神经网络信贷规划策略

导语：神经网络信贷规划策略一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

摘要：本文主要针对企业信贷业务带来的风险进行相关研究，利用贝叶斯神经网络与双规划目标模型，运用模拟退火算法制定出信贷策略，结合层次分析法制定出企业在受到突发因素影响下的信贷调整策略。首先通过Spearman相关性分析，筛选出衡量信贷风险的五项指标，因此选取该算法对123家企业建立风险评估模型。其次拟合得出客户流失率关于企业信贷利率的二次函数，计算银行信贷收益函数，建立双规划目标模型，运用Matlab模拟退火算法求最优解，探究如何针对不同风险下企业信贷策略，既保证银行营利最大化，同时风险又在可控范围内。最后通过对302家企业的指标数据进行风险评估，预测其对应的信誉等级，运用模拟退火算法，探究在总贷款1亿元的限制条件下的信贷策略。

关键词：贝叶斯神经网络拟合；模拟退火算法；信贷风险；信贷业务；商业银行

商业银行在金融体系中扮演着重要角色，银行最基本的业务是信贷，它也被用来作为企业融资的一种途径，然而信用风险是在信贷活动中最需要注意的。如何调整信贷策略需要根据每个行业所受影响程度的不同，而影响程度又涉及很多方面，因此采用层次分析法来构建信贷策略调整机制，并计算出各个行业所受影响的指标权重，进而调整信贷策略。我国经济发展需要中小微企业的推动，它们可以提高社会生产力，为推动消费贡献经济力量，同时也可以为人们提供更多的就业岗位。商业银行通常是依据信贷政策，以及企业自身能力，并对企业信贷风险进行评估，根据其风险等级来判断是否可以对企业进行放贷，如果可以进行放贷，则要进一步衡量贷款额度、利率和贷款的期限等具体的信贷策略，如何利用数学模型建立一个公平、合理、科学的信贷决策机制是我们需要解决的问题。

1问题分析

本文利用相关数据对123家企业的信贷风险进行评估，并给出该银行在一定的年度信贷总额情况下，对这些企业所采用的信贷策略。信贷策略包括是否对企业放贷及贷款额度、利率和期限等，题目已给出期限为一年，需要考虑的是贷款额度及利率优惠的决策机制，而是否提供贷款由企业实力和供求关系稳定程度来决定，利率优惠由企业信誉高低和信贷风险大小决定，首先对数据做了预处理，剔除掉作废发票等无效数据，利用Excel软件对数据进行筛选、提取，将衡量是否放贷和利率优惠的指标整理成数据集。其次运用Spearman相关系数对筛选的14个指标进行相关性分析，最终确定出显著性较高的5项指标作为衡量信贷风险的评价指标，为了保证信贷策略结果的精确性，我们先建立了PSO优化的SVM模型，由于其训练数据和预测数据的精确性较低，因此构建了贝叶斯神经网络拟合模型，对123家企业的信贷风险做出了评级，其拟合效果较好。商业银行在进行信贷活动时，不仅要评估企业风险，还要考虑到自身的收益最大化，为此建立了信贷风险评估模型及收益最大化的双规化目标模型，同时建立银行收益函数。在算法方面，我们采用模拟退火算法并结合线性规划原理，计算出银行对于123家企业的具体信贷策略，即企业对应的贷款额度比列以及相应利率。

