頁腳內(nèi)容頁腳內(nèi)容基于AHP法和BP神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行客戶信用評估模型美國次貸危機和希臘主權(quán)債務(wù)危機使人們對次貸風(fēng)險的防范意識有了更進一步的增強,特別是對金融衍生產(chǎn)品創(chuàng)新中風(fēng)險度量、風(fēng)險控制甚至風(fēng)險管理的理論和方法進行了深層次全方位的審視和思考.毫無疑問,次貸風(fēng)險的防范應(yīng)該從信貸源頭即商業(yè)銀行客戶開始.商業(yè)銀行對客戶的信用評估是銀行貸款的核心內(nèi)容,對銀行客戶的信用等級評估是否合理、科學(xué)、準(zhǔn)確關(guān)系著銀行貸款承擔(dān)風(fēng)險的大小.因此,準(zhǔn)確評價客戶信用對銀行來說至關(guān)重要.商業(yè)銀行客戶基數(shù)大,屬性多,而且不同客戶有著其各自不同的特點,銀行不可能依次對每一個用戶進行分析來確定其信用程度,這在時間、人力以及效率等方面都是不可取也是不現(xiàn)實的,那么銀行應(yīng)該按照一種特定的指標(biāo)體系在擁有客戶登記表的情況下對客戶進行信用評估,這種特定的體系就是本文將要提出的基于AHP法和BP神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行客戶信用評估模型.問題分析商業(yè)銀行信貸最關(guān)心的是客戶的信用程度和償還能力以及在此基礎(chǔ)上所能獲得的最大利潤問題,銀行在評估客戶信用程度時,是基于客戶所提交的客戶登記表來進行的,比如年齡、職業(yè)、學(xué)歷、月收入、信用額度、信用歷史等都是評估客戶的要素.根據(jù)客戶信息,銀行在借貸時自然更偏重于那些職業(yè)較好、收入較高、信用歷史較好的客戶,但是這類客戶很可能學(xué)歷較低、信用額度偏大,這使得銀行很難判斷其真正的信用程度.因此,為了更加公正、客觀的評估每個客戶的信用程度,銀行首先應(yīng)該對客戶所提交的客戶登記表里的信息資料進行初步評分,基于對現(xiàn)實的考慮,在本文中,假設(shè)銀行主要對客戶的24項基本資料進行評分,也就是說客戶的信用程度就是通過這24項評估指標(biāo)所建立起來的（如圖1所示）[1].考察這24項指標(biāo)，按先后順序編號為x,x,,x，其中前9項決定客戶的特征,1224中間8項決定客戶的償還能力,最后7項決定客戶的信用狀況,由圖1可知,銀行對客戶的信用程度的評估就是基于這3大項的加權(quán)所得.根據(jù)BP（全稱為BackPropagation）神經(jīng)網(wǎng)絡(luò)的算法，銀行可采用大量的數(shù)據(jù)進行訓(xùn)練學(xué)習(xí),使各個分量的權(quán)重最后趨于穩(wěn)定,然后以此來計算客戶的信用程度.由于在現(xiàn)實中很難找到大量、準(zhǔn)確、可靠的數(shù)據(jù)來完成訓(xùn)練學(xué)習(xí)這個過程,因此,為了避免BP神經(jīng)網(wǎng)絡(luò)算法在初始化時采用隨機數(shù)取值所帶來的較大誤差,本文首先采用層次分析法（AnalyticHierarchyProcess簡稱AHP）對24小項以及3大項的權(quán)重進行計算,確定初始化數(shù)據(jù),然后再利用BP神經(jīng)網(wǎng)絡(luò)算法進行訓(xùn)練學(xué)習(xí).頁腳內(nèi)容頁腳內(nèi)容24圖1商業(yè)銀行客戶信用評估指標(biāo)體系湖北埋丄學(xué)院畢業(yè)設(shè)計（論文）任務(wù)書湖北埋丄學(xué)院畢業(yè)設(shè)計（論文）任務(wù)書湖北理丄學(xué)院畢業(yè)設(shè)計(論文)仕務(wù)書湖北理丄學(xué)院畢業(yè)設(shè)計(論文)仕務(wù)書頁腳內(nèi)容頁腳內(nèi)容頁腳內(nèi)容頁腳內(nèi)容最后,根據(jù)所得結(jié)果的不同分值,我們將客戶信用程度分為五類,分別用綠、藍、黃、橙、紅5種顏色表示客戶從高到低的信用程度[1].綠色:表示該客戶信用程度高,不必擔(dān)憂其會發(fā)生不按期償還貸款的情況.藍色:表示該客戶信用程度較高,只要在還款期限之前進行適當(dāng)提醒該用戶就能保證按時還款.黃色:表示該客戶信用程度一般,只要及時催促,就能保證其按時還款.