基于V-foldCross-validation和Elman神经网络的信用评价研究
商业银行信贷风险识别的神经网络模型
商业银行信贷风险识别的神经网络模型作者：秦江波王宏起来源：《商业研究》2009年第11期摘要:由于信贷风险的复杂性和高度非线性,中国商业银行运用五级分类信贷制度难以把握贷款在未来的变动情况。
为此,根据Elman神经网络原理,利用其非线性与泛化的能力,建立了一个基于Elman神经网络的商业银行信贷风险识别及评估模型,并通过实例来验证其有效性,以实现对实际信贷风险的最准确化预测。
关键词:信用等级;信贷风险;神经网络中图分类号:F830 文献标志码:B违约风险是商业银行信贷风险主要表现,即由于贷款人不愿或无能力正常偿还贷款本息从而导致银行遭受损失可能性,这是不良贷款产生的最直接原因[1]。
商业银行对贷款进行风险识别和评估能够及时、准确地发现信贷风险的影响因素,并能连续地掌握信贷风险的特征、大小及变动趋势,使得银行在风险管理中降低不良贷款的风险和减少损失[2]。
目前,欧美商业银行在信贷风险识别和评估方面主要采用的度量模型包括KMV模型、Credit Metrics模型、Credit Risk模型和Credit Portfolio View等。
我国推行五级分类国际标准制度,但实际中难以把握贷款在未来的变动情况,需要发展合适的信贷风险识别及评估模型。
由于信贷风险的复杂性和高度非线性,不断有新的风险识别和评估模型出现,例如支持向量机模型、专家系统等[3],不同模型需要和不同的应用对象相结合,以实现对实际信贷过程风险的最准确化预测。
为此,本文根据Elman神经网络的特点,利用其非线性与泛化的能力,建立了一个基于神经网络的商业银行信贷风险识别及评估模型并进行了实证研究。
一、Elman神经网络模型理论基础Elman型神经网络一般分为输入层、隐层、承接层和输出层。
[4],其输入层、隐层、输出层的连接类似于前馈网络,输入层的单元仅起信号传输作用,输出层单元起线性加权作用。
隐层单元的传递可采用线性或非线性函数,承接层用来记忆隐层单元前一时刻的输出值。
基于粒子群优化的神经网络对银行个人信用评价的应用
——■＿
经济工作 ・Ｃ Ｎ Ｍ Ｃ Ｐ Ａ ＴＣ Ｅ Ｏ Ｏ Ｉ Ｒ Ｃ ＩＥ
基 粒 群 化 神 网 对 行 人 用 价 应 于 子 优 的 经 络 银 个 信 评 的 用
文 ／ 晓芸 叶 李
一
枫
、
引 言
权 所 组 成 ， 拓 扑 结 构 如 图 １ 示 。 络 的 学 习 过 程 由信 息 正 向 其 所 网
在我国个人信用 法律制度 尚不健全 ， 个人信用状况较差 、 水 平较低 ， 信用缺失现象严重 的实际情况下 ， 强个 人信用评估指 加
传播和误差反 向传播构成。
Ｂ Ｐ算 法 是 最 普 遍 的 神 经 网络 训 练 算 法 。但 是 ， ｍ ｌａｔ Ｒ ｕｈｒ研
标体系与个 人信用评 估方 法的研究 ，可以极 大地 降低 信贷风险
。
男性取值 １女性取值 ２ ，
２ 以下 １２ — ５为 ２ ３— ０ ３５ ５岁 ，６ ３ ，６ ５ 为 ，０以 上 为 ４
初 等教育取值 １ 中等教育取值 ２ 高等教育取值 ３ ， ，
３０ ０ ０以下 为 １ ３０ － ０ ０为 ２ ５ ０ － ０ ０为 ３ ７ ０ 一 １０ ，０ ０ ５ ０ ，０ ０ ７ ０ ，００ ｌ０ ０为 ４ １００以上 为 ５ ，１０
过 神 经 网
粒 子 的适 应 度 ） 。如 果 均 方 差 小 于 系 统 指 定 的 误 差 精 度 ， 训 练 过 程 停 止 ， 则 继 则 否
续进彳 迭代 ，直到最大迭代 了 次数 。整个算法 的流程图如
１ ０ 经济论坛 ２ ０ ・ Ｏ ０８ ２
维普资讯
Ｅ Ｏ Ｏ Ｉ Ａ ＴＣ ・ Ｃ Ｎ Ｍ Ｃ Ｒ ＣＩＥ 经济工作 —■—■● Ｐ
神经网络中的模型评估指标详解
神经网络中的模型评估指标详解神经网络是一种受到生物神经系统启发的人工智能技术，它通过模拟人类大脑的工作方式来实现各种复杂的任务。
在神经网络的训练过程中，模型评估是一个至关重要的环节，它用于衡量模型的性能和准确性。
本文将详细介绍神经网络中的模型评估指标。
在神经网络中，模型评估指标可以分为两大类：分类问题和回归问题。
分类问题是指将输入数据分为不同的类别，而回归问题则是预测连续数值。
接下来，我们将分别介绍这两类问题中常用的模型评估指标。
对于分类问题，最常见的评估指标是准确率（Accuracy）。
准确率表示模型正确分类的样本占总样本数的比例。
然而，准确率并不能完全反映模型的性能，特别是在不平衡数据集中。
在这种情况下，我们需要考虑其他指标，如精确率（Precision）和召回率（Recall）。
精确率表示被分类为正例的样本中真正为正例的比例，而召回率表示所有正例中被正确分类的比例。
为了综合考虑精确率和召回率，我们可以使用F1分数（F1-Score），它是精确率和召回率的调和平均。
除了准确率、精确率、召回率和F1分数，还有一些其他常用的分类评估指标，如ROC曲线和AUC值。
ROC曲线是以假正例率（False Positive Rate）为横轴，真正例率（True Positive Rate）为纵轴绘制的曲线。
ROC曲线可以帮助我们在分类器的不同阈值下选择最佳的工作点。
而AUC值则是ROC曲线下的面积，它可以衡量分类器的性能，AUC值越大，分类器的性能越好。
对于回归问题，常用的评估指标包括均方误差（Mean Squared Error，MSE）、均方根误差（Root Mean Squared Error，RMSE）和平均绝对误差（Mean Absolute Error，MAE）。
均方误差是预测值与真实值之间差异的平方和的平均值，均方根误差则是均方误差的平方根，而平均绝对误差是预测值与真实值之间差异的绝对值的平均值。
神经网络法在商业银行信用风险计量中的应用
