基于AHP法和BP神经网络的商业银行客户信用评估模型.docVIP

基于AHP法和BP神经网络的商业银行客户信用评估模型 美国次贷危机和希腊主权债务危机使人们对次贷风险的防范意识有了更进一步的增强,特别是对金融衍生产品创新中风险度量、风险控制甚至风险管理的理论和方法进行了深层次全方位的审视和思考.毫无疑问,次贷风险的防范应该从信贷源头即商业银行客户开始.商业银行对客户的信用评估是银行贷款的核心内容,对银行客户的信用等级评估是否合理、科学、准确关系着银行贷款承担风险的大小.因此,准确评价客户信用对银行来说至关重要. 商业银行客户基数大,属性多,而且不同客户有着其各自不同的特点,银行不可能依次对每一个用户进行分析来确定其信用程度,这在时间、人力以及效率等方面都是不可取也是不现实的,那么银行应该按照一种特定的指标体系在拥有客户登记表的情况下对客户进行信用评估,这种特定的体系就是本文将要提出的基于AHP法和BP神经网络的商业银行客户信用评估模型. 问题分析 商业银行信贷最关心的是客户的信用程度和偿还能力以及在此基础上所能获得的最大利润问题,银行在评估客户信用程度时,是基于客户所提交的客户登记表来进行的,比如年龄、职业、学历、月收入、信用额度、信用历史等都是评估客户的要素.根据客户信息,银行在借贷时自然更偏重于那些职业较好、收入较高、信用历史较好的客户,但是这类客户很可能学历较低、信用额度偏大,这使得银行很难判断其真正的信用程度.因此,为了更加公正、客观的评估每个客户的信用程度,银行首先应该对客户所提交的客户登记表里的信息资料进行初步评分,基于对现实的考虑,在本文中,假设银行主要对客户的24项基本资料进行评分,也就是说客户的信用程度就是通过这24项评估指标所建立起来的（如图1所示）[1]. 考察这24项指标,按先后顺序编号为,其中前9项决定客户的特征,中间8项决定客户的偿还能力,最后7项决定客户的信用状况,由图1可知,银行对客户的信用程度的评估就是基于这3大项的加权所得. 根据BP(全称为Back Propagation)神经网络的算法,银行可采用大量的数据进行训练学习,使各个分量的权重最后趋于稳定,然后以此来计算客户的信用程度.由于在现实中很难找到大量、准确、可靠的数据来完成训练学习这个过程,因此,为了避免BP神经网络算法在初始化时采用随机数取值所带来的较大误差,本文首先采用层次分析法（Analytic Hierarchy Process简称AHP）对24小项以及3大项的权重进行计算,确定初始化数据,然后再利用BP神经网络算法进行训练学习. 图1 商业银行客户信用评估指标体系 商业银行客户信用评估指标体系Z年龄性别文化程度职业婚姻状况健康状况是否本地户口住宅性质本地居住时间客户特征 商业银行客户信用评估指标体系Z 年龄 性别 文化程度 职业 婚姻状况 健康状况 是否本地户口 住宅性质 本地居住时间 客户特征 个人财产 家庭月收入 活期存款余额 分期付款占收入的比重 工作年限 存储帐户余额 分期付款计划 其他借贷情况 偿还能力 银行卡记录 信用历史 代发工资情况 信用额度 持卡时间 持卡消费情况 担保情况 信用状况 黄、橙、红5种颜色表示客户从高到低的信用程度[1]. 绿色:表示该客户信用程度高,不必担忧其会发生不按期偿还贷款的情况. 蓝色:表示该客户信用程度较高,只要在还款期限之前进行适当提醒该用户就能保证按时还款. 黄色:表示该客户信用程度一般,只要及时催促,就能保证其按时还款. 橙色:表示客户信用程度较低,为了保证客户按时还款,应该加强与用户之间的联系,在借贷时也要适当进行决策. 红色:表示该用户信用程度差,银行在借贷时应该考虑是否要对其进行贷款. 模型的假设 分别对AHP法和BP神经网络算法中所涉及到的变量以及其他因素进行假设. 1. AHP算法所涉及到的比较矩阵是根据Saaty等人提出来的1-9尺度法进行度量的,在具体的矩阵拟定中,对人为因素所造成的误差忽略不计. 2.基于现实以及计算考虑,在商业银行客户信用评估指标体系中,本文仅选取24项,其余指标不予考虑,设分别表示客户登记表中的24小项的分值,在实际的银行信贷过程中,只要客户填写了客户登记表,那么这24项的值就随之确定. 3.用表示各个小项所属的大项,分别为客户特征、偿还能力以及信用状况;用Z表示客户的信用程度. 4.在BP神经网络结构中,假定输出单元的阈值为0. 5.基于商业银行客户登记表中的属性评分标准(按1-5之间的整数打分,分数越高,表示信用卡持有者该属性表现越好),本文将根据最后所求得的Z值的区间[0,1]将其划分为5个小区间,即[0,0.2),[0.2,0.4),[0.4,0.6),[0.6,0.8),[0.8,1.0],从低到高分别代表红、橙、黄、蓝、绿五个等级,根据最后所求Z值落入的区间来确定该客户的信用等级. 模