基于神经网络的信用风险预警研究

【摘 要】随着小额贷款规模的扩大化和贷款对象的多样化，有关小额贷款公司的信贷风险问题日益突出，成为制约小额信贷发展的短板。本文通过对信用风险评估理论的研究，对小额贷款公司的风险成因分层次进行分析，利用神经网络算法建立风险评价模型，并进行风险预警。

【关键词】信用风险 专家方法 信用风险评估模型 神经网络模型

一、前言

在全球金融危机、国内政策支持力度加大的背景下，河北省小额贷款公司如雨后春笋般快速发展。小额贷款公司在其发展和运营过程中，不容忽视的信用风险也开始不同程度的显现，在“区域化运作”、“只贷不存”的市场定位和政策约束的影响下，小额贷款公司面临的信用风险必然高于其他金融机构，而小额贷款公司目前的信用风险评估[1]缺乏科学性、合理性以及针对性，还没有形成与自身运营特征相适应的信用风险预警及控制方法。以实现股东的预期收益和政府政策为目标，结合小额贷款公司实际的运营特点，运用科学、有效的预警方法，降低违约风险，控制信用风险成为现阶段小额贷款公司面临的问题。加强小额贷款公司信用风险管理，对于集合民间资本、有效配置金融资源、完善河北省金融市场结构、细化金融市场、促进金融改革深化均具有积极意义。

二、神经网络算法

神经网络[2]最早是由心理学家和神经生物学家提出的，旨在寻求开发和测试神经的计算模拟。神经网络是一组连接的输入/输出单元，其中每个连接都与一个权值相关联。在学习阶段，通过调整神经网络的权值，使得神经网络模型可以预测输入样本的正确性来学习。神经网络近来越来越受到人们的关注，因为它为解决大复杂度问题提供了一种相对来说比较有效的简单方法。

三、实证研究

（一）样本数据

选取大连市36家上市企业的2012年底的公告数据作为样本来源，主要因为上市公司的透明度较高，数据容易获得，并且能够保证实验的客观和真实性。

按照小贷公司提供的企业信贷偿还状况， 将这36家企业分为正常和违约（即不能如期偿还贷款的企业）两类，设定信用等级0.1～1即为正常，小于0.1即为违约。选择28企业作为训练集， 其中正常和违约企业各为14家， 剩下8家企业， 除了留2家作为应用实例外， 全部作为测试集， 测试集中的正常和违约企业各3家。

（二）模型修正

1.初始输入的确定。由于输入初始值对学习是否达到局部最小和能否收敛关系很大，有必要对输入的初始值进行预处理，即归一化处理。

2.网络层次的选定。网络层次的增加可减少各隐含层单元总个数，同时使学习过程变得更容易，但是也必然会增加网络的学习时间，因而三层神经网络就能构成所需要的复杂判别函数的学习和应用。

3.隐含层节点数确定。

4.算法的改进。选用附加动量法，使网络在修正其权值时，不仅考虑误差在梯度上的作用，而且考虑在误差曲面上变化趋势的影响。在没有附加动量的作用下，网络可能陷入浅的局部极小值，利用附加动量的作用有可能滑过这些极小值。

该方法是反向传播方法的基础上在每一个权值（或阀值）的变化上加一项正比于前次权值（或阀值）变化量的值，并根据反向传播法来产生新的权值（或阀值）变化。

运用BP神经网络模型进行训练时，误差梯度的变化刚开始变化较大，随着训练次数的增加误差的梯度变化逐渐趋于平稳且较小，并且学习速率不断的增大了，也即随着学习次数的不断增加，模型的系统误差值越来越快的接近期望误差值。

四、结果及分析

通过得到训练集的仿真学习结果，误差值已经很接近于设定的误差值。需要进行下一步的模型测试，加强模型的准确性。

为了测试BP神经网络模型训练所得学习仿真结果，运用测试集，对测试集数据进行拟合运算，对拟合度结果进行分析，实际输出的误差值很接近于期望误差了。也说明了根据训练集学习得到的BP神经网络模型是适用于信用风险评估的，说明建立的BP网络模型能够达到一个较为准确的预测功能。输出结果符合本次模型对信用评估的正常和违约的区间设定，足够判断企业的信用实际情况，也充分说明了模型对实际应用信用风险评估的可行性。

五、结论

本文通过建立采用的三层BP网络结构，选用网络结构输入层节点数×隐含层节点数×输出层节点数为5×5×1，学习算法上采用取学习因子为0.10方法改进评估模型的训练效率，使得模型的误差较近的趋于设定的期望误差。通过这种模型进行信用风险评估，弱化了信用指标权值确定的人为因素，提高了评估过程的科学性和评估结果的准确性。充分说明了神经网络模型应用于构建小贷公司信用风险评估的极大适用性。

参考文献：

[1]黄晓梅，小额贷款公司信用风险的控制与防范，企业经济，2012年第11期

[2]张滨等，商业银行小额贷款风险评估模型研究，市场纵横，2011年5月

[3]牛润盛，区域性金融风险预警的神经网络模型研究，吉林金融研究，2013年05期

基金项目：

1.河北省科技厅 《基于数据挖掘技术的河北省小额贷款风险预警研究》（13210329）

2.保定市科技局 《基于数据挖掘的银行贷款风险预警系统研究》（13ZG004）

3.河北省教育厅 《基于数据挖掘技术的河北省村镇银行信用风险预测系统研究与构建》（ZD20131083）

4.河北省教育厅 《基于预处理算法的Apriori数据挖掘算法的改进研究》（Q2012052）