基于神經網絡的企業信用評估模型

韓冰

(哈爾濱商業大學，黑龍江 哈爾濱 150028)

信用風險預測和風險控制是現代企業管理的重要內容之一,在很多國家由于不良貸款引起的銀行危機相當嚴重。因此,加強企業的信用風險管理,建立和完善銀行以及企業內部的風險管理體制,為銀行的決策提供科學的參考依據,全面的防范和化解金融風險,是當前銀行和企業面臨的一個主要任務。我國入世以后,根據WTO的有關協議將逐漸取消對外資銀行外幣業務、人民幣業務等方面的限制,國內各商業銀行將面臨國內外銀行的競爭,競爭將更加激烈。目前,我國絕大部分銀行企業的不良貸款率大大高于10%的國際警戒線和我國15%的監管標準。如何建立一個優良的企業信用評估體系,為商業銀行的決策提供科學的、量化的決策依據,全面降低不良貸款率,提高信貸資產質量,是國內各商業銀行共同面臨的一個全新課題。為此,作者提出了企業信用評估的指標體系,并在此基礎上建立了評估模型,該模型能夠利用企業信用數據為銀行提供量化決策的依據。

1 企業信用評估指標體系

企業信用評估的首要工作是根據國外的企業信用評估指標體系,結合我國的實際情況,本著操作簡便、定量指標和定性指標相結合、現實能力評價和潛力能力評價相結合的原則建立可行的企業信用指標體系。基于以上原則并結合我國常用的企業信用評估指標體系和Z模型指標體系,作者提出的企業信用評估指標體系是分層結構,其中二級指標29項,反映了企業管理、經營狀況的具體數據信息;一級指標7項,是二級指標的歸納,反映了企業信用評估的7個方面。

2 企業信用評估神經網絡模型

神經網絡具有非線性處理和模式識別能力,可以用于解決用傳統方法難以解決的復雜問題。BP神經網絡是目前應用最廣泛的神經網絡,從理論上講它可以實現從輸入到輸出的任意非線性映射,而且具有很強的泛化能力[5,6],應用BP網絡的這種特性,通過已生成的企業信用評估指標體系與信用的對應數據的學習,調整模型的結構,生成具有預測能力的企業信用評估神經網絡模型。

2.1 指標體系數據的預處理

(1)軟指標的歸一化處理。由于神經網絡處理的數據一般都是連續數據,因而需要對企業信用評估體系中的標號數據進行量化處理,然后將量化后的數據按比例進行縮放,使之落入一個統一的區間,轉換成連續數據。本文中采用的是最小-最大規范化方法對原始數據進行線性變換,使之落入到區間[0,1]內。

(2)硬指標(財務指標數據)的標準化處理。在財務指標中,各指標有著不同的量綱,數據不能較直觀地反映對信用結果的影響。因而需要對這些指標數據進行標準化處理,將其轉化為統一量綱的數據。在企業信用評估指標體系中,有效益型和成本型指標數據。效益型指標數據有越大越優的特性,成本型指標數據有越小越優的特性。通過線性比例變換的方法,對指標數據進行處理。

2.2 模型構造

具有單隱層的BP神經網絡可以映射任意連續函數,作者設計了一個3層神經網絡模擬企業信用評估過程,其中輸入層結點數為29,分別對應企業信用評估的29個要素;隱層結點數為7,分別表示企業素質、發展前景、企業規模、發展能力、償債能力、盈利能力和綜合指標;輸出層結點數為1,輸出值為模型實際輸出。由于輸入向量和輸出向量之間不滿足線性關系,因此選擇單極性sig moid函數作為轉移函數。

以經營者素質、員工素質等29項企業信用評估指標為輸入向量,用X=(x1,x2,…,x29)表示;隱層結點用向量Y=(y1,y2,…,y7)表示;Z=(z1)表示輸出向量,根據轉移函數的性質,z1∈[0,1];將訓練集的實際輸出數據轉換為[0,1]的數值,期望輸出用向量D=(d1)表示;輸入層結點到隱層結點的權值用向量V=(v1,1,v1,2,…,v29,7)表示,隱層結點到輸出層結點的權值用向量W=(w1,1,w2,1,…,w7,1)表示。

3 實驗結果及分析

選取30個上市公司2001年軟、硬指標數據及其信用評估結果,根據2.1節指標體系標準化處理方法,對選取的企業軟、硬指標數據首先進行標準化處理。將這些數據轉化為[0,1]之間統一量綱的數據,以便于神經網絡的處理;然后合并標準化處理以后的軟、硬指標數據,生成各公司與評估指標體系一致的數據。由于實驗數據較少,因而在實驗時采用了V-fold交叉驗證方法,將30個公司數據等分成10組,每次測試采用其中的9組數據作為訓練數據,用剩余的1組作為測試數據,即每次用27個上市公司的數據作為訓練數據,剩余3個公司的數據作為測試數據,共進行10次測試,最后取10次測試結果的正確率的平均值作為最終的結果,評估的正確率達到了92.2%。實驗時設定學習速率為0.01,最大訓練步數為2000,誤差精度為0.001。

4 結束語

目前信用風險的控制方法包括標準法和內部評估法,根據《新巴塞爾資本協議》的要求,對于商業銀行風險權重的確定應當逐步從標準法向內部評級法過渡,最后將全面采用信用模型的方法。作者在分析信用評估重要性和信用評估國內外現狀的基礎上,提出了用于企業信用評估的指標體系,并在此基礎上建立了基于神經網絡的企業信用評估模型。應用神經網絡自學習和超強的非線性處理能力,模型通過企業信用數據的學習后用于企業信用評估,弱化了權重確定中的人為因素,提高了評估結果的準確性和權威性。通過對30個上市公司信用的預測,驗證了本方法優于傳統的定性模型和方法,是對企業信用評估模型建立的一種嘗試。

[1] 陳娟,吳開微.企業資信的模糊數學評價方法[J].工科數學,2001,(17)4:15-19.

[2] 韓家煒,范明.數據挖掘概念與技術[M].北京:機械工業出版社,2012.