BP算法在信用风险分析中的应用
基于BP算法的金融信用风险仿真研究
现 代 商 贸 工 业 Ｍｏ ｅｎＢ ｓ ｅ ｒｄ ｄ ｓ ｙ ｄ ｒ ｕｉ ｓ Ｔ ａｅＩ ｕｔ ｎｓ ｎ ｒ
２ １ 年第 １ ００ ５期
基于 Ｂ Ｐ算法 的 金 融信 用风 险 仿真 研究
张 潇 元
（ 南 财 经 政 法 大 学 统 计 与数 学 学 院 ， 北 武 汉 ４ ０ ７ ） 中 湖 ３ ０ ４ 摘 要 ： 对 我 国 个 人 信 用 风 险 评 估 现 状 和 特 点 进 行 深入 研 究 的 基 础 上 ， 出 了基 于 Ｂ 网络 的 信 用风 险评 估 模 型 ， 在 提 部分 。工作 网络 的 功能 主 ｊ； ｝ 客户的信用风险评估额度 。防范 网络的功能 主要 是 当客户 的 即为后一层的输入） ；
１ １ 神 经网络 的提 出 ． 为神经元的细胞所组成 ， 以不同方式 连接而形成 网络 。人 它们 工神经网络就是尝试模拟这种生物学上的体 系结构及其操作。
模 型 为 ＪＰ 摩 根 的 ＣｅｉＭｅｒｓ 型 、 ＭＶ 模 型 、 士 信 贷 只影 响下 一层 结 点 的输 出 。为 了加 快 网 络训 练 的 收 敛 速 度 ， ．． ｒｄ ｔｉ 模 ｔ ｃ Ｋ 瑞 可 银行 的 ＣｅｉＲｓ＋模 型和 麦肯 锡 的 ＣｅｉＰ ｒ ｏｏＶｅ ｒ ｄ ｉ ｔ ｋ ｒｄ ｏｔ ｌ ｉ ｔ ｆｉ ｗ。 对输 入 矢量 作 标 准 化 处 理 ， 对 各 连 接 权 值 赋 予 初 值 。Ｂ 并 Ｐ
文 章 编 号 ：６ ２３ ９ （ ０ ０ １－ １６０ １ ７ —１ ８ ２ １ ）５０ ９－２
信用风险是 由可 能损失 的数 量 以及 违 约的 可能 性两 方 的可能性。 面组 成 。对于商业 银行 ， 影响 信用风 险 的 因素包括 借 款人 、 １２ 神经网络的建立 ．
BP人工神经网络在信用卡评估中的应用
图 ２ 的人 工 神 经 ■ 夷 簟ｌ 扣ｌ 誊
Ｍｃ Ｃ ｕ ｌ ｌ ｏ ｃ ｈ 在 １ ９ ４ ３年讲解神经元基本特性时提出的 ， 它是现 在许多神经网络模型研究的基础。其中 ，ｗ 代表神经元 ｉ 与 神经元 ｉ之间的连接强度（ 模拟生物神经元之间突触连接强
具有非线性 、自学性 、容错性等特征 ，算法数学模型对信
息进 行分 布 式并 行 的处理 ［ １ 】 。 这种 复杂 的 网络结 构 系统 通过 调 整 大量 节 点之 间相互 连 接 的关 系 达 到处 理 信 息 的 目的 。
人工神经网络是利用物理器件来模拟生物神经网络 的某
些结 构 和 功能【 ５ 】 ，具体 结 构如 图 ２ 所示 。
虽然单个神经元 的结构和功能都是简单和有限的，但多个 神经元组成的网络系统 ，其行为却能被表现的丰富多彩【 ２ 】 。
１ ． ２神 经元
１ ． ２ ． １生物神经元 人类大脑是 由大量的神经细胞相互连接组合而成的 ，每 个神经元也可称为神经细胞 ，具体结构如图 １ 所示【 ３ ］ 。
大降低银行承担的风险。该文介绍了人工神经网络 （ Ａ ｒ ｔ ｉ ｉ ｆ ｃ ｉ ａ ｌ Ｎｅ ｕ ｎ 。 ｌ Ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｓ ，简写为 Ａ Ｎ Ｎｓ ）、误差反 向传递神经网络 （ 简
称Ｂ Ｐ人 工神 经 网络 ） 的 网络结构 和 学 习训练 算 法 。 并 使用 Ｂ Ｐ人 工神 经 网络模 型 ， 将来 自Ｕ Ｃ Ｉ Ｍａ ｃ ｈ ｉ ｎ ｅ Ｌ ｅ ａ ｎｉ ｒ ｎ ｇ Ｒ ｅ ｐ ｏ ｓ ｉ ｔ ｏ ｒ ｙ 网 站 的 三组数 据输 入 到 Ｂ Ｐ人工 神经 网络 ，通过 创建 不 同 的隐含 层 、设定 不 同输 入层 的神 经 元数 及使 用不 同 的训练 方 法来得 到 Ｂ Ｐ人 工神 经 网络 在信 用卡 评估 的准 确 率及 速度 。 结 果发 现 ， Ｂ Ｐ人工 神经 网络 对信 用 卡信 息 的匹 配和筛 选具 有较 为 理想 的效 果 ， 对银 行 客 户的信 用 评估 有较 好 的推荐 及 参考 作用 ，有利 于商 业银 行在 对 申请信 用 卡用 户 的信 用评 估 ，及 时减小 了在 办 理信 用 卡 过程 中承 担 的风 险 ，对金 融风 险 的防控 也起 了重 要 的作 用 。 ［ 关键 词］ 人 工神 经 网络 Ｂ Ｐ人工 神 经 网络 信用 卡 神经 元 的 主要 接受 器 是 树突 ，主要 用来 接 受外 界 信息 ［ ４ 】 。轴
BP神经网络模型在中小企业融资征信评估中的应用
