基于自適應(yīng)共振模型信用風(fēng)險(xiǎn)評(píng)估

1、基于自適應(yīng)共振模型信用風(fēng)險(xiǎn)評(píng)估    關(guān)鍵詞：自適應(yīng)共振，神經(jīng)網(wǎng)絡(luò)，信用風(fēng)險(xiǎn)摘要：自適應(yīng)共振模型是為了能夠分類(lèi)任意次序模擬輸入模式而設(shè)計(jì)的，它可以按任意精度對(duì)輸入的模擬觀察矢量進(jìn)行分類(lèi)，較好地解決了前穩(wěn)定性和靈活性問(wèn)題，同時(shí)能夠避免對(duì)網(wǎng)絡(luò)先前所學(xué)的學(xué)習(xí)模式修改。本文將ART2模型應(yīng)用于信用風(fēng)險(xiǎn)評(píng)估，通過(guò)實(shí)證比較研究，結(jié)果顯示應(yīng)用自適應(yīng)共振模型進(jìn)行信用風(fēng)險(xiǎn)評(píng)估在精度和準(zhǔn)確性上，都優(yōu)于其他神經(jīng)網(wǎng)絡(luò)模型和統(tǒng)計(jì)方法。1統(tǒng)計(jì)方法用于信用風(fēng)險(xiǎn)分類(lèi)評(píng)估存在的局限性對(duì)信用風(fēng)險(xiǎn)評(píng)估一類(lèi)主流方法是基于分類(lèi)的方法，即把信用風(fēng)險(xiǎn)分析看成是模式識(shí)別中的一類(lèi)分類(lèi)問(wèn)題將企業(yè)劃分為能夠

2、按期還本付息和違約兩類(lèi)。其具體做法是根據(jù)歷史上每個(gè)類(lèi)別（如期還本付息、違約）的若干樣本，從已知的數(shù)據(jù)中發(fā)現(xiàn)其規(guī)律，從而總結(jié)出分類(lèi)的規(guī)則，建立判別模型，用于對(duì)新樣本的判別，這樣信用評(píng)估就轉(zhuǎn)化為統(tǒng)計(jì)中的分類(lèi)問(wèn)題。傳統(tǒng)的統(tǒng)計(jì)模型主要基于多元統(tǒng)計(jì)分析方法，根據(jù)判別函數(shù)的形式和樣本分布的假定不同，主要的模型有：多元回歸分析模型、多元判別分析模型（MDA）、Logit分析模型、近鄰法等。其中以多元判別分析模型和Logit分析模型應(yīng)用最為廣泛，已有大量商業(yè)化軟件。盡管這些方法在國(guó)外有大量應(yīng)用，但是大量實(shí)證研究（Altman，1983；Tam & Kiang，1992；Altman，et al，199

3、4）結(jié)果發(fā)現(xiàn)：（1）企業(yè)財(cái)務(wù)狀況的評(píng)價(jià)可以看作是一類(lèi)基于一系列獨(dú)立變量基礎(chǔ)上的分類(lèi)問(wèn)題；（2）企業(yè)財(cái)務(wù)狀況好壞與財(cái)務(wù)比率的關(guān)系常常是非線(xiàn)性的；（3）預(yù)測(cè)變量（財(cái)務(wù)比率）可能是高度相關(guān)的；（4）大量實(shí)證結(jié)果表明，許多指標(biāo)不成正態(tài)分布。而統(tǒng)計(jì)的方法卻不能很好地解決以上問(wèn)題。由此可見(jiàn)統(tǒng)計(jì)模型的最大優(yōu)點(diǎn)在于其具有明顯的解釋性，存在的缺陷是過(guò)于嚴(yán)格的前提條件。如多元判別分析模型（MDA），它要求數(shù)據(jù)服從多元正態(tài)分布、等協(xié)方差、已知先驗(yàn)概率和誤判代價(jià)等要求，而現(xiàn)實(shí)中大量數(shù)據(jù)嚴(yán)重違背了這些假定（Eisenbeis，1997）。引入對(duì)數(shù)變化可在一定程度上改進(jìn)數(shù)據(jù)的非正態(tài)分布，但一方面變換后的變量可能失去經(jīng)濟(jì)解