橙色:表示客戶信用程度較低,為了保證客戶按時還款,應(yīng)該加強與用戶之間的聯(lián)系,在借貸時也要適當(dāng)進行決策.紅色:表示該用戶信用程度差,銀行在借貸時應(yīng)該考慮是否要對其進行貸款.模型的假設(shè)分別對AHP法和BP神經(jīng)網(wǎng)絡(luò)算法中所涉及到的變量以及其他因素進行假設(shè).AHP算法所涉及到的比較矩陣是根據(jù)Saaty等人提出來的1-9尺度法進行度量的,在具體的矩陣擬定中,對人為因素所造成的誤差忽略不計.基于現(xiàn)實以及計算考慮,在商業(yè)銀行客戶信用評估指標(biāo)體系中,本文僅選取24項,其余指標(biāo)不予考慮,設(shè)x,x,,x分別表示客戶登記表中的24小項的分值,1224在實際的銀行信貸過程中,只要客戶填寫了客戶登記表,那么這24項的值就隨之確定.3?用y,y,y表示各個小項所屬的大項，分別為客戶特征、償還能力以及信用123狀況;用Z表示客戶的信用程度.4?在BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，假定輸出單元的閾值為0.5.基于商業(yè)銀行客戶登記表中的屬性評分標(biāo)準(zhǔn)(按1-5之間的整數(shù)打分,分?jǐn)?shù)越高,表示信用卡持有者該屬性表現(xiàn)越好),本文將根據(jù)最后所求得的Z值的區(qū)間[0,1]將其劃分為5個小區(qū)間,即[0,0.2),[0.2,0.4),[0.4,0.6),[0.6,0.8),[0.8,1.0],從低到高分別代表紅、橙、黃、藍、綠五個等級,根據(jù)最后所求Z值落入的區(qū)間來確定該客戶的信用等級.模型的建立用ahp法獲得bp神經(jīng)網(wǎng)絡(luò)算法的初始權(quán)值A(chǔ)HP法是將定性分析和定量計算相結(jié)合的一種綜合計算方法,可將決策問題分為三個層次,即最上層、中間層和最下層,其分別為目標(biāo)層、準(zhǔn)則層和方案層,在具體問題中,具有廣泛的實用性.在AHP法中,為了確定同一層次間各因素對上層

影響所占的比重，下面我們將引入一種比較科學(xué)合理的比較尺度，即1-9尺度法[3]比較尺度:在比較兩個不同性質(zhì)的因素C和C.對于上層因素O的影響時,為ij了使得到的數(shù)據(jù)科學(xué)合理，本文采用Saaty等人提出來的1-9尺度法，即尺度a的ij取值范圍為1,2,9及其互反數(shù)1,1/2,1/9,如下表1.尺度aij含義???1…C和C的影響相同ij3C比C的影響稍強ij5C比C的影響強ij7C比C的影響明顯地強ij9C比C的影響絕對地強ij2,4,6,8C比C的影響之比在上述兩個相鄰等級之間ij111-一‘2，pC比C的影響之比與上相反“強”改為“弱”ij表11-9尺度a的含義表ij

基于上述的比較尺度,以及參考了銀行在實際信貸過程中考慮因素的重要性,本文擬定以下比較矩陣來表示在客戶特征、償還能力、信用狀況中,商業(yè)銀行信用評估各指標(biāo)之間的相對重要性,具體圖表如下:yi23456789x1x2x3xyi23456789x1x2x3x4x5x6x7x811251514131412131411114631415湖北理丄學(xué)院畢業(yè)設(shè)計（論文）任務(wù)書湖北理丄學(xué)院畢業(yè)設(shè)計（論文）任務(wù)書湖北理丄學(xué)院畢業(yè)設(shè)計（論文）仕務(wù)書湖北理丄學(xué)院畢業(yè)設(shè)計（論文）仕務(wù)書頁腳內(nèi)容頁腳內(nèi)容頁腳內(nèi)容頁腳內(nèi)容x9111111—1————1—1417856121表2客戶特征中各指標(biāo)的比較矩陣y-x1的相對重要性比較矩陣,以此來確定商業(yè)銀行客戶信用評估指標(biāo)中各主要元素的權(quán)重.zyiy2y311y1——i34y31221y4132表5評估體系中y,y,y的比較矩陣z-y123模型算法設(shè)計及實現(xiàn)2.1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計BP神經(jīng)網(wǎng)絡(luò)算法是由一個輸入層、一個或多個隱含層和一個輸出層組成,在本文中，與之對應(yīng)的分別是AHP算法中的方案層、準(zhǔn)則層和目標(biāo)層實驗證明，三層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)應(yīng)用最為廣泛.