基于RSBP的商業(yè)銀行個(gè)人信用風(fēng)險(xiǎn)測(cè)評(píng)的實(shí)證研究

許衛(wèi)華

(河南財(cái)經(jīng)政法大學(xué) 工商管理學(xué)院， 鄭州 450046)

?

基于RSBP的商業(yè)銀行個(gè)人信用風(fēng)險(xiǎn)測(cè)評(píng)的實(shí)證研究

許衛(wèi)華

(河南財(cái)經(jīng)政法大學(xué) 工商管理學(xué)院， 鄭州 450046)

介紹和分析了目前國(guó)內(nèi)外個(gè)人信用風(fēng)險(xiǎn)評(píng)估研究的現(xiàn)狀和不足，建立了一套包含工商、稅務(wù)、法院等信息的評(píng)估指標(biāo)體系。構(gòu)建了基于RSBP的我國(guó)商業(yè)銀行個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型，利用粗糙集理論對(duì)屬性進(jìn)行約簡(jiǎn)，并把約簡(jiǎn)結(jié)果輸入BP神經(jīng)網(wǎng)絡(luò)，從而縮短了網(wǎng)絡(luò)訓(xùn)練時(shí)間，提高了網(wǎng)絡(luò)收斂速度和測(cè)試精度。通過比較基于BP神經(jīng)網(wǎng)絡(luò)和RSBP的評(píng)價(jià)結(jié)果證明了該模型的優(yōu)越性。

個(gè)人信用；粗糙集；BP神經(jīng)網(wǎng)絡(luò)；商業(yè)銀行

隨著我國(guó)加入WTO后銀行業(yè)的全面開放，外資銀行紛紛在中國(guó)境內(nèi)設(shè)立分支機(jī)構(gòu)，這給我國(guó)銀行業(yè)帶來新的經(jīng)營(yíng)理念的同時(shí)，也帶來了很大的市場(chǎng)沖擊。國(guó)內(nèi)各商業(yè)銀行要想在激烈的市場(chǎng)競(jìng)爭(zhēng)中占有一席之地，其中一個(gè)有效方法就是通過擴(kuò)大貸款比率來提高其凈利差。但這樣做的前提是，貸款者的預(yù)期收入要確保足以還本付息，否則銀行業(yè)就要承擔(dān)因客戶違約造成的損失。這樣以來，就會(huì)使各商業(yè)銀行陷入一種困境當(dāng)中。目前，解決這種困境的一個(gè)有效方法就是通過對(duì)客戶信息進(jìn)行量化，計(jì)算得出信用分值來反映該客戶的信用狀況。對(duì)于絕大部分金融機(jī)構(gòu)來說，貸款客戶一般分為對(duì)公客戶和個(gè)人客戶。由于對(duì)公客戶貸款額度較大，所以針對(duì)該方面的信貸風(fēng)險(xiǎn)問題研究頗多，且較為成熟。但對(duì)另一龐大的群體——個(gè)人客戶的信貸風(fēng)險(xiǎn)問題卻關(guān)注較少。

在一些發(fā)達(dá)國(guó)家，個(gè)人信用制度已經(jīng)有150多年的歷史。但在我國(guó)，由于個(gè)人信用制度建設(shè)起步較晚，信用體系還不完善，導(dǎo)致許多商業(yè)銀行在無法全面掌握貸款人信用的情況下不敢承擔(dān)太大風(fēng)險(xiǎn)，這就成為制約我國(guó)商業(yè)銀行個(gè)人信貸業(yè)務(wù)發(fā)展的“瓶頸”。本文旨在解決國(guó)內(nèi)商業(yè)銀行發(fā)展個(gè)人信貸業(yè)務(wù)中的這種矛盾。設(shè)計(jì)了適合我國(guó)國(guó)情的個(gè)人信用評(píng)估指標(biāo)體系，構(gòu)建了用于評(píng)價(jià)個(gè)人信用狀況的模型，以期為我國(guó)商業(yè)銀行在個(gè)人信貸業(yè)務(wù)發(fā)展中信用政策的制定和評(píng)估提供量化支持。

1 文獻(xiàn)綜述

國(guó)外很多學(xué)者對(duì)個(gè)人信用風(fēng)險(xiǎn)評(píng)估方法做了大量研究。1952年，Hodges L[1]將數(shù)學(xué)規(guī)劃法引入到個(gè)人信用評(píng)價(jià)模型。20世紀(jì)70年代以后，以O(shè)rgler Y E[2]等為代表的學(xué)者先后利用線性回歸、判別分析法、LR模型、神經(jīng)網(wǎng)絡(luò)等技術(shù)來評(píng)價(jià)消費(fèi)者信貸的信用風(fēng)險(xiǎn)。

