五、算例
本文收集了某银行160个不同行业的贷款客户在2004年6月下旬的数据样本,去除其中17个不合格数据样本,剩下的143个数据样本中128个样本用于建立评估模型,15个样本用于进行模型检测。该银行将贷款客户的信用评级分为是10级,分别为:AAA级、AA级、A级、BBB级、BB级、B级、CCC级、CC级、C级、D级,其中D级客户已处于实际违约状态,在模型中不考虑。这样,我们将AAA-A定为1级,BBB-B定为2级,CCC-C级定为3级。
1.训练神经网络。设定网络学习的误差为GOAL=0.01,RBF网络的分布SPREAD=1.0。建立RBF网络,隐层神经元个数与误差平方和的关系图如图3所示｡。
当神经元个数neurons=100个时,SSE=3.27185;当neurons=125时,SSE=0.0127,满足学习的误差要求,RBF网络训练完毕。
2.网络检测。将先前准备的15个企业的指标数据用于RBF网络检测。误差符合要求,因此这个RBF神经网络模型就是从数据仓库中挖掘出的信用评级模型。
六、结论
本文研究了利用数据仓库结合RBF神经网络用于银行信用内部评级系统的建立,并利用我国商业银行的实际数据,对风险评估模型的效果进行了检验。实证结果表明,基于RBF神经网络的
信用评级模型克服了人为因素的主观性,体现了评估的客观性、科学性,并且从仿真的结果来看,对银行信用评估可取得较好的效果。同时,在数据仓库的基础上,此数据模型可根据不断增加的新数据来进行调整,以适应社会的发展、金融投资的变化。
参考文献:
[1]袁曾任.人工神经元网络及其应用[M].北京:清华大学出版社,2000.
[2]郝丽萍,胡欣悦,李丽.商业银行信贷风险分析的人工神经网络模型研究[J].系统工程理论与实践,2001,(5).
[3]周露,王丹力.MATLAB神经网络仿真与应用[M].北京:科学出版社,2003.
[4]王春峰,万海晖,张维.基于神经网络技术的商业银行信用风险评估[J].系统工程理论与实践,1999,(9).
[5]章忠志,符林,唐焕文.基于人工神经网络的商业银行信用风险模型[J].经济数学,2003,(9).
[6]BartBaesens,RudySetiono,ChristopheMues,JanVanthienen[].UsingNeuralNetworkRuleExtractionandDeci-sionTablesforCredit-RiskEvaluation·MANAGEMENTSCI-ENCE,2003,(3):312-329.
[7]陈翊.我国商业银行内部评级系统的构建[J].金融纵论,2004,(3).
[8]郑允韬.基于数据仓库的国内商业银行个人客户信用风险管理[J].河北工业大学学报,2005,(2).
作者：朱 云、邱菀华 信用中国 编辑：王运连
【
