杠桿率調整背景下我國商業銀行流動性監測指標評價
——基于深度前饋網絡

(天津財經大學 金融學院，天津 300222)

1 引言

盡管由華爾街金融海嘯所引發的全球金融危機已過去近10年，但全球范圍對流動性風險監測的廣泛關注和對危機后流動性調節效果的深刻反思并沒有終止。商業銀行作為一國經濟金融體系流動性調節中樞的同時，在市場上扮演著流動性創造者與消耗者的雙重角色，為流動性總量在部門和期限之間實現有效配置提供中介平臺[1,2]。同時商業銀行自身天然存在的資產負債期限錯配問題，也使得流動性風險被譽為商業銀行所面臨的致命風險，易由流動性短缺而引發流動性危機[3]。如何有效監測商業銀行流動性成為學術界和實踐領域共同關注的焦點問題[4～6]。

傳統的銀行流動性監測評價主要涉及靜態指標法、動態匹配法和模型分析法[7,8]。流動性風險的評估需要確定可以明顯表征該機構風險的關鍵指標[9]，在指標選取上考量超額備付金比率[10,11]、銀行總資產增速和其他存款性公司資產負債表擴張率[12]、(現金+有價證券)/總資產表示流動性比例[13,14]、次級負債和權益的比值[15]、貸款和核心存款的比值[16]等。雖然指標選取的爭論至今仍未停息，但外部環境變化與商業銀行流動性狀態的聯系卻一直被忽視[17]。相對于靜態指標法，動態匹配法能夠在一定程度上反應商業銀行流動性的動態變化，但由于對潛在現金流估測主觀性較強，且不易劃分資產負債流動性等級，降低了動態匹配法對商業銀行流動性監測的準確性。使用模型分析法監測銀行流動性的成果相對豐富，主要包括商業銀行流動性決策模型、極值理論模型、系統風險調整流動性模型、以及采用非試驗設計方式等。鑒于數據限制等原因，我國學者對商業銀行流動性監測的模型分析研究主要圍繞系列VAR模型和極值理論展開。金融體系是一個具有非參數特點的動態系統[18]，對金融數據進行分析與預測一直是金融領域中一項極具挑戰性的工作。機器學習和深度學習都能夠較容易地設置僅基于銀行賬面價值或資產負債表中提供的原始數據，而無需任何預定義功能就能夠提醒流動性風險的系統。遺憾的是，使用該方法評價商業銀行流動性監測的研究并不多見[19]。Tavana等[20]借助深度前饋網絡框架，基于多種優化算法下的神經網絡(ANN)和貝葉斯網絡模型(BN)兩階段分析方法，闡釋了數據挖掘在構建銀行流動性風險監測模型方面的適用性和準確性，為如何與指標法融合，從而在我國商業銀行流動性監測領域進行應用帶來新的思考。

綜合來看，商業銀行流動性管理在流動性監測指標體系構建，流動性風險隨時間積累引致測度方法有效性的改變，以及與宏觀經濟金融環境變化的結合三方面還存探討空間。第一，監管指標是商業銀行運作過程的硬性標準，而流動性監測則是流動性管理的基礎，是防范和化解流動性風險的基礎性建設。探尋構建與最新監管指標相銜接且符合我國商業銀行實際情況的流動性監測指標體系，具有積極的現實意義。第二，流動性風險在時間維度積累過程中，測度方法的有效性可能存在改變，但目前相關研究的關注不夠。第三，流動性監測指標體系架構具有整體性，不應僅強調單個銀行機構的微觀審慎監管，還應引入宏觀審慎思想，綜合考慮宏觀經濟金融環境變化所帶來的反饋效應。

于我國而言，杠桿率調整自2015年中央經濟工作會議開始已被明確為經濟工作的一項重要任務。杠桿率調整的不同進程必然會對銀行業務產生不同影響，進而導致銀行流動性變化帶有階段性特征，即當大部分機構和投資者采取主動或被動去杠桿的方式以減少負債時，會在一定程度上減少對銀行的貸出款項，并伴隨多種不確定因素對銀行的流動性產生影響。那么基于杠桿率調整進程的不同時段，我國商業銀行流動性監測評價算法的有效性是否具有階段性？流動性監測指標體系的構成是否應隨杠桿率調整階段的變化而改變？針對不同性質銀行的流動性監測指標體系是否存在差異？基于上述問題，本文的貢獻在于：(1)分別以我國國有控股商業銀行和股份制商業銀行作為研究對象，探討杠桿率調整進程中我國商業銀行流動性監測指標選取和評價算法的有效性和階段性。(2)解釋不同類型銀行間是否存在顯著差異。(3)將深度前饋網絡學習與指標評價相匹配，在一定程度上突破由靜態期限匹配向動態現金流匹配目標轉換過程中數據可得性和測算方法的瓶頸，體現流動性監測過程中對我國宏觀經濟金融重要環境變化的關注。(4)基于深度前饋網絡比較不同算法下的計算結果。

