基于GA-BP的个人信用风险测量模型的制作方法

基于ga-bp的个人信用风险测量模型
技术领域
1.本发明涉及金融技术领域，具体为基于ga-bp的个人信用风险测量模型。


背景技术：

2.信用风险是金融机构面临的最主要风险之一。继传统的比例分析、主观分析之后，统计方法得到广泛的应用，如判别分析、 logit回归分析等。自从20世纪80年代末期以来，人工智能技术被应用于信用风险测量中。目前，该领域应用最广泛的就是bp 神经网络，非线性映射能力使其具有独特的优势。但bp神经网络的参数设置是基于参数空间局部信息，易陷入局部极小点，这必将降低收敛速度和预测精度。


技术实现要素：

3.(一)解决的技术问题
4.针对现有技术的不足，本发明提供了基于ga-bp的个人信用风险测量模型，解决了预测精度低的问题。
5.(二)技术方案
6.为实现以上目的，本发明通过以下技术方案予以实现：基于 ga-bp的个人信用风险测量模型，包括ga-bp模型，所述ga-bp 模型基于bp神经网络原理和遗传算法的新型模型，所述遗传算法不同于神经网络的局部搜索算法，遗传算法内部采用一种高效的并行全局搜索算法，能在搜索过程中自动获取和积累有关搜索空间的知识，具有良好的全局寻优能力，故而能避免陷入局部极小值，其可处理任意形式的目标函数和约束，可在全局范围内操作任意结构对象，因此又具有较快的运算速度。遗传把目标函数需要优化的解进行编码形成群体，对这些编码群体进行生物遗传中的选择、交叉和变异操作从而产生比之前更优的解即新的种群，如此循环迭代直到满足算法的终止条件。
7.优选的，所述bp神经网络算法包括信号正向传递和误差逆向传播两部分。假设输入层的神经元节点数为n，隐藏层的神经元节点数为s，输出层的神经元节点数为1，则该算法的具体过程如下：
8.1)网络初始化；
9.2)计算隐藏层的输入值cj及输出值dj:
[0010][0011]
式中j＝1,2,
…
,s，xi为输入节点i的值；ω
ij
为输入层节点i到隐藏节点j的权重，bj为隐藏层节点j的阈值；
[0012]
隐藏层输入与输出之间激励函数选择sigmoid函数，隐藏层节点j的输出值dj为：
[0013]dj
＝f(cj)；
[0014]
3)计算输出层的输入值h和输出值y:
[0015]
[0016]
式中ωj为隐藏节点到输出层的连接权重；b为输出层节点的阈值；
[0017]
输出层传递函数选择sigmoid函数，输出层输出值y为：
[0018]
y＝f(h)；
[0019]
4)计算误差f:
[0020][0021]
式中k为样本数；为输出层网络节点的理想值；y
t
为输出层网络节点的实际值；
[0022]
5)误差通过输出层，按误差梯度下降的方式对连接权重和阈值进行调整，向隐层、输入层逐层反传；
[0023]
6)重复步骤2)-5)，直到误差达到精度要求或达到某些停止条件为止。
[0024]
优选的，所述ga-bp模型遗传算法优化bp神经网络的主要包含着三个部分：
[0025]
a.分别是确定bp神经网络结构，遗传算法确定最优初始权值和阈值，bp神经网络进行预测；
[0026]
b.根据所要解决的问题确定bp模型的输入输出参数，然后遗传算法计算个体适应度值，通过选择、交叉和变异操作确定最优个体所对应的权值和阈值并将对应的值赋给神经网络；
[0027]
c.最后bp神经网络依据前两步确定最终结构，对新数据进行预测。
[0028]
(三)有益效果
[0029]
本发明提供了基于ga-bp的个人信用风险测量模型。具备以下有益效果：
[0030]
本发明中遗传算法在全局收敛性的优势,将遗传算法和bp神经网络结合成ga-bp混合模型算法,并将该算法用于实际信用风险评估数据进行实验仿真并与传统bp神经网络作对比，结果表明ga-bp模型加快了收敛速度，提高了模型预测的准确性和可靠性，对实际经济活动决策有很好的辅助作用，可以为各利益相关者做出正确的决策提供客观依据,能够为商业银行提供有效的预警信号，有利于防范市场风险，具有良好的应用价值。
附图说明
[0031]
图1为本发明ga-bp神经网络模型建立流程图；
[0032]
图2为本发明bp神经网络拓扑结构图。图3为本发明bp模型预测结果与期望输出对比图；图4为本发明ga-bp模型预测结果与期望输出对比图。
具体实施方式
[0033]
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。
[0034]
实施例一：
[0035]
如图1-2所示，本发明实施例提供基于ga-bp的个人信用风险测量模型，包括ga-bp模型，ga-bp模型基于bp神经网络原理和遗传算法的新型模型，遗传算法不同于神经网络的
