資產評估中城商行存款預測模型的選擇與效果分析

袁 杰，袁國軍

(皖西學院 經濟與管理學院，安徽 六安 237012)

當前，我國城市商業銀行的資本實力大幅增強，資產規模迅速提升，同時，城商行也在積極的借助資本市場力量尋求快速發展的機會。截至2017年底，我國7家國內商業銀行已在A股上市。至2018年初，成都銀行也順利登上A股市場。

可以看出，我國城市商業銀行正在不斷成長，城商行將不斷涉及股改、股權轉讓、重組、IPO業務以及外資和民間資本進入銀行業等事件。而合理的股權估值將成為這些資本活動的順利開展的基礎。

由于銀行的特殊性，在進行股權價值評估時選取的估值方法時，很難套用普通企業的價值評估方法。因此，對于銀行這種特殊的行業，在資產評估實務中選取普通企業的評估方法將造成較大的結果誤差。因此，我國已有很多學者對于商業銀行價值評估方法進行了探究，費亞群、李文卿運用EVA折現方法計算銀行整體價值并與市場價值進行對比研究[1]。李斌運用收益法、成本法、市場法對商業銀行對并購中商業銀行的價值評估進行探究[2]。洪志軍、譚躍、程錦將實物期權方法應用在銀行并購價值評估中[3]。陳艷利、殷翠微從非上市城商行股權轉讓定價被高估狀況出發，研究市場法在非上市城商行中的可行性[4]。可以看出，城商行的資產評估或價值評估研究，我國學者大多是從兩個方向進行研究：一是，對資產評估中各種估值方法在商業銀行價值評估方法的適用性進行對比研究。二是，某種方法在城商行資產評估中的可行性。在現階段，根據查閱我國學者研究成果和已上市商業銀行公告中披露的資產評估報告及說明顯示，收益法在商業銀行價值評估中使用較多，也得到國內學者一致認可[5-7]。對于收益法，在商業銀行評估指導意見《資產評估專家指引第3號——金融企業收益法評估模型與參數確定》以及目前對商業銀行價值評估研究中，均提及了存款預測的必要性和重要性，但兩者均未提及如何對于存款量這一復雜的指標的預測方法。而在近期的商業銀行資產評估說明與報告中，如2010年深圳發展銀行股份有限公司擬平安銀行股份有限公司整合項目評估報告，2015年南京棲霞建設股份有限公司收購河北銀行8.75%股權項目評估說明，2014年江蘇金智科技股份有限公司，擬轉讓所持有的江蘇銀行股份有限公司部分股權項目，2016年張家港銀行及杭州銀行首次公開發行股票招股說明書，也均未提及對于存款這一重要指標的預測方法。存款預測的合理性是銀行整體評估值合理的前提條件，如何選擇合適的存款預測模型是現階段銀行資產評估實務中亟待解決的問題。

因此，對我國的城商行估價中的應用進行進一步的研究，不但有助于完善我國城商行價值評估和價值管理理論體系，還有助于加強城商行管理者和資本投資者的決斷能力，在我國產評估行業不斷發展完善的今天，具有一定的現實意義。

一、資產評估中存款預測方法與預測模型的選擇

城商行的吸收存款預測與其他經濟預測一樣，首選需要對預測模型進行選擇，這是城商行存款預測的核心，也是價值評估中最為關鍵的部分。對于商業銀行而言，經濟因素、政治因素、法律因素以及政策因素等均會對存款造成不同的影響[8-9]，如何選擇合適的存款預測模型也是一項較為困難的工作。選擇一個合理的存款預測模型，不僅需要對預測模型的特點、類型進行分析，還需要結合城商行評估的特殊性以及資產評估工作的具體情況，使得預測結果客觀、可行和準確。

一般的經濟預測可分為兩類：定性和定量分析。其中，定性研究主要方法有德爾菲法、判斷預測法、市場調查法、類推法等。定量研究方法主要運用計量統計方法，對數據資料進行分析，得到所需要的預測結果。預測模型還需結合計量經濟學、數理經濟學等理論方法。現階段常用的預測模型主要有：線性回歸模型、移動平均模型、趨勢外推模型、灰色模型、ARIMA模型、投入產出模型以及神經網絡模型[10]。

表1 預測模型對比分析

數據來源：筆者整理

如前文所述，存款預測是一個復雜的問題，不僅需要考慮經濟因素、政治因素、法律因素以及政策因素等，還需要考慮銀行所處區域以及銀行自身狀況。然而對于資產評估而言，運用少量的數據，即可進行準確且期限較長的預測，將成為城商行存款預測模型的首選。

然而，灰色理論是基于小樣本和不良信息不確定性系統。以提取有價值的信息，實現進化規律的正確模擬，并用少量數據實現定量預測[11]。可以看出，銀行存款的復雜與不確定性，以及資產評估中可能存在的樣本缺乏，信息缺乏等情況，也正是符合灰色模型的理論基礎。

