神經網絡信貸規劃策略

導語：神經網絡信貸規劃策略一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：本文主要針對企業信貸業務帶來的風險進行相關研究，利用貝葉斯神經網絡與雙規劃目標模型，運用模擬退火算法制定出信貸策略，結合層次分析法制定出企業在受到突發因素影響下的信貸調整策略。首先通過Spearman相關性分析，篩選出衡量信貸風險的五項指標，因此選取該算法對123家企業建立風險評估模型。其次擬合得出客戶流失率關于企業信貸利率的二次函數，計算銀行信貸收益函數，建立雙規劃目標模型，運用Matlab模擬退火算法求最優解，探究如何針對不同風險下企業信貸策略，既保證銀行營利最大化，同時風險又在可控范圍內。最后通過對302家企業的指標數據進行風險評估，預測其對應的信譽等級，運用模擬退火算法，探究在總貸款1億元的限制條件下的信貸策略。

關鍵詞：貝葉斯神經網絡擬合；模擬退火算法；信貸風險；信貸業務；商業銀行

商業銀行在金融體系中扮演著重要角色，銀行最基本的業務是信貸，它也被用來作為企業融資的一種途徑，然而信用風險是在信貸活動中最需要注意的。如何調整信貸策略需要根據每個行業所受影響程度的不同，而影響程度又涉及很多方面，因此采用層次分析法來構建信貸策略調整機制，并計算出各個行業所受影響的指標權重，進而調整信貸策略。我國經濟發展需要中小微企業的推動，它們可以提高社會生產力，為推動消費貢獻經濟力量，同時也可以為人們提供更多的就業崗位。商業銀行通常是依據信貸政策，以及企業自身能力，并對企業信貸風險進行評估，根據其風險等級來判斷是否可以對企業進行放貸，如果可以進行放貸，則要進一步衡量貸款額度、利率和貸款的期限等具體的信貸策略，如何利用數學模型建立一個公平、合理、科學的信貸決策機制是我們需要解決的問題。

1問題分析

本文利用相關數據對123家企業的信貸風險進行評估，并給出該銀行在一定的年度信貸總額情況下，對這些企業所采用的信貸策略。信貸策略包括是否對企業放貸及貸款額度、利率和期限等，題目已給出期限為一年，需要考慮的是貸款額度及利率優惠的決策機制，而是否提供貸款由企業實力和供求關系穩定程度來決定，利率優惠由企業信譽高低和信貸風險大小決定，首先對數據做了預處理，剔除掉作廢發票等無效數據，利用Excel軟件對數據進行篩選、提取，將衡量是否放貸和利率優惠的指標整理成數據集。其次運用Spearman相關系數對篩選的14個指標進行相關性分析，最終確定出顯著性較高的5項指標作為衡量信貸風險的評價指標，為了保證信貸策略結果的精確性，我們先建立了PSO優化的SVM模型，由于其訓練數據和預測數據的精確性較低，因此構建了貝葉斯神經網絡擬合模型，對123家企業的信貸風險做出了評級，其擬合效果較好。商業銀行在進行信貸活動時，不僅要評估企業風險，還要考慮到自身的收益最大化，為此建立了信貸風險評估模型及收益最大化的雙規化目標模型，同時建立銀行收益函數。在算法方面，我們采用模擬退火算法并結合線性規劃原理，計算出銀行對于123家企業的具體信貸策略，即企業對應的貸款額度比列以及相應利率。

