中国商业银行风险预警系统的构建及其实证研究

摘要：风险管理是商业银行管理的重要内容。本文通过建立商业银行风险预警指标体系，利用神经网络与专家系统的组合方法对商业银行风险状况进行综合评估，并引用实例说明该方法的实现过程。预测结果表明：神经网络方法建模简单，精度高，对于商业银行风险等复杂的非线性问题有着很强的逼近与预测能力。

关键词：BP网络 风险预警 指标体系

由于商业银行风险对宏观经济的广泛影响，近年来不少国家都投入了大量资金和人力来研究商业银行风险的监测和预警问题。对现有风险预警方法进一步深入分析，银行风险早期预警系统的设计大致可归纳为三种方法：(1)专家打分法。最简单且易于操作的模型之一是加权评分模型。(2)数理分析法。该类方法根据历史上各个风险状态下某些经济指标的表现，制定一套指标体系，通过建立数理模型对这套指标的现状进行综合评价。(3)神经网络法。将人工神经网络(ANN,ArtificialNeuralNetworks)应用于金融风险预警系统。

商业银行风险预警指标一般包括定量因素和定性因素，这致使常规的计算机信息系统在处理这类问题时显得力不从心。这里采用人工智能技术，基于人工神经网络能很好地对时变信息进行处理。专家系统(ES,ExpertSystem)通常用符号表示，依赖更新规则，擅长处理非量化信息。将ANN与ES结合起来，建立基于ANN与ES组合的金融风险预警系统，既能保持ES的透明性，又具有ANN的学习和容错能力。本文采用人工神经网络与专家系统的组合方法，对我国商业银行的风险预警进行了尝试。

一、神经网络结构及原理

从模式识别的角度看，商业银行风险预警是一个模式分类的过程；从警兆指标――警情指标――警度之间的映射关系来看，经济预警是一个函数逼近的过程；从警兆指标--警情指标--警度之间的噪声与报警准确处理方式来看，经济预警又是一个最优化过程。模式识别、函数逼近、最优化处理正是BP网络最擅长的应用领域，因此，BP网络应用于商业银行风险预警是非常适合的。

本文运用的前向三层BP网络技术，是目前研究、应用最广泛的ANN。图1即为前向三层BP网络示意图，它由输入层、中间层、输出层组成。中间层位于输入层和输出层之间，作为输入模式的内部表示，对一类输入模式所包含的区别于其它类别的输入模式的特征进行抽取，并将抽取出的特征传递给输出层，由输出层对输入模式的类别作最后的判别。因此，也可以把中间层称为特征抽取层。中间层的输入模式进行特征抽取的过程，实际上也就是对输入层与中间层之间连接权进行“自组织化”的过程。在网络的训练过程中，各层之间的连接权起着“传递特征”的作用。各连接权从初始的随机值逐渐演变，最终达到能够表征输入模式性的过程，就是“自组织化过程”。

BP网络的学习由四个过程组成，即输入模式由输入层经中间层向输出层的“模式顺传播”过程；网络的希望输出与网络实际输出之间的误差信号由输出层经中间层向输入层逐层修正连接权的“误差逆传播”过程；由“模式顺传播”与“误差逆传播”的反复交替进行过程。简言之，就是由“模式顺传播”--“误差逆传递”--“记忆训练”--“学习收敛”的过程。

指标预警方法是其它传统预警方法的基础，它也是最常用的预警方法。商业银行风险预警系统非常适合于前向三层BP网络。在前向三层BP网络算法中，对网络性能影响比较大的是权值修正法，本文采用下面的方法；

其中：t为迭代次数， 为学习率， 为动量因子， 为输入层节点之间的连接权值， 为中间层节点与输出层节点之间的连接权值。权值修正是在误差向后传播的过程中逐层传递进行的，当网络的所有权值都被更新一次后，网络即经过一个学习周期。

前向三层BP网络需要一个训练集和一个评价其训练效果的测试集。训练集合和测试集合应源于同一对象的由输入-输出对构成的集合。其中，训练集用于训练网络，以达到指定的要求，而测试集合是用来评价已训练好的网络的性能。

