BP神經(jīng)網(wǎng)絡(luò)的企業(yè)信用評價模型

1、管 理 薈 萃基于 BP 神經(jīng)網(wǎng)絡(luò)的企業(yè)信用評價模型王桂娟要的是公司根據(jù)此信用情況可以清楚地看到公司經(jīng)營狀況，及時調(diào)整以適應(yīng)市場需求，建立一個科學合理的企業(yè)信用評 價系統(tǒng)，對于我國當今金融市場的發(fā)展具有重要意義。上3.BP 算法BP 算法常稱為誤差反傳算法， 主要思想是把學習過程分為兩個階段：第一階段（正向傳播過程），給出輸入信息，通 過輸入層經(jīng)隱含層逐層處理并計算每個單元的實際輸出值； 第二階段（反向過程），若在輸出層未能得到期望的輸出值 ， 則逐層遞歸地計算實際輸出與期望輸出之差值（即誤差），以 便依據(jù)此差調(diào)節(jié)權(quán)值。 具體說，就是可對每一個權(quán)值計算出 接受單元的誤差值與發(fā)送單元的激活值的積

2、。 因為這個積和 誤差對權(quán)重的（負）微商成正比（又稱梯度下降算法），把它稱 作權(quán)重誤差微商。 權(quán)重的實際改變可由權(quán)重誤差微商一個模 式計算出來，即它們可以在這組模式集上進行累加。市 公 司 信 用 務(wù) 狀 況 好 壞 接 影 響 （財 ）的 ，直到銀行貸款的風險大小， 也影響到其他金 融機構(gòu)或個人對該公司投資的決策。 更重一、信用風險評價企業(yè)信用風險是指購買方不能按期償還貸款或勞務(wù)費， 或供應(yīng)方不能按約定收到貸款或勞務(wù)報酬。 對企業(yè)而言，信 用等級的高低直接影響企業(yè)在資本市場中的地位；對金融機 構(gòu)而言，信用等級評估可以幫助中介機構(gòu)在證券經(jīng)營中進行 風險管理和市場定價；許多監(jiān)管機構(gòu)也利用獨立的信

3、用評價 來對其所負責的銀行、 保險公司和公用事業(yè)公司進行監(jiān)管， 保證其有健康的財務(wù)狀況。三、基于 BP 神經(jīng)網(wǎng)絡(luò)的信用評價模型1. 基本思路從輸入層輸入企業(yè)信用評價指標的基礎(chǔ)指標數(shù)據(jù)，經(jīng)隱 含層處理傳入輸出層，輸出結(jié)果即為評價結(jié)果。 在正向傳播 階段， 每一層神經(jīng)元的狀態(tài)直接影響到下一層神經(jīng)元的狀 態(tài)。 如果輸出層所得到的輸出結(jié)果與期望輸出結(jié)果的誤差超 過誤差許可范圍，則進入誤差的反向傳播階段 ，誤差信號按 原來的連接通路返回，將誤差進行返回傳播 ，求出隱含層單 元的一般化誤差， 調(diào)整各層之間的連接權(quán)值以及隱含層、輸 出層的閾值，直到系統(tǒng)誤差可以接受為止，此時的權(quán)值、閾值 不再改變。 以足夠的

4、樣本運用優(yōu)化 BP 模型學習算法來訓練 此網(wǎng)絡(luò)，訓練好的網(wǎng)絡(luò)所特有的那組權(quán)系數(shù)就是所要確定的 企業(yè)信用評價指標的權(quán)重。 最后，將目標企業(yè)綜合信用評價 指標的具體值作為訓練好的 BP 模型的輸入， 可得到目標企 業(yè)的信用結(jié)果，并可根據(jù)此結(jié)果來判定企業(yè)是否屬于有信用 的企業(yè)。二、人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)（Artifica l Neural Network ，ANN ）技 術(shù) 是 基 于神經(jīng)科學研究成果發(fā)展起來的新興邊緣科學，是以工程技 術(shù)手段模擬人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與功能特征的一種技術(shù)系 統(tǒng)。 利用大量的非線性并行處理器來模擬人腦眾多神經(jīng)元， 利用處理器間錯綜靈活的連接關(guān)系來模擬人腦神經(jīng)元間的 突觸