2模型的建立與求解

題目要求制定對于302家無信貸記錄的公司在銀行信貸總額為1億元時的相應信貸政策，這建立在已經構建的信貸風險評估模型、制定對應企業的信貸策略的基礎上。比例的年度信貸總額，只需要求出比例即可?？傤~為1億元，其還要加上約束條件：確定要放貸企業的貸款額度為10萬~100萬元。本文主要基于對企業歷史信貸數據信息的挖掘、處理及分析，建立基于貝葉斯神經網絡擬合算法的企業風險評估模型和雙規劃目標模型，運用模擬退火算法制定出信貸策略；利用層次分析法來分析企業在受到突發因素影響時各行業的狀況，將每個層次中的每個因素對結果的影響程度進行量化，非常清晰、明確。對于銀行信貸政策而言既要滿足其利潤的最大化，同時也要保證風險的可控性，針對此建立的雙目標規劃模型，可以使得規劃者和決策者各司其職，在自己的角色中充分發揮各自的作用。但是，對于多目標問題，各個目標是不可公度的，因此采用層次分析法來構建信貸策略調整機制，并計算出各個行業所受影響的指標權重，進而調整信貸策略。但是選擇備選方案層時依據企業名稱劃分行業具有較大的人為主觀性，其分析結果不夠準確。最后結合層次分析法制定出企業在受到突發因素影響下的信貸調整策略。通過篩選可以看到是否違約與信譽評級為ABCD有直接關系，將每個企業根據ABCD進行分類，只投資信譽評級為ABC的企業即可，如表1所示。(1)其中，n為樣本容量，d為樣本的秩次差。在使用SVM算法進行評估和預測時，需要事先確定參數C和σ值，它們分別是用來控制懲罰正則化的參數和核函數標準化參數。那么如何進行參數選擇呢？問題可轉化為利用PSO算法在給定空間的全局搜索，具體步驟如下。(1)首先要對數據進行歸一化處理，對PSO參數進行初始化。(2)利用PSO優化的SVM模型。(3)根據式（2）更新各個粒子的速度和位置，產生新種群。其中，V代表迭代函數，X代表新物種，P代表粒子最優速度，g代表粒子運動過程中的最優位置，C1和C2為加速常，W為慣性權重；m為種群規模。(4)計算新種群的適應值，并計算新粒子的速度和位置，如果存在更優的則替換，否則將維持原狀。(5)判斷是否收斂，若收斂則結束，輸出最優的參數C和σ；若沒有收斂則繼續迭代，令n=n+1，轉到步驟2)。利用PSO方法對5個參數共同優化選取，建立SVM風險等級預測模型。對123組數據進行訓練研究。即求解如下表達式：其中有5個變量：x1-x5，為了方便網絡訓練，可以將因變量的值從ABCD，對應為1，0.75，0.5，0?？梢钥吹缴窠浘W絡結構一般分為輸入層、隱藏層、中間層，如圖1所示。神經網絡能夠對ABCD有較高的預測準確率，每個范圍有不同的等級，我們劃分ABCD四個不同范圍，可以得到表2可以觀察到每一個等級的預測準確率都比較高，D的預測準確率可以達到87.50%。由于在信貸活動中商業銀行的貸款年利率會影響到潛在客戶的流失，所以需要對客戶流失率與貸款年利率數據的關系進行一個擬合，選擇的是2次擬合函數，運用Excel軟件對信譽評級為A、B、C的企業分別擬合，擬合效果較好。銀行在經營各項業務的第一要義就是盈利，與此同時，資金的流動性和安全性也要有所保障。但是當銀行的信貸業務出現問題時，資金的流動性以及安全性就會面臨威脅，那么就會對銀行造成不可估量的損失，銀行的生存和未來的發展就會變得岌岌可危。為了避免此類狀況的發生，信貸風險評估分析就變得尤為重要，評估過程包括分析信貸客戶相關的財務和非財務數據，衡量借款人的還款能力并估計違約的可能性，將這一系列的數據輔助銀行進行借貸決策，所以建立了以信貸風險測量和銀行利益最大化的雙目標規劃模型。首先各企業的信貸風險P值已根據模型一的算法求出，考慮到銀行的收益最大化，我們建立如下的銀行收益函數：1-p：達到不會違規的概率，p則是違規概率，x1是對每一個企業投資的金額，x2是對每一個企業投資的利率，fn(x2)表示我們上述求出的客戶流失率關于貸款年利率的擬合函數，1-fn(x2)表示挽留的客戶比例，失去的那一部分表示不賺錢。可以把x1提出表達式外，這時上述式子可以分為兩個部分來解決：因為[(1-p)*(1＋x2)-1]*(1-fn(x2))是關于x2的函數，因為自變量是x2，于是可以在固定x1值的情況下，只要使這個表達式最大，就能使下列條件滿足最大值：其具體原理：改進爬山算法，仍以求一元函數的最大值為例，具體的算法原理如下：i=0，在解空間中隨機生成一個初始解w0，作為搜索起始點S(S=ω0)，計算搜索點S對應的目標函數值f(S)=f(ω0)；令i＋＋，在S附近隨機生成一個新解ωi，計算ωi對應的目標函數值f(ωi)；若f(ωi)≥f(S)，則將搜索點S移動到解ωi的位置，然后將上述步驟進行重復；若f(ωi)≤f(S)，不同于爬山算法，搜索點此時并沒有完全拒絕解ωi，而有一定的概率p接收新解。用程序生成一個(0，1)之間的隨機數r，如果r<p，說明這個概率為p的把握成立，則搜索點S移動到ωi的位置，反之S不移動，然后重復步驟。根據以上過程可求出x2即貸款年利率的相應值，上述表達式變為max∑cx1，其中c已在上一步求解，且滿足條件∑x1=M。通過對數據的篩選整合后，建立滿足要求的衡量信貸風險指標體系，由于由PSO優化的SVM模型模擬效果較差，改用貝葉斯神經網絡擬合模型，針對四組不同級別的信譽評級，擬合出其對應信貸風險區間范圍。后通過對企業貸款利率與流失率的擬合分析，建立雙規劃模型，采用模擬退火算法，針對不同實力、不同信譽等級企業不同的信貸風險，制定其信貸策略，既滿足銀行低風險策略，也能達到銀行營利的目的。肺炎疫情的爆發對各行業、各類別企業的生產經營和經濟效益造成了不同程度的影響。根據企業的信譽不受突發因素影響，貝葉斯神經網絡模型具有一定的容錯能力，其不僅僅可以運用于信貸風險的評估，還可以在商品銷售的預測、水文預測、地質分析、生物工程方面也有廣泛的應用。層次分析法是一種成熟的分析評價方法，可以廣泛運用到社會經濟管理領域中許多的不確定性問題，可以起到很好的分析效果。因此在各企業原來的信貸風險基礎上，銀行需要綜合考慮企業生產經營和經濟效益幾方面的因素對其信貸風險造成的影響，重新調整年度信貸總額為1億元時的信貸策略。因此利用專家打分的層次分析法(AHP)對各行業、各類別企業的信貸風險影響程度進行綜合評價，對銀行信貸收益函數模型進行改進，從而調整銀行信貸策略。AHP方法評價行業影響程度采用SPSS25.0對上述指標體系進行層次分析法，當然它是在問題層次模型的基礎上建立起來的，判斷層次結構中各指標的相對重要性，利用專家打分法構造其判別矩陣，共需構造5個判別矩陣Ak(k=1，2，3，4，5)。將所有因素進行兩兩分組，逐一比較，為了將不同性質的因素相互比較的困難降到最低，我們利用相對尺度以提高準確度，判斷矩陣Ak的標度方法。max表示判斷矩陣最大特征根的特征向量，經過歸一化記為A。層次單排序即為A的元素為同一層次元素相對于上一層元素來評判某因素相對重要性的排序權值的一個過程。在分析評價時，按照構建的綜合評價模型來計算各方案的綜合評價值，通過綜合評價值推出最優最好的方案或對這些方案按順序排列，但是有時候“屬性值”并不是完全精確的，也可能隨時間變化，而且受主觀影響較大，這樣，方案排序的結果就顯得不可靠。因此對于評價結果進行靈敏度分析，也就是需要知道決策信息的變化對方案排序結果的影響程度。層次分析法從根本上來看屬于一種簡單的線性加權法，只是將問題分而治之，切分成多個層次來逐一解決。