BP神经网络模型在中小企业融资征信评估中的应用【摘要】这篇文章探讨了BP神经网络模型在中小企业融资征信评估中的应用。
首先介绍了BP神经网络模型和中小企业融资征信评估的概念和背景，阐述了研究意义和目的。
然后分析了BP神经网络模型在该领域的应用案例，并对其优势与局限性进行了讨论。
接着通过与其他模型的比较，探讨了BP神经网络模型的独特优势。
最后展望了BP神经网络模型在中小企业融资征信评估中的未来应用，并总结了研究结论和展望。
通过本文的研究，可以为中小企业的融资征信评估提供新的思路和方法，促进其发展和融资渠道的多样化。
【关键词】中小企业、融资、征信、评估、BP神经网络模型、应用案例、优势、局限性、比较、展望、结论、研究意义。
1. 引言1.1 研究背景中小企业是我国经济的重要组成部分，其发展对于促进经济增长和增加就业岗位具有重要意义。
由于中小企业的规模较小、信用记录相对不完善，很难获得传统金融机构的融资支持。
中小企业融资难一直是制约中小企业发展的重要因素之一。
为了解决这一问题，征信评估成为了中小企业获得融资支持的关键。
征信评估是金融机构对企业的信用情况进行评估，用以判断其偿还能力和信用风险，从而确定是否提供融资支持。
传统的征信评估方法往往受限于数据量和分析手段，难以全面客观地评估中小企业的信用情况。
通过研究BP神经网络模型在中小企业融资征信评估中的应用，可以有效改善中小企业融资难的问题，促进中小企业的可持续发展。
1.2 研究意义中小企业是一个国家经济发展的重要动力和支柱，而融资问题一直是制约中小企业发展的瓶颈之一。
中小企业征信评估对于金融机构的放贷决策至关重要，而传统的征信评估方法存在着信息不全面、时间成本高、容易受到人为因素影响等问题。
引入BP神经网络模型在中小企业融资征信评估中具有重要的意义。
通过研究BP神经网络模型在中小企业融资征信评估中的应用，不仅可以为金融机构提供更科学的决策支持，降低信贷风险，还可以促进中小企业的融资渠道拓宽，促进中小企业的可持续发展。
基于BP神经网络的上市公司信用风险评价
【 摘要 】 文章在 建立上市公 司信用风 险评价指标体 系的基
础 上 ．提 出了 用神 经 网 络 对 上 市公 司 进 行 信 用评 级 的 方 法 ， 并
利 用 相 关 数 据 对 模 型 进 行 了实证 研 究 ， 得 了较 好 的 结 果 。 取
建立起来 的统计模 型确 可对信用评级 提供较具科学性 的分析 ， 但这 些统计模 型都存在如 下缺陷 ： 一 ， 第 所有 的模型 所采取 的 各种变量 ， 不论是不是财务指标 ， 都来 自研究者 的主观 选取 ， 很
Ｏ １ ． ９ （ ９ ８ ０ ４ ，． ． １ ７ ０ ４ ，． ５０ ｌ） ０ ０ ５ ． ０ Ｏ１
０ ０ — ． ０ ６ — ． ７ ０ ７ ０ ６ （． ２ Ｏ ０ ，． ２ ． ３ ０ ８ ． ４ ０ ３ ． ７ ． Ｏ ５ ，． ４ Ｏ ０ ） ７ Ｏ ５ ０ ０ ７ ９ ０ ０
深赛格 ０ ４ ０ ７ ． ４ ． Ｏ １ ０ ４ ． ５ ０１６ ． ９ １ ． ９ ． ４ ０ ３ ０１ ， ２ ． ０ ７ ． ０ ２ ３ ４ ３ ７ ２ ６ ２ ８ ４
延边公路 １ ０６７ ． ９ ．５ ００ ４ ． ９ １ ．１ ０７ ００ ８ ８ ０２ ３ ０
三毛派 神 ０４ ５ ．４ Ｏ８８ ． ２ ．１ ０５ ００ ３ ．１ ０２ ５ ． ７ ０１３ ０５ ０４ ８ ．８ ０５ ３ ．１ ０５ ０３ １ ．３ Ｏ２２ ７ ０３ — ．６ ．５ ６ ７ ．５ ０ ０９ １ （．７ ，．０ ， ． ２ ．７ ０９ ６ ００ ４００ ） ０
浙 江富润 ０ ０ ０ ６ Ｏ １ ． ９ ０ ２ ０ ５ ． ２ ． ６ ． １ ． ４ ０ ７ Ｏ ０ ３ ０ ０ ０ ６ （． ４ Ｏ ０ ， ． ２ ． ２ ． ． ５ ０ ７ ． ８ ． ６ ０ ４ ０ ０ ０ １ ２ ４ ６ ３ ４ ７ １ ６ ４ ０ ５ ． ９ ７ ０ 馏 ． ５ ． １ ． ２ Ｏ ７ ，． ２ Ｏ ０ ） ２ ０ ７ ９ ０ ０
BP神经网络在道路运输信用管理系统中的应用
BP神经网络在道路运输信用管理系统中的应用
BP神经网络可以用于预测道路运输企业信用评级。
信用评级是评估企业信用状况的重要方法之一，而BP神经网络可以通过对历史数据进行训练，建立信用评级模型。
该模型可以综合考虑多个指标，如企业规模、运输安全记录等，准确预测企业信用评级，为业务合
作提供参考依据。
BP神经网络可以应用于道路运输信用风险评估。
在道路运输过程中，存在着各种风险，如货物损失、交通事故等。
