基于BP神经网络的家庭风险评价模式

摘要：本文主要针对我国中产阶级家庭在理财过程中存在的信息不对称及市场理财产品单一混乱所导致的理财困境，创新性的提出了“神经网络分析下的家庭风险评价”模式。该模式通过银行与客户之间的交流沟通，运用计算机模拟得到客户在投资过程中组合各项资产的投资占比，为资金的投资分配提供合理性建议。

关键词：BP神经网络;家庭理财;风险评价

一、引言

近几年，随着经济发展水平的不断提高，针对个人及家庭方向理财方案设计受到了越来越广泛的关注。然而，现阶段我国市场上的理财产品机械单一，理财新品的研究和开发能力的不足，导致了理财产品市场定位和服务的缺失。正是基于这样的供需失衡，家庭理财方案的设计与开发显得尤为重要，如何在保证低风险下获得高收益是研究的主要课题。

国外对家庭投资决策的决定因素研究比较充分，其大多为研究影响风险资产或金融资产的因素。Kimball（1991）提出劳动收入风险或其他类型的不可避免风险能够影响用于风险投资的那部分储蓄，通过减少风险资产在现有资产组合中的份额来抵制该风险对消费的冲击。Heaton和Lucas（1997），Koo（1998），viceira（2001）等学者采用无限期界模型，考察劳动收入风险对投资选择的影响，支出在相对风险回避的效用函数下具有劳动收入风险的行为人会比在没有劳动收入风险时更倾向选择安全性资产。

国内学者臧旭恒（2001）借鉴国外不确定条件下消费―投资行为理论模式，在估算居民资产存量与流量的基础上分析影响家庭资产选择的因素，综合了消费、收入与家庭行为，着重强调了收入水平对家庭资产选择的影响。史代敏，宋艳（2005）通过实证研究发现中国居民投资中储蓄存款与股票的保有量与家庭收入成正比关系，并对居民家庭金融资产选择问题提出了新的看法。

二、家庭风险评价模式构建

在近些年的重大金融事件中，各大评级机构的作用日益凸显，对债务评级、企业信用评级等一系列指标的调整均会对市场产生极大的刺激作用，进而产生重大影响。企业信用评价体系，作为衡量企业财务状况，评估企业投资价值的重要指标，也日益受到研究者的重视。本文通过对企业信用评价体系建立的方法和经验，将这种评价体系进行修改后，运用于家庭理财领域。

家庭风险评价模式是通过评价个人家庭理财过程中对风险投资的承受能力和投资倾向的指标体系，在大量已有的样本数据（即目前存在的家庭理财方案）的基础上，利用模型算法反复修正，最终产生家庭风险投资在家庭理财中的比例，对家庭理财方案的设定、理财产品的创新和个性化服务的提升提供建议。

（一）家庭风险评价体系

本文所述的风险因素来源是指一切在家庭理财中能影响各项投资比例变化的因素。在综合分析之后，本文将风险因素主要分为家庭就业状况、家庭组成情况、家庭消费状况和家庭投资心理。

家庭就业状况主要包括了家庭月收入（X1）、工作阶层（X2）和主要收入来源（X3）等一系列影响家庭理财需求的因素。

家庭组成情况主要包括家庭成员构成（X4）、家庭置业情况（X5）和家庭未来主要负担（U6）等一系列影响家庭投资倾向的因素。

家庭消费状况主要包括家庭月消费支出（X7）、家庭恩格尔系数（X8）和消费构成状况（X9）等一系列影响家庭投资额度变化的因素。

家庭投资心理主要包括家庭投资支出（X10）、对投资获利方式的偏好（X11）和各类投资资产评价（X12）等一系列影响家庭投资倾向的因素。

以上是结合之前研究所归纳的一些主要影响因素，在实际运用过程中可根据实际情况对因素进行适度调整，已达到适用性要求。

（二）BP神经网络模型的建立

BP神经网络是一种多层前馈神经网络，因采用误差反向传播的学习算法，BP网络是目前最成熟、应用最广泛的一种神经网络，在信息处理、模型识别、智能控制等诸多领域得到越来越广泛的应用。BP神经网络通常包括一个输入层、若干个中间层和一个输出层。其主要特点在于各层神经元仅与相邻神经元之间有链接，各层神经元之间没有反馈链接。BP神经网络具有很强的非线性映射能力，本文采用的是3层的神经网络模型。

