上市商業銀行信用評級的比較研究
——基于LassoCV方法與機器學習模型

黃家祥

一、問題的提出

作為現代經濟的核心，金融是一把雙刃劍，既可以有力地支撐著我國經濟的轉型發展，也可能因使用不當而引發金融風險。

習近平多次強調，防范化解金融風險，事關國家和人民財產安全，是實現高質量發展必須跨越的重大關口。商業銀行信用風險是金融風險的重要部分，對商業銀行信用風險進行科學合理的評級與預測具有重要的理論與現實意義。

商業銀行信用評級是對其當前償付其金融債務能力的綜合評價，對金融監管、風險維護、機構合作、公眾選擇等都具有重要意義。商業銀行信用評級比較權威的機構主要有穆迪、標準普爾、惠譽、中誠信國際、大公國際等，但這些機構的評級指標體系一般不對外披露。

圍繞商業銀行信用評級，學者們主要從構建商業銀行信用評級指標體系和評級模型及方法兩大方面展開。周春喜等（2004）[1]從經營環境、銀行素質、盈利能力、風險狀況四大方面構建商業銀行信用評級指標體系，并運用模糊理論進行了綜合評價。遲國泰等（2006）[2]則根據典型文獻高頻原則，從市場占有率、盈利性、流動性等角度構建指標體系。王犁（2009）[3]從經營水平、管理水平等方面構建指標體系并運用因子分析進行實證研究。朱琳（2012）[4]利用主成分分析優化選擇指標體系，并提出改進的Logit模型與SVM組合模型，對180家上市公司進行了分類研究。齊菲（2012）[5]引入非線性映射原理，構建了商業銀行信用評級指標體系，并利用改進的Spearman檢驗，建立了最優賦權方法的商業銀行信用評價模型。賈曼莉（2015）[6]依據駱駝評級模型，嘗試建立具有中國特色的、包括資產控制能力、風險確保度、全程陪同、SWOT分析以及附加項在內的5A商業銀行評級理論。翟璐（2016）[7]提出了基于混合重抽樣和Boosting算法的HSBoost新模型，對銀行信用評級展開了研究。許友傳（2017）[8]則研究了銀行信用評級的信息內容和信息質量及其在次級債風險定價或事前約束中的反映情況，結果表明，信用評級在次級債風險定價中得到顯著反映。

已有關于商業銀行信用評級的研究所取得的成果，對本研究具有重要參考價值和啟發。從指標體系看，雖然不同文獻構建的指標體系迥異，但歸根結底都是圍繞宏微觀環境、管理水平、資產質量、流動性、盈利能力等因素展開。從評級模型方法看，學者們主要采用了主成分、模糊理論、Spearman檢驗以及較復雜的算法，如Boosting算法和SVM算法等。

上述指標體系的研究開闊了研究思路，而研究方法在識別關鍵變量、確定指標權重上既存在優點，也伴隨有不足。這些研究方法本質上大多是通過建立變量間多元線性回歸模型，運用最小二乘法估計參系數，對數據依賴度很大，且所求解往往是局部最優解而非全局最優解。

基于此，本文采用LassoCV方法進行變量選擇，確定關鍵評級指標，使用 -近鄰、決策樹、隨機森林、支持向量機四種機器學習模型，對上市商業銀行的信用進行評級和比較研究。

二、理論準備

（一）LassoCV方法

Lasso是一種利用壓縮估計的思想，將參數估計與變量選擇同時進行的一種正則化的方法[9]。Lasso參數估計被定義如下：

LassoCV的損失函數及損失函數的優化方法與Lasso相同，區別在于驗證方法。LassoCV對超參數α使用交叉驗證，尋找最合適的α。LassoCV是進行Lasso回歸的首選，尤其是從高維特征中尋找主要特征時，LassoCV優勢明顯。

（二）機器學習模型

機器學習是指通過對訓練數據的學習，提升機器的性能，從而能夠從無序的數據中提取有用的信息，利用習得的規則對新數據進行預測和分析的過程[10-11]。分類算法是機器學習算法中最常用的算法，主要包括： -近鄰、決策樹、隨機森林、支持向量機等。

