商业银行贷款风险评价研究

童　：　螋　届圆商业银行贷款风险评价研究　文０吕晓艳　（中国矿业大学（北京）管理学院北京）　（七）用一下两式调整权值后，转（２）　１、误差信号反向传播　　摘要：本文研究了模拟退火神经网络　算法在商业银行贷款风险评价中的应用，　分析了商业银行贷款风险的影响因素，建　立了基于模拟退火神经网络的预测模型，　并用实例验证了模型的有效性。　关键词：贷款风险；模拟退火；神经网　络；预测模型　皇　三　序　瓷产　流　速动　负债　动　比率　直　比　蓝　号　１　Ｏ　３Ｏ　Ｏ　６　Ｏ　８２　姊　ＥＯｕｔ＿一ｎ础ｏｄｅ　好贷款还是不良贷款即可。贷款风险采用　以风险为基础的分类方法，把贷款划分为　正常、关注、次级、可疑、损失五类，前两　类为良好贷款，贷款风险用０表示，后三类　合称为不良贷款，风险用ｌ表示。　企业　所属　行业　优势　Ｏ　６６　引言　商业银行是以获取利润为经营目标，　以金融资产和金融负债为主要经营对象，　具有综合性服务功能的特殊企业。贷款业　务是商业银行的一项主要资产业务，在银　行业务经营过程中，有贷款的存在，就必　然有贷款风险管理。因此，贷款风险大小、　质量高低会对商业银行经营管理产生根本　影响。究其银行贷款风险的管理内涵，可　以说贷款风险管理是银行行为为防止和减　少贷款损失，采用有效的防范、消化和控　制，保障信贷资产安全和获利能力的活动　过程。　ＳＡＢＰ学习算法　（一）初始化。设定初始温度ｒ，初始　化各层的连接权矩阵（取【０，１］之间的值），　并将此时的权值作为初始系统最优解Ｗ”，　令初始系统最小误差Ｅ皿ｍ和当前最小误差　Ｅｒｒｏｒ为　Ｅｒｒｏｒ＝ｋ，其中　为足够大　的数。设定步长ｑ和动量　，确定阀值　Ｐ　，ｇ’令州＝０。　（二）置女；ｏ，且　＝　＋１。　（三）七＝七十１，对输入模式　（　ｔ勘　和对应的期望输出　（　）＝　（七］｝　，用下式求　一　利　销售　应收　存货　瓷产　利泔　销售　非流　息　利滑　账款　周转　报酬　收入　增长　收入　动瓷　保　童　周转　童　童　增长　直　现金　产适　障　塞　蜜　含量　应率　倍　敬　１　４　Ｏ　３５　ａ６８　Ｏ　２６　Ｏ　Ｏ７　Ｏ１２　Ｏ１４　Ｏ　９５　Ｏ　５３　企业　管理　贷　经营　者素　款　曹理　质　风　水平　险　ｎ舯　９２　Ｏ　ｊ　Ｏ　３８　０　６　０　６４　１　３　４　０　３４　Ｓ　Ｏ　２２　７　Ｏ　３５　８　０　３４　９　０４０　１０　０　３５　０　３２　０　５０　Ｏ　２８　Ｄ　８４　０　２４　８２　Ｏ　２Ｏ　０　８８　Ｏ　１８　０　２０　０　３６　０４２　０１　６　０４２　０　ｌ３　Ｄ　Ｏ１　Ｏ　Ｏ８　Ｏ　Ｏ８　０４６　Ｏ７４　０　０６　０　１８　０　０８　０１４　Ｏ１　５　０　８４　０１】　Ｏ１　２　Ｏ１　Ｏ　Ｏ　２Ｏ　Ｏ　０Ｏ　０１５　０　０２　０　１　３　Ｏ　５Ｏ　０７　Ｏ　３５　０　６２　０７８　Ｏ７２　ｄ４２　０　５５　０　９５　０　７０　Ｏ　７５　Ｏ　８９　０　９２　０　９４　０　８７　０７３　０　６６　０　８７　ｎ　Ｔ，　ｎ日１　ｎ日ｄ　Ｏ　５５　Ｏ　Ｏ　９６　１　Ｏ舛　１　０　５４　１　Ｏ　９３　Ｏ　９２　ｄ９８　０７５　０７３　３　Ｏ　２０　０　９　０　７３　Ｄ　Ｏ　９　Ｏ　８３　Ｏ　８　０　８　０７４　１口　６　０　３２　０　６　Ｏ７　０　６　０，４　０　Ｐ４　０　９２　０　９１　０７５　Ｏ　６　０７　１　３　１　５　－Ｄ　９７　０１５　．