3結語

本文選擇貝葉斯神經網絡擬合算法，建立商業銀行企業客戶信貸風險評價模型，快速、易于訓練，給出了它們所需的資源能帶來良好的表現。其中BP算法收斂速度慢，易于陷入局部極小值，從而找不到整體最優點，SVM模型訓練有一定難度，擬合效果較差。利用完成學習過程的網絡測試樣本數據，發現測試精度較高。但其輸入變量不能是相關的，其成為模型缺點所在，也是后續值得思考優化的問題。由于信貸風險是受多種因素共同影響的結果，很難給出其各種因素共同作用的公式，而神經網絡模型很好解決了這個問題，它具有較強的自組織、自適應與學習能力，能夠在未完全了解所有風險因素的變化趨勢下，完成各種評價指標變量之間的相關性映射。對于銀行信貸政策而言既要滿足利潤的最大化，同時也要保證風險的可控性，針對于此建立的雙目標規劃模型，可以使得規劃者和決策者各司其職。但是在多目標問題中各個目標是不可公度的。層次分析法把研究對象看成一個整體，進行一系列的拆分和分解，從而進行比較和判斷，完成決策。利用層次分析法來分析企業在受到突發因素影響時各行業的狀況，將每個層次中的每個因素對結果的影響程度進行量化，非常清晰明確。但是選擇備選方案層時依據企業名稱劃分行業具有較大的人為主觀性，其分析結果不夠準確。

參考文獻

[1]李帥鵬.基于貝葉斯決策規則的商業銀行信貸風險研究[D].武漢:淮北師范大學,2020.

[2]許士春,張婧男.肺炎疫情對企業影響調查與一季度經濟預測[J].淮海文匯,2020(01):8-14.

[3]呂文.我國商業銀行中小企業客戶信用風險評級方法的研究[D].蘇州:蘇州大學,2019.

[4]龍澤棟.基于BP神經網絡的商業銀行信貸風險評估研究[D].武漢:湖北工業大學,2018.

[5]張虹婧.C商業銀行成都分行中小企業信用風險管理研究[D].成都:電子科技大學,2018.

作者：楊惟伊 單位：西安外國語大學商學院