基于BP神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)模型改進(jìn)探究

宿玉海，彭 雷，郭勝川

(山東財(cái)經(jīng)大學(xué)金融學(xué)院，山東濟(jì)南 250014)

一、引 言

商業(yè)銀行的信用風(fēng)險(xiǎn)管理一直是人們關(guān)注的焦點(diǎn)，在引入工程方法進(jìn)行信用風(fēng)險(xiǎn)的度量后，BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型以其較強(qiáng)的逼近非線性函數(shù)的優(yōu)勢(shì)從眾多方法中脫穎而出，其對(duì)于歷史數(shù)據(jù)的模擬仿真和預(yù)測(cè)能力也顯示出了獨(dú)特的優(yōu)勢(shì)。但是，BP神經(jīng)網(wǎng)絡(luò)信用模型在處理較為復(fù)雜的財(cái)務(wù)數(shù)據(jù)時(shí)，對(duì)于數(shù)據(jù)指標(biāo)在模型中獲得的權(quán)值沒(méi)有一個(gè)明確的標(biāo)準(zhǔn)，而是特別依賴于對(duì)于歷史數(shù)據(jù)指標(biāo)的選擇，使得模型對(duì)于新樣本的考察缺乏一個(gè)有效的動(dòng)態(tài)權(quán)值變動(dòng)，這就造成了模型在使用過(guò)程中的困難。

隨著B(niǎo)P神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)管理模型應(yīng)用的增多，許多學(xué)者逐漸認(rèn)識(shí)到BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型在處理財(cái)務(wù)數(shù)據(jù)時(shí)存在的問(wèn)題，采取一系列的措施對(duì)BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型進(jìn)行了改進(jìn)，特別是對(duì)于權(quán)值設(shè)定的改進(jìn)做了大量的工作。Back等［1］建議將遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)協(xié)同工作，但沒(méi)有實(shí)際討論引入遺傳算法后帶來(lái)的實(shí)際效果;Piramuthu等［2］采用符號(hào)特征樣本的技術(shù)處理輸入數(shù)據(jù)取得了較為明顯的效果，但是符號(hào)特征樣本技術(shù)則存在較為主觀的人為因素影響。國(guó)內(nèi)學(xué)者在引進(jìn)神經(jīng)網(wǎng)絡(luò)以后，也為神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化進(jìn)行了卓有成效的努力。如許佳娜、西寶［3］采用層次分析法對(duì)神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)，以及郭英見(jiàn)、吳沖［4］采用DS證據(jù)理論將神經(jīng)網(wǎng)絡(luò)和SVM的輸出結(jié)果進(jìn)行的融合，都在一定程度上增強(qiáng)了神經(jīng)網(wǎng)絡(luò)模型的判別準(zhǔn)確率，但他們?cè)谏窠?jīng)網(wǎng)絡(luò)的權(quán)值修改上仍然沒(méi)有找到很好的設(shè)定規(guī)則。

可以看出，許多學(xué)者在神經(jīng)網(wǎng)絡(luò)良好的泛化能力和模式識(shí)別能力上達(dá)成了共識(shí)，但對(duì)于神經(jīng)網(wǎng)絡(luò)中占有重要地位的連接權(quán)值的修正，沒(méi)有給出一個(gè)較為恰當(dāng)?shù)臉?biāo)準(zhǔn)。本文在探討改進(jìn)這一問(wèn)題時(shí)，將遺傳算法與Adaboost算法分別引入到BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型中，通過(guò)兩種模型對(duì)于相同的訓(xùn)練樣本和預(yù)測(cè)樣本的考察分析，比較兩種方法的優(yōu)劣，從而為BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型的改進(jìn)提供一定的參考。

本文結(jié)構(gòu)安排如下:第一部分為引言;第二部分介紹BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型并評(píng)價(jià)其缺陷;第三部分使用Adaboost算法以及遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型進(jìn)行算法尋優(yōu);第四部分則通過(guò)Matlab的模擬進(jìn)行實(shí)證分析并比較實(shí)證結(jié)果;第五部分根據(jù)實(shí)證分析的結(jié)果得出相應(yīng)的結(jié)論并探討商業(yè)銀行在應(yīng)用過(guò)程中應(yīng)注意的問(wèn)題。

