中國商業銀行風險預警系統的構建及其實證研究

摘要：風險管理是商業銀行管理的重要內容。本文通過建立商業銀行風險預警指標體系，利用神經網絡與專家系統的組合方法對商業銀行風險狀況進行綜合評估，并引用實例說明該方法的實現過程。預測結果表明：神經網絡方法建模簡單，精度高，對于商業銀行風險等復雜的非線性問題有著很強的逼近與預測能力。

關鍵詞：BP網絡 風險預警 指標體系

由于商業銀行風險對宏觀經濟的廣泛影響，近年來不少國家都投入了大量資金和人力來研究商業銀行風險的監測和預警問題。對現有風險預警方法進一步深入分析，銀行風險早期預警系統的設計大致可歸納為三種方法：(1)專家打分法。最簡單且易于操作的模型之一是加權評分模型。(2)數理分析法。該類方法根據歷史上各個風險狀態下某些經濟指標的表現，制定一套指標體系，通過建立數理模型對這套指標的現狀進行綜合評價。(3)神經網絡法。將人工神經網絡(ANN，ArtificialNeuralNetworks)應用于金融風險預警系統。

商業銀行風險預警指標一般包括定量因素和定性因素，這致使常規的計算機信息系統在處理這類問題時顯得力不從心。這里采用人工智能技術，基于人工神經網絡能很好地對時變信息進行處理。專家系統(ES，ExpertSystem)通常用符號表示，依賴更新規則，擅長處理非量化信息。將ANN與ES結合起來，建立基于ANN與ES組合的金融風險預警系統，既能保持ES的透明性，又具有ANN的學習和容錯能力。本文采用人工神經網絡與專家系統的組合方法，對我國商業銀行的風險預警進行了嘗試。

一、神經網絡結構及原理

從模式識別的角度看，商業銀行風險預警是一個模式分類的過程；從警兆指標——警情指標——警度之間的映射關系來看，經濟預警是一個函數逼近的過程；從警兆指標--警情指標--警度之間的噪聲與報警準確處理方式來看，經濟預警又是一個最優化過程。模式識別、函數逼近、最優化處理正是BP網絡最擅長的應用領域，因此，BP網絡應用于商業銀行風險預警是非常適合的。

本文運用的前向三層BP網絡技術，是目前研究、應用最廣泛的ANN。圖1即為前向三層BP網絡示意圖，它由輸入層、中間層、輸出層組成。中間層位于輸入層和輸出層之間，作為輸入模式的內部表示，對一類輸入模式所包含的區別于其它類別的輸入模式的特征進行抽取，并將抽取出的特征傳遞給輸出層，由輸出層對輸入模式的類別作最后的判別。因此，也可以把中間層稱為特征抽取層。中間層的輸入模式進行特征抽取的過程，實際上也就是對輸入層與中間層之間連接權進行“自組織化”的過程。在網絡的訓練過程中，各層之間的連接權起著“傳遞特征”的作用。各連接權從初始的隨機值逐漸演變，最終達到能夠表征輸入模式性的過程，就是“自組織化過程”。

BP網絡的學習由四個過程組成，即輸入模式由輸入層經中間層向輸出層的“模式順傳播”過程；網絡的希望輸出與網絡實際輸出之間的誤差信號由輸出層經中間層向輸入層逐層修正連接權的“誤差逆傳播”過程；由“模式順傳播”與“誤差逆傳播”的反復交替進行過程。簡言之，就是由“模式順傳播”--“誤差逆傳遞”--“記憶訓練”--“學習收斂”的過程。

指標預警方法是其它傳統預警方法的基礎，它也是最常用的預警方法。商業銀行風險預警系統非常適合于前向三層BP網絡。在前向三層BP網絡算法中，對網絡性能影響比較大的是權值修正法，本文采用下面的方法；

其中：t為迭代次數， 為學習率， 為動量因子， 為輸入層節點之間的連接權值， 為中間層節點與輸出層節點之間的連接權值。權值修正是在誤差向后傳播的過程中逐層傳遞進行的，當網絡的所有權值都被更新一次后，網絡即經過一個學習周期。

前向三層BP網絡需要一個訓練集和一個評價其訓練效果的測試集。訓練集合和測試集合應源于同一對象的由輸入-輸出對構成的集合。其中，訓練集用于訓練網絡，以達到指定的要求，而測試集合是用來評價已訓練好的網絡的性能。

