摘要：商业银行是市场经济的参与主体之一，具有盈利性的特征，也是国家金融体系的组成部分，有责任维护金融市场稳定，避免在信贷产品经营中出现系统性风险。信用风险是常见的风险形式，但如果得不到有效控制，也有可能酿成系统风险，因此，商业银行既要完善风险管理体系，又要应用先进的风险评估技术。Bp神经网络是辅助商业银行个人信用评估系统建设的一种技术，其有先进性的一面，也有自身的不足，在实际应用中需要不断改进，才能更好地发挥规避信用风险和提高信贷产品经营质量的效用。
关键词：Bp神经网络；个人信用评估；改进；算法
长期以来，我国传统金融机构的个人信用评估以人工审查为主，即银行组织信审员，依据贷款政策以及申请人的资料，进行人工的信用评分，最后决定是否符合贷款条件。中国人民银行于1999年开始建设个人信用信息基础数据库（征信系统），到2005年已完成与商业银行联网，成为查询个人信用的主要途径。而信用贷款仅依靠征信查询不够全面、准确，因此各家商业银行及互联网金融企业，积极地建设本单位的个人信用评估系统，如引入SAS的风险审批系统、Fairsaac公司的信贷审核决策系统、Bp神经网络模型等。
Bp神经网络是由Rumelhart和McClelland为首的科学家在上世纪80年代提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，即同反向传播算法进行学习，是由正向传播和方向传播组合而成的。它把数学和统计模型用于个人信用评估，具有一定辅助信贷审批的作用。本文在分析常规Bp神经网络的基础上，探索深度Bp神经网络改进方法和应用价值。
1.常规Bp神经网络模型与算法
1.1Bp神经网络模型
Bp神经网络模型是由输入层、隐含层和输出层构成。其中，输入层按照能够体现个人资质的指标来设定，如单位或职务指标、财产或收入指标、失信指标等；隐含层是对应上级指标的考察分项，一般是若干个由人为设定的资料或；输出层是指信用额度或信用评分。
神经网络有模式识别能力、自组织、自识别和自学习等特点的计算机制，其知识编码于整个权值网络，呈现分布式存储，而且有一定的容错能力。通过分类功能找出影响因素作为输入向量X=（x1，x2…，xn），隐含向量Y=(y1，y2，…，yp)，Z代表相应综合评估的值，即神经网络的输出值。当算法和隐含层的考察分项设定合理，网络就能以任意精度逼近有界区域上的任意连续函数，形成了有效的Bp神经网络信用评估模型。
1.2Bp神经网络算法
反向传播算法又称Bp算法，是一种由指导学习的算法，应用最快下调法调整权值，可分为两个过程。
（1）正向传播
第一步：隐含层神经元的输入、输出。
j=1,2,…,p。公式中，Wij表示输入层第i个单元与隐含层第j个单元间的联结权重;Ｏj表示隐含层第j个单元的阈值；p表示隐含层的单元总数，n为输入层单元总数。然后，计算隐含层的单元输出。
, 
表示隐含层第j个单元的输出，
表示激活函数。
第二步：输出层各神经单元的输入、输出。
j=1,2,…,q。公式中，Wij表示输入层第i个单元与隐含层第j个单元间的联结权重;Ｏj表示隐含层第j个单元的阈值；q表示输入层的单元总数。最后，计算输出层各单元的输出：
,
表示隐含层第t个单元的输出，
表示输出层使用的激活函数。
（2）反向传播
为了隐含层和输出层的权重修正量和阈值误差最小，权重和阈值应沿误差的负梯度方向变化，因此，定义一误差函数：
,其中，
为对样本模式输出单元的误差函数，
为期望输出。
隐含层和输出层各单元的权重修正和阈值修正：
。公式中，
表示输出层的调整误差，
；α表示学习速度，是可调节的收敛速度。
隐含层和输入层的权重修正及阈值：
;
。公式中，
表示隐含层的调整误差，
；β表示学习速度，用来调节学习的收敛速度。
2.改进的Bp神经网络算法
常规的Bp神经网络的缺点是局部极小和收敛速度的问题，在条件不充分时，也存在完全不能训练的问题，因此需要改进Bp神经网络，即采用深度Bp神经网络算法。改进Bp算法的思路有很多种，启发式学习算法是比较常用的一种，这一算法是通过分析函数梯度来改进算法，可分为有动量的梯度下降法和自适应的梯度下降法。下文阐述将附加动量法和自适应学习率调整法两种相结合，采取自适应学习速率动量梯度下降反向传播算法对网络进行训练。
