基于免疫規(guī)劃的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估方法研究*

河北金融學(xué)院 柳凌燕 王憲明

河 北 大 學(xué) 胡繼成

一、引言

商業(yè)銀行作為金融體系的核心，對(duì)國(guó)民經(jīng)濟(jì)的穩(wěn)定起著極為重要的作用。信用風(fēng)險(xiǎn)是商業(yè)銀行面臨的主要風(fēng)險(xiǎn)，加強(qiáng)信用風(fēng)險(xiǎn)的管控也是世界各國(guó)金融監(jiān)管機(jī)構(gòu)的重要工作。諾貝爾獎(jiǎng)獲得者、美國(guó)經(jīng)濟(jì)學(xué)家默頓米勒曾指出，在某些方面，信用風(fēng)險(xiǎn)是引起金融危機(jī)的三個(gè)風(fēng)險(xiǎn)中最關(guān)鍵因素。全球經(jīng)濟(jì)一體化，資本跨境流動(dòng)更為頻繁，由信用風(fēng)險(xiǎn)所引發(fā)的銀行倒閉和金融危機(jī)的發(fā)生頻率上升，周期縮短。1995年以來(lái)，日本曾有多家商業(yè)銀行和信用社因信用風(fēng)險(xiǎn)敞口暴露而導(dǎo)致企業(yè)倒閉。2007年爆發(fā)的美國(guó)次貸危機(jī)，迅速蔓延至全球金融領(lǐng)域，導(dǎo)致部分大型跨國(guó)金融集團(tuán)、商業(yè)銀行和投資銀行等金融機(jī)構(gòu)損失慘重，部分甚至破產(chǎn)清算或業(yè)務(wù)重組。此次金融危機(jī)的發(fā)生使人們深刻意識(shí)到信用風(fēng)險(xiǎn)問(wèn)題不僅影響商業(yè)銀行的自身穩(wěn)健經(jīng)營(yíng)，而且還會(huì)嚴(yán)重沖擊宏觀經(jīng)濟(jì)的正常運(yùn)行，甚至引發(fā)全球性的金融海嘯或經(jīng)濟(jì)衰退。

近年，我國(guó)商業(yè)銀行陸續(xù)完成股份制改造，在法人治理結(jié)構(gòu)和風(fēng)險(xiǎn)管理方面取得了長(zhǎng)足進(jìn)步。但由于資本市場(chǎng)開(kāi)放程度不高，以及隱性存款保險(xiǎn)的支持，使得國(guó)內(nèi)商業(yè)銀行的風(fēng)險(xiǎn)管理水平存在較大差距，尤其在信用風(fēng)險(xiǎn)管理仍然存在諸多不足。隨著我國(guó)加入世界貿(mào)易組織進(jìn)程的不斷深化和我國(guó)金融業(yè)務(wù)的逐漸放開(kāi)，外資銀行和投資機(jī)構(gòu)涌入我國(guó)金融市場(chǎng)，并獲得與國(guó)內(nèi)銀行平等競(jìng)爭(zhēng)的權(quán)利。與此同時(shí)，我國(guó)的商業(yè)銀行也會(huì)逐步開(kāi)拓海外金融市場(chǎng)，所以我們即將面臨的是來(lái)自全球范圍內(nèi)的商業(yè)銀行和投資機(jī)構(gòu)之間的激烈競(jìng)爭(zhēng)。如何提高我國(guó)的商業(yè)銀行的信用風(fēng)險(xiǎn)評(píng)估水平成為我們亟待解決的問(wèn)題。

