商業銀行引進境外戰略投資的風險預警模型研究

摘要：本文針對隨著銀行業開放廣度和深度的加深給商業銀行所帶來的風險，提出了運用主成分分析法和人工神經網絡相結合建立風險預警模型，并進行實證分析驗證了模型的準確性。

關鍵詞：風險預警模型 主成分分析法 人工神經網絡

商業銀行風險預警模型就是在分析商業銀行經營狀況的基礎上，通過觀察一系列統計指標和統計數據(預警指標)的變化，運用經濟計量或其它模型，對商業銀行可能或將要面臨的風險危機進行識別，及時向決策部門發出預警信號，使決策部門能夠及時進行調控，以最小的成本來達到控制風險的最大效益，從而減輕其損失的負擔，獲得整體安全保障的管理方法。本文在預警模型的算法選擇上，避免了僅依靠單個預警指標識別風險的局限性，排除了傳統模型加權平均算法的人為因素，提出采用主成分分析法和人工神經網絡方法相結合的算法，并對模型進行了實證性研究。

一、引言

綜觀國內外研究現狀，目前銀行風險預警的研究大部分是針對宏觀金融環境的，對于其構成細胞——商業銀行這一微觀主體的預警研究尚不多見。盡管如此，國內仍有不少學者在這方面進行了有益的探索。本文在銀行業現有研究的基礎上，將部分敏感因素加入到風險管理的動態監測中，進一步完善商業銀行風險預警指標體系。模型的主要特點在于其算法選擇上，提出采用主成分分析方法對商業銀行風險狀況進行評價，運用獨立樣本T檢驗進行解釋變量的篩選之后，根據幾個關鍵指標建立BP神經網絡預警模型，并按照上述方法進行了實證分析，驗證了模型的準確性。

二、風險預警的指標體系構架

(一)商業銀行預警指標的選擇原則

指標體系的構造，是建立我國銀行風險預警系統的基礎。銀行風險的數量變動特征，無不通過統計指標(變量)的數量變動特征表現出來，因此，統計指標作為測定銀行風險的指示器，在銀行風險監測預警分析中有著至關重要的作用。為了滿足預警指標體系所應具備的完備性和最小性的特征，預警指標的選擇應符合下列標準：

1 全面性。指標體系的選擇應既包括各種定量指標，也包括反映銀行管理水平和內控水平的定性分析指標；既注重風險的安全性指標和流動性指標，又注重銀行效益的盈利性指標。

2 敏感性。所選擇指標能靈敏地反映銀行風險產生變化的情況，應將能夠反映銀行業目前所處環境或階段特征的變量及時納入指標體系，更好地體現模型的適時性。

3 可控性。選擇指標必須充分考慮到統計現狀，所選指標應是各分(支)行自身可以掌握和調控的。

4 數據的可靠性和充分性。預警指標的數據要可靠，一是要求數據的準確性，二是要求統計口徑的一致性。充分性則要求該指標的統計樣本區間有足夠長度，能夠反映各種可能發生的情況。

(二)指標體系的內容

商業銀行引進境外戰略投資的預警模型指標體系如表1所示。

三、商業銀行引進境外戰略投資的風險評估

風險評估是風險預警的基礎，風險預警是對風險評估結果的補充和完善，風險評估是銀行工作者掌握風險趨勢變動的依據，是進一步做出風險預警的前提。目前，由于我國金融統計數據的缺乏，通過對破產銀行和穩健銀行的數據特征對比建立風險預警模型缺乏可行性；此

(三)解釋變量的篩選

構建銀行風險預警模型的關鍵之一，是找出反映銀行風險狀況的關鍵指標。因此我們首先對用于主成分分析的反映銀行風險狀況的19個主要預警指標進行考察。為了降低主觀判斷因素的影響，歸納出一套較強敏感性的指標體系，對上一節通過主成分分析得到的6個高風險季度和6個穩健季度，將采用獨立樣本T檢驗對影響銀行風險狀況的19個指標逐步進行篩選。目的是得到使總體風險在兩類銀行中存在顯著性差別的指標。對19個指標進行獨立樣本T檢驗得到風險季度和穩健季度在流動性比率、流動性缺口率、不良貸款率、累計外匯敞口頭寸比例、外資控制權比率、不良貸款遷徙率、資本收益率、自主創新貢獻度、損失準備充足率、資本充足率、公司治理結構、管理層評價12個指標上的數字特征是存在顯著性差別的。我們將用這12個指標來構建商業銀行引進及國內外戰略投資的風險預警神經網絡模型。

(四)基于BP神經網絡的風險預警模型實證檢驗

1 輸入節點的選擇。通過上一節解釋變量的篩選后，我們選取在兩類銀行中存在顯著差異的12個指標來構建BP神經網絡風險預警模型，因而該模型的輸入節點數為12。我們對選擇的12個指標進行歸一化處理，將它們轉化為閉區間[0，l]上的無量綱性指標值。

2 輸出層和隱層節點數的選擇。根據主成分分析法的綜合評分得到的4種預警結果，我們將定義預警信號為紅色預警信號(0 0 0 1)，橙色預警信號(0 0 1 0)，藍色預警信號(0 1 0 O)和綠色正常預警信號(1 0 0 0)。分別對應于主成分得分表中的4種不同的風險狀態：F∈(一∞，0)較大風險，F∈(0，4)風險，F∈(4，8)基本安全，F∈(8，+∞]安全，因此輸出節點數確定為4。隱層節點數的多少與輸入輸出層節點數有直接關系，根據公式，p=m+n/2+a(a為1-10間的常數)，我們確定隱層節點數為10。

3 神經網絡預警模型的訓練與檢驗。如前所述，本文建立的BP神經網絡模型共有12個輸入神經元，10個隱層神經元和4個輸出神經元。下面將使用MATLAB7，0軟件中自帶的神經網絡工具箱來完成模型的建立，并利用前11個季度進行網絡訓練，對最后一個季度的數據做出仿真檢驗。

通過網絡參數設置和算法的選擇，利用神經網絡工具箱對11個季度的訓練結果如表3。

神經網絡模型在經過了74次學習訓練后達到誤差要求。

(五)神經網絡風險預警模型的檢驗

利用2006年第4季度數據對模型進行仿真檢驗，模型檢驗的輸入、輸出如表如表4、表5。

檢驗結果表明，模型的實際輸出與主成分分析結果完全一致，誤差滿足要求。可以證明該神經網絡模型對商業銀行金融風險的預警非常準確。因此，將該模型應用于對商業銀行初步引進境外戰略投資者的風險預警，具有很高的可行性，可以對中資銀行對外資開放過程中的風險管理工作提供重要的參考依據。

六、結束語

本文在分析了國內商業銀行大力引進境外戰略投資者所面臨的風險現狀的基礎上，提出了微觀商業銀行建立特殊階段預警系統的必要性。針對我國金融業全面開放的階段性特征，將部分敏感因素加入到商業銀行風險管理的動態監測中，設計了一套完整的指標體系。模型的主要特點在于其算法選擇上，采用了主成分分析法和人工神經網絡相結合的思想，對銀行日常風險進行評估和預警，避免了僅依靠單個預警指標識別風險的局限性，并對模型進行了實證性研究。商業銀行引進境外戰略投資的風險預警模型的建立，為單個商業銀行積極應對外資入股過程中的風險監管工作提供了新思路和新方法。