局部搜索算法，遗传算法内部采用一种高效的并行全局搜索算法，能在搜索过程中自动获取和积累有关搜索空间的知识，具有良好的全局寻优能力，故而能避免陷入局部极小值，其可处理任意形式的目标函数和约束，可在全局范围内操作任意结构对象，因此又具有较快的运算速度。遗传把目标函数需要优化的解进行编码形成群体，对这些编码群体进行生物遗传中的选择、交叉和变异操作从而产生比之前更优的解即新的种群，如此循环迭代直到满足算法的终止条件。
[0036]
bp神经网络算法包括信号正向传递和误差逆向传播两部分。假设输入层的神经元节点数为n，隐藏层的神经元节点数为s，输出层的神经元节点数为1，则该算法的具体过程如下：
[0037]
1)网络初始化；
[0038]
2)计算隐藏层的输入值cj及输出值dj:
[0039][0040]
式中j＝1,2,
…
,s，xi为输入节点i的值；ω
ij
为输入层节点i到隐藏节点j的权重，bj为隐藏层节点j的阈值；
[0041]
隐藏层输入与输出之间激励函数选择sigmoid函数，隐藏层节点j的输出值dj为：
[0042]dj
＝f(cj)；
[0043]
3)计算输出层的输入值h和输出值y:
[0044][0045]
式中ωj为隐藏节点到输出层的连接权重；b为输出层节点的阈值；
[0046]
输出层传递函数选择sigmoid函数，输出层输出值y为：
[0047]
y＝f(h)；
[0048]
4)计算误差f:
[0049][0050]
式中k为样本数；为输出层网络节点的理想值；y
t
为输出层网络节点的实际值；
[0051]
5)误差通过输出层，按误差梯度下降的方式对连接权重和阈值进行调整，向隐层、输入层逐层反传；
[0052]
6)重复步骤2)-5)，直到误差达到精度要求或达到某些停止条件为止。
[0053]
虽然bp网络得到了广泛的应用，但自身也存在一些缺陷和不足。首先，由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间；其次，bp算法可以使权值收敛到某个值，但并不保证其为误差平面的全局最小值，这是因为采用梯度下降法容易产生一个局部最小值，导致训练失败。而遗传算法可直接操作结构对象，规避了求导以及函数连续性的限制，具出色的全局寻优能力，在对神经网络训练时，可采用二者相结合的方法，通过遗传算法对神经网络的初始权值优化。即先利用遗传算法进行粗精度的学习以达到确定初值的效果，再采用超线性bp算法完成给定精度的学习。这样建立的网络模型稳定，全局收敛速度快，同时有很强的记忆能力和推广能力。
[0054]
ga-bp模型遗传算法优化bp神经网络的主要包含着三个部分：
[0055]
a.分别是确定bp神经网络结构，遗传算法确定最优初始权值和阈值，bp神经网络进行预测；
[0056]
b.根据所要解决的问题确定bp模型的输入输出参数，然后遗传算法计算个体适应度值，通过选择、交叉和变异操作确定最优个体所对应的权值和阈值并将对应的值赋给神经网络；
[0057]
c.最后bp神经网络依据前两步确定最终结构，对新数据进行预测。
[0058]
模型验证
[0059]
为了验证本文提出模型的有效性，这部分比较了本文模型与常见的信用风险测量模型在uci数据库中两个现实信用数据集上的预测准确率，并使用如下三种评估指标来度量分类标准。
[0060][0061][0062][0063]
实验数据集
[0064]
通过使用来自uci数据库中澳大利亚的数据集。澳大利亚数据集包括690条数据，其中307个非违约样本，383个违约样本。每个样本包含6个分类指标、8个数值型指标和一个目标属性(接受或拒绝)，详细情况如表1所示。数据集按8:2的比例分为训练集和测试集，即为552:138。
[0065]
表1 uci数据库的2个信用数据集
[0066][0067]
参数设置
[0068]
采用的数据集共有14个特征数，所以bp神经网络的输入节点为14，最终确定隐含层节点个数为5，只有1个目标属性则输出节点为1。遗传算法种群个体数设为100，迭代次数为300，交叉概率0.8，变异概率0.01，种群初始化范围[-1,1]。
[0069]
实验结果
[0070]
为了验证本文提出模型的性能，基于澳大利亚数据集比较了 ga-bp模型与传统bp神经网络模型的预测结果，具体实验结果如 表2所示：
[0071][0072][0073][0074]
表2不同模型的评估性能比较
[0075][0076]
从以上表和图3图4可见，ga-bp预测模型对测试样本的识 别准确率达到88.0％，相比传统bp模型79％的识别正确率有了 显著提高。传统bp模型可能在修改权值和阈值过程中陷入了局 部极小点,得到的权值和阈值不是最优解,从而影响了预测效 果。也就是说，利用遗传算法优化神经网络的权值和阈值有助于 解决神经网络陷入局部极小点的问题，具有更好的非线性拟合能 力和更高的预测精度。
[0077]
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。