2 模型構建與數據描述

2.1 建模思路與算法原理

深度前饋網絡(Multilayer Perceptron, MLP，也稱多層感知器)是一種近年來被廣泛應用的典型深度學習模型，具有自動基于數據提取特征表示抽象級別的性能，當模型深度較淺時仍能通過增加模型寬度提高準確率。考慮銀行流動性風險形成機制的復雜性及影響因素的多樣性，使得指標和評價方法的有效選擇尤為重要。MLP中每一層的權重和閾值可以由監督學習或者無監督學習過程來決定。本文基于MLP模型，在借鑒Tavana等[20]ANN-BN兩階段分析方法和既有指標選取成果的基礎上，研究我國商業銀行流動性監測。不同之處在于，本文的研究不再以單一銀行為目標進行考量，而是分析不同類型銀行背景下的規律性與差異性；不僅探討算法的靜態適用性，而且引入外部環境影響探討杠桿率調整進程中有效性的改變。

模型結構設計和訓練是MLP準確擬合復雜映射函數的關鍵。ANN模型設計的關鍵在于對元素權重的更新，而BN模型則在于先驗分布。模型訓練主要是指選取優化算法訓練模型。二階優化算法中，迭代算法(Levenberg-Marquardt, LM)主要用于無約束的多維非線性規劃問題，通過在高斯-牛頓算法(Gauss-Newton, GN)和梯度下降算法(Gradient Descent, GD)之間插值加快一階牛頓法的收斂，從而抑制過度擬合。雖然LM算法比GN算法更優，但它只能找到局部最小值，而不一定是全局最小值。遺傳算法(Genetic Algorithm, GA)通過生成隨機向量作為隨后應用交叉和變異的權向量，輸出向量使用輸入和權重計算，輸出值與目標值之間的差異作為成本引入，通過選擇成本最低的遺傳算法搜索至權重演變為適當的最終解決方案。GA算法的實現強調數據集足夠方便，全局搜索能力較強，但是GA算法容易過早收斂，搜索效率相對于LM算法較低。何種算法在監測我國商業銀行流動性方面更具優勢，需根據市場實際情況進行測算比較。在BN部分的算法選取方面，主要依既有研究結論討論爬山算法的適用性，以形成指標體系內連結關系。

模型的研究目標可總結為：在MLP-ANN-BN分析框架下：(1)比較LM算法和GA算法對我國商業銀行流動性監測的有效性，兩種算法下國有控股商業銀行和股份制商業銀行對算法的傾向是否具有一致性。(2)識別我國商業銀行流動性監測指標體系和指標間關聯。(3)說明在我國杠桿率調整進程中，商業銀行流動性監測評價算法的有效性和流動性監測指標體系構成是否隨之改變。

2.2 指標選取

2.2.1 輸入變量

本文在巴塞爾協議Ⅲ流動性計量標準的基礎上，結合中國商業銀行流動性監管實踐和規則要求，權衡數據的可得性和可比較性，綜合選取以下9個代表性指標(詳見表1)作為輸入指標。

X1的選取是考慮到我國《商業銀行流動性風險管理辦法》中流動性風險監測參考指標含有流動性缺口和流動性缺口率，而在MLP-ANN-BN框架中流動性比率將被作為輸出指標，故以速凍比率衡量商業銀行流動資產中立即變現用于償還流動負債的能力；X2的選擇源自巴塞爾協議III，反映商業銀行承受風險的能力以及對負債的最后清償能力；X3的選取是考慮負債的增加可能導致凈資產收益率的上升，銀行將有更多的錢投資于其他項目，從而對銀行流動性產生間接影響；X4主要衡量存貸比的變化對我國商業銀行流動性的影響；X5是不良貸款率，不僅反映商業銀行信貸資產的安全狀況，還是體現信用風險積累和變化情況的重要指標，能夠直接影響我國商業銀行的流動性；X6是美聯儲靜態計量商業銀行流動性的指標，此處用于衡量存款期限結構對我國商業銀行流動性的影響；X7和X8反應了信貸業務交互作用對流動性的影響[20]，也是對同業融入情況的反映；X9選自我國《商業銀行流動性風險管理辦法》中的流動性風險監測參考指標，現金及存放中央銀行款項是商業銀行持有或要求持有的用于承擔風險敞口，業務損失等風險的資金，能直接影響銀行的流動性。