5、行為。 從本質(zhì)上講，人工神經(jīng)網(wǎng)絡(luò)是種大規(guī)模并行的非 線性動力學系統(tǒng)，在人工神經(jīng)網(wǎng)絡(luò)中，BP 算法是使用率最高 的算法，也是比較成熟的算法。1.BP 神經(jīng)網(wǎng)絡(luò)BP 神經(jīng)網(wǎng)絡(luò)模型是由輸入層、 輸出層和若干個隱含層 組成的多層前饋網(wǎng)絡(luò)模型，誤差反向傳播（BP ）算法是訓練前 饋網(wǎng)絡(luò)模型的最常用的算法。在 BP 網(wǎng)絡(luò)模型中，同層各神經(jīng)元互不連接，相鄰層的神經(jīng)元通過權(quán)值連接。2. 樣本的選取訓練樣本的選擇直接影響神經(jīng)網(wǎng)絡(luò)的學習速度和效果。 選取樣本主要考慮五點 ：一是遍歷性，即選取出來的樣本要 有代表性，能覆蓋全體樣本空間；二是相容性，即選取出來的 樣本不能自相矛盾，在建立輸入、輸出學習樣本時，分級宜散

6、 但不宜過細，以防止樣本間出現(xiàn)矛盾現(xiàn)象；三是致密性，選取 出來的樣本要有一定的數(shù)量 ，以保證訓練的效果 ；四是相關(guān) 性， 即訓練樣本中各輸入值與目標值要有一定的相關(guān)性，訓 練樣本集合中各輸入?yún)?shù)之間最好線性無關(guān)；五是盡量首先提出異常樣本值或?qū)ζ溥M行必要的修正。根據(jù)上述原則， 通過 Internet 共搜集了 200 余家上市公司，經(jīng)過對數(shù)據(jù)的篩選 ，最終選取了 180 家上市公司的數(shù)據(jù) 作為樣本數(shù)據(jù)。 根據(jù)國際水平，以不良貸款率低于 10%作為 分界線，將企業(yè)分為兩類。 低于 10%稱為低風險企業(yè)（正常上2.BP 網(wǎng)絡(luò)結(jié)構(gòu)BP 網(wǎng)絡(luò)是一單向傳播的多層前向網(wǎng)絡(luò)， 可看作是一個 從輸入層到輸出層的

7、高速非線性影射， 其基本結(jié)構(gòu)如圖 1。 在 BP 網(wǎng)絡(luò)結(jié)構(gòu)中，輸入信號從輸入層結(jié)點，依次傳過各隱含層結(jié)點，傳到輸出層結(jié)點 ，每一層結(jié)點的輸出只影響下一層 結(jié)點的輸入，每個結(jié)點都是一個神經(jīng)元結(jié)構(gòu)。圖 1 BP 網(wǎng)絡(luò)結(jié)構(gòu) 河北企業(yè) 2009 年第 4 期 41管 理 薈 萃每 種 情 況 下 網(wǎng)絡(luò)的樣本正確率 （ 樣 本 正 確 率 = 正確訓練樣本數(shù) 正確測試樣本數(shù) + ）， 綜合考慮正確率較高的情況，從而確定合適的隱含層神經(jīng)元個數(shù)。4. 輸入層和輸出層神經(jīng)元數(shù)的確定前面所提及的 7 項財務(wù)數(shù)據(jù)就是本文 BP 網(wǎng)絡(luò)的輸入， 所以輸入層的神經(jīng)元個數(shù)為 7 個。 對于輸出層神經(jīng)元個數(shù)， 要根據(jù)實際情

8、況而定。 因為所選的樣本數(shù)據(jù)均是上市公司的 財務(wù)指標， 同時希望通過構(gòu)建的 BP 網(wǎng)絡(luò)來確定此公司在兩 年后是屬于“ST 公司”還是“正常上市公司”。 所以，在確定輸 出層神經(jīng)元個數(shù)時，就定義為 1 個：即用 0 或 1 表示，其中 1 表示“正常上市公司”，0 表示“ST 公司”。5. 網(wǎng)絡(luò)訓練進入系統(tǒng)之后，首先對網(wǎng)絡(luò)參數(shù)進行初始化 ；然后對隱 含層和輸出層的權(quán)值進行隨機初始化；接著調(diào)入訓練樣本數(shù) 據(jù)，按照 BP 神經(jīng)網(wǎng)絡(luò)算法對網(wǎng)絡(luò)進行一個周期的訓練，判斷 是否滿足訓練要求。 如果不滿足，重新讀取訓練數(shù)據(jù)，進行下 一個周期的訓練，如果滿足訓練要求，退出訓練程序。 本文所構(gòu)建的 BP 神經(jīng)網(wǎng)絡(luò)