1.模型算法及实现

选取上文列举的12个X变量作为特征量。由于特征量组成复杂，即存在定性变量又存在定量变量，所以在特征量处理过程中，可采用工程经济学等方法将定性变量量化。

假定BP网络的输入层、中间层和输出层分别有I、J和K个神经元，本文中I为12，J为4，K为1，即12-4-1的BP神经网络。其中，输入层含12个解释变量，中间层含4个解释变量（对于输入层而言为被解释变量），输出层为单一被解释变量。

从输入的角度，中间层第j个神经元与输出层第k个神经元的输入分别为：

NPj=∑ii=1ωijOi（j=1，2，…，I）

NPk=∑jj=1ωjkOj（k=1，2，…，K）

从反馈的角度，输入层、中间层和输出层的输出分别为：

Oi=NPi=Xi

Oj=fj（NPj，θj）=11+-（NPj-θj）

yk=Ok=fk（NPk，θk）=11+-（NPk-θk）

其中，ωij为输出层第i个元到中间层第j个元的权数;Oi为输出层第i个元的输出;θj与θk分别为中间层第j个神经元和输出层第k个神经元的阈值;NP为各层的输入变量值。

2.模型的自动学习及调整

模型构建后，对BP神经网络模型的完善是通过对BP网络的梯度法δ学习实现的，目标是使神经网络的输出值与样本的均方误差最小。

假设现有Z个训练样本，则第p个样本的均方误差为：

Ep=12∑Kk=1（yk-y*k）2

当误差大于目标时，进行权值和阈值的调整。

输出层的权数调整为：

Δωjk（n+1）=ηδpkOpj+αΔωJK（n）

δpk=（ypk-yp*k）f′k（NPPK）

其中η为学习率，α为动量因子。

中间层的权值调整为：

Δωij（n+1）=ηδpjOpi+αΔωij（n）

δpj=f′j（NPPJ）∑δkωjk

在多次循环调试后，当误差小于给定值时，模型建立完成。

三、模式评价

BP神经网络作为一种人工智能模拟算法，在实现过程中具有较多优势。从实质上看，BP神经实现了一个从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线性映射的功能，这使它适合求解像家庭风险水平这样内部机制复杂的问题。此外，BP神经网络能通过学习带正确答案的实例集自动提取“合理的”求解规则，即具有自学习能力，通过不断对已有成功个体案例进行学习，可得到一个成熟合理的风险评价指标，进而可以对尚未投资的个体给出投资建议。

BP神经网络模型也存在一些弊端。第一，BP算法的学习速度慢。由于BP算法本质为梯度下降法，所要优化的目标函数又非常复杂，因此会出现“锯齿形现象”，这使得BP算法低效;第二，网络训练失败的可能性较大。BP算法为一种局部搜索的优化方法，但要解决的问题为复杂非线性函数的全局极值，因此算法很有可能陷入局部极值，使训练失败;第三，网络结构的选择尚无一种统一而完整的理论指导，一般只能由经验选定，因此对于风险评价模型的改进具有滞后性，容易出现较大误差。

四、总结

BP神经网络下的家庭风险评价模型为家庭综合理财方案的设计与开发提供了一个新的思路，在一定程度上解决了资金投资分配的相关问题。模型中的量化方法极大程度上简化了信息处理的过程，体现了理财管理过程中的投资性、保值性和便利性需求。但是这种具有普遍意义的相对标准化方案也面临调整能力滞后的局限。

参考文献：

[1]赵晓英，曾令华.我国城镇居民投资组合选择的动态模拟研究[J].金融研究，2007，（4）：72-86.

[2]史代敏，宋艳.居民家庭金融资产选择的实证研究[J].统计研究，2005，（10）.

[3]雷晓燕，周月刚.中国家庭的资产组合选择：健康状况与风险偏好[J].金融研究，2010，（1）：31-45.

[4]陈国进，姚佳.中国居民家庭资产组合研究[J].西部金融，2008，（8）.

[5]Viceira，L.M.，2001，“Optimal consumption and Portfolio choice for Long―horizon investors with non-tradable labor inconme”，Journal of Finance，Vol，56：433-370.

[6]Campbell，J.Y，Household Finance.The Journal of Finance[J].2006，61（4）： 1553-1604.