董愛陽

(哈爾濱商業(yè)大學(xué)金融學(xué)院,黑龍江 哈爾濱 150028)

一、引言

根據(jù)巴塞爾銀行監(jiān)管委員會的定義,流動性風(fēng)險是指銀行無力為負(fù)債的減少或資產(chǎn)的增加提供融資,即當(dāng)銀行流動性不足時,無法以合理的成本迅速增加負(fù)債或變現(xiàn)資產(chǎn)獲得足夠的資金,從而影響了其盈利水平。在極端情況下,流動性不足還會使銀行資不抵債。

商業(yè)銀行的流動性風(fēng)險有狹義和廣義之分。前者是指商業(yè)銀行沒有足夠的現(xiàn)金資產(chǎn)彌補客戶存款的提取而產(chǎn)生的支付風(fēng)險;而后者除狹義內(nèi)容之外,還包括商業(yè)銀行的資金來源不足而未能滿足客戶合理的信貸需求或其他即時的現(xiàn)金需求而引起的風(fēng)險。如果一家商業(yè)銀行面臨著流動性風(fēng)險,它可能會失去許多潛在的盈利機會;如果流動性風(fēng)險進一步加劇,這將引起對該商業(yè)銀行的“擠兌”,最終導(dǎo)致該銀行的破產(chǎn)。流動性風(fēng)險管理問題一直是世界各國商業(yè)銀行風(fēng)險管理研究領(lǐng)域中的重點和難點問題之一。

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法,其由輸入層、中間層、輸出層組成階層型神經(jīng)網(wǎng)絡(luò),中間層可擴展為多層。相鄰層之間各神經(jīng)元進行全連接,而每層各神經(jīng)元之間無連接,網(wǎng)絡(luò)按有教師示教的方式進行學(xué)習(xí),當(dāng)一對學(xué)習(xí)模式提供給網(wǎng)絡(luò)后,各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)產(chǎn)生連接權(quán)值。然后按減小希望輸出與實際輸出誤差的方向,從輸出層經(jīng)各中間層逐層修正各連接權(quán),回到輸入層。此過程反復(fù)交替進行,直至網(wǎng)絡(luò)的全局誤差趨向給定的極小值,即完成學(xué)習(xí)的過程。BP人工神經(jīng)網(wǎng)絡(luò)是誤差反向傳播的多層前饋式網(wǎng)絡(luò),是人工神經(jīng)網(wǎng)絡(luò)中最具代表性和應(yīng)用最為廣泛的一種網(wǎng)絡(luò)。

BP神經(jīng)網(wǎng)絡(luò)最可貴的是它具有學(xué)習(xí)能力,可隨時依據(jù)新準(zhǔn)備數(shù)據(jù)資料進行自我學(xué)習(xí)、訓(xùn)練,調(diào)整其內(nèi)部的儲存權(quán)重參數(shù)以對應(yīng)多變的經(jīng)濟環(huán)境,可以作為風(fēng)險預(yù)警的一個重要工具。

二、BP神經(jīng)網(wǎng)絡(luò)的基本模型

BP神經(jīng)網(wǎng)絡(luò)基本模型包括:1.網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的設(shè)計:包括網(wǎng)絡(luò)的隱層數(shù)、隱層節(jié)點數(shù)及輸入輸出層節(jié)點數(shù)的確定;2.樣本數(shù)據(jù)的選取:需要對原始數(shù)據(jù)進行統(tǒng)計分析,檢驗它們之間的相關(guān)性,進行相關(guān)分析,找出其中最主要的量作為輸入;3.輸入輸出數(shù)據(jù)的預(yù)處理:在進行神經(jīng)網(wǎng)絡(luò)預(yù)測之前,為避免原始數(shù)據(jù)過大造成網(wǎng)絡(luò)麻痹,要對原始數(shù)據(jù)進行歸一化處理;4.初始參數(shù)的選擇:只有正確地選擇參數(shù),才能使網(wǎng)絡(luò)迅速有效地收斂,達到確定誤差范圍內(nèi);5.網(wǎng)絡(luò)訓(xùn)練的目標(biāo)函數(shù):用訓(xùn)練樣本,采用BP算法訓(xùn)練網(wǎng)絡(luò),直到收斂于一定的誤差標(biāo)準(zhǔn);6.輸出節(jié)點的選擇:輸出節(jié)點的選擇對應(yīng)于評價結(jié)果,為此,需要確定期望輸出。在神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練階段,“樣本”的期望輸出值應(yīng)是已知量,它可由歷史數(shù)據(jù)資料給定或通過一些數(shù)學(xué)統(tǒng)計方法評估得出。本文將風(fēng)險狀況分為[1000]重警,[0100]中警,[0010〕輕警,[0001]無警四種不同狀態(tài)。

三、基于BP神經(jīng)網(wǎng)絡(luò)的流動風(fēng)險預(yù)警實證分析

(一)指標(biāo)體系的構(gòu)建

本文選取了存貸比例、不良貸款比例、單一最大客戶貸款比例、最大十家客戶貸款比例、資金拆入比例、資金拆出比例、資本充足率、核心資本充足率和人民幣流動性比率9個指標(biāo)構(gòu)建商業(yè)銀行流動性風(fēng)險預(yù)警體系。

