■譚本艷 甘子琪

一、引言及文獻綜述

商業(yè)銀行經(jīng)營需要遵循安全性、流動性和盈利性三項原則。其中，流動性是安全性的必要前提，也是平衡盈利性和安全性的重要條件。流動性風險是指商業(yè)銀行雖然具備償付能力，但因無法及時或合理地獲得足額資金來應(yīng)對資產(chǎn)增長或償還到期債務(wù)而存在的風險。由于流動性風險具有突發(fā)性、傳染性和破壞性，因此流動性風險極易演變成流動性危機。如2010 年和2013 年我國銀行業(yè)兩次“錢荒”事件的發(fā)生就充分說明我國流動性風險管理方面仍存在不足。2010年《巴塞爾協(xié)議III》正式實施，其中重要的一條就是加強流動性管理，降低銀行體系的流動性風險，并引入了流動性監(jiān)管指標。2015年中國銀監(jiān)會正式施行《商業(yè)銀行流動性風險管理辦法》，并于2018年施行新規(guī)，旨在不斷完善我國流動性風險監(jiān)測體系。因此，對商業(yè)銀行進行流動性風險測度和預警具有重要的理論和現(xiàn)實意義。從現(xiàn)有文獻來看，學術(shù)界關(guān)于商業(yè)銀行流動性風險的研究主要集中在流動性風險的測度、影響因素、預警等方面。

（一）流動性風險的測度

學術(shù)界主要通過主成分（因子）分析法、構(gòu)建流動性創(chuàng)造指標或流動性錯配指數(shù)等方法來度量商業(yè)銀行流動性風險。聶聆聃[1]運用因子分析法研究發(fā)現(xiàn)國有四大行的流動性狀況好于其他商業(yè)銀行，且股份制商業(yè)銀行的流動性風險相對較高。陳憲等[2]通過主成分分析法構(gòu)建了商業(yè)銀行流動性綜合評價指標，并通過實證分析發(fā)現(xiàn)商業(yè)銀行流動性與GDP、經(jīng)濟增速呈正相關(guān)關(guān)系。Berger等[3]提出了流動性創(chuàng)造指標，將流動性、準流動性和非流動性負債（資產(chǎn)）分別賦予0.5（-0.5）、0（0）和-0.5（0.5）的權(quán)重，然后將按上述權(quán)重計算的資產(chǎn)和負債加總后除以總資產(chǎn)，得到的流動性創(chuàng)造比率即為商業(yè)銀行的流動性風險。由于中美銀行資產(chǎn)負債表的科目劃分上存在較大差異，孫莎等[4]在Berger 等[3]的流動性劃分標準基礎(chǔ)上，構(gòu)建了適合中國銀行業(yè)的流動性創(chuàng)造指標。流動性錯配指數(shù)（LMI）最早由Brunnermeier 等[5]提出，根據(jù)商業(yè)銀行的資產(chǎn)和負債結(jié)構(gòu)差異，分別按照一定的權(quán)重對其進行加權(quán)求和，從而用于反映資產(chǎn)的市場流動性與負債的融資流動性之間的錯配程度。Bai 等[6]計算了2002—2013 年間美國的2870家銀行的LMI 指數(shù)，發(fā)現(xiàn)流動性錯配程度越高的銀行在危機期間的股票回報更多為負收益。高磊等[7]通過構(gòu)建LMI 指數(shù)衡量了銀行體系整體流動性剩余水平，并模擬出銀行體系LMI 指數(shù)的分布函數(shù)。劉精山等[8]通過構(gòu)建我國商業(yè)銀行LMI指數(shù)，對我國18家上市銀行的流動性風險進行了度量、識別和壓力測試?？紤]到流動性錯配指數(shù)模型涉及的數(shù)據(jù)更全面，彌補了比率指標的不足，能夠更精確地量化銀行流動性風險，因此，本文采用流動性錯配指數(shù)來衡量我國商業(yè)銀行流動性狀況。

（二）流動性風險的影響因素

影響商業(yè)銀行流動性風險的因素一般分為內(nèi)部和外部兩個方面。姚長輝[9]將商業(yè)銀行流動性風險因素概括為資產(chǎn)負債結(jié)構(gòu)、中央銀行政策、金融市場發(fā)育程度、信用風險以及利率變動5 個方面。Kashyap等[10]通過建立商業(yè)銀行流動性決策模型，論證了期限貸款、流動性資產(chǎn)、活期存款以及貸款承諾對銀行流動性風險的影響。張文娟[11]認為導致商業(yè)銀行流動性風險的內(nèi)部因素主要包括資產(chǎn)或負債的結(jié)構(gòu)不合理、資產(chǎn)和負債的期限相互交錯、盈利性和流動性之間的矛盾，外部因素主要包括貨幣政策的調(diào)整、對利率變動的敏感程度、金融市場的完善程度等。李學彥等[12]從流動性風險外部影響因素的視角，分析了國民經(jīng)濟發(fā)展狀況、股票市場、房地產(chǎn)市場等對我國商業(yè)銀行流動性的影響。Al-Harbi[13]提出資本充足率、外資持股、信用風險、通貨膨脹率、貨幣政策和存款保險對銀行流動性存在負向影響，經(jīng)營效率、規(guī)模、表外業(yè)務(wù)、市值和集中度對銀行流動性存在正向影響。史貞等[14]認為影響商業(yè)銀行流動性風險的因素來源于商業(yè)銀行自身和宏觀經(jīng)濟兩個方面，內(nèi)部影響因素中資產(chǎn)負債率對流動性缺口的貢獻率最大，外部影響中金融深化程度最重要?？偟膩碚f，現(xiàn)有關(guān)于流動性風險影響因素的研究中，內(nèi)部因素主要包括銀行規(guī)模、流動性管理、內(nèi)部控制等，外部因素則包含經(jīng)濟發(fā)展狀況、監(jiān)管要求以及宏觀調(diào)控政策等。