表1 MLP-ANN-BN分析框架下我國商業銀行流動性監測輸入指標

注：Z代表“正在評估的銀行”，Q代表“其他銀行”。

2.2.2 輸出變量

選取流動性比例為輸出變量。與Tavana等[20]一致，該指標能夠較好地反映商業銀行流動性水平及流動性風險狀況在監管狀態下的變化趨勢。在模型中記為X10=流動性比例=Z的流動性資產/Z的流動性負債，函數設定為L(X10):當X10<1時,L(X10)=1-X10；其他為0，采用自回歸模式進行配置。

2.2.3 杠桿率變化作為外部環境的影響

根據巴塞爾協議Ⅲ，杠桿率和流動性及其交互影響同是重點關注的內容。國內外學者在杠桿率、流動性和銀行經營績效關系方面取得了相關成果。巴曙松等[17]提出，如果將杠桿率監管、資本管理辦法和流動性監管標準綜合來考察商業銀行，則會從客觀上增加經營成本、降低收益水平，需要銀行凈利差保持在較高水平方能實施。明顯，在降低社會融資成本的現行背景下，并不適宜將杠桿率指標納入我國商業銀行流動性監測指標體系中?？紤]上述因素，本文以集多種宏觀因素影響后形成的商業銀行杠桿率(X11)的變化，作為影響商業銀行流動性的外部環境，研究杠桿率調整進程中，MLP-ANN-BN分析框架下的商業銀行流動性監測評價算法有效性和流動性監測指標體系構成是否隨之改變。

2.3 數據來源與樣本區間

考慮到美國次貸危機影響后的修復，本文選擇2010年第4季度至2017年第4季度作為研究的全樣本區間。子樣本階段劃分將根據引言杠桿率調整進程的梳理和斷點檢驗分析給出。所有指標數據根據樣本銀行季度財務報告整理得出，數據來源于Wind數據庫。同時，考慮到MLP-ANN-BN分析框架下模型的深度，借鑒Tavana等[20]采用插值法三次插值增加樣本數量。文中對所有輸入和輸出變量都進行標準化處理。本文的樣本銀行選擇5家國有控股商業銀行，分別是中國工商銀行、中國建設銀行、中國銀行、中國農業銀行和交通銀行；7家是股份制商業銀行，分別是招商銀行、光大銀行、民生銀行、興業銀行、浦發銀行、中信銀行和華夏銀行，在實證過程中進行分類討論。

3 學習結果與分析

3.1 杠桿率調整階段劃分的斷點確認

從我國杠桿率調整進程的梳理可以看出2015年底至2016年初可能是子階段劃分的重要起點；隨著經濟杠桿率調整要求的實施，我國商業銀行流動性隨銀行杠桿率的變化也呈現出階段性特征，并在2015年底附近表現出現明顯的斜率改變；所以2015年4季度至2017年4季度可能形成全樣本區間中的一個子樣本階段。本文用Chow斷點檢驗對子樣本進行輔助判斷。結果表明，全樣本區間的兩個子樣本區間分為2010年第4季度至2015年第4季度(第1階段)和2015年第4季度至2017年第4季度(第2階段)，對全樣本區間和子樣本區間數據均采用相同模式算法進行比較分析。

3.2 網絡結構

本文選擇了具有一個隱藏層的三層MLP架構，并將輸入變量X1至X9，輸出變量X10和流動性風險函數L(X10)納入，數據分為培訓(70%)、驗證(15%)和測試(15%)三組?；谌珮颖竞妥訕颖緟^間，通過LM算法和GA算法對12家銀行進行反復測試，以目標值與輸出值的相關系數(R)、均方誤差(MSE)、平均值(μ)和殘差標準差(σ)之間的相關性來選擇網絡。