二、現(xiàn)有BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型介紹

(一)BP神經(jīng)網(wǎng)絡(luò)的基本原理

在人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)中根據(jù)信息流向和網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，可以將ANN分為前饋網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)兩大類。反向傳播(Back Propagation，BP)網(wǎng)絡(luò)［5］(如圖1)就是一種多層前饋神經(jīng)網(wǎng)絡(luò)，采用誤差反向傳播算法(Error Back－propagation Algorithm，簡(jiǎn)稱BP算法)，是目前應(yīng)用最廣泛的一種神經(jīng)網(wǎng)絡(luò)。

圖1 誤差反向傳播網(wǎng)絡(luò)結(jié)構(gòu)

BP網(wǎng)絡(luò)采用有監(jiān)督的學(xué)習(xí)方式，其學(xué)習(xí)由以下四個(gè)過(guò)程組成:輸入模式由輸入層經(jīng)隱含層向輸出層的“模式順傳播”過(guò)程;網(wǎng)絡(luò)的期望輸出與實(shí)際輸出之差的誤差信號(hào)由輸出層經(jīng)隱含層逐層修正連接權(quán)的“誤差逆?zhèn)鞑ァ边^(guò)程;由“模式順傳播”與“誤差逆?zhèn)鞑ァ钡姆磸?fù)進(jìn)行的網(wǎng)絡(luò)“記憶訓(xùn)練”過(guò)程;網(wǎng)絡(luò)趨向收斂即網(wǎng)絡(luò)的總體誤差趨向極小值的“學(xué)習(xí)收斂”過(guò)程。對(duì)三層BP網(wǎng)絡(luò)，設(shè)輸入層、隱含層和輸出層結(jié)點(diǎn)個(gè)數(shù)分別為I，J，K，訓(xùn)練樣本的個(gè)數(shù)為P，網(wǎng)絡(luò)的輸入為Xp={xpi}，期望輸出為T(mén)p={tpi}，實(shí)際輸出為Op={opi}，輸入層與隱含層的連接權(quán)為 wjt，隱含層與輸出層的連接權(quán)為 wkj，其中 p∈{1，2，…，p}，i∈{1，2，…，I}，k∈{1，2，…，K}，激活函數(shù)為Sigmoid函數(shù)。對(duì)于一個(gè)輸入樣本，平方誤差Ep可定義為:

對(duì)于全部學(xué)習(xí)樣本，系統(tǒng)誤差則可定義為:

對(duì)于網(wǎng)絡(luò)的學(xué)習(xí)和迭代，采用優(yōu)化理論中的最速算法對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，調(diào)整連接權(quán)，可使總體誤差最小，學(xué)習(xí)公式如下:

其中，η表示學(xué)習(xí)步長(zhǎng)，δpk和δpj分別被表示為:

(二)BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型的設(shè)計(jì)

1.權(quán)值的修改方式

一般來(lái)說(shuō)，權(quán)值的修改有兩種方式:一是對(duì)于每一個(gè)訓(xùn)練樣本，就調(diào)整一次權(quán)值，稱為On－line處理，另一種是輸入全部的訓(xùn)練樣本后才修改一次權(quán)值，稱為Batch處理。本文采用第二種處理方式［6］。

2.初始權(quán)值與初始輸入的確定

由于輸入初始值和初始權(quán)值對(duì)學(xué)習(xí)是否達(dá)到局部最小和能否收斂關(guān)系很大，有必要對(duì)輸入的初始值進(jìn)行歸一化處理。通過(guò)一定的處理方式將初始輸入調(diào)到較小的區(qū)間［0，1］內(nèi)，初始權(quán)值是通過(guò)隨機(jī)函數(shù)生成［－0.5，0.5］之間的隨機(jī)數(shù)賦給各連接權(quán)，避免由于大的輸入或權(quán)值使網(wǎng)絡(luò)陷入飽和狀態(tài)。