因此本文考慮灰色模型中的EGM(1,1)、ODGM(1,1)、EDGM(1,1)、DGM(1,1)、Verhulst灰色模型對城商行的吸收存款數據進行適用性及預測效果分析。

二、資產評估中存款預測模型構建

由于存款量是等時等間距的，因此常用的單階單變量的預測模型有EGM(1，1)、ODGM(1,1)、EDGM(1,1)和DGM(1，1)模型等。

(一)GM(1,1)模型

根據歷年銀行存款量X(0)=x(0)(1),x(0)(2),x(0)(3),…,x(0)(n)，X(1)為X(0)的1-AGO序列，則X(1)=x(1)(1),x(1)(2),x(1)(3),…x(1)(n)。而Z(1)=z(1)(2),z(1)(3),z(1)(4),…,z(1)(n)為X1的緊鄰均值生產序列。

其中

(二)ODGM(1,1)模型

(三)DGM(1,1)模型

DGM(1,1)模型是GM(1,1)模型的一種離散的形式，其建模的過程與GM(1,1)模型是基本類似的，只是DGM(1,1)的模型參數序列為β=[β1,β2]T,且矩陣B與矩陣Y變更為一下形式：

則β=(BTB)-1BTY。從而，DGM(1,1)模型為:

x(1)(k+1)=β1x(1)(k)+β2

(四)EDGM(1,1)模型

EDGM(1,1)模型是GM(1,1)模型的一種均值估計參數模型，是以x(0)(k)+az(1)(k)=b均值差分方程式的解當做響應式而得到的模型稱為均值差分的GM(1,1)模型。

(五)灰色Verhulst模型

灰色verhulst模型是依據生物演化繁殖、人口變化等特征對malthusian進行整合，并入一個發展的限制項得到以下的verhulst模型[12-13]：

Verhulst模型首先根據原始符合樣本數據序列x(0)分別得到一階累加(1-AGO)新數據序列x(1)以及緊鄰均值生成序列Z(1)。建立灰色Verhulst模型微分方程為：

式中，a,b為參數項，其最小二乘估計為

A=[a,b]T=(BTB)-1BTY

式中

從而灰色Verhulst模型為：

x(0)(k+1)=x(1)(k+1)-x(1)(k)，(k=0,1…)

三、資產評估中存款預測模型的效果分析

(一)數據選取

選取銀行存款總量數據主要源于wind資訊搜集上市城市商業銀行2007—2016年年報，選取A股上市的城市商業銀行吸收存款數據。如表2。

表2 2007—2016年城商行吸收實際存款量 金額單位：人民幣萬元

數據來源：筆者整理

(二)模型適應性分析

根據各銀行年報中吸收存款量得到2007—2016年各城商行吸收存款的原始數據，運用灰色模型進行模擬，其模擬值見表3—表5，由于篇幅所限，只列舉杭州銀行、上海銀行、寧波銀行。

表3 杭州銀行模擬值與實際值對比分析 金額單位：人民幣萬元

數據來源：筆者整理

表4 上海銀行模擬值與實際值對比分析 金額單位：人民幣萬元

數據來源：筆者整理

表5 寧波銀行模擬值與實際值對比分析 金額單位：人民幣萬元

數據來源：筆者整理

(三)模型精度分析

對上述模型進行精度比較。主要為殘差、相對誤差、平均相對誤差、殘差平方和，其公式依次為：

在此次模型中，主要選擇相對誤差，平均相對誤差對模型的精度進行比較。

7家城商行，EGM(1，1)、ODGM(1,1)、EDGM(1,1)、DGM(1，1)和Verhulst灰色模型的精度及誤差值統計，見表6。

根據表6，可知，對于我國城商行的吸收存款量而言，EGM(1，1)、ODGM(1,1)、EDGM(1,1)、DGM(1,1)和Verhulst灰色模型的預測精度從小到大依次為，Verhulst

表6 城商行相對誤差對比分析

數據來源：筆者整理

四、結論

本文通過分析現階段常用的經濟預測模型，考慮到資產評估業務及銀行存款量的特殊性，建立EGM(1，1)、ODGM(1,1)、EDGM(1,1)、DGM(1，1)和Verhulst灰色模型，分別對杭州銀行、南京銀行、常熟銀行、北京銀行、上海銀行、寧波銀行、江陰銀行，2007—2016年年報所列吸收存款量進行分析，得到如下結論：

1)銀行吸收存款預測的復雜性與不確定性，以及資產評估實務中，樣本缺乏，信息貧瘠，符合灰色模型的理論基礎。但由于多種灰色模型不同的特點，在預測時所得到的所得到的誤差精度檢驗結果各不同，因此，進一步解釋了在實際應用模型時精度測試的重要性。

2)對于資產評估業務中城商行吸收存款預測而言，Verhulst模型穩定性較差，灰色模型擬合精度排序為：Verhulst

3)在資產評估實務中，可以選取DGM模型，與城市商業銀行戰略規劃，以及銀行業監管指標相結合對銀行存款量進行預測。