《基于BP神经网络的手机银行风险预警模型研究》由会员分享，可在线阅读，更多相关《基于BP神经网络的手机银行风险预警模型研究（6页珍藏版）》请在金锄头文库上搜索。
1、基于BP神经网络的手机银行风险预警模型探讨 【摘要】本文通过全面分析手机银行风险，从中识别出14类重要的影响因素，并构建手机银行风险全息图。在此基础上，进一步运用德尔菲法（Delphi）及层次分析法（AHP）确定手机银行风险指标及其权重，继而运用BP神经网络构建了一个手机银行风险预警模型。 【关键词】BP神经网络 风险预警模型 手机银行 层次分析法 手机银行在传统银行的基础上发展而来，其必定包含传统银行的部分风险，但同时也面临新的技术风险。而手机银行作为一项较新的业务，关于其风险预警的探讨尚不多，只有一些学者提出了其对手机银行风险的定性探讨。因此，本文将在综合分析以往探讨成果的基础上，从传统银
2、行风险、技术风险、业务风险三个角度，提出手机银行风险评价指标体系，并运用BP神经网络对手机银行风险进行预警。 构建一个精确的手机银行风险预警模型，对于防范和化解风险，具有重要的指导意义。传统的预警模型主要采纳线性数学的方法对风险进行预料，这些方法存在难以处理非线性数据、自学习实力差、不具备动态预料实力等缺陷，在解决手机银行风险的预警问题上有较大的局限性。随着人工智能的发展，我们可以提出一种全新的思路，将BP神经网络引入以解决智能预警的问题。 一、手机银行风险预警指标的设置 本文在参考学术界关于手机银行风险探讨成果的基础上，对手机银行风险进一步识别，并采纳德尔菲法（Delphi）来确定相关指标，
3、采纳定量分析的层次分析法（AHP）来确定各指标的权重。 （一）风险识别 手机银行风险识别就是综合运用各种方法，甄别手机银行所面临的风险， 并分析风险的表现形式及对手机银行造成的影响， 为防范风险供应依据1。手机银行既面临着传统银行的风险，也面临着新的风险，难以对手机银行面临的全部风险一一列举，本文主要选取了对手机银行影响较大的风险进行探讨，绘制出手机银行风险全息图。其中，某些风险同时隶属于二级风险当中的某两类，但为了制作全息图的便利，依据该风险的偏向性做出了模糊划分，这种划分无碍于对手机银行风险的探讨。 （二）确定相关指标及权重 确定了这14个风险和对应的一篮子指标后，笔者向中国人民银行广州分
4、行，工、农、中、建四家国有银行的广东省分行的专业人士发放了50份问卷。其中，回收问卷47份，有效问卷45份，有效率为90%。从问卷中得到三方面重要信息，一方面经过有关专业人士和有关学者的筛选，最终得到了表1所示的各项指标；其次个方面，问卷设计了相关指标重要性的参考分值，由专业人士和相关学者依据自身阅历和学问架构进行打分和排序，依据排序结果，利用AHP计算出各指标的权重，各指标权重如表1所示；第三个方面，要求受访者依据自身实践阅历以及理论基础学问，采纳15表示三级指标对手机银行综合风险的影响程度，这一部分获得的数据为本文第三部分所用。 二、手机银行风险预警指标阈值的确定 本文采纳BP神经网络构建
5、手机银行风险预警模型，其中将以预警三级指标作为输入，以手机银行风险预警度（“平安”或“风险”）为输出。但我国手机银行发展历史较短，并没有足够的评价手机银行风险的基础数据，监管部门也缺乏相关数据记录。因此，必需采纳肯定的标准衡量手机银行的风险，本文通过调查问卷获得的数据确定样本输入，同时采纳临界值法对样本银行的风险预警度进行划分，确定BP神经网络的输出值。 详细而言，本文依据各指标阈值构建了一个“虚拟预警银行”；同时，通过样本银行风险数值与权重做加权运算得到样本银行综合风险值。将“虚拟预警银行”的风险值视为风险预警的分界线，高于这一分界线的样本银行视为风险银行，否则为平安银行。 三、手机银行风险
6、预警模型的试验检验 （一）数据综合风险值的获得 依据表1合成权重以及指标阈值的结果，采纳加权求和的方法计算“虚拟预警银行”的综合风险值，结果为4.477。本文将4.477作为手机银行风险的分界线，样本银行风险值高于4.477的为风险银行，预警度取“1”；否则，样本银行为平安银行，预警度取“0”。依据这一原则，45个样本当中有40个平安样本和5个风险样本。 （二）BP神经网络的训练与检验结果 1.数据的归一化和隐层节点的选取。将收集到的数据运用mapminmax函数进行归一化处理，使得全部的样本数据落入0，1范围之内，并依据归一化后的数据来确定隐层节点数。在隐层节点数的选择方面，本文采纳阅历公式
7、与试凑法相结合的方式进行。经过对比分析，隐层节点数选10较好，因为其训练误差平方和以及训练步数都较小。 2.基于BP神经网络的手机银行风险预警模型的训练。本文将经过归一化处理后的指标值作为神经网络的输入，与之相对应的预警度（“0”或者“1”）作为期望输出。本文一共45个训练样本，并随机选择了10个样本作为检测样本，导入MATLAB的神经网络工具箱进行训练。图2显示，当训练到76步时，网络收敛，即达到训练目标，此神经网络的训练完成。 3.基于BP神经网络的手机银行风险预警模型的预料。以随机选取的10组归一化后的指标值作为输入，对应的预警结果作为期望输出。通过将实际输出与期望输出进行比较，可以看出
8、，期望输出与实际输出的差值很小。因此，经过训练的BP网络是有效的，可以运用该网络对手机银行风险进行预料。 四、结论 手机银行是网络银行发展的重要阶段，手机银行的平安性探讨是一个新兴的领域。但目前的探讨主要集中于定性介绍手机银行面临的风险类型，缺乏关于手机银行风险的实证探讨，还没有系统性地提出风险预警模型，本文的探讨可以为解决这个问题供应一个新的视角。本文在分析现有探讨成果的基础上，构建了手机银行风险评价指标体系，运用BP神经网络构建了手机银行风险预警模型。通过试验表明，运用该模型对手机银行风险进行预料具有可行性，预料结果可以为风险评估供应一个有力的支撑。 参考文献 1张龙涛.我国网络银行业务风险的分析J.中心财经高校学报，2006，7：43-48. 2张纪.国际手机银行发展、风险分析与平安策略J.国际金融探讨，2006，3：68-72. 3何光辉，杨咸月.手机银行模式与监管：金融包涵与中国的战略转移J.财贸经济，2011，4：46-54. 4刘以研，白璐.信息技术条件下的手机银行平安问题探讨J.情报科学，2012，30（4）：609-612.