使用BP神经网络可以对这些风险进行评估和预测，提前采取措施避免潜在风险的发生，加强对信用风险的控制。
BP神经网络还可以应用于道路运输信用异常检测。
在道路运输过程中，存在着一些异常情况，如车辆异常行驶、运输文档异常等。
基于BP神经网络的异常检测模型可以对这些异常情况进行识别和预警，及时采取措施保障运输安全和信用稳定。
BP神经网络可以用于优化道路运输信用评价指标权重。
信用评价指标的权重分配直接影响到评价结果的准确性和可靠性。
而BP神经网络可以通过不断调整和优化各个指标的权重，提高评价结果的准确性和可靠性，并根据实际情况进行动态调整。
BP神经网络在道路运输信用管理系统中具有广泛的应用前景。
通过BP神经网络的应用，可以提高道路运输企业的信用评级准确性，加强信用风险控制，提高异常检测的精度，优化评价指标的权重。
这些应用将有助于提高道路运输信用管理的效率和精确性，推动道
路运输行业的可持续发展。
bp在金融领域中的意义
bp在金融领域中的意义摘要：一、BP在金融领域的定义与作用二、BP在金融领域的应用场景三、BP在金融风险管理中的应用四、BP在金融投资决策中的应用五、BP在金融产品创新中的应用六、BP在金融行业的发展趋势七、总结与展望正文：一、BP在金融领域的定义与作用BP（Business Plan，商业计划）在金融领域中指的是为实现特定金融目标而制定的详细、可行的实施方案。
在金融领域，BP的作用至关重要，它可以帮助金融机构、企业和个人明确目标、优化资源配置、提高投资效益。
二、BP在金融领域的应用场景1.金融机构：银行、证券、保险等金融机构在项目审批、贷款发放、投资决策等环节需要对申请方进行BP评估，以判断项目的可行性和盈利能力。
2.企业：企业在融资、招商、并购、扩张等场景中，BP是向投资者、合作伙伴展示自身发展战略、市场竞争力的重要依据。
3.个人：创业者、投资者在寻求投资、合作伙伴时，编写一份专业的BP有助于提高成功率。
三、BP在金融风险管理中的应用BP在金融风险管理中可以起到预警作用，通过对项目或企业的详细分析，识别潜在风险，为风险防范提供参考。
同时，BP也可用于评估风险损失，为金融机构和企业提供风险应对策略。
四、BP在金融投资决策中的应用在金融投资领域，BP是投资者判断投资项目价值的重要依据。
通过对BP 的分析，投资者可以全面了解项目的市场前景、盈利能力、投资回报期等关键信息，从而做出明智的投资决策。
五、BP在金融产品创新中的应用金融产品创新需要不断研发和推出具有竞争力的新产品。
BP在金融产品创新中可以起到梳理和规划作用，帮助金融机构明确新产品的设计思路、目标客户、市场前景等，提高产品成功率。
六、BP在金融行业的发展趋势随着金融市场竞争加剧，BP在金融行业中的应用将越来越广泛。
未来，金融行业将进一步重视BP的作用，不断提升金融业务规划与风险管理能力。
七、总结与展望BP在金融领域具有广泛的应用价值，从金融机构到企业和个人，都需要掌握编写和分析BP的能力。
BP神经网络在道路运输信用管理系统中的应用
BP神经网络在道路运输信用管理系统中的应用BP神经网络是一种常用的人工神经网络模型，具有较强的非线性映射能力和适应性。
在道路运输信用管理系统中，BP神经网络可以应用于以下几个方面：一、信用评估：道路运输企业在运营过程中，需要与各类合作伙伴（如货主、运输公司、承运人等）建立信任关系。
BP神经网络可以通过学习历史数据，分析企业的运输记录、支付记录、投诉记录等信息，从而评估其信用水平。
根据评估结果，可以制定不同的合作政策，如降低合作门槛、提供更多信用担保等。
二、风险预测：道路运输行业存在着各种潜在风险，如货物滞留、车辆事故、资金风险等。
BP神经网络可以通过对历史数据的学习，识别出运输过程中可能出现的风险因素，并进行预测。
基于预测结果，可以采取相应的措施，如选择更可靠的运输方式、加强车辆维护等，以降低风险发生的概率。
三、异常检测：BP神经网络可以对道路运输系统中的异常事件进行检测和识别。
当运输车辆行驶轨迹异常、货物丢失或损坏、运输记录出现错误等情况时，BP神经网络可以通过学习历史数据的模式，自动判断是否出现异常，并及时发出警报。
这可以帮助企业及时发现问题，并采取措施进行处理和调整。
四、运输优化：BP神经网络可以通过学习历史数据，分析不同的运输需求和运输模式，找出最佳的运输方案。
可以根据货物种类、运输距离、运输时间等因素，优化运输路径，提高运输效率。
BP神经网络还可以对企业内部的运营过程进行优化，如进行车辆调度、货物配送等，以提高整体的运输效益。