國(guó)內(nèi)學(xué)術(shù)界對(duì)個(gè)人信用風(fēng)險(xiǎn)評(píng)估的研究起步較晚。主要代表性成果有：胡望斌等提出了用于銀行評(píng)價(jià)個(gè)人信用等級(jí)的“3C”指標(biāo)體系，即品德、能力和抵押[3]；肖智等運(yùn)用RS-ANN模型對(duì)消費(fèi)信貸中個(gè)人信用評(píng)價(jià)進(jìn)行了實(shí)證分析[4]；黃宗盛等則將神經(jīng)網(wǎng)絡(luò)技術(shù)引入到個(gè)人信用評(píng)價(jià)模型[5]。

這些研究在實(shí)踐中取得了很大的應(yīng)用成效，但在分析和評(píng)價(jià)我國(guó)商業(yè)銀行個(gè)人信用狀況時(shí)存在如下問題：

(1)國(guó)外學(xué)者對(duì)個(gè)人信用評(píng)估指標(biāo)的設(shè)計(jì)已很詳細(xì)和成熟，但由于我國(guó)國(guó)情的特殊性，國(guó)外許多被用于評(píng)價(jià)個(gè)人客戶信用等級(jí)的指標(biāo)在我國(guó)是行不通的。

(2)國(guó)內(nèi)學(xué)者大多偏重對(duì)個(gè)人信用評(píng)價(jià)模型的研究，而忽略了指標(biāo)設(shè)計(jì)的全面性和科學(xué)性。

(3)國(guó)內(nèi)用于個(gè)人信用評(píng)價(jià)的方法主要有判別分析法、LR模型、神經(jīng)網(wǎng)絡(luò)技術(shù)等，這些方法各有缺點(diǎn)。判別分析法的缺點(diǎn)在于會(huì)因假設(shè)過嚴(yán)而失去統(tǒng)計(jì)最優(yōu)性；LR模型會(huì)因環(huán)境的不確定性而導(dǎo)致優(yōu)化困難；神經(jīng)網(wǎng)絡(luò)技術(shù)具有較好的自組織性、自適應(yīng)性及較強(qiáng)的魯棒性，但如果屬性指標(biāo)過多，會(huì)造成網(wǎng)絡(luò)收斂速度較慢等問題。

2 我國(guó)商業(yè)銀行個(gè)人信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系分析及新建

2006年，中國(guó)人民銀行牽頭建成了全國(guó)統(tǒng)一的企業(yè)和個(gè)人信用信息技術(shù)數(shù)據(jù)庫(kù)。但其中的個(gè)人信用信息技術(shù)數(shù)據(jù)庫(kù)只是各商業(yè)銀行歷史信用數(shù)據(jù)的匯集，并且不包括工商、稅務(wù)、法院等的信息。已有研究表明，法律系統(tǒng)、稅務(wù)系統(tǒng)等信息所反映的個(gè)人情況與其信用狀況有著很密切的關(guān)系。因此，本文本著全面性、科學(xué)性、可獲取性的原則，在充分借鑒美國(guó)Fair & Isaac公司的FICO信用評(píng)分模型、美國(guó)經(jīng)濟(jì)研究局專家David D設(shè)計(jì)的信用計(jì)分模型以及國(guó)內(nèi)幾家銀行的個(gè)人信用評(píng)分模型的指標(biāo)體系的基礎(chǔ)上，加入了我國(guó)現(xiàn)行個(gè)人信用信息數(shù)據(jù)庫(kù)中缺少的指標(biāo)，構(gòu)建新的個(gè)人信用評(píng)價(jià)指標(biāo)體系，如表1所示。該評(píng)價(jià)指標(biāo)體系中有定性指標(biāo)和定量指標(biāo)，因此，根據(jù)各指標(biāo)對(duì)應(yīng)的含義和分類統(tǒng)一編碼。

表1 個(gè)人信用評(píng)價(jià)指標(biāo)編碼表

我國(guó)商業(yè)銀行現(xiàn)行信用等級(jí)一般為三等九級(jí)，即信用等級(jí)從優(yōu)到差依次為：AAA、AA、A、BBB、BB、B、CCC、CC、C。各等級(jí)的具體含義在此不再贅述。需說明的是，信用等級(jí)若被評(píng)為C，也就意味著該客戶信譽(yù)太差，償還貸款能力不可靠。信用等級(jí)被評(píng)為CC、CCC，也意味著上述問題不同程度存在。因此，本文將信用等級(jí)簡(jiǎn)化為三等七級(jí)，即：AAA、 AA、A、BBB、BB、B、C。

