王宜剛

（湖南工業(yè)大學(xué) 財(cái)經(jīng)學(xué)院，湖南 株洲 412007）

目前，人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，ANN)技術(shù)已得到大量研究，并廣泛應(yīng)用于工程和科學(xué)等各種領(lǐng)域，用來(lái)處理從控制系統(tǒng)到城市規(guī)劃等各種問(wèn)題。人工神經(jīng)網(wǎng)絡(luò)強(qiáng)大的問(wèn)題解決能力使其深受工程和科學(xué)領(lǐng)域相關(guān)研究者的青睞。近些年來(lái)，金融研究者和從業(yè)者也逐漸對(duì)人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用產(chǎn)生興趣。有關(guān)ANN的應(yīng)用研究很多，其中破產(chǎn)預(yù)測(cè)、金融市場(chǎng)預(yù)測(cè)、債務(wù)風(fēng)險(xiǎn)評(píng)估以及其在證券市場(chǎng)上的應(yīng)用等是主要的研究方向。鑒于此，本文將探究人工神經(jīng)網(wǎng)絡(luò)在商業(yè)銀行貸款處理中的應(yīng)用。無(wú)論從構(gòu)思上還是技術(shù)上講，將ANN應(yīng)用于預(yù)警系統(tǒng)都是一個(gè)重大的突破。該應(yīng)用不僅解決了利用傳統(tǒng)方式難以解決的非線性模型問(wèn)題，還克服了其它許多難題如缺乏自適應(yīng)性、低效率、低效益等，為預(yù)警系統(tǒng)的實(shí)際應(yīng)用奠定了基礎(chǔ)。

1 貸款風(fēng)險(xiǎn)預(yù)警指標(biāo)體系

貸款風(fēng)險(xiǎn)的預(yù)警信號(hào)(或稱(chēng)為預(yù)警征兆要素)可歸結(jié)為如下幾類(lèi)：會(huì)計(jì)要素、信息要素、組織要素和商業(yè)行為。本文主要關(guān)注財(cái)務(wù)狀況方面的一些預(yù)警信號(hào)，財(cái)務(wù)分析中透露的最重要的一個(gè)方面就是負(fù)債人的償還貸款能力。鑒于此，首先需要分析負(fù)債人的收益表和資產(chǎn)負(fù)債表，然后再分析其財(cái)務(wù)狀況、盈利能力和運(yùn)營(yíng)能力；這些研究分析包含了多種不同比率，其中最后一次分析結(jié)果決定了債務(wù)人的償款能力。這些不同的財(cái)務(wù)比率可分為以下四大類(lèi)：盈利能力比率、運(yùn)營(yíng)能力比率、長(zhǎng)期還款能力和短期還款能力。此外，每一種能力又擁有一組屬于自己的具體衡量指標(biāo)。本文構(gòu)建了一個(gè)用來(lái)評(píng)估銀行貸款風(fēng)險(xiǎn)的指標(biāo)體系。該指標(biāo)體系包含以上四種能力，共計(jì)15項(xiàng)指標(biāo)，如表1所示。

需要注意的是：在處理神經(jīng)網(wǎng)絡(luò)的輸入、輸出數(shù)據(jù)時(shí)，我們面臨的一個(gè)問(wèn)題就是如何定義輸入和輸出數(shù)據(jù)向量。神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)表示貸款風(fēng)險(xiǎn)的特征，包含許多連續(xù)變量；而輸出決策大都是布爾離散向量。這就說(shuō)明，當(dāng)貸款風(fēng)險(xiǎn)正常時(shí)，輸出結(jié)果為(0,1)；而當(dāng)風(fēng)險(xiǎn)超過(guò)正常范圍時(shí)，輸出結(jié)果為(1,0)。此外，所有數(shù)據(jù)都必須規(guī)范化，以便符合神經(jīng)網(wǎng)絡(luò)輸入值的要求。為了便于描述結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)模型，我們定義以下數(shù)學(xué)符號(hào)(如表2所示)。

表1 貸款風(fēng)險(xiǎn)預(yù)警指標(biāo)體系

表2 本文中用到的數(shù)學(xué)符號(hào)

2 基于結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)的貸款風(fēng)險(xiǎn)預(yù)警模型設(shè)計(jì)

結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)模型及方法為非線性系統(tǒng)，特別是那些大型的、具有嚴(yán)重非線性特征系統(tǒng)的建模及結(jié)構(gòu)優(yōu)化給出了一條新的解決方案。采用結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)構(gòu)建的貸款風(fēng)險(xiǎn)預(yù)警模型如圖1所示。

圖1 基于結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)的貸款風(fēng)險(xiǎn)預(yù)警模型

為了提高結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率，本文采用量化正交遺傳算法來(lái)訓(xùn)練結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)。量化正交遺傳算法的主要步驟如下：

(1)種群的初始化操作

步驟1依照下述公式對(duì)問(wèn)題的可行空間[L,U]進(jìn)行分割。

這里，L=[l1,l2,…,ln]T和U=[u1,u2,…,un]T分別指由優(yōu)化問(wèn)題所有n個(gè)自變量的下邊界及上邊界組成的集合，B是設(shè)計(jì)參數(shù)，1k指第k位是1，其它位是0的一個(gè)n維列向量，Li和Ui分別表示類(lèi)似于L和U的n維列向量。最終將優(yōu)化問(wèn)題的可行空間[L,U]分割成B個(gè)子空間，即[L1,U1],[L2,U2],…,[LB,UB]。