BP神经网络在道路运输信用管理系统中具有广泛的应用潜力。
通过对历史数据的学习和分析，可以实现信用评估、风险预测、异常检测和运输优化等功能，提高道路运输行业的管理水平和服务质量。
基于bp神经网络的p2p网贷信用风险甄别研究——以拍拍贷为实例
Financial View金融视线 | MODERN BUSINESS 现代商业105基于BP神经网络的P2P网贷信用风险甄别研究——以拍拍贷为实例张鑫 曹帅上海师范大学 上海 200234摘要:本文基于“拍拍贷”网贷平台公布的贷款人违约数据,运用了BP神经网络模型来预测P2P网贷平台贷款人违约率。
其模型预测精度达到了99.8%。
并且模型得出影响P2P平台借款人是否违约的前十大指标,按照其重要程度分别为:当前到期期数、上次还款本金、当前还款期数、标当前逾期天数、待还本金、我的投资金额、总待还本金、历史成功借款次数、已还利息。
同时,通过建立BP神经网络模型,网贷平台可以实现对贷款人信用的评级和违约预测。
关键词:P2P网贷平台；BP神经网络；违约预测中图分类号:F832.4;F724.6 文献识别码:A 文章编号:1673-5889(2020)11-0105-02一、研究目的及意义P2P贷款违约风险预警已成为一个需要解决的关键问题。
很多学者运用了Logistic回归和其他方法预测贷款人是否违约,但是Logistic要求解释变量应是数值型变量,并且其仍属于线性模型,所以只能解决一些违约贷款的非线性问题。
所以,本文利用机器学习算法——BP神经网络很好地解决了缺失值的问题,并且对非线性问题的预测更为准确,在预测P2P网贷违约率方面,能有效补充现有的风险预警模型。
二、BP神经网络的理论模型(一)数据选取与处理1.数据选取。
本文基于“拍拍贷”的实际交易数据。
在借款成功的数据中,总标的数量共有270287条,其中违约标的占8653条,不违约标的为262634条,违约率为3.2%。
考虑到本文违约与未违约标的为不平衡数据,所以采用欠采样来平衡数据集。
具体操作为:从全部样本中提取8653条全部违约标的,随机抽取未违约标的8653条,样本数据共计17306条。
2.数据处理。
首先,对连续变量进行归一化处理,确保指标的统一性和可分析性。
- 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)。
BP算法在信用风险分析中的应用*李行风1张博群2 徐建东11. 暨南大学数学系，广东，广州，5106322. 华南理工大学交通学院，广东，广州，510640摘要：按照企业的财务状况、经营状况以及过往的信用记录分为“信用好”和“信用差”两个小组。
对于每一家贷款企业，主要考虑能反映该企业的还款能力、盈利能力、经营效率和资本结构等7个财务比率做为分析变量。
关键词：BP算法；信用风险评价模型；信用风险分析Application on BP Algorithm in Credit Risk AnalysisLi Xingfeng1Zhang Boqun2Xu Jiandong21). Department of Mathematics, Jinan University, Guangzhou, Guangdong,510632, China2). College of Traffic and Communications, South China University of Technology，Guangzhou, Guangdong, 510640, ChinaAbstract：The research establishes a credit-risk evaluation model based on back-propagation algorithm. The model has been applied to evaluate the credits of 80 applicants in a commercial bank of our country in 2001. The 80 data are separated into two groups: a “good credit” group and a “bad credit” group according to their finance, management and previous credit records. To each applicant, it mainly is considered seven financial rates that can reflect its