摘要：本文針對隨著銀行業(yè)開放廣度和深度的加深給商業(yè)銀行所帶來的風(fēng)險，提出了運(yùn)用主成分分析法和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合建立風(fēng)險預(yù)警模型，并進(jìn)行實(shí)證分析驗(yàn)證了模型的準(zhǔn)確性。

關(guān)鍵詞：風(fēng)險預(yù)警模型 主成分分析法 人工神經(jīng)網(wǎng)絡(luò)

商業(yè)銀行風(fēng)險預(yù)警模型就是在分析商業(yè)銀行經(jīng)營狀況的基礎(chǔ)上，通過觀察一系列統(tǒng)計(jì)指標(biāo)和統(tǒng)計(jì)數(shù)據(jù)(預(yù)警指標(biāo))的變化，運(yùn)用經(jīng)濟(jì)計(jì)量或其它模型，對商業(yè)銀行可能或?qū)⒁媾R的風(fēng)險危機(jī)進(jìn)行識別，及時向決策部門發(fā)出預(yù)警信號，使決策部門能夠及時進(jìn)行調(diào)控，以最小的成本來達(dá)到控制風(fēng)險的最大效益，從而減輕其損失的負(fù)擔(dān)，獲得整體安全保障的管理方法。本文在預(yù)警模型的算法選擇上，避免了僅依靠單個預(yù)警指標(biāo)識別風(fēng)險的局限性，排除了傳統(tǒng)模型加權(quán)平均算法的人為因素，提出采用主成分分析法和人工神經(jīng)網(wǎng)絡(luò)方法相結(jié)合的算法，并對模型進(jìn)行了實(shí)證性研究。

一、引言

綜觀國內(nèi)外研究現(xiàn)狀，目前銀行風(fēng)險預(yù)警的研究大部分是針對宏觀金融環(huán)境的，對于其構(gòu)成細(xì)胞——商業(yè)銀行這一微觀主體的預(yù)警研究尚不多見。盡管如此，國內(nèi)仍有不少學(xué)者在這方面進(jìn)行了有益的探索。本文在銀行業(yè)現(xiàn)有研究的基礎(chǔ)上，將部分敏感因素加入到風(fēng)險管理的動態(tài)監(jiān)測中，進(jìn)一步完善商業(yè)銀行風(fēng)險預(yù)警指標(biāo)體系。模型的主要特點(diǎn)在于其算法選擇上，提出采用主成分分析方法對商業(yè)銀行風(fēng)險狀況進(jìn)行評價，運(yùn)用獨(dú)立樣本T檢驗(yàn)進(jìn)行解釋變量的篩選之后，根據(jù)幾個關(guān)鍵指標(biāo)建立BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型，并按照上述方法進(jìn)行了實(shí)證分析，驗(yàn)證了模型的準(zhǔn)確性。

二、風(fēng)險預(yù)警的指標(biāo)體系構(gòu)架

(一)商業(yè)銀行預(yù)警指標(biāo)的選擇原則

指標(biāo)體系的構(gòu)造，是建立我國銀行風(fēng)險預(yù)警系統(tǒng)的基礎(chǔ)。銀行風(fēng)險的數(shù)量變動特征，無不通過統(tǒng)計(jì)指標(biāo)(變量)的數(shù)量變動特征表現(xiàn)出來，因此，統(tǒng)計(jì)指標(biāo)作為測定銀行風(fēng)險的指示器，在銀行風(fēng)險監(jiān)測預(yù)警分析中有著至關(guān)重要的作用。為了滿足預(yù)警指標(biāo)體系所應(yīng)具備的完備性和最小性的特征，預(yù)警指標(biāo)的選擇應(yīng)符合下列標(biāo)準(zhǔn)：

1 全面性。指標(biāo)體系的選擇應(yīng)既包括各種定量指標(biāo)，也包括反映銀行管理水平和內(nèi)控水平的定性分析指標(biāo)；既注重風(fēng)險的安全性指標(biāo)和流動性指標(biāo)，又注重銀行效益的盈利性指標(biāo)。