2模型的建立与求解

题目要求制定对于302家无信贷记录的公司在银行信贷总额为1亿元时的相应信贷政策，这建立在已经构建的信贷风险评估模型、制定对应企业的信贷策略的基础上。比例的年度信贷总额，只需要求出比例即可。总额为1亿元，其还要加上约束条件：确定要放贷企业的贷款额度为10万~100万元。本文主要基于对企业历史信贷数据信息的挖掘、处理及分析，建立基于贝叶斯神经网络拟合算法的企业风险评估模型和双规划目标模型，运用模拟退火算法制定出信贷策略；利用层次分析法来分析企业在受到突发因素影响时各行业的状况，将每个层次中的每个因素对结果的影响程度进行量化，非常清晰、明确。对于银行信贷政策而言既要满足其利润的最大化，同时也要保证风险的可控性，针对此建立的双目标规划模型，可以使得规划者和决策者各司其职，在自己的角色中充分发挥各自的作用。但是，对于多目标问题，各个目标是不可公度的，因此采用层次分析法来构建信贷策略调整机制，并计算出各个行业所受影响的指标权重，进而调整信贷策略。但是选择备选方案层时依据企业名称划分行业具有较大的人为主观性，其分析结果不够准确。最后结合层次分析法制定出企业在受到突发因素影响下的信贷调整策略。通过筛选可以看到是否违约与信誉评级为ABCD有直接关系，将每个企业根据ABCD进行分类，只投资信誉评级为ABC的企业即可，如表1所示。(1)其中，n为样本容量，d为样本的秩次差。在使用SVM算法进行评估和预测时，需要事先确定参数C和σ值，它们分别是用来控制惩罚正则化的参数和核函数标准化参数。那么如何进行参数选择呢？问题可转化为利用PSO算法在给定空间的全局搜索，具体步骤如下。(1)首先要对数据进行归一化处理，对PSO参数进行初始化。(2)利用PSO优化的SVM模型。(3)根据式（2）更新各个粒子的速度和位置，产生新种群。其中，V代表迭代函数，X代表新物种，P代表粒子最优速度，g代表粒子运动过程中的最优位置，C1和C2为加速常，W为惯性权重；m为种群规模。(4)计算新种群的适应值，并计算新粒子的速度和位置，如果存在更优的则替换，否则将维持原状。(5)判断是否收敛，若收敛则结束，输出最优的参数C和σ；若没有收敛则继续迭代，令n=n+1，转到步骤2)。利用PSO方法对5个参数共同优化选取，建立SVM风险等级预测模型。对123组数据进行训练研究。即求解如下表达式：其中有5个变量：x1-x5，为了方便网络训练，可以将因变量的值从ABCD，对应为1，0.75，0.5，0。可以看到神经网络结构一般分为输入层、隐藏层、中间层，如图1所示。神经网络能够对ABCD有较高的预测准确率，每个范围有不同的等级，我们划分ABCD四个不同范围，可以得到表2可以观察到每一个等级的预测准确率都比较高，D的预测准确率可以达到87.50%。由于在信贷活动中商业银行的贷款年利率会影响到潜在客户的流失，所以需要对客户流失率与贷款年利率数据的关系进行一个拟合，选择的是2次拟合函数，运用Excel软件对信誉评级为A、B、C的企业分别拟合，拟合效果较好。银行在经营各项业务的第一要义就是盈利，与此同时，资金的流动性和安全性也要有所保障。但是当银行的信贷业务出现问题时，资金的流动性以及安全性就会面临威胁，那么就会对银行造成不可估量的损失，银行的生存和未来的发展就会变得岌岌可危。为了避免此类状况的发生，信贷风险评估分析就变得尤为重要，评估过程包括分析信贷客户相关的财务和非财务数据，衡量借款人的还款能力并估计违约的可能性，将这一系列的数据辅助银行进行借贷决策，所以建立了以信贷风险测量和银行利益最大化的双目标规划模型。首先各企业的信贷风险P值已根据模型一的算法求出，考虑到银行的收益最大化，我们建立如下的银行收益函数：1-p：达到不会违规的概率，p则是违规概率，x1是对每一个企业投资的金额，x2是对每一个企业投资的利率，fn(x2)表示我们上述求出的客户流失率关于贷款年利率的拟合函数，1-fn(x2)表示挽留的客户比例，失去的那一部分表示不赚钱。可以把x1提出表达式外，这时上述式子可以分为两个部分来解决：因为[(1-p)*(1＋x2)-1]*(1-fn(x2))是关于x2的函数，因为自变量是x2，于是可以在固定x1值的情况下，只要使这个表达式最大，就能使下列条件满足最大值：其具体原理：改进爬山算法，仍以求一元函数的最大值为例，具体的算法原理如下：i=0，在解空间中随机生成一个初始解w0，作为搜索起始点S(S=ω0)，计算搜索点S对应的目标函数值f(S)=f(ω0)；令i＋＋，在S附近随机生成一个新解ωi，计算ωi对应的目标函数值f(ωi)；若f(ωi)≥f(S)，则将搜索点S移动到解ωi的位置，然后将上述步骤进行重复；若f(ωi)≤f(S)，不同于爬山算法，搜索点此时并没有完全拒绝解ωi，而有一定的概率p接收新解。用程序生成一个(0，1)之间的随机数r，如果r<p，说明这个概率为p的把握成立，则搜索点S移动到ωi的位置，反之S不移动，然后重复步骤。根据以上过程可求出x2即贷款年利率的相应值，上述表达式变为max∑cx1，其中c已在上一步求解，且满足条件∑x1=M。通过对数据的筛选整合后，建立满足要求的衡量信贷风险指标体系，由于由PSO优化的SVM模型模拟效果较差，改用贝叶斯神经网络拟合模型，针对四组不同级别的信誉评级，拟合出其对应信贷风险区间范围。后通过对企业贷款利率与流失率的拟合分析，建立双规划模型，采用模拟退火算法，针对不同实力、不同信誉等级企业不同的信贷风险，制定其信贷策略，既满足银行低风险策略，也能达到银行营利的目的。肺炎疫情的爆发对各行业、各类别企业的生产经营和经济效益造成了不同程度的影响。根据企业的信誉不受突发因素影响，贝叶斯神经网络模型具有一定的容错能力，其不仅仅可以运用于信贷风险的评估，还可以在商品销售的预测、水文预测、地质分析、生物工程方面也有广泛的应用。层次分析法是一种成熟的分析评价方法，可以广泛运用到社会经济管理领域中许多的不确定性问题，可以起到很好的分析效果。因此在各企业原来的信贷风险基础上，银行需要综合考虑企业生产经营和经济效益几方面的因素对其信贷风险造成的影响，重新调整年度信贷总额为1亿元时的信贷策略。因此利用专家打分的层次分析法(AHP)对各行业、各类别企业的信贷风险影响程度进行综合评价，对银行信贷收益函数模型进行改进，从而调整银行信贷策略。AHP方法评价行业影响程度采用SPSS25.0对上述指标体系进行层次分析法，当然它是在问题层次模型的基础上建立起来的，判断层次结构中各指标的相对重要性，利用专家打分法构造其判别矩阵，共需构造5个判别矩阵Ak(k=1，2，3，4，5)。将所有因素进行两两分组，逐一比较，为了将不同性质的因素相互比较的困难降到最低，我们利用相对尺度以提高准确度，判断矩阵Ak的标度方法。max表示判断矩阵最大特征根的特征向量，经过归一化记为A。层次单排序即为A的元素为同一层次元素相对于上一层元素来评判某因素相对重要性的排序权值的一个过程。在分析评价时，按照构建的综合评价模型来计算各方案的综合评价值，通过综合评价值推出最优最好的方案或对这些方案按顺序排列，但是有时候“属性值”并不是完全精确的，也可能随时间变化，而且受主观影响较大，这样，方案排序的结果就显得不可靠。因此对于评价结果进行灵敏度分析，也就是需要知道决策信息的变化对方案排序结果的影响程度。层次分析法从根本上来看属于一种简单的线性加权法，只是将问题分而治之，切分成多个层次来逐一解决。

