基于PSO_BP神经网络的企业信用风险评估模型研究
- 格式：pdf
- 大小：646.65 KB
- 文档页数：5
计算机与现代化2009年第4期JIS UAN JI YU X IAN DA IHUA总第164期文章编号:1006-2475(2009)04-0123-04收稿日期:2008-05-08基金项目:福建省自然科学基金资助项目(20511006)作者简介:董槐林(1957-),男,福建龙岩人,厦门大学软件学院副院长,教授,研究方向:金融信息化技术,软件工程等。
基于PSO -BP 神经网络的企业信用风险评估模型研究董槐林,郭 阳,郑宇辉(厦门大学软件学院,福建厦门361005)摘要:企业信用风险评估是金融领域的重要课题。
本文针对单独运用BP 神经网络评估信用风险时存在的不足,提出了一种基于PSO-BP 神经网络的企业信用风险评估模型。
该模型首先应用主成分分析方法降低输入BP 网络的信用评估指标维数,并且采用粒子群优化算法优化BP 神经网络的权值。
实验表明,新模型采用的算法具有收敛速度快,预测精度高的优点,是一种有效可靠的企业信用风险评估模型。
关键词:信用风险评估;主成分分析;粒子群优化算法;BP 神经网络中图分类号:T P301.6 文献标识码:AStudy of Credit R isk A ssess m ent of Enterprise Based on PS O-BP N eural Net workDONG H ua-i li n ,GUO Y ang ,Z H ENG Yu -hu i(So ft w are Schoo,l X i amen U n i versity ,X i a m en 361005,Ch i na)Ab stract :C red it r i sk assess m ent o f enterprise i s a very i m po rtant proble m i n t he fi nanc ial fi e ld .Its de fic i ency i s revea l ed because of si ng ly using BP neura l net wo rk .In t h is paper ,a new assess m en tm ode l is proposed wh ich i s based on an opti m i zed BP neural ne t w ork .In t h i s m ode,l first ,d i m ensions o f data are reduced by P r i ncipa lC o m ponent Ana l ys i s (PCA );Second ,Partic l e Sw arm O pti m izati on (PS O )is used f o r optim izi ng pa rame ters o f neu ra l ne t w ork .T he expe rim ent resu lts show tha t PS O-BP a l go rith m wo rks w ith qu i cker convergence rate and t he higher forecast precisi on ,it can con tent w ith the de m and o f credit risk assess m ent o f enterpr i se .K ey word s :credit risk assess m ent ;P arti c le Com ponent Ana l ys i s(PCA );P arti c l e S w ar m Opti m izati on(PS O );BP neural net w ork0 引 言随着金融全球化的发展,企业信用风险评估成为金融产业关注的一个重要课题。
世界上许多金融机构都在积极地研究和开发适合于自身管理特点的高效信用风险评估方法,国内外学者也已进行广泛的研究[1-7],并提出了许多模型,概括地讲可以分为两大类模型[5]:统计模型和人工智能模型。
统计模型主要包括多元回归分析模型、多元差别分析模型、Log it 分析模型、近邻法等。
虽然统计模型在信用风险评估问题中取得了很大成绩,但是由于其对数据样本的严格要求及金融数据的高噪声特性,使得这些模型在实际应用中失效。
针对统计模型的局限性,近年来人工智能技术被引入到该领域,以其强鲁棒性和非结构化性等特征受到越来越多学者的关注。
人工智能模型主要包括神经网络、决策树、遗传规划等智能算法,其中BP 神经网络[10]是应用最广泛的智能模型。
BP 神经网络对输入数据的要求不严格,也不必详细表述自变量与因变量之间的函数关系,这些特性使之成为企业信用风险评估方法的一个研究热点。
应用BP 神经网络进行企业风险评估的首要困难是信用风险评估指标固有的多样性和复杂性使得神经网络规模很大,影响神经网络的泛化能力。
神经网络另一缺陷在于其识别和评估过程的 黑箱性 ,使得整个网络在训练过程中容易陷入局部极小点,导致预测结果不准确,一些学者提出了运用遗传算法来优化BP 神经网络的模型[6],取得了一定的效果,但是遗传规划较长的训练时间也使算法的应用受到了局限。
