蔣卓征 鄭燦暢 馮昌黎 王淑燕

摘要：本文主要針對我國中產(chǎn)階級家庭在理財過程中存在的信息不對稱及市場理財產(chǎn)品單一混亂所導(dǎo)致的理財困境，創(chuàng)新性的提出了“神經(jīng)網(wǎng)絡(luò)分析下的家庭風(fēng)險評價”模式。該模式通過銀行與客戶之間的交流溝通，運(yùn)用計算機(jī)模擬得到客戶在投資過程中組合各項資產(chǎn)的投資占比，為資金的投資分配提供合理性建議。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);家庭理財;風(fēng)險評價

一、引言

近幾年，隨著經(jīng)濟(jì)發(fā)展水平的不斷提高，針對個人及家庭方向理財方案設(shè)計受到了越來越廣泛的關(guān)注。然而，現(xiàn)階段我國市場上的理財產(chǎn)品機(jī)械單一，理財新品的研究和開發(fā)能力的不足，導(dǎo)致了理財產(chǎn)品市場定位和服務(wù)的缺失。正是基于這樣的供需失衡，家庭理財方案的設(shè)計與開發(fā)顯得尤為重要，如何在保證低風(fēng)險下獲得高收益是研究的主要課題。

國外對家庭投資決策的決定因素研究比較充分，其大多為研究影響風(fēng)險資產(chǎn)或金融資產(chǎn)的因素。Kimball（1991）提出勞動收入風(fēng)險或其他類型的不可避免風(fēng)險能夠影響用于風(fēng)險投資的那部分儲蓄，通過減少風(fēng)險資產(chǎn)在現(xiàn)有資產(chǎn)組合中的份額來抵制該風(fēng)險對消費的沖擊。Heaton和Lucas（1997），Koo（1998），viceira（2001）等學(xué)者采用無限期界模型，考察勞動收入風(fēng)險對投資選擇的影響，支出在相對風(fēng)險回避的效用函數(shù)下具有勞動收入風(fēng)險的行為人會比在沒有勞動收入風(fēng)險時更傾向選擇安全性資產(chǎn)。

國內(nèi)學(xué)者臧旭恒（2001）借鑒國外不確定條件下消費—投資行為理論模式，在估算居民資產(chǎn)存量與流量的基礎(chǔ)上分析影響家庭資產(chǎn)選擇的因素，綜合了消費、收入與家庭行為，著重強(qiáng)調(diào)了收入水平對家庭資產(chǎn)選擇的影響。史代敏，宋艷（2005）通過實證研究發(fā)現(xiàn)中國居民投資中儲蓄存款與股票的保有量與家庭收入成正比關(guān)系，并對居民家庭金融資產(chǎn)選擇問題提出了新的看法。

二、家庭風(fēng)險評價模式構(gòu)建

在近些年的重大金融事件中，各大評級機(jī)構(gòu)的作用日益凸顯，對主權(quán)債務(wù)評級、企業(yè)信用評級等一系列指標(biāo)的調(diào)整均會對市場產(chǎn)生極大的刺激作用，進(jìn)而產(chǎn)生重大影響。企業(yè)信用評價體系，作為衡量企業(yè)財務(wù)狀況，評估企業(yè)投資價值的重要指標(biāo)，也日益受到研究者的重視。本文通過對企業(yè)信用評價體系建立的方法和經(jīng)驗，將這種評價體系進(jìn)行修改后，運(yùn)用于家庭理財領(lǐng)域。

家庭風(fēng)險評價模式是通過評價個人家庭理財過程中對風(fēng)險投資的承受能力和投資傾向的指標(biāo)體系，在大量已有的樣本數(shù)據(jù)（即目前存在的家庭理財方案）的基礎(chǔ)上，利用模型算法反復(fù)修正，最終產(chǎn)生家庭風(fēng)險投資在家庭理財中的比例，對家庭理財方案的設(shè)定、理財產(chǎn)品的創(chuàng)新和個性化服務(wù)的提升提供建議。