步驟2在問(wèn)題的各個(gè)子空間中，依照下述公式離散化各個(gè)自變量。假設(shè)自變量xi的可行域是[li,ui]，那么xi可被量化成Q1個(gè)水平ai1,ai2,…,aiQ1，這里Q1為奇數(shù)。

步驟3從每個(gè)子空間中挑選出M1個(gè)染色體。首先構(gòu)造正交表LM1(QN1)=[αij]M1N，M1=QJ11，J1是滿(mǎn)足條件/(Q1-1)≥N≤的一個(gè)最小正整數(shù)，而N指問(wèn)題相對(duì)應(yīng)的優(yōu)化維度。然后再?gòu)倪@QN1個(gè)組合里挑選出M1個(gè)組合來(lái)生成M1條染色體。

步驟4按照適應(yīng)度值的大小，從M1B條潛在染色體里選取其中最優(yōu)的G條來(lái)組成初始種群。

(2)交叉操作

步驟1假設(shè)要進(jìn)行交叉操作的兩個(gè)父代個(gè)體為：它們所決定的求解空間[lparent,uparent]為：

步驟2將父代個(gè)體的求解空間離散化。將求解空間[lparent,uparent]離散化成Q2（奇數(shù)）份，如將第i維區(qū)間量化成βi1,βi2,…,βiQ2，其中：

步驟3將所有自變量進(jìn)行隨機(jī)分組。隨機(jī)生成F-1個(gè)整數(shù) 1＜k1＜k2＜…＜kF-1＜n，對(duì)于每個(gè)染色體x=(x1,x2,…,xN)，均可產(chǎn)生以下F個(gè)因素：

為第i個(gè)因素定義如下Q2個(gè)水平

步驟4應(yīng)用正交表從父代求解空間中選擇潛在子代點(diǎn)。構(gòu)造正交表，J2是滿(mǎn)足條件的一個(gè)最小正整數(shù)；然后從這QF2個(gè)組合里挑選出M2個(gè)組合來(lái)生成相應(yīng)的M2個(gè)潛在子代。

步驟5接著從這M2個(gè)子代以及它們的兩個(gè)父代里，選取其中適應(yīng)度最高的兩個(gè)個(gè)體來(lái)作為該次交叉的結(jié)果。

步驟6如果交叉操作次數(shù)達(dá)到預(yù)設(shè)值，則停止交叉操作；否則，重復(fù)步驟2繼續(xù)執(zhí)行交叉操作。

(3)變異操作

步驟1從需要變異的個(gè)體集合中隨機(jī)選擇一個(gè)需要進(jìn)行變異操作的父代染色體。

步驟2然后隨機(jī)選取N個(gè)自變量中將要發(fā)生變異的一個(gè)來(lái)進(jìn)行操作。

步驟3使用微攝動(dòng)方法來(lái)獲得發(fā)生變異后的子代個(gè)體。微攝動(dòng)的具體操作如下：將步驟2中所選擇自變量的值依次微調(diào)為其初始值的，和倍，其中σ為設(shè)計(jì)參數(shù)。微調(diào)后就可獲得四個(gè)相應(yīng)的子代染色體。

步驟4從這四個(gè)子代及一個(gè)父代個(gè)體中選取最優(yōu)的一個(gè)來(lái)作為本次變異操作的結(jié)果。

步驟5如果當(dāng)前已進(jìn)行的變異操作次數(shù)已達(dá)到預(yù)設(shè)值，則停止變異操作；否則，繼續(xù)重復(fù)執(zhí)行變異操作。在每次迭代中，變異操作共執(zhí)行10次。

3 應(yīng)用實(shí)例

為了驗(yàn)證本文結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)模型的正確性和有效性，我們采用部分實(shí)證數(shù)據(jù)來(lái)驗(yàn)證本文方法的可行性和有效性。本文應(yīng)用40家公司的實(shí)際數(shù)據(jù)作為學(xué)習(xí)樣本，對(duì)構(gòu)建的結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。然后采用10家公司的實(shí)際數(shù)據(jù)作為測(cè)試樣本，對(duì)已經(jīng)學(xué)習(xí)好的結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)進(jìn)行檢驗(yàn)和測(cè)試。測(cè)試結(jié)構(gòu)如表3所示，不難看出，采用本文結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)對(duì)貸款風(fēng)險(xiǎn)預(yù)測(cè)的準(zhǔn)確率非常好。本章中的應(yīng)用實(shí)例不僅驗(yàn)證了本文模型和方法的有效性，而且還證明結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)是處理預(yù)警問(wèn)題的一個(gè)好工具。

表3 本文結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果

4 結(jié)束語(yǔ)

本文的主要?jiǎng)?chuàng)新點(diǎn)可總結(jié)為：針對(duì)貸款風(fēng)險(xiǎn)預(yù)警問(wèn)題，設(shè)計(jì)了貸款風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，基于結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)構(gòu)建了貸款風(fēng)險(xiǎn)預(yù)警模型，借助應(yīng)用實(shí)例證實(shí)了本文所提出的模型及方法的高效性，同時(shí)還證明了結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)是處理預(yù)警問(wèn)題的一個(gè)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.