124计 算 机 与 现 代 化2009年第4期基于上述研究基础,本文从组合优化的角度,并根据企业信用风险的特点,将主成分分析(PCA)[8-10]和粒子群优化(PSO)[11-12]算法引入到BP神经网络,提出了一种新的企业信用风险评估模型。
1 信用风险评估指标的选取1.1企业信用风险评估指标体系建立一套科学完善的评价指标体系,是实现对企业信用风险准确评估的重要前提。
本文依据信用风险评估指标选择原则[3],并借鉴我国财政部统计评价司的企业绩效评价指标体系和中国工商银行企业资信评估指标体系以及国内外有关文献的相关数据,兼顾我国信用风险的特殊性和数据的可获得性,建立企业信用风险评估指标体系,如表1所示。
表1 企业信用风险评估指标体系总目标子目标编号指标企业信用风险评估指标体系偿债能力X1速动比率X2资产负债率X3已获利息倍数营运能力X4总资产周转率X5流动资产周转率盈利能力X6净资产收益率X7总资产报酬率发展能力X8销售增长率X9资本积累率贷款方式X10贷款类别X11贷款条件X12贷款期限管理思想和经营作风X13管理层意愿X14企业借还款制度担保人综合实力X15担保企业资格X16担保企业财务实力抵押品X17抵押品种类X18抵押品变现难易贷款操作流程X19贷款业务机制X20贷款决策程序1.2用主成分分析对指标进行预处理本文所建立的企业信用风险评估指标体系包含20项指标,如果把它们都作为BP网络的输入,显然会增加网络的复杂度,大大增加计算运行的时间,降低网络性能,削弱神经网络的泛化能力。
因此,有必要对影响信用风险水平的微观因素进行综合分析,在尽量减少信息丢失的前提下减少指标的个数,即在保证评估结果的前提下降低信用风险评估指标的维数。
主成分分析法[8-9,13]是研究多个变量间相关性的一种多元统计方法。
通过少数几个主分量(原始变量的线性组合)解释多变量的方差,即导出少数几个主分量,使它们尽可能完整地保留原始变量的信息,且彼此间不相关,以达到简化数据的目的。
具体操作步骤如下:设信用风险评估指标为x =(x1 ,x2 , ,xn ),赋予这些参数一个经验权值W x=(W x1,W x2, , W xn) ,其中W x1+W x2+ +W xn=1。
(1)求出W的自协差阵:V=v11 v12 v1nv n1 v n2 v nn;(2)求出V的特征值 ,按从大到小的顺序写出:1> 2> > l, l+1= l+2= = n=0;(3)计算累积贡献率,并取mj=1( j/li=1i) 90%时的前m个特征值,其余舍去;(4)求出对应于 j(j=1,2, ,m)的特征向量r j (j=1,2, ,m);(5)求出x1=y1wx,x2=y2wx, ,xm=ymwx,于是,有x=(x1,x2, ,x m) 为充分把握了影响风险价值评估的因素。
根据上面对主成分分析方法的介绍,我们用M atlab软件对指标进行主成分分析。
本文所采用的数据来源于参考文献[7],通过对20项信用风险评估指标进行主成分分析,得到各个主成分的贡献率统计表,如表2所示。
表2 主成分分析贡献率统计表主成分特征值方差贡献率(100%)累计方差贡献率(100%)主成分特征值方差贡献率(100%)累计方差贡献率(100%) X13.34816.74016.740110.7323.66080.495 X22.01610.08026.820120.7653.82584.320 X32.00410.02036.840130.6423.21087.530X41.9289.64046.480140.5072.53590.065X51.5747.87054.350150.4792.39592.460 X61.1615.80560.155160.4022.01094.470 X70.8814.40564.560170.3321.66096.130 X80.8324.16068.720180.2991.49597.625 X90.8124.06072.780190.2741.37098.995 X100.8114.05576.835200.2011.005100 由累计贡献率来选择主成分:取 mj=1( j/li=1i) 90%,可以看出:20个指标只要抽取的主成分数目达到14时,抽取的主因子信息累积贡献率为90. 065%,我们可以用这14个主成分来作为神经网络的2009年第4期董槐林等:基于PS O-BP神经网络的企业信用风险评估模型研究125输入。
这样神经网络的输入结点就由20个变为14个,输入指标体系得到简化,简化幅度为30%,大大减小了神经网络规模。
2 粒子群优化神经网络模型的构建2.1用于信用风险评估的BP神经网络神经网络算法[4-7,10]是一种具有自组织、自适应、自学习特点的非参数方法,它对样本数据的分布要求不严格,不仅具有非线性映射能力和泛化能力,而且还有较强的鲁棒性和较高的预测精度,这些特点都促使神经网络在信用风险评估领域取得长足的发展。
BP网络是信用风险评估领域应用最广泛的人工神经网络,它分为三层,即输入层、隐含层和输出层。
BP神经网络训练的本质是通过训练网络连接权值,获得尽可能小的训练误差。
设样本中有s个企业,第r个企业的输入变量是X r,结果变量(即属于好客户还是坏客户)是D r。
