小額貸款公司利率神經(jīng)網(wǎng)絡預測模型研究

1、<p>　　小額貸款公司利率神經(jīng)網(wǎng)絡預測模型研究</p><p>　　摘要：利率風險是小額貸款公司面臨的主要風險之一，科學的利率預測方法是小額貸款公司利率風險控制的前提。本文以廣州民間金融街小額貸款公司的利率數(shù)據(jù)，驗證了BP神經(jīng)網(wǎng)路時間序列預測模型具有較好的利率預測能力和推廣能力。 </p><p>　　關鍵詞：利率風險 利率預測 BP神經(jīng)網(wǎng)絡模型 </p><

2、;p>　　一、小額貸款公司利率預測概述 </p><p>　?。ㄒ唬┬☆~貸款公司利率風險 </p><p>　　利率風險是指市場利率變動的不確定性給金融機構造成損失的可能性。隨著我國金融市場利率市場化改革的推進，利率風險將成為小額貸款公司面臨的主要風險之一。由于小額貸款公司利率風險管理體制不健全、對利率風險認識不夠、缺乏相關領域?qū)I(yè)人才等因素，使得當市場利率變動時，小額貸款公司往往會

3、面臨較大的利率風險。 </p><p>　?。ǘ├暑A測：小額貸款公司利率風險控制的前提 </p><p>　　影響小額貸款公司市場利率變動的因素來自多個方面，包括運營成本、資金成本、投資項目的收益率水平、同期商業(yè)銀行的短期貸款利率、社會信用狀況、貸款規(guī)模狀況、預期利潤率以及各種補貼等，此外，通貨膨脹率、自然災害等也會對小額貸款公司利率定價產(chǎn)生一定的影響。為了避免或減少利率變動所帶來的風

4、險損失，小額貸款公司必須掌握科學的利率預測方法和技術，建立有效的利率風險控制體系。 </p><p>　　準確預測利率是有效進行風險管理的前提，利率預測的內(nèi)容有：利率變動的方向、變動的水平、周期性的轉(zhuǎn)折點等。對市場利率走勢進行預測是金融機構利率風險管理工作的前提與基礎，尤其在監(jiān)管部門或者金融機構采取積極主動的風險管理策略時，科學準確的利率預測顯得更為重要?？茖W準確的利率預測結果可以為小額貸款公司的資產(chǎn)負債管理提供

5、可靠的決策依據(jù)，及時運用適當?shù)姆椒ê拖鄳墓ぞ?，才能在利率變動中最大限度地減少風險損失、增加經(jīng)營收益。 </p><p>　　二、利率預測模型-BP神經(jīng)網(wǎng)絡 </p><p>　　（一）神經(jīng)網(wǎng)絡預測原理 </p><p>　　BP（Back-Propagation）神經(jīng)網(wǎng)絡是一種按照誤差逆?zhèn)鞑ビ柧毜亩鄬忧梆伾窠?jīng)網(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。BP神經(jīng)網(wǎng)絡包

6、括兩個方面，一是信號向前傳播，二是誤差反向傳播。它不需要預先知道具體的映射關系，而是通過學習和儲存大量的輸入、輸出之間的映射關系，然后利用反向傳播不斷調(diào)整網(wǎng)絡的權值和閾值，使得網(wǎng)絡的誤差平方和最小。BP神經(jīng)網(wǎng)絡能夠?qū)崿F(xiàn)輸入到輸出的任何復雜非線性映射關系，對求解內(nèi)部機制復雜問題具有很大的優(yōu)勢，且網(wǎng)絡具有一定的概括和推廣功能。因此本文中將利用BP神經(jīng)網(wǎng)絡對小額貸款公司利率數(shù)據(jù)進行擬合預測。由于小額貸款公司的利率數(shù)據(jù)可以看成一個時間序列，并假

