摘要：隨著經濟環(huán)境的變化和近兩年來疫情的影響，金融機構之間競爭愈發(fā)激烈。大多數(shù)商業(yè)銀行都認識到貸后管理工作的重要性，但是銀行客戶經理在貸后風險信息識別上缺乏專業(yè)知識和工具，導致貸后管理一直銀行信貸工作中最薄弱的環(huán)節(jié)。將大數(shù)據技術應用于貸后風險評估防控，能夠有效的識別出貸后管理過程中存在的風險信息并及時采取措施，提高金融機構的貸后管理水平。

1.概述

近幾年來我國市場經濟多元化發(fā)展水平的不斷提升，企業(yè)信用風險成為銀行業(yè)面臨的主要問題。貸后管理是商業(yè)銀行在企業(yè)貸款過程中關鍵的一個環(huán)節(jié)，而貸后風險防控是貸后管理中的一項重要工作內容。但在銀行信貸管理中普遍存在著“重貸輕管”的現(xiàn)象，對貸后管理內容認識不夠全面。因此加強貸后風險防控不僅能夠提高貸后管理工作質量，而且還能保證銀行信貸業(yè)務穩(wěn)健發(fā)展。在網絡技術和大數(shù)據技術的發(fā)展背景下，為社會各個領域帶來了新的優(yōu)化和發(fā)展方向。將大數(shù)據技術應用于銀行貸后風險防控，一方面可以提高信貸管理工作的科學性和有效性，另一方面能夠及時預防不良貸款的形成。利用神經網絡技術來建立貸后風險評價模型，從模型結果發(fā)現(xiàn)企業(yè)經營過程中可能存在的風險信息?？偠灾髷?shù)據分析技術可作為貸后管理工作中一個重要的工具。

2.BP神經網絡基本原理

目前BP神經網絡是信貸風險分析中最為廣泛的神經網絡模型。BP神經網絡算法具有強大的并行處理機制，高度自學習、自適應能力，能夠隨環(huán)境的變化而不斷學習。在進行信貸風險評估與預測時，企業(yè)信息和財務數(shù)據等指標之間存在復雜的非線性關系。而人工神經網絡是一種自然的非線性建模過程，具有很好的逼近分線性映射能力，無需區(qū)分各個指標之間的非線性關系。

BP神經網絡的模型結構包括輸入層、隱藏層和輸出層。其計算過程包括前向過程：輸入信號從輸入層通過激活函數(shù)向隱藏層和輸出層傳播。如果輸出結果得不到期望的輸出，則將誤差信號通過反向過程，向輸入層反推，直至樣本的輸出結果與期望值之間的誤差小于給定值。此時可以得到較為穩(wěn)定的預測結果。

3.BP神經網絡建模及計算結果

本文采用的數(shù)據來自于某銀行2020年度的有貸企業(yè)客戶數(shù)據，包括5000個訓練樣本，350個測試樣本。根據訓練樣本進行BP神經網絡建模，得到穩(wěn)定的預測模型后，將測試數(shù)據輸入至模型中得到客戶風險信息。

3.1客戶數(shù)據描述

數(shù)據集包括企業(yè)客戶基本信息數(shù)據、財務指標數(shù)據、貸款數(shù)據以及企業(yè)水電費數(shù)據。其中客戶基本信息包括客戶id、注冊資本、注冊地址、股權比例。財務指標有資產負債率、利潤率、流動資產、短期投資、固定資產、無形資產、資產總計、營業(yè)收入、營業(yè)利潤、凈利潤、經營活動產生的現(xiàn)金流量、投資活動產生的現(xiàn)金流量、籌資活動產生的現(xiàn)金流量等字段。貸款信息包括：貸款額度、授信額度、信用余額、還款期次、結算賬戶等數(shù)據。對5000個訓練樣本進行數(shù)據預處理，剔除財務指標數(shù)據缺失的客戶。增加一個是否逾期字段，設置兩個默認值：“1”（未逾期）和“0”（已逾期）。

3.2模型建立

本文采用matlab神經網絡工具箱進行建模，其中激活函數(shù)為Sigmoid（）函數(shù)。首先對樣本數(shù)據進行歸一化處理，設定網絡隱藏層和輸出層激勵函數(shù)分別為tansig和logsig函數(shù)。網絡訓練函數(shù)為traingdx，性能函數(shù)為mse。網絡迭代次數(shù)為5000次，期望誤差為0.0001%，學習速率為0.01，設定好參數(shù)后開始訓練網絡。

3.3模型結果評價

根據上述訓練好的模型，將預測數(shù)據輸入至模型中。利用輸出結果計算模型的總體分類正確率、逾期正確率、未逾期正確率、誤報率等指標。其中逾期正確性為樣本中違約的樣本數(shù)與違約總數(shù)的比值;未逾期正確率為未逾期樣本數(shù)與未逾期總數(shù)的比值。誤報率為逾期樣本中為未逾期樣本的數(shù)量與逾期總數(shù)的比值，如表1所示

從表中可以看出，對于350個測試樣本的逾期正確率為91.35%，而誤報率為10.72%。因此BP神經網絡模型對信貸風險預警的正確率較高，而誤報率很低。從這兩個指標可以看出本模型具有較好的性能。

4.總結

在大數(shù)據和機器學習的數(shù)據分析背景下，本文采用大數(shù)據分析技術對商業(yè)銀行的企業(yè)客戶進行了科學和有效的貸后風險評價。利用BP神經網絡模型預測了客戶逾期風險的概率，從結果可以看出該模型具有較高的評估效率和準確性。雖然本模型在貸后風險預警具有較好的性能，但在基礎數(shù)據選擇和預處理方面還存在欠缺。因此接下來的研究需要在大量樣本的基礎上，綜合考慮企業(yè)運營的各個指標因素進行風險分析。從而提高商業(yè)銀行的信貸管理水平和有效降低不良貸款發(fā)生率。

作者簡介：

田浩，1994.12，男，漢族，河北省石家莊人，中國農業(yè)銀行河北省分行科技與產品管理部，科員，從事系統(tǒng)開發(fā)和數(shù)據處理類工作。