CN106097094A - 一种面向中小企业的人机结合信贷评估新模型 - Google Patents

Abstract

一种面向中小企业的人机结合信贷评估新模型，根据数据集中的维度确定神经网络的拓扑结构、BP神经网络的权值和阈值，数据输入并预处理具有一个输入层、一个隐含层和一个输出层的前向神经网络，可以以任意精度逼近任意一个非线性函数，得出PSO‑BP算法的分类结果，然后使用模糊综合权重算法计算出根据专家经验得出的分类结果，最后使用模糊综合权重算法得出的结果去优化PSO‑BP算法得出的结果，由此得出最终的分类结果。将机器学***，而新的人机结合模型能够很好的解决了以上两种算法存在的问题。

Description

一种面向中小企业的人机结合信贷评估新模型

技术领域

本发明涉及中小企业信贷评估技术领域，具体为一种面向中小企业的人机结合信贷评估新模型。

背景技术

目前，由于中小企业对国家的经济发展起到举足轻重的作用，中小企业的发展越来越被社会和国家重视，然而，在面对国企大型上市公司，中小企业难从商业银行获得生存资金的贷款，目前在我国对于中小企业的贷款还停留在政策性贷款阶段，并没有在国内实现商业化大规模运作。直到被互联网金融热潮包围的今天，不论是从国家政策层面还是从社会环境上都能给中小企业的发展带来很大的机遇。

实际上，中小企业信用评估的研究一直受国内外学者的关注。有的学者使用定量的基于数据的人工智能方法对中小企业进行信贷信用评估，也有用定性的基于数学建模优化方法去对中小企业信贷信用进行评估。文献1“Liu C,Xia X.The Credit Rating ofSmall and Medium Enterprises Based on Neural Network[C]//InformationEngineering and Electronic Commerce(IEEC),2010 2nd International Symposiumon.IEEE,2010.”提出一种粒子群算法优化神经网络评价模型，并且使用matlab进行仿真，使得该模型在中小企业信用评估中比传统的BP神经网络模型更加有效准确。文献2“Wang HL.Credit Assessment for Listed Companies Based On GA-BP Model[C].2010International Conference on E-Health Networking.2010.”通过引入修正的连接权重值的遗传算法建立BP神经网络模型，并选取2004年到2007年80 家上市公司作为样本，而且还构建了一个上市公司的信用评估财务指标体系，实验表明该模型具有较高的准确性。文献3“S.Zhu,X.Song,Y.Cao.Based on Multi-objective Fuzzy Decision Model toStudy Tech Micro Enterprise Financing Credit Risk Evaluation System[C]//International Conference on Intelligent Transportation,Big Data and SmartCity.IEEE,2015.”是基于模糊聚类模型，以等级评分法对高新技术中小企业融资信用风险进行了评估，根据计算所得到的权重值的指标权重，进行结果的分析，其根据高新技术中小企业的特点，确定层次指标，并且细化二级指标，最终得到模糊评价的结果。文献4“Hsien-Chang Kuo,Lie-Huey Wang,Her-Jiun Sheu,et al.Credit Evaluation for Small andMedium-sized Enterprises by the Examination of Firm-specific Financial Ratiosand Non-financial Variables:Evidence from Taiwan[J].Review of Pacific BasinFinancial Markets&Policies,2011,06(01):122-125.”中对台湾地区的中小企业信用评估时引入了非财务变量，改变了以往单一的使用财务数据进行中小企业的信用评估。文献5“Zhang Y,Ji W G,Wang Y N.Modeling the credit risk for China's small andmedium-sized enterprises[C].Emergency Management and Management Sciences(ICEMMS),2011 2nd IEEE International Conference on.IEEE,2011.”指出新巴塞尔协议强调中小企业贷款组合信用风险模型的必要性，最后提出eDplains模型来解决银行和中小企业之间的信贷风险问题。文献6“Hongli,Junchen.The credit rating of small andmedium-sized enterprises based on the grey hierarchy evaluation model[C]//Information Science and Engineering(ICISE),20102nd International Conferenceon.2010.”中认为中小企业信用评估只能得到不完全的具有非常高的灰色信息，这是由于评估的过程是由专家的知识、经 验和偏好等因素所影响，灰色层次评价模型能够针对这些问题进行很好的处理，为此，我们提出一种面向中小企业的人机结合信贷评估新模型。