7、設利率時間時間序列數(shù)據(jù)為■，時間序列預測的含義就是通過一定的算法實現(xiàn)利用序列前N個時刻的值，預測出后M個時刻的值。其中，對于數(shù)據(jù)樣本的分類以序列前N個時刻的數(shù)據(jù)做為滑動窗，將其映射為M個值，則這M個值代表前N個數(shù)據(jù)后的M個時刻上的預測值。將數(shù)據(jù)分成一定數(shù)量的樣本后，如果把每個樣本的前N個值作為神經(jīng)網(wǎng)絡的輸入，后M個值作為目標輸出。通過學習，就可以利用神經(jīng)網(wǎng)絡實現(xiàn)從RN到RM的映射，實現(xiàn)預測利率數(shù)據(jù)時間序列的目的。 </p>

8、<p>　?。ǘ├暑A測的基本步驟 </p><p>　　利用BP神經(jīng)網(wǎng)絡進行時間序列數(shù)據(jù)進行預測前，需要先將小額貸款公司利率數(shù)據(jù)劃分為用于訓練（或擬合）和預測兩大部分。本文采用BP神經(jīng)網(wǎng)絡對廣州民間金融街的小額貸款公司利率數(shù)據(jù)進行預測，具體實現(xiàn)步驟如下： </p><p>　　1、構造網(wǎng)絡訓練樣本 </p><p>　　受各種復雜因素影響下的小額貸款

9、公司利率是一個動態(tài)變化、不穩(wěn)定的非線性系統(tǒng)，其未來走勢除了受周圍經(jīng)濟環(huán)境的影響外，還會受到某些人為因素、政府調(diào)控行為等的影響。在構建神經(jīng)網(wǎng)絡過程中有必要選擇正常運作下的利率樣本數(shù)據(jù)，因為異常數(shù)據(jù)將會導致神經(jīng)網(wǎng)絡預測能力下降。選取多少樣本數(shù)據(jù)進行訓練也是一個重要的考慮因素，當訓練樣本數(shù)據(jù)太大時可能會使得計算量大大增加，訓練結果無法擬合、收斂，將最終導致預測失敗，而過少的樣本數(shù)據(jù)又可能導致擬合誤差過大。在本文中選取了小額貸款公司期限結構為1

10、個月的利率數(shù)據(jù)樣本進行BP神經(jīng)網(wǎng)絡的構建。圖1所示為2012年6-12月連續(xù)180天廣州民間金融街民間借貸期限結構為1個月的利率數(shù)據(jù)時間序列走勢圖。 </p><p>　　2、數(shù)據(jù)樣本預處理 </p><p>　　如果數(shù)據(jù)樣本比較復雜，在利用神經(jīng)網(wǎng)絡進行預測前，為改善數(shù)據(jù)樣本本身的分布特征，降低神經(jīng)網(wǎng)絡對數(shù)據(jù)樣本的敏感度，避免原始數(shù)據(jù)過大造成網(wǎng)絡麻痹，可以將原始數(shù)據(jù)進行適當預處理或變換，使

11、得數(shù)據(jù)樣本能夠主動適應網(wǎng)絡，提高網(wǎng)絡的學習預測能力。其中最常用的預處理方法是將原始數(shù)據(jù)進行歸一化處理。圖2為歸一化后的利率時序圖。 </p><p><b>　　3、構造訓練樣本 </b></p><p>　　基于大量利率歷史數(shù)據(jù)，進行預測，并對這些利率數(shù)據(jù)進行技術分析時，分析周期的選擇恰當與否對預測結果會有直接的影響?；谘芯靠紤]，本例進行利率預測的分析周期選取為3

12、0天，即用期限結構為30天的利率價格作為預測的依據(jù)，依次將連序30天的利率數(shù)據(jù)作為網(wǎng)絡的一個輸入數(shù)據(jù)，后30天的數(shù)據(jù)作為輸出數(shù)據(jù)（即目標數(shù)據(jù)），按此方式進行滑動式的排列，形成神經(jīng)網(wǎng)絡的訓練樣本數(shù)據(jù)序列。 </p><p>　　4、構建二層動態(tài)神經(jīng)網(wǎng)絡結構進行預測 </p><p>　　多層神經(jīng)網(wǎng)絡能力非常強，一般來說，多層神經(jīng)網(wǎng)絡具有較強的模擬性，一個二層的神經(jīng)網(wǎng)絡，第一層是s型函數(shù)，第二