神经网络法在商业银行信用风险计量中的应用作者：杨肃昌仇亚萍来源：《合作经济与科技》2016年第05期[提要] 本文在介绍国内外商业银行信用风险计量方法基础上，详细归纳总结从1999～2007年和2008～2015年两个阶段内，我国应用神经网络模型解决商业银行信用风险计量问题的研究发展历程，发现该模型还存在一定缺陷，需要继续进行研究和改进，并在此基础上提出改进建议。
关键词：神经网络；商业银行；信用风险计量中图分类号：F83 文献标识码：A收录日期：2015年9月9日1999年，《巴塞尔新资本协议》首次提出应用于商业银行信用风险计量的标准法和内部评级法，对各国产生了巨大影响，商业银行信用风险管理一度成为国内外经济学界关注的焦点，然而十几年过去了，我国信用风险管理并未达到理想的效果。
根据银监会监管统计数据，截至2014年末，商业银行不良贷款余额累计达8，426亿元，不良贷款率1.25%，较年初增长0.25个百分点，整个银行业信用风险居高不下，并且持续上升。
作为商业银行的主要风险，信用风险的管理有着特殊的地位。
信用风险管理主要由信用风险的识别、评估（计量）、监测、报告与控制等环节构成。
其中，信用风险的评估是基础。
特别是，在利率市场化背景下，对信用风险的准确评估和价值把握将成为新形势下商业银行盈利的关键。
20世纪90年代以来，信用风险评估技术日新月异，在传统多元判别法、logit模型等传统信用评分法的基础上，涌现出一批现代信用风险度量模型。
典型的有以预期违约概率为核心的KMV模型和基于VAR理论的Credit Metrics模型。
但其参数的初始化对历史经验数据有较高要求，而我国商业银行的信用信息系统建设尚处于初级阶段，数据积累十分有限且不易获得，因此上述模型并未在我国得到广泛应用。
目前，随着金融数学、信息技术和计算机网络的蓬勃发展，以神经网络为首的数据挖掘技术被引入信用风险评估领域。
大量研究显示，神经网络对数据的要求并不十分严格，同时也不必探究清楚被解释变量与解释变量之间准确的函数关系，这就与我国信用风险管理尚未成熟的现状相契合；同时，神经网络特有的非线性映射能力和较强的鲁棒性使得模型预测准确快速，具有明显优势。
五大神经网络模型解析
五大神经网络模型解析近年来，人工智能的快速发展使得深度学习成为了热门话题。
而深度学习的核心就在于神经网络，它是一种能够模拟人脑神经系统的计算模型。
今天，我们就来一起解析五大神经网络模型。
1.前馈神经网络（Feedforward Neural Network）前馈神经网络是最基本的神经网络模型之一。
在前馈神经网络中，信息是单向传输的，即神经元的输出只会被后续神经元接收，不会造成回流。
前馈神经网络能够拟合线性和非线性函数，因此在分类、预测等问题的解决中被广泛应用。
前馈神经网络的一大优势在于简单易用，但同时也存在一些缺点。
例如，神经网络的训练难度大、泛化能力差等问题，需要不断探索解决之道。
2.循环神经网络（Recurrent Neural Network）与前馈神经网络不同，循环神经网络的信息是可以进行回流的。
这意味着神经元的输出不仅会传向后续神经元，还会传回到之前的神经元中。
循环神经网络在时间序列数据的处理中更为常见，如自然语言处理、语音识别等。
循环神经网络的优点在于增强了神经网络处理序列数据的能力，但是它也存在着梯度消失、梯度爆炸等问题。
为了解决这些问题，一些变种的循环神经网络模型应运而生，如长短期记忆网络（LSTM）、门控循环单元（GRU）等。
3.卷积神经网络（Convolutional Neural Network）卷积神经网络是一种类似于图像处理中的卷积操作的神经网络模型。
卷积神经网络通过卷积神经层和池化层的堆叠来对输入数据进行分层提取特征，从而进一步提高分类性能。
卷积神经网络在图像、视频、语音等领域的应用非常广泛。
卷积神经网络的优点在于对于图像等数据具有先天的特征提取能力，可以自动识别边缘、角点等特征。
但是，卷积神经网络也存在着过拟合、泛化能力欠佳等问题。
4.生成对抗网络（Generative Adversarial Network）生成对抗网络可以说是最近几年最热门的神经网络模型之一。
它基于博弈论中的对抗训练模型，由两个神经网络构成：生成器和判别器。
如何评估卷积神经网络模型的性能指标
如何评估卷积神经网络模型的性能指标卷积神经网络（Convolutional Neural Network，CNN）作为一种强大的深度学习模型，在图像分类、目标检测和语音识别等领域取得了巨大的成功。
然而，对于许多初学者来说，如何评估卷积神经网络模型的性能指标仍然是一个具有挑战性的问题。
在本文中，我们将探讨一些常用的评估方法和指标，帮助读者更好地理解和评估CNN模型的性能。
一、准确率（Accuracy）准确率是最常见的评估指标之一，它衡量了模型在所有样本上的预测准确性。
准确率的计算公式为：准确率=（预测正确的样本数）/（总样本数）。
然而，准确率并不能完全反映模型的性能，特别是在不平衡数据集上。
在某些情况下，模型可能倾向于预测多数类别，导致准确率偏高。
因此，在评估模型时，我们还需要考虑其他指标。
二、精确率（Precision）和召回率（Recall）精确率和召回率是用于评估二分类模型性能的重要指标。
精确率衡量了模型在预测为正类别的样本中的准确性，计算公式为：精确率=（真正例）/（真正例+假正例）。
召回率衡量了模型在所有真实正类别样本中能够正确预测的比例，计算公式为：召回率=（真正例）/（真正例+假负例）。
精确率和召回率之间存在一种权衡关系，我们可以通过调整分类阈值来平衡二者。
三、F1值F1值是精确率和召回率的调和平均数，用于综合评估模型的性能。
F1值的计算公式为：F1=2*（精确率*召回率）/（精确率+召回率）。
F1值越高，模型的性能越好。
F1值对于不平衡数据集具有较好的稳健性，因此在评估模型时，F1值是一个重要的指标。
四、ROC曲线和AUC值ROC曲线是用于评估二分类模型性能的另一种常用方法。
ROC曲线以假正例率（False Positive Rate，FPR）为横轴，真正例率（True Positive Rate，TPR）为纵轴绘制而成。