2 敏感性。所選擇指標(biāo)能靈敏地反映銀行風(fēng)險產(chǎn)生變化的情況，應(yīng)將能夠反映銀行業(yè)目前所處環(huán)境或階段特征的變量及時納入指標(biāo)體系，更好地體現(xiàn)模型的適時性。

3 可控性。選擇指標(biāo)必須充分考慮到統(tǒng)計(jì)現(xiàn)狀，所選指標(biāo)應(yīng)是各分(支)行自身可以掌握和調(diào)控的。

4 數(shù)據(jù)的可靠性和充分性。預(yù)警指標(biāo)的數(shù)據(jù)要可靠，一是要求數(shù)據(jù)的準(zhǔn)確性，二是要求統(tǒng)計(jì)口徑的一致性。充分性則要求該指標(biāo)的統(tǒng)計(jì)樣本區(qū)間有足夠長度，能夠反映各種可能發(fā)生的情況。

(二)指標(biāo)體系的內(nèi)容

商業(yè)銀行引進(jìn)境外戰(zhàn)略投資的預(yù)警模型指標(biāo)體系如表1所示。

三、商業(yè)銀行引進(jìn)境外戰(zhàn)略投資的風(fēng)險評估

風(fēng)險評估是風(fēng)險預(yù)警的基礎(chǔ)，風(fēng)險預(yù)警是對風(fēng)險評估結(jié)果的補(bǔ)充和完善，風(fēng)險評估是銀行工作者掌握風(fēng)險趨勢變動的依據(jù)，是進(jìn)一步做出風(fēng)險預(yù)警的前提。目前，由于我國金融統(tǒng)計(jì)數(shù)據(jù)的缺乏，通過對破產(chǎn)銀行和穩(wěn)健銀行的數(shù)據(jù)特征對比建立風(fēng)險預(yù)警模型缺乏可行性；此

(三)解釋變量的篩選

構(gòu)建銀行風(fēng)險預(yù)警模型的關(guān)鍵之一，是找出反映銀行風(fēng)險狀況的關(guān)鍵指標(biāo)。因此我們首先對用于主成分分析的反映銀行風(fēng)險狀況的19個主要預(yù)警指標(biāo)進(jìn)行考察。為了降低主觀判斷因素的影響，歸納出一套較強(qiáng)敏感性的指標(biāo)體系，對上一節(jié)通過主成分分析得到的6個高風(fēng)險季度和6個穩(wěn)健季度，將采用獨(dú)立樣本T檢驗(yàn)對影響銀行風(fēng)險狀況的19個指標(biāo)逐步進(jìn)行篩選。目的是得到使總體風(fēng)險在兩類銀行中存在顯著性差別的指標(biāo)。對19個指標(biāo)進(jìn)行獨(dú)立樣本T檢驗(yàn)得到風(fēng)險季度和穩(wěn)健季度在流動性比率、流動性缺口率、不良貸款率、累計(jì)外匯敞口頭寸比例、外資控制權(quán)比率、不良貸款遷徙率、資本收益率、自主創(chuàng)新貢獻(xiàn)度、損失準(zhǔn)備充足率、資本充足率、公司治理結(jié)構(gòu)、管理層評價12個指標(biāo)上的數(shù)字特征是存在顯著性差別的。我們將用這12個指標(biāo)來構(gòu)建商業(yè)銀行引進(jìn)及國內(nèi)外戰(zhàn)略投資的風(fēng)險預(yù)警神經(jīng)網(wǎng)絡(luò)模型。

(四)基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)險預(yù)警模型實(shí)證檢驗(yàn)

1 輸入節(jié)點(diǎn)的選擇。通過上一節(jié)解釋變量的篩選后，我們選取在兩類銀行中存在顯著差異的12個指標(biāo)來構(gòu)建BP神經(jīng)網(wǎng)絡(luò)風(fēng)險預(yù)警模型，因而該模型的輸入節(jié)點(diǎn)數(shù)為12。我們對選擇的12個指標(biāo)進(jìn)行歸一化處理，將它們轉(zhuǎn)化為閉區(qū)間[0，l]上的無量綱性指標(biāo)值。