4、釋含義，另一方面仍沒(méi)有滿(mǎn)足等協(xié)方差的要求；應(yīng)用二次差別分析（QDA）雖可解決等協(xié)方差問(wèn)題，但一方面沒(méi)有滿(mǎn)足正態(tài)性假設(shè)，另一方面當(dāng)數(shù)據(jù)樣本小、維數(shù)高（指標(biāo)多）時(shí)二次差別分析的性能明顯下降，而樣本少、維數(shù)高正是我國(guó)信用數(shù)據(jù)的顯著特點(diǎn)。實(shí)證結(jié)果還表明二次差別分析對(duì)訓(xùn)練樣本效果較好，而對(duì)測(cè)試樣本并不理想。除此以外，多元判別分析模型適用于成熟行業(yè)的大中型企業(yè)，因?yàn)檫@些企業(yè)具有較強(qiáng)的穩(wěn)定性和規(guī)范性，其發(fā)展有一定的規(guī)律可循，參數(shù)統(tǒng)計(jì)方法易于給出較準(zhǔn)確的結(jié)果及合理的解釋。然而這類(lèi)方法是靜態(tài)的，需要根據(jù)地區(qū)、行業(yè)經(jīng)濟(jì)情況的變化不斷地調(diào)整參數(shù)，甚至進(jìn)行變量的調(diào)整。為了解決這些問(wèn)題，引入了Logit分析模型和近鄰法

5、。Logit分析模型不需要假定任何概率分布，也不要求等協(xié)方差，但是當(dāng)樣本點(diǎn)存在完全分離時(shí)，模型參數(shù)的最大似然估計(jì)可能不存在，模型的有效性值得懷疑，另外該方法對(duì)中心區(qū)域的差別敏感性較強(qiáng)，導(dǎo)致判別結(jié)構(gòu)的不穩(wěn)定。近鄰法不要求數(shù)據(jù)正態(tài)分布，但當(dāng)數(shù)據(jù)的維數(shù)較高時(shí)，存在所謂的“維數(shù)禍根（Curse of dimensionality）”對(duì)高維數(shù)據(jù)，即使樣本量很大，其撒在高維空間中仍顯得非常稀疏，絕大多數(shù)點(diǎn)附近根本沒(méi)有樣本點(diǎn)，這就使得“利用空間中每一附近的樣本點(diǎn)來(lái)構(gòu)造估計(jì)”的近鄰法很難使用4。2應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行信用風(fēng)險(xiǎn)評(píng)估的意義商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估是復(fù)雜的過(guò)程，除了對(duì)企業(yè)的財(cái)務(wù)狀況的各種特征的評(píng)估外，還須對(duì)

6、企業(yè)的非財(cái)務(wù)狀況進(jìn)行評(píng)估，而且又涉及宏觀經(jīng)濟(jì)環(huán)境和產(chǎn)業(yè)結(jié)構(gòu)、產(chǎn)業(yè)周期的影響；除了客觀的評(píng)估外，還依賴(lài)于專(zhuān)業(yè)人員依據(jù)經(jīng)驗(yàn)進(jìn)行主觀評(píng)估。神經(jīng)網(wǎng)絡(luò)是一種具有模式識(shí)別能力，自組織，自適應(yīng)，自學(xué)習(xí)特點(diǎn)的計(jì)算機(jī)制，它的知識(shí)編碼于整個(gè)權(quán)值網(wǎng)絡(luò)，呈分布式存儲(chǔ)且具有一定容錯(cuò)能力。神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)的分布要求不嚴(yán)格，也不必要詳細(xì)表述自變量與因變量之間的函數(shù)關(guān)系，神經(jīng)網(wǎng)絡(luò)的這些特征使之成為信用風(fēng)險(xiǎn)分析方法的一個(gè)熱點(diǎn)。建立商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估模型必須依賴(lài)于一組已知的函數(shù)集合。要求這種函數(shù)集合在任意精度上可以逼近實(shí)際系統(tǒng)，從數(shù)學(xué)上講，這就要求這個(gè)集合在連續(xù)函數(shù)空間上是致密的。目前已經(jīng)從理論上嚴(yán)格證明了只用一個(gè)隱藏層的神經(jīng)網(wǎng)

7、絡(luò)就可以唯一地逼進(jìn)任何一個(gè)連續(xù)函數(shù)。多層神經(jīng)網(wǎng)絡(luò)為系統(tǒng)的辨識(shí)和建模，尤其是非線(xiàn)性動(dòng)態(tài)映射系統(tǒng)提供了一條十分有效的途徑。非線(xiàn)性動(dòng)態(tài)映射系統(tǒng)的神經(jīng)網(wǎng)絡(luò)建模被認(rèn)為是應(yīng)用神經(jīng)網(wǎng)絡(luò)的最成功的范例。影響商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估的機(jī)理很復(fù)雜，無(wú)法建立精確的非線(xiàn)性動(dòng)態(tài)模型，而人工神經(jīng)網(wǎng)絡(luò)擅長(zhǎng)處理非線(xiàn)性的、關(guān)系不確定的十分復(fù)雜以至于數(shù)學(xué)模型難以描述的問(wèn)題。對(duì)于分析時(shí)間序列數(shù)據(jù)，由于人工神經(jīng)網(wǎng)絡(luò)能識(shí)別和模擬數(shù)據(jù)間的非線(xiàn)性關(guān)系，不需要正態(tài)分布和先驗(yàn)概率等條件的約束，能針對(duì)新增樣本靈活的訓(xùn)練再學(xué)習(xí)，因此優(yōu)于其他統(tǒng)計(jì)方法，同時(shí)由于網(wǎng)絡(luò)本身具有自學(xué)習(xí)的功能，預(yù)測(cè)結(jié)果相對(duì)精度較高而且穩(wěn)定性好，因此應(yīng)用神經(jīng)網(wǎng)絡(luò)可以通過(guò)對(duì)網(wǎng)絡(luò)的訓(xùn)