（三）流動性風險的預警研究

隨著大數(shù)據(jù)與人工智能的不斷發(fā)展，預警研究逐漸從傳統(tǒng)的統(tǒng)計學方法過渡到大數(shù)據(jù)機器學習方法。任飛等[15]通過IGA-BP 神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)構(gòu)建了我國商業(yè)銀行流動性風險預警機制。劉健[16]用主成分分析法對商業(yè)銀行流動性風險進行了評估，基于“3σ”法則將預警級別劃分為無警、輕警、中警和重警，并通過BP神經(jīng)網(wǎng)絡(luò)對銀行的流動性風險狀況進行了預測。Tavana等[17]使用神經(jīng)網(wǎng)絡(luò)和貝葉斯網(wǎng)絡(luò)模型預測流動性風險，結(jié)果表明兩種模型都能夠識別關(guān)鍵的風險因素。趙曠磊[18]將主成分分析法、綜合指數(shù)法與神經(jīng)網(wǎng)絡(luò)結(jié)合，實現(xiàn)了對商業(yè)銀行系統(tǒng)流動性風險的預警。Drudi 等[19]使用邏輯Lasso回歸、隨機森林和極端梯度提升三種模型來預測商業(yè)銀行發(fā)生流動性危機的概率，并通過將三種模型加權(quán)平均，提高了模型的預測準確性?？傮w而言，大多數(shù)對流動性風險的預警研究都是基于機器學習方法實現(xiàn)的，但現(xiàn)有關(guān)于機器學習的預警研究主要關(guān)注的是模型的擬合能力，對于機器學習的“黑盒”特征很少有可解釋性分析，本文將對此展開論述。

從現(xiàn)有銀行流動性風險問題的研究來看，本文可能存在的邊際貢獻如下：（1）采用基于動態(tài)權(quán)重因子的流動性錯配指數(shù)來衡量商業(yè)銀行流動性風險，能更加準確及時地反映我國商業(yè)銀行流動性風險狀況；（2）將研究方法從統(tǒng)計和計量方法拓展到大數(shù)據(jù)機器學習方法，并引入可解釋性方法，打破了機器學習模型的“黑盒效應(yīng)”，能夠?qū)︻A警模型結(jié)果進行較好地解釋，進而剖析出各個特征變量對銀行流動性風險的影響效果。

二、流動性風險的測度和特征選擇

（一）數(shù)據(jù)來源說明

本文以我國商業(yè)銀行的年度數(shù)據(jù)作為基礎(chǔ)，包括5 家國有大型商業(yè)銀行、13 家股份制商業(yè)銀行、131 家城市商業(yè)銀行和192 家農(nóng)村商業(yè)銀行。時間跨度為2007—2021年，樣本容量為2875。數(shù)據(jù)來源為萬得（WIND）數(shù)據(jù)庫、國泰安（CSMAR）數(shù)據(jù)庫、同花順（iFinD）數(shù)據(jù)庫以及各商業(yè)銀行年報等。數(shù)據(jù)分析采用Stata軟件以及Python數(shù)據(jù)處理完成。

（二）流動性錯配指數(shù)的測度

本文根據(jù)Brunnermeier 等[5]提出的流動性錯配指數(shù)計算方法，參考Bai等[6]和劉精山等[8]的思路，由式（1）計算t時刻商業(yè)銀行i的LMI指數(shù)：

LMI的計算主要分為三個步驟：負債端權(quán)重λt,lk'的確定，負債端參數(shù)μ的確定，資產(chǎn)端權(quán)重λt,ak的確定。具體推導和計算步驟如下：

1.負債端權(quán)重λt,lk'的確定

表1給出了不同類型負債項目的到期期限Tk'，表2展示了2007—2021年μt的計算結(jié)果。

表1 不同類型負債項目的到期期限Tk'

表2 2007—2021年3個月國債收益率、Shibor利率及μt

3.資產(chǎn)端權(quán)重λt,ak的確定

表3 流動性錯配指數(shù)的資產(chǎn)端參數(shù)βk

不同類型的商業(yè)銀行往往存在經(jīng)營目標、地理位置、客戶群體等方面的不同，這在一定程度上導致了流動性水平上的顯著差異。進一步地，本文計算了國有控股大型商業(yè)銀行、股份制商業(yè)銀行、城市商業(yè)銀行和農(nóng)村商業(yè)銀行在樣本區(qū)間內(nèi)的LMI 值，如圖1所示。