发明内容

本发明的目的在于提供一种面向中小企业的人机结合信贷评估新模型，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种面向中小企业的人机结合信贷评估新模型，包括以下步骤：

S1：初始化PSO算法的惯性因子、学习因子c₁、学习因子c₂、种群规模、最大迭代次数、粒子的位置和粒子的速度；

S2：根据数据集中的维度确定神经网络的拓扑结构、BP神经网络的权值和阈值的粒子群映射，数据输入并预处理具有一个输入层、一个隐含层和一个输出层的前向神经网络，可以以任意精度逼近任意一个非线性函数，因此，构造一个3层结构的神经网络；

S3：使用步骤S2中的BP神经进行一次训练，计算n₁个训练样本的训练误差E₁和n₂个检验样本的检验误差E₂，在PSO-BP算法中，BP网络的权值和阈值更新公式为：

W_kj(t+1)＝W_kj(t)+αδ_kH_j (1)

上式中，H_j为隐层的输出，W_kj(t)为隐含层节点j到输出层节点k的连接权值，α为学习参数，一般为0.1～0.9，δ_k为输出层节点k的误差信号，误差计算公式为：

δ_k＝(T_k-O_k)O_k(1-O_k) (2)

T_k为输出节点k的期望输出值，O_k为实际输出值，O_k计算公式如下：

$O_k=\underset{j=1}{\overset{s}{\Σ}}{W}_{kj}{H}_j+{\mathrm{\θ}}_k---\left(3\right)$

其中，s为隐含层节点个数，隐含层输出计算公式为：

$H_j=f(\underset{i=1}{\overset{M}{\Σ}}{W}_{ji}{I}_i+{\mathrm{\θ}}_j)---\left(4\right)$

W_ji(t+1)＝W_ji(t)+ασ_jI_i (5)

上式中，W_ji为输入层节点i到隐含层节点j的连接权值，I_i为输入层节点i输入的值，σ_j为隐含层节点j的误差信号，误差计算公式为：

${\mathrm{\σ}}_j=\underset{k}{\Σ}{\mathrm{\δ}}_k{W}_{kj}{H}_j(1-H_j)---\left(6\right)$

θ_k(t+1)＝θ_k(t)+βδ_k (7)

上式中，θ_k为输出节点k的阈值，β为学习参数，一般为0.1～0.9，

θ_j(t+1)＝θ_j(t)+βσ_j (8)

上式中，θ_j为隐含层节点j的阈值，所示

$E_1=\frac{1}{n_1}\underset{p_1=1}{\overset{n_1}{\Σ}}{(O_{p_1}-T_{p_1})}^2---\left(9\right)$

$E_2=\frac{1}{n_2}\underset{p_2=1}{\overset{n_2}{\Σ}}{(O_{p_2}-T_{p_2})}^2---\left(10\right)$

上式中，n₁和n₂分别为训练样本个数和检验样本个数；和分别为训练样本p₁的网络输出和期望输出值，和分别为检验样本p₂的网络输出和期望输出；

S4：将网络的权值看作PSO算法中粒子的速度，相继两次权值的改变视为粒子的速度的改变，找出最小检验误差E₂时的网络权值，也即最佳适应值，PSO算法中对自身速度和位置更新的公式为：

$v_{id}^{k+1}={\mathrm{wv}}_{id}^k+c_1{r}_{1d}^k\×({\mathrm{pBest}}_{id}^k-p_{id}^k)+c_2{r}_{2d}^k({\mathrm{gBest}}_d^k-p_{id}^k)---\left(11\right)$

$p_{id}^k=p_{id}^k+v_{id}^k---\left(12\right)$

其中，w为惯性权值，c₁、c₂为表示学习因子的常数，r_1d、r_2d为[0,1]中的随机数，k为迭代次数；

S5：每训练完一遍，综合考虑BP和PSO的共同效果，即将BP网络权值调整公式加上权值的改变量；

S6：重复进行以上寻优操作，更新粒子的速度和位置。停止条件是当达到最大指定进化次数时，此时可以得到全局最优粒子位置将被映射到初始神经网络的权重和阈值训练神经网络；

