【摘 要】隨著小額貸款規(guī)模的擴大化和貸款對象的多樣化，有關(guān)小額貸款公司的信貸風險問題日益突出，成為制約小額信貸發(fā)展的短板。本文通過對信用風險評估理論的研究，對小額貸款公司的風險成因分層次進行分析，利用神經(jīng)網(wǎng)絡算法建立風險評價模型，并進行風險預警。

【關(guān)鍵詞】信用風險 專家方法 信用風險評估模型 神經(jīng)網(wǎng)絡模型

一、前言

在全球金融危機、國內(nèi)政策支持力度加大的背景下，河北省小額貸款公司如雨后春筍般快速發(fā)展。小額貸款公司在其發(fā)展和運營過程中，不容忽視的信用風險也開始不同程度的顯現(xiàn)，在“區(qū)域化運作”、“只貸不存”的市場定位和政策約束的影響下，小額貸款公司面臨的信用風險必然高于其他金融機構(gòu)，而小額貸款公司目前的信用風險評估[1]缺乏科學性、合理性以及針對性，還沒有形成與自身運營特征相適應的信用風險預警及控制方法。以實現(xiàn)股東的預期收益和政府政策為目標，結(jié)合小額貸款公司實際的運營特點，運用科學、有效的預警方法，降低違約風險，控制信用風險成為現(xiàn)階段小額貸款公司面臨的問題。加強小額貸款公司信用風險管理，對于集合民間資本、有效配置金融資源、完善河北省金融市場結(jié)構(gòu)、細化金融市場、促進金融改革深化均具有積極意義。

二、神經(jīng)網(wǎng)絡算法

神經(jīng)網(wǎng)絡[2]最早是由心理學家和神經(jīng)生物學家提出的，旨在尋求開發(fā)和測試神經(jīng)的計算模擬。神經(jīng)網(wǎng)絡是一組連接的輸入/輸出單元，其中每個連接都與一個權(quán)值相關(guān)聯(lián)。在學習階段，通過調(diào)整神經(jīng)網(wǎng)絡的權(quán)值，使得神經(jīng)網(wǎng)絡模型可以預測輸入樣本的正確性來學習。神經(jīng)網(wǎng)絡近來越來越受到人們的關(guān)注，因為它為解決大復雜度問題提供了一種相對來說比較有效的簡單方法。

三、實證研究

（一）樣本數(shù)據(jù)

選取大連市36家上市企業(yè)的2012年底的公告數(shù)據(jù)作為樣本來源，主要因為上市公司的透明度較高，數(shù)據(jù)容易獲得，并且能夠保證實驗的客觀和真實性。

按照小貸公司提供的企業(yè)信貸償還狀況， 將這36家企業(yè)分為正常和違約（即不能如期償還貸款的企業(yè)）兩類，設定信用等級0.1～1即為正常，小于0.1即為違約。選擇28企業(yè)作為訓練集， 其中正常和違約企業(yè)各為14家， 剩下8家企業(yè)， 除了留2家作為應用實例外， 全部作為測試集， 測試集中的正常和違約企業(yè)各3家。

（二）模型修正

1.初始輸入的確定。由于輸入初始值對學習是否達到局部最小和能否收斂關(guān)系很大，有必要對輸入的初始值進行預處理，即歸一化處理。

2.網(wǎng)絡層次的選定。網(wǎng)絡層次的增加可減少各隱含層單元總個數(shù)，同時使學習過程變得更容易，但是也必然會增加網(wǎng)絡的學習時間，因而三層神經(jīng)網(wǎng)絡就能構(gòu)成所需要的復雜判別函數(shù)的學習和應用。

3.隱含層節(jié)點數(shù)確定。

4.算法的改進。選用附加動量法，使網(wǎng)絡在修正其權(quán)值時，不僅考慮誤差在梯度上的作用，而且考慮在誤差曲面上變化趨勢的影響。在沒有附加動量的作用下，網(wǎng)絡可能陷入淺的局部極小值，利用附加動量的作用有可能滑過這些極小值。

該方法是反向傳播方法的基礎(chǔ)上在每一個權(quán)值（或閥值）的變化上加一項正比于前次權(quán)值（或閥值）變化量的值，并根據(jù)反向傳播法來產(chǎn)生新的權(quán)值（或閥值）變化。

運用BP神經(jīng)網(wǎng)絡模型進行訓練時，誤差梯度的變化剛開始變化較大，隨著訓練次數(shù)的增加誤差的梯度變化逐漸趨于平穩(wěn)且較小，并且學習速率不斷的增大了，也即隨著學習次數(shù)的不斷增加，模型的系統(tǒng)誤差值越來越快的接近期望誤差值。

四、結(jié)果及分析

通過得到訓練集的仿真學習結(jié)果，誤差值已經(jīng)很接近于設定的誤差值。需要進行下一步的模型測試，加強模型的準確性。

為了測試BP神經(jīng)網(wǎng)絡模型訓練所得學習仿真結(jié)果，運用測試集，對測試集數(shù)據(jù)進行擬合運算，對擬合度結(jié)果進行分析，實際輸出的誤差值很接近于期望誤差了。也說明了根據(jù)訓練集學習得到的BP神經(jīng)網(wǎng)絡模型是適用于信用風險評估的，說明建立的BP網(wǎng)絡模型能夠達到一個較為準確的預測功能。輸出結(jié)果符合本次模型對信用評估的正常和違約的區(qū)間設定，足夠判斷企業(yè)的信用實際情況，也充分說明了模型對實際應用信用風險評估的可行性。

五、結(jié)論

本文通過建立采用的三層BP網(wǎng)絡結(jié)構(gòu)，選用網(wǎng)絡結(jié)構(gòu)輸入層節(jié)點數(shù)×隱含層節(jié)點數(shù)×輸出層節(jié)點數(shù)為5×5×1，學習算法上采用取學習因子為0.10方法改進評估模型的訓練效率，使得模型的誤差較近的趨于設定的期望誤差。通過這種模型進行信用風險評估，弱化了信用指標權(quán)值確定的人為因素，提高了評估過程的科學性和評估結(jié)果的準確性。充分說明了神經(jīng)網(wǎng)絡模型應用于構(gòu)建小貸公司信用風險評估的極大適用性。

參考文獻：

[1]黃曉梅，小額貸款公司信用風險的控制與防范，企業(yè)經(jīng)濟，2012年第11期

[2]張濱等，商業(yè)銀行小額貸款風險評估模型研究，市場縱橫，2011年5月

[3]牛潤盛，區(qū)域性金融風險預警的神經(jīng)網(wǎng)絡模型研究，吉林金融研究，2013年05期

基金項目：

1.河北省科技廳 《基于數(shù)據(jù)挖掘技術(shù)的河北省小額貸款風險預警研究》（13210329）

2.保定市科技局 《基于數(shù)據(jù)挖掘的銀行貸款風險預警系統(tǒng)研究》（13ZG004）

3.河北省教育廳 《基于數(shù)據(jù)挖掘技術(shù)的河北省村鎮(zhèn)銀行信用風險預測系統(tǒng)研究與構(gòu)建》（ZD20131083）

4.河北省教育廳 《基于預處理算法的Apriori數(shù)據(jù)挖掘算法的改進研究》（Q2012052）