8、練，掌握借款人的財(cái)務(wù)特征的非線(xiàn)性函數(shù)關(guān)系。神經(jīng)網(wǎng)絡(luò)是由許多神經(jīng)元構(gòu)成的，它對(duì)系統(tǒng)特性的記憶表現(xiàn)為各個(gè)神經(jīng)元之間的連接權(quán)值，單個(gè)神經(jīng)元在整個(gè)系統(tǒng)中起不到?jīng)Q定性作用，一個(gè)經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)可以按相似的輸入模式產(chǎn)生相似的輸出模式，當(dāng)商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估系統(tǒng)因某些非財(cái)務(wù)風(fēng)險(xiǎn)因素和判斷誤差過(guò)大的財(cái)務(wù)風(fēng)險(xiǎn)因素造成輸入模式變形時(shí)，網(wǎng)絡(luò)仍可以保證穩(wěn)定的輸出。神經(jīng)網(wǎng)絡(luò)可以逼進(jìn)任意復(fù)雜的非線(xiàn)性系統(tǒng)，神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)換函數(shù)能夠非線(xiàn)性地響應(yīng)沖擊，例如，像覆蓋比率這樣的財(cái)務(wù)比率超過(guò)最低水平（如AAA級(jí)）時(shí)，超過(guò)這個(gè)閥值的增加值不會(huì)對(duì)信用質(zhì)量有什么影響。線(xiàn)性回歸不能以這樣的方式限制響應(yīng)程度，神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)換函數(shù)卻能實(shí)現(xiàn)。神經(jīng)網(wǎng)

9、絡(luò)以并行的方式處理信息，具有很強(qiáng)的信息綜合能力，因此神經(jīng)網(wǎng)絡(luò)理論在商業(yè)銀行信用風(fēng)險(xiǎn)分析和實(shí)施對(duì)信用風(fēng)險(xiǎn)的主動(dòng)控制中將會(huì)發(fā)揮更大的作用。由神經(jīng)網(wǎng)絡(luò)構(gòu)成的非線(xiàn)性模型具有較強(qiáng)的環(huán)境適應(yīng)能力。在根據(jù)多個(gè)訓(xùn)練樣本企業(yè)的財(cái)務(wù)特征建立神經(jīng)網(wǎng)絡(luò)非線(xiàn)性系統(tǒng)后，如果企業(yè)類(lèi)型、財(cái)務(wù)特征和非財(cái)務(wù)特征發(fā)生變化，神經(jīng)網(wǎng)絡(luò)可以通過(guò)學(xué)習(xí)，建立企業(yè)信用的非線(xiàn)性函數(shù)關(guān)系，并且不需要改變網(wǎng)絡(luò)的結(jié)構(gòu)和算法。綜上所述，對(duì)于那些無(wú)法建立精確的動(dòng)態(tài)判別函數(shù)模型的非線(xiàn)性商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估，可以將神經(jīng)網(wǎng)絡(luò)理論應(yīng)用于風(fēng)險(xiǎn)評(píng)估當(dāng)中，撇開(kāi)企業(yè)財(cái)務(wù)因素、非財(cái)務(wù)因素和企業(yè)信用狀況復(fù)雜的非線(xiàn)性機(jī)理，建立起非線(xiàn)性風(fēng)險(xiǎn)映射近似的動(dòng)態(tài)模型，使這個(gè)模型盡可能精

