基于BP神经网络的手机银行风险预警模型研究.doc

基于BP神经网络的手机银行风险预警模型研究

基于BP神经网络的手机银行风险预警模型研究

【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，继而使用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，其必然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，关于其风险预警的研究尚不多，只有一些学者提出了其对手机银行风险的定性研究。因此，本文将在综合分析以往研究成果的基础上，从传统银行风险、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。

构建一个准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用线性数学的方法对风险进行预测，这些方法存在难以处理非线性数据、自学习能力差、不具备动态预测能力等缺陷，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研究成果的基础上，对手机银行风险进一步识别，并采用德尔菲法（Delphi）来确定相关指标，采用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，为防范风险提供依据[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所有风险一一列举，本文主要选取了对手机银行影响较大的风险进行研究，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方便，根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研究。

（二）确定相关指标及权重

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。

具体而言，本文根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，否则为安全银行。

三、手机银行风险预警模型的实验检验

（一）数据综合风险值的获取

根据表1合成权重以及指标阈值的结果，采用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，样本银行为安全银行，预警度取“0”。根据这一原则，45个样本当中有40个安全样本和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，使得所有的样本数据落入[0，1]范围之内，并根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，本文采用经验公式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测。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，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测。

四、结论

手机银行是网络银行发展的重要阶段，手机银行的安全性研究是一个新兴的领域。但目前的研究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研究，还没有系统性地提出风险预警模型，本文的研究可以为解决这个问题提供一个新的视角。本文在分析现有研究成果的基础上，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。通过实验表明，运用该模型对手机银行风险进行预测具有可行性，预测结果可以为风险评估提供一个有力的支撑。

参考文献

[1