二、中國商業銀行風險分析指標體系

由于我國銀行業的風險問題比較特殊，信用風險仍然是銀行面臨的主要風險，部分銀行在操作具體業務時，出現了流動性風險的問題。隨著利率的市場化和匯率的國際化，利率風險和匯率風險將會愈發突出。建立商業銀行風險預警系統，首先需要了解我國商業銀行面臨的具體風險因素。對我國商業銀行的金融風險預警指標的設計，應以商業銀行現存的有關數據為基礎，所以風險預警指標的資料主要依據于對受檢商業銀行定期提交上來的各種統計資料、報表、文件記錄，通過對相關的資料的整理，得到構建的指標體系見表1。

三、BP與ES在商業銀行風險預警的應用

BP網絡對非線性問題的映射能力極強。因此，這里建立的風險預警模型是3層結構的單輸出網絡結構。根據風險分析指標體系可以確定輸入層節點為19個。如何確定隱層節點數目尚無理論上的指導，可以通過多次試驗比較擬合效果來確定。建模及運算過程可以在MATLAB里很方便地實現，步驟為：

(1)確定樣本值。選取中國某商業銀行作為研究對象，對其連續10歷史數據進行整理。整理后的前8組數據（見表2）作學習樣本分別構成輸入向量組P，另外2組用于預測。目標向量組T，T=[(0，0)，(0，1)，(1，0)，(1，1)]，分別代表[無警，輕警，中警，重警]。對于每一個學習樣本，輸入向量是風險指標體系的因素按固定的順序構成，輸出是根據專家評估的風險狀況。ES評價過程，限于篇幅就不再贅述。

(2)設定網絡訓練參數。設定中間層神經元的傳遞函數為S型正切函數，輸出層神經元傳遞函數為S型對數函數，以最陡下降算法進行學習，學習精度為0.0000001，最大運算次數為500，學習速率自適應。

(3)訓練網絡。對網絡進行初始化，各因素的初始權重有ES綜合評價給出，然后輸入測試向量和目標向量進行運算。網絡根據樣本數據調整參數，到滿足精度要求或者達到最大運算次數結構就穩定下來。

(4)設置不同的隱層節點數，重復步驟（2），直到運算精度滿足要求。

(5)輸入測試向量，利用仿真函數計算網絡輸出。

試驗中分別設置隱層節點數為8、10和12，比較網絡性能。結果表明，當隱層節點數為10個時運算效率最高。訓練與預測結果如圖2、3，表3所示。由表3的樣本銀行風險預警仿真輸出可以看出，用BP神經網絡對商業風險的分析結果是相當有效的。一般用計量經濟學方法預測結果達到80%就比較滿意，而上例的預測精度達到98%以上。由此可見，神經網絡在多變量模型尤其是非線性模型的擬合與預測中有很大的優勢。

四、結語

本文提出的基于ES和BP神經網絡的風險判定與預警模型，能夠實現對銀行風險狀態的判定，不需要主觀定性地判斷銀行風險狀態，因而能夠更加合理地確定銀行的風險狀態。本文以預警指標的層次排序評價結果作為BP神經網絡模型的學習樣本，進行預警推理知識的學習，隨著樣本的不斷增加，可以定期更新推理知識，從而實現對銀行風險的動態預警。在實際應用中由于BP算法的缺陷容易導致收斂速度慢和陷入局部極小，可以引入附加動量法和自適應學習算法來提高網絡的預測精度。

[參考文獻]

[1]黃益紹，林都．金融危機預警指標排序-層次分析法[J]．華北工學院學報，2004．

[2]黃建．金融風險評價指標與方法[J]．統計教育，2003．

[3]黃益紹．金融危機預警指標排序-層次分析法[J]．華北工學院學報，2004．

[4]魏海坤．神經網絡結構設計的理論與方法[M]．國防工業出版社，2005．

[5]蘇曉生．MATLAB神經網絡應用設計[M]．科學出版社，2002．

[6]杜棟，龐慶華．現代綜合評價方法與案例精選[M]．清華大學出版社，2005．

[7]聶規劃．基于BP網絡的企業風險預警實證分析[J]．武漢理工大學學報，2006．

[8]楊保安．基于ANN與ES混合系統的銀行貸款風險預警研究[J]．東華大學學報，2003．

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。