3.網(wǎng)絡(luò)層次的選定

網(wǎng)絡(luò)層次的增加可減少各隱含層單元總個(gè)數(shù)，同時(shí)使學(xué)習(xí)過(guò)程變得更容易，但可能增加網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間。本模型是用于模式分類的判別函數(shù)的神經(jīng)網(wǎng)絡(luò)，因此采用三層BP網(wǎng)絡(luò)。

4.隱含層單元個(gè)數(shù)確定

對(duì)于三層網(wǎng)絡(luò)，確定隱含層節(jié)點(diǎn)的主要經(jīng)驗(yàn)法則是:隱含層節(jié)點(diǎn)既不是各層中節(jié)點(diǎn)數(shù)最少的，也不是最多的;隱含層節(jié)點(diǎn)數(shù)介于輸入輸出節(jié)點(diǎn)數(shù)之和的50%－70%之間;隱層節(jié)點(diǎn)數(shù)應(yīng)小于學(xué)習(xí)樣本數(shù)，若節(jié)點(diǎn)數(shù)大于樣本數(shù)，則必有冗余節(jié)點(diǎn)可歸并，若節(jié)點(diǎn)數(shù)等于樣本數(shù)，則網(wǎng)絡(luò)成為插值網(wǎng)絡(luò)，插值網(wǎng)絡(luò)的泛化能力較差。另外，對(duì)于三層網(wǎng)絡(luò)，確定隱層單元數(shù)的以下經(jīng)驗(yàn)公式可供參考［7］:

(2)n1=log2n，n為輸入層單元數(shù)。

5.權(quán)值的調(diào)整公式及學(xué)習(xí)參數(shù)的確定

采用最速下降法調(diào)整權(quán)值，對(duì)那些嚴(yán)重卷繞的非凸函數(shù)效果不佳，往往不易收斂，即使收斂也需很長(zhǎng)時(shí)間，這里采用改進(jìn)BP算法，加上慣性項(xiàng)［8］，即

n+1表示第n+1次迭代，η，a分別表示學(xué)習(xí)因子和動(dòng)量因子。此法比最速下降法收斂速度快。對(duì)η，a的確定，可以采用試值法:先初始化η，a的值，再依次調(diào)整η，a到合適的值，使網(wǎng)絡(luò)以較快速度收斂，又不出現(xiàn)振蕩。利用試值法得出本模型里的η，a分別為0.90，0.70。

(三)BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型的缺陷

從以上的構(gòu)建和設(shè)計(jì)原理分析來(lái)看，BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型在進(jìn)行權(quán)值的調(diào)整時(shí)，由于缺乏有效明確的標(biāo)準(zhǔn)，而只是采用既定的模式根據(jù)特定的歷史數(shù)據(jù)自動(dòng)調(diào)整，造成了模型過(guò)于依賴數(shù)據(jù)的缺點(diǎn)和判別偶然性大的缺陷，使得模型判別的誤差不能夠準(zhǔn)確的反映到模型中去從而影響到模型判別的準(zhǔn)確性。因而，改變權(quán)值的調(diào)整方式十分必要。

三、應(yīng)用Abdaboost算法和遺傳算法尋優(yōu)

(一)應(yīng)用Adaboost算法對(duì)BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型尋優(yōu)

