程冬民，彭 雷

（1.山東財(cái)經(jīng)大學(xué)馬克思主義學(xué)院，山東濟(jì)南 250014;2.山東臨朐中國(guó)建設(shè)銀行，山東臨朐 262600）

一 引言

商業(yè)銀行的信用風(fēng)險(xiǎn)管理一直是人們關(guān)注的焦點(diǎn)，在商業(yè)銀行建立后的幾百年里，盡管人們幾乎采用了各種方法對(duì)信用風(fēng)險(xiǎn)進(jìn)行判別和控制，但是現(xiàn)有的信用風(fēng)險(xiǎn)評(píng)估模型因?yàn)樽陨淼木窒奕匀浑y以適應(yīng)非線性風(fēng)險(xiǎn)的復(fù)雜性。因此，構(gòu)建具有較強(qiáng)的逼近非線性函數(shù)的信用風(fēng)險(xiǎn)模型具有重要現(xiàn)實(shí)意義和應(yīng)用價(jià)值。

1990年Odom&Sharda［1］建立神經(jīng)網(wǎng)絡(luò)模型并運(yùn)用該模型對(duì)銀行破產(chǎn)進(jìn)行了考察，開(kāi)創(chuàng)了神經(jīng)網(wǎng)絡(luò)應(yīng)用于信用風(fēng)險(xiǎn)管理的先河。此后Tam&Kiang［2］（1991）使用神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)評(píng)估模型對(duì)企業(yè)的財(cái)務(wù)指標(biāo)信用評(píng)分的研究，以及Altman&Macro［3］（1994）對(duì)意大利財(cái)務(wù)危機(jī)的預(yù)測(cè)，Kiviluoto［4］（1998）用自組織神經(jīng)網(wǎng)絡(luò)和學(xué)習(xí)向量機(jī)（Learning Vector Quantization，LVQ），Salchenberger［5］（1992）使用神經(jīng)網(wǎng)絡(luò)系統(tǒng)和LR對(duì)于信用風(fēng)險(xiǎn)管理進(jìn)行的比較，都說(shuō)明了神經(jīng)網(wǎng)絡(luò)在處理非線性問(wèn)題方面的優(yōu)勢(shì)。但是他們對(duì)于神經(jīng)網(wǎng)絡(luò)只是停留在使用的層面上，沒(méi)有進(jìn)一步的探尋優(yōu)化神經(jīng)網(wǎng)絡(luò)的方法。

隨著神經(jīng)網(wǎng)絡(luò)在信用風(fēng)險(xiǎn)管理上的應(yīng)用，許多學(xué)者逐漸認(rèn)識(shí)到神經(jīng)網(wǎng)絡(luò)在處理財(cái)務(wù)數(shù)據(jù)時(shí)存在的問(wèn)題，因而在數(shù)據(jù)的處理上或是在方法的優(yōu)化上做出了很大的努力。Back［6］（1996）等建議用遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)協(xié)同工作，Piramuthu［7］（1998）等采用符號(hào)特征樣本的技術(shù)處理輸入數(shù)據(jù)都取得了較為明顯的效果。國(guó)內(nèi)學(xué)者在引進(jìn)神經(jīng)網(wǎng)絡(luò)以后，也為神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化進(jìn)行了卓有成效的努力。如許佳娜、西寶［8］（2004）采用層次分析法對(duì)神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)，以及郭英見(jiàn)、吳沖［9］（2009）采用DS證據(jù)理論將神經(jīng)網(wǎng)絡(luò)和SVM的輸出結(jié)果進(jìn)行的融合，都在一定程度上增強(qiáng)了神經(jīng)網(wǎng)絡(luò)模型的判別準(zhǔn)確率，但他們?cè)谏窠?jīng)網(wǎng)絡(luò)的權(quán)值設(shè)定上仍然沒(méi)有找到很好的設(shè)定規(guī)則。

本文從理論層面闡述了可以應(yīng)用于商業(yè)銀行信用風(fēng)險(xiǎn)管理的BP-Adaboost強(qiáng)分類(lèi)器信用風(fēng)險(xiǎn)管理模型，并以2012年350家上市公司的財(cái)務(wù)數(shù)據(jù)為樣本基礎(chǔ)，考察了該系統(tǒng)應(yīng)用于商業(yè)銀行信用風(fēng)險(xiǎn)管理的可行性，并比較了該模型與原有的BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)的優(yōu)劣。最后對(duì)該系統(tǒng)在商業(yè)銀行的應(yīng)用前景進(jìn)行了分析評(píng)價(jià)。