圖1 商業(yè)銀行流動性錯配指數(shù)（LMI）的變化趨勢圖

從圖1可以看出：（1）四類商業(yè)銀行平均流動性錯配指數(shù)（LMI）均大于0，即存在流動性盈余，流動性赤字風險較低。（2）從趨勢上看，我國商業(yè)銀行在2007—2021 年間LMI 整體呈下降趨勢，說明流動性風險逐漸增大。（3）農(nóng)村商業(yè)銀行的LMI整體水平高于其他銀行。一方面由于其規(guī)模相對較小，使得銀行的流動性管理更具靈活性；另一方面其經(jīng)營范圍相對較小，導致其客戶類別、數(shù)量和范圍均受限。因此，農(nóng)村商業(yè)銀行對于流動性監(jiān)管指標（如資產(chǎn)負債結(jié)構(gòu)、存貸比等）持更為謹慎的控制態(tài)度。其次是國有大型商業(yè)銀行，其LMI 維持較高且相對穩(wěn)定的狀態(tài)。一方面由于雄厚的資本積累和廣泛的經(jīng)營范圍，導致國有大型商業(yè)銀行在存款市場上占有絕對優(yōu)勢；另一方面也反映出其在流動性管理方面的良好表現(xiàn)。城市商業(yè)銀行流動性錯配的原因：首先，地域依賴性和錯綜復雜的地方股權(quán)關(guān)系導致城商行在經(jīng)營上具有一定局限性，部分城商行當?shù)亟?jīng)濟規(guī)模小、政策限制以及低效監(jiān)管和資源配置都催生了金融風險；其次，城商行主要經(jīng)營業(yè)務(wù)在于服務(wù)中小企業(yè)和地方經(jīng)濟，其與國有銀行、股份制銀行競爭大規(guī)模企業(yè)和項目，也在一定程度上引發(fā)了城商行的流動性風險。股份制商業(yè)銀行的LMI幾乎一直低于其他三類銀行。這可能是因為股份制商業(yè)銀行的經(jīng)營目標略有不同，從盈利的角度來看，股份制銀行更趨向于持有相對復雜的金融衍生品，承擔相對多的非良性負債，這都可能導致股份制商業(yè)銀行面臨更大的流動性風險隱患。

（三）風險狀態(tài)劃分

上文計算出的商業(yè)銀行流動性錯配指數(shù)是一個連續(xù)型變量，只能反映出銀行流動性風險的變化趨勢而無法確定風險狀態(tài)，因此本文通過K-均值聚類方法將LMI的取值劃分為流動性安全狀態(tài)和風險狀態(tài)兩類。隨著時間地推進，宏觀條件的變化對商業(yè)銀行流動性錯配指數(shù)也不可避免地產(chǎn)生了一定的影響，若僅僅只對一維變量進行聚類，很容易忽視變量的整體變化。因此，本文將年份作為虛擬變量納入聚類算法，最終將LMI劃分為兩種不同狀態(tài)，即安全狀態(tài)（記為0）和風險狀態(tài)（記為1），各含1737、1138個樣本，樣本比例約為1.53：1，屬于平衡樣本。

（四）特征說明及篩選

1.特征說明

為了全面剖析商業(yè)銀行流動性風險的影響因素，指標篩選工作至關(guān)重要。根據(jù)流動性風險的定義，影響因素的變量選取必須盡量涵蓋商業(yè)銀行的各個方面，如資產(chǎn)、負債、權(quán)益類，存款類，貸款類、同業(yè)拆借類，準備金類等。根據(jù)現(xiàn)有文獻的指標篩選經(jīng)驗，本文綜合考慮最終總結(jié)出了如表4 所示的流動性風險影響因素組合。

表4 變量定義表

2.特征篩選

本文采用皮爾遜相關(guān)系數(shù)來衡量標簽類別與特征之間的相關(guān)程度，通過不斷篩選出相關(guān)程度相對較弱的特征，在弱相關(guān)強度0～0.20范圍內(nèi)選取多個閾值分別進行模型訓練，最終確定皮爾遜相關(guān)系數(shù)的閾值。經(jīng)過分析，表5 列出了在LightGBM 模型下，不同Pearson 相關(guān)系數(shù)閾值條件下的分類效果?？梢钥闯?，當Pearson 相關(guān)系數(shù)閾值為0.05 時，準確率可以達到0.8713，模型效果最優(yōu)。因此，本文最終篩選出的特征共21個，分別為：x1，x2，x3，x4，x5，x7，x8，x9，x10，x11，x12，x13，x14，x15，x16，x17，x18，x19，x23，x24_城市商業(yè)銀行，x24_農(nóng)村商業(yè)銀行。

表5 不同Pearson系數(shù)閾值下LightGBM模型的訓練結(jié)果

三、預警模型構(gòu)建

（一）預警模型說明

本文采用輕量級梯度提升樹（Light Gradient Boosting Machine，LightGBM）模型來實現(xiàn)商業(yè)銀行流動性風險的分類。LightGBM 是基于梯度提升決策樹（Gradient boosting decision tree，GBDT）實現(xiàn)的。二者原理相似，都是在原模型中不斷加入新的決策樹，通過多次迭代逐漸累積，從而構(gòu)成強學習器，使模型的預測值不斷接近真實值。