1.Adaboost算法

Adaboost算法是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類器(弱分類器)，然后把這些弱分類器集合起來(lái)，構(gòu)成一個(gè)更強(qiáng)的最終分類器(強(qiáng)分類器)。其主要思想為:首先給出弱學(xué)習(xí)算法和樣本空間(x，y)，從樣本空間中找出m組訓(xùn)練數(shù)據(jù)，每組數(shù)據(jù)的權(quán)重都為1/m。然后使用弱學(xué)習(xí)算法迭代運(yùn)算T次，每次運(yùn)算后都按照分類結(jié)果更新訓(xùn)練數(shù)據(jù)權(quán)重分布，對(duì)于分類誤差較大的訓(xùn)練數(shù)據(jù)組調(diào)整并給予更大的權(quán)重，然后重新予以訓(xùn)練，直到取得較好的訓(xùn)練效果。弱分類器訓(xùn)練后會(huì)得到一系列分類函數(shù)序列f1，f2，…，fT，且每個(gè)分類函數(shù)都有一個(gè)權(quán)重，分類越好的函數(shù)，對(duì)應(yīng)的權(quán)重就越大。T次迭代以后，最終的強(qiáng)分類器F由各個(gè)弱分類器加權(quán)得到。BP-Adaboost模型把BP神經(jīng)網(wǎng)絡(luò)作為弱分類器，反復(fù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出，通過(guò)Adaboost算法把得到的多個(gè)BP神經(jīng)網(wǎng)絡(luò)弱分類器組成一個(gè)強(qiáng)分類器。

2.Adaboost算法步驟設(shè)計(jì)

(1)數(shù)據(jù)選擇和網(wǎng)絡(luò)初始化。從樣本空間中隨機(jī)選擇m組訓(xùn)練數(shù)據(jù)，初始化測(cè)試數(shù)據(jù)的分布權(quán)值為Di(i)=1/m。

(2)弱分類器預(yù)測(cè)。訓(xùn)練第t個(gè)弱分類器時(shí)，使用訓(xùn)練數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)并且預(yù)測(cè)訓(xùn)練數(shù)據(jù)輸出，得到預(yù)測(cè)序列g(shù)(t)的預(yù)測(cè)誤差和ei，誤差和et的計(jì)算公式為:

其中，g(t)為預(yù)測(cè)分類結(jié)果;y為期望分類結(jié)果。

(3)計(jì)算預(yù)測(cè)序列權(quán)重。根據(jù)預(yù)測(cè)序列g(shù)(t)的預(yù)測(cè)誤差et計(jì)算序列的權(quán)重at，權(quán)重計(jì)算公式為:

(4)測(cè)試數(shù)據(jù)權(quán)重調(diào)整。根據(jù)預(yù)測(cè)序列權(quán)重at調(diào)整下一輪訓(xùn)練樣本的權(quán)重，調(diào)整式為:

式中，B是歸一化因子，目的是在權(quán)重比例不變的情況下使分布權(quán)值和為1。

(5)強(qiáng)分類函數(shù)。訓(xùn)練T輪后得到T組弱分類函數(shù)f(gt，at)，由T組弱分類函數(shù)f(gt，at)組合得到了強(qiáng)分類函數(shù):

這樣，經(jīng)過(guò)以上幾步的準(zhǔn)備，只要將篩選好的數(shù)據(jù)輸入到構(gòu)建好的系統(tǒng)當(dāng)中，經(jīng)過(guò)訓(xùn)練就可以構(gòu)建出基于Adaboost算法的BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型。

(二)應(yīng)用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型尋優(yōu)

1.遺傳算法

遺傳算法在一開(kāi)始需要實(shí)現(xiàn)從表現(xiàn)型到基因型的映射即編碼工作。初代種群產(chǎn)生之后，按照適者生存和優(yōu)勝劣汰的原理，逐代演化產(chǎn)生出越來(lái)越好的近似解，在每一代，根據(jù)問(wèn)題域中個(gè)體的適應(yīng)度大小選擇個(gè)體，并借助于自然遺傳學(xué)的遺傳算子進(jìn)行組合交叉和變異，產(chǎn)生出代表新的解集的種群。這個(gè)過(guò)程將導(dǎo)致種群像自然進(jìn)化一樣的后生代種群比前代更加適應(yīng)于環(huán)境，末代種群中的最優(yōu)個(gè)體經(jīng)過(guò)解碼，可以作為問(wèn)題近似最優(yōu)解。遺傳算法的基本操作為:

(1)選擇操作

選擇操作是從舊群體中選擇個(gè)體到新個(gè)體中，個(gè)體被選中的概率跟適應(yīng)度值有關(guān)，個(gè)體適應(yīng)度值越好，被選中的概率越大。通常使用的有輪盤(pán)賭法，錦標(biāo)賽法等多種方法。