國(guó)外研究者從事商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估方面研究始于20世紀(jì)60年代，根據(jù)評(píng)估方法的不同大致可分為五大類，即多元判別分析法、多元非線性回歸分析法、人工智能、組合信用風(fēng)險(xiǎn)評(píng)估建模以及信用風(fēng)險(xiǎn)內(nèi)部評(píng)估。多元判別分析法是研究多個(gè)元素之間相互關(guān)系的一組統(tǒng)計(jì)方法。在信用風(fēng)險(xiǎn)評(píng)估方面的研究最早始于1966年，是除美國(guó)以外其他國(guó)家應(yīng)用最為廣泛的信用風(fēng)險(xiǎn)評(píng)估方法。其中最具代表性的是Z-score模型、ZETA模型和logit回歸模型。該種方法的不足之處是必須以大量、可靠的歷史統(tǒng)計(jì)數(shù)據(jù)為基礎(chǔ)，這在發(fā)展中國(guó)家是難以具備的前提條件。20世紀(jì)80年代提出了多元非線性回歸分析法，其中最常用的是Logistic模型和Probit模型，該類方法的提出是由于多元線性回歸模型在實(shí)際應(yīng)用中存在一定的局限性，即無(wú)法解決違約與影響因素之間存在非線性關(guān)系的問(wèn)題。到20世紀(jì)80年代后期，隨著人工智能技術(shù)的在各個(gè)領(lǐng)域的廣泛應(yīng)用，人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)成為了人工智能方法在信用風(fēng)險(xiǎn)評(píng)估領(lǐng)域的代表模型。其中人工神經(jīng)網(wǎng)絡(luò)模型由于強(qiáng)大的非線性處理能力和良好的魯棒性，在破產(chǎn)預(yù)測(cè)和銀行信用風(fēng)險(xiǎn)方面比多元判別分析法具有更顯著的優(yōu)勢(shì);支持向量機(jī)方法具有較強(qiáng)的操作性和適合解決有限樣本問(wèn)題兩方面的特點(diǎn)，在應(yīng)用于解決財(cái)務(wù)危機(jī)預(yù)警方面取得了良好的預(yù)測(cè)效果。組合信用風(fēng)險(xiǎn)評(píng)估建模是在資本市場(chǎng)的發(fā)展和信用風(fēng)險(xiǎn)復(fù)雜化的背景下提出的，最具代表性的是KMV公司推出的CMM信用監(jiān)測(cè)模型，是當(dāng)前最著名的信用風(fēng)險(xiǎn)度量模型之一。內(nèi)部評(píng)級(jí)法(IRB)是于2001年巴塞爾委員會(huì)在推出《新巴塞爾資本協(xié)議草案》征求意見(jiàn)稿中推出的。到2003年，美國(guó)貨幣監(jiān)理署(OCC)確定了內(nèi)部評(píng)級(jí)系統(tǒng)的特征和關(guān)鍵組成部分，進(jìn)一步細(xì)化了銀行內(nèi)部評(píng)級(jí)系統(tǒng)的要求。

我國(guó)學(xué)者從1998年開(kāi)始關(guān)注信用風(fēng)險(xiǎn)評(píng)估方法的研究，主要研究成果大多是關(guān)于國(guó)外信用風(fēng)險(xiǎn)研究的介紹，深入系統(tǒng)的理論及應(yīng)用方法研究較少，且早期的研究大多注重對(duì)銀行信用風(fēng)險(xiǎn)理論基礎(chǔ)和模型框架的介紹與分析，近年開(kāi)始進(jìn)行實(shí)證研究。陳忠陽(yáng)對(duì)信用風(fēng)險(xiǎn)評(píng)估的理論、模型和方法進(jìn)行了較為全面地介紹。王春峰等人對(duì)信用風(fēng)險(xiǎn)評(píng)估進(jìn)行了分析，并通過(guò)實(shí)證分析證明了神經(jīng)網(wǎng)絡(luò)相對(duì)于判別分析法具有較高的預(yù)測(cè)精度。方先明等人建立基于Hopfield神經(jīng)網(wǎng)絡(luò)的信用風(fēng)險(xiǎn)評(píng)價(jià)模型，取得了較好的實(shí)驗(yàn)效果。姜琳等人利用DEA方法評(píng)估我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)管理的相對(duì)有效性。楊雨等人構(gòu)建了基于人工免疫機(jī)制的個(gè)人信用風(fēng)險(xiǎn)模型，通過(guò)實(shí)驗(yàn)證明該方法優(yōu)于邏輯回歸模型的預(yù)測(cè)水平。