因此，本文也采用了典型的三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[4],其中輸入層節(jié)點數(shù)為24,分別對應(yīng)客戶信用評估的24個指標(biāo),輸出層節(jié)點數(shù)為1,表示商業(yè)銀行客戶信用程度.經(jīng)驗顯示,較好的隱含層節(jié)點數(shù)應(yīng)介于輸入節(jié)點和輸出節(jié)點數(shù)量之和的50%~70%之間[6],本文通過固定樣本針對不同隱含層節(jié)點數(shù)進行訓(xùn)練,權(quán)衡運行效率、訓(xùn)練次數(shù)和網(wǎng)絡(luò)總誤差,最終確定隱含層節(jié)點數(shù)為3,如圖2所示.圖2三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖以三層為例，令X={x,x,x}為網(wǎng)絡(luò)輸入,即為各個指標(biāo)的評價12n值,Y={y,y,y}為隱含層輸出,Z為網(wǎng)絡(luò)的實際輸出，即對信用風(fēng)險的評價值.12l其中，輸入層節(jié)點i到隱含層節(jié)點的權(quán)重為V而隱含層節(jié)點j到輸出層節(jié)點的權(quán)j湖北理丄學(xué)院畢業(yè)設(shè)計(論文)仕務(wù)書湖北理丄學(xué)院畢業(yè)設(shè)計(論文)仕務(wù)書頁腳內(nèi)容頁腳內(nèi)容重為W，用0和申分別表示輸出單元和隱含單元的閾值，則：jjy二f(8)=fQVx-9]is1sijiji=1(1)Z=f(Z=f(0)=f律wy-0]ssjij=1其中,2.2BP算法的實現(xiàn)步驟11+e-x(2)(3)2.2.1模型算法設(shè)計根據(jù)BP神經(jīng)網(wǎng)絡(luò)和AHP算法的特征，建立改進的BP神經(jīng)網(wǎng)絡(luò)算法[1],如下圖3所示.圖3改進的BP神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)流程圖2.2.2模型算法的實現(xiàn)模型算法的實現(xiàn)步驟如下:(1)傳遞函數(shù)的確定[4].傳遞函數(shù)是反映下層輸入對上層節(jié)點刺激脈沖強度的函數(shù),又稱刺激函數(shù),一般取為(0,1)內(nèi)連續(xù)取值Sigmoid函數(shù):f(x)=$—(3)s1+e-x誤差計算模型是反映神經(jīng)網(wǎng)絡(luò)期望輸出與計算輸出之間誤差大小的函數(shù).設(shè)第j個單元節(jié)點輸出的誤差為E,則總誤差為:kE二—工E二—工》(y-T)⑷2nk2njkjki=1i=1k=1其中,T是第j個節(jié)點的期望輸出值,y是第j個節(jié)點的實際輸出值.jkjk(2)參數(shù)確定[1].首先依據(jù)Saaty等人提出的1-9尺度法構(gòu)造比較矩陣y-x1y2-x、y3-x和z-y?通過比較矩陣最大特征根和特征向量的和法算法㈤求得各比較矩陣的最大特征根九和特征向量W=(①,①，①)T.TOC\o"1-5"\h\zi12t和法算法:a?將A的每一列向量歸一化得匯=a/工aijijiji=1(5)b?對匯按行求和得g~=￡G~ijiijj=1(6)C.將w歸一化①=W/工厲,iiiii=1(7)而W(①,①,①)即為所求特征向量.12nd?計算九=丄￡空丄，作為最大特征根的近似值.n.?①i=1i而W=(w,①,①)T即為所求權(quán)重向量?由于通過AHP法所得到的結(jié)果具有很好i12t的一致性,因此參數(shù)的改變對運算結(jié)果不會有太大的影響.(3)初始化?將樣本計算器p和訓(xùn)練次數(shù)計數(shù)器q都置為1,誤差E置為0?為了更加精確的得到從輸入層到隱含層的權(quán)重V以及從隱含層到輸出層的權(quán)重W,ijj本文首先采用AHP法對權(quán)重V和W進行了初步確定，從而避免了常規(guī)BP神經(jīng)網(wǎng)ijj絡(luò)算法采用隨機數(shù)進行初始化所帶來的誤差,既縮短了BP算法對樣本訓(xùn)練學(xué)習(xí)的周期,又提高了計算結(jié)果的精確度.