LightGBM提取特征的目標函數(shù)如式（9）所示：

LightGBM 的參數(shù)調(diào)優(yōu)采用貝葉斯優(yōu)化（Bayesian optimization，BO）來實現(xiàn)。貝葉斯調(diào)參可以分為5 個步驟：（1）構(gòu)造目標函數(shù)，即將LightGBM 的所有參數(shù)作為函數(shù)輸入，輸出為模型五折交叉驗證的AUC均值；（2）確定域空間，具體來說就是確定需要調(diào)試的超參數(shù)的取值范圍；（3）實例化貝葉斯優(yōu)化對象，包括目標函數(shù)、調(diào)試的超參數(shù)取值范圍、確定最大值是否唯一的參數(shù)verbose 及隨機數(shù)四個參數(shù)；（4）確定迭代次數(shù)，包括隨機搜索的步數(shù)和貝葉斯優(yōu)化的步數(shù)，步數(shù)越多，越有可能尋找到一個最優(yōu)極值；（5）搜索最優(yōu)結(jié)果，經(jīng)過整個迭代過程最終會輸出模型的最優(yōu)參數(shù)組合和測試集得分。

（二）預警模型構(gòu)建

本文對影響商業(yè)銀行流動性風險的各種因素進行綜合考量，選擇了包含資產(chǎn)、負債、權(quán)益類、存款類、貸款類、同業(yè)拆借類、準備金類等多方面的比例指標作為輸入特征（Feature），以銀行流動性安全狀態(tài)和風險狀態(tài)二分類變量（取值分別為0、1）作為輸出標簽（Label）的預警模型?；谠撃Ｐ?，本文的研究設(shè)計主要按照以下三個步驟進行：

第一，將全樣本按照6∶4 的比例劃分為訓練集和測試集，在訓練集中通過貝葉斯優(yōu)化來進行LightGBM模型的參數(shù)調(diào)整，并將測試集數(shù)據(jù)代入訓練好的模型中，評估模型效果。由測試集的預測結(jié)果可計算得模型的準確率、精確率、召回率、F1值和AUC值。

第二，探究各個特征對于預測流動性風險的相對重要性?；谝呀?jīng)訓練好的BO-LightGBM，通過記錄特征的分裂總次數(shù)、平均信息增益來對特征重要性進行量化，進而可以得到的每個特征的重要性得分。本文基于每個特征的重要性得分，可以計算模型中各個特征對模型分類的相對重要性，從而總結(jié)出對商業(yè)銀行流動性風險預測能力較強的特征。

第三，為了增強預警模型的可解釋性，引入特征重要性、部分依賴圖、SHAP 等可解釋工具，旨在構(gòu)建一個包含機器學習模型的可解釋框架，來對“黑盒模型”的內(nèi)在影響機理進行解釋。

四、實證檢驗與結(jié)果分析

（一）預警模型效果評估

混淆矩陣（confusion matrix）是一種評價分類模型性能的可視化工具?；煜仃嚨拿恳涣斜硎灸Ｐ偷念A測情況，每一行則表示樣本的真實情況，對角線上表示分類正確的樣本個數(shù)。本文采用BO-Light-GBM模型得到的混淆矩陣如圖2所示。

從圖2中可以看出，在測試集的1150個樣本中，有630個安全狀態(tài)樣本、387個風險狀態(tài)樣本被分類正確。體現(xiàn)在評估指標上可以用準確率、精確率、召回率、F1 值和AUC 值來表示，分別為0.8843、0.8505、0.8562、0.8534、0.9467，可見本文采用的BOLightGBM模型預警效果較好。

圖2 BO-LightGBM模型下的混淆矩陣

（二）預警模型的特征重要性

本文借助Lundberg 等[20]提出的SHAP（SHapley Additive exPlanations）可解釋工具，來測度機器學習模型輸入特征對輸出標簽的邊際貢獻。本文以全部樣本為例，輸入特征是前文篩選出的21 個變量，輸出標簽為銀行流動性風險的安全狀態(tài)和風險狀態(tài)。SHAP摘要圖一般用于反映特征對樣本輸出狀態(tài)的邊際貢獻，如圖3所示，若某一樣本點的某一特征取值對應(yīng)的SHAP 值為正，則說明該特征對該樣本點被預測為風險狀態(tài)的邊際貢獻為正，即該樣本點被預測為風險狀態(tài)的可能性更大，反之亦然。

圖3 BO-LightGBM模型下的SHAP摘要圖

圖3 的SHAP 摘要圖對BO-LightGBM 模型中所有特征的作用進行全局概覽，圖中自上而下是對特征貢獻度的排序，左側(cè)為各個特征名稱，右側(cè)的feature value 反映特征的取值由藍色到紫色再到紅色逐漸遞增，下方橫軸表示SHAP值，即特征對輸出標簽的影響方向和程度大小。圖中每一行代表一個特征，每一行都由相等個數(shù)（2875 個）、不同顏色的樣本點構(gòu)成，寬的區(qū)域反映出樣本點聚集。以貢獻度排第一的特征x4（現(xiàn)金占總資產(chǎn)比率）為例，當x4取值較小（右側(cè)藍色區(qū)域）時，SHAP值為正數(shù)，說明在此區(qū)間內(nèi)樣本點被預測為風險狀態(tài)的概率較高，當取值逐漸增大（由藍色過渡到紫色和紅色），SHAP值隨之從正數(shù)變?yōu)樨摂?shù)，說明在此區(qū)間樣本點被預測為風險狀態(tài)的概率逐漸降低。