由于BP神經(jīng)網(wǎng)絡(luò)在風(fēng)險(xiǎn)評(píng)估中的可行性及優(yōu)越性，在20世紀(jì)80年代以來(lái)得到廣泛應(yīng)用，在相關(guān)研究中也得到了驗(yàn)證。傳統(tǒng)的BP網(wǎng)絡(luò)在訓(xùn)練中存在收斂速度慢，且BP網(wǎng)絡(luò)的參數(shù)設(shè)置在一定程度上影響著訓(xùn)練的結(jié)果。針對(duì)BP網(wǎng)絡(luò)的以上不足，本研究將改進(jìn)后的免疫規(guī)劃算法引入BP神經(jīng)的訓(xùn)練過(guò)程，并應(yīng)用到商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估建模中。實(shí)驗(yàn)選取了國(guó)內(nèi)16家上市商業(yè)銀行近6年的財(cái)務(wù)指標(biāo)和監(jiān)管指標(biāo)中與信用風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果相關(guān)19項(xiàng)指標(biāo)數(shù)據(jù)作為樣本，通過(guò)分析銀行數(shù)據(jù)指標(biāo)的特點(diǎn)，采用了融合雙變異算子的免疫規(guī)劃算法應(yīng)用于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程，減少神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果受參數(shù)及初始值的影響。

二、融合雙變異算子的免疫規(guī)劃算法簡(jiǎn)介

免疫規(guī)劃算法于2000年提出，其基本原理是對(duì)生物學(xué)的免疫的概念和原理進(jìn)行人工模擬的過(guò)程。該算法的主要工作包括初始種群的構(gòu)建、免疫疫苗的提取、適應(yīng)度函數(shù)和變異算子的構(gòu)造、疫苗接種和免疫選擇六個(gè)環(huán)節(jié)。其中免疫規(guī)劃算法的核心工作在于免疫疫苗的提取和免疫算子的構(gòu)造方面，而免疫算子的構(gòu)造又包括接種疫苗和免疫選擇兩個(gè)部分。該算法在一定程度上可以抑制進(jìn)化規(guī)劃算法在隨機(jī)迭代搜索過(guò)程中產(chǎn)生的早熟、種群多樣性減少等退化現(xiàn)象以及收斂速度慢等問(wèn)題。但該算法在變異算子的構(gòu)造方面仍存在改進(jìn)的空間，這主要源于原算法其變異算子局限于使用高斯變異，高斯變異在局部搜索方面優(yōu)勢(shì)明顯，但在全局搜索方面存在不足，從而在一定程度上限制了算法的搜索空間。本文結(jié)合考慮了柯西變異在全局搜索以及高斯變異在局部搜索方面的優(yōu)勢(shì)，對(duì)原免疫規(guī)劃算法的變異操作進(jìn)行改進(jìn)，在搜索前期設(shè)計(jì)采用柯西變異算子，在搜索后期采用高斯變異算子，改進(jìn)后的免疫規(guī)劃算法描述如下:

(1)初始種群的產(chǎn)生及其編碼，生成初始種群A0。

(2)根據(jù)先驗(yàn)知識(shí)抽取疫苗H。

(3)進(jìn)行適應(yīng)度的計(jì)算，判斷是否滿足停機(jī)條件。

(4)退火選擇，選用模仿賭輪法。在父代群體Ak=(c1，……，cN)中個(gè)體ci以概率為:

進(jìn)入新的父代群體。上式中，Tk是單調(diào)遞減趨于0的退火溫度控制序列。

(5)設(shè)計(jì)采用雙變異算子對(duì)當(dāng)前父代群體Ak進(jìn)行變異操作生成子代群體Bk。在前期采用柯西變異算子進(jìn)行全局搜索，后期采用高斯變異算子進(jìn)行局部搜索相結(jié)合的方式。種群Ak中的父代(xi，σi)生成子代 Bk(x'i，σ'i)。在前期柯西變異算子的作用下，x'i和σ'i如下所示:

其中，i=1，2，…，n 為 Ak種群的數(shù)量;j=1，2，…m，m為目標(biāo)解的維數(shù);Aj(0，1)為對(duì)分量j產(chǎn)生一個(gè)比例參數(shù)為1的柯西隨機(jī)變量;σi的初始值 σ0=ξ1×Lj，Lj為各目標(biāo)解區(qū)間的長(zhǎng)度;affxi為抗體xi的親和度，affave為當(dāng)代種群所有抗體的平均親合度，affmax和affmin分別為當(dāng)代種群的最大和最小親和度。

