摘要：風險管理是商業(yè)銀行管理的重要內(nèi)容。本文通過建立商業(yè)銀行風險預警指標體系，利用神經(jīng)網(wǎng)絡與專家系統(tǒng)的組合方法對商業(yè)銀行風險狀況進行綜合評估，并引用實例說明該方法的實現(xiàn)過程。預測結果表明：神經(jīng)網(wǎng)絡方法建模簡單，精度高，對于商業(yè)銀行風險等復雜的非線性問題有著很強的逼近與預測能力。

關鍵詞：BP網(wǎng)絡 風險預警 指標體系

由于商業(yè)銀行風險對宏觀經(jīng)濟的廣泛影響，近年來不少國家都投入了大量資金和人力來研究商業(yè)銀行風險的監(jiān)測和預警問題。對現(xiàn)有風險預警方法進一步深入分析，銀行風險早期預警系統(tǒng)的設計大致可歸納為三種方法：(1)專家打分法。最簡單且易于操作的模型之一是加權評分模型。(2)數(shù)理分析法。該類方法根據(jù)歷史上各個風險狀態(tài)下某些經(jīng)濟指標的表現(xiàn)，制定一套指標體系，通過建立數(shù)理模型對這套指標的現(xiàn)狀進行綜合評價。(3)神經(jīng)網(wǎng)絡法。將人工神經(jīng)網(wǎng)絡(ANN，ArtificialNeuralNetworks)應用于金融風險預警系統(tǒng)。

商業(yè)銀行風險預警指標一般包括定量因素和定性因素，這致使常規(guī)的計算機信息系統(tǒng)在處理這類問題時顯得力不從心。這里采用人工智能技術，基于人工神經(jīng)網(wǎng)絡能很好地對時變信息進行處理。專家系統(tǒng)(ES，ExpertSystem)通常用符號表示，依賴更新規(guī)則，擅長處理非量化信息。將ANN與ES結合起來，建立基于ANN與ES組合的金融風險預警系統(tǒng)，既能保持ES的透明性，又具有ANN的學習和容錯能力。本文采用人工神經(jīng)網(wǎng)絡與專家系統(tǒng)的組合方法，對我國商業(yè)銀行的風險預警進行了嘗試。

一、神經(jīng)網(wǎng)絡結構及原理

從模式識別的角度看，商業(yè)銀行風險預警是一個模式分類的過程；從警兆指標——警情指標——警度之間的映射關系來看，經(jīng)濟預警是一個函數(shù)逼近的過程；從警兆指標--警情指標--警度之間的噪聲與報警準確處理方式來看，經(jīng)濟預警又是一個最優(yōu)化過程。模式識別、函數(shù)逼近、最優(yōu)化處理正是BP網(wǎng)絡最擅長的應用領域，因此，BP網(wǎng)絡應用于商業(yè)銀行風險預警是非常適合的。

本文運用的前向三層BP網(wǎng)絡技術，是目前研究、應用最廣泛的ANN。圖1即為前向三層BP網(wǎng)絡示意圖，它由輸入層、中間層、輸出層組成。中間層位于輸入層和輸出層之間，作為輸入模式的內(nèi)部表示，對一類輸入模式所包含的區(qū)別于其它類別的輸入模式的特征進行抽取，并將抽取出的特征傳遞給輸出層，由輸出層對輸入模式的類別作最后的判別。因此，也可以把中間層稱為特征抽取層。中間層的輸入模式進行特征抽取的過程，實際上也就是對輸入層與中間層之間連接權進行“自組織化”的過程。在網(wǎng)絡的訓練過程中，各層之間的連接權起著“傳遞特征”的作用。各連接權從初始的隨機值逐漸演變，最終達到能夠表征輸入模式性的過程，就是“自組織化過程”。

BP網(wǎng)絡的學習由四個過程組成，即輸入模式由輸入層經(jīng)中間層向輸出層的“模式順傳播”過程；網(wǎng)絡的希望輸出與網(wǎng)絡實際輸出之間的誤差信號由輸出層經(jīng)中間層向輸入層逐層修正連接權的“誤差逆?zhèn)鞑ァ边^程；由“模式順傳播”與“誤差逆?zhèn)鞑ァ钡姆磸徒惶孢M行過程。簡言之，就是由“模式順傳播”--“誤差逆?zhèn)鬟f”--“記憶訓練”--“學習收斂”的過程。

指標預警方法是其它傳統(tǒng)預警方法的基礎，它也是最常用的預警方法。商業(yè)銀行風險預警系統(tǒng)非常適合于前向三層BP網(wǎng)絡。在前向三層BP網(wǎng)絡算法中，對網(wǎng)絡性能影響比較大的是權值修正法，本文采用下面的方法；

其中：t為迭代次數(shù)， 為學習率， 為動量因子， 為輸入層節(jié)點之間的連接權值， 為中間層節(jié)點與輸出層節(jié)點之間的連接權值。權值修正是在誤差向后傳播的過程中逐層傳遞進行的，當網(wǎng)絡的所有權值都被更新一次后，網(wǎng)絡即經(jīng)過一個學習周期。

前向三層BP網(wǎng)絡需要一個訓練集和一個評價其訓練效果的測試集。訓練集合和測試集合應源于同一對象的由輸入-輸出對構成的集合。其中，訓練集用于訓練網(wǎng)絡，以達到指定的要求，而測試集合是用來評價已訓練好的網(wǎng)絡的性能。

