資源描述：
《BP算法在信用風險分析中的應用》由會員上傳分享，免費在線閱讀，更多相關內容在教育資源-天天文庫。
1、BP算法在信用風險分析中的應用摘要：按照企業(yè)的財務狀況、經(jīng)營狀況以及過往的信用記錄分為“信用好”和“信用差”兩個小組。對于每一家貸款企業(yè)，主要考慮能反映該企業(yè)的還款能力、盈利能力、經(jīng)營效率和資本結構等7個財務比率做為分析變量。關鍵詞：BP算法；信用風險評價模型；信用風險分析ApplicationonBPAlgorithminCreditRiskAnalysisAbstract：Theresearchestablishesacredit-riskevaluationmodelbasedonback-propagationalgorithm.Themodelhasbeenappliedtoeval
2、uatethecreditsof80applicantsinacommercialbankofourcountryin2001.The80dataareseparatedintotwogroups:a“goodcredit”groupanda“badcredit”groupaccordingtotheirfinance,managementandpreviouscreditrecords.Toeachapplicant,itmainlyisconsideredsevenfinancialratesthatcanreflectitsdebtpayingability,profitability,
3、qualityofmanagementandcapitalstructure.TheBPnetworkistrained100times,390timesand800timesrespectively.Thesimulationsshowthat,whenthenetworkistrained800times,itenterssteadystateandtheperformancefunctionreachesoptimalvalue.Andtheclassificationaccuracyrateis98.75%.Inaddition,thepaperalsopresentsalearnin
4、galgorithmandstepsoftheBPnetwork.Keywords：BPalgorithm；Creditriskevaluationmodel；Creditriskanalysis1.引言信用風險分析是指信用評級機構根據(jù)科學的指標體系，采用嚴謹?shù)姆治龇椒ǎ\用簡明的文字符號，對被評級單位履行經(jīng)濟責任的能力及其可信任程度進行客觀公正的評價，并確定其信用等級的一種經(jīng)濟活動。對貸款企業(yè)進行信用評級，建立相應的信用風險評價模型，并運用此模型預測某種事態(tài)或性質發(fā)生的可能性，以便及早發(fā)現(xiàn)信用危機信號，使貸款企業(yè)能夠在危機出現(xiàn)的萌芽階段，采取有效措施，改善經(jīng)營方式，防范危機發(fā)生；使銀行可依據(jù)
5、這種信號及時轉移資產(chǎn)，管理應收賬款及作出信貸風險決策。建立貸款企業(yè)的準確審核模型，提高銀行的貸前審核質量，對提高信貸資產(chǎn)的安全性并減少不良資產(chǎn)的產(chǎn)生有極其重要的現(xiàn)實意義。2信用風險評價模型本文所采用的數(shù)據(jù)樣本，是從我國某國有商業(yè)銀行2001年選取80家貸款企業(yè)，按照其財務狀況、經(jīng)營狀況以及過往的信用記錄分為“信用好”和“信用差”兩個小組，其中“信用好”的小組是由那些能夠按時償還貸款的企業(yè)組成；“信用差”的小組是由那些不能按時償還貸款的企業(yè)組成。我們從每個小組中選取40個樣本，訓練集是由每個小組中的25個樣本構成，因此訓練集含有50個樣本，余下的30個樣本構成測試集。我們將考慮能反映貸款企業(yè)的還
6、款能力、盈利能力、經(jīng)營效率、經(jīng)營周轉率和資本結構等的7個財務比率：我們定義兩類錯誤：第一類錯誤是將“信用差”的貸款企業(yè)誤判為“信用好”的貸款企業(yè)；第二類錯誤是將“信用好”的貸款企業(yè)誤判為“信用差”的貸款企業(yè)。為了確定網(wǎng)絡結構，我們在MATLAB神經(jīng)網(wǎng)絡工具箱中輸入貸款企業(yè)的74個指標變量值和相應的目標值，可得如下BP網(wǎng)絡結構：輸入層含有7個結點，隱層含有4個結點，輸出層含有1個結點（見圖1）。（期望輸出）圖1BP網(wǎng)絡結構根據(jù)圖1的網(wǎng)絡結構，可得到基于BP算法的信用風險評價模型如下： (1)模型(1)可用向量表示為：其中是輸入向量，是輸出向量，（，）是輸入層和隱層之間的連接權
7、，是隱層和輸出層之間的連接權，和分別是隱層和輸出層的偏置權向量，隱層結點的傳遞函數(shù)及網(wǎng)絡輸出函數(shù)均采用logistic函數(shù)，即：3仿真結果分析我們設定誤差指標值為，取學習率，將80個樣本分為訓練樣本（50個）和測試樣本（30個），然后對BP網(wǎng)絡分別訓練100次、390次和800次。設表示網(wǎng)絡訓練次數(shù)，此處分別取390，800（下同）。當網(wǎng)絡訓練次時，設樣本輸出值為，原目標值為，用表示樣本輸出值與原