二 BP-Adaboost強(qiáng)分類(lèi)器模型的構(gòu)建

在人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）中根據(jù)信息流向和網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，可以將ANN分為前饋網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)兩大類(lèi)。反向傳播（Back Propagation，BP）網(wǎng)絡(luò)（如圖1）就是一種多層前饋神經(jīng)網(wǎng)絡(luò)，采用誤差反向傳播算法（Error Back-propagation Algorithm，簡(jiǎn)稱(chēng)BP算法），是目前應(yīng)用最廣泛的一種神經(jīng)網(wǎng)絡(luò)。但是根據(jù)之前較多學(xué)者的研究結(jié)果，BP神經(jīng)網(wǎng)絡(luò)卻難以克服特征記憶無(wú)選擇性的缺點(diǎn)，導(dǎo)致訓(xùn)練好的分類(lèi)器系統(tǒng)分類(lèi)可信度受到影響。而Adaboost算法以多次迭代算作為運(yùn)算核心思想，可以提取有效分類(lèi)信息并進(jìn)行迭代運(yùn)行，從而可以起到優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的效果。

BP-Adaboost強(qiáng)分類(lèi)器模型的構(gòu)建是在基于BP（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)的弱分類(lèi)器基礎(chǔ)之上，通過(guò)加入Adaboost算法，構(gòu)建一種更為高級(jí)的分類(lèi)器系統(tǒng)，從而對(duì)神經(jīng)網(wǎng)絡(luò)系統(tǒng)特別是BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)的分類(lèi)以及特征記憶能力給予很好的優(yōu)化。具體來(lái)講，其核心思想即:針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類(lèi)器（弱分類(lèi)器），然后把這些弱分類(lèi)器集合起來(lái)，構(gòu)成一個(gè)更強(qiáng)的最終分類(lèi)器（強(qiáng)分類(lèi)器）。對(duì)于弱分類(lèi)器中分類(lèi)誤差較大的訓(xùn)練數(shù)據(jù)組調(diào)整并給予更大的權(quán)重，然后重新予以訓(xùn)練，直到取得較好的訓(xùn)練效果。每個(gè)分類(lèi)函數(shù)都有一個(gè)權(quán)重，分類(lèi)越好的函數(shù)，對(duì)應(yīng)的權(quán)重就越大。經(jīng)過(guò)多次迭代以后，最終的強(qiáng)分類(lèi)器由各個(gè)弱分類(lèi)器加權(quán)得到。BP-Adaboost模型把BP神經(jīng)網(wǎng)絡(luò)作為弱分類(lèi)器，反復(fù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出，通過(guò)Adaboost算法把得到的多個(gè)BP神經(jīng)網(wǎng)絡(luò)弱分類(lèi)器組成一個(gè)強(qiáng)分類(lèi)器。

在模型的初始設(shè)計(jì)基本完成后，需要將經(jīng)過(guò)篩選和處理的數(shù)據(jù)輸入到模型當(dāng)中進(jìn)行模型的訓(xùn)練和記憶，并不斷調(diào)整原有參數(shù)的設(shè)置，這樣才能夠訓(xùn)練出符合分類(lèi)標(biāo)準(zhǔn)的模型。