（三）預警模型的解釋

為了更直觀地分析銀行特征對流動性風險狀態(tài)的影響，本文使用SHAP 值映射圖來展示兩者之間的非線性關(guān)系，SHAP 值映射圖的橫坐標為特征取值，縱坐標為特征的SHAP值。從SHAP值為0處作一條水平線，可以穿過圖形上兩點（安全點、預警點）并將圖形劃分為三個部分（安全狀態(tài)、過渡狀態(tài)、風險狀態(tài)）。圖4 表示隨著某一特征變化的預測結(jié)果為風險狀態(tài)的概率變化，列舉出了BO-LightGBM 模型提取的前8個重要特征的SHAP值映射圖。

1.現(xiàn)金占總資產(chǎn)比率（x4）與流動性風險狀態(tài)的映射關(guān)系

圖4-1 中：（1）當特征x4 取值為[0，13]時，即現(xiàn)金資產(chǎn)不足總資產(chǎn)的13%時，流動性風險相對較大，對應(yīng)的SHAP 值為正，意味著樣本被預測為風險狀態(tài)的概率提高；（2）當特征x4取值大于17時，即現(xiàn)金資產(chǎn)占總資產(chǎn)的比率大于17%時，對應(yīng)的SHAP 值為負，對預警模型為負向影響?？梢姡F(xiàn)金占總資產(chǎn)比率越大，樣本被劃分為風險狀態(tài)的概率越小。這也表明，變現(xiàn)能力是我國商業(yè)銀行流動性風險的最大來源，現(xiàn)金占總資產(chǎn)比率越高，變現(xiàn)能力越強，抗風險能力也越強。

2.總資產(chǎn)周轉(zhuǎn)率（x11）與流動性風險狀態(tài)的映射關(guān)系

圖4-2中：（1）當特征x11取值為[0，2.2]時，即總資產(chǎn)周轉(zhuǎn)率小于2.2%時，對應(yīng)的SHAP值為正，說明流動性風險相對較大，樣本被預測為風險狀態(tài)的概率較大；（2）當特征x11取值大于2.8時，即總資產(chǎn)周轉(zhuǎn)率大于2.8%時，對應(yīng)的SHAP值為負，說明樣本被預測為風險狀態(tài)的概率較小?？梢?，x11取值越大，樣本被劃分為風險狀態(tài)的概率越小。由于總資產(chǎn)周轉(zhuǎn)率主要用于衡量企業(yè)全部資產(chǎn)的經(jīng)營質(zhì)量，是營運能力的綜合體現(xiàn)，這表明商業(yè)銀行良好的經(jīng)營狀況能夠抑制銀行產(chǎn)生流動性風險。

圖4 BO-LightGBM模型前8個重要特征的SHAP值映射圖

3.存款增長率（x14）與流動性風險狀態(tài)的映射關(guān)系

圖4-3中：（1）當特征x14取值為[-100，0]時，即本年存款增長率出現(xiàn)負增長時，對應(yīng)的SHAP 值為正，說明特征x14 促進了樣本被預測為風險狀態(tài)；（2）當特征x14取值為大于20時，即本年存款增長率大于20%，對應(yīng)的SHAP值為負，說明該樣本被預測為風險狀態(tài)的概率較小，在此區(qū)間該指標運行良好。究其原因，主要是隨著互聯(lián)網(wǎng)金融的迅速發(fā)展，一些穩(wěn)定性較強的儲蓄存款逐漸通過互聯(lián)網(wǎng)金融產(chǎn)品、理財產(chǎn)品等渠道向較高收益的資金和同業(yè)市場分流，商業(yè)銀行為了吸收存款不得不借助發(fā)行理財產(chǎn)品等手段，這在無形之中推高了銀行存款的實際成本?？梢姡虡I(yè)銀行需要不斷強化自身的流動性管理，在存款分流的情況下更要做好資產(chǎn)和負債的匹配，根據(jù)自身的狀況合理規(guī)劃貸款增長速度。

4.不良貸款率（x19）與流動性風險狀態(tài)的映射關(guān)系

圖4-4中：（1）當特征x19取值為[0，0.9]時，即不良貸款率低于0.9%時，對應(yīng)的SHAP值為負，表明銀行的流動性風險較小，流動性配置相對在合理范圍內(nèi)；（2）當特征x19取值大于3時，即不良貸款率超過了3%時，對應(yīng)的SHAP 值為正，表明銀行流動性風險偏大。這也表明，不良貸款率對銀行流動性風險為正向促進作用。近年來，銀行不良資產(chǎn)率不斷攀升，究其原因主要在于兩個方面：一方面是經(jīng)濟下行壓力催生了更多的不良貸款；另一方面在于各項刺激政策的落地放松了信貸。因此，銀保監(jiān)會提出的“及時核銷不良、積極盤活不良、爭取重組不良、探索轉(zhuǎn)化不良”對于銀行處置不良資產(chǎn)、降低流動性風險具有重要意義。

