基于大數(shù)據(jù)的信貸風(fēng)險(xiǎn)分析研究

摘要：隨著經(jīng)濟(jì)環(huán)境的變化和近兩年來疫情的影響，金融機(jī)構(gòu)之間競爭愈發(fā)激烈。大多數(shù)商業(yè)銀行都認(rèn)識到貸后管理工作的重要性，但是銀行客戶經(jīng)理在貸后風(fēng)險(xiǎn)信息識別上缺乏專業(yè)知識和工具，導(dǎo)致貸后管理一直銀行信貸工作中最薄弱的環(huán)節(jié)。將大數(shù)據(jù)技術(shù)應(yīng)用于貸后風(fēng)險(xiǎn)評估防控，能夠有效的識別出貸后管理過程中存在的風(fēng)險(xiǎn)信息并及時(shí)采取措施，提高金融機(jī)構(gòu)的貸后管理水平。

1.概述

近幾年來我國市場經(jīng)濟(jì)多元化發(fā)展水平的不斷提升，企業(yè)信用風(fēng)險(xiǎn)成為銀行業(yè)面臨的主要問題。貸后管理是商業(yè)銀行在企業(yè)貸款過程中關(guān)鍵的一個(gè)環(huán)節(jié)，而貸后風(fēng)險(xiǎn)防控是貸后管理中的一項(xiàng)重要工作內(nèi)容。但在銀行信貸管理中普遍存在著“重貸輕管”的現(xiàn)象，對貸后管理內(nèi)容認(rèn)識不夠全面。因此加強(qiáng)貸后風(fēng)險(xiǎn)防控不僅能夠提高貸后管理工作質(zhì)量，而且還能保證銀行信貸業(yè)務(wù)穩(wěn)健發(fā)展。在網(wǎng)絡(luò)技術(shù)和大數(shù)據(jù)技術(shù)的發(fā)展背景下，為社會各個(gè)領(lǐng)域帶來了新的優(yōu)化和發(fā)展方向。將大數(shù)據(jù)技術(shù)應(yīng)用于銀行貸后風(fēng)險(xiǎn)防控，一方面可以提高信貸管理工作的科學(xué)性和有效性，另一方面能夠及時(shí)預(yù)防不良貸款的形成。利用神經(jīng)網(wǎng)絡(luò)技術(shù)來建立貸后風(fēng)險(xiǎn)評價(jià)模型，從模型結(jié)果發(fā)現(xiàn)企業(yè)經(jīng)營過程中可能存在的風(fēng)險(xiǎn)信息?？偠灾?，大數(shù)據(jù)分析技術(shù)可作為貸后管理工作中一個(gè)重要的工具。

2.BP神經(jīng)網(wǎng)絡(luò)基本原理

目前BP神經(jīng)網(wǎng)絡(luò)是信貸風(fēng)險(xiǎn)分析中最為廣泛的神經(jīng)網(wǎng)絡(luò)模型。BP神經(jīng)網(wǎng)絡(luò)算法具有強(qiáng)大的并行處理機(jī)制，高度自學(xué)習(xí)、自適應(yīng)能力，能夠隨環(huán)境的變化而不斷學(xué)習(xí)。在進(jìn)行信貸風(fēng)險(xiǎn)評估與預(yù)測時(shí)，企業(yè)信息和財(cái)務(wù)數(shù)據(jù)等指標(biāo)之間存在復(fù)雜的非線性關(guān)系。而人工神經(jīng)網(wǎng)絡(luò)是一種自然的非線性建模過程，具有很好的逼近分線性映射能力，無需區(qū)分各個(gè)指標(biāo)之間的非線性關(guān)系。

BP神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)包括輸入層、隱藏層和輸出層。其計(jì)算過程包括前向過程：輸入信號從輸入層通過激活函數(shù)向隱藏層和輸出層傳播。如果輸出結(jié)果得不到期望的輸出，則將誤差信號通過反向過程，向輸入層反推，直至樣本的輸出結(jié)果與期望值之間的誤差小于給定值。此時(shí)可以得到較為穩(wěn)定的預(yù)測結(jié)果。

3.BP神經(jīng)網(wǎng)絡(luò)建模及計(jì)算結(jié)果

本文采用的數(shù)據(jù)來自于某銀行2020年度的有貸企業(yè)客戶數(shù)據(jù)，包括5000個(gè)訓(xùn)練樣本，350個(gè)測試樣本。根據(jù)訓(xùn)練樣本進(jìn)行BP神經(jīng)網(wǎng)絡(luò)建模，得到穩(wěn)定的預(yù)測模型后，將測試數(shù)據(jù)輸入至模型中得到客戶風(fēng)險(xiǎn)信息。