S7：将步骤S6中得出的优化结果赋给BP，进行设定次数的训练，得到一次 分类结果；

S8：根据信息熵和层次分析法求出综合权重W_j在信息熵法中，假设有n个中小企业贷款客户，评价准则为C＝{C_i|i＝1,2,...,n}，则熵权可以定义为：

$\begin{array}{ccc}S(x_{ij}/\sqrt{\underset{i=1}{\overset{m}{\Σ}}{x}_{ij}^2})=-\underset{i=1}{\overset{m}{\Σ}}(x_{ij}/\sqrt{\underset{i=1}{\overset{m}{\Σ}}{x}_{ij}^2})\ln (x_{ij}/\sqrt{x_{ij}^2})& i=1,2,\mathrm{...}m;& j=1,\mathrm{2...},n.\end{array}---\left(13\right)$

$S_J=S(x_{ij}/\sqrt{\underset{i=1}{\overset{n}{\Σ}}{x}_{ij}^2})/\ln n---\left(14\right)$

G_J＝1-S_J (15)

总结以上得到的各准则的信息熵权重为：

层次分析结构分为目标层A，准则层B_k，方案层C_n，目标层只有一个，准则层有k个项目，方案层有n个项，根据以上我们可以求出B层的特征向量首先我们先计算每一行元素的乘积M_i，求其n次方根有下式：

${\stackrel{\‾}{W}}_i=\sqrt[n]{M_i}---\left(17\right)$

将做正规化处理得：

$W_i=\frac{W_i}{\underset{j=1}{\overset{n}{\Σ}}{W}_j}---\left(18\right)$

则W＝[W₁ W₂...W_n]^r就是所求的特征向量，计算矩阵的最大特征向量λ_max并进行一致性检验，

${\mathrm{\λ}}_{max}=\underset{i=1}{\overset{n}{\Σ}}\frac{{\left(AW\right)}_i}{{\mathrm{nW}}_i}---\left(19\right)$

$CI=\frac{{\mathrm{\λ}}_{max}-n}{n-1}---\left(20\right)$

$CR=\frac{CI}{RI}---\left(21\right)$

同理求出C层权重向量矩阵，得到AHP权重为：

W_AHP＝R₁W (22)

由以上(16)式和(22)式可得到综合权重：

S9：使用改进的模糊处理法，求得每个中小企业的信用值E，中小企业信贷评估中存在一定的模糊不定性，在以上二级指标的综合权重计算出后，通过模糊处理的方法求得每个中小企业的信用值。模糊数学思想引入后，使用定量处理后，需要评估中小企业提供的数据来构成矩阵Rj，取代传统专家评定法中的专家评价矩阵R，得出计算公式如下：

E_j＝R_j×W_j (24)

S10：使用如下优化准则来进行两次结果的优化：

1)如果E_A>E_B，且在PSO-BP中A为坏企业，B为好企业，则将A也重新列为好企业；

2)如果E_A<E_B，且在PSO-BP中A为好企业，B为坏企业，则将A也重新列为坏企业；

S11：综合以上得出最终的优化结果，给出中小企业信贷信用评估结果。

与现有技术相比，本发明的有益效果是：面向中小企业的人机结合信贷评估新模型，将机器学***，而新的人机结合模型能够很好的解决了以上两种算法存在的问题。

附图说明

图1为本发明的面向中小企业的人机结合信贷评估新模型的流程图；

图2为本发明的PSO-BP算法适应度曲线图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-2，本发明提供一种技术方案：一种面向中小企业的人机结合信贷评估新模型，包括以下步骤：

S1：初始化PSO算法的惯性因子、学习因子c₁、学习因子c₂、种群规模、最大迭代次数、粒子的位置和粒子的速度；

S2：根据数据集中的维度确定神经网络的拓扑结构、BP神经网络的权值和阈值的粒子群映射，数据输入并预处理具有一个输入层、一个隐含层和一个输出层的前向神经网络，可以以任意精度逼近任意一个非线性函数，因此，构造一个3层结构的神经网络；

