基于粒子群神經網絡的商業(yè)銀行流動性風險預測

[摘 要]在分析我國商業(yè)銀行流動性特征的基礎上，采用粒子群神經網絡建立一個風險預測模型，選取主要的流動性指標，將浦東發(fā)展銀行14年的季度數據作為實證研究的樣本，采用粒子群神經網絡算法對各指標進行分析并預測。預測結果充分逼近實際的流動性水平，表明這是一種較為理想的流動性風險預測工具。

[關鍵詞]流動性風險;商業(yè)銀行;粒子群神經網絡;預測

[中圖分類號]F830 [文獻標識碼]A [文章編號]1005-6432(2010)14-0085-03

1 引 言

安全性、流動性和營利性作為商業(yè)銀行的經營目標，常常影響著銀行的發(fā)展。銀行的流動性不足將會引發(fā)財務危機，嚴重的可能導致銀行破產;而流動性過剩會影響銀行的經營績效，制約銀行的贏利水平。因此，流動性風險管理在商業(yè)銀行的經營管理中一直占有十分重要的地位。中國的流動性長期以來一直處于過剩的狀態(tài)。然而，隨著銀行業(yè)的不斷對外開放、資本市場的迅速發(fā)展，觸發(fā)流動性風險的可能性不斷增大。因此，我國商業(yè)銀行應該充分重視流動性水平，全面管理流動性風險。

2 模型的引入

2.1 BP神經網絡

BP神經網絡采用Sigmoid激活函數(S函數)的三層前饋神經網絡能夠以任意精度模擬復雜的非線性關系，學習和存儲大量的輸入—輸出模式映射關系，而無須事前揭示描述這種映射關系的數學方程。BP神經網絡模型拓撲結構包括輸入層(Input Layer，IL)、隱層(Hidden Layer，HL)和輸出層(Output Layer，OL)。

對于神經網絡的各個節(jié)點，有:

在PSO中，慣性權重w對算法的收斂性具有重要的作用，較大的w有利于全局搜索，收斂速度快，且搜索時易跳出局部最優(yōu)值，但不易得到精確的解;而較小的w有利于局部搜索，且可以提高搜索精度，但收斂速度慢且有時會陷入局部最優(yōu)值。為此，線性遞減權策略讓w按式(5)的形式線性下降來實現早期的全局搜索和后期的局部搜索之間的平衡。

基于上述研究，本文將建立一個基于PSO和BP神經網絡相結合的預測模型，對商業(yè)銀行的流動性變化趨勢進行微觀分析和預測，相對于BP神經網絡算法，PSO-BP網絡模型在運算速度和結果上都有了較好的提高與改進。

3 流動性風險的模型預測

3.1 指標的選取

2006年1月，中國銀監(jiān)會頒布的《商業(yè)銀行風險監(jiān)管核心指標(實行)》規(guī)定:商業(yè)銀行流動性風險的衡量指標主要包括流動性比例、核心負債比例和流動性缺口率。除上述指標外，還有其他一些重要指標可以衡量流動性風險。結合浦發(fā)銀行資產負債結構特點，現將以下五項指標作為銀行流動性水平的度量指標。

(1)存貸款比例(貸款/存款):按本幣和外幣分別計算，不應高于75%，主要度量商業(yè)銀行流動性的總體水平。

(2)資產流動性比例(流動性資產/流動性負債):按本幣和外幣分別計算，不應低于25%，主要度量商業(yè)銀行籌措到凈流動性資產來源的能力。

(3)現金資產比例(現金資產/總資產):一般在20%以上的水平較好，主要度量商業(yè)銀行資產流動性水平。

(4)核心負債比例(核心負債/總負債):不應低于60%，主要度量銀行負債的流動性水平。

(5)超額儲備比例(超額儲備金/存款總額):主要度量銀行的支付能力狀況。

3.2 樣本數據預處理

本文選取國有商業(yè)銀行中上市較早的浦東發(fā)展銀行作為研究對象，選取該銀行1996—2009年的季度指標數據作為研究樣本，將1996年第一季度至2005第四季度的數據作為網絡模型的訓練樣本。(注:對于個別缺失數據，本文采用差值的方法獲取。)