debt paying ability, profitability, quality of management and capital structure. The BP network is trained 100 times, 390 times and 800 times respectively. The simulations show that, when the network is trained 800 times, it enters steady state and the performance function reaches optimal value. And the classification accuracy rate is 98.75%. In addition, the paper also presents a learning algorithm and steps of the BP network.Keywords：BP algorithm；Credit risk evaluation model；Credit risk analysis1. 引言信用风险分析是指信用评级机构根据科学的指标体系，采用严谨的分析方法，运用简明的文字符号，对被评级单位履行经济责任的能力及其可信任程度进行客观公正的评价，并确定其信用等级的一种经济活动。
对贷款企业进行信用评级，建立相应的信用风险评价模型，并运用此模型预测某种事态或性质发生的可能性，以便及早发现信用危机信号，使贷款企业能够在危机出现的萌芽阶段，采取有效措施，改善经营方式，防范危机发生；使银行可依据这种信号及时转移资产，管理应收账款及作出信贷风险决策。
建立贷款企业的准确审核模型，提高银行的贷前审核质量，对提高信贷资产的安全性并减少不良资产的产生有极其重要的现实意义。
*得到国家自然科学基金（705682）和广东省自然科学基金（31906）资助2信用风险评价模型本文所采用的数据样本，是从我国某国有商业银行2001年选取80家贷款企业，按照其财务状况、经营状况以及过往的信用记录分为“信用好”和“信用差”两个小组，其中“信用好”的小组是由那些能够按时偿还贷款的企业组成；“信用差”的小组是由那些不能按时偿还贷款的企业组成。
我们从每个小组中选取40个样本，训练集是由每个小组中的25个样本构成，因此训练集含有50个样本，余下的30个样本构成测试集。
我们将考虑能反映贷款企业的还款能力、盈利能力、经营效率、经营周转率和资本结构等的7个财务比率：我们定义两类错误：第一类错误是将“信用差”的贷款企业误判为“信用好”的贷款企业；第二类错误是将“信用好”的贷款企业误判为“信用差”的贷款企业。
为了确定网络结构，我们在MA TLAB 神经网络工具箱中输入贷款企业的7个指标变量值和相应的目标值，可得如下BP 网络结构：输入层含有7个结点，隐层含有4个结点， 输出层含有1个结点（见图1）。
1x2xt （期望输出）3x 4x e5x6x7x 图1 BP 网络结构根据图1的网络结构，可得到基于BP 算法的信用风险评价模型如下：⎪⎪⎭⎫ ⎝⎛+⎪⎭⎫ ⎝⎛+=∑∑==b b x w g v g y j j i i ji j 4171 (1) 模型(1)可用向量表示为：()()21B B X W Vg g y T ++=其中T x x x X ),,,(721 = 是输入向量，Y 是输出向量，47)(⨯=ij w W （7,,2,1 =i ，4,3,2,1=j ）是输入层和隐层之间的连接权，()T 4321v ,v ,v ,v V =是隐层和输出层之间的连接权，T b b b b B ),,,()1(4)1(3)1(2)1(11=和)(2b B =分别是隐层和输出层的偏置权向量，隐层结点的传递函数及网络输出函数)(h g 均采用logistic 函数，即：)ex p(11)(h h g -+=3仿真结果分析我们设定误差指标值为01.0=e ，取学习率2=η，将80个样本分为训练样本（50个）和测试样本（30个），然后对BP 网络分别训练100次、390次和800次。
设k 表示网络训练次数，此处k 分别取390，800（下同）。