5.銀行類別（x24_農(nóng)村商業(yè)銀行）與流動性風險狀態(tài)的映射關(guān)系

圖4-5中：（1）當特征x24_農(nóng)村商業(yè)銀行取值為1時，即樣本為農(nóng)村商業(yè)銀行，對應(yīng)的SHAP值為正，表明風險較大；（2）當特征x24_農(nóng)村商業(yè)銀行取值為0 時，即樣本為非農(nóng)村商業(yè)銀行，對應(yīng)的SHAP 值為負，表明風險較小。這說明，農(nóng)村商業(yè)銀行相比于其他類型商業(yè)銀行而言流動性風險更大。這可能是由于農(nóng)村商業(yè)銀行作為中小金融機構(gòu)其信貸結(jié)構(gòu)單一、負債能力較弱，一旦遭遇壓力事件，形成資金緊張，即可演變?yōu)榱鲃有燥L險。

6.流動性比例（x2）與流動性風險狀態(tài)的映射關(guān)系

圖4-6中：（1）當x2取值小于40，即銀行流動性比例小于40%時，對應(yīng)的SHAP值為負，表明在此區(qū)間內(nèi)指標運行良好，流動性風險較低；（2）當特征x2取值大于60 時，即銀行流動性比例高于60%，預示著流動性過剩，對應(yīng)的SHAP值為正，表明樣本被預測為風險狀態(tài)的概率增加。因此，保持銀行業(yè)合理的流動性比例可以在防范風險的同時滿足對資產(chǎn)的合理配置。

7.息稅前利潤與資產(chǎn)總額比（x10）與流動性風險狀態(tài)的映射關(guān)系

圖4-7 中：（1）當特征x10 取值大于3.5 時，即息稅前利潤與資產(chǎn)總額比大于3.5%時，對應(yīng)的SHAP值為負，說明商業(yè)銀行流動性風險較低；（2）當特征x10取值小于3.5時，即息稅前利潤與資產(chǎn)總額比小于3.5%，對應(yīng)的SHAP值為正，說明商業(yè)銀行流動性風險較高。這可以說明，銀行保持良好的盈利能力對規(guī)避流動性風險具有重要作用。

8.存貸增長比率（x17）與流動性風險狀態(tài)的映射關(guān)系

圖4-8 中：（1）當特征x17 取值小于30 時，說明存款比率略高于甚至低于貸款比率，對應(yīng)的SHAP值為負，說明流動性風險相應(yīng)較??；（2）當特征x17取值大于150 時，說明本年存款比率顯著大于貸款比率，對應(yīng)的SHAP值為正，意味著流動性風險相應(yīng)也較大。這也表明，銀行根據(jù)自身的狀況合理規(guī)劃吸收存款和貸款增長速度對于防范流動性風險意義重大。

綜上可知，SHAP值為0處對應(yīng)了預警模型的安全點和預警點。當圖像呈遞增（遞減）趨勢時，安全點在預警點左（右）側(cè)，安全點左（右）側(cè)可以看作安全狀態(tài)；一般來說，安全點與預警點的中間部分SHAP值的絕對值相對較小，可以看作過渡區(qū)；預警點右側(cè)可以看作風險狀態(tài)，這是由于預警點右（左）側(cè)樣本的SHAP 值相比左側(cè)顯著增大，將導致被預警為風險狀態(tài)的概率增大?；赟HAP值映射圖的預警參考值如表6所示。

表6 基于SHAP值映射圖的預警參考值

五、穩(wěn)健性檢驗

（一）BO-LightGBM參數(shù)調(diào)整

本文通過貝葉斯優(yōu)化來確定最優(yōu)參數(shù)組合，具體可以通過調(diào)整以下參數(shù)來提高模型精度：（1）最大特征數(shù)（colsample_bytree），表示構(gòu)建弱學習器時，對特征隨機采樣的比例；（2）葉結(jié)點樣本的最少數(shù)量（min_child_samples），一般用于防止過擬合；（3）葉子的個數(shù)（num_leaves），為了防止過擬合，num_leaves 在數(shù)值上一般小于2 的max_depth 次方；（4）子采樣（subsample），用來控制對每棵樹隨機采樣的比例；（5）樹的最大深度（max_depth），用于防止過擬合；（6）正則化參數(shù)（reg_alpha，reg_lambda），分別表示L1和L2正則化權(quán)重項；（7）葉結(jié)點進行分支所需的損失減少的最小值（min_gain_to_split），一般來說，值設(shè)置的越大，模型越保守；（8）學習率（learning_rate），通過給每個弱學習器擬合的殘差值都乘上一個學習率，即可學習多個弱學習器來彌補不足的殘差。

貝葉斯優(yōu)化相比于網(wǎng)格搜索和隨機搜索效率和精度都更高，但本文的參數(shù)結(jié)果僅僅只是在指定區(qū)域空間的一個最大限度的最優(yōu)解，并不是全局最優(yōu)解。為了探索更好的結(jié)果則需要根據(jù)樣本數(shù)據(jù)，調(diào)整超參數(shù)的取值范圍。本文嘗試將超參數(shù)的取值范圍進行適度修改，重新進行參數(shù)尋優(yōu)，以驗證模型訓練結(jié)果的穩(wěn)健性，修改前后的參數(shù)范圍與最佳參數(shù)如表7所示。

