摘要：隨著經(jīng)濟(jì)環(huán)境的變化和近兩年來(lái)疫情的影響，金融機(jī)構(gòu)之間競(jìng)爭(zhēng)愈發(fā)激烈。大多數(shù)商業(yè)銀行都認(rèn)識(shí)到貸后管理工作的重要性，但是銀行客戶經(jīng)理在貸后風(fēng)險(xiǎn)信息識(shí)別上缺乏專業(yè)知識(shí)和工具，導(dǎo)致貸后管理一直銀行信貸工作中最薄弱的環(huán)節(jié)。將大數(shù)據(jù)技術(shù)應(yīng)用于貸后風(fēng)險(xiǎn)評(píng)估防控，能夠有效的識(shí)別出貸后管理過(guò)程中存在的風(fēng)險(xiǎn)信息并及時(shí)采取措施，提高金融機(jī)構(gòu)的貸后管理水平。

1.概述

近幾年來(lái)我國(guó)市場(chǎng)經(jīng)濟(jì)多元化發(fā)展水平的不斷提升，企業(yè)信用風(fēng)險(xiǎn)成為銀行業(yè)面臨的主要問(wèn)題。貸后管理是商業(yè)銀行在企業(yè)貸款過(guò)程中關(guān)鍵的一個(gè)環(huán)節(jié)，而貸后風(fēng)險(xiǎn)防控是貸后管理中的一項(xiàng)重要工作內(nèi)容。但在銀行信貸管理中普遍存在著“重貸輕管”的現(xiàn)象，對(duì)貸后管理內(nèi)容認(rèn)識(shí)不夠全面。因此加強(qiáng)貸后風(fēng)險(xiǎn)防控不僅能夠提高貸后管理工作質(zhì)量，而且還能保證銀行信貸業(yè)務(wù)穩(wěn)健發(fā)展。在網(wǎng)絡(luò)技術(shù)和大數(shù)據(jù)技術(shù)的發(fā)展背景下，為社會(huì)各個(gè)領(lǐng)域帶來(lái)了新的優(yōu)化和發(fā)展方向。將大數(shù)據(jù)技術(shù)應(yīng)用于銀行貸后風(fēng)險(xiǎn)防控，一方面可以提高信貸管理工作的科學(xué)性和有效性，另一方面能夠及時(shí)預(yù)防不良貸款的形成。利用神經(jīng)網(wǎng)絡(luò)技術(shù)來(lái)建立貸后風(fēng)險(xiǎn)評(píng)價(jià)模型，從模型結(jié)果發(fā)現(xiàn)企業(yè)經(jīng)營(yíng)過(guò)程中可能存在的風(fēng)險(xiǎn)信息?？偠灾?，大數(shù)據(jù)分析技術(shù)可作為貸后管理工作中一個(gè)重要的工具。

2.BP神經(jīng)網(wǎng)絡(luò)基本原理

目前BP神經(jīng)網(wǎng)絡(luò)是信貸風(fēng)險(xiǎn)分析中最為廣泛的神經(jīng)網(wǎng)絡(luò)模型。BP神經(jīng)網(wǎng)絡(luò)算法具有強(qiáng)大的并行處理機(jī)制，高度自學(xué)習(xí)、自適應(yīng)能力，能夠隨環(huán)境的變化而不斷學(xué)習(xí)。在進(jìn)行信貸風(fēng)險(xiǎn)評(píng)估與預(yù)測(cè)時(shí)，企業(yè)信息和財(cái)務(wù)數(shù)據(jù)等指標(biāo)之間存在復(fù)雜的非線性關(guān)系。而人工神經(jīng)網(wǎng)絡(luò)是一種自然的非線性建模過(guò)程，具有很好的逼近分線性映射能力，無(wú)需區(qū)分各個(gè)指標(biāo)之間的非線性關(guān)系。

BP神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)包括輸入層、隱藏層和輸出層。其計(jì)算過(guò)程包括前向過(guò)程：輸入信號(hào)從輸入層通過(guò)激活函數(shù)向隱藏層和輸出層傳播。如果輸出結(jié)果得不到期望的輸出，則將誤差信號(hào)通過(guò)反向過(guò)程，向輸入層反推，直至樣本的輸出結(jié)果與期望值之間的誤差小于給定值。此時(shí)可以得到較為穩(wěn)定的預(yù)測(cè)結(jié)果。

3.BP神經(jīng)網(wǎng)絡(luò)建模及計(jì)算結(jié)果

本文采用的數(shù)據(jù)來(lái)自于某銀行2020年度的有貸企業(yè)客戶數(shù)據(jù)，包括5000個(gè)訓(xùn)練樣本，350個(gè)測(cè)試樣本。根據(jù)訓(xùn)練樣本進(jìn)行BP神經(jīng)網(wǎng)絡(luò)建模，得到穩(wěn)定的預(yù)測(cè)模型后，將測(cè)試數(shù)據(jù)輸入至模型中得到客戶風(fēng)險(xiǎn)信息。