三 數(shù)據(jù)指標(biāo)的預(yù)處理

（一）樣本數(shù)據(jù)的選取

1.樣本數(shù)據(jù)財(cái)務(wù)指標(biāo)的選取

在進(jìn)行模型的初始處理時(shí)，需要選取多少樣本數(shù)據(jù)，以及選擇樣本數(shù)據(jù)中的哪些指標(biāo)進(jìn)行系統(tǒng)訓(xùn)練都會(huì)影響系統(tǒng)訓(xùn)練的準(zhǔn)確性。樣本選取太多，雖然能在一定程度上增強(qiáng)系統(tǒng)的泛化能力，但又會(huì)使系統(tǒng)對(duì)稀少特征失靈［10］。本文在進(jìn)行數(shù)據(jù)選擇時(shí)，總結(jié)了在神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)研究領(lǐng)域取得過(guò)一定學(xué)術(shù)成果的專(zhuān)家的研究成果，并以現(xiàn)行商業(yè)銀行進(jìn)行信用風(fēng)險(xiǎn)評(píng)估的數(shù)據(jù)指標(biāo)為基礎(chǔ)，共收集了2012年350家上市公司的財(cái)務(wù)數(shù)據(jù)，這其涵蓋了房地產(chǎn)、醫(yī)藥、機(jī)械、化學(xué)化工、有色金屬行業(yè)、煤炭、鋼鐵等幾個(gè)較大的板塊，沒(méi)有包含銀行和券商等金融板塊的上市公司。其中ST公司80家，正常上市公司270家。對(duì)這350家公司在其營(yíng)業(yè)能力、現(xiàn)金流量、營(yíng)運(yùn)能力、發(fā)展能力、風(fēng)險(xiǎn)水平、償債能力六大類(lèi)數(shù)據(jù)指標(biāo)的基礎(chǔ)上，共收集了35個(gè)財(cái)務(wù)數(shù)據(jù)指標(biāo)。

由于企業(yè)的財(cái)務(wù)數(shù)據(jù)指標(biāo)之間不可能完全獨(dú)立，而且數(shù)據(jù)之間存在多重共線性的可能性較大，因而較多的數(shù)據(jù)指標(biāo)“必然會(huì)使提供的數(shù)據(jù)發(fā)生重疊，甚至?xí)⑹挛锏恼嬲卣鳌保?1］且較多的指標(biāo)會(huì)造成系統(tǒng)構(gòu)建的復(fù)雜，因而本文在進(jìn)行數(shù)據(jù)預(yù)處理的時(shí)候采用主成分分析，選取其中能夠最大程度體現(xiàn)樣本特征的數(shù)據(jù)作為系統(tǒng)訓(xùn)練和預(yù)測(cè)樣本。

經(jīng)過(guò)主成分分析，保留方差累計(jì)貢獻(xiàn)率大于85%的主成分得到以下指標(biāo):營(yíng)業(yè)利潤(rùn)率、凈資產(chǎn)收益率、資產(chǎn)報(bào)酬率、現(xiàn)金流量比、資本支出折舊比存貨周轉(zhuǎn)率、營(yíng)業(yè)收入增長(zhǎng)率、總資本增長(zhǎng)率、營(yíng)業(yè)收入增長(zhǎng)率、財(cái)務(wù)杠桿系數(shù)、速動(dòng)比率、現(xiàn)金比率、產(chǎn)權(quán)比率、成本費(fèi)用率等13個(gè)主成分指標(biāo)。根據(jù)主成分負(fù)荷矩陣可以了解主成分與原始數(shù)據(jù)指標(biāo)的相關(guān)關(guān)系。

2.異常財(cái)務(wù)數(shù)據(jù)指標(biāo)的處理

由于目前部分公司在進(jìn)行貸款評(píng)估時(shí)，為了提高授信級(jí)別，會(huì)采用虛假的財(cái)務(wù)數(shù)據(jù)報(bào)告。這種虛假表現(xiàn)出上市公司提供的財(cái)務(wù)數(shù)據(jù)指標(biāo)不正常。財(cái)務(wù)數(shù)據(jù)指標(biāo)異常模式通常以統(tǒng)計(jì)異常模式和專(zhuān)家知識(shí)異常模式兩種方式出現(xiàn)在商業(yè)銀行信用風(fēng)險(xiǎn)的評(píng)估當(dāng)中。統(tǒng)計(jì)異常模式是指?jìng)€(gè)體過(guò)度偏離整體的數(shù)據(jù)行為，如某個(gè)企業(yè)的現(xiàn)金流量通過(guò)不斷的現(xiàn)金交易而虛增，某企業(yè)以虛構(gòu)資產(chǎn)結(jié)構(gòu)的形式改變資產(chǎn)負(fù)債率等等。統(tǒng)計(jì)模式異常體現(xiàn)在財(cái)務(wù)數(shù)據(jù)報(bào)告中的數(shù)據(jù)特征明顯偏離正常的行業(yè)品均數(shù)據(jù)水平，在進(jìn)行統(tǒng)計(jì)模式異常的檢驗(yàn)時(shí)，通常以行業(yè)平均水平與樣本數(shù)據(jù)的波動(dòng)率為比較標(biāo)準(zhǔn)，如果與計(jì)算的行業(yè)平均指標(biāo)嚴(yán)重偏離，則可認(rèn)為存在統(tǒng)計(jì)模式異常。專(zhuān)家知識(shí)異常模式是指違約企業(yè)利用尋機(jī)性會(huì)計(jì)進(jìn)行財(cái)務(wù)粉飾，其中包括對(duì)企業(yè)償債能力、現(xiàn)金及可變現(xiàn)資產(chǎn)的流動(dòng)性以及企業(yè)獲利能力的粉飾。對(duì)于異常財(cái)務(wù)指標(biāo)，本文在進(jìn)行信用風(fēng)險(xiǎn)預(yù)測(cè)模型訓(xùn)練前，通過(guò)設(shè)定的數(shù)據(jù)識(shí)別系統(tǒng)進(jìn)行異常數(shù)據(jù)指標(biāo)的識(shí)別和清除。這樣，就可以使得為了進(jìn)行模型訓(xùn)練的而輸入到初始樣本集中的數(shù)據(jù)在一定程度上的準(zhǔn)確性，從而減少財(cái)務(wù)數(shù)據(jù)指標(biāo)不正常系統(tǒng)初始設(shè)置給企業(yè)帶來(lái)的誤差。

