基于BP神经网络的贷前财务风险评级模型研究及应用

发布时间：2020-04-22 15:41

【摘要】：在复杂多变的经济环境中,任何企业都面临着种种风险,商业银行作为经营金融资产的特殊企业,更是风险聚集的焦点,其中信贷风险占有特殊的重要地位。信贷风险的实质是信贷资金安全系数的不确定性,根据巴塞尔新资本协议规定,在信贷资金风险控制管理过程中,提高借款人违约率评估的准确性是信贷资金风险控制的关键,因此,在贷前调查过程中对客户进行财务风险评级就显得尤为重要,它可以帮助商业银行客户经理在信贷资金发放的源头进行风险控制,从财务风险角度将不符合信贷发放标准的企业剔出,进而避免信贷资金的损失。我国商业银行信贷风险管理起步较晚,信贷风险评估仍然主要使用传统的比例分析模式(如主观分析法或财务比率分析法),往往存在主观臆断性较强,缺乏客观评价基础等问题,有关的信息往往残缺不全,部分因素带有模糊性,得到的结果有时会和实际情况有较大出入。神经网络带有高速并行处理信息的机制且具有高速的自学习、自适应能力,内部有大量的可调参数,系统灵活性很强,同时其后天学习能力使之能随环境的变化而不断学习,与传统的风险评估办法相比表现出更强的功能,因此逐渐被用于商业银行信用风险评估。本文选取了目前应用最广泛的神经网络—BP神经网络,该网络能够解决多层网络模型中隐含层的连接权问题,提高了神经网络的学习和记忆功能,采用了最小均方差的学习方式,通过配置阶段、训练阶段和测试阶段三个阶段来完成模型的训练和学习。模型采用的所有数据均来自于浦发银行沈阳分行信贷客户的相应财务报表,主要包括13项能够反映企业生存情况的财务指标(资产负债率,产权比率,利息保障倍数,流动比率,速动比率,净资产收益率,资本金收益率,主营业务利润率,净利润率,应收帐款周转率,存货周转率,总资产周转率和收入增长率)。同时有针对性的从不同客户等级(A+,A,BBB)选取训练数据,利用matlab软件进行仿真,保证了模型训练输出数据的合理性和可靠性。在完成了模型的训练和学习过程之后,选择了不同客户等级的测试数据来验证模型的可用性,从而起到贷前风险控制的参考作用。
【图文】：

曲线,系统训练,训练集,输出结果

图 2 系统训练集误差变化曲线仿真得到训练集输出结果如表 5 所示。表 5 训练集输出结果企业期望输出实际输出1 （1，0，0） (0.9336，0.0504，0.0580)2 （1，0，0） (0.9394，0.0600，0.0577)3 （1，0，0） (0.9567，0.0673，0.0343)4 （1，0，0） (0.9562，0.0470，0.0665)5 （1，0，0） (0.9207，0.0391，0.0318)6 （0，1，0） (0.0755，0.9577，0.0185)7 （0，1，0） (0.0061，0.9604，0.0459)8 （0，1，0） (0.0667，0.9362，0.0598)9 （0，1，0） (0.0526，0.9530，，0.0006)10 （0，0，1） (0.0216，0.0689，0.9426)11 （0，0，1） (0.0468，0.0203，0.9548)12 （0，0，1） (0.0540，0.0000，0.9509)13 （0，0，1） (0.0506，0.0000，0.9990)
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2011
【分类号】：F832.4

【参考文献】