3 RSBP模型的建立

3.1 用于個(gè)人信用風(fēng)險(xiǎn)評(píng)估的RSBP模型的原理

粗糙集理論(Rough Sets Theory)作為一種處理不完整性和不確定性信息的數(shù)學(xué)工具，其核心優(yōu)勢(shì)就在于對(duì)不確定、不完備信息的描述和卓越的數(shù)據(jù)約簡(jiǎn)功能[5]。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network)實(shí)質(zhì)上是以大腦生理變化過程為基礎(chǔ)，模仿大腦結(jié)構(gòu)和功能，借助計(jì)算機(jī)處理大規(guī)模信息的一種信息處理系統(tǒng)。它在處理模糊數(shù)據(jù)、隨機(jī)性數(shù)據(jù)、非線性數(shù)據(jù)方面具有明顯的優(yōu)越性，對(duì)大規(guī)模、結(jié)構(gòu)復(fù)雜、信息不明確的系統(tǒng)尤為適用。本文充分利用兩者的優(yōu)勢(shì)，首先對(duì)訓(xùn)練樣本進(jìn)行屬性約簡(jiǎn)，然后利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試，從而提高神經(jīng)網(wǎng)絡(luò)的收斂速度。

3.2 RSBP算法步驟

Step 1：對(duì)個(gè)人信用風(fēng)險(xiǎn)各評(píng)價(jià)指標(biāo)值進(jìn)行離散化，得到原始決策表S=(U,A,V,f)。

(1)

(2)

Step 4：構(gòu)造一個(gè)三層前饋型神經(jīng)網(wǎng)絡(luò)。輸入層神經(jīng)元個(gè)數(shù)(即約簡(jiǎn)R中屬性的個(gè)數(shù))，隱層神經(jīng)元個(gè)數(shù)根據(jù)經(jīng)驗(yàn)確定；輸出層有1個(gè)神經(jīng)元，即個(gè)人信用等級(jí)。

Step 5：將各初始權(quán)值和閾值賦予(-1,+1)間的隨機(jī)數(shù)，并選取一個(gè)列模式作為網(wǎng)絡(luò)輸入信號(hào)。

(3)

(4)

(5)

Step 9：利用加權(quán)修正公式(6)修正所有連接權(quán)值。

(6)

式中，η為訓(xùn)練速率系數(shù)，η=0.01～1。

Step 10：返回Step 5， 對(duì)下一輸入樣本重復(fù)Step5-Step10， 直到收斂到一定的精度范圍內(nèi)。

4 實(shí)證分析

從鄭州市某商業(yè)銀行某支行收集大量樣本，并隨機(jī)選取300個(gè)樣本作為本次試驗(yàn)用樣本集。由于粗糙集僅能處理離散化屬性，所以首先將樣本數(shù)據(jù)離散化處理。如表2所示，對(duì)每一指標(biāo)屬性值都進(jìn)行分類，并對(duì)每一指標(biāo)的每一個(gè)分類進(jìn)行編碼。同理，對(duì)個(gè)人信用等級(jí)進(jìn)行編碼，從AAA到C依次編碼為1-7。離散化后的樣本數(shù)據(jù)構(gòu)成原始決策表(表2)。其中：C={c1,c2,…，c15}，為條件屬性；D=j5i0abt0b，為決策屬性；U={x1,x2,…，x300}，為樣本集。

表2 個(gè)人信用評(píng)價(jià)決策表

目前，用于屬性約簡(jiǎn)的算法主要有基于差別矩陣的信息熵、啟發(fā)式算法等。利用matlab在pentium(R)M處理器頻率為1.6 GHz的電腦平臺(tái)上進(jìn)行仿真，采用改進(jìn)的基于粗糙集理論的歸納屬性約簡(jiǎn)算法，得出其中一個(gè)約簡(jiǎn)為R={c2,c4,c5,c6,c8,c10,c13,c14}，見表3。

表3 約簡(jiǎn)后的決策表

由表3可以看出，條件屬性由原來的15個(gè)減少為8個(gè)，并且去掉表3中的重復(fù)樣本，樣本數(shù)量也由300個(gè)減少到287個(gè)。

