中南大学学报 ( 社会科学版 ) 013 年第 19 卷第 5 期要成正态分布等都与的实际情况不符因此, 统计方法评价信用风险有很大的局限性 ( 三 ) 人工智能方法时期从上世纪 90 年代开始, 信用评价就进入了一个集人工智能计算机技术和系统技术于一体的人工智能方法时期随着人工智能的发展和

Size: px

Start display at page:

Download "中南大学学报 ( 社会科学版 ) 013 年第 19 卷第 5 期要成正态分布等都与的实际情况不符因此, 统计方法评价信用风险有很大的局限性 ( 三 ) 人工智能方法时期从上世纪 90 年代开始, 信用评价就进入了一个集人工智能计算机技术和系统技术于一体的人工智能方法时期随着人工智能的发展和"

邮鲁
7 years ago
Views:

1 第 19 卷第 5 期中南大学学报 ( 社会科学版 ) Vol.19 No 年 10 月 J. CENT. SOUTH UNIV. (SOCIAL SCIENCE) Oct. 013 基于模糊神经网络的信用风险评估模型研究楼裕胜 ( 浙江金融职业学院会计系, 浙江杭州,310018) 摘要 : 根据浙江省信用评价指导性标准和规范所确定的信用评价指标体系, 建立了模糊神经网络的信用风险评估模型该模型中确定的模糊规则层具有自调节的功能, 可以较好地实现对信用风险的评价利用 MATLAB 010a 编程对样本数据进行实证分析, 结果表明模糊神经网络评价信用风险具有较高的准确性和稳定性关键词 : 模糊神经网络 ; 信用风险 ; 评估模型中图分类号 :F80 文献标识码 :A 文章编号 : (013) 信用风险是指交易对方没有意愿或没有能力履行既定合同条件而造成违约, 致使债权人或交易方遭受经济损失的可能性信用风险产生的原因有内部自身的因素, 也有外围环境因素经营不善决策失误导致无法履约等自身因素往往被认为是信用风险的根本原因 [1] ; 而国内外宏观经济环境法律法规制度及政治制度的突变也成为当前信用风险成因不可忽视的因素理论和实践已表明当今的中国已经步入了信用经济时代, 这就要求作为中国经济主体的, 在生产经营活动中需要感知风险预测风险和规避风险, 以确保契约关系的如期履行这既是经营与发展的根本, 也是国家和地区经济体系正常运行的基本前提因而如何科学有效的评价的信用风险, 对维护国家金融安全与经济健康运行的意义与价值是不言而喻的一文献回顾信用评价是穆迪 (Moody) 公司的创始人约翰穆迪在 1890 年首创提出的债券风险管理体系, 通过债券的信用评价确定债券等级, 目的是帮助投资者对债券做出选择, 同时也为管理者的生产经营决策提供建议到上世纪二三十年代, 信用评价开始在欧美国家风行, 评价的技术也在与时俱进总结其发展历程, 评价技术大致可以划分为经验判断时期统计模型时期和人工智能方法时期 ( 一 ) 经验判断时期这一时期主要集中在 0 世纪 50 年代以前, 依赖评估人员的经验和能力对的信用状况作出判断在多年的实践中, 逐渐形成了 6C 5P 及 LAPP 等要素信用评价方法但经验判断法对评估人员的能力与水平有很高的要求, 而且由于不同评估人员的的认识不同导致评价结果差异较大, 评价结果公正性难以保证 ( 二 ) 统计模型时期在上世纪 50 年代到 90 年代期间, 统计方法开始在信用评价技术中大量使用 Beaver [] 在 1968 建立单变量多元分析模型 (Z 模型 ), 但这种方法会存在不同变量导致不同的评价结果的缺陷针对这一缺陷, Altman [3] 利用多元判别分析法进行改进建立了 Zeta 模型, 明显提升了风险预警的效果 1980 年 Ohlson [4] 开始运用 Logt 回归模型进行信用评价, 而后 Collns 和 Green(198) Gentry Newbold 和 Whtford (1987) 的研究表明了 Logt 回归模型在信用评价方面优于 Zeta 模型 Jone 和 Hensher(004) 使用混合 Logt 模型提高风险评价的准确程度随着信用评价技术的完善, 一些新的统计方法不断在实践和应用, 如 KMV 模型 VaR 方法均在信用风险评价中使用, 这些模型的出现意味着统计方法在信用风险度量技术的广泛使用但是统计学方法应用在信用评价中也有很多的不足, 如统计模型要求评价指标的关系是线性的, 指标收稿日期 : ; 修回日期 : 作者简介 : 楼裕胜 (1971 ), 男, 浙江东阳人, 浙江金融职业学院教授, 主要研究方向 : 信用管理.

