基于BP神经网络的商业银行信用风险模型改进探究

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于BP神经网络的商业银行信用风险模型改进探究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：bp神经网络信用风险管理模型以其较强的逼近非线性函数的能力而适应商业银行信用风险管理的要求，但是其自身的权值调整方式存在的缺陷影响了模型的应用。分别采用Adaboost算法和遗传算法对BP神经网络信用风险模型进行了改进，通过对200家上市公司的财务数据指标进行考察，比较了两种模型的优劣：经过Adaboost算法改进后，模型可以平稳地达到系统判别的最小误差，但运行时间较长；遗传算法采用变异操作可以迅速达到系统判别的最小误差，但由于权值改变过于激烈，可能造成系统过于注重权值的改变而忽视了原始数据指标的特性。

关键词：BP神经网络；Adaboost算法；遗传算法

中图分类号：F832.332文献标识码：A文章编号：1008-2670(2012)02-0012-08

收稿日期：2011-12-11

基金项目：国家社科基金资助项目“企业金融衍生业务风险测度及管控研究”（10BGJ054）。

作者简介：宿玉海(1964-)，男，山东潍坊人，经济学博士，山东财经大学金融学院教授，研究方向：国际金融；彭雷(1986-)，男，山东潍坊人，山东财经大学金融学院硕士研究生，研究方向：国际金融；郭胜川（1990-），男，山东安丘人，山东大学数学学院学生。

一、引言

商业银行的信用风险管理一直是人们关注的焦点，在引入工程方法进行信用风险的度量后，BP神经网络信用风险模型以其较强的逼近非线性函数的优势从众多方法中脱颖而出，其对于历史数据的模拟仿真和预测能力也显示出了独特的优势。但是，BP神经网络信用模型在处理较为复杂的财务数据时，对于数据指标在模型中获得的权值没有一个明确的标准，而是特别依赖于对于历史数据指标的选择，使得模型对于新样本的考察缺乏一个有效的动态权值变动，这就造成了模型在使用过程中的困难。

随着BP神经网络信用风险管理模型应用的增多，许多学者逐渐认识到BP神经网络信用风险模型在处理财务数据时存在的问题，采取一系列的措施对BP神经网络信用风险模型进行了改进，特别是对于权值设定的改进做了大量的工作。Back等［1］建议将遗传算法与神经网络结合起来协同工作，但没有实际讨论引入遗传算法后带来的实际效果；Piramuthu等［2］采用符号特征样本的技术处理输入数据取得了较为明显的效果，但是符号特征样本技术则存在较为主观的人为因素影响。国内学者在引进神经网络以后，也为神经网络模型的优化进行了卓有成效的努力。如许佳娜、西宝［3］采用层次分析法对神经网络模型的改进，以及郭英见、吴冲［4］采用DS证据理论将神经网络和SVM的输出结果进行的融合，都在一定程度上增强了神经网络模型的判别准确率，但他们在神经网络的权值修改上仍然没有找到很好的设定规则。

可以看出，许多学者在神经网络良好的泛化能力和模式识别能力上达成了共识，但对于神经网络中占有重要地位的连接权值的修正，没有给出一个较为恰当的标准。本文在探讨改进这一问题时，将遗传算法与Adaboost算法分别引入到BP神经网络信用风险模型中，通过两种模型对于相同的训练样本和预测样本的考察分析，比较两种方法的优劣，从而为BP神经网络信用风险模型的改进提供一定的参考。

本文结构安排如下：第一部分为引言；第二部分介绍BP神经网络信用风险模型并评价其缺陷；第三部分使用Adaboost算法以及遗传算法对BP神经网络信用风险模型进行算法寻优；第四部分则通过Matlab的模拟进行实证分析并比较实证结果；第五部分根据实证分析的结果得出相应的结论并探讨商业银行在应用过程中应注意的问题。

二、现有BP神经网络信用风险模型介绍

（一）BP神经网络的基本原理

在人工神经网络(Artificial Neural Network, ANN ) 中根据信息流向和网络的拓扑结构, 可以将ANN分为前馈网络和反馈网络两大类。反向传播(Back Propagation，BP)网络［5］就是一种多层前馈神经网络，采用误差反向传播算法(Error Back-propagation Algorithm,简称BP 算法)，是目前应用最广泛的一种神经网络。