(2)交叉操作

交叉操作是從個(gè)體中選擇兩個(gè)個(gè)體，經(jīng)兩個(gè)染色體的交換組合，產(chǎn)生新優(yōu)秀個(gè)體。交叉過(guò)程為從群體中任選兩個(gè)染色體，隨機(jī)選擇一點(diǎn)或多點(diǎn)染色體位置進(jìn)行交換(如演示圖2)。

圖2 交叉操作

(3)變異操作

變異操作是指從群體中任選一個(gè)個(gè)體，選擇染色體中的一點(diǎn)進(jìn)行變異以產(chǎn)生更優(yōu)秀的個(gè)體(如演示圖3)。

圖3 變異操作

2.遺傳算法步驟設(shè)計(jì)

(1)種群初始化

個(gè)體編碼方法為實(shí)數(shù)編碼，每個(gè)個(gè)體均為一個(gè)實(shí)數(shù)串，由輸入層與隱含層連接權(quán)值、隱含層閾值、隱含層與輸入層連接權(quán)值以及輸入層閾值4部分組成。將根據(jù)數(shù)據(jù)指標(biāo)建立的網(wǎng)絡(luò)結(jié)構(gòu)確定，從而得到一個(gè)原始的BP神經(jīng)網(wǎng)絡(luò)。

(2)適應(yīng)度函數(shù)

(3)選擇操作

本文采用輪盤(pán)賭法進(jìn)行選擇操作，即基于適應(yīng)度比例的選擇策略，每個(gè)個(gè)體i被選中的概率pi為:

其中，F(xiàn)i為個(gè)體i的適應(yīng)度值，由于適應(yīng)度值越小越好，所以在對(duì)個(gè)體選擇前對(duì)適應(yīng)度值求倒數(shù);k為系數(shù)，N為種群個(gè)體數(shù)。

(4)交叉操作

由于個(gè)體采用實(shí)數(shù)編碼，因而交叉操作采用實(shí)數(shù)交叉法，第個(gè)k染色體ak和第l個(gè)染色體al在j位的交叉操作方法如下:

其中，b是［0，1］之間的隨機(jī)數(shù)。

(5)變異操作

選取第i個(gè)個(gè)體的的第j個(gè)基因aij進(jìn)行變異，方法如下:

這樣，根據(jù)以上幾步的準(zhǔn)備，只要將篩選好的數(shù)據(jù)輸入到構(gòu)建好的系統(tǒng)當(dāng)中，經(jīng)過(guò)訓(xùn)練就可以構(gòu)建出經(jīng)過(guò)遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型。

四、實(shí)證模擬分析及比較

(一)數(shù)據(jù)處理

在選取了數(shù)據(jù)初始指標(biāo)以后，需要對(duì)數(shù)據(jù)指標(biāo)進(jìn)行歸一化處理①由 于在本文中需要使用matlab進(jìn)行評(píng)分模擬，所以需要將數(shù)據(jù)指標(biāo)轉(zhuǎn)換成0－1之間的數(shù)據(jù)，從而減小模型模擬時(shí)的誤差。，將數(shù)據(jù)的取值范圍進(jìn)一步縮小。另外，由于本文選取的數(shù)據(jù)指標(biāo)均為上市公司的財(cái)務(wù)數(shù)據(jù)，為了消除其中的共線性因素，需要采用主成分分析法，剔除其中的共線性因素，從而消除模型對(duì)于重復(fù)指標(biāo)的處理［9］。

(二)模型的初始設(shè)置

本文在進(jìn)行實(shí)證研究的時(shí)候，對(duì)模型修改采取Batch處理，即將全部的樣本輸入到模型中仿真后再進(jìn)行調(diào)試;對(duì)于初始權(quán)值，采用［－0.5，0.5］之間的連接權(quán)值隨機(jī)賦予;對(duì)于網(wǎng)絡(luò)層次的選擇，本文采用單隱層模型②采用單隱層模型，可以在一定程度上減少誤差，這是本文唯一使用先驗(yàn)結(jié)論的地方;筆者之前做過(guò)大量研究，對(duì)于同樣的樣本，單一隱含層優(yōu)于雙隱層模型模型。;隱含層節(jié)點(diǎn)數(shù)應(yīng)介于輸入輸出節(jié)點(diǎn)數(shù)的50%－70%之間，經(jīng)過(guò)對(duì)于原始BP網(wǎng)絡(luò)的設(shè)計(jì)，本文采用的隱含層節(jié)點(diǎn)數(shù)為13。