本文在對(duì)財(cái)務(wù)數(shù)據(jù)指標(biāo)進(jìn)行預(yù)處理時(shí)，對(duì)于統(tǒng)計(jì)異常模式，以某行業(yè)的多數(shù)正常企業(yè)的均值與波動(dòng)率之比確定隸屬函數(shù)［12］，以該函數(shù)提出異常企業(yè)的財(cái)務(wù)數(shù)據(jù)指標(biāo)。通過(guò)較為固定的計(jì)算方式考察該企業(yè)的財(cái)務(wù)數(shù)據(jù)指標(biāo)是否可以作為模型訓(xùn)練樣本。對(duì)于專(zhuān)家知識(shí)異常模式，本文主要參照同類(lèi)文獻(xiàn)的處理方法，以某行業(yè)某公司長(zhǎng)期的年報(bào)數(shù)據(jù)為參考進(jìn)行判斷，從而避免納入異常財(cái)務(wù)指標(biāo)。

（二）學(xué)習(xí)樣本數(shù)據(jù)的選取、處理

作為學(xué)習(xí)樣本來(lái)講，樣本選取最有利的原則就是既要滿足系統(tǒng)平穩(wěn)發(fā)展的要求，又要使系統(tǒng)能夠體現(xiàn)突變的特征，能夠準(zhǔn)確概括輸入數(shù)據(jù)的一般性和特殊性。在本文中，筆者將350家樣本中的240家財(cái)務(wù)狀況良好的公司數(shù)據(jù)樣本以及60家ST公司的數(shù)據(jù)樣本作為訓(xùn)練數(shù)據(jù);以剩余50家企業(yè)的財(cái)務(wù)數(shù)據(jù)樣本作為預(yù)測(cè)樣本。輸出結(jié)果為布爾型離散變量1和0，對(duì)應(yīng)輸出結(jié)果為“正常”、“違約”。

四 實(shí)證研究及結(jié)果評(píng)價(jià)

在以上設(shè)計(jì)的基礎(chǔ)上，我們利用Matlab設(shè)計(jì)了一個(gè)系統(tǒng)對(duì)上述程序進(jìn)行仿真。網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)可由用戶根據(jù)需要來(lái)確定，網(wǎng)絡(luò)的隱含層數(shù)及節(jié)點(diǎn)數(shù)可以根據(jù)用戶的需要和實(shí)際情況來(lái)確定，學(xué)習(xí)因子和動(dòng)量因子都是根據(jù)需要通過(guò)鍵盤(pán)輸入確定，使一個(gè)程序能夠?qū)崿F(xiàn)多個(gè)研究項(xiàng)目共享同一套程序代碼。另外，我們將初始權(quán)值、學(xué)習(xí)好的權(quán)值、訓(xùn)練數(shù)據(jù)集、測(cè)試數(shù)據(jù)集、應(yīng)用數(shù)據(jù)集等數(shù)據(jù)分別建立文件。樣本學(xué)習(xí)只需進(jìn)行一次，學(xué)習(xí)成功后將學(xué)習(xí)好的權(quán)值保存到文件中，測(cè)試和實(shí)際應(yīng)用時(shí)直接調(diào)用已學(xué)習(xí)好的權(quán)值和數(shù)據(jù)文件。如果系統(tǒng)有較大變動(dòng)，使不同信用公司的財(cái)務(wù)比率特征有新的差異，這時(shí)可重新選擇樣本，并進(jìn)行成功學(xué)習(xí)后，模型又可投入使用。從這種意義上說(shuō)，本模型屬動(dòng)態(tài)可調(diào)整模型，具有良好的適應(yīng)性。對(duì)于兩種分類(lèi)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果比較，筆者在文中通過(guò)考察收斂速度和判誤率等指標(biāo)進(jìn)行比較。