当网络训练k 次时，设样本输出值为)(k y ，原目标值为t ，用max )(k e 表示样本输出值与原目标值之间的最大误差绝对值，即[]{}t k y k e -=)(m ax )(max (2)再将k 次训练的最大总误差)(k E 定义为：{}})(,)(max{},)(,)(max{max )(test bad trainbad test good train good k e k e k e k e k E =(3) 其中traingood k e )(表示对训练样本训练k 次时，“信用好”的小组其输出值与原目标值的最大误差绝对值；test good k e )(表示对测试样本训练k 次时，“信用好”的小组其输出值与原目标值的最大误差绝对值；train bad k e )(表示对训练样本训练k 次时，“信用差”的小组其输出值与原目标值的最大误差绝对值；test bad k e )(表示对测试样本训练k 次时，“信用差”的小组其输出值与原目标值的最大误差绝对值。
将以上两训练方式的样本输出值与原目标值的最大误差绝对值max )k (e 列于表1中。
两训练方式的误差曲线和学习率分别见图2和图3。
图2 均方误差及学习率（训练390次）图3均方误差及学习率 （训练800次）利用最大总误差值来衡量BP 算法网络的分类能力。
表2列出了BP 算法网络三种训练方式的分类结果、总误判率、正确率及最大总误差值。
4 结论本文建立了基于BP 算法的神经网络信用风险评价模型，用来对我国某国有商业银行2001年80家贷款企业进行信用评级。
按照他们的财务状况、经营状况以及过往的信用记录分为“信用好”和“信用差”两个小组，每个小组含有40个数据样本，训练集是由每个小组中的25个样本组成，测试集由余下的30个样本组成。
参考文献1. K. Y. Tam and M. Kiang. Predicting bank failures: A neural network approach. [J].Management Science ，1992, 38(7)：927-947.2. H. L. Jensen. Using neural networks for credit scoring. [J]. Managerial Finance, 1992, 18 (6),15-26.3. P. Coats and L. Fant. Recoganizing financial distress patterns using a neural network tool. [J].Financial Management, 1993, 3: 142-155.4. E.I. Altman . Corporate distress diagnosis: comparisons using linear discriminant analysis andneural netwoeks (the Italian experience). [J]. Banking and Finance, 1994, 18:505-529.5. R. R. Hashemi, L. A. Le Blanc, C. T. Rucks and A. Rajaratnam. A hybrid intelligent systemfor predicting bank holding structrure. [J]. European Journal of Operational Research, 1998, 109: 390-402.6. David West. Neural network credit scoring models. [J]. Computers & Operations Research,2000, 27: 1131-1152.7. Reshmi Malhotra and D. K. Malhotra. Differentiating between good credits and bad creditsusing neuro-fuzzy systems. [J]. Computing, artificial intelligence and information technology, 2002, 136, 190-211.8. 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, 1999, 1(1): 68-72.9. 郝丽萍，胡欣悦，李丽. 商业银行信贷风险分析的人工神经网络模型研究. [J]. 系统工程理论与实践，2001, 21(5): 62-69.10. 杨保安，季海. 基于人工神经网络的商业银行贷款风险预警研究. [J]. 系统工程理论与实践，2001, 21(5): 70-74.11.庞素琳, 王燕鸣，黎荣舟. 基于BP算法的信用风险评价模型研究. [J]. 数学的实践与认识，2003，33(8)：48-55.。