(三)三種模型的模擬仿真結(jié)果比較

對(duì)于三種模型——原始BP神經(jīng)網(wǎng)絡(luò)模型、經(jīng)過(guò)Adaboost算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型、經(jīng)過(guò)遺傳算法改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型，我們從系統(tǒng)誤差和總誤判比率［3］兩個(gè)層面上進(jìn)行比較(見(jiàn)表1和圖4、5)。

表1 三種模型系統(tǒng)誤差和總誤判比率一覽表

可以看出，對(duì)三個(gè)模型進(jìn)行仿真比較時(shí)，Adaboost算法和遺傳算法在一定程度上對(duì)原始的BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)起到了優(yōu)化的作用:采用Adaboost算法進(jìn)行優(yōu)化后，系統(tǒng)總誤差有了較大程度的降低，這主要是因?yàn)锳daboost算法對(duì)權(quán)值的修改方式是采用即時(shí)回饋［9］的方式，能夠優(yōu)先給予起到主要作用的數(shù)據(jù)指標(biāo)賦予較大的權(quán)值，并且能夠及時(shí)減小對(duì)最終得分影響較小的指標(biāo)及時(shí)減小權(quán)值的賦予，從而對(duì)中的結(jié)果起到優(yōu)化作用;而對(duì)于經(jīng)過(guò)遺傳算法改進(jìn)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，它的總誤判比率在三個(gè)模型當(dāng)中最低，這可能是由于遺傳算法對(duì)于權(quán)值采取了變異的處理方法，即對(duì)于發(fā)生預(yù)測(cè)誤差較大的樣本重新調(diào)整，與起主要作用的樣本數(shù)據(jù)權(quán)值及時(shí)的進(jìn)行互換，這在一定程度上增強(qiáng)了模型對(duì)于數(shù)據(jù)指標(biāo)的強(qiáng)調(diào)性［10］。從這個(gè)層面上理解，也就可以解釋在三個(gè)模型當(dāng)中，遺傳算法對(duì)于訓(xùn)練樣本和預(yù)測(cè)樣本的判別，兩類錯(cuò)誤發(fā)生的概率較低，從而使得總誤判比率較低;但是，由于對(duì)權(quán)值的調(diào)整采用的是近似“休克”的變異，也就增加了其系統(tǒng)總誤差變大的可能性。通過(guò)圖4可以直觀的看出兩類優(yōu)化模型在對(duì)原始BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化的過(guò)程中的誤差判別走勢(shì)。

通過(guò)圖4可以看出，在選擇6步的訓(xùn)練步長(zhǎng)時(shí)，訓(xùn)練樣本、預(yù)測(cè)樣本以及有效的均方誤差走勢(shì)能夠在較大程度上取得最終擬合的一致。但是測(cè)試樣本的均方誤差，以及訓(xùn)練樣本與有效均方誤差曲線卻在初期出現(xiàn)了一定的偏離，最后的擬合表明經(jīng)過(guò)模型的調(diào)整，在訓(xùn)練步長(zhǎng)為六時(shí)，達(dá)到了最后的訓(xùn)練目標(biāo)。

在圖5中可以看出，選擇同樣的步長(zhǎng)，采用遺傳算法改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型，只需要訓(xùn)練步長(zhǎng)為4就可以達(dá)到最終擬合的最優(yōu)，這也在一定程度上表明了遺傳算法對(duì)于權(quán)值的調(diào)整可以較快的進(jìn)行徹底地改變;但是由于這種改變的過(guò)程過(guò)于劇烈，極有可能導(dǎo)致系統(tǒng)學(xué)習(xí)的崩潰而不能正確反映樣本特征［11］。