為了加快人工神經網絡的收斂速度和增加模型的穩(wěn)定性，消除異常值對預測結果的影響，在訓練和預測之前，對數據進行歸一化處理。現采用式(6)對數據進行處理。

4 結果分析

(1)通過分析近四年浦發(fā)銀行各流動性指標的季度數據，可以發(fā)現，金融危機前后該銀行流動性水平總體表現較好，存貸款比例值(按本幣計算)基本保持在臨界值75%左右。2006年，流動性略有上升的趨勢。自2007年金融危機爆發(fā)以后，流動性開始出現波動，甚至出現80%的高峰值，在此期間，出現短暫性的流動性短缺，銀行用穩(wěn)定的存款來發(fā)放貸款的能力不足，有可能引發(fā)流動性危機;上表中，該指標的PSO-BP預測結果為53.8028%，遠遠低于75%的水平，流動性處于充足狀態(tài);資產流動性比例值(按本幣計算)顯示，該指標充分滿足銀監(jiān)會的要求，并且波動幅度不大。金融危機爆發(fā)期間，流動性水平有所下降，但總體仍處于充足狀態(tài)，銀行擁有較高的資產變現能力。上表中預測結果表明銀行應對流動性需求的能力較強，短期內不會發(fā)生流動性風險;現金資產比例值總體處于較高的水平且呈現逐步上升的趨勢，說明該銀行的基礎頭寸保持在較高的水平上，銀行的流動性風險發(fā)生的可能性不大。上表中PSO-BP預測結果為18.6906%，流動性處于暫時短缺的狀態(tài);核心負債比例值較高，近幾年均保持在70%的水平以上，遠遠高于銀監(jiān)會的規(guī)定，表明該銀行的負債流動性水平較高。上表中預測結果較高，預示流動性仍保持在充足的狀態(tài);銀行的超額儲備比例變化較為明顯，在經歷2007年年初的高峰值后，趨于下降趨勢且波動較大。2008年，中央銀行多次上調存款準備金率，使得商業(yè)銀行的超額儲備率處于較低的水平，甚至出現了負值。

(2)通過分析可以發(fā)現，商業(yè)銀行流動性水平的發(fā)展路徑并不是平穩(wěn)的。影響商業(yè)銀行流動性水平的因素較多，主要包括資產負債的期限結構、市場利率、中央銀行貨幣政策等。2006年，資本市場不斷壯大和繁榮，吸收了一部分銀行存款，產生“金融脫媒”現象。體現在按外幣計算的存貸款比例有明顯的上升。2007年，受全球金融危機的影響，國際金融環(huán)境的日趨惡劣，資本市場和貨幣市場的不穩(wěn)定所引發(fā)的“多米諾骨牌效應”傳遞到國內的銀行業(yè)。按外幣計算的存貸款比例和資產負債比例在金融危機前后都表現出較大的波動性，說明了國際金融環(huán)境對我國商業(yè)銀行的流動性有重要的影響力。2008年，為應對國際金融危機，中央銀行多次上調存款準備金率，吸收銀行業(yè)一部分流動性，使得流動性開始出現趨緊跡象并且波動變大，表現在超額儲備比例值呈現總體下降的趨勢。

綜上所述，作為國有商業(yè)銀行中上市較早的浦東發(fā)展銀行，近幾年，它的流動性總體上處于較安全的水平。但是，受國內外金融環(huán)境的影響，銀行的流動性水平出現了較明顯的波動。針對上述現象，商業(yè)銀行應該建立較為全面的風險管理機制，采用科學的流動性度量指標，動態(tài)地衡量流動性水平。

5 結 語

本文采用粒子群神經網絡算法建立一個流動性風險預測模型，不僅能吸收BP神經網絡的非線性映射能力，同時也引入了粒子群局部和全局的搜索能力。將國有股份制銀行中的浦東發(fā)展銀行作為實證研究對象，得到一個較為理想的預測結果。通過比較BP和PSO-BP的預測結果，可以發(fā)現PSO-BP預測的精確度顯著高于BP算法。該銀行的流動性水平總體處于較充足的狀態(tài)，受金融危機等因素的影響，近幾年流動性水平有所波動。模型的預測結果顯示，2009年年末，該銀行的流動性水平較高，引發(fā)危機的可能性不大。但是，這并不能說明銀行的流動性處于絕對安全的狀態(tài)，我國的商業(yè)銀行應該建立全面、科學的風險管理機制，從而更好地對流動性風險進行預測和控制。

參考文獻:

[1]田雨波.混合神經網絡技術[M].北京:科學出版社，2009.

[2]閻平凡，張長水.人工神經網絡與模擬進化計算[M].北京:清華大學出版社，2006.

[3]姚李孝，宋玲芳，李慶宇，等.基于模糊聚類分析與BP網絡的電力系統(tǒng)短期負荷預測[J].電網技術，2005，29(1):20-23.

[4]Kennedy J，Eberhart R C. Particle Swarm Optimization[C]. Proceedings IEEE International Conference on Neural Networks. Australia:Perth，1995:1942-1948.

[5]李洪斌.商業(yè)銀行流動性風險管理[M].1版.長沙:湖南人民出版社，2007.

[6]王順.金融風險管理[M].北京:中國金融出版社，2007.

[7]牛錫明.中國商業(yè)銀行流動性現狀及管理對策[J].中國金融，2008(11):23-24.

[作者簡介]唐佳(1985—)，女，江蘇揚州人，東華大學旭日工商管理學院金融學專業(yè)碩士研究生，研究方向:商業(yè)銀行風險管理;吉余峰(1966—)，男，江蘇南通人，東華大學旭日工商管理學院副教授，研究方向:金融機構管理，商業(yè)銀行風險管理等。