基于结构化神经网络的贷款风险预警方法

王宜刚

（湖南工业大学 财经学院，湖南 株洲 412007）

目前，人工神经网络(Artificial Neural Networks，ANN)技术已得到大量研究，并广泛应用于工程和科学等各种领域，用来处理从控制系统到城市规划等各种问题。人工神经网络强大的问题解决能力使其深受工程和科学领域相关研究者的青睐。近些年来，金融研究者和从业者也逐渐对人工神经网络的应用产生兴趣。有关ANN的应用研究很多，其中破产预测、金融市场预测、债务风险评估以及其在证券市场上的应用等是主要的研究方向。鉴于此，本文将探究人工神经网络在商业银行贷款处理中的应用。无论从构思上还是技术上讲，将ANN应用于预警系统都是一个重大的突破。该应用不仅解决了利用传统方式难以解决的非线性模型问题，还克服了其它许多难题如缺乏自适应性、低效率、低效益等，为预警系统的实际应用奠定了基础。

1 贷款风险预警指标体系

贷款风险的预警信号(或称为预警征兆要素)可归结为如下几类：会计要素、信息要素、组织要素和商业行为。本文主要关注财务状况方面的一些预警信号，财务分析中透露的最重要的一个方面就是负债人的偿还贷款能力。鉴于此，首先需要分析负债人的收益表和资产负债表，然后再分析其财务状况、盈利能力和运营能力；这些研究分析包含了多种不同比率，其中最后一次分析结果决定了债务人的偿款能力。这些不同的财务比率可分为以下四大类：盈利能力比率、运营能力比率、长期还款能力和短期还款能力。此外，每一种能力又拥有一组属于自己的具体衡量指标。本文构建了一个用来评估银行贷款风险的指标体系。该指标体系包含以上四种能力，共计15项指标，如表1所示。

需要注意的是：在处理神经网络的输入、输出数据时，我们面临的一个问题就是如何定义输入和输出数据向量。神经网络的输入数据表示贷款风险的特征，包含许多连续变量；而输出决策大都是布尔离散向量。这就说明，当贷款风险正常时，输出结果为(0,1)；而当风险超过正常范围时，输出结果为(1,0)。此外，所有数据都必须规范化，以便符合神经网络输入值的要求。为了便于描述结构化神经网络模型，我们定义以下数学符号(如表2所示)。

表1 贷款风险预警指标体系

表2 本文中用到的数学符号

2 基于结构化神经网络的贷款风险预警模型设计

结构化神经网络模型及方法为非线性系统，特别是那些大型的、具有严重非线性特征系统的建模及结构优化给出了一条新的解决方案。采用结构化神经网络构建的贷款风险预警模型如图1所示。

图1 基于结构化神经网络的贷款风险预警模型

为了提高结构化神经网络的学习效率，本文采用量化正交遗传算法来训练结构化神经网络。量化正交遗传算法的主要步骤如下：

(1)种群的初始化操作

步骤1依照下述公式对问题的可行空间[L,U]进行分割。

这里，L=[l1,l2,…,ln]T和U=[u1,u2,…,un]T分别指由优化问题所有n个自变量的下边界及上边界组成的集合，B是设计参数，1k指第k位是1，其它位是0的一个n维列向量，Li和Ui分别表示类似于L和U的n维列向量。最终将优化问题的可行空间[L,U]分割成B个子空间，即[L1,U1],[L2,U2],…,[LB,UB]。

步骤2在问题的各个子空间中，依照下述公式离散化各个自变量。假设自变量xi的可行域是[li,ui]，那么xi可被量化成Q1个水平ai1,ai2,…,aiQ1，这里Q1为奇数。

步骤3从每个子空间中挑选出M1个染色体。首先构造正交表LM1(QN1)=[αij]M1N，M1=QJ11，J1是满足条件/(Q1-1)≥N≤的一个最小正整数，而N指问题相对应的优化维度。然后再从这QN1个组合里挑选出M1个组合来生成M1条染色体。

步骤4按照适应度值的大小，从M1B条潜在染色体里选取其中最优的G条来组成初始种群。

(2)交叉操作

步骤1假设要进行交叉操作的两个父代个体为：它们所决定的求解空间[lparent,uparent]为：

步骤2将父代个体的求解空间离散化。将求解空间[lparent,uparent]离散化成Q2（奇数）份，如将第i维区间量化成βi1,βi2,…,βiQ2，其中：

步骤3将所有自变量进行随机分组。随机生成F-1个整数 1＜k1＜k2＜…＜kF-1＜n，对于每个染色体x=(x1,x2,…,xN)，均可产生以下F个因素：

为第i个因素定义如下Q2个水平

步骤4应用正交表从父代求解空间中选择潜在子代点。构造正交表，J2是满足条件的一个最小正整数；然后从这QF2个组合里挑选出M2个组合来生成相应的M2个潜在子代。

步骤5接着从这M2个子代以及它们的两个父代里，选取其中适应度最高的两个个体来作为该次交叉的结果。

步骤6如果交叉操作次数达到预设值，则停止交叉操作；否则，重复步骤2继续执行交叉操作。

(3)变异操作

步骤1从需要变异的个体集合中随机选择一个需要进行变异操作的父代染色体。

步骤2然后随机选取N个自变量中将要发生变异的一个来进行操作。

步骤3使用微摄动方法来获得发生变异后的子代个体。微摄动的具体操作如下：将步骤2中所选择自变量的值依次微调为其初始值的，和倍，其中σ为设计参数。微调后就可获得四个相应的子代染色体。

步骤4从这四个子代及一个父代个体中选取最优的一个来作为本次变异操作的结果。

步骤5如果当前已进行的变异操作次数已达到预设值，则停止变异操作；否则，继续重复执行变异操作。在每次迭代中，变异操作共执行10次。

3 应用实例

为了验证本文结构化神经网络模型的正确性和有效性，我们采用部分实证数据来验证本文方法的可行性和有效性。本文应用40家公司的实际数据作为学习样本，对构建的结构化神经网络模型进行训练。然后采用10家公司的实际数据作为测试样本，对已经学习好的结构化神经网络进行检验和测试。测试结构如表3所示，不难看出，采用本文结构化神经网络对贷款风险预测的准确率非常好。本章中的应用实例不仅验证了本文模型和方法的有效性，而且还证明结构化神经网络是处理预警问题的一个好工具。

表3 本文结构化神经网络的预测结果

4 结束语

本文的主要创新点可总结为：针对贷款风险预警问题，设计了贷款风险预警指标体系，基于结构化神经网络构建了贷款风险预警模型，借助应用实例证实了本文所提出的模型及方法的高效性，同时还证明了结构化神经网络是处理预警问题的一个好工具。

[1]S.Feng,L.Xu.An Intelligent Decision Support System for Fuzzy Comprehensive Evaluation of Urban Development[J].Expert Systems with Applications,1999,16(1).

[2]S.Shi,L.Xu,B.Liu.Improving the Accuracy of Nonlinear Combined Forecasting Using Neural Networks[J].Expert Systems with Applica⁃tions,1999,16(1).

[3]T.Quah,B.Srinivasan.Improving Returns on Stock Investment through Neural Network Selection[J].Expert Systems with Applica⁃tions,1999,17(4).

[4]K.Fanning,K.Cogger.Neural Network Detection of Management Fraud Using Published Financial Data,International Journal of Intelli⁃gent Systems in Accounting[J].Finance and Management,1998,7(1).

[5]R.Hashemi,L.Blanc,C.Rucks,A.Rajaratnam.A Hybrid Intelligent System for Predicting Bank Holding Structures[J].European Journal of Operational Research,1998,109.