□文/雍 華

（東北財(cái)經(jīng)大學(xué)管理科學(xué)與工程學(xué)院 遼寧·大連）

［提要］ 神經(jīng)網(wǎng)絡(luò)模型一直是信用風(fēng)險(xiǎn)評(píng)估方法中的研究熱點(diǎn)，本文歸納總結(jié)我國(guó)學(xué)者針對(duì)神經(jīng)網(wǎng)絡(luò)在信用風(fēng)險(xiǎn)評(píng)估中應(yīng)用的研究文獻(xiàn)，為今后信用風(fēng)險(xiǎn)評(píng)估方法的研究提供借鑒。

一、引言

金融信用風(fēng)險(xiǎn)是指交易對(duì)方?jīng)]有意愿或沒(méi)有能力履行既定合同條件造成違約，致使債權(quán)人遭受經(jīng)濟(jì)損失的可能性。信用風(fēng)險(xiǎn)的評(píng)級(jí)是金融信貸領(lǐng)域風(fēng)險(xiǎn)管理的基礎(chǔ)，尤其是在利率市場(chǎng)化的大背景下，對(duì)信用風(fēng)險(xiǎn)的精準(zhǔn)評(píng)估是金融機(jī)構(gòu)盈利的關(guān)鍵。最早的信用風(fēng)險(xiǎn)評(píng)級(jí)依賴評(píng)級(jí)人員的經(jīng)驗(yàn)和能力對(duì)信用狀況作出判斷。后來(lái)以財(cái)務(wù)數(shù)據(jù)為基礎(chǔ)，以判別分析模型為代表的統(tǒng)計(jì)方法逐漸開(kāi)始流行。進(jìn)入20世紀(jì)90年代以來(lái)，各種新技術(shù)不斷涌現(xiàn)，大多是針對(duì)統(tǒng)計(jì)方法的不足提出的。在眾多新方法中，神經(jīng)網(wǎng)絡(luò)方法作為一種具有自組織、自適應(yīng)、自學(xué)習(xí)特點(diǎn)的非參數(shù)方法，對(duì)樣本數(shù)據(jù)的分布要求不嚴(yán)格，不僅具有非線性映射能力和泛化能力，而且還有較強(qiáng)的“魯棒性”和較高的預(yù)測(cè)精度，這些優(yōu)異的特性，使神經(jīng)網(wǎng)絡(luò)在信用風(fēng)險(xiǎn)評(píng)級(jí)領(lǐng)域取得了長(zhǎng)足的發(fā)展。本文從文獻(xiàn)分析的角度，歸納總結(jié)了神經(jīng)網(wǎng)絡(luò)在我國(guó)信用風(fēng)險(xiǎn)評(píng)估中應(yīng)用的發(fā)展情況。

二、神經(jīng)網(wǎng)絡(luò)在信用評(píng)估中的應(yīng)用類型

（一）驗(yàn)證型。為了驗(yàn)證神經(jīng)網(wǎng)絡(luò)在信用風(fēng)險(xiǎn)評(píng)估中應(yīng)用的可行性及較傳統(tǒng)方法的優(yōu)越性，學(xué)者主要從以下兩個(gè)方面展開(kāi)研究：一是直接驗(yàn)證型，指通過(guò)實(shí)證研究，檢驗(yàn)神經(jīng)網(wǎng)絡(luò)針對(duì)信用風(fēng)險(xiǎn)評(píng)估中的適用性。楊保安（2001）將神經(jīng)網(wǎng)絡(luò)用于貸款企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)評(píng)估，顯示出神經(jīng)網(wǎng)絡(luò)是進(jìn)行財(cái)務(wù)評(píng)估的一種比較好的方法，能為銀行貸款授信、預(yù)警提供有效決策。二是通過(guò)將神經(jīng)網(wǎng)絡(luò)同傳統(tǒng)信用評(píng)估方法進(jìn)行對(duì)比，驗(yàn)證神經(jīng)網(wǎng)絡(luò)的優(yōu)越性。王春峰（1999）將神經(jīng)網(wǎng)絡(luò)與判別分析法進(jìn)行了對(duì)比，認(rèn)為前者具有更高的預(yù)測(cè)精度和更強(qiáng)的魯棒性。楊淑娥（2005）采用BP神經(jīng)網(wǎng)絡(luò)和主成分分析方法分別對(duì)上市公司財(cái)務(wù)危機(jī)預(yù)警進(jìn)行建模，實(shí)證研究得到了神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度較主成分分析方法高的結(jié)論。胡海青（2012）建立支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)分別對(duì)企業(yè)信用風(fēng)險(xiǎn)進(jìn)行評(píng)估，結(jié)果表明在小樣本下基于支持向量機(jī)的信用風(fēng)險(xiǎn)評(píng)估模型更具有有效性和優(yōu)越性。周駟華（2015）構(gòu)建了多層感知器神經(jīng)網(wǎng)絡(luò)進(jìn)行信用風(fēng)險(xiǎn)評(píng)估，并將其與決策向量機(jī)、線性判別和邏輯回歸等方法進(jìn)行了比較，認(rèn)為多層感知器神經(jīng)網(wǎng)絡(luò)更勝一籌?？梢钥闯?，在信用風(fēng)險(xiǎn)評(píng)估領(lǐng)域，神經(jīng)網(wǎng)絡(luò)較傳統(tǒng)的判別分析、回歸分析更有優(yōu)勢(shì)，但在小樣本的情況下，神經(jīng)網(wǎng)絡(luò)略遜于支持向量機(jī)，主要是因?yàn)樯窠?jīng)網(wǎng)絡(luò)往往需要大量的訓(xùn)練數(shù)據(jù)來(lái)提高模型的準(zhǔn)確性。