S3：使用步骤S2中的BP神经进行一次训练，计算n₁个训练样本的训练误差E₁和n₂个检验样本的检验误差E₂，在PSO-BP算法中，BP网络的权值和阈值更新公式为：

W_kj(t+1)＝W_kj(t)+αδ_kH_j (1)

上式中，H_j为隐层的输出，W_kj(t)为隐含层节点j到输出层节点k的连接权值，α为学习参数，一般为0.1～0.9，δ_k为输出层节点k的误差信号，误差计算公式为：

δ_k＝(T_k-O_k)O_k(1-O_k) (2)

T_k为输出节点k的期望输出值，O_k为实际输出值，O_k计算公式如下：

$O_k=\underset{j=1}{\overset{s}{\&Sigma;}}{W}_{kj}{H}_j+{\mathrm{\&theta;}}_k---\left(3\right)$

其中，s为隐含层节点个数，隐含层输出计算公式为：

$H_j=f(\underset{i=1}{\overset{M}{\&Sigma;}}{W}_{ji}{I}_i+{\mathrm{\&theta;}}_j)---\left(4\right)$

W_ji(t+1)＝W_ji(t)+ασ_jI_i (5)

上式中，W_ji为输入层节点i到隐含层节点j的连接权值，I_i为输入层节点i输入的值，σ_j为隐含层节点j的误差信号，误差计算公式为：

${\mathrm{\&sigma;}}_j=\underset{k}{\&Sigma;}{\mathrm{\&delta;}}_k{w}_{kj}{H}_j(1-H_j)---\left(6\right)$

θ_k(t+1)＝θ_k(t)+βδ_k (7)

上式中，θ_k为输出节点k的阈值，β为学习参数，一般为0.1～0.9，

θ_j(t+1)＝θ_j(t)+βσ_j (8)

上式中，θ_j为隐含层节点j的阈值，所示

$E_1=\frac{1}{n_1}\underset{p_1=1}{\overset{n_1}{\&Sigma;}}{(O_{p_1}-T_{p_1})}^2---\left(9\right)$

$E_2=\frac{1}{n_2}\underset{p_2=1}{\overset{n_2}{\&Sigma;}}{(O_{p_2}-T_{p_2})}^2---\left(10\right)$

上式中，n₁和n₂分别为训练样本个数和检验样本个数；和分别为训练样本p₁的网络输出和期望输出值，和分别为检验样本p₂的网络输出和期望输出；

S4：将网络的权值看作PSO算法中粒子的速度，相继两次权值的改变视为粒子的速度的改变，找出最小检验误差E₂时的网络权值，也即最佳适应值，PSO算法中对自身速度和位置更新的公式为：

$v_{id}^{k+1}={\mathrm{wv}}_{id}^k+c_1{r}_{1d}^k\&times;({\mathrm{pBest}}_{id}^k-p_{id}^k)+c_2{r}_{2d}^k({\mathrm{gBest}}_d^k-p_{id}^k)---\left(11\right)$

$p_{id}^k=p_{id}^k+v_{id}^k---\left(12\right)$

其中，w为惯性权值，c₁、c₂为表示学习因子的常数，r_1d、r_2d为[0,1]中的随机数，k为迭代次数；

S5：每训练完一遍，综合考虑BP和PSO的共同效果，即将BP网络权值调整公式加上权值的改变量；

S6：重复进行以上寻优操作，更新粒子的速度和位置。停止条件是当达到最大指定进化次数时，此时可以得到全局最优粒子位置将被映射到初始神经网络的权重和阈值训练神经网络；