ROC曲线能够直观地展示模型在不同阈值下的性能表现。
AUC值是ROC曲线下的面积，用于衡量模型的整体性能。
神经网络模型评估指南
神经网络模型评估指南引言：随着人工智能技术的快速发展，神经网络模型成为了解决复杂问题的重要工具。
然而，如何评估神经网络模型的性能和稳定性却是一个关键的问题。
本文将为大家介绍一些神经网络模型评估的指南，帮助读者更好地理解和应用这一技术。
一、数据集的选择数据集是神经网络模型评估的基础。
在选择数据集时，应确保其具有代表性、多样性和充分性。
代表性意味着数据集应能够真实反映出模型在实际应用场景中可能遇到的各种情况。
多样性则要求数据集中包含不同类别、不同属性的样本，以确保模型能够适应各种情况。
充分性则要求数据集的规模足够大，以避免模型过拟合或欠拟合的问题。
二、模型性能评估指标在评估模型性能时，需要选择合适的指标来衡量模型的准确性和稳定性。
常用的指标包括准确率、精确率、召回率、F1值等。
准确率是指模型正确预测的样本占总样本数的比例，精确率是指模型预测为正例的样本中实际为正例的比例，召回率是指模型正确预测为正例的样本占实际正例样本的比例，F1值是精确率和召回率的调和平均值。
根据具体问题的需求，选择适当的指标进行评估。
三、交叉验证为了减小模型评估的偶然性，交叉验证是一种常用的方法。
交叉验证将数据集分为训练集和验证集，多次进行训练和验证，最终得到模型的平均性能。
常用的交叉验证方法包括K折交叉验证和留一交叉验证。
K折交叉验证将数据集分为K个子集，每次使用K-1个子集进行训练，剩下的一个子集进行验证，重复K次后取平均值。
留一交叉验证则是将每个样本单独作为验证集，其余样本作为训练集，重复N次后取平均值。
通过交叉验证可以更准确地评估模型的性能。
四、模型泛化能力模型的泛化能力是指模型对未见过的数据的适应能力。
为了评估模型的泛化能力，可以使用测试集进行验证。
测试集是与训练集和验证集不重复的数据集，用于模拟模型在实际应用中的表现。
通过测试集的评估，可以判断模型是否过拟合或欠拟合，以及模型在不同数据集上的性能表现。
五、模型调优在模型评估过程中，如果发现模型性能不佳，可以尝试进行模型调优。
基于Elman神经网络的商业银行信贷风险识别及评估模型
（ 宁 工 程 技 术 大 学 研 究 生 学 院 ，辽 宁 葫 芦 岛 １ ５ ０ ） 辽 ２ １５ 摘 要 ： 立 了基 于 Ｅｍａ 建 ｌ ｎ神 经 网络 的 商 业银 行 信 贷 风 险 识 别 及 评 估 模 型 ， 通 过 实 例 验 证 了模 型 的 准 确 性 和 可 靠 性 。 并 研 究过 程 及 结 果表 明 ， 于 Ｅｍａ 基 ｌ ｎ神 经 网 络 的 商 业 银 行 信 贷 风 险 识 别 及 评 估 模 型 能 够 很 好 地 反 映 信 贷 过 程 中的 非 线 性 因素 ， 确 地 预 测 出完 整 的 信 贷 风 险评 估指 标 和 信 用 等 级 之 间的 映射 关 系 ， 快 速 评 估 和 有 效 减 低 商业 的 信 贷 风 险 。 准 能
基 于 Ｅｍａ ｌ ｎ神经 网络 的商业银行信 贷风险识 别及评估模型
态 向量 。 ， ， 分 别 表 示 中 间层 到 输 出层 、 入 。 输 层 到 中间层 、 承接 层 到 中 间 层 的连 接 权 值 。 ・ Ｇ（ ）为
形式 的困难 ， 更有 利于 对非 线性 情况 下 的模式 识别 和 预测 的理 论建 模 和 分 析 计算 。相 比其 他类 型 的神 网
维普资讯
第 ８卷
２０ ０ ８年
第 ８期
８月
科
技
和
产 业
Ｖ １ ， ｏ８ ｏ８ Ｎ． ．
文 章 编 号 ：６ １ ８ ７ ２０ ） ８ ０ ０ ４ １ ７ —１ ０ （ ０ ８ ０ —０ ８ —０
基于Ｅｍ ｎ ｌａ 神经网 络的商业银行信贷 风险识别及评估模型
输 出神 经元 的传 递 函数 ， 中间 层 输 出 的线 性 组 合 。 是 Ｆ（ ）为 中间层 神经 元 的传 递 函数 ， 用 ｌｇ／ ） ・ 采 ｏｓ ｇ（ 一
神经网络在银行信用风险评估中的应用
，Ｊ ‘ １ （ ＋ ） ）一 ／ １
（） １
作 用后 ， 出层节 点 ｋｋ＝ １２… ， 得 到输 出矢 量 ： 输 （ ，， Ｈ）
』
一
型（ Ａ ， ｇｔ 析模 型、 ＭＤ ）ｌ ｉ分 ｏ 近邻法 。其 中以 ＭＤ Ａ和 ｌ ｉ分析 ｏｔ ｇ
模型应用最为广泛。统计模型的最大优点在于其具有 叫显的解
信用风险是指债务人或交易方 ｃ种种原 网无力或是 不愿 皇 『 意按期履行合同义务 ，ห้องสมุดไป่ตู้以及信用评级 的降低而导致债权人或交 易对方所遭受的潜在损失， 是银行业面临的主要风险。自从 ２ Ｏ 世纪 ９ 年代末期以来 ， ［ Ｏ 人： 智能技术如 一 经网络 、 专家系统 、 分
ｊ人 工神 经 网络 的基 本 原理 ．
内蒙 农 业 大学 学 报 （ 会 科 学 版 ） 社
２０ ０ ７年第 １ （ ９卷 第
总第 ３ ４期）
输出节点 Ｋ和隐层节点 的阈值 ； 为稳层 节点和输 出层 ｋ 节 点的连接权值 ； 为输入层节点 ｉ １２ …， 和隐层 Ｊ常 （ 一 。， Ａ 点的连接权俄 为输人层节点 ｉ 处的特征矢量。 （） ４ 计算网络输人矢量 与训练样水的 目标矢鞋 的误
维普资讯
内蒙 古 农 业 大学 学 报 （ 会 科 学 版 ） 社
Ｊ ｕ ￣ ｆ ｎ ｅ ｎ ｏｉ Ａ ． ｕ ｕ Ｕ ｃｓ ｏ ｎ ｄｏ ｎ ｒ Ｉ Ｍｏｇ ｌ ｇ ｃ ｈ Ｍ ｖ ｒｉ ａ ｄ ｉ ｃ ＆ｉｎ ａ１ Ｅ ｏ ） ｃ
模型解决 了传 统评 级方式 中的主观性 问题 ， 以及难 以处理 高度非 线性模 型的 问题 ， 对我 国银行 具有十 分重要 的现
实意 义 。
关 键 词 ： 工神 经 网络 ； Ｐ算 法 ； ｏ ｉ模 型 ； 用风 险评 估 人 Ｂ Ｌ ｇｔ 信 中 图 分类 号 ：８ ０ ２ Ｆ ３ ． 文献标识码 ： Ａ 文 章 编 号 ：０ ９ ４ ５ （ ０ ７Ｏ — ０ ０ — ０ １ ０ － ４ ８ ２ ０ ）４ １ ３ ２