（二）改進(jìn)優(yōu)化型。在信用風(fēng)險(xiǎn)評(píng)估領(lǐng)域，應(yīng)用較多的是經(jīng)典的BP神經(jīng)網(wǎng)絡(luò)，但BP網(wǎng)絡(luò)存在容易陷入局部最優(yōu)、效率低下等問(wèn)題，部分學(xué)者提出采用其他類型的神經(jīng)網(wǎng)絡(luò)，試圖彌補(bǔ)這些不足。RBF網(wǎng)絡(luò)是一種性能良好的前饋網(wǎng)絡(luò)，具有全局逼近性質(zhì)。方先明（2005）建立了基于RBF神經(jīng)網(wǎng)絡(luò)的信用風(fēng)險(xiǎn)預(yù)測(cè)模型，從理論上探尋了信用風(fēng)險(xiǎn)非線性智能控制的可行性。龍?zhí)鞜樀龋?017）將RBF神經(jīng)網(wǎng)絡(luò)同Logistic回歸進(jìn)行對(duì)比，實(shí)證研究表明，在進(jìn)行信用風(fēng)險(xiǎn)評(píng)估時(shí)，前者的預(yù)測(cè)結(jié)果準(zhǔn)確性要優(yōu)于后者，但后者的解釋能力絕對(duì)占優(yōu)。

近年來(lái)，深度學(xué)習(xí)在處理維度高、數(shù)據(jù)量大、結(jié)構(gòu)多樣的數(shù)據(jù)問(wèn)題時(shí)展現(xiàn)出良好的性能，同時(shí)也避免了嚴(yán)重過(guò)擬合及梯度爆炸等缺陷，在各領(lǐng)域得到廣泛應(yīng)用。有研究者也嘗試了深度學(xué)習(xí)在信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用可能性。王重仁（2017）提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的客戶違約風(fēng)險(xiǎn)預(yù)測(cè)模型，結(jié)果表明，卷積神經(jīng)網(wǎng)絡(luò)模型的客戶違約風(fēng)險(xiǎn)預(yù)測(cè)性能要優(yōu)于其他傳統(tǒng)機(jī)器學(xué)習(xí)模型，同時(shí)卷積神經(jīng)網(wǎng)絡(luò)模型能夠從數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征比人工設(shè)計(jì)特征節(jié)約了大量時(shí)間。熊志斌（2019）將深度信念網(wǎng)絡(luò)（DBN）方法引入信用評(píng)估的實(shí)踐中，構(gòu)建了基于DBN方法的信用評(píng)估模型。

由于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)存在解釋性差、摒棄相關(guān)專業(yè)知識(shí)經(jīng)驗(yàn)等問(wèn)題，研究人員又將模糊理論引入到神經(jīng)網(wǎng)絡(luò)中，借助于模糊規(guī)則推理，增加神經(jīng)網(wǎng)絡(luò)的直觀性、靈活性和全面性。吳沖（2004）最早提出將模糊理論和神經(jīng)網(wǎng)絡(luò)結(jié)合到一起進(jìn)行信用風(fēng)險(xiǎn)評(píng)估，取得了較為滿意的效果，能夠在一定程度上解決神經(jīng)網(wǎng)絡(luò)完全黑箱的問(wèn)題，可以由風(fēng)險(xiǎn)評(píng)估人員根據(jù)經(jīng)驗(yàn)針對(duì)不同情況進(jìn)行調(diào)節(jié)，說(shuō)明模糊神經(jīng)網(wǎng)絡(luò)非常適合應(yīng)用于信用風(fēng)險(xiǎn)的評(píng)估中。