（一）家庭風(fēng)險評價體系

本文所述的風(fēng)險因素來源是指一切在家庭理財中能影響各項投資比例變化的因素。在綜合分析之后，本文將風(fēng)險因素主要分為家庭就業(yè)狀況、家庭組成情況、家庭消費狀況和家庭投資心理。

家庭就業(yè)狀況主要包括了家庭月收入（X1）、工作階層（X2）和主要收入來源（X3）等一系列影響家庭理財需求的因素。

家庭組成情況主要包括家庭成員構(gòu)成（X4）、家庭置業(yè)情況（X5）和家庭未來主要負(fù)擔(dān)（U6）等一系列影響家庭投資傾向的因素。

家庭消費狀況主要包括家庭月消費支出（X7）、家庭恩格爾系數(shù)（X8）和消費構(gòu)成狀況（X9）等一系列影響家庭投資額度變化的因素。

家庭投資心理主要包括家庭投資支出（X10）、對投資獲利方式的偏好（X11）和各類投資資產(chǎn)評價（X12）等一系列影響家庭投資傾向的因素。

以上是結(jié)合之前研究所歸納的一些主要影響因素，在實際運(yùn)用過程中可根據(jù)實際情況對因素進(jìn)行適度調(diào)整，已達(dá)到適用性要求。

（二）BP神經(jīng)網(wǎng)絡(luò)模型的建立

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，因采用誤差反向傳播的學(xué)習(xí)算法，BP網(wǎng)絡(luò)是目前最成熟、應(yīng)用最廣泛的一種神經(jīng)網(wǎng)絡(luò)，在信息處理、模型識別、智能控制等諸多領(lǐng)域得到越來越廣泛的應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)通常包括一個輸入層、若干個中間層和一個輸出層。其主要特點在于各層神經(jīng)元僅與相鄰神經(jīng)元之間有鏈接，各層神經(jīng)元之間沒有反饋鏈接。BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力，本文采用的是3層的神經(jīng)網(wǎng)絡(luò)模型。

1.模型算法及實現(xiàn)

選取上文列舉的12個X變量作為特征量。由于特征量組成復(fù)雜，即存在定性變量又存在定量變量，所以在特征量處理過程中，可采用工程經(jīng)濟(jì)學(xué)等方法將定性變量量化。

假定BP網(wǎng)絡(luò)的輸入層、中間層和輸出層分別有I、J和K個神經(jīng)元，本文中I為12，J為4，K為1，即12-4-1的BP神經(jīng)網(wǎng)絡(luò)。其中，輸入層含12個解釋變量，中間層含4個解釋變量（對于輸入層而言為被解釋變量），輸出層為單一被解釋變量。

從輸入的角度，中間層第j個神經(jīng)元與輸出層第k個神經(jīng)元的輸入分別為：

NPj=∑ii=1ωijOi（j=1，2，…，I）

NPk=∑jj=1ωjkOj（k=1，2，…，K）

從反饋的角度，輸入層、中間層和輸出層的輸出分別為：

Oi=NPi=Xi

Oj=fj（NPj，θj）=11+-（NPj-θj）

yk=Ok=fk（NPk，θk）=11+-（NPk-θk）

其中，ωij為輸出層第i個元到中間層第j個元的權(quán)數(shù);Oi為輸出層第i個元的輸出;θj與θk分別為中間層第j個神經(jīng)元和輸出層第k個神經(jīng)元的閾值;NP為各層的輸入變量值。

2.模型的自動學(xué)習(xí)及調(diào)整

模型構(gòu)建后，對BP神經(jīng)網(wǎng)絡(luò)模型的完善是通過對BP網(wǎng)絡(luò)的梯度法δ學(xué)習(xí)實現(xiàn)的，目標(biāo)是使神經(jīng)網(wǎng)絡(luò)的輸出值與樣本的均方誤差最小。