神经网络中的模型评估指标与方法
神经网络中的模型评估指标与方法神经网络（Neural Networks）作为一种模拟人脑神经元网络的计算模型，近年来在各个领域取得了巨大的成功。
然而，神经网络的训练和评估一直是一个复杂而关键的问题。
在神经网络中，模型评估指标和方法的选择对于模型的准确性和性能起着至关重要的作用。
本文将讨论神经网络中的模型评估指标与方法。
首先，我们来讨论模型评估指标。
在神经网络中，常用的模型评估指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1值等。
准确率是指分类正确的样本占总样本数量的比例，是最常用的评估指标之一。
精确率是指预测为正类别的样本中，真正为正类别的比例。
召回率是指真正为正类别的样本中，被预测为正类别的比例。
F1值是精确率和召回率的调和平均值，综合考虑了模型的准确性和全面性。
这些评估指标可以帮助我们全面评估模型的性能，从而选择最适合的模型。
接下来，我们来讨论模型评估方法。
在神经网络中，常用的模型评估方法包括交叉验证（Cross Validation）、留出法（Holdout）、自助法（Bootstrap）等。
交叉验证是将数据集划分为训练集和验证集，多次训练和验证模型，最后取平均值作为模型的评估结果。
这种方法可以减小因数据划分不同而导致的评估结果不稳定的问题。
留出法是将数据集划分为训练集和测试集，训练模型后使用测试集进行评估。
这种方法简单直观，但是可能会因为数据集划分不合理而导致评估结果不准确。
自助法是通过有放回地从原始数据集中抽取样本，构建多个不同的训练集和测试集进行评估。
这种方法可以充分利用数据集，但是会导致训练集和测试集之间存在重叠的问题。
选择适合的评估方法可以保证模型评估的准确性和稳定性。
除了上述的评估指标和方法，还有一些其他的模型评估指标和方法。
例如，对于回归问题，常用的评估指标包括均方误差（Mean Squared Error）和平均绝对误差（Mean Absolute Error）。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2004年4月系统工程理论与实践第4期 文章编号:100026788(2004)0420092207基于V2fo ld C ro ss2validati on和E l m an神经网络的信用评价研究吴德胜,梁 木梁(中国科学技术大学商学院,安徽合肥230052)摘要: 研究了关于公司信用评估问题的现状,指出一般神经网络应用于信用评估领域的不足Λ在此基础上,提出一套甄选原则以选择关键的信用评分指标;然后依据这些指标建立了基于E l m an回归神经网络的我国企业的信用评估模型Λ采用V2fo ld C ro ss2validati on技巧对该模型的评分效果进行了实证研究Λ关键词: E l m an神经网络;V2fo ld cro ss2validati on技巧;信用评分中图分类号: T P183 文献标识码: A R esearch of C redit Sco re Based on V2fo ld C ro ss2validati onand E l m an N eu ral N etw o rk sW U D e2sheng,L I AN G L iang(Schoo l of Bu siness,U n iversity of Science and T echno logy of Ch ina,H efei230052,Ch ina)Abstract: In th is paper w e first po in t ou t the gap s of associated research by review ing the co rpo ratecredit sco ring research by general neu ral netw o rk s.T hen som e p ractical p rinci p les are carefu lly con sid2ered so that the distingu ished m easu res can be selected.T hese m easu res are u sed to develop credit2sco r2ing models app lied to Ch inese co rpo rati on s based on E l m an neu ral netw o rk s.F inally,V2fo ld C ro ss2vali2dati on techn ique is app lied to test the model’s sco ring pow er.Key words: E l m an neu ral netw o rk;V2fo ld C ro ss2validati on techn ique;credit sco re1 引言企业信用评价通过快捷、及时、权威的信息披露,一方面降低经营者与投资者的信息不对称,规避企业经营者的道德风险(M o ral H azard),另一方面解决投资者因不能正确辨认经营者的能力而产生的逆向选择(A dverse Selecti on)Λ企业的信用评级过程主要是通过基于财务指标的信用特征,推出该企业的信用风险,然后根据不同的信用风险划分等级Λ而企业的财务指标与信用风险之间往往表现出非线性的特征Λ比如某公司的财务指标(净利润 总资产)可能从-0.1增加到0.1,也可能从0.6增加到0.8,在线性的方法中,这两种情况体现出了相同的结果,因为该指标的值都增加了0.2Λ但对于一个公司来说,净利润 总资产从-0.1增加到0.1意味着该公司扭亏为盈,获得了生存和发展的机会;而从0.6增加到0.8意味着公司获利能力进一步增加Λ这两种情况具有不同的意义Λ神经网络更适于描述这种指标间的非线性特征,从1990年O