3结语

本文选择贝叶斯神经网络拟合算法，建立商业银行企业客户信贷风险评价模型，快速、易于训练，给出了它们所需的资源能带来良好的表现。其中BP算法收敛速度慢，易于陷入局部极小值，从而找不到整体最优点，SVM模型训练有一定难度，拟合效果较差。利用完成学习过程的网络测试样本数据，发现测试精度较高。但其输入变量不能是相关的，其成为模型缺点所在，也是后续值得思考优化的问题。由于信贷风险是受多种因素共同影响的结果，很难给出其各种因素共同作用的公式，而神经网络模型很好解决了这个问题，它具有较强的自组织、自适应与学习能力，能够在未完全了解所有风险因素的变化趋势下，完成各种评价指标变量之间的相关性映射。对于银行信贷政策而言既要满足利润的最大化，同时也要保证风险的可控性，针对于此建立的双目标规划模型，可以使得规划者和决策者各司其职。但是在多目标问题中各个目标是不可公度的。层次分析法把研究对象看成一个整体，进行一系列的拆分和分解，从而进行比较和判断，完成决策。利用层次分析法来分析企业在受到突发因素影响时各行业的状况，将每个层次中的每个因素对结果的影响程度进行量化，非常清晰明确。但是选择备选方案层时依据企业名称划分行业具有较大的人为主观性，其分析结果不够准确。

参考文献

[1]李帅鹏.基于贝叶斯决策规则的商业银行信贷风险研究[D].武汉:淮北师范大学,2020.

[2]许士春,张婧男.肺炎疫情对企业影响调查与一季度经济预测[J].淮海文汇,2020(01):8-14.

[3]吕文.我国商业银行中小企业客户信用风险评级方法的研究[D].苏州:苏州大学,2019.

[4]龙泽栋.基于BP神经网络的商业银行信贷风险评估研究[D].武汉:湖北工业大学,2018.

[5]张虹婧.C商业银行成都分行中小企业信用风险管理研究[D].成都:电子科技大学,2018.

作者：杨惟伊 单位：西安外国语大学商学院