為了提高分類的準(zhǔn)確性及收斂速度，常采用啟發(fā)式算法對(duì)分類器進(jìn)行優(yōu)化，如遺傳算法、群體智能等技術(shù)。王憲全（2006）利用改進(jìn)的遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，對(duì)上市公司信用風(fēng)險(xiǎn)進(jìn)行計(jì)量，取得了較BP神經(jīng)網(wǎng)絡(luò)更好的效果。群體智能算法是受生物進(jìn)化規(guī)律的啟迪，模擬自然界中的昆蟲(chóng)、鳥(niǎo)群、獸群等群體行為，通過(guò)群體智慧進(jìn)行協(xié)同搜索，從而在解空間尋找到最優(yōu)解。吳斌（2017）提出了基于混合果蠅神經(jīng)網(wǎng)絡(luò)的個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型。胡賢德（2017）提出一種基于改進(jìn)離散型螢火蟲(chóng)（IDGSO）算法的BP神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)算法的小微企業(yè)信用風(fēng)險(xiǎn)評(píng)估模型。

（三）組合型。組合信用評(píng)估方法是將2～3個(gè)基學(xué)習(xí)器通過(guò)運(yùn)用組合加權(quán)均衡的運(yùn)算規(guī)則進(jìn)行組合，以提高單一模型性能，增強(qiáng)方法的適用性。

有學(xué)者認(rèn)為將決策樹(shù)和神經(jīng)網(wǎng)絡(luò)進(jìn)行組合，用以增強(qiáng)神經(jīng)網(wǎng)絡(luò)的可解釋性，同時(shí)改善模型的穩(wěn)定性和精準(zhǔn)度。趙靜嫻（2009）采用RBF神經(jīng)網(wǎng)絡(luò)對(duì)貸款企業(yè)財(cái)務(wù)指標(biāo)進(jìn)行裁減，選擇出對(duì)數(shù)據(jù)分類最有效的一些屬性建立決策樹(shù)，對(duì)企業(yè)的信用風(fēng)險(xiǎn)進(jìn)行評(píng)估。結(jié)果表明，模型能夠顯著提高預(yù)測(cè)精度，說(shuō)明神經(jīng)網(wǎng)絡(luò)模型具有較好的特征抽取能力。楊勝剛（2013）則采用決策樹(shù)方法篩選個(gè)人信用指標(biāo)，再將篩選出的重要指標(biāo)輸入BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行信用風(fēng)險(xiǎn)評(píng)估。

Logistic回歸是二分類任務(wù)中最常用的機(jī)器學(xué)習(xí)算法之一，其優(yōu)缺點(diǎn)剛好和神經(jīng)網(wǎng)絡(luò)模型互補(bǔ)，把他們組合起來(lái)成為必然的趨勢(shì)。石慶焱（2005）構(gòu)建了一種BP神經(jīng)網(wǎng)絡(luò)和Logistic回歸的組合模型，以神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果和其他特征變量一起作為L(zhǎng)ogistic的輸入變量，使用因子分析法解決多重共線性問(wèn)題。結(jié)果表明，該組合模型預(yù)測(cè)精度比Logistic回歸模型高、穩(wěn)健性比神經(jīng)網(wǎng)絡(luò)模型強(qiáng)，且具有可解釋性。仝凌云（2019）用Logistic回歸識(shí)別出顯著影響P2P網(wǎng)貸平臺(tái)信用風(fēng)險(xiǎn)的因子，根據(jù)這些因子構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，為出借人選擇平臺(tái)提供了借鑒。

KMV模型是一種用來(lái)估計(jì)借款企業(yè)違約概率的方法。張婧婧（2009）將神經(jīng)網(wǎng)絡(luò)與KMV模型的優(yōu)缺點(diǎn)進(jìn)行了分析，提出了一種先用神經(jīng)網(wǎng)絡(luò)進(jìn)行粗分類，再用KMV進(jìn)行修正的思想。針對(duì)非上市公司無(wú)法確定市場(chǎng)價(jià)值的問(wèn)題，曾玲玲（2017）提出了一種策略：采用BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)上市公司的市場(chǎng)價(jià)值和公司財(cái)務(wù)指標(biāo)之間的映射關(guān)系，收集非上市公司財(cái)務(wù)指標(biāo)，然后采用學(xué)習(xí)好的映射關(guān)系估測(cè)非上市公司的市場(chǎng)價(jià)值，再運(yùn)用KMV模型計(jì)算非上市公司的違約距離和違約率。