全樣本和子樣本區間分析結果均表明，9-10-1結構的MSE和σ比其他結構小，且LM算法本身有抑制過度擬合的優點，所以本文選取在質量方面表現得更好的9-10-1對樣本進行學習。

3.3 神經網絡訓練與算法性能比較

基于測算出的9-10-1結構，本文分別使用LM算法和GA算法對5家國有控股商業銀行和7家股份制商業銀行進行全樣本和子樣本(第2階段)區間的分析。表2給出了全樣本區間和子樣本區間(第2階段)國有控股商業銀行在兩種優化算法下輸出值與目標值之間的相關性、均方誤差、平均值和殘差標準差方面的比較。從對比結果看，全樣本和子樣本區間內LM算法下的國有控股商業銀行的輸出值與目標值相關性、均方誤差、平均值和殘差標準差優于GA算法下的模擬效果，即LM算法在監測國有控股商業銀行流動性方面比GA算法具有優勢。

表2 國有控股商業銀行LM算法與GA算法比較

同理，表3給出了全樣本區間和子樣本區間下股份制商業銀行在兩種優化算法下輸出值與目標值之間的相關性、均方誤差、平均值和殘差標準差方面的比較。從對比結果看，全樣本和子樣本區間內LM算法下的股份制商業銀行的輸出值與目標值相關性、均方誤差、平均值和殘差標準差優于GA算法下的模擬效果，所以LM算法在監測股份制商業銀行流動性方面比GA算法具有優勢。

進一步的，從算法在培訓、驗證和測試三個獨立數據組上的性能和學習誤差的下降趨勢來看，無論國有控股商業銀行還是股份制銀行，在杠桿率調整進程中也都顯示為LM算法優于GA算法。

圖1和圖2通過顯示學習誤差的下降趨勢對GA算法和LM算法性能比較進行進一步的補充。圖1為GA算法訓練網絡時學習誤差的下降趨勢。圖2為LM算法訓練網絡時訓練數據、驗證數據和測試數據相關的學習誤差的趨勢。

表3 股份制商業銀行LM算法與GA算法比較

圖1 GA算法訓練網絡時學習誤差趨勢

圖2 LM算法訓練網絡時學習誤差的趨勢

3.4 杠桿率調整進程中商業銀行流動性監測指標評價

本部分將先基于MLP-ANN-BN分析框架下的ANN篩選高學習效力指標，再基于BN形成優化后的指標體系，進而給出指標間的連結。

為了探究國有控股商業銀行和股份制商業銀行中能夠較好學習銀行流動性狀態的指標組是否具有相似性，基于前文的研究基礎上用LM算法分別對5家國有控股商業銀行和7家股份制商業銀行進行了全樣本區間和子樣本區間(第2階段)的測度，并依次給出學習效力排名前5的指標組合(如表4所示)。

從表中可以看出，全樣本和子樣本區間(第2階段)內國有控股商業銀行學習效率最高的指標變量雖有差異，但綜合來看，全樣本區間測試階段X4(存貸比)和X5(不良貸款率)對國有控股商業銀行流動性的學習效力表現出一定的穩定性；同樣，子樣本區間(第2階段)測試階段X4和X8(Z在Q的信貸/Q在Z的信貸)對國有控股商業銀行流動性的學習效力表現出較強的穩定性。在股份制商業銀行中學習效率最高的指標變量也表現出了差異，全樣本區間測試階段X4和X6(存款結構比率)對股份制商業銀行流動性的學習效力表現出一定的穩定性；子樣本區間(第2階段)測試階段X6和X8對國有商業銀行流動性的學習效力表現出較強的穩定性。說明兩種性質銀行的指標篩選結果存在差異，且隨著杠桿率調整進程的深入，銀行間信貸業務交互作用對流動性的影響力日趨提升。

表4 國有控股商業銀行和股份制商業銀行學習效力排名前5指標組

由5家國有控股商業銀行全樣本區間的樣本數據來看，存貸比波動較大，平均波動率為0.114，2015年第4季度至2017年第四季度我國杠桿率調整進入重點關注時期后波動率也呈現出較大起伏。不良貸款率的波動率則表現出更大的波動，平均波動幅度在50%左右，但是就農行而言資本充足率的波動幅度相對不良貸款率的波動幅度更加明顯，與此同時，Z在Q的信貸/Q在Z的信貸在2015年第4季度至2017年第4季度我國杠桿率調整進入重點關注時期后也表現出較大的波動率，平均波動率為0.0402。