在后期高斯變異算子的作用下，x'i和σ'i如下所示:

其中，Nj(0，1)為分量j的標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)變量;σi的初始值為 σ0=ξ2×Lj;μ為比例系數(shù)，0＜μ≤0.1控制步長(zhǎng)在很小的范圍內(nèi)變化;k為進(jìn)化代數(shù)。

(6)對(duì)群體Bk進(jìn)行接種疫苗操作，得到種群Ck。

(7)對(duì)群體Ck進(jìn)行免疫選擇操作，得到新一代父代Ak+1，并轉(zhuǎn)至步驟(2)。

上述算法的狀態(tài)轉(zhuǎn)移可用如下的隨機(jī)過(guò)程來(lái)表述:

其中，下標(biāo)k表示種群進(jìn)化的代數(shù)。對(duì)相對(duì)固定的k來(lái)說(shuō)，從Ak到Ck的狀態(tài)轉(zhuǎn)換構(gòu)成了一個(gè)完整的馬爾可夫鏈。

以上算法對(duì)原免疫規(guī)劃算法的變異操作進(jìn)行了改進(jìn)，結(jié)合了柯西變異全局范圍搜索能力和高斯變異的局部范圍搜索能力，以期提高算法的局部逃逸能力，避免出現(xiàn)早熟和種群退化等問(wèn)題，使算法逐漸逼近全局最優(yōu)解，即提高風(fēng)險(xiǎn)評(píng)估結(jié)果的準(zhǔn)確性。

三、基于免疫規(guī)劃的BP網(wǎng)絡(luò)

本文所提出的融合雙變異算子的免疫規(guī)劃算法主要應(yīng)用于對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，主要考慮到BP網(wǎng)絡(luò)的訓(xùn)練效果受初始值和參數(shù)影響較大的缺點(diǎn)。在使用改進(jìn)后的免疫規(guī)劃算法進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練前需要確定BP網(wǎng)絡(luò)的基本結(jié)構(gòu)，并對(duì)傳輸函數(shù)進(jìn)行選擇。神經(jīng)網(wǎng)絡(luò)的信息處理能力正比于網(wǎng)絡(luò)的隱層數(shù)，一般情況下BP網(wǎng)絡(luò)的隱層數(shù)設(shè)計(jì)不會(huì)超過(guò)三層。這是由于Kolmogorov定理證明了具有三個(gè)隱層的BP網(wǎng)絡(luò)可以解決任意復(fù)雜的模式分類問(wèn)題。本文選擇了三層的BP網(wǎng)絡(luò)，即包含一個(gè)輸入層，一個(gè)輸出層和一個(gè)隱層。隱層的傳輸函數(shù)選擇log-sigmoid函數(shù)如公式(6)所示:

在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練前還需要確定免疫規(guī)劃算法中的抗體的編碼方式和適應(yīng)度函數(shù)。編碼方式一般為二進(jìn)制和十進(jìn)制(實(shí)數(shù)編碼)兩種。由于本實(shí)驗(yàn)選用的數(shù)據(jù)量大，為了減少進(jìn)制轉(zhuǎn)換所帶來(lái)的巨大工作量，避免“維災(zāi)數(shù)”，決定采用基于實(shí)數(shù)的編碼。在適應(yīng)度函數(shù)構(gòu)造方面，首先假設(shè)神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)為M個(gè)，輸出節(jié)點(diǎn)為P個(gè)，訓(xùn)練樣本個(gè)數(shù)為N，則學(xué)習(xí)樣本的誤差E為:

其中dkp為期望輸出，ykp為實(shí)際輸出。由于本文主要對(duì)風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果進(jìn)行預(yù)測(cè)，即輸出節(jié)點(diǎn)為1，則學(xué)習(xí)樣本的誤差E為:

改進(jìn)后的免疫規(guī)劃算法構(gòu)造的適應(yīng)度函數(shù)如下:

其中，η為內(nèi)部調(diào)節(jié)因子。

神經(jīng)網(wǎng)絡(luò)的具體訓(xùn)練過(guò)程如下:

(1)初始種群的產(chǎn)生及其編碼。將神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值作為免疫規(guī)劃的一組抗體進(jìn)行實(shí)數(shù)編碼，每組抗體的編碼代表一個(gè)解;

(2)利用往年的風(fēng)險(xiǎn)評(píng)估值進(jìn)行模糊決策，確定商業(yè)銀行風(fēng)險(xiǎn)的安全區(qū)域即解空間，在解空間內(nèi)隨機(jī)生成初始解，并組成初始種群A0;

(3)將種群Ak中的每個(gè)個(gè)體作為神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，通過(guò)計(jì)算得出神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出 YkN=(yk1，yk2，…，yki，…，ykn);其中，yki為經(jīng)過(guò)公式(6)計(jì)算得出的一組實(shí)際輸出值其維數(shù)與訓(xùn)練集的樣本數(shù)相等，Ak種群的個(gè)體總數(shù)為N;

(4)根據(jù)先驗(yàn)知識(shí)從已構(gòu)建好的知識(shí)庫(kù)中抽取疫苗H;

(5)對(duì)抗體組YkN中的每一個(gè)體Yki進(jìn)行公式(9)的適應(yīng)度的計(jì)算，判斷是否滿足已設(shè)定停機(jī)條件，若滿足則執(zhí)行步驟(10)，否則繼續(xù)執(zhí)行后序操作;

(6)退火選擇，采用模仿賭輪法;

(7)采用雙變異算子對(duì)當(dāng)前父代群體Ak進(jìn)行變異操作生成子代群體Bk。采用前期柯西變異算子進(jìn)行全局搜索和后期高斯變異算子進(jìn)行局部搜索相結(jié)合的方式。父代種群Ak中的(xi，σi)變異成為子代種群 Bk(x'i，σ'i);

(8)對(duì)群體Bk進(jìn)行接種疫苗操作，得到種群Ck;

(9)對(duì)群體Ck進(jìn)行免疫選擇操作，得到新一代父代Ak+1，并轉(zhuǎn)至步驟(3);

(10)在滿足停止條件的第k代選取適應(yīng)度最大的抗體，即為最優(yōu)解。

新算法首先對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行實(shí)數(shù)編碼，使種群中的個(gè)體直接逼近最優(yōu)解，避免了采用二進(jìn)制編碼所帶來(lái)的巨量的工作量以及轉(zhuǎn)換過(guò)程中精度下降的問(wèn)題，提高了算法的執(zhí)行效率和實(shí)驗(yàn)數(shù)據(jù)的精度。其次，綜合歷年的風(fēng)險(xiǎn)評(píng)估結(jié)果，通過(guò)推理方式形成疫苗。最后，采用雙變異算子的變異操作結(jié)合了柯西變異的大范圍搜索能力和高斯變異的局部空間搜索能力兩方面的優(yōu)勢(shì)，提高了算法的局部逃逸能力，使算法逐漸逼近全局最優(yōu)解，提高風(fēng)險(xiǎn)評(píng)估結(jié)果的準(zhǔn)確性。

四、基于16家上市商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估實(shí)驗(yàn)仿真

(一)數(shù)據(jù)采集和預(yù)處理。

為保證數(shù)據(jù)的真實(shí)性，所用的指標(biāo)數(shù)據(jù)為16家上市商業(yè)銀行2007年至2012年共6年的年報(bào)數(shù)據(jù)，該數(shù)據(jù)均出自 Wind金融數(shù)據(jù)庫(kù)。2007～2011年的風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果源自《金融藍(lán)皮書:中國(guó)商業(yè)銀行競(jìng)爭(zhēng)力報(bào)告》。本文選擇了指標(biāo)數(shù)據(jù)中與風(fēng)險(xiǎn)評(píng)估相關(guān)性最大的8項(xiàng)財(cái)務(wù)指標(biāo)和11項(xiàng)風(fēng)險(xiǎn)監(jiān)管指標(biāo)，即19項(xiàng)指標(biāo)作為構(gòu)建信用風(fēng)險(xiǎn)評(píng)價(jià)模型的數(shù)據(jù)集。