如果某個樣本的 個最近鄰或最相似樣本都屬于某一類別，則該樣本也屬于這個類別。決策樹的本質是生成一個可以從根（頂端）開始不斷判斷選擇到葉子（判斷結果）節點的樹，決策樹僅有單一輸出。

隨機森林是通過隨機的方式建立一個森林，森林有很多的決策樹組成，每棵決策樹之間沒有關聯，當有一個新樣本進入時，采用“投票”機制確定其所屬類別，哪一類被選擇最多，就預測這個樣本為該類別。

支持向量機是通過尋求結構化風險最小來提高分類器的泛化能力，即預測未分類數據的能力，實現經驗風險和置信范圍的最小化，從而達到在樣本量較少的情況下也可以獲得良好分類效果的目的。對上市商業銀行進行信用評級可以看成是一個機器學習的分類過程。

三、指標體系的構建與數據來源

對商業銀行信用等級評定的代表性指標體系應屬美聯邦金融機構監管委員會（FFIEC）提出的“駱駝”評級體系。參照駱駝評級思路，結合中國實際情況，通過文獻查閱以及對國內外權威評級機構公布報告中指標的甄選，本研究從資本充足性、資產質量、盈利能力、流動性、風險管理能力五大方面構建指標體系，具體包括資本充足率(x1)、每股收益(x2)、每股凈資產(x3)、不良貸款率(x4)、撥備覆蓋率(x5)、貸款撥備率(x6)、平均總資產回報率(x7)、凈資產回報率(x8)、凈息差(x9)、非利息收入占比(x10)、成本收入比(x11)、資產總額(x12)、存貸款比率(x13)、資產負債率(x14)、營業利潤(x15)、凈利潤(x16)共16個子指標。

選取中國銀行、中國工商銀行、中國農業銀行、中國建設銀行、郵政儲蓄銀行、交通銀行、光大銀行、北京銀行等共40家上市商業銀行作為研究對象，數據均來源于各銀行年報及其官網。研究分析工具為Python。

四、實證分析

首先運用LARS算法，對子變量進行LassoCV選擇（表1），其次分別使用 -近鄰、決策樹、隨機森林、支持向量機四種機器學習算法對樣本進行訓練學習和識別分類，其中訓練樣本占80%，測試樣本占20%，結果見表2。

表1 LassoCV變量選擇系數表

由表1可見，x1、x2、x3、x4、x5、x6、x7、x8、x9、x10的系數為0，說明這些因素因存在共線性被剔除了；而x11、x12、x13、x14、x15、x16這6個變量被LassoCV方法識別為特征變量，說明平均總資產回報率、非利息收入占比、資產總額、資產負債率、營業利潤等因素在商業銀行信用評級上起著關鍵性作用。

表2 機器學習分類結果及準確率

由表2可知，通過四種機器學習算法，實現了對上市商業銀行的信用評級，其準確率均在92%以上，說明四種機器學習算法在對上市商業銀行信用評級分類上是有效的，這不僅節省了人力資源提高了效率，而且可以根據所訓練模型，實現對上市商業銀行在未來一段時間內信用評級的預測。

五、結論建議

基于實證結果，可得到如下結論和建議：

第一、平均總資產回報率、非利息收入占比、資產總額、資產負債率、營業利潤等因素在上市商業銀行信用評級上起著關鍵性作用。建議上市商業銀行重點關注并提高資產回報率，實現利潤增長，增加非利息收入業務的投入以及平衡好資產負債率等。

第二、科技創新對銀行業務的升級改造對信用評級的間接性影響顯著。從特征變量看出，非利息收入占比對上市商業銀行信用評級影響顯著，說明銀行憑借利息收入生存發展的時代已經悄然改變，而以投資收益為代表的非利息收入逐漸發揮愈發重要的作用。

因此，上市商業銀行應堅持科技創新對銀行傳統業務的升級改造，促進科技創新與金融創新的耦合發展。