S7：将步骤S6中得出的优化结果赋给BP，进行设定次数的训练，得到一次分类结果；

S8：根据信息熵和层次分析法求出综合权重W_j在信息熵法中，假设有n个中小企业贷款客户，评价准则为C＝{C_i|i＝1,2,...,n}，则熵权可以定义为：

$\begin{array}{ccc}S(x_{ij}/\sqrt{\underset{i=1}{\overset{m}{\&Sigma;}}{x}_{ij}^2})=-\underset{i=1}{\overset{m}{\&Sigma;}}(x_{ij}/\sqrt{\underset{i=1}{\overset{m}{\&Sigma;}}{x}_{ij}^2})\ln (x_{ij}/\sqrt{x_{ij}^2})& i=1,2,\mathrm{...}m;& j=1,\mathrm{2...},n.\end{array}---\left(13\right)$

$S_J=S(x_{ij}/\sqrt{\underset{i=1}{\overset{n}{\&Sigma;}}{x}_{ij}^2})/\ln n---\left(14\right)$

G_J＝1-S_J (15)

总结以上得到的各准则的信息熵权重为：

层次分析结构分为目标层A，准则层B_k，方案层C_n，目标层只有一个，准则层有k个项目，方案层有n个项，根据以上我们可以求出B层的特征向量首先我们先计算每一行元素的乘积M_i，求其n次方根有下式：

${\stackrel{\&OverBar;}{W}}_i=\sqrt[n]{M_i}---\left(17\right)$

将做正规化处理得：

$W_i=\frac{W_i}{\underset{j=1}{\overset{n}{\&Sigma;}}{W}_j}---\left(18\right)$

则W＝[W₁ W₂...W_n]^r就是所求的特征向量，计算矩阵的最大特征向量λ_max并进行一致性检验，

${\mathrm{\&lambda;}}_{max}=\underset{i=1}{\overset{n}{\&Sigma;}}\frac{{\left(AW\right)}_i}{{\mathrm{nW}}_i}---\left(19\right)$

$CI=\frac{{\mathrm{\&lambda;}}_{max}-n}{n-1}---\left(20\right)$

$CR=\frac{CI}{RI}---\left(21\right)$

同理求出C层权重向量矩阵，得到AHP权重为：

W_AHP＝R₁W (22)

由以上(16)式和(22)式可得到综合权重：

S9：使用改进的模糊处理法，求得每个中小企业的信用值E，中小企业信贷评估中存在一定的模糊不定性，在以上二级指标的综合权重计算出后，通过模糊处理的方法求得每个中小企业的信用值。模糊数学思想引入后，使用定量处理后，需要评估中小企业提供的数据来构成矩阵Rj，取代传统专家评定法中的专家评价矩阵R，得出计算公式如下：

E_j＝R_j×W_j (24)

S10：使用如下优化准则来进行两次结果的优化：

1)如果E_A>E_B，且在PSO-BP中A为坏企业，B为好企业，则将A也重新列为好企业；

2)如果E_A<E_B，且在PSO-BP中A为好企业，B为坏企业，则将A也重新列为坏企业；

S11：综合以上得出最终的优化结果，给出中小企业信贷信用评估结果。

鉴于对算法鲁棒性的考虑，在获取的原有数据中使用三倍标准差检验法对异常数据进行有效剔除，得到原始数据。原始数据集一共有32个属性，通过参阅文献和相关资料以及四大国有银行的信用贷款指标体系，使用Best first search特征搜索算法与CFS评价函数找出最优特征子集，从而将32个属性根据行业状况、财务风险、非财务风险、和履约情况来精简到14个属性。首次考虑了国家政策层面和行业发展层面的参数。本发明在PSO-BP和遗传神经算法中对两份数据集进行有效对比验证，其中一份不含有国家行业政策和行业发展趋势属性，最后得出的结果显示使用含有以上两属性的数据集实验最后的分类准确率比不含有以上两属性的数据集的分类准确率提高了将近1％。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (1)

1.一种面向中小企业的人机结合信贷评估新模型，其特征在于：包括以下步骤：

S1：初始化PSO算法的惯性因子、学习因子c₁、学习因子c₂、种群规模、最大迭代次数、粒子的位置和粒子的速度；

S2：根据数据集中的维度确定神经网络的拓扑结构、BP神经网络的权值和阈值的粒子群映射，数据输入并预处理具有一个输入层、一个隐含层和一个输出层的前向神经网络，可以以任意精度逼近任意一个非线性函数，因此，构造一个3层结构的神经网络；

