信用风险对金融市场危害最大。因此建立一个准确、高效的预测模型，对企业信用风险进行评估。目前使用的模型或方法不足以反映出影响企业信用诸多因素之间的非线性关系。而神经网络技术是一种自然的非线性建模过程，能从大量复杂数据中发现规律，这一特点恰好适用于信用评估领域，具有一定的可行性。
信用风险神经网络模型信用评级
一、企业信用评级概述
信用评级(Credit Rating)，又称资信评级，是一种社会中介服务为社会提供资信信息，或为单位自身提供决策参考。最初产生于20世纪初期的美国。1902年，穆迪公司的创始人约翰穆迪开始对当时发行的铁路债券进行评级。后来延伸到各种金融产品及各种评估对象。由于信用评级的对象和要求有所不同，因而信用评级的内容和方法也有较大区别。
企业信用评级（Enterprise Credit Rating）,信用评级作为一个完整的体系，包括信用评级的要素和指标、信用评级的等级和标准、信用评级的方法和模型等方面的内容。其中信用评级指标和信用评级方法是信用评级体系中最核心的两个内容，同时又是信用评价体系中联系最紧密、影响最深刻的两个内容。
1.行业风险因素。包括：X1宏观环境，X1.1宏观经济政策、X1.2行业前景预侧；X2行业成长性，X2.1销售收入增长率、X2.2新产品销售收入比重、X2.3R&D投入强度。
2.企业运营状况。包括：X1生产绩效，X1.1企业的产需率、X1.2企业产品成本、X1.3企业产品生产循环期、X1.4企业总利润率； X2竞争力，X2.1产品质量竞争力、X2.2客户满意率；X3企业间的合作，X3.1企业间的合作密切程度、X3.2企业间的信息沟通水平、X3.3企业间的交易记录。
3.企业的综合实力。包括：X1企业基本素质，X1.1企业规模、X1.2领导者素质、X1.3管理水平比；X2偿债能力，X2.1资产负债率、X2.2流动比率、X2.3利息保津倍数；X3营运能力，X3.1存货周转率、X3.2应收账款周转率、X3.3流动资产周转率；X4盈利能力，X4.1销售毛利率、X4.2资产报酬率；X5成长创新力，X5.1销售收入增长率、X5.2R&D投入强度、X5.3资本积累率；X6信用记录。
信用评级的等级用AAA、AA、A、BBB、BB、B、CCC、CC、C表示。
二、神经网络
神经网络作为人工智能的一个重要分支，备受关注。神经网络系统理论是以人脑的智能功能为研究对象，研究人类大脑的信息处理能力与方法，特别是研究人类大脑的智能信息处理能力相关的信息处理理论方法，建立智能计算的理论与方法，为智能计算机的研究开发奠定理论基础。所谓人工神经网络是由人工神经元按照一定的拓扑结构互连而成的网络，用来模拟人的大脑通过学习获取知识并解决问题的能力。
误差反传(BP)算法的基本思想是，学习过程由信号的正向传播和误差的反向两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出和期望输出不符，则转入误差的反向传播阶段，误差的反向传播是将误差以某种形式通过隐层向输出层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播和误差反向传播的各层权值调整过程，是周而复始进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到一定范围之内，或进行到预先设定的学习次数为止。
三、基于神经网络模型的企业信用风险评价
神经网络模型是非线性的，在没有明确函数的情况下，仍然可以通过神经网络对问题进行分析。企业外部获取的数据繁杂，难以形成稳定的线性函数形式，因此选用神经网络模型对企业进行信用风险评价，从而帮助商业银行做出合理判断。
得到达到要求的BP神经网络后，便可以运用该模型预测企业的信用风险，帮助商业银行对不同的企业进行信用评价。
参考文献:
[1]朱晓明，程建，刘治国，钟经樊.基于反向传播算法神经网络的信用评分系统预测力研究[J].西安交通大学学报，2006.
[2]赵志燕.Logistic_BP神经网络的变权组合模型在公司信用评级中的应用[J].价值工程，2009.
[3]张立明.人工神经网络的模型及其应用.上海:复旦大学出版社，1993.
[4]阎平凡，张长水.人工神经网络与模拟进化计算.北京:清华大学出版社，2003.l一26.
[5]焦李成.神经网络系统理论.西安:西安电子科技大学出版社，1990.36一37.