采用动量法降低了网络对误差局部细节的敏感性，可抑制网络陷于局部极小。常规的Bp算法在修正权值W（k）时，只是按照k时的负梯度方式修正，不能利用之前积累的经验，即以前时刻的梯度方向，导致学习过程中发生振荡，收敛速度缓慢等问题。因此，改进的Bp算法是：
W(k+1)=W(k)+∂[(1−η)D(k)+ηD(k−1)]。公式中，D（k）=
表示k时刻的负梯度，D（k-1）表示k-1时刻的负梯度；∂表示学习率，∂＞0；η为动量因子，0≤η<1。
学习率决定收敛速度，因而自适应调整学习率可缩短学习时间。常规Bp算法的收敛速度慢与学习率有关，深度Bp神经网络算法首先要采用自适应调整学习率，其特征的准则是：检查权值是否降低了误差函数，若是，则说明选取的学习率值偏小，可增加一个量级；若不是，则较小学习率值。改进方法如下公式所示：W(k+1)=W(k)+∂(k)D(k)；∂(k)=2λ∂ (k−1)。公式中，D(k)表示k时刻的权值负梯度；λ表示调整学习参数，取值为1或-1。当连续2次迭代梯度方向相同，说明下降太慢，应当选取参数1,；当连续2次迭代梯度相反，说明下降过快，应当选取参数-1.
深度Bp神经网络算法具有更强的适应性和稳定性，其应用到个人信用评估系统中，一方面，可提高网络收敛速度，速度学习的时间；另一方面可有效抑制网络陷入局部极小，提高系统的稳定性和容错能力。
3.深度Bp神经网络的应用
运用MATLAB将数据标准化并随机抽取一家商业银行的560名优质客户和240名不良客户作为训练集，其余140名优质客户和60名不良客户作为测试集。应用改进BP神经网络算法建模并进行测试，采用Batch处理修改权重。
（1）确定初始权重与初始输入。对输入的初始值进行归一化处理，考察是否达到局部极小和合适的收敛速度。
（2）选择网络层次。采用三层BP神经网络，即输入层、隐含层和输出层，要考虑选择合理的神经元个数和网络训练时间。
（3）确定隐含层神经元个数。依据一般原则，一是，隐含层节点数介于输入和输出节点数之和的53%-70%；二是，隐含层节点数要小于训练样本数，当多余样本数时，可合并一些次要节点。
（4）确定权重的调整公式和训练参数。结合动量的梯度下降法和自适应的梯度下降法，即改进后的计算方法进行信用评估。
（5）训练过程和结果。在训练集随机抽取80%的数据进行训练，并且进行拟合，另外20%的数据作为测试集。使用Train函数来训练创建的Bp神经网络，设置训练步长值为1200，预期误差目标0.165，设定最优隐含层节点数为20。通过运算结果：经过3次迭代后，达到预期误差目标，综合拟合度为96.152%，用于个人信用评估模型比较合理，训练时间较短，精准度较高。
结语
深度Bp神经网络在算法和建模细节上有所改进，提高了信用评估系统的适应性和稳定性，减少了常规Bp神经网络的缺陷。商业银行应用基于深度Bp神经网络建立的信用评估系统进行风险评估，不仅运行效率较高，而且评估准确度更有一定程度的提升。
参考文献
[1]闻新，张兴旺，朱亚萍，李新著.智能故障诊断技术：MATLAB应用[M]，北京航空航天大学出版社，2015.09
[2]陈哲贇.统计方法在个人信用评估体系上的应用[D],华东师范大学，2012
[3]高泽斌,白倬宁,刘帅,刘秋梅.基于Adaboost-BP神经网络的个人信用评估研究[J].建筑科技,2017(14)
[4]张冠珠，刘朝东.改进BP神经网络在个人信用评估系统的应用[J].齐齐哈尔大学学报，2008（5）
项目名称：基于深度Bp神经网络的个人信用评估研究，编号：201810378376。
论文作者:王凌飞,徐小玥,吴琼,唐庆星,徐睿杰
论文发表刊物:《基层建设》2019年第2期
论文发表时间:2019/4/11
标签：神经网络论文; 算法论文; 梯度论文; 单元论文; 误差论文; 个人信用论文; 商业银行论文; 《基层建设》2019年第2期论文;