(4)訓(xùn)練學(xué)習(xí).神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)的過程就是對樣本各權(quán)重進行調(diào)整并使其趨于穩(wěn)定的過程,原則是使誤差不斷減小.訓(xùn)練學(xué)習(xí)過程如下:TOC\o"1-5"\h\zAo二耳(d-z)(1一z)zy,j二1,2,3;(8)j11111jAv二耳(d-z)z(1-z)o(1-z)ox,j=1,2,3;(9)ij1111j11j1in=n+a(E-E)/E.(10)p(n)p(n-1)p(n)其中,d為期望輸出值洱為學(xué)習(xí)率，于(0,1)間取值，是為了保證BP算法的收斂性，所1以,采用上述優(yōu)化方法來確定.a為動量因子，是為了避免樣本訓(xùn)練時BP算法陷于局部極小點,取0<n<a<1;E為期望輸出與實際輸出之間的誤差.對于每一個輸p(n)入的樣本，計算相應(yīng)的Ao和Av，得到權(quán)值的調(diào)整公式：j=1,2,3;(11)(12)TOC\o"1-5"\h\zj=1,2,3;(11)(12)o=o-Ao,j1j1j1V二v-Av,j二1,2,3.ijijij1(5)網(wǎng)1絡(luò)誤差.計算網(wǎng)絡(luò)輸出誤差,設(shè)共有P個訓(xùn)練樣本1(5)網(wǎng)1絡(luò)誤差.計算網(wǎng)絡(luò)輸出誤差,設(shè)共有P個訓(xùn)練樣本,網(wǎng)絡(luò)對應(yīng)不同的樣本有不同的誤差Et，用其均方根E=：1/p?蘭(￡t)(13)rcm't=1作為網(wǎng)絡(luò)的總誤差.其中t為計數(shù)器.每對樣本完成一次訓(xùn)練學(xué)習(xí),都會檢查總誤差是否達到精度要求或者訓(xùn)練次數(shù)是否達到上限值,若是,則停止,否則轉(zhuǎn)到(4),直到符合要求為止.模型的求解及應(yīng)用樣本訓(xùn)練基于AHP法和BP神經(jīng)網(wǎng)絡(luò)算法的基本思想而建立的BP神經(jīng)網(wǎng)絡(luò)客戶信用等級評估模型,其輸入層為24個神經(jīng)元,分別對應(yīng)客戶信用評估的24項指標(biāo),根據(jù)這24項指標(biāo),確定了影響客戶信用評估的三大要素,即客戶特征、償還能力和信用狀況,最終由這三大指標(biāo)確定客戶的信用程度.本文隨機抽取了10份商業(yè)銀行客戶登記表作為研究對象,并對其中的定性指標(biāo)進行了公正合理的打分,每個指標(biāo)打分的范圍為［1,5］之間的整數(shù).即可得到一個樣本矩陣：湖北理丄學(xué)院畢業(yè)設(shè)計（論文）仕務(wù)書湖北理丄學(xué)院畢業(yè)設(shè)計（論文）仕務(wù)書湖北理丄學(xué)院畢業(yè)設(shè)計（論文）仕務(wù)書湖北理丄學(xué)院畢業(yè)設(shè)計（論文）仕務(wù)書頁腳內(nèi)容頁腳內(nèi)容12315243S45332325421324137-123225321■1321-I321542321■131213431231521314212315113154112123■11■121331■12252■13■150x24—-I2513;■1235154213221;3231252342112135212]4422553■12■135235■153211512■114125413■41■13152311-14-1323431223141122345422J■134413■I132由AHP法即可得到分別對應(yīng)的權(quán)重向量:v二[0.068966,0.020690,0.179310,0.289655,0.117241,0.0206897,0.027568,0.06j18966,0.020690]Tv二[0.150442,0.212389,0.061947,0.203540,0.026549,0.176991,0.115044,0.053097]Tv二[0.211765,0.341176,0.094118,0.105882,0.117650,0.105882,0.129412卩j3?二[0.083333,0.500000,0.416667卩耳將其作為初始化數(shù)據(jù)，在BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中進行訓(xùn)練學(xué)習(xí),最終可求得：Z=[0.564539,0.563337,0.363566,0.846153,0.363095,0.736227,0.463543,0.163985,0.713585,0.413209]T即為這10個客戶的最終得分.評估分析基于上述擬定的評估等級,即可確定出這10名客戶的信用等級,如表6所示：客戶Z值誤差信用等級客戶10.5645390.000106黃色

客戶20.5633370.000089黃色客戶30.3635660.000092橙色客戶40.8461530.000096綠色客戶50.3630950.000086橙色客戶60.7362270.000095藍色客戶70.4635430.000091黃色客戶80.1639850.000098紅色客戶90.7135850.000092藍色客戶100.4132090.000087黃色表6客戶信用等級表為了便于銀行對數(shù)據(jù)進行統(tǒng)計分析,現(xiàn)將表6中各個客戶的