dom首次将神经网络的方法引入信用风险评测中[1],到M oody’s公司在2000年公布了以神经网络为主要方法的上市公司信用风险模型,神经网络方法得到研究者和实践者的广泛关注ΛCoats,Fan t(1993)、T ri pp i和T u rban,Kevin、KarYanT an和M dodyY.K iang(1992)[2]采用了神经网络分析法分别对美国公司和银行信用危机进行了预测,取得了一定的效果;T am瞪(1992)研究银行信用,比较了判别分析、L og2 it、K近邻、分类树、神经网络等方法的优劣[3];A ltm an等在大样本下研究意大利企业信用,比较神经网络、收稿日期:2003204226资助项目:国家863项目基金(2002AA41361) 作者简介:吴德胜(1979-),男,博士,研究方向:D EA,决策分析和风险管理等;梁木梁(1962-),男,汉族,籍贯北京,博士,教授,博士生导师Λ主要研究领域有:决策分析、供应链管理、生产运作管理等判别分析[4];Kerling 等(1994)研究法国企业信用,比较神经网络、判别分析,采用了交叉验证[5];P ira 2m u thu 等(1999)研究比利时企业信用,在神经网络中使用了特征提取技术[6]Λ实证研究表明B P 神经网络在模式识别方面作得比较出色,但是在模拟连续性的输出函数时效果不甚理想Λ即信用评分B P 模型可以用作信用等级分类,但是不能过分要求输出信用分值[1-6]Λ本文采用E l 2m an 回归神经网络对多家公司的信用分值情况进行研究,结果表明了E l m an 回归神经网在输出信用分值方面具有较大的优越性,为深入考察公司的信用状况提供了一种有效的方法Λ2 信用评价指标体系的建立2.1 信用评价指标的选择原则企业信用水平是经济空间中不同层次、不同种类因素共振耦合的结果Λ企业信用评价的实质,即是置企业于一定的参照系中,以企业信用状态为标志,进行相互比较以确定企业相对位置的过程Λ其目的在于规范资金流向、促进资源优化配置和推动经济结构的合理调整Λ企业信用评价指标的选取应遵循简约、全面、开放和实用的原则,包括:1)层次性原则Λ指标选择应尽可能从不同层次、不同方位涵盖企业信用的评估要素,以全面真实的反映企业的信用能力Λ2)集约性原则Λ所选指标应有充分的信息综合能力Λ指标过多则过于繁琐,指标太少亦易导致信用评价的失真或失效Λ3)可比性原则Λ企业信用评价指标应具有普遍的统计意义Λ评价指标设置既要考虑到纵向可比,以动态地反映企业信用的发展过程和内在变化规律;同时又要考虑到横向可比,以实现企业信用能力的行业、地区和国际的对比Λ4)实用性原则Λ即根植于我国现行统计、会计和业务核算的实际情况设置指标Λ所设指标要有比较易于取得的资料来源,力求使指标设置在科学完整的基础上,简便易行Λ2.2 信用评价指标的构建科学选择企业信用评价指标是准确评价企业信用的基础和前提Λ然而,对一个企业进行准确而全面的信用评价可以说是一个系统工程,需要花大量的精力去调查和取得相关数据Λ同时,就目前我国企业信息的披露情况来看,由于许多数据都涉及到一个企业的商业秘密,企业对这些数据是十分敏感的,除非是企业已委托一个值得信赖的中介机构为他们进行这方面的评估,否则很难向外界披露某些数据Λ表1 企业信用评价指标体系总目标子目标指标关注主体企业信用评价指标体系盈利能力每股收益净资产收益率总资产净利率投资者特别关注的指标经营能力偿债能力应收帐款周转率存货周转率资产负债率流动比率速动比率债权人特别关注的指标发展能力市场占有率资本保值增值率国家特别关注的指标企业信用评价与企业财务状况是密切相关的Λ从一定程度上可以说,企业财务困境必然导致企业信用危机;反过来,企业信用危机势必加剧企业财务困境Λ把分析企业财务状况与评价企业信用结合起来,为的是本、标同时着手,既透过现象看本质,也根据本质去推测现象,从而提高信用评价的准确性Λ另外,财务数据尤其是上市公司的财务数据,非常容易获取Λ每年的上市公司的年度和中期报告中都有大量的财务数据,因此,本文从中精选出最具代表性的财务数据作为评价指标Λ我们从上市公司年报中选取主要而且核心的指标来评判,通过这些指标来测试和评判神经网络的稳定性和可行性,进而对企业信用进行评价[7-10]Λ本文从企业众多利益相关者最关注指标的角度出发,参照我国已有企业信用评价指标体系,把评价指标分为盈利能力指标、经营能力指标、偿债能力指标和发展能力指标四类Λ具体见表1Λ2.3 样本取样在数据收集过程中,样本选取需要考虑的最主要问题是代表性、可靠性和抽样误差Λ所谓代表性就是保证样本能够充分地反映总体的真实情况Λ所谓可靠性就是样本中的每一个观察单位确属于预先确定的同质总体Λ所谓抽样误差就是因抽样而产生的样本与样本、样本与总体相应统计指标之间的差异Λ不同行39第4期基于V 2fo ld C ro ss 2validati on 和E l m an 神经网络的信用评价研究业企业的财务特性是存在差异的Λ由于其生产经营流程、经营周期、经营性质等均有所不同,反映其财务状况和生产经营状况的财务指标必然不同Λ样本中企业所属行业和其资产规模影响和制约着样本的代表性,同时影响抽样误差Λ基于上述考虑,本文选择同一行业内的不同企业进行信用评价Λ由于非上市公司的资料难以收集,本研究中的样本来自1996年沪市30家商业股上市公司的财务数据和专家打分Λ见附表Λ3 信用评价系统及E l m an 网络设计为实现对企业信用评价专家分值的映射,本文对经典的三层B P 网络结构进行了改进,采用带关联层单元的递归神经网络Λ即在原三层结构的B P 网络的基础上,在隐层上附加一层特殊关联层,关联层单元数与隐层单元数相等Λ这样,实际形成四层递归神经网络结构,亦称E l m an 