二、中國商業(yè)銀行風險分析指標體系

由于我國銀行業(yè)的風險問題比較特殊，信用風險仍然是銀行面臨的主要風險，部分銀行在操作具體業(yè)務時，出現(xiàn)了流動性風險的問題。隨著利率的市場化和匯率的國際化，利率風險和匯率風險將會愈發(fā)突出。建立商業(yè)銀行風險預警系統(tǒng)，首先需要了解我國商業(yè)銀行面臨的具體風險因素。對我國商業(yè)銀行的金融風險預警指標的設計，應以商業(yè)銀行現(xiàn)存的有關數(shù)據(jù)為基礎，所以風險預警指標的資料主要依據(jù)于對受檢商業(yè)銀行定期提交上來的各種統(tǒng)計資料、報表、文件記錄，通過對相關的資料的整理，得到構建的指標體系見表1。

三、BP與ES在商業(yè)銀行風險預警的應用

BP網(wǎng)絡對非線性問題的映射能力極強。因此，這里建立的風險預警模型是3層結構的單輸出網(wǎng)絡結構。根據(jù)風險分析指標體系可以確定輸入層節(jié)點為19個。如何確定隱層節(jié)點數(shù)目尚無理論上的指導，可以通過多次試驗比較擬合效果來確定。建模及運算過程可以在MATLAB里很方便地實現(xiàn)，步驟為：

(1)確定樣本值。選取中國某商業(yè)銀行作為研究對象，對其連續(xù)10歷史數(shù)據(jù)進行整理。整理后的前8組數(shù)據(jù)（見表2）作學習樣本分別構成輸入向量組P，另外2組用于預測。目標向量組T，T=[(0，0)，(0，1)，(1，0)，(1，1)]，分別代表[無警，輕警，中警，重警]。對于每一個學習樣本，輸入向量是風險指標體系的因素按固定的順序構成，輸出是根據(jù)專家評估的風險狀況。ES評價過程，限于篇幅就不再贅述。

(2)設定網(wǎng)絡訓練參數(shù)。設定中間層神經(jīng)元的傳遞函數(shù)為S型正切函數(shù)，輸出層神經(jīng)元傳遞函數(shù)為S型對數(shù)函數(shù)，以最陡下降算法進行學習，學習精度為0.0000001，最大運算次數(shù)為500，學習速率自適應。

(3)訓練網(wǎng)絡。對網(wǎng)絡進行初始化，各因素的初始權重有ES綜合評價給出，然后輸入測試向量和目標向量進行運算。網(wǎng)絡根據(jù)樣本數(shù)據(jù)調(diào)整參數(shù)，到滿足精度要求或者達到最大運算次數(shù)結構就穩(wěn)定下來。

(4)設置不同的隱層節(jié)點數(shù)，重復步驟（2），直到運算精度滿足要求。

(5)輸入測試向量，利用仿真函數(shù)計算網(wǎng)絡輸出。

試驗中分別設置隱層節(jié)點數(shù)為8、10和12，比較網(wǎng)絡性能。結果表明，當隱層節(jié)點數(shù)為10個時運算效率最高。訓練與預測結果如圖2、3，表3所示。由表3的樣本銀行風險預警仿真輸出可以看出，用BP神經(jīng)網(wǎng)絡對商業(yè)風險的分析結果是相當有效的。一般用計量經(jīng)濟學方法預測結果達到80%就比較滿意，而上例的預測精度達到98%以上。由此可見，神經(jīng)網(wǎng)絡在多變量模型尤其是非線性模型的擬合與預測中有很大的優(yōu)勢。

四、結語

本文提出的基于ES和BP神經(jīng)網(wǎng)絡的風險判定與預警模型，能夠實現(xiàn)對銀行風險狀態(tài)的判定，不需要主觀定性地判斷銀行風險狀態(tài)，因而能夠更加合理地確定銀行的風險狀態(tài)。本文以預警指標的層次排序評價結果作為BP神經(jīng)網(wǎng)絡模型的學習樣本，進行預警推理知識的學習，隨著樣本的不斷增加，可以定期更新推理知識，從而實現(xiàn)對銀行風險的動態(tài)預警。在實際應用中由于BP算法的缺陷容易導致收斂速度慢和陷入局部極小，可以引入附加動量法和自適應學習算法來提高網(wǎng)絡的預測精度。

[參考文獻]

[1]黃益紹，林都．金融危機預警指標排序-層次分析法[J]．華北工學院學報，2004．

[2]黃建．金融風險評價指標與方法[J]．統(tǒng)計教育，2003．

[3]黃益紹．金融危機預警指標排序-層次分析法[J]．華北工學院學報，2004．

[4]魏海坤．神經(jīng)網(wǎng)絡結構設計的理論與方法[M]．國防工業(yè)出版社，2005．

[5]蘇曉生．MATLAB神經(jīng)網(wǎng)絡應用設計[M]．科學出版社，2002．

[6]杜棟，龐慶華．現(xiàn)代綜合評價方法與案例精選[M]．清華大學出版社，2005．

[7]聶規(guī)劃．基于BP網(wǎng)絡的企業(yè)風險預警實證分析[J]．武漢理工大學學報，2006．

[8]楊保安．基于ANN與ES混合系統(tǒng)的銀行貸款風險預警研究[J]．東華大學學報，2003．

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文。