在剩下的287個(gè)樣本中，取前200個(gè)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，后87個(gè)作為測(cè)試樣本。網(wǎng)絡(luò)測(cè)試結(jié)果如表4所示。為了驗(yàn)證該模型的優(yōu)點(diǎn)，將未采用粗糙集約簡(jiǎn)的樣本數(shù)據(jù)代入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并選取相應(yīng)樣本進(jìn)行測(cè)試，結(jié)果見表4。

表4 網(wǎng)絡(luò)測(cè)試結(jié)果

由表4可以看出，與BP神經(jīng)網(wǎng)絡(luò)相比，本文構(gòu)建的RSBP模型測(cè)試誤差較小，精度較高，可行性強(qiáng)。另外，從BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程(圖1)和RSBP模型的訓(xùn)練過程(圖2)可以看出，RSBP模型收斂速度較快，迭代次數(shù)較少，訓(xùn)練時(shí)間較短。

5 結(jié) 語

本文主要從兩個(gè)方面研究了我國(guó)商業(yè)銀行個(gè)人信用等級(jí)評(píng)價(jià)問題。一是對(duì)評(píng)價(jià)指標(biāo)的重新設(shè)計(jì)，以全面性和科學(xué)性為原則，設(shè)計(jì)了一套包含工商、稅務(wù)、法院等信息的評(píng)價(jià)指標(biāo)體系；二是采用了粗糙集理論和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，構(gòu)建了基于RSBP的商業(yè)銀行個(gè)人信用評(píng)價(jià)模型。實(shí)證結(jié)果表明，經(jīng)過粗糙集刪除樣本中冗余信息，可以大大提高BP神經(jīng)網(wǎng)絡(luò)的收斂速度，縮短訓(xùn)練時(shí)間，具有較高的測(cè)試精度。將此方法引入到我國(guó)商業(yè)銀行個(gè)人信貸評(píng)價(jià)系統(tǒng)中，可以使銀行在有效控制風(fēng)險(xiǎn)的前提下，根據(jù)系統(tǒng)評(píng)價(jià)值決定是否貸款、貸款額度、貸款期限以及貸款利率等，提高國(guó)內(nèi)商業(yè)銀行個(gè)人信貸決策的效率、科學(xué)性和準(zhǔn)確性。

圖1 BPNN模型訓(xùn)練過程

圖2 RSBP訓(xùn)練過程

[1] Efix J, Hodges L. Discriminatory Analysis: Nonparametric Discrimination: Small Sample Performance[J]. USAF School of Aviation Medicine, 1952, 11(3)：280-322.

[2] Orgler Y E. A Credit Scoring Model for Commercial Loans[J]. Journal of Money, Credit and Banking, 1970, 4(3)：435-445.

[3] 胡望斌，朱東華. 商業(yè)銀行個(gè)人信用風(fēng)險(xiǎn)等級(jí)評(píng)估與預(yù)測(cè)[J]. 商業(yè)時(shí)代，2005,9(1)：52-53.

[4] 肖智，李文娟. RS-ANN在消費(fèi)信貸個(gè)人信用評(píng)估中的實(shí)證研究[J].軟科學(xué)，2011(4)：141-144.

[5] 黃宗盛，劉盾，胡培. 基于粗糙集和DEA方法的低碳經(jīng)濟(jì)評(píng)價(jià)模型[J].軟科學(xué)，2014,28(3)：16-21.

(責(zé)任編輯：陸俊杰)

Key words: personal credit; rough sets; BP neural network; commercial bank

A Study on Personal Credit Evaluation in Chinese Commercial Banks Based on RSBP

XU Wei-hua

(Henan University of Economics and Law, Zhengzhou 450046, China)

Aiming at the issue of personal credit risks in commercial banks in our country, this paper analyzes current researches on personal credit evaluation and establishes an evaluating index system which includes the information of industry and commerce, taxation, legal issues, etc. It presents an approach of BP neural network with rough sets theory for personal credit evaluating. Through attribute reduction based on variable precision with rough sets, the simulation results show that the training time is decreased, the convergence speed and testing accuracy are improved. Finally, the performance of RSBP is tested by comparing its evaluations with that of BP neural network.

2015-06-10

河南省軟科學(xué)研究計(jì)劃項(xiàng)目(162400410181)；河南財(cái)經(jīng)政法大學(xué)本科教學(xué)工程專題項(xiàng)目(400250)

許衛(wèi)華(1981-)，女，河南周口人，副教授，博士，主要研究方向?yàn)椴淮_定規(guī)劃、信用支付、供應(yīng)鏈管理。

1671-6906(2016)05-0070-05

F832

A

10.3969/j.issn.1671-6906.2016.05.014