2 中南大学学报 ( 社会科学版 ) 013 年第 19 卷第 5 期要成正态分布等都与的实际情况不符因此, 统计方法评价信用风险有很大的局限性 ( 三 ) 人工智能方法时期从上世纪 90 年代开始, 信用评价就进入了一个集人工智能计算机技术和系统技术于一体的人工智能方法时期随着人工智能的发展和应用, 神经网络方法 (ANN) 开始进入信用评价的应用和研究领域相对于统计方法, 神经网络对样本数据分布要求不严格, 具有较强的鲁棒性和较高的预测精度, 这些优势使其成为信用风险评价的有效工具 Sngleton 和 Surkan [5] 的研究表明神经网络方法的准确率比信用评分法的准确率要高 16% Altman Macro 和 macro [6] 的研究也证实了神经网络准确率远高于信用评分法准确率我国学者对于信用评价问题的研究起步较晚, 相比发达国家成熟的信用评价体系存在着相当大的差距特别是在信用评级的实践中, 仍然以信用评分为主, 在评价方法上, 又以统计分析为主, 而对于神经网络方法衍生工具方法的应用研究相对较少基于此, 本文构建模糊神经网络方法探索信用风险评价方法础和依据, 本文按照浙江省信用评价指导性标准和规范提供的指标体系 [7], 其评价指标主要分为 5 个大类 15 个中类及 48 个初始指标集, 即 1 基本状况大类指标 : 基本条件, 人力资源, 管理能力 ; 财务状况大类指标 : 债权债务, 营运能力, 盈利能力 ; 3 发展潜力大类指标 : 行业状况, 技术实力, 成长能力, 发展战略 ;4 公共信用监管大类指标 ;5 招标投标监管信息大类指标 : 招标投标信用记录, 合同履约情况, 获奖情况本文样本的财务指标数据均来自于审计后的财务报表, 定性指标则通过实地调查或监管部门的官网信息所得, 因而所有的信用信息真实可靠由于信用评价指标体系中的各个指标计量单位不同, 在分析之前必须通过归一化处理, 化为无量纲的表达式, 即为纯量指标归一化的方法有很多, 本文使用如下算子 ( 即 matlab 中的 mapmnmax) 进行归一化处理 : x x mn y = ( y max y mn ) + y x x 其中 :y max 默认取为 1,y mn 默认取为 1, 这样把原始数据归一化到 1 至 1 之间, 以便于后续的运算处理 max mn mn 二研究方法与样本来源三模糊神经网络构建 ( 一 ) 研究方法本文中的 T S 模糊系统是一种自适应能力较强的模糊系统应用, 该模型不仅能自动更新, 而且还能不断修正模糊子集的隶属函数 T S 模糊系统用 f then 的规则来定义, 其模糊推理如下 : R :f x 1 s then A 1,x s 0 A,,x k s 1 1 y = p + p x + L + p k x k A k 其中 : A k 为模糊系统的模糊集 ; p k 为模糊系统的参数 ;y 为根据模糊规则得到的输出该模糊推理的输出部分是模糊的, 输入部分是确定的, 且输出为输入的线性组合 ( 二 ) 样本来源本文中的样本来源于 01 年度浙江省重点工程招投标领域信用评级为了评价的一致性, 受评的 7 户均为土木施工类, 其中 55 户作为神经网络的学习样本,17 户作为检验样本, 样本数据均由杭州资信评估公司提供 ( 三 ) 评价指标说明信用评价指标体系是科学评价信用状况的基 ( 一 ) 模糊神经网络的输入与输出本文构建三层神经网络, 模型的第一层为输入层, 因为有 48 个输入参数指标, 所以输入层设置了 48 个神经元 ; 第二层为隐含层, 隐含层神经元个数要依据网络学习的拟合速度选取, 此处设置为 100 个 ; 第三层为输出层, 由于输出参数为一个, 即为的信用等级, 故输出层设置 1 个神经元流程 ( 二 ) 基于模糊神经网络的信用风险评价的信用风险评价要将输入样本数据归一化后求隶属度, 旨在将数据模糊化, 再采用连乘算子作为模糊算子, 计算模糊模型输出值, 其结果为逆模糊化的输出通过误差计算矫正隶属度参数, 训练模糊神经网络, 将训练好的网络对测试数据进行信用评价该过程如图 1 所示 ( 三 ) 模糊神经网络的学习算法 1. 误差计算 e = 1 ( y d y 式中 :y d 是网络期望输出 ;y c 是实际网络输出 ;e 为期 c )

3 经济与管理楼裕胜 : 基于模糊神经网络的信用风险评估模型研究 3 从图到图 5 可知, 经过次训练, 个别点的误差仍然较大, 没有趋于稳定在经过次训练后, 所有点的误差非常小, 训练好的模型能够用于测试数据的信用评价图训练次数据预测图 1 信用风险评价流程图望输出和实际输出的误差. 系数修正 e p ( k ) = p ( k 1 ) α p e p = ( y d y c ) w / m = 1 w x 3. 参数修正 e c ( k ) = c ( k 1 ) β c e b ( k ) = b ( k 1 ) β b 式中 : c b 分别为隶属度函数的中心和宽度图 3 训练次数据预测四实证研究结果本文采用 MATLAB 010a 编程, 实现模糊神经网络过程对该网络进行训练经过训练得到模糊神经网络的真实结构该结构由 48 个神经元的输入层,1 个神经元的输出层和 100 个神经元的隐含层构成, 经过大量次数的训练, 得到训练结果 ( 一 ) 误差分析图 4 训练次数据预测