假設(shè)現(xiàn)有Z個訓(xùn)練樣本，則第p個樣本的均方誤差為：

Ep=12∑Kk=1（yk-y*k）2

當(dāng)誤差大于目標(biāo)時，進(jìn)行權(quán)值和閾值的調(diào)整。

輸出層的權(quán)數(shù)調(diào)整為：

Δωjk（n+1）=ηδpkOpj+αΔωJK（n）

δpk=（ypk-yp*k）f′k（NPPK）

其中η為學(xué)習(xí)率，α為動量因子。

中間層的權(quán)值調(diào)整為：

Δωij（n+1）=ηδpjOpi+αΔωij（n）

δpj=f′j（NPPJ）∑δkωjk

在多次循環(huán)調(diào)試后，當(dāng)誤差小于給定值時，模型建立完成。

三、模式評價

BP神經(jīng)網(wǎng)絡(luò)作為一種人工智能模擬算法，在實現(xiàn)過程中具有較多優(yōu)勢。從實質(zhì)上看，BP神經(jīng)實現(xiàn)了一個從輸入到輸出的映射功能，而數(shù)學(xué)理論已證明它具有實現(xiàn)任何復(fù)雜非線性映射的功能，這使它適合求解像家庭風(fēng)險水平這樣內(nèi)部機(jī)制復(fù)雜的問題。此外，BP神經(jīng)網(wǎng)絡(luò)能通過學(xué)習(xí)帶正確答案的實例集自動提取“合理的”求解規(guī)則，即具有自學(xué)習(xí)能力，通過不斷對已有成功個體案例進(jìn)行學(xué)習(xí)，可得到一個成熟合理的風(fēng)險評價指標(biāo)，進(jìn)而可以對尚未投資的個體給出投資建議。

BP神經(jīng)網(wǎng)絡(luò)模型也存在一些弊端。第一，BP算法的學(xué)習(xí)速度慢。由于BP算法本質(zhì)為梯度下降法，所要優(yōu)化的目標(biāo)函數(shù)又非常復(fù)雜，因此會出現(xiàn)“鋸齒形現(xiàn)象”，這使得BP算法低效;第二，網(wǎng)絡(luò)訓(xùn)練失敗的可能性較大。BP算法為一種局部搜索的優(yōu)化方法，但要解決的問題為復(fù)雜非線性函數(shù)的全局極值，因此算法很有可能陷入局部極值，使訓(xùn)練失敗;第三，網(wǎng)絡(luò)結(jié)構(gòu)的選擇尚無一種統(tǒng)一而完整的理論指導(dǎo)，一般只能由經(jīng)驗選定，因此對于風(fēng)險評價模型的改進(jìn)具有滯后性，容易出現(xiàn)較大誤差。

四、總結(jié)

BP神經(jīng)網(wǎng)絡(luò)下的家庭風(fēng)險評價模型為家庭綜合理財方案的設(shè)計與開發(fā)提供了一個新的思路，在一定程度上解決了資金投資分配的相關(guān)問題。模型中的量化方法極大程度上簡化了信息處理的過程，體現(xiàn)了理財管理過程中的投資性、保值性和便利性需求。但是這種具有普遍意義的相對標(biāo)準(zhǔn)化方案也面臨調(diào)整能力滯后的局限。

參考文獻(xiàn)：

[1]趙曉英，曾令華.我國城鎮(zhèn)居民投資組合選擇的動態(tài)模擬研究[J].金融研究，2007，（4）：72-86.

[2]史代敏，宋艷.居民家庭金融資產(chǎn)選擇的實證研究[J].統(tǒng)計研究，2005，（10）.

[3]雷曉燕，周月剛.中國家庭的資產(chǎn)組合選擇：健康狀況與風(fēng)險偏好[J].金融研究，2010，（1）：31-45.

[4]陳國進(jìn)，姚佳.中國居民家庭資產(chǎn)組合研究[J].西部金融，2008，（8）.

[5]Viceira，L.M.，2001，“Optimal consumption and Portfolio choice for Long—horizon investors with non-tradable labor inconme”，Journal of Finance，Vol，56：433-370.

[6]Campbell，J.Y，Household Finance.The Journal of Finance[J].2006，61（4）： 1553-1604.