二、中国商业银行风险分析指标体系

由于我国银行业的风险问题比较特殊，信用风险仍然是银行面临的主要风险，部分银行在操作具体业务时，出现了流动性风险的问题。随着利率的市场化和汇率的国际化，利率风险和汇率风险将会愈发突出。建立商业银行风险预警系统，首先需要了解我国商业银行面临的具体风险因素。对我国商业银行的金融风险预警指标的设计，应以商业银行现存的有关数据为基础，所以风险预警指标的资料主要依据于对受检商业银行定期提交上来的各种统计资料、报表、文件记录，通过对相关的资料的整理，得到构建的指标体系见表1。

三、BP与ES在商业银行风险预警的应用

BP网络对非线性问题的映射能力极强。因此，这里建立的风险预警模型是3层结构的单输出网络结构。根据风险分析指标体系可以确定输入层节点为19个。如何确定隐层节点数目尚无理论上的指导，可以通过多次试验比较拟合效果来确定。建模及运算过程可以在MATLAB里很方便地实现，步骤为：

(1)确定样本值。选取中国某商业银行作为研究对象，对其连续10历史数据进行整理。整理后的前8组数据（见表2）作学习样本分别构成输入向量组P，另外2组用于预测。目标向量组T，T=[(0,0),(0,1),(1,0),(1,1)]，分别代表[无警，轻警，中警，重警]。对于每一个学习样本，输入向量是风险指标体系的因素按固定的顺序构成，输出是根据专家评估的风险状况。ES评价过程，限于篇幅就不再赘述。

(2)设定网络训练参数。设定中间层神经元的传递函数为S型正切函数，输出层神经元传递函数为S型对数函数，以最陡下降算法进行学习，学习精度为0.0000001，最大运算次数为500，学习速率自适应。

(3)训练网络。对网络进行初始化，各因素的初始权重有ES综合评价给出，然后输入测试向量和目标向量进行运算。网络根据样本数据调整参数，到满足精度要求或者达到最大运算次数结构就稳定下来。

(4)设置不同的隐层节点数，重复步骤（2），直到运算精度满足要求。

(5)输入测试向量，利用仿真函数计算网络输出。

试验中分别设置隐层节点数为8、10和12，比较网络性能。结果表明，当隐层节点数为10个时运算效率最高。训练与预测结果如图2、3，表3所示。由表3的样本银行风险预警仿真输出可以看出，用BP神经网络对商业风险的分析结果是相当有效的。一般用计量经济学方法预测结果达到80%就比较满意，而上例的预测精度达到98%以上。由此可见，神经网络在多变量模型尤其是非线性模型的拟合与预测中有很大的优势。

四、结语

本文提出的基于ES和BP神经网络的风险判定与预警模型，能够实现对银行风险状态的判定，不需要主观定性地判断银行风险状态，因而能够更加合理地确定银行的风险状态。本文以预警指标的层次排序评价结果作为BP神经网络模型的学习样本，进行预警推理知识的学习，随着样本的不断增加，可以定期更新推理知识，从而实现对银行风险的动态预警。在实际应用中由于BP算法的缺陷容易导致收敛速度慢和陷入局部极小，可以引入附加动量法和自适应学习算法来提高网络的预测精度。

[参考文献]

[1]黄益绍，林都．金融危机预警指标排序-层次分析法[J]．华北工学院学报，2004．

[2]黄建．金融风险评价指标与方法[J]．统计教育，2003．

[3]黄益绍．金融危机预警指标排序-层次分析法[J]．华北工学院学报，2004．

[4]魏海坤．神经网络结构设计的理论与方法[M]．国防工业出版社，2005．

[5]苏晓生．MATLAB神经网络应用设计[M]．科学出版社，2002．

[6]杜栋，庞庆华．现代综合评价方法与案例精选[M]．清华大学出版社，2005．

[7]聂规划．基于BP网络的企业风险预警实证分析[J]．武汉理工大学学报，2006．

[8]杨保安．基于ANN与ES混合系统的银行贷款风险预警研究[J]．东华大学学报，2003．

注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。