（一）單隱層BP-Adaboost模型

對(duì)于單隱層的BP-Adaboost模型，由于網(wǎng)絡(luò)層次設(shè)置的不同特別是隱含層數(shù)節(jié)點(diǎn)數(shù)會(huì)對(duì)模型的收斂效率和準(zhǔn)確率產(chǎn)生影響，因而在本文中筆者嘗試采用不同的隱含成節(jié)點(diǎn)數(shù)構(gòu)建系統(tǒng)，通過(guò)實(shí)證結(jié)果比較采用不同隱含層節(jié)點(diǎn)數(shù)設(shè)置時(shí)模型的仿真結(jié)果（見(jiàn)表1）。

由表1可以看出，在采用不同隱含層節(jié)點(diǎn)數(shù)構(gòu)建系統(tǒng)時(shí)，系統(tǒng)的仿真結(jié)果會(huì)產(chǎn)生大小不同的誤差。根據(jù)前人在進(jìn)行神經(jīng)網(wǎng)絡(luò)的研究時(shí)得到的結(jié)果，隱含層節(jié)點(diǎn)數(shù)不宜采用超過(guò)輸入數(shù)據(jù)指標(biāo)的個(gè)數(shù)，否則會(huì)造成模型泛化能力的降低。本文沿襲了這一規(guī)律進(jìn)行模型的設(shè)定和構(gòu)建，因而本文對(duì)于超過(guò)14的節(jié)點(diǎn)數(shù)，沒(méi)有考慮進(jìn)行模型的仿真模擬。同時(shí)，系統(tǒng)隱含層節(jié)點(diǎn)書(shū)如果少于系統(tǒng)的層次設(shè)定數(shù)量，也會(huì)造成模型對(duì)于數(shù)據(jù)指標(biāo)的特征抽取能力過(guò)弱，所以對(duì)于小于4的節(jié)點(diǎn)數(shù)，本文同樣沒(méi)用納入模型的仿真處理。而且隨著隱層節(jié)點(diǎn)數(shù)逐漸接近于樣本維數(shù)，系統(tǒng)對(duì)于訓(xùn)練樣本進(jìn)行判別時(shí)所產(chǎn)生的第一類(lèi)錯(cuò)誤和第二類(lèi)錯(cuò)誤［13］都呈現(xiàn)逐漸減少的趨勢(shì)。隱含層節(jié)點(diǎn)數(shù)到達(dá)10以后，兩類(lèi)錯(cuò)誤的判別出現(xiàn)率幾乎降低為零。同樣，對(duì)于預(yù)測(cè)樣本而言，也呈現(xiàn)了同樣的變化趨勢(shì)。

表1 不同隱含層節(jié)點(diǎn)數(shù)系統(tǒng)誤差一覽表

由此可以看出，在不斷增進(jìn)隱含層節(jié)點(diǎn)數(shù)至樣本維數(shù)的情況下，模型對(duì)于樣本的泛化能力有了較為明顯的提高。但是在提高模型運(yùn)算精度的時(shí)候，需要將模型的收斂速度考慮到其中。由于系統(tǒng)在隱含層節(jié)點(diǎn)數(shù)達(dá)到13的時(shí)候系統(tǒng)誤差達(dá)到了一個(gè)較為理想的判誤比率水平，因而本文將隱含層節(jié)點(diǎn)數(shù)設(shè)定為13進(jìn)行初始系統(tǒng)的構(gòu)建。通過(guò)預(yù)測(cè)樣本的輸入訓(xùn)練、BP系統(tǒng)自身的回饋調(diào)整以及Adaboost算法的加權(quán)優(yōu)化，本文得到了強(qiáng)弱預(yù)測(cè)器對(duì)預(yù)測(cè)樣本的處理結(jié)果對(duì)比（見(jiàn)圖1）。

