基于BP神经网络的A银行中小企业信用评估系统构建

发布时间：2017-09-30 20:03

  本文关键词：基于BP神经网络的A银行中小企业信用评估系统构建

  更多相关文章： 中小企业 信用指标体系 BP神经网络 信用评估

【摘要】：在经济“新常态”的大背景下,众多的中小企业将是中国经济大转型的引擎,必将成为银行目前与将来利润新的增长点。但是,当前中小企业财务信息的不完善,企业经营的不透明依然严重困扰着银行等金融机构对其开展贷款业务。A银行长沙分行作为湖南市场的进入者,需要不断地开发中小企业作为客户,以提高在湖南市场上的竞争力。首先,本文整理了中小企业信用评估的相关理论。特别是从信息不对称理论和交易成本理论细致分析了中小企业融资问题的机理,以及从技术角度分析了中小企业信用评估方法,为本文展开研究提供了理论基础与技术基础。其次,本文从指标体系和神经网络模型两个维度入手构建A银行长沙分行中小企业信用评估系统。首先,中小企业信用评估指标体系依据A银行长沙分行搜集的中小企业相关信息的基础上,应该遵循四个原则:重要性与全面性平衡、稳定性与动态性平衡、可行性与有效性结合和定量指标与定性指标相结合,在四个原则下构建适合中小企业信用风险的指标体系。其次,构建BP神经网络模型,本文在详细回顾了构建神经网络(特别是BP神经网络模型)的关键技术与方法,提出了契合中小企业信用状况与A银行收集的数据特点,利用Mathlab7.0编写了BP神经网络模型。第三,本文利用A银行长沙分行收集的1021个中小企业样本作为基础,构建了中小企业信用指标体系,并且进行了详细的赋值。然后,对程序运行过程中BP神经网络模型的层次、结构等问题进行了检验与说明。接着,将中小企业信用状况的样本数据划分为80%训练样本和20%测试数据,对BP神经网络进行训练和测试,获得较好的结果:输出结果为信用评分指标的情况下,训练样本的精确度为90.352%,测试样本的精确度在90.009%,并且测试样本的标准差在5.098,平均误差为0.052;输出结果为贷款与否指标的情况下,训练样本的精确度为83.958%,测试样本的精确度为82.534%,标准差和平均误差分别为0.546和0.004。最后,本文变更训练样本与测试样本的划分方法以检验BP神经网络精确度的稳健性,通过两种方案皆说明了BP神经网络在预测中小企业信用状况方面具有较好的稳健性。最后,依据构建A银行长沙分行中小企业信用评估系统过程中面临到的困难,本文提出四点相关建议:丰富中小企业样本数据库、强化对指标体系的动态管理、平衡第三方信用评级与内部评级的作用和构建银行内部多重信用评级模型群。
【关键词】：中小企业 信用指标体系 BP神经网络 信用评估
【学位授予单位】：湖南大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F276.3;F832.4;TP183
【目录】：

• 摘要5-7
• Abstract7-13
• 第1章 绪论13-18
• 1.1 选题背景及意义13-14
• 1.2 国内外研究现状14-17
• 1.3 研究方法及结构17-18
• 1.3.1 研究方法17
• 1.3.2 研究结构17-18
• 第2章 中小企业信用评估的技术基础18-27
• 2.1 中小企业的理论基础18-21
• 2.1.1 中小企业的定义18-20
• 2.1.2 中小企业的特点20-21
• 2.2 中小企业信用评估的理论基础21-24
• 2.2.1 信息不对称性理论22
• 2.2.2 交易费用论22-23
• 2.2.3 博弈论23-24
• 2.3 中小企业信用评估技术基础24-26
• 2.3.1 回归分析法24
• 2.3.2 决策树分类法24-25
• 2.3.3 神经网络分析法25
• 2.3.4 遗传算法25-26
• 2.3.5 支持向量机方法26
• 2.4 小结26-27
• 第3章 中小企业信用评估的BP人工神经网络构建27-36
• 3.1 中小企业信用风险评估指标体系建立的原则27
• 3.2 人工神经网络27-30
• 3.2.1 人工神经网络运行机制28-29
• 3.2.2 人工神经网络的学习方式29
• 3.2.3 人工神经网络的学习规则29-30
• 3.2.4 人工神经网络的激励函数30
• 3.2.5 人工神经网络的误差函数30
• 3.3 BP神经网络算法30-33
• 3.3.1 BP神经网络的结构30-31
• 3.3.2 BP神经网络的学习过程31-32
• 3.3.3 BP神经网咯的训练过程32-33
• 3.4 BP神经网络编程33-35
• 3.5 小结35-36
• 第4章 BP神经网络模型在中小企业信用评估中的调试36-45
• 4.1 数据的采集与初始指标的确立36-38
• 4.1.1 中小企业信用数据的采集36
• 4.1.2 中小企业信用指标的选取36-38
• 4.1.3 中小企业信用指标的赋值38
• 4.2 神经网络模型结构的确定38-40
• 4.2.1 BP神经网络层数的设计38
• 4.2.2 BP神经网络输入层与输出层结点数的设计38-39
• 4.2.3 BP神经网络隐层结点数的设计39-40
• 4.3 BP神经网络模型的运行结果40-41
• 4.4 BP神经网络稳健性检验41-44
• 4.5 小结44-45
• 第5章 A银行长沙分行中小企业信用评估系统的相关建议45-47
• 5.1 丰富中小企业样本数据库45
• 5.2 强化对指标体系的动态管理45-46
• 5.3 平衡第三方信用评级与内部评级的作用46
• 5.4 构建银行内部多重信用评级模型群46-47
• 结论47-48
• 参考文献48-50
• 致谢50

【参考文献】

中国期刊全文数据库 前10条

1 何鲁冰;雷鹏飞;;神经网络视角下的小微企业信贷风险评估[J];湖北行政学院学报;2014年06期

2 张维;张兴龙;熊熊;张学锋;;信息环境下基于模糊层次分析的中小企业信用评级研究[J];河南科学;2014年11期

3 刘敏;李强;;加快构建小微企业信用评级体系[J];才智;2014年33期

4 刘萍;薛广燕;;商业银行信贷管理体制下的中小企业信用评级指标研究[J];科技与管理;2014年06期

5 丁振辉;;大数据背景下的小微企业信用评级研究[J];征信;2014年11期

6 李欣融;;关于改进商业银行对中小企业信用评级的思考[J];长春金融高等专科学校学报;2012年02期

7 唐志;;基于熵权的模糊综合评价法在中小企业信用评级中的应用[J];时代金融;2012年12期

8 薛强;樊宏霞;陆改玲;;中小企业信用评级指标体系研究[J];石河子大学学报(哲学社会科学版);2012年03期

9 孙文;王冀宁;;基于AHP的中小企业信用评级指标体系构建[J];财会通讯;2012年07期

10 石庆焱;一个基于神经网络——Logistic回归的混合两阶段个人信用评分模型研究[J];统计研究;2005年05期

，

本文编号：950111