基于BP神經(jīng)網(wǎng)絡(luò)的個(gè)人住房貸款還款信用評(píng)估.pdf

1、隨著國(guó)家經(jīng)濟(jì)的不斷發(fā)展，房地產(chǎn)業(yè)與人們的生活日益相關(guān)。不論是企業(yè)還是個(gè)人，都把投資房地產(chǎn)業(yè)作為資產(chǎn)投資的重要一項(xiàng)。至目前為止個(gè)人住房貸款已成為商業(yè)銀行的最大業(yè)務(wù)之一，因此企業(yè)和個(gè)人的還款能力成為商業(yè)銀行住房信貸風(fēng)險(xiǎn)管理中的一項(xiàng)重要參考指標(biāo)。
　　在國(guó)外，商業(yè)銀行在對(duì)客戶還款能力評(píng)估方面已經(jīng)進(jìn)行很長(zhǎng)時(shí)間的探索并取得很好的發(fā)展成果，目前商業(yè)銀行基本采用統(tǒng)計(jì)的方法對(duì)客戶還款能力進(jìn)行量化分析。在我國(guó)，客戶信用評(píng)估系統(tǒng)的建立相對(duì)落后，并未形

2、成一個(gè)完整的體系，因而銀行的信用風(fēng)險(xiǎn)較大。因此，加快商業(yè)銀行信用評(píng)估系統(tǒng)建設(shè)的任務(wù)迫在眉睫，從而為商業(yè)銀行提供科學(xué)的決策依據(jù)。
　　作為個(gè)人住房貸款還款信用評(píng)估的其中一種方法，神經(jīng)網(wǎng)絡(luò)模型以其自學(xué)習(xí)、自調(diào)整以及非線性映射的優(yōu)點(diǎn)，被應(yīng)用于量化個(gè)人信用評(píng)估模型中，但是神經(jīng)網(wǎng)絡(luò)在個(gè)人信用住房貸款評(píng)估中的實(shí)際應(yīng)用并不是很廣泛，有待進(jìn)一步探索。在多種神經(jīng)網(wǎng)絡(luò)模型中，BP神經(jīng)網(wǎng)絡(luò)在神經(jīng)網(wǎng)絡(luò)中應(yīng)用較為廣泛，因?yàn)锽P神經(jīng)網(wǎng)絡(luò)的具有自適應(yīng)、較強(qiáng)泛化

3、能力以及容錯(cuò)能力好的顯著優(yōu)點(diǎn)。本文利用某家商業(yè)銀行客戶住房貸款還款真實(shí)記錄信息，并選取每一項(xiàng)還款記錄中的11項(xiàng)評(píng)估指標(biāo)構(gòu)建評(píng)估體體系.然后在計(jì)算上利用MATLAB軟件對(duì)數(shù)據(jù)進(jìn)行仿真分析。同時(shí)，隨著科研工作者對(duì)BP神經(jīng)網(wǎng)絡(luò)的研究不斷深入，至目前為止已經(jīng)產(chǎn)生了很多訓(xùn)練算法，對(duì)于這些訓(xùn)練算法性能優(yōu)劣評(píng)比應(yīng)該具體問(wèn)題具體分析，從而針對(duì)某一具體問(wèn)題找到其最最優(yōu)算法。本文在BP神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)過(guò)程中，分別使用附加動(dòng)量法、自適應(yīng)學(xué)習(xí)速率、擬牛頓法、

4、共軛梯度法、LM算法對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，通過(guò)對(duì)比每個(gè)訓(xùn)練結(jié)果的誤差、訓(xùn)練次數(shù)、訓(xùn)練時(shí)間及收斂速度，進(jìn)而確定采用基于LM算法的BP神經(jīng)網(wǎng)絡(luò)。使用已經(jīng)訓(xùn)練好的最優(yōu)BP神經(jīng)網(wǎng)絡(luò)對(duì)重新選擇的新客戶的住房貸款信息進(jìn)行測(cè)試，然后比較期望值與預(yù)測(cè)值之間的誤差，考核該BP神經(jīng)網(wǎng)絡(luò)模型的泛化能力，試驗(yàn)結(jié)果表明該網(wǎng)絡(luò)模型泛化能力良好。在基于LM算法的BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，本文提出一種改進(jìn)初始權(quán)值和樣本數(shù)據(jù)隨機(jī)性選取的方法，通過(guò)誤判率的減小說(shuō)明基于LM