基于BP神經網絡的家庭風險評價模式

蔣卓征 鄭燦暢 馮昌黎 王淑燕

摘要：本文主要針對我國中產階級家庭在理財過程中存在的信息不對稱及市場理財產品單一混亂所導致的理財困境，創新性的提出了“神經網絡分析下的家庭風險評價”模式。該模式通過銀行與客戶之間的交流溝通，運用計算機模擬得到客戶在投資過程中組合各項資產的投資占比，為資金的投資分配提供合理性建議。

關鍵詞：BP神經網絡;家庭理財;風險評價

一、引言

近幾年，隨著經濟發展水平的不斷提高，針對個人及家庭方向理財方案設計受到了越來越廣泛的關注。然而，現階段我國市場上的理財產品機械單一，理財新品的研究和開發能力的不足，導致了理財產品市場定位和服務的缺失。正是基于這樣的供需失衡，家庭理財方案的設計與開發顯得尤為重要，如何在保證低風險下獲得高收益是研究的主要課題。

國外對家庭投資決策的決定因素研究比較充分，其大多為研究影響風險資產或金融資產的因素。Kimball（1991）提出勞動收入風險或其他類型的不可避免風險能夠影響用于風險投資的那部分儲蓄，通過減少風險資產在現有資產組合中的份額來抵制該風險對消費的沖擊。Heaton和Lucas（1997），Koo（1998），viceira（2001）等學者采用無限期界模型，考察勞動收入風險對投資選擇的影響，支出在相對風險回避的效用函數下具有勞動收入風險的行為人會比在沒有勞動收入風險時更傾向選擇安全性資產。

國內學者臧旭恒（2001）借鑒國外不確定條件下消費—投資行為理論模式，在估算居民資產存量與流量的基礎上分析影響家庭資產選擇的因素，綜合了消費、收入與家庭行為，著重強調了收入水平對家庭資產選擇的影響。史代敏，宋艷（2005）通過實證研究發現中國居民投資中儲蓄存款與股票的保有量與家庭收入成正比關系，并對居民家庭金融資產選擇問題提出了新的看法。

二、家庭風險評價模式構建

在近些年的重大金融事件中，各大評級機構的作用日益凸顯，對主權債務評級、企業信用評級等一系列指標的調整均會對市場產生極大的刺激作用，進而產生重大影響。企業信用評價體系，作為衡量企業財務狀況，評估企業投資價值的重要指標，也日益受到研究者的重視。本文通過對企業信用評價體系建立的方法和經驗，將這種評價體系進行修改后，運用于家庭理財領域。

家庭風險評價模式是通過評價個人家庭理財過程中對風險投資的承受能力和投資傾向的指標體系，在大量已有的樣本數據（即目前存在的家庭理財方案）的基礎上，利用模型算法反復修正，最終產生家庭風險投資在家庭理財中的比例，對家庭理財方案的設定、理財產品的創新和個性化服務的提升提供建議。

（一）家庭風險評價體系

本文所述的風險因素來源是指一切在家庭理財中能影響各項投資比例變化的因素。在綜合分析之后，本文將風險因素主要分為家庭就業狀況、家庭組成情況、家庭消費狀況和家庭投資心理。

家庭就業狀況主要包括了家庭月收入（X1）、工作階層（X2）和主要收入來源（X3）等一系列影響家庭理財需求的因素。

家庭組成情況主要包括家庭成員構成（X4）、家庭置業情況（X5）和家庭未來主要負擔（U6）等一系列影響家庭投資傾向的因素。

家庭消費狀況主要包括家庭月消費支出（X7）、家庭恩格爾系數（X8）和消費構成狀況（X9）等一系列影響家庭投資額度變化的因素。

家庭投資心理主要包括家庭投資支出（X10）、對投資獲利方式的偏好（X11）和各類投資資產評價（X12）等一系列影響家庭投資傾向的因素。

以上是結合之前研究所歸納的一些主要影響因素，在實際運用過程中可根據實際情況對因素進行適度調整，已達到適用性要求。

（二）BP神經網絡模型的建立

BP神經網絡是一種多層前饋神經網絡，因采用誤差反向傳播的學習算法，BP網絡是目前最成熟、應用最廣泛的一種神經網絡，在信息處理、模型識別、智能控制等諸多領域得到越來越廣泛的應用。BP神經網絡通常包括一個輸入層、若干個中間層和一個輸出層。其主要特點在于各層神經元僅與相鄰神經元之間有鏈接，各層神經元之間沒有反饋鏈接。BP神經網絡具有很強的非線性映射能力，本文采用的是3層的神經網絡模型。