2 輸出層和隱層節(jié)點(diǎn)數(shù)的選擇。根據(jù)主成分分析法的綜合評分得到的4種預(yù)警結(jié)果，我們將定義預(yù)警信號為紅色預(yù)警信號(0 0 0 1)，橙色預(yù)警信號(0 0 1 0)，藍(lán)色預(yù)警信號(0 1 0 O)和綠色正常預(yù)警信號(1 0 0 0)。分別對應(yīng)于主成分得分表中的4種不同的風(fēng)險狀態(tài)：F∈(一∞，0)較大風(fēng)險，F(xiàn)∈(0，4)風(fēng)險，F(xiàn)∈(4，8)基本安全，F(xiàn)∈(8，+∞]安全，因此輸出節(jié)點(diǎn)數(shù)確定為4。隱層節(jié)點(diǎn)數(shù)的多少與輸入輸出層節(jié)點(diǎn)數(shù)有直接關(guān)系，根據(jù)公式，p=m+n/2+a(a為1-10間的常數(shù))，我們確定隱層節(jié)點(diǎn)數(shù)為10。

3 神經(jīng)網(wǎng)絡(luò)預(yù)警模型的訓(xùn)練與檢驗(yàn)。如前所述，本文建立的BP神經(jīng)網(wǎng)絡(luò)模型共有12個輸入神經(jīng)元，10個隱層神經(jīng)元和4個輸出神經(jīng)元。下面將使用MATLAB7，0軟件中自帶的神經(jīng)網(wǎng)絡(luò)工具箱來完成模型的建立，并利用前11個季度進(jìn)行網(wǎng)絡(luò)訓(xùn)練，對最后一個季度的數(shù)據(jù)做出仿真檢驗(yàn)。

通過網(wǎng)絡(luò)參數(shù)設(shè)置和算法的選擇，利用神經(jīng)網(wǎng)絡(luò)工具箱對11個季度的訓(xùn)練結(jié)果如表3。

神經(jīng)網(wǎng)絡(luò)模型在經(jīng)過了74次學(xué)習(xí)訓(xùn)練后達(dá)到誤差要求。

(五)神經(jīng)網(wǎng)絡(luò)風(fēng)險預(yù)警模型的檢驗(yàn)

利用2006年第4季度數(shù)據(jù)對模型進(jìn)行仿真檢驗(yàn)，模型檢驗(yàn)的輸入、輸出如表如表4、表5。

檢驗(yàn)結(jié)果表明，模型的實(shí)際輸出與主成分分析結(jié)果完全一致，誤差滿足要求?？梢宰C明該神經(jīng)網(wǎng)絡(luò)模型對商業(yè)銀行金融風(fēng)險的預(yù)警非常準(zhǔn)確。因此，將該模型應(yīng)用于對商業(yè)銀行初步引進(jìn)境外戰(zhàn)略投資者的風(fēng)險預(yù)警，具有很高的可行性，可以對中資銀行對外資開放過程中的風(fēng)險管理工作提供重要的參考依據(jù)。

六、結(jié)束語

本文在分析了國內(nèi)商業(yè)銀行大力引進(jìn)境外戰(zhàn)略投資者所面臨的風(fēng)險現(xiàn)狀的基礎(chǔ)上，提出了微觀商業(yè)銀行建立特殊階段預(yù)警系統(tǒng)的必要性。針對我國金融業(yè)全面開放的階段性特征，將部分敏感因素加入到商業(yè)銀行風(fēng)險管理的動態(tài)監(jiān)測中，設(shè)計(jì)了一套完整的指標(biāo)體系。模型的主要特點(diǎn)在于其算法選擇上，采用了主成分分析法和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的思想，對銀行日常風(fēng)險進(jìn)行評估和預(yù)警，避免了僅依靠單個預(yù)警指標(biāo)識別風(fēng)險的局限性，并對模型進(jìn)行了實(shí)證性研究。商業(yè)銀行引進(jìn)境外戰(zhàn)略投資的風(fēng)險預(yù)警模型的建立，為單個商業(yè)銀行積極應(yīng)對外資入股過程中的風(fēng)險監(jiān)管工作提供了新思路和新方法。