10、確地反映風(fēng)險(xiǎn)映射關(guān)系非線(xiàn)性動(dòng)態(tài)特征。通過(guò)該系統(tǒng)我們能夠計(jì)算對(duì)各種輸入的響應(yīng)，預(yù)估商業(yè)銀行信用風(fēng)險(xiǎn)狀況及其發(fā)展趨勢(shì)，進(jìn)而能夠使用各種信用工具對(duì)風(fēng)險(xiǎn)進(jìn)行主動(dòng)控制，促進(jìn)商業(yè)銀行的智能化風(fēng)險(xiǎn)管理系統(tǒng)的建設(shè)和發(fā)展完善。3基于自適應(yīng)共振理論的信用風(fēng)險(xiǎn)評(píng)估模型一個(gè)公司財(cái)務(wù)狀況的好壞往往是企業(yè)自身、投資者和債權(quán)人關(guān)注的焦點(diǎn)。因?yàn)橐粋€(gè)營(yíng)運(yùn)良好、財(cái)務(wù)健康的公司可提高自身在市場(chǎng)上的信譽(yù)及擴(kuò)展籌資渠道，以使投資者信心倍增。相反，一個(gè)陷入財(cái)務(wù)困境和瀕臨破產(chǎn)的企業(yè)不僅乏力吸引投資，還讓原有投資者面臨巨大的信用風(fēng)險(xiǎn)。由上文的分析中我們知道，對(duì)企業(yè)財(cái)務(wù)指標(biāo)的分析，傳統(tǒng)的分類(lèi)方法盡管有它的優(yōu)點(diǎn)但本身也存在一些局限性。作為研究復(fù)

11、雜系統(tǒng)的有力工具，神經(jīng)網(wǎng)絡(luò)能處理任意類(lèi)型數(shù)據(jù)，這是許多傳統(tǒng)方法無(wú)法比擬的。通過(guò)不斷學(xué)習(xí)，能夠從未知模式的大量復(fù)雜數(shù)據(jù)中發(fā)現(xiàn)其規(guī)律。神經(jīng)網(wǎng)絡(luò)方法克服了傳統(tǒng)分析過(guò)程的復(fù)雜性及選擇適當(dāng)模型函數(shù)形式的困難，它是一種自然的非線(xiàn)性建模過(guò)程，毋需分清存在何種非線(xiàn)性關(guān)系，給建模與分析帶來(lái)極大的方便。該方法用于企業(yè)財(cái)務(wù)狀況研究時(shí)，一方面利用其映射能力，另一方面利用其泛化能力，即在經(jīng)過(guò)一定數(shù)量的帶有噪聲的樣本訓(xùn)練之后，網(wǎng)絡(luò)可以抽取樣本所隱含的特征關(guān)系，并對(duì)新情況下的數(shù)據(jù)進(jìn)行內(nèi)插和外推以推斷其屬性。目前我國(guó)銀行機(jī)構(gòu)主要使用計(jì)算貸款風(fēng)險(xiǎn)度的方法進(jìn)行信用風(fēng)險(xiǎn)評(píng)估在對(duì)企業(yè)進(jìn)行信用等級(jí)評(píng)定的基礎(chǔ)上，考慮貸款方式、期限以及形

12、式因素，進(jìn)而確定貸款的風(fēng)險(xiǎn)度。其中作為核心的信用等級(jí)評(píng)定，是通過(guò)對(duì)企業(yè)的某些單一財(cái)務(wù)指標(biāo)進(jìn)行評(píng)價(jià)，而后加權(quán)平均確定的。該方法的最大缺陷在于指標(biāo)和權(quán)重的確定帶有很大的主觀性，使得評(píng)級(jí)結(jié)果與企業(yè)的實(shí)際信用狀況有很大出入，因此需要引入科學(xué)方法來(lái)確定有效指標(biāo)，并建立準(zhǔn)確的定量模型來(lái)解決信用評(píng)估問(wèn)題。針對(duì)這種形勢(shì)，根據(jù)我國(guó)商業(yè)銀行的具體情況，結(jié)合國(guó)際上目前較為流行人工神經(jīng)網(wǎng)絡(luò)技術(shù)，本文設(shè)計(jì)了一種基于自適應(yīng)共振理論的信用風(fēng)險(xiǎn)評(píng)估方法。3.1自適應(yīng)共振理論（ART）介紹自適應(yīng)共振理論（Adaptive Resonance Theory）簡(jiǎn)稱(chēng)ART，是于1976年由美國(guó)Boston大學(xué)S. Grossberg

13、提出來(lái)的。他多年來(lái)一直潛心于研究用數(shù)學(xué)來(lái)描述人的心理和認(rèn)知活動(dòng)，試圖為人類(lèi)的心理和認(rèn)知活動(dòng)建立統(tǒng)一的數(shù)學(xué)理論，ART就是這一理論核心部分，又經(jīng)過(guò)了多年的研究和不斷發(fā)展，至今已經(jīng)提出了ART1、ART2和ART3共三種結(jié)構(gòu)。ART網(wǎng)絡(luò)作為模式分類(lèi)器較好地解決了前面提到的穩(wěn)定性和靈活性問(wèn)題。使用ART網(wǎng)絡(luò)及算法具有較大的靈活性以適應(yīng)新輸入的模式，同時(shí)能夠避免對(duì)網(wǎng)絡(luò)先前所學(xué)的學(xué)習(xí)模式修改。ART是一種能自組織的產(chǎn)生對(duì)環(huán)境認(rèn)識(shí)編碼的神經(jīng)網(wǎng)絡(luò)理論模型，由于橫向抑制是自組織網(wǎng)絡(luò)的特性，ART采用了MAXNET子網(wǎng)結(jié)構(gòu)，該網(wǎng)絡(luò)采用橫向抑制方法增強(qiáng)并能選擇具有最大值輸出的一個(gè)節(jié)點(diǎn)。ART模型的算法過(guò)程如下：第