（四）集成型。集成學(xué)習(xí)由于可以集成多個(gè)基學(xué)習(xí)器且具有更高的適用性特征，得到越來(lái)越多的關(guān)注。在集成學(xué)習(xí)中，基學(xué)習(xí)器之間必須要有一定的差異，才能獲得良好的分類效果，學(xué)者主要通過(guò)學(xué)習(xí)算法和學(xué)習(xí)數(shù)據(jù)兩個(gè)方面來(lái)獲得這種差異。

算法方面的差異，可以通過(guò)采用不同學(xué)習(xí)算法生成不同的基學(xué)習(xí)器來(lái)體現(xiàn)，本質(zhì)上屬于異質(zhì)集成。根據(jù)集成方法的不同可以分為以下幾類：第一類是基于平均法的集成分類器，該類方法通常用于回歸，有算術(shù)平均法和加權(quán)平均法。姜明輝（2007）等人用RBF神經(jīng)網(wǎng)絡(luò)與Logistic回歸進(jìn)行預(yù)測(cè)，然后將得出的結(jié)果進(jìn)行加權(quán)平均，對(duì)個(gè)人信用風(fēng)險(xiǎn)做出評(píng)估，結(jié)果表明，該集成模型在總體預(yù)測(cè)精度和第二類誤判率上具有優(yōu)勢(shì)。第二類是基于投票法的多數(shù)票機(jī)制的集成分類器。向暉（2011）等把這種思想應(yīng)用于個(gè)人信用評(píng)估，將多元判別分析、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等七種模型的預(yù)測(cè)結(jié)果采用加權(quán)投票的方法確定最終的預(yù)測(cè)結(jié)果。第三類是基于Stacking法的分層模型集成框架。曹再輝等（2019）基于Stacking集成算法框架，構(gòu)建了兩層集成學(xué)習(xí)器用以評(píng)估個(gè)人信用。第四類是基于其他融合理論的集成分類器。郭英見(jiàn)（2009）結(jié)合BP神經(jīng)網(wǎng)絡(luò)、SVM分類的優(yōu)勢(shì)，同時(shí)利用DS證據(jù)理論易于處理不確定性問(wèn)題的優(yōu)點(diǎn)，建立了一個(gè)新的信息融合評(píng)估模型。王重仁（2019）提出了一種基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的融合深度神經(jīng)網(wǎng)絡(luò)個(gè)人信用風(fēng)險(xiǎn)評(píng)分方法。第五類是基于群決策思想的集成分類器。姜雪瑩（2019）提出了基于群決策思想將神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、梯度提升樹(shù)集成的P2P借貸信用風(fēng)險(xiǎn)評(píng)估模型。

訓(xùn)練數(shù)據(jù)方面的差異，主要通過(guò)采用不同的抽樣方法從訓(xùn)練數(shù)據(jù)中抽取不同的訓(xùn)練樣本集來(lái)體現(xiàn)，通常都是基于相同的學(xué)習(xí)算法生成基學(xué)習(xí)器，屬于同質(zhì)集成。根據(jù)抽樣規(guī)則的不同主要有Bagging方法和Boosting方法。基于Bagging方法的集成技術(shù)，也是基于多數(shù)投票確定最終的結(jié)果，但這種思想采用等概率、有放回的抽樣規(guī)則來(lái)得到若干訓(xùn)練樣本集，然后用這些不同的訓(xùn)練樣本集訓(xùn)練出一系列基分類器，代表性的算法為隨機(jī)森林。陳云（2014）使用PSO-BP神經(jīng)網(wǎng)絡(luò)作為成員分類器，然后使用Bagging策略進(jìn)行建模，對(duì)國(guó)內(nèi)外企業(yè)信用風(fēng)險(xiǎn)做出評(píng)估?；贐oosting思想的集成技術(shù)，類似于Bagging策略，但每次采樣會(huì)對(duì)之前預(yù)測(cè)錯(cuò)誤的樣本增加抽樣權(quán)重，代表性的算法是梯度提升樹(shù)（GBDT）。李佳佳（2018）提出了一種基于BP-Adaboost模型對(duì)企業(yè)的信用風(fēng)險(xiǎn)進(jìn)行評(píng)估。

三、簡(jiǎn)要評(píng)述

神經(jīng)網(wǎng)絡(luò)技術(shù)思想在信用評(píng)估領(lǐng)域的研究經(jīng)歷了多次突破性的優(yōu)化改進(jìn)。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)雖然具有很多優(yōu)異的特性，但已經(jīng)很難滿足現(xiàn)實(shí)社會(huì)對(duì)于信用評(píng)估的需求，針對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的改進(jìn)優(yōu)化取得了較好的效果，但隨著技術(shù)的進(jìn)步，組合化、集成化思想的出現(xiàn)為提高信用評(píng)估的精準(zhǔn)性和穩(wěn)定性帶來(lái)了新的可能。