基于BP神经网络的客户洗钱风险等级划分模型_孙娟

内容需要下载文档才能查看 内容需要下载文档才能查看 内容需要下载文档才能查看 内容需要下载文档才能查看 内容需要下载文档才能查看

rass-roots Practice

基层实践

栏目编辑：魏珺

基于BP神经网络的

客户洗钱风险等级划分模型

文‖中国人民银行合肥中心支行 孙娟

长

期以来，各金融机构根据人民银行要求对客户进行了风险等级划分，但缺乏具体、

值，权重设置的科学性和合理性将直接影响全局的风险划分结果。而各风险子项异质性较强，难以辨别孰轻孰重，准确赋值操作难度较大。此外，金融机构目前的风险等级划分结果在按照权重法重新划分风险等级时无法被再利用。各金融机构如何实现既在一定期限内保留原有客户风险等级划分结果，又按新的指标分解客户风险，实现《指引》的平稳过渡，是当前迫切需要解决的问题。面对这一新问题，传统的权重法难以实现，神经网络理论则可以有效地解决该问题。

成由n维输入空间到m维输出空间的非线性映射。而正常操作时，在为训练好的神经网络输入一个信号后，它就可以回忆出相应的输出结果。

利用神经网络的基本原理，将金融机构目前客户风险等级划分结果作为训练样本。其中风险子项作为输入向量，风险评分作为输出向量，通过训练，创建包含风险子项与评分的映射关系的神经网络。对于训练好的神经网络，只需给出各风险子项评分，它就将自动计算出风险评分结果。此种方法无需预先设置各风险子项权重，且能充分地利用目前风险等级划分的成果，有效地解决了客户风险等级划分工作面临的问题。2.BP神经网络结构及算法

BP（Back Propagation）神经网络是一种按误差反向传播算法训练

统一的划分标准，风险判定存在标准不一、分类杂乱、不具代表性等问题。2013年，人民银行发布了《金融机构洗钱和恐怖融资风险评估及客户分类管理指引》（以下简称《指引》），指导金融机构评估洗钱风险，合理确定客户洗钱风险等级，提升反洗钱工作有效性。本文就金融机构如何依据《指引》开展客户洗钱风险等级划分工作，提出了具体操作办法——BP神经网络模型。

一、《指引》颁布后亟需解决的问题

《指引》中规定洗钱风险评估指标体系包括客户特性、地域、业务、行业4类基本要素和20个风险子项。各金融机构目前普遍采用权重法，对每一基本要素及其风险子项进行权重赋值，各项权重均大于0，综合等于100。对于风险控制效果影响力越大的基本要素及其风险子项，赋值相应越高。最后，根据各风险子项评分及权重赋值计算客户风险等级总分。

按照权重法实施洗钱风险等级划分，必须预先对风险子项进行权重赋

二、误差反向传播（BP）神经网络基本原理

1.神经网络原理及其在客户风险等级划分中的应用

人工神经网络是根植于神经科学、数学、统计学、物理学、计算机科学及工程等学科的一种技术。神经网络无需事先了解输入输出模式之间的映射关系，只要为其提供足够多的输入输出样本模式供其进行学习训练，它就能够学习并储存大量的输入输出模式映射关系，完

rass-roots Practice

基层实践

的多层前馈网络，是目前应用最广泛的神经网络模型之一。典型的BP神经网络是一种具有3层或3层以上机构的无反馈、层内无连接结构的前向网络。其中首尾两层分别称为输入层和输出层，中间各层称为隐含层（也称中间层），如图1所示。

神经元是人工神经网络里面最基本、最关键的部件，它是一个多输入、单输出的非线性元件。当大量的神经元组成庞大的网络，通过网络中各个神经元之间的相互作用，才能实现对信息的处理与存储。

BP神经网络采用有指导的学习方式进行训练和学习，即当一对学习模式提供了BP神经网络后，神经元的激活值从输入层经各个隐含层向输出层传播，在输出层的各个神经元获得网络的实际输出响应。通过比较输出层各个神经元的实际输出与期望输出，获得二者之间的误差，然后按照减小误差的方向，从输出层经各个隐含层向输入层传播，并逐层修正各单元的权值，直至误差降低至可以接受的范围，BP神经网络的学习训练过程也就随之结束。BP神经网络随着误差反向传播不断进行修正，从而不断提高对输入模式识别的正确率，所以BP神经网络采用的学习算法被称之为“误差反向传播”。

波器、BP神经网络、Hopfield神经网络等模型。以下我们将通过MAT-LAB中BP神经网络工具箱创建客户洗钱风险等级划分模型。 1.数据选样

以我省徽商银行客户风险等级划分为实例，采集其中100户个人客

户作为训练样本，创建BP神经网络模型。将客户风险子项作为输入向量，客户风险评分作为输出向量。2.确定隐含层节点数

设置最大循环迭代次数为5000，隐含层转移函数选择logsig函数，输出层选择线性函数。使用MATLAB工具箱BP网络的函数newcf创建BP网络。在样本集和循环迭代次数相同的情况下，通过系统总误差来比较具有不同隐含层节点数的BP神经网络的泛化分类能力，从而确定隐含层节点数。经比较，在样本中当隐含层节点数为8时，系统总误差最小。3.建立模型

根据上一步骤的结果，适合本样本的客户风险等级划分模型是输入层为18个节点、隐含层为8个节点、输出层为单个节点的BP神经网络。通过newcf函数对神经网络进行训练，求解神经网络输入层至隐含层的连接权值、隐含层至输出层的连接权值、隐含层各个单元的阈值和输出层

以上实例仅以个人客户作为样本创建了客户风险等级划分结果，单位客户亦然。由于各金融机构客户风险等级划分各风险子项关注度的不同，所创建的神经网络的结构（隐含层节点数、权值、阈值）也会不同，不能简单地照搬本文的神经网络结构，需根据选择样本实际训练后确定。的阈值（因篇幅限制，此处略去各矩阵的详细值）。4.误差分析

采集徽商银行客户风险等级划分20户个人客户实例，将BP神经网络的输出结果与实例的客户风险等级结果进行比较，最后得出的结果，绝对误差区间为[-1.2483，0.4], 绝对误差区间为[-3.90%，0.62%]，如图2所示。从误差分析结果可知，创建的BP神经网络能够很好地实现客户风险等级划分预测。

四、小结

三、客户洗钱风险等级划分的BP神经网络模型

目前流行的MATLAB神经网络工具箱提供了感知机、自适应线性滤

参考资料：

[1]蒋宗礼：《人工神经网络导论》,高等教育出版社,2010.[2]马瑞：《人工神经网络原理》,机械工业出版社，2010.

[3]张德丰：《MATLAB神经网络编程》,化学工业出版社,2011.

20周年73