神经网络[11]Λ如图1所示Λ引入关联单元层的思想是通过对前馈神经网络中附加内部反馈神经元来描述的非线性连续评分行为(如果样本企业趋于无穷多,那么信用分值必将趋于覆盖特定区域的实数集合,可以认为在信用分值有意义的范围内是逼近于连续型的)Λ递归网络的隐层不仅接受来自输入层的信号,还接受隐层节点自身的一步延时信号(来自关联层),这样,关联层“记忆”了上一个模式(时段)的网络状态Λ可见,关联层中能够存储系统“过去”的信息,从而增加网络对类似如动态连续信息的处理能力,因而能够包含信用分值暂态过程的信息Λ图1给出了基于E l m an 神经网络的企业信用评分系统框架图Λ输出的评价结果为企业的信用评价分数值,作者建议关于该结果的最好分析方式是对输出信用分数进行排序,而不是直接考察信用分数的绝对大小Λ图1 基于102E l m an 神经网络模型的企业信用评价系统框架图4 El man 模型的建立4.1 问题定义及参数处理我们采用V 2fo ld cro ss 2validati on 处理技巧对网络的诊断能力进行检验[4,12]Λ其操作方法是:将斟选的30个样本公司按照同样的分组原则分成第1,2,3,4和5共5组,利用其中的任意4组(比如第1,2,3和4组)作为建模样本来训练网络,将剩下的另外一组(比如第5组)作为检验样本来检验网络的诊断能力(表2);然后利用第1,2,3和5组作为建模样本来训练网络,将第4组作为检验样本来检验网络的诊断能力(表3)Λ采用这种处理技巧是基于以下原因:由于30个样本公司构成的样本量偏小,这种技巧实质上等于增加了建模的样本量,产生了更多预测结果,生成的模型对训练数据集无偏,并对新的数据可能有比较好的泛化能力,从而更能说明作者的结论Λ结果表明采用这种神经网络具有很强的甄别诊断能力Λ输入层每个样本设计10个节点,分别对应评价系统中的10个指标变量;输出层可定义一个节点,数值为每个样本的专家评分值Λ隐层和输出层分别采用tan sig 和p u relin 函数,隐层节点数取为10,第一层中包含10个递归神经元单元,网络训练采用自适应变学习率的动量算法Λ49系统工程理论与实践2004年4月 表2 建模样本及仿真结果(V -fo ld 1)样本企业绍兴百大宁波中百王府井北京城乡百大集团秋林股份天桥百货南京新百宁波华联东百公司大连商场南宁百货专家评分0.680.720.940.9010.900.960.8450.780.660.930.9050.8525网络输出0.64920.73790.98790.89020.90610.88250.84500.64920.67810.92130.90740.8434样本企业重庆百货兰州民百烟台华联汉商集团新疆友好新华百货贵州华联济南百货杭州解百津劝业益民百货甬城寺庙专家评分0.960.860.770.910.880.8550.870.460.360.970.890.76网络输出0.94630.84900.77010.92510.84320.84340.84340.53740.64920.78790.78790.8743表3 建模样本及仿真结果(V 2fo ld 2)样本企业南宁百货大连商场北京城乡第一百货绍兴百大宁波中百王府井百大集团秋林股份新亚快餐第一食品西单商场专家评分0.85250.9050.9010.8850.680.720.940.900.960.620.690.98网络输出0.84340.90740.84020.90050.60320.79200.98770.93210.88250.63020.69040.9870样本企业甬城寺庙益民百货汉商集团贵州华联重庆百货兰州民百烟台华联新疆友好新华百货济南百货杭州解百津劝业专家评分0.760.890.910.870.960.860.770.880.8550.460.360.97网络输出0.57430.88790.93410.82340.92230.85900.81010.84020.82320.38740.27920.69795 评分能力验证5.1 网络评分输出利用m atlab 语言与c 混合编程实现,在p en tium 4上运算Λ表4与表5给出了采用V 2fo ld cro ss 2valida 2ti on 处理技巧建模的信用评分检验结果,为了考察网络的稳定性能,表4(V 2fo ld 1)和表5(V 2fo ld 2)的训练时间分别设置为8000个时间单位(epoch )和3000个时间单位Λ图2(a )和(b )分别绘制了这两种情况下的误差变化曲线Λ(a )图显示误差在网络训练到约3500个epoch 的时候接近设定均方误差0.001,这时候网络性能最佳Λ这之后误差呈微弱的“回头”加大趋势Λ(a )图显示由于训练次数不够,网络在误差较大处停止训练,这就直接导致了表4的结果比表5中的优Λ(a )和(b )两图的误差趋势说明网络运行较稳定,神经网络的随机性缺点得到一定程度的克服Λ(a ) V 2fo ld 1 (b )V 2fo ld 2图2 误差变化图59第4期基于V 2fo ld C ro ss 2validati on 和E l m an 神经网络的信用评价研究表4 评分能力验证结果(V2fo ld1)检验样本第一百货新亚快餐第一食品西单商场华联商厦豫园商城专家评分0.8850.620.690.980.850.8825专家分排序265143网络输出0.96850.63320.69260.99700.84140.8829网络分排序265143表5 评分能力验证结果(V2fo ld1)检验样本华联商厦宁波华联豫园商城南京新百天桥百货东百公司专家评分0.850.660.88250.780.8450.93专家分排序362541网络输出0.86900.75600.84580.87920.95990.9180网络分排序465312限于篇幅,我们仅给出较优情况表4(V2fo ld1)下网络的各层权值W1,W2及偏差B0TΛW1=-1.0844 0.0051725-0.076046-0.003528 0.044981-0.0062402-0.10017 0.21956 8.0776 0.41879 -0.8276 0.0019838 