[發(fā)明專利]基于主成分分析和神經(jīng)網(wǎng)絡(luò)的中小信貸策略模型

在審

• 申請?zhí)枺?/td>: 202210696231.5
• 申請日: 2022-06-20
• 公開（公告）號: CN114862563A
• 公開（公告）日: 2022-08-05
• 發(fā)明（設(shè)計）人: 夏紅衛(wèi);陳鑫;蘇斌浩;卜寧川
• 申請（專利權(quán)）人: 常州工學(xué)院
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06N3/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于主成分分析和神經(jīng)網(wǎng)絡(luò)的中小信貸策略模型，其特征在于，包括如下步驟：

步驟1：建?；炯僭O(shè)及模型符號說明；

步驟1.1模型假設(shè)建立；

步驟1.2建模符號說明：i、評價對象個數(shù)；j、評價指標(biāo)；R、相關(guān)系數(shù)矩陣；Z_i、企業(yè)的綜合得分；W、各企業(yè)主成分貸款額度；Q、年度貸款總額；loss、損失金額；risk、貸款損失率即顧客流失率；rate、年利率；V、評語集；w、權(quán)重；x、各項指標(biāo)；invoicetotal、總發(fā)票數(shù)；G、貸款總額；

步驟2：建立了基于主成分分析的貸款額度分析模型；

步驟2.1重要指標(biāo)的確定原則；

信貸策略受到很多復(fù)雜的指標(biāo)影響，選取不同的影響指標(biāo)，最終的預(yù)測結(jié)果也不同；為了能更好的進行信貸策略的決定，重要指標(biāo)的確定應(yīng)按照以下規(guī)則確立：

1)探究評判企業(yè)

給出信貸策略是一個綜合性問題，一方面考慮到各個企業(yè)的經(jīng)濟實力差距所給貸款會有所不同，另一方面也考慮到各個企業(yè)的信譽有高有低所確定的年利率也會有所不同，因此本文將進行綜合分析與評價；

2)確定復(fù)合量綱因素

信貸策略受到多種因素的影響，很多指標(biāo)通常無法進行對比；為了消除多種規(guī)模化因素影響，確定的重要指標(biāo)要更加綜合化；

3)穩(wěn)定與可靠性

影響銀行信貸策略的各個指標(biāo)都來自于調(diào)查與統(tǒng)計，在處理各項指標(biāo)的過程中，所用到的數(shù)據(jù)必須達(dá)到穩(wěn)定性與可靠性高的標(biāo)準(zhǔn)；

步驟2.2重要指標(biāo)的確立

確立重要指標(biāo)體系主要用于給出信貸策略，在重要指標(biāo)確定規(guī)則基礎(chǔ)上，結(jié)合銷項發(fā)票和進項發(fā)票信息數(shù)據(jù)，得到的三級評價指標(biāo)；

步驟2.3主成分分析模型的確定

選取較少變量，來解釋大部分?jǐn)?shù)據(jù)中的變異的幾個新變量，即所謂主成分，并來解釋數(shù)據(jù)的綜合性指標(biāo)；是一種降維方法；

步驟2.4數(shù)據(jù)預(yù)處理

利用互聯(lián)網(wǎng)并結(jié)合各個中小微企業(yè)的經(jīng)濟實力不同，獲取有信貸記錄企業(yè)的交易票據(jù)信息數(shù)據(jù)，在此基礎(chǔ)上，對建立的銀行信貸決策指標(biāo)體系的指標(biāo)層數(shù)據(jù)進行預(yù)處理；

對于指標(biāo)：購方單位數(shù)x₁、銷方單位數(shù)x₂，以附件中的一家企業(yè)涉及購方單位代號、銷方單位代號的種類來計數(shù)；

對于指標(biāo)：平均發(fā)票數(shù)，取附件中的一家企業(yè)所涉及的總發(fā)票數(shù)invoicetotal與購方單位數(shù)x₁、銷方單位數(shù)x₂單位數(shù)總和的商，即

對于指標(biāo)：購方稅額x₄、銷方稅額x₅，取附件中一家企業(yè)購方稅額與銷方稅額的均值來處理；

對于指標(biāo)：銷項加稅合計x₆、進項價稅合計x₇，取附件中一家企業(yè)的銷項加稅合計與進項價稅合計的最大值；

對于指標(biāo)：有效發(fā)票占比x₈，取附件中一家企業(yè)的有效發(fā)票數(shù)與總發(fā)票數(shù)的商；

對于指標(biāo)：負(fù)數(shù)發(fā)票數(shù)x₉、作廢發(fā)票數(shù)x₁₀，以一家企業(yè)的負(fù)數(shù)發(fā)票數(shù)量和作廢發(fā)票數(shù)量來計數(shù)；

步驟2.5指標(biāo)層矩陣的建立

根據(jù)銀行信貸決策指標(biāo)體系及數(shù)據(jù)預(yù)處理后可以得到一個123×10的指標(biāo)層矩陣R，矩陣部分如式(1)所示：

步驟2.6主成分分析模型求解貸款額度

1)原始數(shù)據(jù)標(biāo)準(zhǔn)化

主成分分析模型的主成分分析指標(biāo)變量有10個，分別為x₁，x₂，…，x₁₀，共有123個評價對象，第i個評價對象的第j個指標(biāo)的取值為a_ij；將各指標(biāo)值a_ij轉(zhuǎn)換成標(biāo)準(zhǔn)化指標(biāo)值即式(2)所示

