基于BP神经网络的上市公司信用风险评价

基于BP神经网络的上市公司信用风险评价

　一、引言
　　
　　信用风险管理对于商业银行而言是一个永恒的主题，特别是东南亚金融危机后，更引起各国的关注和重视。无论银行还是中介机构都迫切需要利用新的技术和方法对企业信用状况做出较为准确的评价与决策。目前常用的统计方法有判别分析法、Logistic回归法及主成分分析法、聚类分析法等，由这些方法建立起来的统计模型确可对信用评级提供较具科学性的分析，但这些统计模型都存在如下缺陷：第一，所有的模型所采取的各种变量，不论是不是财务指标，都来自研究者的主观选取，很难断言没有重要变量被遗漏。第二，线性多元判别分析对变量的基本假设是多元正态分布，但许多实证资料大半违反此假设，又假设不同群组间的协方差矩阵相等，有违两组样本来自两个分立群体的直觉。第三，线性概率模型无法符合“概率”的定义要求，存在先天瑕疵。自20世纪80年代末，西方发达国家将人工智能引入银行业，协助银行进行贷款决策，这其中，尤其人工神经网络在企业财务分析中显示了巨大的优势和潜力。在我们国家，无论是用统计方法，还是用神经网络技术来研究信用风险，目前都尚处于起步阶段。杨保安，李海（2001）利用BP神经网络对企业财务危机进行了预警研究；柳炳祥，盛昭翰（2002）利用粗神经网络对企业财务危机进行了分析；朱顺泉则对同一样本数据分别采用主成分分析和模糊综合评价方法研究了上市公司财务状况问题。本文将在朱顺泉文章样本数据的基础上，运用神经网络方法对公司信用评级做进一步的探讨。
　　
　　二、样本的选择与指标的选取
　　
　　样本数据的来源如前面所述，将保持与朱顺泉文中的一致，以便进行比较。该样本数据是从《中国证券报》2000年4月4日披露的财务数据表中选取的20家公司、15个评价指标值。各项评价指标依次为：主营业务利润率（X1）、净资产收益率（X2）、总资产收益率（X3）、流动比率（X4）、速动比率（X5）、总资产周转率（X6）、存货周转率（X7）、应收账款周转率（X8）、固定资产周转率（X9）、股东权益周转率（X10）、经营活动现金流量与净利润比率（X11）、主营收入现金流量（X12）、净利润增长率（X13）、长期负债比率（X14）、股东权益比率（X15）。由于指标体系中各指标均有不同的量纲，给评价带来许多困难，因此有必要将不同量纲的评价指标，通过适当变换，转化为无量纲的标准化指标。经标准化处理后的数据如表1所示。
　　
　　三、基于BP算法的信用风险评价模型
　　
　　BP算法是一种有监督的学习算法，它利用均方误差最小和梯度下降法来实现对网络连接权值和偏置权值的修正。其学习的基本思路是：先将各单元间的连接权和偏置权设置为一个小的随机数，然后选择一个训练样本，并计算样本的误差梯度。这涉及到两个过程：一个是前向过程，将输入值通过各个单元的传递，直至输出单元得到网络的输出结果为止；另一个是反向过程：把实际输出值和期望输出值之间的误差通过输出层逐步返回到输入层，并调整连接权值和偏置权值，直至样本的实际输出值和期望输出值之间的误差小于预先给定的值为止。
　　 现建立一个具有三层的BP网络来解决这一分类问题。网络的输入变量采用能反映企业偿债能力、赢利能力、发展能力等的15项指标来构成,相应地，神经网络结构中的输入层需要15个结点。对于输出层，我们取3个结点，用输出值（1，0，0），（0，1，0），（0，0，1）分别代表“信用好”、“信用一般”、“信用差”三种信用级别。隐层的结点一般应满足2n＞m，其中n为隐层结点数，m为训练样本数。由于本文中样本数将取为15（其余5个样本用于仿真），这里n不妨取为5，即隐层有5个结点。该神经网络结构如图1所示。
　　根据图1的网络结构，我们可建立如下的基于BP算法的信用风险评价模型：
　　用向量表示为：Y=g{V［g（WX）+B1］+B2}
　　运用Matlab中的神经网络工具箱技术，当我们把最大训练步数设定为8000，误差指标设为0.02，学习率为0.01时，得到了表1所示的结果。继续运用学习得到的W、V、B1、B2值对剩下的五个公司进行仿真，可得到如表2所示的结果。从表2可以清晰地看到神经网络仿真的结果与朱文中主成分分析的结论是大致吻合的。
　　
　　四、结论
　　
　　第一，基于神经网络的企业信用风险评价模型，运用了神经网络系统的容错能力、并行处理能力、抗干扰能力及处理非线性问题的能力，不需要主观确定各指标的权值，并且实验结果表明，BP神经网络技术方法运用到企业信用评级方面是有效的
　　 第二，用BP神经网络进行企业信用风险评级也有一定的局限性，它要求企业无任何超越市场规则的有失公允的交易行为，企业的财务数据必须是真实和准确的。另外，在信用评价中输入变量的选取标准尚需进一步探讨，输入变量除考虑公司企业财务技术的因素外，还应考虑产业及整体经济基本层的 因素。