0.034146-0.00030281-0.0527 0.0012354 0.0069493 0.07293-1.5394 0.53766 1.5072-0.048493 0.052062-0.00058339-0.036061 0.00060778 0.13037 0.25367 9.2861 0.078169 1.3808-0.00699-0.070022 0.0037001-0.035426 0.0053795 0.1152 0.20572 5.2156 0.26451 -0.957-0.050248 0.018564 0.00037762 0.016278-0.008193 0.11687-0.26265 1.0844-0.6244 0.92376-0.044482 0.08348 0.0032126 0.0339-0.021442-0.039596 0.20449-5.348-0.2523 -0.95852-0.00306-0.0080156-0.0038799-0.047733 0.0082197 0.053297-0.16769 0.7461-0.78047 1.0583 0.00284 0.06235-0.00273 0.00852 0.001719-0.1359 0.25926-8.0796 0.58394 -0.29908 0.048354 0.026994-0.0010676-0.025126 0.00045564 0.061461 0.11047-1.1784-0.30533 0.41741 0.028686-0.099123 0.0015031 0.043214-0.022255 0.067501 0.1211-3.7889 0.51287W2=(0.148260.655840.40915-0.31628-0.195950.077808-0.62051-0.13062-0.18263-0.58873)B0T=(0.85808 1.0275 -2.2397 -2.394 2.4342 0.0088736 2.6478 -0.54799 -1.1349 0.32934)各层权值W1,W2及偏差B0T的确定标志着网络训练过程的完成Λ利用训练好的网络就可以对新的样本集进行评分Λ我们对表4、表5中的分值进行排序,结果见表4、表5Λ表4中,仅第一百货的分值与实际专家评分相差较大,其余5家企业的网络评分与专家评分很接近,而相对排序的结果与专家评分排序的结果是完全一致的Λ对于表5,考察网络信用分值与考察排序两种方法都与实际专家评分结果有差别,但是考察相对排序的结果比考察网络输出分值有比较优势Λ如果我们按照[0.6,0.8],[0.8,1]来划分两个信用等级,那么只有豫园商城与南京新百两家公司被误判,准确率也不低Λ5.2 评分结果后处理为进一步检验网络评分能力,我们采用回归分析的方法对V2fo ld co ss2validati on处理的网络评分结果进行后处理,分别计算网络输出与实际专家评分的线性回归斜度、回归截距和回归可决系数,结果见表6,回归曲线见图3.表6 回归分析(数据后处理)线性回归斜度回归截距回归可决系数V2fo ld11.0564-0.02810.9751V2fo ld20.53400.43100.7274 回归分析的比较结果更进一步证明了我们在5.1中提出的相关结论Λ69系统工程理论与实践2004年4月(c ) V 2fo ld 1 (d ) V 2fo ld 2图3 回归分析图(数据后处理)6 结论通过以上分析可以得出结论:1)以上10指标体系建立信用模型来进行中国上市公司进行信用评分分析是切实可行的,而且其判别准确率比较高Λ采用E l m an 神经网络建模进行预测的准确率相当高,这就证明了模型中所选指标的正确性Λ2)V 2fo ld C ro ss 2validati on 技巧利于解决有限样本建模以偏概全的缺陷ΛE l m an 回归神经网络利用关联层的“联系”记忆,适合于解决类似如信用评分这样的连续实数集合上的判别问题Λ3)利用E l m an 神经网络对企业的信用状况评价出分数值之后,然后采取排序的方法或者评级的方法,这样可以更好的利用神经网络的优势,更进一步把握企业的信用状况Λ随着我国经济体制的改革深入、市场机制的建立与完善以及资本市场的迅速发展,上市公司的信息可信度必然越来越高,可以加大建模的样本量Λ致谢:本文写作过程中,Gilbert L apo rte 教授(“com p u ters &op erati on s research ”编辑)及其同事提出了宝贵的建议与意见,在此表示由衷的感谢!参考文献:[1] O dom M D ,Sharda R .A neu ral netw o rk model fo r bank rup tcy p redicti on [A ].P roceedings of the IEEE In ternati on 2al Jo in t Conference on N eu ral N etw o rk s [C ].1990,2:163-168.[2] Coats P ,Pan t L .R ecogn izing financial distress pattern s u sing a neu ral netw o rk too l [J ].F inancial M anagem en t ,1993,22(3):142-155.[3] T am K ,K iangM .M anagerial app licati on s of the neu ral netw o rk s :T he case of bank failu re p redicti on s [J ].M anage 2m en t Science ,1992,38:416-430.