刘翔鹏 中国人民银行永州市中心支行

一、引言

金融是现代经济的核心，银行市现代金融的核心，现代商业银行在经营和发展过程中，因为筹集融通资金，中间环节会积累大量不良资产。由于历史上和现实上的原因，我国农信系统的地方法人金融机构累积了大量的不良资产，虽然经过央行票据置换和农商行改革已经置换、清收了大量的不良资产，但是由于地方法人银行机构信用风险管理能力较差，人才队伍培养滞后，故对不良资产的事前识别能力极弱。

目前国内银行业对不良资产信用风险评估方法主要是采用古典分析法和多元统计法。古典分析法是指银行经营者依赖一批训练有素的专家主观判断，对信贷项目进行判断打分，审贷会以此决策。多元统计分析的基本思路是根据历史积累的样本建立统计模型，对新样本发生的某种事件的可能性进行预测的方法，包括线性概率和判别分析法等。

以上所述方法虽然被广泛应用，但是他们只是针对某一方面如财务进行分析和统计，不能充分利用银行搜集的全面信息，尤其是一些边缘信息。大量的数据挖掘研究结果表明，很多边缘信息和侧面指标可以很好地补充单一财务指标的缺陷，使借款项目的特征更加鲜明，故本文引入人工神经网络模型，试图用新办法解决信用风险识别、评估的旧问题。

二、模型设计

类似于人脑结构，人工神经网络ANN由一组相互连接的结点和有向信息链组成。本神经网络是运用了BP原理的神经网络分类器，信息向前传递，误差向后传递。模型可以简洁地写成如下形式：，其中w是权值向量，x是输入向量，t是阈值向量。

模型运算步骤如下：

（2）用随机数给初始权值向量W赋值。

（3）对每个输入向量、权值向量和阈值向量有一个输出y.（4）对权值向量进行更新和调整，权值调整公式：

根据模型的实际训练效果，设置一个合理的训练次数，并用随机数种子的办法将其固定下来，便于结果可以重现。

三、实证分析

本文选取湖南永州境内S农商行和B农商行全部信贷数据作为实证样本。首先对数据进行处理，对缺损数据和重复数据进行了清洗，选取12450个样本，13个特征值作为有效数据。将数据库的英文字符和中文字符全部转化为双精度浮点型数据，然后利用虚拟变量函数对双精度浮点型数据全部进行编码，使之符合神经网络输入规则，样本属性标签正常贷款和不良贷款分别用0和1表示。

在实证环节，随机选取40%的样本作为测试样本，共进行40次交叉验证。40次交叉验证预测标签为1的不良贷款结果如下表：

序号 迭 代次准确率1 200 0.914 2 200 0.888 3 200 0.879 4 200 0.886 5 200 0.910 6 200 0.841 7 200 0.927 8 200 0.916 9 200 0.909 10 200 0.866 11 200 0.880 12 200 0.910 13 200 0.918 14 200 0.865 15 200 0.866 16 200 0.854 17 200 0.844 18 200 0.904 19 200 0.926 20 200 0.927 21 200 0.920 22 200 0.844 23 200 0.900 24 200 0.869 25 200 0.875 26 200 0.894 27 200 0.914 28 200 0.880 29 200 0.843 30 200 0.925 31 200 0.894 32 200 0.867 33 200 0.924 34 200 0.912 35 200 0.888 36 200 0.812 37 200 0.849 38 200 0.908 39 200 0.848 40 200 0.910准确率序号迭代次准确率序号迭代次

全部40次随机交叉验证的准确率均值为0.8877，标准误差为0.030。模型中，不管交叉验证数据如何变化，最终ANN模型均有足够的内部空间容纳，并能够选择合适的拓扑结构防止模型过度拟合。ANN可以自动处理冗余权值，因模型可以自动学习，冗余权值非常小。神经网络模型对噪音非常敏感，处理噪音问题的办法是用确认集确定模型的泛化误差，虽然准确性上ANN模型超过朴素贝叶斯模型，但是稳定性则不如朴素贝叶斯模型。为避免出现局部极小值，应在权值更新公式上加上一个动量项。神经网络训练非常耗时，如数据足够多，模型足够复杂，在效率上比不上KNN模型和朴素贝叶斯模型。

四、结论和建议

人工神经网络模型（ANN）的准确率很高，稳定性一般，在多次交叉验证后，得到较为稳定的准确率和较小的标准误差，故模型实用价值很高。但法人银行机构的关联交易和流动性状况是该模型不能识别的，股东的高额关联贷款给法人银行带来的信用风险是极大的，极端情况的流动性短缺会让法人银行机构经营困难，结合声誉风险，可能会被处置当局警告、早纠甚至接管。