14、一， 將一個(gè)新樣本X置入節(jié)點(diǎn)；第二，采用自下而上的過(guò)程，求得： ；第三，運(yùn)用MAXNET網(wǎng)絡(luò)，找到具有最大輸出值的節(jié)點(diǎn)；第四， 通過(guò)自上而下的檢驗(yàn)，判斷X是否屬于第j類(lèi)，即如果有 ，則X屬于第j類(lèi)， 是警戒參數(shù)。如果上式不成立，轉(zhuǎn)到第六步，否則繼續(xù)。第五， 對(duì)于特定的j和所有的i更新 和 ，設(shè)t+1時(shí)刻 ， ， ， 。第六， 無(wú)法判斷X是否屬于第j類(lèi)，抑制該節(jié)點(diǎn)返回到第二步，執(zhí)行另一個(gè)聚類(lèi)的處理過(guò)程。本文所使用的神經(jīng)網(wǎng)絡(luò)模型就是ART2神經(jīng)網(wǎng)絡(luò)模型。ART2神經(jīng)網(wǎng)絡(luò)是為了能夠分類(lèi)任意次序模擬輸入模式而設(shè)計(jì)的。它可以按任意精度對(duì)輸入的模擬觀察矢量進(jìn)行分類(lèi)。3.2應(yīng)用ART2神經(jīng)網(wǎng)絡(luò)進(jìn)行信用風(fēng)險(xiǎn)評(píng)

15、估的可行性分析通過(guò)上文對(duì)ART2神經(jīng)網(wǎng)絡(luò)的介紹，筆者認(rèn)為將ART2神經(jīng)網(wǎng)絡(luò)應(yīng)用于信用風(fēng)險(xiǎn)評(píng)估具有統(tǒng)計(jì)方法和其他神經(jīng)網(wǎng)絡(luò)算法無(wú)法比擬的優(yōu)勢(shì)。首先，ART2神經(jīng)網(wǎng)絡(luò)較好地解決了穩(wěn)定性和靈活性問(wèn)題，它可以在接受新模式的同時(shí)對(duì)舊模式也同樣保持記憶，而其它類(lèi)型神經(jīng)網(wǎng)絡(luò)所記憶的樣本個(gè)數(shù)有限，由此可見(jiàn)，ART2神經(jīng)網(wǎng)絡(luò)隨著輸入樣本數(shù)的增加，它作為模式分類(lèi)器分類(lèi)的精度也越高，所覆蓋的樣本空間也越大。其次，ART2神經(jīng)網(wǎng)絡(luò)是邊學(xué)習(xí)邊運(yùn)行的無(wú)監(jiān)督學(xué)習(xí)，所以它不存在像算法那樣需要進(jìn)行幾小時(shí)甚至更長(zhǎng)時(shí)間的訓(xùn)練過(guò)程，也就是說(shuō)ART2網(wǎng)絡(luò)具有較高的運(yùn)行效率和較快的學(xué)習(xí)速率，這一點(diǎn)對(duì)于解決像信用風(fēng)險(xiǎn)評(píng)估這樣的復(fù)雜問(wèn)題來(lái)說(shuō)是

16、相當(dāng)具有優(yōu)勢(shì)的。再次，ART2神經(jīng)網(wǎng)絡(luò)與人腦的某些功能類(lèi)似，能夠完成識(shí)別、補(bǔ)充和撤銷(xiāo)的任務(wù)。這三種功能在英文中稱(chēng)為Recognition，Reinforcement和Recall，可簡(jiǎn)稱(chēng)為3R功能。識(shí)別功能在上文已經(jīng)介紹過(guò)，下面對(duì)補(bǔ)充、撤銷(xiāo)功能做些簡(jiǎn)單介紹。補(bǔ)充功能包含有以下幾方面的內(nèi)容：（1）每當(dāng)ART2系統(tǒng)對(duì)輸入矢量的類(lèi)別作一次判決即是給出矢量所屬類(lèi)別的輸出端編號(hào)，根據(jù)此判決，系統(tǒng)可以采取一種“行動(dòng)”或者作出某種“響應(yīng)”。這和人總是根據(jù)對(duì)外界情況的判斷來(lái)決定自己的行動(dòng)相似。（2）人在識(shí)別時(shí)對(duì)于所有被識(shí)別的類(lèi)并不是一視同仁的，識(shí)別過(guò)程受到由上向下預(yù)期模式的很強(qiáng)制約。這樣就會(huì)使得人們?cè)谀承┣闆r