Ｏ　５６　Ｏ　０５　．０４　０ｌ　２　０　ｌ１　．Ｏ　１　２　．０４５　．０４９　．０　６ｊ　０　７５　Ｏ　８Ｏ　０　９２　０　８Ｏ　０　ｇＯ　０　８４　０　６２　０　９４　Ｏ　８Ｏ　Ｏ　８１　ｎ７１　０７２　０　９０　Ｏ１　３　Ｏ　０Ｏ　０１４　０　０４　０　１１　ｎ口　ｎ　ＴＲ　ｎ　ｎ　Ｒ０　ｎ　１　１　０　０　１　１　０　０　９５　０．４　２、权值按误差梯度方向下降　ｗ。＋　【　一　］＋砭：　（七）　㈣　（八）退火降温，令　：Ｔｃ，ｃ＞１，判断　Ｅｒｒｏｒ　。若是，系统最小误差旦　＝Ｅｒｒｏｒ，　系统最优权值Ｗ”：Ｗ‘，令ｇ＝ｏ；否则，　ｇ＝ｇ＋ｌ，Ｅｒｒｏｒ：皿ｍ。　表１　企业贷款风险原始数据表（部　分）　依据上述ＳＡＢＰ模型，该网络为三层　前馈网络，影响电力企业绩效的１　５个因素　作为输入层的１　５个节点，隐含层取１　６个节　点。到目前为止，精确预测隐含层所需要的　神经元的数目仍存在一些在理论上还没有　，（九）若ｇ超过阀值ｑ’，表示温度下降　多次，误差都不再减小，此时再没有降温　的必要，输出最优权值Ｗ“，算法停止；否　则，令当前最优解　”：　‘，当前系统最优　误差为Ｅｒｒｏｒ＝置　，转（２）。　解决的问题，大多采用“试凑法”来确定隐　含层节点数，本文隐含层取为１　５个节点也　是经过不断实验得到的。隐含层的传递函　数为双曲正切Ｓ形函数（ＴＡＮＳＩＧ）。此ＳＡＢＰ　网络的输出层节点数为１，输出层的传递函　出网络的实际输出ｙ（　）：（　（七］）　，　＝１，２，Ａ，Ⅳ。　风险的整体现状进行综合评价。本文采用　差平方和ｓｓＥ。初始温度Ｔ定为１　００，初始　企业偿债能力、企业盈利与运营能力、发　化各层的连接权矩阵为０矩阵，网络训练时　∽＝而　展能力、客户环境四个一级指标，一级指　的最大步长ｅｐｏｃｈｓ为１０００００步，网络性能目　标下含１　６个二级指标，偿债能力指标包含　标（ＳｓＥ）ｇ０ａ１设为０．０００００１（１ｅ－６，１０　６），　（四）对每次的输出　），求出平方型　资产负债率、流动比率、速动比率、利息　学习速率１　ｒ定为０．０１，动量常数ｒｎｃ为０．　保障倍数；盈利与运营能力指标包括销售　误差　（妨＝÷（ｚ，（妨一　（呦’，　∈Ｏｕｔ—ｎｏｄｅ。式　利润率、应收账款周转率、存货周转率、资　９，每次梯度动量下降步长　为１．２，两次　ＯＷ为５　０。应用传　产报酬率；发展能力指标包括销售收入增　显示之间的训练次数Ｓｈ　中，Ｏｕｔ一　。幽为输出神经元集合。　长率、利润增长率、销售收入现金含量、非　统的ＢＰ网络和ＳＡＢＰ网络分别对电力企业　若ｋ：Ⅳ，表示用所有的样本点对网　绩效评价标准化后的数据进行多次训练和　流动资产适应率；客户环境指标包括宏观　络训练了一遍，转（５），否则，转（６）。　