[4] A ltm an E ,M arco G ,V aretto F .Co rpo rate distress diagno sis :Comparison s u sing linear discri m inan t analysis andneu ral netw o rk s [J ].Bank ing and F inance .1994,18:505-529.[5] Kerling M ,Poddig T .K lassifikati on von U n ternehm en m ittels KNN [A ].H R ehkugler ,H G Zi m m erm ann .N eu 2ronale N etze in der O βkonom ie [C ].M u βnchen ,1994.[6] P iram u thu S .F inancial credit 2risk evaluati on w ith neu ral and neu rofuzzy system s [J ].Eu ropean Jou rnal of Opera 2ti onal R esearch ,1999,112(2):310-321.[7] 任永平,梅强.中小企业信用评价指标体系探讨[J ].现代经济探讨,2001,(4):60-62.[8] 吴晶妹.资信评估[M ].北京:中国审计出版社,2001.[9] 王春峰,万海晖,张维.基于神经网络技术的商业银行信用风险评估[J ].系统工程理论与实践,1998,19(9):24-32.79第4期基于V 2fo ld C ro ss 2validati on 和E l m an 神经网络的信用评价研究[10] (美)安东尼.桑德斯.信用风险度量:风险估值的新方法和其他范式[M].刘宇飞,译.北京:机械工业出版社,2001.[11] 阎平凡,张长水.人工神经网络与模拟进化计算[M].北京:清华大学出版社,2000.17-37.[12] h ttp: tex tbook glo su.h tm l[EB OD].附录 样本企业信用评价原始数据公司名称每股收益净资产收益率总资产净利率应收帐款周转率存货周转率资产负债率流动比率速动比率市场占有率资本保值增值率专家评分第一百货0.4110.125.9965.8815.1145.241.110.810.1231.150.885新亚快餐0.010.900.468.6424.7742.941.020.970.0021.000.62第一食品0.188.154.187.109.3051.121.280.860.0161.090.69西单商场0.3613.069.96133.5221.1530.931.341.020.0642.700.98华联商厦0.4210.075.3055.5012.6354.771.060.810.0951.050.85豫园商城0.4010.184.6229.0029.0053.330.820.510.0861.120.8825天桥百货0.145.454.13113.239.5924.591.801.270.0101.010.845南京新百0.1760653.4991.2011.4349.511.000.830.0391.170.78宁波华联0.103.411.8811.584.9344.571.040.540.0341.130.66东百公司0.289.199.1870.0322.4216.415.004.820.0161.630.93大连商场0.4115.1010.1923.937.3834.401.460.990.0361.180.905南宁百货0.4012.256.9522.462.8652.441.421.140.0142.650.8525重庆百货0.4416.7210.5369.847.0644.811.651.280.0321.350.95兰州民百0.4110.513.9323.226.7334.230.620.370.0251.150.86烟台华联0.1710.745.3790.204.2753.881.010.590.0091.120.77汉商集团0.7215.769.63302.769.0355.210.680.280.0311.420.91新疆友好0.218.595.9672.802.6141.331.660.880.0151.750.88新华百货0.1810.149.8412.863.8216.493.582.380.0031.810.855贵州华联0.3623.7111.4914.983.0654.691.090.630.0061.150.87济南百货0.020.760.44108.965.2345.430.780.520.0821.070.46杭州解百0.3212.838.0039.5313.0745.551.421.070.0371.130.36津劝业0.2912.540.8444.0019.7228.991.611.230.0521.440.97益民百货0.412.848.3259.012.9139.331.750.780.0191.120.89甬城寺庙0.2410.145.0818.066.5655.541.220.570.0121.010.76绍兴百大0.085.044.4572.9125.2213.643.553.420.0041.050.68宁波中百0.185.683.9245.194.8631.882.031.510.0151.110.72王府井0.4810.116.6265.4420.6843.171.401.220.0661.060.94北京城乡0.4010.005.9082.775.0742.301.140.700.0591.120.901百大集团0.3111.968.1950.0610.0736.300.980.710.0361.140.9秋林股份0.4010.089.76480.067.1423.511.550.850.0191.850.96数据来源:1)中国上市公司资讯网 ;2)上海证券报编《96-97上海股票市场年报总汇及数据分析》;3)中国企业资信网.89系统工程理论与实践2004年4月。