17、下只關(guān)心幾種類(lèi)別，而對(duì)其他類(lèi)別則“不聞不見(jiàn)”，這種集中注意力的本領(lǐng)可以使人們?cè)诨靵y的背景中發(fā)現(xiàn)目標(biāo)。在客體發(fā)生某種變形或缺損或者有強(qiáng)噪聲情況仍能對(duì)其正確分類(lèi)。我國(guó)商業(yè)銀行進(jìn)行信用風(fēng)險(xiǎn)分析的起步較晚，有關(guān)的信息往往殘缺不全，ART2網(wǎng)絡(luò)的這種在混亂中集中注意力發(fā)現(xiàn)目標(biāo)的功能更適合我國(guó)的現(xiàn)實(shí)數(shù)據(jù)情況。撤消功能的作用與補(bǔ)充功能相反，這是指某些不同的觀察矢量在初步分類(lèi)時(shí)被劃分成不同的類(lèi)別，但是通過(guò)系統(tǒng)（主體）與客體相互作用的結(jié)果，又應(yīng)判定它們屬于同一類(lèi)。由此可見(jiàn)基于ART2網(wǎng)絡(luò)的這些功能，應(yīng)用ART2神經(jīng)網(wǎng)絡(luò)進(jìn)行信用風(fēng)險(xiǎn)評(píng)估相當(dāng)于人類(lèi)專(zhuān)家進(jìn)行信用風(fēng)險(xiǎn)評(píng)估的建模過(guò)程，而且ART2神經(jīng)網(wǎng)絡(luò)與人類(lèi)專(zhuān)家相比進(jìn)

18、行的評(píng)估更客觀、更有效、更精確。最后，ART2神經(jīng)網(wǎng)絡(luò)可通過(guò)調(diào)整警戒線(xiàn)參數(shù) （門(mén)限值）來(lái)調(diào)整模式的類(lèi)數(shù)， 小，模式的類(lèi)別少（對(duì)分類(lèi)要求粗）， 大，模式的類(lèi)別多（對(duì)分類(lèi)的要求精細(xì)），這一點(diǎn)是其他方法無(wú)法比擬的，我們可以通過(guò)調(diào)整 值對(duì)輸入網(wǎng)絡(luò)的財(cái)務(wù)數(shù)據(jù)進(jìn)行傳統(tǒng)的兩級(jí)分類(lèi)（即違約、非違約兩類(lèi)），也可以通過(guò)提高 值對(duì)輸入網(wǎng)絡(luò)的財(cái)務(wù)數(shù)據(jù)進(jìn)行國(guó)際通用的五級(jí)分類(lèi)（即正常、關(guān)注、次級(jí)、可疑，損失五類(lèi)）。Altman、Marco和Varetto與意大利銀行聯(lián)合會(huì)合作在其經(jīng)濟(jì)和金融信息系統(tǒng)中首次進(jìn)行了將神經(jīng)網(wǎng)絡(luò)應(yīng)用于企業(yè)的經(jīng)濟(jì)和金融問(wèn)題診斷的試驗(yàn)，試驗(yàn)的研究結(jié)果表明，將企業(yè)的財(cái)務(wù)狀況分為正常、關(guān)注和次級(jí)三類(lèi)比分為

19、正常和問(wèn)題兩類(lèi)困難得多，而ART2神經(jīng)網(wǎng)絡(luò)卻可以通過(guò) 值的調(diào)整靈活地實(shí)現(xiàn)該功能。綜上所述，筆者選擇算法復(fù)雜的ART2神經(jīng)網(wǎng)絡(luò)進(jìn)行信用風(fēng)險(xiǎn)評(píng)估。并且設(shè)計(jì)了一個(gè)自適應(yīng)共振網(wǎng)絡(luò)，對(duì)信用風(fēng)險(xiǎn)分析進(jìn)行了實(shí)證研究。3.3基于ART2模型的信用風(fēng)險(xiǎn)分析的實(shí)證研究下面以某國(guó)有商業(yè)銀行提供的90多家企業(yè)客戶(hù)為對(duì)象，應(yīng)用自適應(yīng)共振理論對(duì)這些企業(yè)客戶(hù)的財(cái)務(wù)數(shù)據(jù)進(jìn)行信用風(fēng)險(xiǎn)評(píng)估。對(duì)于輸入到神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)比率的選擇，參照國(guó)內(nèi)財(cái)政部考核企業(yè)財(cái)務(wù)狀況及國(guó)外用于信用風(fēng)險(xiǎn)評(píng)估所使用的一些經(jīng)典財(cái)務(wù)比率指標(biāo)，一共挑選出包括企業(yè)盈利能力、企業(yè)營(yíng)運(yùn)效率、企業(yè)償債能力及企業(yè)現(xiàn)金流量狀況等二十余個(gè)指標(biāo)，考慮到指標(biāo)間的相關(guān)性，利用SAS統(tǒng)計(jì)