式(3)中：即μ_j，s_j為第j個指標(biāo)的樣本均值和樣本標(biāo)準(zhǔn)差；

對應(yīng)地，定義

為標(biāo)準(zhǔn)化指標(biāo)變量；

2)計算相關(guān)系數(shù)矩陣

相關(guān)系數(shù)矩陣R＝(r_ij)_10×10，有

式(4)中：r_ii＝1，r_ij＝r_ji，r_ij為第i個指標(biāo)與第j個指標(biāo)的相關(guān)系數(shù)；

3)計算特征值和特征向量

相關(guān)系數(shù)矩陣的特征值依次是2.9927、2.2005、1.3180、0.9125、0.8656、0.7041、0.4373、0.3021、0.1388、0.1283；對應(yīng)的標(biāo)準(zhǔn)化后的特征向量為：

其中u_j＝[u_1j，u_2j，…，u_10j]^T，由特征向量組成10個新的指標(biāo)變量

4)構(gòu)建主成分綜合評價模型

構(gòu)建主成分綜合評價模型

Z＝29.9274y₁+22.0046y₂+…+1.3884y₉+1.2835y₁₀ (6)

把所有主成分代入式(6)，得到123家有信貸記錄企業(yè)的綜合得分及排名；

步驟2.7貸款額度模型確立

基于主成分分析方法得到了主成分綜合評價模型和123家有信貸記錄企業(yè)的綜合得分Z，由于某銀行的貸款額度為10～100萬元，所以建立如式(7)所示的各企業(yè)主成分貸款額度模型：

其中Z_j是第j個企業(yè)的綜合得分，Z_min是所有企業(yè)的綜合得分的最小值，Z_max是所有企業(yè)的綜合得分的最大值，W_j是各企業(yè)主成分貸款額度模型；

通過有信貸記錄企業(yè)的信譽評級，分類匯總可以得到不同信譽評級企業(yè)的貸款總額W_A、W_B、W_C；

由此構(gòu)建出不同信譽的總貸款額度如式(8)所示：

其中W_i，i＝A，B，C是(5)式中不同信譽等級企業(yè)的貸款總額，G是銀行在該年度提供的貸款總額，Q_i，i＝A，B，C是不同信譽等級企業(yè)的年度貸款總額；

所以各企業(yè)的年度貸款額度模型如式(9)所示：

將(7)式簡化得到年度貸款精確模型如式(10)所示：

Q_ij為各個企業(yè)的所獲貸款額度，由式(10)可以在實際房貸過程中計算得到各企業(yè)的貸款額度；

步驟2.8粒子群算法求解貸款最優(yōu)年利率模型

1)最優(yōu)年利率模型確立

貸款年利率、顧客流失率與企業(yè)信譽等級有關(guān)；假設(shè)顧客流失率為貸款損失率risk，當(dāng)顧客流失時，所有貸款歸還而未來利潤丟失，則所有損失金額應(yīng)為式(11)所示：

loss＝2risk×Q_ij×rate (11)

其中l(wèi)oss為損失金額，risk為貸款損失率即顧客流失率，Q_ij為各類企業(yè)的所獲貸款額度，rate為年利率；

銀行貸款后所得的利潤應(yīng)為貸款額度與年利率的乘積如式(12)所示：

earn＝∑Q_ij×rate (12)

其中earn為貸款利潤金額，Q_ij為各個企業(yè)的所獲貸款額度，rate為年利率；

由此構(gòu)建貸款最優(yōu)年利率模型如式(13)：

其中l(wèi)oss_i為各信譽等級企業(yè)損失金額，rate_i為各信譽等級企業(yè)的年利率，Q_ij為各個企業(yè)所獲貸款額度；

2)粒子群算法

PSO初始化為一群隨機粒子，然后通過迭代找到最優(yōu)解；在每一次迭代中，粒子通過跟蹤兩個極值來更新自己；第一個就是粒子本身所找到的最優(yōu)解，這個解稱為個體極值；另一個極值是整個種群目前找到的最優(yōu)解，這個極值是全局極值；另外也可以不用整個種群而只是用其中一部分作為粒子的鄰居，那么在所有鄰居中的極值就是局部極值；粒子群算法流程：

[1]初始化粒子群，包括確定群體規(guī)模N，每個粒子的位置x_i和速度v_i

[2]計算每個粒子的適應(yīng)度值F_a[i]；

[3]對每個粒子，用它的適應(yīng)度值F_a[i]和個體極值p_best(i)比較，如果F_a[i]＞p_best(i)，則用F_a[i]替換掉p_best(i)；

[4]對每個粒子，用它的適應(yīng)度值F_a[i]和全局極值g_best比較，如果F_a[i]＞p_best(i)則用F_a[i]替換掉g_best

[5]根據(jù)公式v_id＝wv_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id)，x_id＝x_id+v_id更新粒子的位置x_i和速度v_i；

[6]如果滿足誤差足夠好或到達(dá)最大循環(huán)次數(shù)退出，否則返回[2]。