為保證所涉及的數(shù)據(jù)的準(zhǔn)確性和完整性，在數(shù)據(jù)預(yù)處理階段需要對(duì)有缺失的指標(biāo)進(jìn)行剔除操作。對(duì)于監(jiān)管指標(biāo)數(shù)據(jù)發(fā)生數(shù)據(jù)缺失的現(xiàn)象可能性較大:即數(shù)據(jù)不存在或現(xiàn)有的數(shù)據(jù)不符合規(guī)范，對(duì)于以上兩類缺失數(shù)據(jù)的處理可以通過(guò)手工補(bǔ)缺、用全局常量替換丟失值和用特征平均值替換丟失值的方法進(jìn)行補(bǔ)全。將2007～2011年指標(biāo)數(shù)據(jù)的75%作為訓(xùn)練樣本，25%作為檢測(cè)樣本。表1以浦發(fā)銀行2007年至2011年的數(shù)據(jù)為例，列出19項(xiàng)財(cái)務(wù)指標(biāo)數(shù)據(jù)和信用風(fēng)險(xiǎn)的評(píng)估結(jié)果。其中，信用風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果的范圍介于0至1之間，值越大說(shuō)明信用風(fēng)險(xiǎn)越小。通過(guò)浦發(fā)銀行2007～2011年度數(shù)據(jù)導(dǎo)入，得出結(jié)論如表1所示:

(二)實(shí)驗(yàn)仿真。

本實(shí)驗(yàn)采用三層BP網(wǎng)絡(luò)，其中輸入節(jié)點(diǎn)19個(gè)，輸出節(jié)點(diǎn)1個(gè)，傳遞函數(shù)采用logsig函數(shù)。利用MATLAB仿真?zhèn)鹘y(tǒng)BP網(wǎng)絡(luò)的訓(xùn)練過(guò)程，將未參加訓(xùn)練的測(cè)試集數(shù)據(jù)輸入網(wǎng)絡(luò)進(jìn)行結(jié)果預(yù)測(cè)。在訓(xùn)練過(guò)程中，選擇學(xué)習(xí)速率設(shè)置為0.7，動(dòng)量因子設(shè)置為0.8，訓(xùn)練集目標(biāo)誤差設(shè)定為0.0005，訓(xùn)練次數(shù)3000次，模型的傳遞函數(shù)采用logsig函數(shù)。模型訓(xùn)練函數(shù)選擇traingdm，即帶有動(dòng)量的梯度下降法。其中梯度下降法是利用負(fù)梯度方向決定每次迭代的新方向，在每次迭代后使待優(yōu)化的目標(biāo)函數(shù)逐步逼近。經(jīng)MATLAB仿真后，得到系統(tǒng)訓(xùn)練集誤差變化曲線如圖1所示。

表1 浦發(fā)銀行2007～2011年指標(biāo)

圖1 訓(xùn)練集誤差曲線圖

由圖1可以看出，在經(jīng)過(guò)1612次迭代之后，神經(jīng)網(wǎng)絡(luò)達(dá)到預(yù)期的訓(xùn)練要求。再使用新的融入雙變異算子的免疫規(guī)劃算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，兩種方法在訓(xùn)練后的預(yù)測(cè)值與測(cè)試集的實(shí)際風(fēng)險(xiǎn)結(jié)果進(jìn)行比對(duì)得出表2的結(jié)果。

