基于干預ARIMA模型的大型商業銀行不良貸款預測

王瑞臻++林婧

摘要：文章通過分析2008～2017年大型商業銀行不良貸款季度余額的變化趨勢，運用ARIMA模型進行擬合。同時研究外部因素對大型商業銀行不良貸款增加趨勢的干預和控制作用，引入干預分析模型，最后對大型商業銀行不良貸款進行了短期的預測。

關鍵詞：不良貸款余額 干預 ARIMA模型 預測

中圖分類號： F832 文獻識別碼：A 文章編號：1001-828X（2017）012-0-01

引言

現代金融風險管理中，統計預測能夠分析相關金融數據的趨勢從而進行預測。當前我國處于不良貸款快速上升的階段，把控和防范金融風險顯得尤為重要，合理利用相應的統計預測方法對金融機構以及相關監管部門有著實際的意義。本文利用《中經網統計數據庫》2008年12月到2017年3月大型商業銀行不良貸款余額季度數據進行分析。ARIMA在處理一般的線性特征數據有著完善的研究方法與較高的精確度，認為ARIMA對金融數據進行預測是比較合適的方法。但不良貸款余額時間序列數據有時會受到外部因素的干擾，本文進一步引入干預變量，處理外部事件的影響，預測精度進一步提高。

一、ARIMA干預模型基本原理

干預模型就是從定量分析的角度來評估政策干預或突發事件對時間序列模型的影響。干預模型一般分為兩種，一種是持續性的干預變量，用階躍函數表示；另一種是短暫性的干預變量，用單位脈沖函數表示，形式分別為：

干預事件的形式多種多樣，按照其影響的持續性分為以下四種類型：

（1）干預事件的影響突然開始，并長期持續下去，型可表示為：

該模型通過差分化的干預模型為：

（2）干預事件的影響逐漸開始，并長期持續下去，模型可表示為：

（3）干預事件突然開始，產生暫時的影響，模型可表示為：

（4）干預事件逐漸開始，產生暫時的影響，模型可表示為：

上述模型中B為延遲算子，ω表示干預影響的未知參數，b為延遲期數。

二、ARIMA干預模型的建立與預測

本文基于2008年12月至2017年3月季度不良貸款余額數據記作序列{yi}，由于序列存在明顯的增長趨勢且在2016年第一季度末期序列的增長趨勢出現一個明顯的轉折，這可能是近些年來基于中國人民銀行、銀監會和地方政府金融辦“三位一體”的監管體系下，規范資本市場運作，推進利率市場化進程，發揮資本充足率監管，2016年人民銀行重啟不良資產證券化試點等事件有關聯。所以選取2008年到2016年第一季度末的數據作為新的序列{xi}，對新的數據進行一階差分得到差分數據{?xi}，進行自相關ACF與偏相關PACF分析。

模型進行初步定階，通過多次擬合、檢驗最終選ARIMA （1，1，5）。由于2和3階滯后系數不顯著，進一步去掉這兩階滯后系數。修改后的模型AIC值從374.38下降到371.21。進一步對模型進行檢驗，標準化殘差均在合理的范圍，Ljung-Box統計量也說明該模型是充分的。此時的ARIMA（1，1，5）擬合模型為：

針對2016年第一季度外部干預因素對模型的影響是逐漸開始，長期持續下去的，引入干預模型：

代入模型

進一步對參數ω，δ進行估計，則干預分析模型為：

三、結語

本文所采用的干預ARIMA模型的預測效果良好。從短期預測數據來看，我國大型商業銀行的不良貸款余額激增的趨勢已基本得到控制，增速已趨于平穩，相關干預是比較顯著的。針對不良資產增加勢頭仍然存在，本文僅分析大型商業銀行不良貸款余額，根據相關資料顯示，我國地方性商業銀行等中小型商業銀行的不良貸款增速仍未得到有效控制。大型商業銀行的不良貸款的控制手段具有參考意義。在處理渠道上，2016年人民銀行重啟不良資產證券化試點，該試點是以工農中建交招商六家大型商業銀行為試點。資產證券化有利于銀行對于化解和轉移信用風險、系統性風險、操作風險、市場風險以及道德風險等多重風險。在不良資產產生源頭上，不良貸款余額與政府干預經濟程度、市場經濟體系建設程度密切相關。金融機構方面應該進一步健全銀行內部防控機制，防范信貸風險。

參考文獻：

[1]王鑫，肖枝洪. 基于干預模型與BP神經網絡集成的GDP預測[J]. 統計與決策，2012.

[2]徐國祥. 統計預測和決策[M].上海：上海財經大學出版社，2016：141-143.

[3]王雋. 不良資產證券化的風險控制[J]. 中國金融，2016（7）：58-59.

[4]石美娟. ARIMA模型在上海市全社會固定資產投資預測中的應用[J]. 數理統計與管理，2005，（01）：69-74.

[5]李健旋. 不良貸款的成因與防控[J]. 中國金融，2014（20）：26-27.

[6]呂江林，黃光. “三位一體”監管視角下的我國商業銀行監管績效研究[J]. 當代財經，2014（4）：42-52.