可以看出，在50個(gè)預(yù)測(cè)樣本輸入到模型當(dāng)中以后，在BP神經(jīng)網(wǎng)絡(luò)中兩個(gè)樣本的預(yù)測(cè)結(jié)果的誤差值都降低到了極低的水平，這也再次說(shuō)明了采用13的隱含層節(jié)點(diǎn)數(shù)設(shè)置是符合本文所選定的財(cái)務(wù)數(shù)據(jù)指標(biāo)的要求的。但是可以看出，經(jīng)過(guò)Adaboost算法優(yōu)化后的強(qiáng)預(yù)測(cè)器卻實(shí)現(xiàn)了比原有BP神經(jīng)網(wǎng)絡(luò)更好的分類(lèi)預(yù)測(cè)要求。對(duì)于圖1中體現(xiàn)的序列15左右的樣本，可能是由于數(shù)據(jù)預(yù)處理工作中出現(xiàn)的正常誤差，沒(méi)有剔除個(gè)別行業(yè)的異常數(shù)據(jù)造成的。同時(shí)，經(jīng)濟(jì)形式的變化、行業(yè)發(fā)展形勢(shì)的差別也會(huì)造成一定波動(dòng)。

（二）雙隱層BP-Adaboost模型

圖1 單隱層模型強(qiáng)弱分類(lèi)器預(yù)測(cè)誤差比較

為進(jìn)一步驗(yàn)證Adaboost算法BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)的改進(jìn)，本文嘗試考察雙隱含層模型的分類(lèi)效果對(duì)比。與之前的模型設(shè)置類(lèi)似，只需要在隱含層之后再加入一道隱含層，其他的參數(shù)設(shè)置如節(jié)點(diǎn)數(shù)，迭代算法等，本文仍然采用與單一隱含層模型相同的設(shè)置。將預(yù)測(cè)樣本輸入到模型當(dāng)中以后，得到的強(qiáng)弱預(yù)測(cè)器的預(yù)測(cè)結(jié)果如下（見(jiàn)圖2）。

可以看出與單一隱含層強(qiáng)弱預(yù)測(cè)器比較，雙隱含層預(yù)測(cè)器的對(duì)預(yù)測(cè)樣本的考察結(jié)果具有較大的不穩(wěn)定性，誤差的絕對(duì)值范圍有了較為明顯的變大趨勢(shì)。

圖2 雙隱層模型強(qiáng)弱分類(lèi)器預(yù)測(cè)誤差比較

這也從實(shí)證中驗(yàn)證了“理論上講增加隱含層數(shù)可以提高網(wǎng)絡(luò)的預(yù)測(cè)精度”這一前人的判斷是不準(zhǔn)確的。Lippman R P［14］（1997）曾經(jīng)指出，一定條件下，對(duì)于較小規(guī)模的網(wǎng)絡(luò)，增加隱含層數(shù)并不能提高網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確率;利用單一的三層神經(jīng)網(wǎng)絡(luò)可以逼近任意較為簡(jiǎn)單的映射關(guān)系。比較強(qiáng)弱預(yù)測(cè)器的預(yù)測(cè)結(jié)果，可以得出同樣的結(jié)論:Adaboost算法以其加權(quán)和注重重點(diǎn)的優(yōu)勢(shì)，可以較為準(zhǔn)確的判斷出那些樣本特征是在企業(yè)貸款違約中起到較為明顯作用的重點(diǎn)。雖然我們看不見(jiàn)重點(diǎn)，卻可以將判斷企業(yè)貸款違約的這個(gè)“黑盒子”進(jìn)一步優(yōu)化。

就以上實(shí)證結(jié)果進(jìn)行分析可以看出，采用Adaboost算法對(duì)原有BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化以后，可以在較大程度上提高商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估系統(tǒng)的準(zhǔn)確率，提高系統(tǒng)的判別精度。同時(shí)，本文中筆者還進(jìn)行了相關(guān)收斂速度的考察，得出BP-Adaboost強(qiáng)分類(lèi)器在提高模型預(yù)測(cè)精度的同時(shí)，并沒(méi)有在很大程度上影響模型的收斂速度。