20、分析軟件進(jìn)行回歸分析，得出以下幾個(gè)比率：經(jīng)營(yíng)現(xiàn)金流量/資產(chǎn)總額（流動(dòng)性）保留盈余/資產(chǎn)總額 （增長(zhǎng)性）息稅前利潤(rùn)/資產(chǎn)總額 （贏利性）資產(chǎn)總額/ 總負(fù)債 （償債性）銷(xiāo)售收入/資產(chǎn)總額 （速動(dòng)性）某國(guó)有商業(yè)銀行提供的樣本數(shù)據(jù)有90多家企業(yè)的財(cái)務(wù)數(shù)據(jù)，數(shù)據(jù)質(zhì)量不高，有些企業(yè)財(cái)務(wù)數(shù)據(jù)缺失嚴(yán)重，經(jīng)過(guò)對(duì)樣本數(shù)據(jù)的初步審查，刪除了不合格的樣本40多個(gè)，最終得到有效的樣本為55個(gè)，其中能夠償還貸款的企業(yè)34個(gè)，不能償還貸款的企業(yè)21個(gè)。評(píng)估的準(zhǔn)確程度用兩類(lèi)錯(cuò)誤來(lái)度量，在統(tǒng)計(jì)學(xué)中，第一類(lèi)錯(cuò)誤稱(chēng)為“拒真”，第二類(lèi)錯(cuò)誤稱(chēng)為“納偽”。在信用風(fēng)險(xiǎn)評(píng)估中把第一類(lèi)錯(cuò)誤定義為把不能償還貸款的企業(yè)誤判為能償還貸款的企業(yè)的錯(cuò)誤

21、，第二類(lèi)錯(cuò)誤定義為把能夠償還貸款的企業(yè)誤判為不能償還貸款的企業(yè)的錯(cuò)誤。顯然，第一類(lèi)錯(cuò)誤比第二類(lèi)錯(cuò)誤嚴(yán)重得多，犯第二類(lèi)錯(cuò)誤至多是損失一筆利息收入，而犯第一類(lèi)錯(cuò)誤則會(huì)造成貸款不能收回，形成呆帳。在應(yīng)用自適應(yīng)共振模型進(jìn)行信用風(fēng)險(xiǎn)評(píng)估的同時(shí)，筆者也使用了統(tǒng)計(jì)方法和經(jīng)典的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)同樣的樣本數(shù)據(jù)進(jìn)行了信用風(fēng)險(xiǎn)評(píng)估，以便比較驗(yàn)證自適應(yīng)共振模型的評(píng)估準(zhǔn)確性。統(tǒng)計(jì)方法使用的是可變類(lèi)平均法，可變類(lèi)平均法是由Lance和 Williams(1967)發(fā)展的，計(jì)算距離的組合公式為:Djm=(Djk+DjL)(1-b)/2+DkLb （1）參數(shù)b介于0到-1之間，DkL是類(lèi)Ck與CL之間的距離或非相似測(cè)度。筆

22、者使用SAS統(tǒng)計(jì)軟件中提供的可變類(lèi)平均法對(duì)樣本數(shù)據(jù)進(jìn)行了聚類(lèi)分析。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括輸入層5個(gè)節(jié)點(diǎn)，用來(lái)輸入5個(gè)財(cái)務(wù)指標(biāo)比率，輸出層1個(gè)節(jié)點(diǎn)（取值為1表示能償還貸款，取值為0表示不能償還貸款），另外還有一個(gè)隱層，隱層包括5個(gè)隱節(jié)點(diǎn)。網(wǎng)絡(luò)的有效性采用K組交叉檢驗(yàn)的方法進(jìn)行驗(yàn)證，也就是將樣本分為K組，其中K1組為訓(xùn)練數(shù)據(jù)，第K組為檢驗(yàn)數(shù)據(jù)，這里將樣本數(shù)據(jù)分為兩組，第一組用于訓(xùn)練網(wǎng)絡(luò)，包括11個(gè)違約的企業(yè)和16個(gè)非違約的企業(yè)，第二組作為檢驗(yàn)數(shù)據(jù)，包括10個(gè)違約企業(yè)，18個(gè)非違約企業(yè)。該方法使用MATLAB語(yǔ)言編程實(shí)現(xiàn)。ART2模型包括輸入層為5個(gè)節(jié)點(diǎn)，用來(lái)輸入5個(gè)財(cái)務(wù)指標(biāo)比率，輸出層3個(gè)節(jié)點(diǎn)，分