3.1客戶數(shù)據(jù)描述

數(shù)據(jù)集包括企業(yè)客戶基本信息數(shù)據(jù)、財(cái)務(wù)指標(biāo)數(shù)據(jù)、貸款數(shù)據(jù)以及企業(yè)水電費(fèi)數(shù)據(jù)。其中客戶基本信息包括客戶id、注冊資本、注冊地址、股權(quán)比例。財(cái)務(wù)指標(biāo)有資產(chǎn)負(fù)債率、利潤率、流動資產(chǎn)、短期投資、固定資產(chǎn)、無形資產(chǎn)、資產(chǎn)總計(jì)、營業(yè)收入、營業(yè)利潤、凈利潤、經(jīng)營活動產(chǎn)生的現(xiàn)金流量、投資活動產(chǎn)生的現(xiàn)金流量、籌資活動產(chǎn)生的現(xiàn)金流量等字段。貸款信息包括：貸款額度、授信額度、信用余額、還款期次、結(jié)算賬戶等數(shù)據(jù)。對5000個(gè)訓(xùn)練樣本進(jìn)行數(shù)據(jù)預(yù)處理，剔除財(cái)務(wù)指標(biāo)數(shù)據(jù)缺失的客戶。增加一個(gè)是否逾期字段，設(shè)置兩個(gè)默認(rèn)值：“1”（未逾期）和“0”（已逾期）。

3.2模型建立

本文采用matlab神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行建模，其中激活函數(shù)為Sigmoid（）函數(shù)。首先對樣本數(shù)據(jù)進(jìn)行歸一化處理，設(shè)定網(wǎng)絡(luò)隱藏層和輸出層激勵(lì)函數(shù)分別為tansig和logsig函數(shù)。網(wǎng)絡(luò)訓(xùn)練函數(shù)為traingdx，性能函數(shù)為mse。網(wǎng)絡(luò)迭代次數(shù)為5000次，期望誤差為0.0001%，學(xué)習(xí)速率為0.01，設(shè)定好參數(shù)后開始訓(xùn)練網(wǎng)絡(luò)。

3.3模型結(jié)果評價(jià)

根據(jù)上述訓(xùn)練好的模型，將預(yù)測數(shù)據(jù)輸入至模型中。利用輸出結(jié)果計(jì)算模型的總體分類正確率、逾期正確率、未逾期正確率、誤報(bào)率等指標(biāo)。其中逾期正確性為樣本中違約的樣本數(shù)與違約總數(shù)的比值;未逾期正確率為未逾期樣本數(shù)與未逾期總數(shù)的比值。誤報(bào)率為逾期樣本中為未逾期樣本的數(shù)量與逾期總數(shù)的比值，如表1所示

從表中可以看出，對于350個(gè)測試樣本的逾期正確率為91.35%，而誤報(bào)率為10.72%。因此BP神經(jīng)網(wǎng)絡(luò)模型對信貸風(fēng)險(xiǎn)預(yù)警的正確率較高，而誤報(bào)率很低。從這兩個(gè)指標(biāo)可以看出本模型具有較好的性能。

4.總結(jié)

在大數(shù)據(jù)和機(jī)器學(xué)習(xí)的數(shù)據(jù)分析背景下，本文采用大數(shù)據(jù)分析技術(shù)對商業(yè)銀行的企業(yè)客戶進(jìn)行了科學(xué)和有效的貸后風(fēng)險(xiǎn)評價(jià)。利用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測了客戶逾期風(fēng)險(xiǎn)的概率，從結(jié)果可以看出該模型具有較高的評估效率和準(zhǔn)確性。雖然本模型在貸后風(fēng)險(xiǎn)預(yù)警具有較好的性能，但在基礎(chǔ)數(shù)據(jù)選擇和預(yù)處理方面還存在欠缺。因此接下來的研究需要在大量樣本的基礎(chǔ)上，綜合考慮企業(yè)運(yùn)營的各個(gè)指標(biāo)因素進(jìn)行風(fēng)險(xiǎn)分析。從而提高商業(yè)銀行的信貸管理水平和有效降低不良貸款發(fā)生率。

作者簡介：

田浩，1994.12，男，漢族，河北省石家莊人，中國農(nóng)業(yè)銀行河北省分行科技與產(chǎn)品管理部，科員，從事系統(tǒng)開發(fā)和數(shù)據(jù)處理類工作。