学习，得到他们最好的梯度下降图，传统　经济形势、企业所属行业优势、企业经营　ＢＰ网络经过６　２　０　８次训练达到精度要求，　管理水平、管理者素质。１～１　２指标的数据　ｆｖ　（七）：∑ｗ　（婶一　（七）　二、实例　数（Ｔｒａｎｓｆｅｒ　ＦｔｌｎｃｔｉＯ１３．　）为线性函数　商业银行客户贷款风险分析旨在通过　（ＰＵＲＥＬＩＮ）。该网络采用模拟退火算法对　对目标客户所处的宏观环境、经营状况、　Ｂ　Ｐ神经网络的权值进行反复训练，直到取　财务状况等方面的研究，对目标客户贷款　到合适的权值为止。训练时性能函数为误　（五）如果　善　互　（　～苫　量　）‘。说　属于量化数据，可以从企　３７　３８　３ｇ　４０　明此次训练减少了误差，是成功的，接受这　次修改的权值，增大误差的梯度下降步长　Ⅳ　，３６　业中收集，１　３—１　６指标属　企业　于定性指标，可以采用专　实际值　１　家打分来确定，由于是对　预测值　０．９９９９ｇ４　跚　我国的企业贷款风险进行　。　１，判断是否有若　茳（　）‘ｇｒｒｏ　，　研究，所以对于我国的企业来言，所面临的　若是，则置控制参数ｐ＝０，当前最小误差　宏观经济形势都是一样的，即对贷款风险　的确定没有影响，本文舍去此项指标。　本文收集了河北省４　０个企业贷款风　丢　二　），令当前最优解　为当前　险因素的数据，通过对数据的处理和运　权值，转（６），否则，置Ｐ＝Ｐ＋１，转（６）。　用，训练模型。以贷款风险作为目标搜集数　如果Ａｅ　０，则Ｐ＝Ｐ＋１，按概率　据，１—１　２指标的数据属于量化数据，可以　ｅ　（一Ａｅ／＂／３决定是否接受当前权值，被接　从企业中收集，１　３—１　６指标属于定性指标，　受，则增大步长　＝ｒｉａ，　＞ｌ，转（６），若　本文采用专家打分，一共邀请１　０名专家，每　不被接受，则减少步长　＝ｒｌａ，ｂ¨，令动　名专家对每个指标有１　００分，根据个人经验　量为０，转（２）。　赋值，每个指标的总得分／１　０００，由此确定　（六）如果Ｐ超过阀值Ｐ’，则说明在　１　３～１６项指标的数据。原始数据如表１所示。　当前温度７，下很难找到比Ｅｒｒｏｒ更小的误　对于本文来说，只要分出是否需要贷款给　差，转（８），否则转（７）。　企业，所以，只要区分出风险高还是低，良　Ⅳ　０　１　１　０　０．９９９９鲥７８５　０．９９９９９＇１７　０．ＯＤＤ００Ｏ０Ｏ０　ＳＡＢＰ网络经过２３２次达到精度要求。　表２　网络预测值与风险实际值的比较　通过比较，预测的数据逼近１或者逼　近０，误差非常小，在接受的范围内，得　到了第３６、３　８、３　９个企业风险过高，应该　不予以贷款；第３７、４０风险低，可以贷款，　结果与实际相符，验证了模拟退火神经网　络风险预测模型的有效性。　参考文献：　［１］案继红．贷款风险的模糊神经网络评价模型　及应用研究．华中科技大学．２　０　０　２　［２］黄辉．浅论企业绩效评价非财务指标的设置　［Ｊ】，四川会计，２００１（４）：４２　４４　１２３