23、別表示信用風(fēng)險(xiǎn)的三個(gè)級(jí)別（正常，關(guān)注，可疑），這里應(yīng)用ART2模型將信用風(fēng)險(xiǎn)分為三個(gè)級(jí)別有如下幾個(gè)原因：（1）將信用風(fēng)險(xiǎn)分為三個(gè)級(jí)別，比前面使用統(tǒng)計(jì)方法和BP模型方法將信用風(fēng)險(xiǎn)簡(jiǎn)單分成兩類(lèi)（違約、非違約）更容易把握風(fēng)險(xiǎn)的程度，更接近實(shí)際信用風(fēng)險(xiǎn)評(píng)估的需要，也更貼近于國(guó)際通用的五級(jí)分類(lèi)標(biāo)準(zhǔn)。（2）通過(guò)ART2網(wǎng)絡(luò)門(mén)限值參數(shù)的調(diào)整可以將信用風(fēng)險(xiǎn)分為國(guó)際通用的五級(jí)分類(lèi)標(biāo)準(zhǔn)，這也正是ART2模型的優(yōu)勢(shì)所在，但是ART2網(wǎng)絡(luò)是信用風(fēng)險(xiǎn)分析混合專(zhuān)家系統(tǒng)的組成部分，它的評(píng)估結(jié)果要作為輸入，輸入到專(zhuān)家系統(tǒng)中，以便信用風(fēng)險(xiǎn)評(píng)估專(zhuān)家系統(tǒng)進(jìn)行定性及定量的綜合評(píng)估，考慮到專(zhuān)家系統(tǒng)的規(guī)則的數(shù)量和知識(shí)庫(kù)的規(guī)模對(duì)系統(tǒng)執(zhí)行效

24、率的影響，因此這里將信用風(fēng)險(xiǎn)分為三類(lèi)。有關(guān)專(zhuān)家系統(tǒng)的詳細(xì)說(shuō)明，將在下一節(jié)討論。下面給出ART2模型網(wǎng)絡(luò)的參數(shù)設(shè)置：a10，b10，c0.1，d0.9， 0.2， 。由于ART2模型是無(wú)教師指導(dǎo)的網(wǎng)絡(luò)，因此不用訓(xùn)練，直接輸入數(shù)據(jù)，網(wǎng)絡(luò)自動(dòng)進(jìn)行信用風(fēng)險(xiǎn)評(píng)估。其中評(píng)估的結(jié)果：正常、關(guān)注兩類(lèi)屬于非違約企業(yè)，可疑為違約企業(yè)。該方法使用C語(yǔ)言編程實(shí)現(xiàn)。下面給出三種方法的最后評(píng)估結(jié)果見(jiàn)表1表1 訓(xùn)練樣本和測(cè)試樣本的誤判訓(xùn)練樣本 測(cè)試樣本第一類(lèi)錯(cuò)誤 第二類(lèi)錯(cuò)誤 總誤判 第一類(lèi)錯(cuò)誤 第二類(lèi)錯(cuò)誤 總誤判統(tǒng)計(jì)模型 8(38.01%) 9(26.5%) 17(30.9%)BP模型 2(18.1%) 1(6.1%) 3

25、(11.1%) 3(30.0%) 4(22.2%) 7(25.0%)ART2模型 4(19.1%) 5(14.7%) 9(16.3%)通過(guò)表1的比較結(jié)果可以看出對(duì)于統(tǒng)計(jì)方法和BP模型自適應(yīng)共振模型的誤判率是最低的，說(shuō)明了該方法的有效性和可靠性。另外需要說(shuō)明的一點(diǎn)是，這里所使用的企業(yè)樣本數(shù)據(jù)偏少，而且噪聲過(guò)多，數(shù)據(jù)的質(zhì)量不是很好，這樣的數(shù)據(jù)作為初始數(shù)據(jù)輸入網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)的評(píng)估的準(zhǔn)確性有一定的影響，雖然ART2這種集中注意力可以在混亂的背景中發(fā)現(xiàn)目標(biāo)的特性使得它的評(píng)估的準(zhǔn)確性比其它兩種方法要高，但是筆者相信如果初始輸入網(wǎng)絡(luò)的數(shù)據(jù)質(zhì)量再提高一些，網(wǎng)絡(luò)的誤判率會(huì)更低。參考文獻(xiàn)：1 張維，李玉霜，商業(yè)銀行信用風(fēng)險(xiǎn)分析綜述，管理科學(xué)學(xué)報(bào)J，1998年第3期，2027。2 朱明，楊保安，基于知識(shí)的銀行貸款分類(lèi)系統(tǒng)，CJCAI2001C，231235。3 黃娟，馮玉強(qiáng)，王洪偉，基于聯(lián)接歸納推理的信貸風(fēng)險(xiǎn)評(píng)估集成智能系