表7 調(diào)整參數(shù)取值范圍后的最優(yōu)參數(shù)

在新的參數(shù)條件下得到模型的準確率達到87.22%，相比前文下降了1.21%。新的參數(shù)條件下模型的精確率、召回率、F1 值以及AUC 值分別為84.84%、83.19%、84.00%和94.56%，評估指標略優(yōu)于調(diào)參之前的結(jié)果，可以說明預警結(jié)果穩(wěn)健。

（二）更換機器學習方法

為了驗證上述BO-LightGBM 模型得出的預警效果的穩(wěn)健性，本文引入了邏輯回歸（Logistic Regression，LR）、隨機森林（Random Forest，RF）、支持向量機（Support Vector Machine，SVM）、極端梯度提升（Extreme Gradient Boosting，XGBoost）以及輕量級梯度提升樹（Light Gradient Boosting Machine，Light-GBM）五種模型作為對比，分別檢驗了上述特征對銀行流動性風險的預警效果，進而驗證BO-LightGBM能否提高模型的性能。

表8為不同模型下的預警效果評估，可以看出，雖然邏輯回歸、支持向量機、隨機森林、XGBoost 和LightGBM 模型的預警效果評估指標低于BO-Light-GBM 模型，但總體效果表現(xiàn)良好，說明本文采用的BO-LightGBM 預警模型具有穩(wěn)健性。同時，從圖5可以看出幾種模型的預測效果排序為：BO-LightGBM>LightGBM>XGBoost>隨機森林>支持向量機>邏輯回歸。這也說明，集成算法分類器的性能總體上優(yōu)于單一算法分類器，且貝葉斯優(yōu)化實現(xiàn)的參數(shù)方案能顯著提高模型預測效果。

表8 不同模型下預警效果評估結(jié)果

圖5 ROC曲線匯總

（三）基于BO-LightGBM的特征重要性排序

為了進一步說明BO-LightGBM 模型下哪些特征對預測結(jié)果的貢獻度更大，本文通過特征重要圖（plot importance）得到各個特征的重要性得分，如圖6所示。

圖6 特征重要性排序圖

圖6中：x11（總資產(chǎn)周轉(zhuǎn)率）和x2（流動性比例）的貢獻最大，重要性得分達到190，占總貢獻度的7.92%；此外，特征重要性得分超過150 的還包括x4（現(xiàn)金占總資產(chǎn)比率）、x14（存款增長率）、x3（銀行規(guī)模）、x19（不良貸款率）、x9（留存收益資產(chǎn)比），貢獻度分別占7.50%、7.04%、6.54%、6.33%、6.33%。經(jīng)過計算得到前13個特征的貢獻度可以達到79.63%，能在很大程度上對預測結(jié)果作出解釋，說明這些特征是銀行流動性風險的最主要影響因素。和SHAP摘要圖比較，前6個特征中有5項完全重合，但排序略有不同，可見，BO-LightGBM 模型輸出的特征重要性排序具穩(wěn)健性。

（四）基于部分依賴圖的模型解釋

部分依賴圖（Partial Dependency Plots，PDP）展示的是特征變量（x）與預測值的變化量（y）之間的非線性關(guān)系，體現(xiàn)了某一特征對預測結(jié)果的邊際貢獻。圖7 給出了隨著某一特征的取值增大，預測值相對基準值的偏離程度，隨著某一特征取值的增大，預測值若相對基準值增大，那么該特征對預測結(jié)果為正向貢獻，反之為負向貢獻。為了驗證上文SHAP 值映射圖結(jié)果的穩(wěn)健性，此處同樣列舉了BO-LightGBM模型提取的前8個重要特征的部分依賴圖。

圖7 BO-LightGBM模型前8個重要特征的部分依賴圖

如圖7所示，y軸表示標簽的預測值相較于基準值的變化，陰影部分表示置信區(qū)間。從總體趨勢來看，X4（現(xiàn)金占總資產(chǎn)比率）、X11（總資產(chǎn)周轉(zhuǎn)率）、X14（存款增長率）、X10（息稅前利潤與資產(chǎn)總額比）表現(xiàn)為隨著特征取值的增加，樣本被預測為風險狀態(tài)的概率隨之下降；相反，x19（不良貸款率）、x24_農(nóng)村商業(yè)銀行（農(nóng)村商業(yè)銀行類別變量）、x2（流動性比例）、x17（存貸增長比率）表現(xiàn)為隨著特征取值的增加，樣本被預測為風險狀態(tài)的概率隨之上升。進一步地，根據(jù)圖7可以看出，每個特征預警參考值大致為：x4=10，x11=2.2，x14=0，x19=3，x24_農(nóng)村商業(yè)銀行=1，x2=60，x10=3，x17=150。這與前文中SHAP 值映射圖得出的預警值基本一致（如表9 所示），可以說明基于BO-LightGBM 模型得出的變量預警參考值具有穩(wěn)健性。