3.1客戶數(shù)據(jù)描述

數(shù)據(jù)集包括企業(yè)客戶基本信息數(shù)據(jù)、財(cái)務(wù)指標(biāo)數(shù)據(jù)、貸款數(shù)據(jù)以及企業(yè)水電費(fèi)數(shù)據(jù)。其中客戶基本信息包括客戶id、注冊(cè)資本、注冊(cè)地址、股權(quán)比例。財(cái)務(wù)指標(biāo)有資產(chǎn)負(fù)債率、利潤(rùn)率、流動(dòng)資產(chǎn)、短期投資、固定資產(chǎn)、無(wú)形資產(chǎn)、資產(chǎn)總計(jì)、營(yíng)業(yè)收入、營(yíng)業(yè)利潤(rùn)、凈利潤(rùn)、經(jīng)營(yíng)活動(dòng)產(chǎn)生的現(xiàn)金流量、投資活動(dòng)產(chǎn)生的現(xiàn)金流量、籌資活動(dòng)產(chǎn)生的現(xiàn)金流量等字段。貸款信息包括：貸款額度、授信額度、信用余額、還款期次、結(jié)算賬戶等數(shù)據(jù)。對(duì)5000個(gè)訓(xùn)練樣本進(jìn)行數(shù)據(jù)預(yù)處理，剔除財(cái)務(wù)指標(biāo)數(shù)據(jù)缺失的客戶。增加一個(gè)是否逾期字段，設(shè)置兩個(gè)默認(rèn)值：“1”（未逾期）和“0”（已逾期）。

3.2模型建立

本文采用matlab神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行建模，其中激活函數(shù)為Sigmoid（）函數(shù)。首先對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，設(shè)定網(wǎng)絡(luò)隱藏層和輸出層激勵(lì)函數(shù)分別為tansig和logsig函數(shù)。網(wǎng)絡(luò)訓(xùn)練函數(shù)為traingdx，性能函數(shù)為mse。網(wǎng)絡(luò)迭代次數(shù)為5000次，期望誤差為0.0001%，學(xué)習(xí)速率為0.01，設(shè)定好參數(shù)后開(kāi)始訓(xùn)練網(wǎng)絡(luò)。

3.3模型結(jié)果評(píng)價(jià)

根據(jù)上述訓(xùn)練好的模型，將預(yù)測(cè)數(shù)據(jù)輸入至模型中。利用輸出結(jié)果計(jì)算模型的總體分類正確率、逾期正確率、未逾期正確率、誤報(bào)率等指標(biāo)。其中逾期正確性為樣本中違約的樣本數(shù)與違約總數(shù)的比值;未逾期正確率為未逾期樣本數(shù)與未逾期總數(shù)的比值。誤報(bào)率為逾期樣本中為未逾期樣本的數(shù)量與逾期總數(shù)的比值，如表1所示

從表中可以看出，對(duì)于350個(gè)測(cè)試樣本的逾期正確率為91.35%，而誤報(bào)率為10.72%。因此BP神經(jīng)網(wǎng)絡(luò)模型對(duì)信貸風(fēng)險(xiǎn)預(yù)警的正確率較高，而誤報(bào)率很低。從這兩個(gè)指標(biāo)可以看出本模型具有較好的性能。

4.總結(jié)

在大數(shù)據(jù)和機(jī)器學(xué)習(xí)的數(shù)據(jù)分析背景下，本文采用大數(shù)據(jù)分析技術(shù)對(duì)商業(yè)銀行的企業(yè)客戶進(jìn)行了科學(xué)和有效的貸后風(fēng)險(xiǎn)評(píng)價(jià)。利用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)了客戶逾期風(fēng)險(xiǎn)的概率，從結(jié)果可以看出該模型具有較高的評(píng)估效率和準(zhǔn)確性。雖然本模型在貸后風(fēng)險(xiǎn)預(yù)警具有較好的性能，但在基礎(chǔ)數(shù)據(jù)選擇和預(yù)處理方面還存在欠缺。因此接下來(lái)的研究需要在大量樣本的基礎(chǔ)上，綜合考慮企業(yè)運(yùn)營(yíng)的各個(gè)指標(biāo)因素進(jìn)行風(fēng)險(xiǎn)分析。從而提高商業(yè)銀行的信貸管理水平和有效降低不良貸款發(fā)生率。

作者簡(jiǎn)介：

田浩，1994.12，男，漢族，河北省石家莊人，中國(guó)農(nóng)業(yè)銀行河北省分行科技與產(chǎn)品管理部，科員，從事系統(tǒng)開(kāi)發(fā)和數(shù)據(jù)處理類工作。