S3：使用步骤S2中的BP神经进行一次训练，计算n₁个训练样本的训练误差E₁和n₂个检验样本的检验误差E₂，在PSO-BP算法中，BP网络的权值和阈值更新公式为：

W_kj(t+1)＝W_kj(t)+αδ_kH_j (1)

上式中，H_j为隐层的输出，W_kj(t)为隐含层节点j到输出层节点k的连接权值，α为学习参数，一般为0.1～0.9，δ_k为输出层节点k的误差信号，误差计算公式为：

δ_k＝(T_k-O_k)O_k(1-O_k) (2)

T_k为输出节点k的期望输出值，O_k为实际输出值，O_k计算公式如下：

其中，s为隐含层节点个数，隐含层输出计算公式为：

W_ji(t+1)＝W_ji(t)+ασ_jI_i (5)

上式中，W_ji为输入层节点i到隐含层节点j的连接权值，I_i为输入层节点i输入的值，σ_j为隐含层节点j的误差信号，误差计算公式为：

θ_k(t+1)＝θ_k(t)+βδ_k (7)

上式中，θ_k为输出节点k的阈值，β为学习参数，一般为0.1～0.9，

θ_j(t+1)＝θ_j(t)+βσ_j (8)

上式中，θ_j为隐含层节点j的阈值，所示

上式中，n₁和n₂分别为训练样本个数和检验样本个数；和分别为训练样本p₁的网络输出和期望输出值，和分别为检验样本p₂的网络输出和期望输出；

S4：将网络的权值看作PSO算法中粒子的速度，相继两次权值的改变视为粒子的速度的改变，找出最小检验误差E₂时的网络权值，也即最佳适应值，PSO算法中对自身速度和位置更新的公式为：

其中，w为惯性权值，c₁、c₂为表示学习因子的常数，r_1d、r_2d为[0,1]中的随机数，k为迭代次数；

S5：每训练完一遍，综合考虑BP和PSO的共同效果，即将BP网络权值调整公式加上权值的改变量；

S6：重复进行以上寻优操作，更新粒子的速度和位置。停止条件是当达到最大指定进化次数时，此时可以得到全局最优粒子位置将被映射到初始神经网络的权重和阈值训练神经网络；

S7：将步骤S6中得出的优化结果赋给BP，进行设定次数的训练，得到一次分类结果；

S8：根据信息熵和层次分析法求出综合权重W_j在信息熵法中，假设有n个中小企业贷款客户，评价准则为C＝{C_i|i＝1，2，...，n}，则熵权可以定义为：

G_J＝1-S_J (15)

总结以上得到的各准则的信息熵权重为：

层次分析结构分为目标层A，准则层B_k，方案层C_n，目标层只有一个，准则层有k个项目，方案层有n个项，根据以上我们可以求出B层的特征向量首先我们先计算每一行元素的乘积M_i，求其n次方根有下式：

将做正规化处理得：

则W＝[W₁ W₂ ... W_n]^r就是所求的特征向量，计算矩阵的最大特征向量λ_max并进行一致性检验，

同理求出C层权重向量矩阵，得到AHP权重为：

W_AHP＝R₁W (22)

由以上(16)式和(22)式可得到综合权重：

S9：使用改进的模糊处理法，求得每个中小企业的信用值E，中小企业信贷评估中存在一定的模糊不定性，在以上二级指标的综合权重计算出后，通过模糊处理的方法求得每个中小企业的信用值。模糊数学思想引入后，使用定量处理后，需要评估中小企业提供的数据来构成矩阵Rj，取代传统专家评定法中的专家评价矩阵R，得出计算公式如下：

E_j＝R_j×W_j (24)

S10：使用如下优化准则来进行两次结果的优化：

1)如果E_A>E_B，且在PSO-BP中A为坏企业，B为好企业，则将A也重新列为好企业；

2)如果E_A<E_B，且在PSO-BP中A为好企业，B为坏企业，则将A也重新列为坏企业；

S11：综合以上得出最终的优化结果，给出中小企业信贷信用评估结果。