基于BP神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行流動(dòng)性風(fēng)險(xiǎn)預(yù)警

羅樹(shù)浩

【摘 要】對(duì)于商業(yè)銀行而言，通常會(huì)面對(duì)一個(gè)重要風(fēng)險(xiǎn)，即流動(dòng)性風(fēng)險(xiǎn)。對(duì)該風(fēng)險(xiǎn)進(jìn)行及時(shí)的預(yù)警，可及時(shí)發(fā)現(xiàn)風(fēng)險(xiǎn)并做出對(duì)策，減少流動(dòng)性風(fēng)險(xiǎn)損失。BP神經(jīng)網(wǎng)絡(luò)不僅具備良好的學(xué)習(xí)能力，而且還具有良好的模式識(shí)別能力，作為一種平行分散處理模式，在新準(zhǔn)備的數(shù)據(jù)資料的基礎(chǔ)之上，BP神經(jīng)能夠自我學(xué)習(xí)和培訓(xùn)，對(duì)變化多端的經(jīng)濟(jì)環(huán)境做出及時(shí)的反應(yīng)。文章運(yùn)用BP神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力對(duì)南京銀行的流動(dòng)性風(fēng)險(xiǎn)進(jìn)行了預(yù)警。

【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò);流動(dòng)性風(fēng)險(xiǎn);風(fēng)險(xiǎn)預(yù)警

【中圖分類(lèi)號(hào)】F832.2 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】1674-0688（2019）09-0228-02

1 指標(biāo)體系的構(gòu)建

為了使研究更有效，本次研究建立了一個(gè)流動(dòng)性風(fēng)險(xiǎn)預(yù)警體系，該體系中包括9個(gè)指標(biāo)，比如資金投入比例和拆出比例、不良貸款比例等。

2 樣本數(shù)據(jù)的選取

本次研究所選取的樣本數(shù)據(jù)主要來(lái)源于南京銀行2008—2018年的相關(guān)數(shù)據(jù)。BP人工神經(jīng)模型訓(xùn)練所輸入的內(nèi)容是2008—2017年的相關(guān)數(shù)據(jù)。這個(gè)模型訓(xùn)練所輸出的內(nèi)容是綜合功效系數(shù)所在的角度區(qū)間，采用的主要方法是主成分分析加權(quán)，結(jié)果用字母T表示功效系數(shù)，檢驗(yàn)數(shù)據(jù)的標(biāo)準(zhǔn)以2018年的數(shù)據(jù)為基礎(chǔ)。商業(yè)銀行流動(dòng)性評(píng)價(jià)因子之間的指標(biāo)度量單位存在很大的差異性，因此必須對(duì)這些指標(biāo)進(jìn)行統(tǒng)一的規(guī)范化處理，確保評(píng)價(jià)計(jì)算中涉及評(píng)價(jià)因子。本次研究對(duì)于流動(dòng)性風(fēng)險(xiǎn)等級(jí)所采用的方法主要是對(duì)稱(chēng)不等分間隔的分割法，采用此種方法的原因是基本上所有的數(shù)據(jù)不會(huì)出現(xiàn)極端現(xiàn)象，比如極大或者極小，大部分都是中間數(shù)據(jù)，劃分之后再依據(jù)如下原則將各個(gè)等級(jí)分成不同的分?jǐn)?shù)。本文將風(fēng)險(xiǎn)狀況分為重警（T>0.8）、中警（0.6

3 BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練與檢驗(yàn)

運(yùn)用SPSS 23軟件進(jìn)行學(xué)習(xí)訓(xùn)練，創(chuàng)建3層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，將附表中的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，本次研究中的訓(xùn)練樣本集是南京銀行2008—2017年所有的相關(guān)數(shù)據(jù)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練;本次研究中的檢驗(yàn)樣本集是2018年的所有相關(guān)數(shù)據(jù)，對(duì)網(wǎng)絡(luò)的泛化能力進(jìn)行訓(xùn)練。網(wǎng)絡(luò)的訓(xùn)練得出，總樣本在訓(xùn)練區(qū)的比例為80%，在堅(jiān)持區(qū)的比例為20%。

由圖1可知，神經(jīng)網(wǎng)絡(luò)模型包括1個(gè)輸入層、1個(gè)隱藏層和1個(gè)輸出層，輸入層的神經(jīng)元個(gè)數(shù)為9個(gè)，隱藏層為2個(gè)，輸出層為1個(gè)。