經(jīng)濟監(jiān)測預(yù)警指標(biāo)體系中每一個或每一組指標(biāo)只能反映經(jīng)濟活動某一方面所面臨的風(fēng)險,要全面反映和監(jiān)測經(jīng)濟活動的運行狀況,就必須對其進行綜合度量。所謂經(jīng)濟運行的綜合度量,就是把經(jīng)濟活動作為一個總體,在考察和計算出經(jīng)濟監(jiān)測指標(biāo)體系各指標(biāo)值的基礎(chǔ)上,運用科學(xué)的方法,進一步對經(jīng)濟活動總體做出全面、綜合的評價。對一組反映經(jīng)濟發(fā)展?fàn)顩r的敏感性指標(biāo),運用有關(guān)的數(shù)據(jù)處理方法將多個指標(biāo)合并為一個綜合性的指數(shù)。

(二)樣本數(shù)據(jù)的選取

本文選擇XX銀行1999—2007年9個指標(biāo)數(shù)據(jù)為基本數(shù)據(jù)(見表1)。BP人工神經(jīng)模型訓(xùn)練的輸入為 1999—2007年XX銀行的9個指標(biāo)的歸一化后的數(shù)據(jù),輸出為綜合功效系數(shù)所在的警度區(qū)間(此處采用因子分析加權(quán)得到的功效系數(shù))。2008年的數(shù)據(jù)作為檢驗數(shù)據(jù)。

表1 ××銀行1999-2007年各指標(biāo)原始數(shù)據(jù)

(三)模型的訓(xùn)練

本文建立的BP神經(jīng)模型共有9個輸入神經(jīng)元,9個隱層神經(jīng)元;實驗中學(xué)習(xí)率η=0.12,動量系數(shù)α=0.6,可接受誤差標(biāo)準(zhǔn)ε0=0.001。根據(jù)綜合功效系數(shù)警度確定每個時間內(nèi)的狀況作為期望輸出值。

1.模型訓(xùn)練輸出。采用函數(shù)trainbpx(),利用 1999—2007年XX銀行的流動性風(fēng)險狀況9個模式對這一神經(jīng)網(wǎng)絡(luò)訓(xùn)練853次后達到誤差要求。在完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練后,用2008年數(shù)據(jù)作為檢驗數(shù)據(jù)。

表2 模型訓(xùn)練

2.模型檢驗輸出。輸出值見表3。由表3可得知,模型檢驗結(jié)果基本滿意,可用訓(xùn)練好的模型對××銀行2009年上半年流動性風(fēng)險狀況進行預(yù)測。

表3 模型檢驗

3.模型預(yù)警。2009年上半年的數(shù)據(jù)歸一化的指標(biāo)數(shù)據(jù)作為輸入:

表4 模型預(yù)警

由表4可知,根據(jù)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型預(yù)測XX銀行2009年上半年的預(yù)測輸出為0010,對應(yīng)的狀況是“輕警”,說明該銀行2009年上半年流動性風(fēng)險狀況處于較低狀態(tài),比較前幾年的數(shù)據(jù),總體狀況有變好的趨勢。

(四)研究結(jié)論

檢驗結(jié)果表明,BP神經(jīng)網(wǎng)絡(luò)對商業(yè)銀行流動風(fēng)險預(yù)警具有很好的適用性。它具有較好的模式識別能力、容錯能力,對數(shù)據(jù)的分布要求不嚴(yán)格,具備處理資料遺漏或錯誤的能力。而且它具有學(xué)習(xí)能力,可隨時依據(jù)新準(zhǔn)備數(shù)據(jù)資料進行自我學(xué)習(xí)、訓(xùn)練,調(diào)整其內(nèi)部的儲存權(quán)重參數(shù)以對應(yīng)多變的經(jīng)濟環(huán)境。對XX銀行2008年的檢驗基本符合實際情況,也對2009年上半年進行了預(yù)警,因此它可作為解決經(jīng)濟預(yù)警的一個重要工具。

[1]尹丹華.應(yīng)高度重視銀行流動性風(fēng)險的防范[J].南方金融,1998(8).

[2]王利.關(guān)于我國商業(yè)銀行流動性風(fēng)險管理的研究[D].中國海洋大學(xué),2009.

[3]胡江芳.淺論商業(yè)銀行流動性風(fēng)險管理[J].科技創(chuàng)業(yè)月刊,2005(7).

[4]任飛,聶溱.基于IGA-BP神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的我國銀行流動性風(fēng)險預(yù)警研究[J].數(shù)學(xué)的實踐與認(rèn)識,2007(6).

[5]馬蘭芳,劉金蘭,楊軍等.人工神經(jīng)網(wǎng)絡(luò)在商業(yè)銀行監(jiān)測預(yù)警中的應(yīng)用研究[J].管理工程學(xué)報,2002(2).

[6]楊瑾淑.國有商業(yè)銀行信貸風(fēng)險預(yù)警模型的構(gòu)建[J].財會月刊,2007(32).

[7]沈中剛.商業(yè)銀行風(fēng)險預(yù)警系統(tǒng)的構(gòu)建[J].現(xiàn)代管理科學(xué),2004(9).

[8]Yang B A,LiLX,JiH,XuJ.An early warning system for loan risk assessing using artificial neural networks.System,Elsevier,2007,14.

[9]Altman E L,Loris B.A financial early waring systerm for over the counter broke dealers[J].The Journalof Finance,16(4).