基于人工智能方法的贷款分类模型研究

摘要

本文采用专家系统(ES)和BP人工神经网络算法对商业银行贷款按风险程度进行质量分类。经研究，将影响贷款归还可能性的因素分为四个方面：财务因素、非财务因素、现金流量、信用支持，分别建立模块对上述因素进行分析，从而将贷款按照五级分类法分为：正常、关注、次级、可疑、损失。 首先，将BP人工神经网络应用于对财务因素及现金流量的分析过程中，通过选取合适的指标和数据，构造训练集，训练神经网络，得到BP神经网络输入层到隐含层以及隐含层到输入层的最终权值，这样，神经网络模型也就建立起来了。然后，将ES专家系统应用到非财务因素的分析中来。首先，建立非财务因素的指标体系，然后根据采取的指标运用产生式专家系统，建立规则体进行分析，在输出时，输出的是非财务指标的状况，将非财务因素分析的结果分为极高风险，中高风险，中风险，中的风险，低风险五类。至此，三方面因素分析完成，我们再次运用产生式专家系统对这三因素分析的结果进行综合分析，建立新的规则体，得到初步的分类结果。最后，根据信用支持对贷款质量的影响程度，对初步分类结果进行调整，得到最终的贷款分类结果。

目录

文摘

英文文摘

声明

致谢

序

1引言

2我国贷款分类的方法

2.1“一逾两呆”分类方法

2.2五级分类法

2.3五级分类法与“一逾两呆”的比较

3影响贷款归还可能性的因素

3.1财务因素分析

3.1.2盈利能力分析

3.1.3营运能力分析

3.1.4长期偿债能力分析

3.1.5短期偿债能力分析

3.2现金流量分析

3.2.1现金

3.2.2现金流量

3.3非财务因素分析

3.3.1行业风险分析

3.3.2经营风险分析

3.3.3管理风险分析

3.3.4银行贷款管理

3.4信用支持

3.4.1担保的种类

4专家系统及人工神经网络概述

4.1专家系统

4.1.1专家系统的特点

4.1.2专家系统的优点

4.1.3专家系统分类

4.1.4专家系统的一般结构

4.1.5产生式专家系统

4.2人工神经网络

4.2.1人工神经网络的特点

4.2.2人工神经元模型

4.2.3神经网络的结构及工作方式

4.2.4神经网络的学习

4.2.5 BP神经网络模型及算法

5贷款分类研究

5.1基于人工智能研究的基本框架

5.2基于BP神经网络的财务因素分析

5.2.1建立财务分析指标体系

5.2.2人工神经网络模型构造

5.2.3财务分析的实证研究

5.3现金流量因素分析及实证

5.4基于专家系统的非财务因素分析

5.5贷款风险分类的综合分析

5.5.1贷款风险分类综合分析专家系统知识结构

5.5.2贷款分类综合分析的知识表示

6结论

参考文献

作者简历