由7家股份制商業銀行的指標實際數據來看，存款結構比率波動較大，平均波動率為0.0272，2015年第4季度至2017年第4季度我國杠桿率調整進入重點關注時期后波動率為0.0154。存貸比平均波動率為0.0055，杠桿率調整進入重點關注時期后的波動率為0.0040。即對股份制商業銀行而言，雖然存貸比也呈現了較大增幅，但存款結構比率指標相對于存貸比而言波動性更高。與此同時，Z在Q的信貸/Q在Z的信貸在2015年第4季度至2017年第4季度我國杠桿率調整進入重點關注時期后也表現出較大的波動率，平均波動率為0.0134。

考慮到如果使用ANN評判基于學習質量的指標體系，將進行36次學習運算，計算量較大，而BN恰能克服這一缺陷，通過ANN學習選出的評價指標轉化為BN分析中能夠使用的布爾量，借助爬山算法，在分析其對測算我國商業銀行流動性指標數據關系有效性的基礎上，可以給出商業銀行流動性監測指標體系內5組指標的連結關系，從而能夠根據指標間的鏈接關系更好地監測商業銀行的流動性風險。

同時為了評估MLP-ANN-BN框架下商業銀行流動性監測指標體系的測算精度和預測能力，將近似的流動性風險函數L(X10)與同一時間段的實際數據進行比較，誤差率小于1%。以工商銀行和招商銀行作為國有控股和股份制商業銀行的表征，經過學習訓練后真實值與測算值的擬合結果顯示，工商銀行的誤差率約為0.0000603，招商銀行的誤差率約為0.0000517，從而可以證明模型穩健。

4 結論與啟示

商業銀行流動性管理在流動性監測指標體系構建，流動性風險隨時間積累引致測度方法有效性的改變，以及與宏觀經濟金融環境變化的結合三方面存在探討空間。本文分別以我國5家國有控股商業銀行和7家股份制商業銀行作為研究對象，在借鑒MLP-ANN-BN兩階段分析方法和既有指標選取研究成果的基礎上，圍繞我國杠桿率調整進程與商業銀行流動性變化關系的時段特征，分析我國商業銀行流動性監測評價算法的有效性是否具有階段性；流動性監測指標體系的構成是否應隨杠桿率調整階段的變化而改變；以及不同性質銀行的流動性監測指標體系是否存在差異。得到如下結論：(1)商業銀行流動性隨銀行杠桿率的變化呈現出階段性特征，其在2015年4季度存在結構斷點。(2)深度前饋網絡下ANN-BN兩階段分析方法的研究結果表明，在杠桿率調整的重點關注階段前后，LM算法在監測我國商業銀行流動性方面都比GA算法更具優勢。(3)不同性質銀行的流動性監測指標體系構成和結構關系存在差異。從學習效力排名前5的指標組合可以看出，國有控股商業銀行中除農業銀行外，X4(存貸比)和X5(不良貸款率)指標組具有穩定性；在股份制商業銀行中X4和X6(存款結構比率)指標組具有穩定性。(4)隨著我國杠桿率調整進程的深入，不同性質商業銀行流動性監測指標構成中學習效力最高的一組指標的有效性具有一定的穩定性，但也發生改變。從學習效力排名前5的指標組合綜合來看，國有商業銀行由全樣本區間下的X4和X5組合變化為子樣本區間下的X4和X8(Z在Q的信貸/Q在Z的信貸)；股份制商業銀行由全樣本區間下的X4和X6變化為子樣本區間下的X6和X8；銀行間信貸業務交互作用對流動性的影響力在杠桿率調整進程中日趨提升。

本文主要分析了不同類型銀行的規律性與差異性；不僅探討算法的靜態適用性，而且引入外部環境影響探討杠桿率調整進程中有效性的改變。對商業銀行的流動性風險管理有重要啟示：(1)商業銀行和銀保監會應當結合LM算法下的深度前饋網絡和貝葉斯網絡方法監測我國商業銀行流動性風險。(2)國有控股銀行和股份制商業銀行在進行流動性風險管理的時候應該根據其自有特征制定監管方案。(3)銀保監會在對商業銀行進行監管時不僅要關注整體層面的特征，也應當關注階段性特征。