4 4 中南大学学报 ( 社会科学版 ) 013 年第 19 卷第 5 期 AAA A AAA AAA AA AA AAA AAA AAA AA AAA AA AAA AAA AAA A AAA 图 5 训练次数据预测在不同训练次数下误差波动不大, 说明经过次训练以后的误差已经趋于稳定从图 6 和图 7 中可以看出, 需要较大的训练次数误差才能趋于稳定, 主要原因在于训练样本中等级的不连续性, 例如一个的数据理论上应该化分为等级.4, 但是在实践应用中的等级却只有和 3, 按照接近原则划分到, 这样的误差出现在训练样本中将会对训练结果的好坏预测结果的好坏有着较大的影响图 7 不同训练次数下的绝对误差分析图 6 不同训练次数下的相对误差分析图 8 检验样本信用等级预测结果由于反归一化后结果不一定是整数, 这与信用等级不一致, 所以有必要对结果取整, 当输出结果小于 1.5, 其等级为 AAA( 图上为 1), 输出结果为 1.5~.5, 其等级为 AA( 图上为 ), 输出结果为.5~3.5, 其等级为 A( 图上为 3), 输出结果大于 3.5, 其等级为 BBB( 图上为 4) 测试样本评价结果如图 8, 等级 1 代表 AAA, 代表 AA,3 代表 A,4 代表 BBB 即: 五结语 (1) 本文根据浙江省信用评价指导性标准和规范的要求确立了信用风险评估的指标体系, 构建了信用风险评估的模糊神经网络模型通过 MATLAB 010a 编程, 实现模糊神经网络过程对该网络进行训练实证研究表明, 模糊神经网络适用于信用风险评价, 且网络预测误差小

5 经济与管理楼裕胜 : 基于模糊神经网络的信用风险评估模型研究 5 () 利用模糊神经网络得到的信用评价结果与杭州资信评估的评价结果基本一致经对比, 有 4 个的评价结果发生了一个等级的差异参考文献 : [1] 张瑛. 新兴技术信用风险评估方法研究 [D]. 成都 : 电了科技大学, 009. [] Beaver W H. fnancal ratos as predctors of falure[j]. Journal of Accountng Research, 1966: [3] Altman E I. Fnancal Ratos Dscrmnant Analyss and the Predcton of Corporate Bankruptcy[J]. Journal of Fnance, 1968, 3: 4 7. [4] J S. Ohlson. Fnancal Ratos and the Probabltstc Predcton of Bankruptcy [J]. Journal of Accountng Research, 1980, 4: [5] Sngleton. And Surkan. D. Smulatng Correlated Defaults [J]. Paper presented at the Bank of England Conference on Credt Rsk Modelng and Regulatory Implcatons, 003, 9: [6] Altman, E. I. and A. Macro. Credt Rsk Measurement: Developments over the Last Twenty Years [J]. Journal of Bankng and Fnance, 004, 11: [7] 浙江省信用浙江建设领导小组办公室文件 ( 浙信用办号 ). The Research on Corporate Credt Rsk Evaluaton Model Based on Fuzzy Neural Network LOU Yusheng (Zheang Fnancal College, Hangzhou , Chna) Abstract: Accordng to the corporate credt evaluaton ndex system stpulated by Zheang provnce enterprse credt evaluaton gudelne standards and specfcatons, the author establshes the corporate credt rsk fuzzy neural network evaluaton model. In ths paper, the fuzzy rule layers determned n ths model have self adustment functon, and can better realze the evaluaton of corporate credt rsk. The author conducted the emprcal Analyss on sample data by usng MATLAB 010a programmng, of whch the results show that the fuzzy neural network evaluaton of corporaton credt rsk can be wth hgher accuracy and stablty. Key Words: fuzzy neural network; corporate credt rsk; Evaluaton model [ 编辑 : 汪晓 ]

Yahoo " (MIC) 2004 2003 B2C C2C 204 2002 36% 0.39% 1.5% 2003 125 B2C C2C 30% 70% 2004 200~250 2004 10 11 Yahoo 344 ebay 128 ( 1) 2005 1 Yahoo PDA 97,4

Yahoo (MIC) 2004 2003 B2C C2C 204 2002 36% 0.39% 1.5% 2003 125 B2C C2C 30% 70% 2004 200~250 2004 10 11 Yahoo 344 ebay 128 ( 1) 2005 1 Yahoo PDA 97,4 C2C Logstc hhchang@mcu.edu.tw Yahoo 500 Logstc 93% C2C C2C Imposng Taxes on C2C Internet Aucton the Applcaton of Logstc Regresson Abstract Accordng to taxaton prncples about Internet aucton announced by