表9 基于SHAP映射圖和PDP圖的預警參考值比較

六、結(jié)論與建議

（一）研究結(jié)論

本文首先基于各商業(yè)銀行資產(chǎn)負債表中的資產(chǎn)和負債項目計算得到銀行流動性錯配指數(shù)（LMI），經(jīng)過K均值聚類方法將LMI劃分為安全狀態(tài)和風險狀態(tài)兩類作為模型的輸出標簽；其次，將Pearson 特征篩選得到的21個基礎(chǔ)指標作為模型的輸入特征，借助BO-LightGBM 算法構(gòu)建了中國商業(yè)銀行流動性風險預警模型；最后，經(jīng)過貝葉斯優(yōu)化實現(xiàn)模型效果的提升，通過SHAP 解釋方法得到了商業(yè)銀行流動性風險的重要影響因素和影響程度。得出以下結(jié)論：（1）2007—2021 年，中國商業(yè)銀行LMI 整體呈下降趨勢。其中，農(nóng)村商業(yè)銀行的LMI最高，其流動性風險遠低于其他類型商業(yè)銀行；其次是大型國有商業(yè)銀行；股份制商業(yè)銀行的LMI最低，說明其面臨的流動性風險隱患最大。（2）BO-LightGBM 模型預測的準確率達到88.43%，AUC 值達到94.67%，均高于其他對比模型，說明BO-LightGBM 在此類問題上具有較好的適用性。（3）通過SHAP 摘要圖、特征重要圖（plot importance）等解釋框架對模型預警結(jié)果進行分析，最終發(fā)現(xiàn)x4（現(xiàn)金占總資產(chǎn)比率）、x11（總資產(chǎn)周轉(zhuǎn)率）、x14（存款增長率）、x19（不良貸款率）等特征是商業(yè)銀行流動性風險的重要影響因素。（4）通過SHAP 映射圖可以得到結(jié)論，若現(xiàn)金占總資產(chǎn)比率小于13%，總資產(chǎn)周轉(zhuǎn)率小于2.2%，存款增長率小于0，不良貸款率大于3%，銀行類別為農(nóng)村商業(yè)銀行，流動性比例大于60%，息稅前利潤與資產(chǎn)總額比小于3.5%，存貸增長比率大于150%，那么該銀行被預測為流動性風險狀態(tài)的可能性將更高。

（二）政策建議

根據(jù)本文的研究結(jié)論，提出以下政策建議：

第一，商業(yè)銀行應(yīng)加強資產(chǎn)負債結(jié)構(gòu)調(diào)整能力。在資產(chǎn)方面，商業(yè)銀行需要針對信貸業(yè)務(wù)的投放限額和期限，有計劃、有針對性地開展各項業(yè)務(wù)，此外還應(yīng)適當降低貸款比例，提高債券和其他金融債券的比例。在負債方面，銀行應(yīng)根據(jù)自身經(jīng)營狀況，一方面明確存款、同業(yè)負債的結(jié)構(gòu)和期限，另一方面還應(yīng)通過同業(yè)拆借和發(fā)行債券等方式對其流動性狀況進行適時調(diào)節(jié)，以期有效降低資產(chǎn)負債錯配程度，緩解流動性風險壓力。

第二，引導不同類型銀行實行差異化流動性風險管理策略。本文的結(jié)論中指出，農(nóng)村商業(yè)銀行面臨流動性風險的概率更高，因此，可以針對不同規(guī)模，流動性水平的商業(yè)銀行，實施差異化的監(jiān)管政策。例如，對于流動性水平較高的銀行，適當?shù)靥岣叽婵顪蕚浣鹇室员苊庳泿耪哒{(diào)整帶來的流動性沖擊；而規(guī)模較小、信貸結(jié)構(gòu)單一、業(yè)務(wù)范圍較小的銀行，抵御風險的能力也較弱，可以適當?shù)靥岣吡鲃有员O(jiān)管水平，避免發(fā)生流動性風險。

第三，商業(yè)銀行應(yīng)優(yōu)化持續(xù)經(jīng)營能力。由于前文中指出息稅前利潤與總資產(chǎn)比對銀行流動性風險存在抑制作用，因此，提高銀行的盈利能力、經(jīng)營效率顯得尤為重要。近年來，在互聯(lián)網(wǎng)金融的沖擊下，商業(yè)銀行在傳統(tǒng)的存貸業(yè)務(wù)方面受到嚴重擠壓，主營業(yè)務(wù)嚴重縮水，在此背景下要提高銀行的盈利能力可以從中間業(yè)務(wù)占比入手，在推動普通信貸業(yè)務(wù)發(fā)展的同時擴展中間業(yè)務(wù)，提高非利息收入，從而改善流動性。

第四，商業(yè)銀行實行多渠道化解不良資產(chǎn)。加大不良資產(chǎn)處置力度，同樣可以緩解銀行流動性壓力。具體來說可以從幾個方面入手，如加大不良貸款處置核銷力度，批量打包出售轉(zhuǎn)讓?；蛲ㄟ^使不良資產(chǎn)證券化的形式處置不良資產(chǎn)，如加大銀行永續(xù)債、可轉(zhuǎn)債的發(fā)行，以此加大銀行資本的補充力度。除此之外，商業(yè)銀行也可以綜合運用債務(wù)重組、資產(chǎn)重組、市場化債轉(zhuǎn)股等多種方式，實現(xiàn)不良資產(chǎn)的有效處置。深入落實銀保監(jiān)會提出的“及時核銷不良、積極盤活不良、爭取重組不良、探索轉(zhuǎn)化不良”?！?/p>