五 應(yīng)用前景分析

本文的研究，在一定程度上為商業(yè)銀行信用風(fēng)險(xiǎn)管理模型的改進(jìn)提供了一種改進(jìn)的可能。在目前國(guó)內(nèi)多家多有商業(yè)銀行仍然使用以Logitech模型為基礎(chǔ)的信用風(fēng)險(xiǎn)評(píng)估系統(tǒng)的情況下，一種符合非線性數(shù)據(jù)特征的模型亟待浮出水面。與現(xiàn)行信用風(fēng)險(xiǎn)評(píng)估模型相比較，BP-Adaboost模型的優(yōu)點(diǎn)體現(xiàn)在以下幾個(gè)方面:第一，非線性擬合的特點(diǎn)可以更準(zhǔn)確的識(shí)別客戶財(cái)務(wù)數(shù)據(jù)的特征，從而避免在進(jìn)行信用風(fēng)險(xiǎn)評(píng)估時(shí)的偏差;第二，多重?cái)?shù)據(jù)的特征通過(guò)不通的網(wǎng)絡(luò)層次設(shè)置，也可以避免單純采用加權(quán)平均得分帶來(lái)的單一性，使得信用風(fēng)險(xiǎn)評(píng)估所帶來(lái)的結(jié)果具有說(shuō)服力;第三，BP-Adaboost強(qiáng)分類(lèi)器信用風(fēng)險(xiǎn)評(píng)估模型中參數(shù)的設(shè)置比較靈活，可以將代表不同時(shí)期經(jīng)濟(jì)發(fā)展特征因素添加進(jìn)去，增加了與時(shí)俱進(jìn)的因素。

當(dāng)然，由于模型的效果只是基于理論上的探討，還有經(jīng)過(guò)實(shí)踐徹底的檢驗(yàn)，所以在各個(gè)商業(yè)銀行考慮進(jìn)行基于該模型的商業(yè)銀行信用風(fēng)險(xiǎn)系統(tǒng)的開(kāi)發(fā)時(shí)，也需要考慮到自身模型的發(fā)展階段與該模型的差距，如何利用已有的數(shù)據(jù)庫(kù)模式充分的訓(xùn)練該模型的準(zhǔn)確性和收斂性，以及自身客戶所具備的實(shí)際條件和財(cái)務(wù)數(shù)據(jù)狀況。

［1］OdomM D，Sharda R A.Neural Network for Bankruptcy Prediction，International Joint Conference on Neural Network［R］.San Diego，CA，1990:163-168.

［2］TamK Y，Kiang M.Managerial Applications of Neural Networks，the Case of Bank Failure Predictions［J］.Management Sciences，1987，vol.38（l）:926-947.

［3］Altman E.Marco Getal.Corporrate distress diagnosis:comparisons using linear discriminant analysis and neural networks（the Italian experience）［J］.Journal of Bank-ing and Finance，1994（18）:511-540.

［4］Kiviluoto K.Predicting Bankruptcies with the Self-organizing Map ［J］.Neurocomputing 1998（21）:199-201.

［5］Salchenberer L M，Ciner E M，Lash N A.Neural Networks:A New Tool for Predicting Thrift Failu-res［J］.Decision Sciences，1992（23）:899-916.

［6］Back B，Laitinen K.Sere.Neural networks and genetic algorithms for ankruptcypredictions［J］.Expert Syst.，1996（4）:407-413.

［7］Piramuthu S，Raghavan H，Shaw M.Using feature construction to improve the Performance of neural network［J］.Management Science，1998（44）:416-430.

［8］徐佳娜，西 寶.基于HAP-ANN模型的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估［J］.哈爾濱理工大學(xué)學(xué)報(bào)，2004（6）:94-95.

［9］郭英見(jiàn)，吳 沖.基于信息融合的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估模型研究［J］.金融研究，2009（1）:95-106.

［10］于立勇.商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估預(yù)測(cè)模型研究［J］.管理科學(xué)報(bào)，2003，6（5）:46-52.

［11］高鐵梅.計(jì)量經(jīng)濟(jì)分析方法與建模［M］.北京:清華大學(xué)出版社，2005:465-466.

［12］張德峰.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用［M］.北京:電子工業(yè)出版社，2009:320-321.

［13］Tam K.Neural Network Models and the Prediction of Bankruptcy［J］.omega，1991，vol.119（19）:429-445.

［14］Stanley B.Lippman，C++Primer（3RD）［M］.北京:人民郵電出版社，2006:145-146.