基于BP算法的信用风险评价模型研究.pdf

数学的实践与认识
第!!卷第"期3456!!-46"
年月
#$$!"%&’()%&’*+,*-./&+’*+)&-0’()1/2&898:;<#$$!
77777777777777777777777777777777777777777777777777777777

基于=>算法的信用风险评价模型研究

庞素琳?<#<王燕鸣?<黎荣舟!

@?A中山大学数学与计算科学学院及岭南学院金融系<广州B?$#CBD
@#A暨南大学数学系<广州B?$E!#D
@!A华南理工大学交通学院<广州B?$EF$D

摘要
G本文利用神经网络技术建立基于H.算法的信用风险评价模型<为我国某商业银行?#$家贷款企业
进行信用风险评价<按照企业的信用等级分为I信用好JKI信用中等J和I信用差J三个小组A仿真结果表明<
本文所建立的神经网络信用风险评价模型的分类准确率高于传统的参数统计分类方法LL线性判别分析法
的分类准确率A文中还详细给出神经网络信用风险评价模型的网络构建方法及基于H.网络的学习算法和
步骤A
关键词
G信用风险评价模型MH.算法M线性判别分析法

N引言
线性判别分析法@PQRSTU0Q:VUQWQRTR;&RT5X:Q:<简称P0&D是最早用于建立信用评价
模型的一种简单的参数统计方法A由于判别模型是以企业的特征财务比率为解释变量<而
企业的特征财务比率常常是多维的<故最常用的还是多元判别分析法@%85;QYTUQT;S
0Q:VUQWQRTR;&RT5X:Q:<简称%0&DA?ZE"年<)[\TU[*A&5;WTR博士率先将判别分析法应
用于财务危机K公司破产及违约风险的分析<建立了著名的]O:V4US模型和在此基础上改进
的])’&模型^?_A目前<])’&模型已商业化<广泛应用于美国K意大利等国的商业银行<取
得了巨大的经济效益^#_A但这一方法最大的缺陷在于其过于严格的假定条件<如要求每组
数据G
?D服从多元正态分布M
#D各总体协方差矩阵相同M
!D均值向量K协方差矩阵K先验概率和误判代价是已知的M
等<但在实际中所处理的数据都有不同程度的违背A
进入#$世纪Z$年代<神经网络@-S8UT5-S;\4U‘D引入了银行业<用于信用风险识别和
预测A神经网络是一种具有模式识别能力<自组织<自适应<自学习特点的计算机制<它的知
识编码于整个权值网络<呈分布式存储且具有一定容错能力A神经网络对数据的分布要求
不严格<也不需要详细表述自变量与因变量之间的函数关系A神经网络的这些特性<使之很
快成为信用风险分析方法的一个热点A
?ZZ#年<aSR:SR利用H.网络对贷款企业进行分类<分类的准确性达到CEL"$b^!_A
+4T;:和.TR;@?ZZ!D采用神经网络分析法对美国公司和银行的财务危机分别进行了预测<
取得了一定的成果^F_A&5;WTR<%TUV4和3TUS;;4@?ZZFD应用神经网络技术对意大利公司进

收稿日期万方数据G#$$#O??O#F
基金项目G广东省自然科学基金资助@项目编号G$#?CE!D
4期庞素琳9等>基于.W算法的信用风险评价模型Y3

行财务危机预测!"#$%&’()*+&,-./&,0123345构造了一个神经网络和简约集成分的复合模
型对银行控股模式进行了预测!6#$7888年9:&;+-<)’=建立五种不同的神经网络模型>多
层感知器1*?/=+/&@)AB)A0)B=AC,5D专家杂合系统1*+E=?A)FCGF)EB)A=’5D径向基函数
1A&-+&/H&’+’G?,0=+C,5D学习向量量化1/)&A,+,I;)0=CAJ?&,=+K&=+C,5和模糊自适应共振
1G?KK@&-&B=+;)A)’C,&,0)59用来研究商业银行信用评价的准确性!L#$M)’(*+N&/(C=A&9
:$O$N&/(C=A&178875利用神经模糊系统对P信用好Q和P信用差Q的贷款企业进行了辨
识!4#$
在我们国家9无论是用统计方法D计量经济模型还是用神经网络技术来研究信用风险分
析起步都非常晚9目前对企业财务困境进行预警研究尚属于起步阶段$2333年9毛定祥采
用复合财务系数对上市公司进行了财务评价!3#$陈晓和陈治鸿178885采用RS和非RS公司
财务数据运用TCI+=模型对上市公司进行了预测9判别准确率为46U"V!28#$2333年9王春
峰9万海晖和张维用神经网络技术进行商业银行信用风险评估!22#$郝丽萍9胡欣悦9李丽
178825利用.W网络模型对商业银行信贷风险进行分析和预测!27#$杨保安9季海178825利用
.W网络算法对商业银行贷款风险进行预警研究!2X#$
已有研究表明9当把样本空间分为两类时9神经网络分类的准确率是比较高的!492Y#$但
当把样本空间分为三类时9