商业银行个人信用风险等级评估与预测 作者：汪雪峰 内容摘要：本文 .docVIP

商业银行个人信用风险等级评估与预测 作者： 内容摘要：本文利用BP人工神经网络对商业银行针对个人的信用等级评价进行了探讨，建立了神经网络的评价模型，对此做出了实例分析。 　　关键词：商业银行 个人信用等级评估 BP人工神经网络 模糊评判 　　 　　个人信用等级评估指标体系 　　 　　商业银行个人信用等级评估指标体系设立的目的简述为银行通过评估借款人的“3C”，即品德（Character）、能力（Capacity）以及抵押（Collateral），对借款人在债务期满时偿债能力（Ability to pay）和还款意愿（Willingness to pay）等进行预测。根据指标体系设立原则，参照国际标准、国内外银行经验和企业信用等级评估方法，综合考虑商业银行特点及所在地区情况，通过对以往借款人群的考察，以专家判断为基础，可选择4大类21个指标全面评价个人信用等级（如表1）。 　　 　　人工神经网络的具体应用 　　 　　人工神经网络（Artificial Neural Network，简称ANN）是20世纪80年代后期迅速发展的人工智能技术，由大量简单的基本元件——神经元相互联结，模拟人的大脑神经处理信息的方式，进行信息并行处理和非线形转换的复杂网络系统。标准的人工神经网络是由3个神经元层次组成的BP（Back Propagation）网络模型，即反向传播神经网络。BP人工神经网络处理信息是通过信息样本对神经网络的训练，使其具有记忆、辨识能力，完成各种信息处理功能。 　　可行性分析 　　我国个人信用等级评估起步较晚，相关信息残缺，而BP人工神经网络具有强大并行处理机制，高度自学习、自适应能力，内部有大量可调参数，因而使系统灵活性更强。 　　进行个人信用等级评估与预测时，有些因素带有模糊性，而BP人工神经网络的后天学习能力使之能够随环境的变化而不断学习，能够从未知模式的大量复杂数据中发现规律，与传统的评价方法相比，表现出更强的功能。 　　BP人工神经网络方法克服了传统分析过程的复杂性及选择适当模型函数形式的困难，它是一种自然的非线性建模过程，无需分清存在何种非线性关系，给建模与分析带来极大的方便。 　　BP人工神经网络可以再现专家的经验、知识和直觉思维，较好地保证了评估与预测结果的客观性。 　　模型建立 　　三层BP人工神经网络模型的最下层称为输入层，中间层为隐含层，最上层为输出层。各层次间神经元相互联接，各层次内的神经元没有联接。BP算法的学习过程由正向传播和反向传播两个过程组成。在正向传播过程中，信息从输入层经隐含层传向输出层。如果在输出层不能得到期望输出结果，则转入反向传播，将误差信号沿原来的联接通路返回。而其权值的调整采用反向传播的学习算法，神经元的变换函数是S(Sigmoid)型函数： 　　　　　　1 　　f(x)=————； 　　　　　(1+e-x) 　　 　　学习集包括N个样本模式（xp,yp），对第p个学习样本（p=1,2，,3…,N），节点j的输入总和记为netpj，输出记为opj，则：netpj=∑Wjiopj,opj=f(netpj)。 　　如果任意设置网络初始权值，那么对每个输入样本p网络输出与期望输出（dpj）的误差为：E=∑Ep=∑[(dpj-opj)2]/2 　　BP神经网络的权值修正公式为：Wji=wij(n)+ηδpjopj，式中：η为学习速率，是为了加快网络的收敛速度。 　　 　　个人信用等级评价指标网络结构如图1所示。 　　此神经网络的输入量xi（0,1）（i=1,2,…,21），这里xi为各个因素的效用值。网络的输出量为yi（0,1），y为评价的结果，用贴近度来表示。具体的算法步骤如下：按具体要求确定品评价素集；对评价因素的各指标集进行效用函数变换；构造三层前向神经网络，根据评价因素确定输入神经元个数，同时确定网络参数；确定学习样本集（X，Y）及误差量ε；对每一个样本求神经元的输入和输出；计算样本偏差E，若E＜ε时，转至最后步骤；进行反向学习；对权值进行修正，转至第五步；存储学习好的网络；并将待评价的个人信用等级评价因素输入，得到评价结果。 　　 　　实证分析 　　 　　利用BP网络评价个人信用等级，首先，对个人信用资料进行处理，使得各评价指标的效用值在前面要求的（0，1）区间；然后将个人信用评价指标的效用值作为因变量，用网络的输入节点表达，个人信用评价等级值则由网络的输出节点表达。根据个人信用评价的输出结果与标准值的贴近程度来判别其隶属等级。根据信用等级评价的标准，把个人信用等级评价等级分为5级，即（AAA级，信用情况优秀）、（AA级，信用情况良好）、（A级，信用情况一般）、（B级，信用情况较差）、（C级，信用情况差）。将处理后的个