基于LSTM 神經網絡對銀行擠兌風險進行分析

王珊茹 李華峰

1.河南中醫藥大學，河南 鄭州 450046；2.中國政法大學，北京 100000

一、引言

防止發生系統性金融風險是金融工作的根本性任務，也是金融工作的永恒主題。《十八大》報告指出：“銀行業金融機構要始終把風險控制放在第一位，不斷增強安全性、營利性和流動性”。《十九大》報告亦明確指出：“健全金融監管體系，守住不發生系統性金融風險的底線”。這是習近平新時代中國特色社會主義思想在金融領域的根本要求，是指導金融改革發展穩定的行動指南，是做好新時代金融工作的根本遵循。

本文應用LSTM 神經網絡非線性動力學模型，來分析銀行擠兌行為中的理性和感性的過程。這種內部的“心理模型”可以捕捉人的行為異質性，更清楚的研究銀行擠兌的動態過程。

二、關于神經網絡的國內實踐

LSTM（Long Short Term Memory）是一種特別的RNN（Recurrent neural network）循環神經網絡。1997 年Sepp Hochreiter和Jurgen Schmidhuber提出 LSTM 算法。國內實踐中，大多數研究主要是通過提高算法精度，集中于電力、交通、個人信用、金融資產等方面。如楊世娟（2016）使用BP神經網絡組合灰色系統模型對2015 至2016 年度安徽省財政收入做預測。邸浩（2018）使用Adboost-LSTM 進行期貨投資策略分析，龍奧明（2018）使用LSTM 模型和協整檢驗法研究不同期貨之間的長期均衡關系，用于套利策略，證明效果超過了卷積云和 BP 網絡的效果，王重仁（2019）將LSTM 和卷積云等各種機器學習算法交叉使用以提高信用分析的準確性。總的來看，國內的研究過度注重算法，將神經網絡和行為經濟學結合起來研究的較少，本文創新地使用神經網絡來模擬存款人的認知情感網絡系統，對銀行擠兌風險進行模擬分析。

三、神經網絡分析及其模型構建

應用LSTM 神經網絡這種方法假設每個存款人接收到一個噪聲信號來進行模擬。該噪聲信號與經濟的真實情況高度相關，但不允許存款人知道確定的值。存款人被期望執行所謂的閾值策略，也就是說如果信號高于某個閾值，他們就提取存款，如果信號低于某個閾值，他們就把錢留在銀行。

另外，市場上的信息會對存款人產生影響。在做出決策時，存款人無法精確預測θ。一般，由于θ 未知，存款人做出判斷是基于兩個因素：一個是經濟基本面，二是影響他們做出決策的市場中的信息。

為了弄明白這兩個因素的詳細影響，首先分析在θ=0.6 的確定值時，單一的理性進程對銀行擠兌行為的影響以及理性—感性進程結合之后對銀行擠兌行為的影響。其次令θ為不確定值時，單一理性進程與理性—感性過程結合之后對銀行擠兌行為的影響，并且對之進行詳細的比較分析。最后，測試不同r 和R 對PBR 的影響。

實驗表明，在單一理性進程下θ= 0.6 時，銀行擠兌的概率PBR 約為0.5，而當θ 取不同值時，PBR 也會隨之變化，并且是幾乎成反比例的變化。也就是說當存款人完全理性時，并且基本面良好時他們有50%的概率選擇擠兌或不擠兌。并且存款人完全理性時會充分考慮收益與風險，并做出決策。現實生活中即使經濟基本面良好，也會發生銀行擠兌的行為。我們需要觀測理性—感性相結合之后存款人的行為決策，并觀察此時PBR 的取值。

另外，當經濟基本面良好時，人不再是完全理性的，PBR的取值不再是0.5，而是隨機性的，并且令θ 取不同的值時，PBR 與θ 不再是固定的反比關系，比如θ=0.4 時，PBR 會出現戲劇性的跳躍。也就說此時發生銀行擠兌的現象，不單單是由于經濟狀況的原因還有人自身的感性因素。增加R 應該會降低PBR，接下來在本文中，將測試R 對PBR 的影響。

四、結論

本文創新性地使用神經網絡來模擬存款人的認知情感網絡系統，對銀行擠兌風險進行模擬分析，研究了存款人受情感和理性過程影響而做出決策是否導致銀行擠兌發生的概率，文章重點體現出人的決策邏輯這一行為過程。在動態決策行為中，將著名的雙系統理論集成到LSTM 的人工神經網絡系統之中，并對銀行擠兌行為的理性過程和理性—感性進程進行比較和詳細的分析。同時了解到在經濟基本面不明朗的情況下，R 的增加對PBR 的影響是不同的。如果經濟環境不是非常糟糕，增加后期收益對防止銀行擠兌是有利的，甚至可以防止銀行擠兌，但如果環境惡劣，即使增加R 也不會降低PBR。