根據(jù)圖2模型摘要表明，神經(jīng)網(wǎng)絡(luò)訓(xùn)練已經(jīng)實(shí)現(xiàn)了訓(xùn)練誤差率條件（0.001），模型訓(xùn)練中止，且相對(duì)誤差都比較小，說(shuō)明模型沒(méi)有出現(xiàn)過(guò)度訓(xùn)練。

如圖3、圖4所示，預(yù)測(cè)值與期望值對(duì)應(yīng)的二維坐標(biāo)的散點(diǎn)圖基本都在過(guò)原點(diǎn)的斜率為1的直線上，從圖4可以看出，殘差都在±0.05范圍內(nèi)且主要集中在±0.01范圍內(nèi)，說(shuō)明神經(jīng)網(wǎng)絡(luò)擬合得較好。本次研究中的BP神經(jīng)網(wǎng)絡(luò)在2008—2017年的訓(xùn)練樣本中，其期望輸出與實(shí)際輸出之間不存在太大的差異，而且無(wú)論是前者還是后者，對(duì)于風(fēng)險(xiǎn)所做出的評(píng)價(jià)結(jié)果也是統(tǒng)一的，這個(gè)結(jié)果說(shuō)明網(wǎng)絡(luò)在很大程度上已經(jīng)得到了充分的訓(xùn)練。2018年的檢驗(yàn)樣本能夠?qū)υ撋窠?jīng)網(wǎng)絡(luò)的泛化能力進(jìn)行檢驗(yàn)，詳細(xì)的檢驗(yàn)結(jié)果見(jiàn)表1。

由表1可知，網(wǎng)絡(luò)檢驗(yàn)階段的期望輸出與實(shí)際輸出之間的誤差值較小，完全符合精度條件，也可以確保評(píng)價(jià)結(jié)果的準(zhǔn)確度。與此同時(shí)，結(jié)果說(shuō)明該網(wǎng)絡(luò)在很大程度上具有泛化能力，它能夠?qū)δ暇┿y行其他時(shí)間的流動(dòng)性風(fēng)險(xiǎn)進(jìn)行準(zhǔn)確的預(yù)測(cè)和評(píng)估。

4 研究結(jié)論

本次研究的主要對(duì)象就是商業(yè)銀行的流動(dòng)性風(fēng)險(xiǎn)，采用的風(fēng)險(xiǎn)評(píng)估模型是BP神經(jīng)網(wǎng)絡(luò)，風(fēng)險(xiǎn)評(píng)估的辦法是采用BP神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力。研究結(jié)論為在預(yù)測(cè)商業(yè)銀行的流動(dòng)性風(fēng)險(xiǎn)方面，BP神經(jīng)網(wǎng)絡(luò)具有很大的作用。該模型不需要過(guò)于嚴(yán)格的數(shù)據(jù)，它卻具有良好的識(shí)別能力，能夠?qū)Υ罅康馁Y料及錯(cuò)誤進(jìn)行分析。除此以外，該網(wǎng)絡(luò)模型還具有學(xué)習(xí)能力，可以利用相關(guān)資料和數(shù)據(jù)進(jìn)行自我培訓(xùn)和學(xué)習(xí)，以及時(shí)地對(duì)經(jīng)濟(jì)變化做出反應(yīng)。BP神經(jīng)網(wǎng)絡(luò)不僅對(duì)南京銀行2007—2017年的檢驗(yàn)樣本做出了正確的評(píng)價(jià)，同時(shí)也對(duì)2018年的訓(xùn)練樣本做出了合理的預(yù)警。由此可知，采用BP神經(jīng)網(wǎng)絡(luò)可以較好地解決經(jīng)濟(jì)預(yù)警問(wèn)題。

參 考 文 獻(xiàn)

[1]王利.關(guān)于我國(guó)商業(yè)銀行流動(dòng)性風(fēng)險(xiǎn)管理的研究[D].青島：中國(guó)海洋大學(xué)，2009.

[2]胡江芳.淺論商業(yè)銀行流動(dòng)性風(fēng)險(xiǎn)管理[J].科技創(chuàng)業(yè)月刊，2015（7）.

[3]沈中剛.商業(yè)銀行風(fēng)險(xiǎn)預(yù)警系統(tǒng)的構(gòu)建[J].現(xiàn)代管理科學(xué)，2014（9）.