddiaggnossis: coompaarissonss ussingg liineaar ddisccrimminaant anaalyssis andd neeuraal nnetwwoekks (thee Ittaliian expperiiencce). JJ. Bannkinng aand Finnancce, 19994, 18:5055-5229.5. R. R. Haasheemi, L. A. Lee Bllancc, C. T.
16、Ruuckss annd AA. RRajaarattnamm. AA hyybriid iinteelliigennt ssysttem forr prrediictiing bannk hholddingg sttrucctruure. JJ. Eurropeean Jouurnaal oof OOperratiionaal RReseearcch, 19998, 1099: 3390-4022.6. Davidd Weest. Neeuraal nnetwworkk crrediit sscorringg moodells. J. CCompputeers & OOperratiions
17、s Reeseaarchh, 220000, 227: 11331-111522.7. Reshmmi MMalhhotrra aand D. K. Mallhottra. Diiffeerenntiaatinng bbetwweenn goood creeditts aand badd crrediits usiing neuuro-fuzzzy sysstemms. J. CCompputiing, arrtifficiial inttellligeencee annd iinfoormaatioon ttechhnollogyy, 220022, 1136, 1990-2211.8. 王
18、春峰，万万海晖，张张维. 基于神神经网络络技术的的商业银银行信用用风险评评估. J. 系系统工程程理论与与实践, 19999, 1(1): 688-722.9. 郝丽萍，胡胡欣悦，李李丽. 商业银银行信贷贷风险分分析的人人工神经经网络模模型研究究. J. 系统统工程理理论与实实践，220011, 211(5): 662-669.10. 杨保安，季季海. 基于人人工神经经网络的的商业银银行贷款款风险预预警研究究. J. 系统统工程理理论与实实践，220011, 211(5): 770-774.11. 庞素琳, 王燕鸣鸣，黎荣荣舟. 基于BBP算法法的信用用风险评评价模型型研究. JJ. 数学的的实践与与认识，2003，33(8)：48-55.