9、，輸入結(jié)點為 7 個，輸出結(jié)點 為 1 個，隱含層結(jié)點數(shù)根據(jù)經(jīng)驗公式 p = +a，然后對隱 結(jié)點 p 逐一調(diào)整。 在本文，隱結(jié)點數(shù)選取 4 到 11 個，在訓練 過程中分別對其進行了訓練，并對樣本正確率 （同樣的訓練 次數(shù) 30000、50000 以及 60000 次）作了 系 統(tǒng) 的 比 較 后 得 ，最 出當隱結(jié)點為 11 個時，整個網(wǎng)絡(luò)處于最優(yōu)化。6. 網(wǎng)絡(luò)測試網(wǎng)絡(luò)訓練結(jié)束之后，進入測試階段。 圖 2 為網(wǎng)絡(luò)的測試 流程圖，首先把訓練好的隱含層和輸出層的權(quán)值讀到相應(yīng)的 數(shù)組中，然后讀入測試樣本數(shù)據(jù)。 通過訓練好的網(wǎng)絡(luò)對測試 樣本進行計算。 對計算結(jié)果和真實的評價結(jié)果進行比較統(tǒng) 計，如果

10、已經(jīng)達到評價系統(tǒng)要求 （在本文中要求樣本的正確 率在 85%以上），說明網(wǎng)絡(luò)訓練成功；如果沒有達到評價系統(tǒng) 的要求，則需要調(diào)整參數(shù)，對網(wǎng)絡(luò)進行重新設(shè)計和訓練。 以 2005 年某公司的財務(wù)情況為例， 該公司的七個指標 如下：負債比率：23.27；主營業(yè)務(wù)凈利潤 產(chǎn) 收 益 ：16.64；凈資 率 動 比 率 動 比 率 貨 周 轉(zhuǎn) 率 ：12.53； 流 ：2.14； 速 ：1.75； 存 ： 20.04；應(yīng)收賬款周轉(zhuǎn)率：12.79。 通過評價得出結(jié)果為 1，表示 該公司在 2006 年度應(yīng)該屬于正常的上市公司。本文在研究 BP 神經(jīng)網(wǎng)絡(luò)模型以及信用風險模型的基礎(chǔ) 之上，針對企業(yè)信用風險評價這

11、一具體領(lǐng)域，提出了基于 BP 神經(jīng)網(wǎng)絡(luò)的企業(yè)信用評價系統(tǒng)的框架， 并在此基礎(chǔ)上對 BP 神經(jīng)網(wǎng)絡(luò)進行改進、訓練與測試，最終實現(xiàn)了基于改進后的 BP 神經(jīng)網(wǎng)絡(luò)企業(yè)信用評價系統(tǒng)的仿真。市公司），高于 10%稱為高風險企業(yè)（“ST 公司”）。 在 180 家 上市公司中，“ST 公司”有 80 家，“正常公司”有 100 家。開 始讀取輸出層權(quán)值數(shù)據(jù)，并寫入數(shù)組 c(j讀取隱含層權(quán)值數(shù)據(jù)，并寫入數(shù)組 y(i,j連接測試數(shù)據(jù)有記錄嗎？讀取下一條記錄，并做歸一化處理計算隱含層輸出計算輸出層輸出有記錄嗎？對結(jié)果作統(tǒng)計，并輸出結(jié) 束圖 2 網(wǎng)絡(luò)測試流程圖 上述企業(yè)的數(shù)據(jù)中，第一步選取了 20 個財務(wù)指標，包

12、括 主營業(yè)務(wù)利潤率，主營業(yè)務(wù)凈利潤率，總資產(chǎn)報酬率，凈資產(chǎn) 收益率，銷售毛利率，應(yīng)收賬周轉(zhuǎn)率等等。 通過統(tǒng)計分析，兩 類企業(yè)有顯著差異的指標有七個，這七個指標可以用來單獨 識別信用風險，其識別效果具有統(tǒng)計上的意義：（1）資本結(jié)構(gòu) 指標：資產(chǎn)負債率。 （2）盈利能力指標：主營業(yè)務(wù)凈利潤率，凈 資產(chǎn)利潤率。 （3）償債能力指標：流動比率，速動比率。 （4）經(jīng) 營效率指標：存貨周轉(zhuǎn)率，應(yīng)收賬款周轉(zhuǎn)率。 這七個指標也是 本文 BP 神經(jīng)網(wǎng)絡(luò)所需的輸入評價指標。3. 隱含層數(shù)及隱含層神經(jīng)元數(shù)的選取一般情況下，BP 神經(jīng)網(wǎng)絡(luò)的隱含層層數(shù)設(shè)計為一層即 可。 本文構(gòu)建的 BP 神經(jīng)網(wǎng)絡(luò)，采用只有 1 個隱含層的 BP 神經(jīng)網(wǎng)絡(luò)。 對多層前饋網(wǎng)絡(luò)而言，隱含層神經(jīng)元的確定是設(shè)計 網(wǎng)絡(luò)的