13、層是線性函數(shù)，就可以用來模擬任何連續(xù)有界的函數(shù)。因此，在本例中選擇了二層的神經(jīng)網(wǎng)絡，選擇11個隱層神經(jīng)元、30個輸入神經(jīng)元、30個輸出神經(jīng)元。 </p><p><b>　　5、訓練網(wǎng)絡 </b></p><p>　　在本例中最大的迭代次數(shù)為4000，目標收斂精度為0，并對各種算法進行比較評價最后確定使用Levenbery-Marquardt法進行網(wǎng)絡訓練仿真。（圖3

14、-圖7、表1） </p><p>　　以上的神經(jīng)網(wǎng)絡訓練結果表明，在這幾類算法中，Levenbery-Marquardt算法以最快的收斂速度和最少的迭代次數(shù)達到了最高的收斂精度，因此本例中選擇了Levenbery-Marquardt法進行網(wǎng)絡仿真訓練。 </p><p>　　6、利率數(shù)據(jù)的預測 </p><p>　　如果訓練樣本較少，會出現(xiàn)網(wǎng)絡的預報誤差較大的情況，

15、若想獲得理想的預測效果，應采用大量的數(shù)據(jù)樣本，一年甚至幾年的利率數(shù)據(jù)。圖8顯示了所建立的神經(jīng)網(wǎng)絡模型通過訓練后對數(shù)據(jù)的擬合程度。 </p><p>　　圖9顯示了神經(jīng)網(wǎng)絡訓練過程產(chǎn)生的誤差，在將來的研究中，可以通過大容量樣本網(wǎng)絡的訓練，預測結果會更加精確，且外推能力也更強。 </p><p>　　圖10顯示了神經(jīng)網(wǎng)絡仿真結果，說明使用BP神經(jīng)網(wǎng)絡進行利率預測所獲得的結果比較精確，可以較好模

16、擬了利率波動。因此認為，基于BP神經(jīng)網(wǎng)絡建立起來的時間序列預測模型，應用于利率預測問題，預測結果較為精確，且具有較好的推廣能力。圖11給出了通過該神經(jīng)網(wǎng)絡進行仿真的誤差曲線。 </p><p>　　經(jīng)過以上的步驟，我們利用訓練好的神經(jīng)網(wǎng)絡進行下一步的預測。圖12顯示了神經(jīng)網(wǎng)絡往后預測30天的數(shù)據(jù)結果。 </p><p>　　通過對廣州民間金融街利率數(shù)據(jù)BP神經(jīng)網(wǎng)路時間序列預測模型分析，驗證

17、了該模型具有較好的預測能力和推廣能力，說明所構建的基于動態(tài)利率數(shù)據(jù)的BP神經(jīng)網(wǎng)絡時間序列預測模型的有效性和適用性，進一步說明預測結果的可信度和良好的參考價值。 </p><p><b>　　三、結束語 </b></p><p>　　隨著利率市場化改革在我國的不斷推進，監(jiān)管部門對利率預測的要求必定會進一步提高，因此，監(jiān)管部門應當開展利率風險管理和利率預測的研究工作。 &

18、lt;/p><p>　　在實際經(jīng)濟生活中，影響利率變動的因素很多，而利率水平與利率結構的變動往往是許多因素綜合作用的結果，因此，準確的預測利率水平的未來走勢和利率結構的可能變化是困難的。然而，利率預測具有重要的理論及實踐意義，利率預測的各種方法也只有在不斷的利率預測實踐中反復修改驗證才能不斷發(fā)展和完善?？茖W準確的利率預測是小額貸款公司進行有效的資產(chǎn)負債管理的前提條件與基礎，也是監(jiān)管部門建立有效利率風險控制體系的基礎。