物流金融信用風(fēng)險論文范文

本站小編為你精心準(zhǔn)備了物流金融信用風(fēng)險論文參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

1商業(yè)銀行物流金融信用風(fēng)險體系指標(biāo)

根據(jù)物流金融的運作特點，可將其風(fēng)險來源歸納為來自融資企業(yè)、抵押物以及第三方物流企業(yè)三大方面。借鑒Altman，Haldeman和Narayanan（1977）提出的第二代“ZETA計分模型”中企業(yè)信用評價指標(biāo)體系[3]，將來自融資企業(yè)的風(fēng)險細(xì)化為中小企業(yè)營運能力w1、盈利能力w2、償債能力w3、及信用記錄w4四大方面的十個具體指標(biāo)，分別為w11持續(xù)經(jīng)營、w12資產(chǎn)回報率、w13存貨周轉(zhuǎn)率、w21連續(xù)盈利、w22稅后利潤率、w23銷售利潤率、w31穩(wěn)定存貨、w32資產(chǎn)負(fù)債率、w33速凍比率、w41履約率。我國現(xiàn)階段的物流金融業(yè)務(wù)主要集中于基于權(quán)利質(zhì)押以及基于存貨質(zhì)押兩種，因此質(zhì)押物本身的質(zhì)量也直接關(guān)系其風(fēng)險大小。指標(biāo)包括：所有權(quán)w51、市場性質(zhì)w61、保險率w71三方面。作為重要參與方的物流企業(yè)為實現(xiàn)其對質(zhì)押物的有效監(jiān)管，企業(yè)規(guī)模w81及企業(yè)信譽w91也即成為影響物流金融風(fēng)險的重要指標(biāo)。

2基于BP神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的評價方法

2.1BP神經(jīng)網(wǎng)絡(luò)的基本原理

BP神經(jīng)網(wǎng)絡(luò)，是由Rumelhart和McCelland等人（1986）提出的。其基本思想是，學(xué)習(xí)過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層通過隱含層傳向輸出層。若輸出層的實際輸出與期望輸出不符，則轉(zhuǎn)入誤差的反向傳播階段，并將誤差分?jǐn)偨o各層的所有單元。正向傳播與誤差反向傳播周而復(fù)始，一直到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或預(yù)先設(shè)定的次數(shù)為止。

2.2證據(jù)理論的基本原理

①定義1：設(shè)Θ為一個互斥又可窮舉的元素的集合，稱作識別框架，基本信任分配函數(shù)m是一個集合2Θ到[0，1]的映射，A表現(xiàn)識別框架Θ的任一子集，記作A哿Θ，式中：m（A）稱為時間A的基本信任分配函數(shù)，它表示證據(jù)對A的信任程度。②Dempter合成法則：假定識別框架Θ下的兩個證據(jù)E1和E2,其相應(yīng)的基本信任函數(shù)為m1和m2，焦元分別為Ai和Bj，則m（A）=m1（A）茌m2（A）2.3信用風(fēng)險評估算法為了保證神經(jīng)網(wǎng)絡(luò)的收斂和穩(wěn)定性，本論文中將15個指標(biāo)分為四組，建立4個神經(jīng)網(wǎng)絡(luò)NN1，NN2，NN3和NN4。神經(jīng)網(wǎng)絡(luò)的輸出設(shè)計為（0.1，0.1，0.9）T、（0.1，0.9，0.1）T、（0.9，0.1，0.1）T，表示的信用風(fēng)險級別分別為高風(fēng)險、中度風(fēng)險、低風(fēng)險，記為A1，A2，A3。將輸出歸一化，得到向量（a′i1，a′i2，a′i3）T，記作V′i。令mi（Ai）=a′il，i∈{1，2，3，4}，l∈{1，2，3}，表示由NNi得到的對信用風(fēng)險級別Ai的基本信任度，即針對事件Ai的證據(jù)。之后，再將4個證據(jù)利用DS證據(jù)理論融合。就可以對信用風(fēng)險進(jìn)行評估，最初最終決策。

3應(yīng)用實例

本次數(shù)據(jù)采集共發(fā)出問卷200份，收回135份，有效問卷92份。將前91組數(shù)據(jù)分別訓(xùn)練神經(jīng)網(wǎng)絡(luò)。再將余下1個樣本輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，歸一化處理輸出結(jié)果即得該證據(jù)對該命題的基本概率分配，而后利用DS證據(jù)理論將其融合得到最終優(yōu)化結(jié)果。

4結(jié)論

本文所提出的基于神經(jīng)網(wǎng)絡(luò)和DS證據(jù)理論的物流金融信用風(fēng)險評價模型，其優(yōu)勢表現(xiàn)為：此兩種算法的結(jié)合，不僅克服了單一神經(jīng)網(wǎng)絡(luò)達(dá)到高精度需要迭代次數(shù)過多而造成實時性差的缺點，而且通過大量標(biāo)準(zhǔn)樣本對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，使得DS證據(jù)理論對系統(tǒng)的決策更加準(zhǔn)確。

作者：潘永明劉輝輝朱茂東單位：天津理工大學(xué)管理學(xué)院