從訓(xùn)練集的期望輸出值和實(shí)際輸出值進(jìn)行對(duì)比可以看出，融合了改進(jìn)后的免疫規(guī)劃算法的神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)。從以上結(jié)果可以看出，兩種算法產(chǎn)生的誤差大于神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)定的目標(biāo)誤差0.0005，這主要是由于:一方面，測(cè)試集選取的數(shù)據(jù)均來(lái)自2011年的數(shù)據(jù)，訓(xùn)練集數(shù)據(jù)則來(lái)自于2007～2010年，由于選取年份的不同可能會(huì)導(dǎo)致訓(xùn)練結(jié)果有一定的偏差;另一方面，《金融藍(lán)皮書:中國(guó)商業(yè)銀行競(jìng)爭(zhēng)力報(bào)告》中所給出的風(fēng)險(xiǎn)評(píng)估值在評(píng)價(jià)指標(biāo)的選取上與Wind金融數(shù)據(jù)庫(kù)中的指標(biāo)數(shù)據(jù)有一定的出入，所以也會(huì)導(dǎo)致對(duì)測(cè)試集的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果之前存在一定的偏差。但通過(guò)對(duì)比結(jié)果我們還是可以看出融合了免疫規(guī)劃的神經(jīng)網(wǎng)絡(luò)在訓(xùn)練效果上優(yōu)于傳統(tǒng)的BP網(wǎng)絡(luò)，因此，該模型已經(jīng)基本達(dá)到訓(xùn)練的預(yù)期效果，可以使用2012年的指標(biāo)數(shù)據(jù)進(jìn)行信用風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果的預(yù)測(cè)。本實(shí)驗(yàn)將為未給出風(fēng)險(xiǎn)評(píng)估值的2012年16家銀行的數(shù)據(jù)指標(biāo)，輸入訓(xùn)練好的融合了免疫規(guī)劃的神經(jīng)網(wǎng)絡(luò)模型，得出了如表3所示的結(jié)果。

表2 測(cè)試集結(jié)果對(duì)比(2011年)

依據(jù)2012年的指標(biāo)數(shù)據(jù)經(jīng)訓(xùn)練好的模型進(jìn)行預(yù)測(cè)得出的表3的結(jié)果中，華夏銀行、交通銀行和民生銀行的信用風(fēng)險(xiǎn)相對(duì)較大，而中國(guó)銀行、興業(yè)銀行和北京銀行的信用風(fēng)險(xiǎn)相對(duì)較小。

表3 商業(yè)銀行風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果(2012年)

五、結(jié)論

本文通過(guò)對(duì)商業(yè)銀行金融風(fēng)險(xiǎn)管理，尤其是信用風(fēng)險(xiǎn)評(píng)估方法與模型橫向比較后，根據(jù)商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)價(jià)依據(jù)的指標(biāo)數(shù)據(jù)的具有高維、復(fù)雜、非線性等特點(diǎn)，確定以改進(jìn)后的BP網(wǎng)絡(luò)構(gòu)建信用風(fēng)險(xiǎn)評(píng)估模型，發(fā)揮BP網(wǎng)絡(luò)在解決高維、非線性問(wèn)題方面的優(yōu)勢(shì)。針對(duì)傳統(tǒng)的BP網(wǎng)絡(luò)在訓(xùn)練效果上依賴于初始值以及訓(xùn)練參數(shù)的設(shè)定，且具有收斂速度慢，易陷入局部極小值等缺點(diǎn)，設(shè)計(jì)了柯西變異和高斯變異的雙變異算子加入到免疫規(guī)劃算法中，并將改進(jìn)后的免疫規(guī)劃算法應(yīng)用到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程，充分發(fā)揮了免疫規(guī)劃算法在尋求全局最優(yōu)解方面的優(yōu)勢(shì)，可達(dá)到快速搜索最優(yōu)權(quán)值的目標(biāo)，同時(shí)還克服了傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)收斂速度慢的缺點(diǎn)，提高了網(wǎng)絡(luò)的收斂速度及預(yù)測(cè)精度。對(duì)16家上市商業(yè)銀行風(fēng)險(xiǎn)評(píng)估的結(jié)果也驗(yàn)證了融合免疫規(guī)劃算法的BP神經(jīng)網(wǎng)絡(luò)在信用風(fēng)險(xiǎn)評(píng)價(jià)上的有效性，為金融風(fēng)險(xiǎn)領(lǐng)域評(píng)估方法研究提供了一定的參考與借鑒。

［1］Beaver W H.Financial ratios as predictors of Failure［J］.Journal of accounting research，1966:71-111.

［2］陳忠陽(yáng):《信用風(fēng)險(xiǎn)量化管理模型發(fā)展探析》，載于《國(guó)際金融研究》，2000年第10期，第14～19頁(yè)。

［3］王春峰、萬(wàn)海暉、張維:《商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估及其實(shí)證研究》，載于《管理科學(xué)學(xué)報(bào)》，1998年1月，第68～72頁(yè)。(部分參考文獻(xiàn)略)