1.模型算法及實現

選取上文列舉的12個X變量作為特征量。由于特征量組成復雜，即存在定性變量又存在定量變量，所以在特征量處理過程中，可采用工程經濟學等方法將定性變量量化。

假定BP網絡的輸入層、中間層和輸出層分別有I、J和K個神經元，本文中I為12，J為4，K為1，即12-4-1的BP神經網絡。其中，輸入層含12個解釋變量，中間層含4個解釋變量（對于輸入層而言為被解釋變量），輸出層為單一被解釋變量。

從輸入的角度，中間層第j個神經元與輸出層第k個神經元的輸入分別為：

NPj=∑ii=1ωijOi（j=1，2，…，I）

NPk=∑jj=1ωjkOj（k=1，2，…，K）

從反饋的角度，輸入層、中間層和輸出層的輸出分別為：

Oi=NPi=Xi

Oj=fj（NPj，θj）=11+-（NPj-θj）

yk=Ok=fk（NPk，θk）=11+-（NPk-θk）

其中，ωij為輸出層第i個元到中間層第j個元的權數;Oi為輸出層第i個元的輸出;θj與θk分別為中間層第j個神經元和輸出層第k個神經元的閾值;NP為各層的輸入變量值。

2.模型的自動學習及調整

模型構建后，對BP神經網絡模型的完善是通過對BP網絡的梯度法δ學習實現的，目標是使神經網絡的輸出值與樣本的均方誤差最小。

假設現有Z個訓練樣本，則第p個樣本的均方誤差為：

Ep=12∑Kk=1（yk-y*k）2

當誤差大于目標時，進行權值和閾值的調整。

輸出層的權數調整為：

Δωjk（n+1）=ηδpkOpj+αΔωJK（n）

δpk=（ypk-yp*k）f′k（NPPK）

其中η為學習率，α為動量因子。

中間層的權值調整為：

Δωij（n+1）=ηδpjOpi+αΔωij（n）

δpj=f′j（NPPJ）∑δkωjk

在多次循環調試后，當誤差小于給定值時，模型建立完成。

三、模式評價

BP神經網絡作為一種人工智能模擬算法，在實現過程中具有較多優勢。從實質上看，BP神經實現了一個從輸入到輸出的映射功能，而數學理論已證明它具有實現任何復雜非線性映射的功能，這使它適合求解像家庭風險水平這樣內部機制復雜的問題。此外，BP神經網絡能通過學習帶正確答案的實例集自動提取“合理的”求解規則，即具有自學習能力，通過不斷對已有成功個體案例進行學習，可得到一個成熟合理的風險評價指標，進而可以對尚未投資的個體給出投資建議。

BP神經網絡模型也存在一些弊端。第一，BP算法的學習速度慢。由于BP算法本質為梯度下降法，所要優化的目標函數又非常復雜，因此會出現“鋸齒形現象”，這使得BP算法低效;第二，網絡訓練失敗的可能性較大。BP算法為一種局部搜索的優化方法，但要解決的問題為復雜非線性函數的全局極值，因此算法很有可能陷入局部極值，使訓練失敗;第三，網絡結構的選擇尚無一種統一而完整的理論指導，一般只能由經驗選定，因此對于風險評價模型的改進具有滯后性，容易出現較大誤差。

四、總結

BP神經網絡下的家庭風險評價模型為家庭綜合理財方案的設計與開發提供了一個新的思路，在一定程度上解決了資金投資分配的相關問題。模型中的量化方法極大程度上簡化了信息處理的過程，體現了理財管理過程中的投資性、保值性和便利性需求。但是這種具有普遍意義的相對標準化方案也面臨調整能力滯后的局限。

參考文獻：

[1]趙曉英，曾令華.我國城鎮居民投資組合選擇的動態模擬研究[J].金融研究，2007，（4）：72-86.

[2]史代敏，宋艷.居民家庭金融資產選擇的實證研究[J].統計研究，2005，（10）.

[3]雷曉燕，周月剛.中國家庭的資產組合選擇：健康狀況與風險偏好[J].金融研究，2010，（1）：31-45.

[4]陳國進，姚佳.中國居民家庭資產組合研究[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.