五、結(jié) 論

1.對(duì)于BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型的改進(jìn)和優(yōu)化，Adaboost算法和遺傳算法都能在較大程度上提高模型判別的準(zhǔn)確率，較大的減少系統(tǒng)誤差，對(duì)于BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型的改進(jìn)都可以提供較好的參考。

2.Adaboost算法采用的權(quán)值調(diào)整是通過(guò)不斷減少起弱作用的輸入數(shù)據(jù)的權(quán)值，這種調(diào)整較為緩和，其中發(fā)生誤判比率的概率也較小，但是模型在使用過(guò)程中模型改變的時(shí)間較長(zhǎng)，如果添加到訓(xùn)練樣本中歷史數(shù)據(jù)過(guò)多，會(huì)影響模型的使用效率。

3.遺傳算法采用的權(quán)值調(diào)整是使用類似巨變式的變異，這種調(diào)整對(duì)于模型的學(xué)習(xí)能夠節(jié)省大量的時(shí)間，但卻可能造成模型過(guò)于注重權(quán)值而忽略了樣本的原始的屬性，造成判斷的失真。

根據(jù)本文以上討論的結(jié)論，商業(yè)銀行在進(jìn)行信用風(fēng)險(xiǎn)評(píng)估時(shí)，需要根據(jù)各商業(yè)銀行的特點(diǎn)和擁有歷史數(shù)據(jù)的情況，在現(xiàn)有信用風(fēng)險(xiǎn)管理模型的基礎(chǔ)上結(jié)合BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型使用:對(duì)于處理客戶數(shù)據(jù)較少，可以進(jìn)行較長(zhǎng)時(shí)間評(píng)級(jí)的商業(yè)銀行，應(yīng)該在原有BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型的基礎(chǔ)上，采用Adaboost算法對(duì)模型內(nèi)的權(quán)值調(diào)整進(jìn)行優(yōu)化，并以此提高判別的準(zhǔn)確率;對(duì)于需要在短時(shí)間內(nèi)處理大量客戶信息的商業(yè)銀行，則應(yīng)采用遺傳算法對(duì)不適合的權(quán)值設(shè)置進(jìn)行較大的改變，以減少模型尋優(yōu)的成本，提高商業(yè)銀行信用風(fēng)險(xiǎn)管理的效率。

［1］BACK B，LAITINEN K SERE.Neural Networks and Genetic Algorithms for Bankruptcy Predictions［J］.Expert Syst，1996(4):407－413.

［2］PIRAMUTHU S，H RAGHAVAN，M SHAW.Using Feature Construction to Improve the Performance of Neural Network［J］.Management Science，1998(44):416 －430.

［3］徐佳娜，西寶.基于HAP－ANN模型的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估［J］.哈爾濱理工大學(xué)學(xué)報(bào)，2004(6):94－95.

［4］郭英見(jiàn)，吳沖.基于信息融合的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估模型研究［J］.金融研究，2009(1):95－106.

［5］ODOM M D，R SHARDA.A Neural Network for Bankruptcy Prediction，International Joint Conference on Neural Network［R］.San Diego，CA，1990，163 －168.

［6］TAMK Y，M KIANG.Managerial Applications of Neural Networks，the Case of Bank Failure Predictions［J］.Management Sciences，1987，38(l):926 －947.

［7］KIVILUOTO K.Predicting Bankruptcies with the Self－ Organizing Map［J］.Neurocomputing，1998(21):199 －201.

［8］SALCHENBERER L M，E M CINER，N A LASH.Neural Networks:A New Tool for Predicting Thrift Failures［J］.Decision Sciences，1992(23):899 －916.

［9］高鐵梅.計(jì)量經(jīng)濟(jì)分析方法與建模［M］.北京:清華大學(xué)出版社，2005:465－466.

［10］于立勇.商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估預(yù)測(cè)模型研究［J］.管理科學(xué)學(xué)報(bào)，2003(5):46－52.

［11］張德峰.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用［M］.北京:電子工業(yè)出版社，2009:320－321.