基于BP神經網絡模型的商業銀行風險評估研究

楊君岐 任瑞 闞立娜 任昊悅

【摘 要】 隨著我國利率市場化的不斷推進，商業銀行的競爭環境發生變化，如何有效地對商業銀行進行風險防控，實現商業銀行在大環境下的穩定持續發展是非常重要的。文章以2016—2019年20家商業銀行為研究樣本，運用因子分析法進行降維，利用特征值計算指標權重，通過加權因子值構造風險指數，以8個評價要素為輸入，風險指數為輸出，建立了8×15×1的BP神經網絡商業銀行風險評估與分析模型，通過對原始樣本和測試樣本進行網絡訓練和仿真測試，結果表明所構建的BP神經網絡能很好地進行風險評估，更重要的是加入“彈性分析”可以進行商業銀行風險的影響要素分析。實證分析結果表明：商業銀行的流動性、資本充足和不良貸款性指標對風險影響較大，且流動性和資本充足等指標的變動與風險指數呈反向變化，不良貸款率等與風險指數呈正向變化。

【關鍵詞】 商業銀行; 風險評估; BP神經網絡; 因子分析法; 彈性分析

【中圖分類號】 F832.33? 【文獻標識碼】 A? 【文章編號】 1004-5937（2021）05-0113-07

一、引言

在利率市場化的不斷推進下，商業銀行面臨的經營環境、業務種類以及競爭環境等都發生了較大的改變。商業銀行之間的競爭加劇，從宏觀和微觀層面均加大了商業銀行風險管理的難度，要使其在社會經濟迅速發展的大環境下獲得穩定持續發展，必須高度重視風險評估、防控和管理。商業銀行績效評價一直都是學界與業界比較重要的研究課題，風險防控作為績效管理的重要組成部分，關于風險的評估研究也成為了當前研究的重要內容。目前關于商業銀行績效評價經常利用單一指標測度商業銀行績效，如凈資產收益率（ROE）、總資產收益率（ROA）、經濟增加值（EVA）以及不良貸款率等，還有少部分文獻利用平衡計分法以及模糊綜合評價法進行指標測度。因為2020年財政部公布的《商業銀行績效評價辦法》（財金〔2020〕124號）中的指標數據獲取有限，各部分指標之間很難互相代替，因此計劃從比較受市場關注、指標較全的風險防控方面進行分析研究，就商業銀行風險測度方法和評價要素進行研究。在方法研究中利用BP神經網絡具有仿真多個變量間非線性復雜影響關系的特點，在此基礎上加入“彈性分析”概念，用來分析原始評價要素變動對商業銀行風險的影響。用因子分析法優化評價要素、確定因子權重并計算網絡輸出層變量，用BP神經網絡建立評價要素對風險影響分析的非線性系統，以便學界和業界應用。

二、商業銀行風險測度相關研究

在商業銀行的風險研究中主要有兩種測度方法，一種是選用單一變量，如不良貸款率、資本充足率、資產收益率波動以及預期違約概率等;另一種是構建指數或評級體系的方法，如z-score指數。尹莉婭[1]和謝太峰等[2]在相關因素與商業銀行風險的關系時，選用不良貸款率和風險加權資產比重作為商業銀行風險的代理變量;韓雍等[3]在研究中利用資產收益率和權益資本對總資產的比率計算出Z-Score值衡量銀行風險承擔;谷慎等[4]選用銀行破產風險（RISKZ）以及部分經營風險、杠桿風險、資本充足率和資產收益率波動值來共同測度商業銀行風險;張晉等[5]在測度商業銀行風險管理能力時，選用了基于駱駝評價體系（CAMELS）建立的指標體系;程小慶等[6]利用分數回歸的CoVaR方法計算商業銀行的系統風險，在計算中運用了收益率、波動率、期限利差以及流動利差等指標;徐紅芬等[7]運用熵值法和層次分析法對信用風險、流動性風險、資本充足以及盈利能力等方面的指標構建風險評估體系。關于BP神經網絡在績效評價體系的應用，不少學者進行了有益的探索，取得了不少成果。如吳苓[8]通過對BP網絡模型的改進加快了傳統算法的運算速度，收斂效果達到了要求，運算結果符合實際情況;李曉峰等[9]在對我國商業銀行信用風險問題進行研究時，構建了商業銀行信用評估體系，并利用BP神經網絡模型進行實證分析，按照指定的判定標準給出了商業銀行信用評價等級。

關于商業銀行風險的測度，大多數學者會采用單一指標測度的方法，一部分學者通過選取商業銀行多方面的指標計算綜合風險值，在利用多指標構建評價體系時采用模糊綜合評價法和層次分析法的較多。本文計劃在建立商業銀行風險評估體系時，借鑒新的風險防控相關指標，以便更權威或全面地進行商業銀行風險評估。在分析中，首先通過因子分析法對原始評價指標進行優化、提煉，利用加權公因子得分值構建風險指數，然后以風險評價指標為輸入，以風險指數為輸出，構建BP神經網絡建立風險評估模型，最后在BP神經網絡模型的基礎上設計“彈性分析”的輸入，分析各評價要素的變化對風險的影響方向與程度。

三、基于BP神經網絡技術的商業銀行風險評估與分析模型構建

（一）研究指標的選擇

在風險評估的指標選取過程中，為了避免評價系統的片面性與不規范性，盡量采用權威的、多角度的數據，以便得到更科學的評價指標。在《商業銀行績效評價辦法》中給出的風險防控指標，包括不良貸款率、資本充足率、不良貸款增速、撥備覆蓋率以及流動性比例。由于數據獲取有限，因此本文在新標準給出的風險防控指標的基礎上，除不良貸款增速外，補充了一級資本充足率、核心一級資本充足率、正常貸款遷徙率以及流動覆蓋率等，以便更全面地進行商業銀行風險評估。

（二）基于因子分析法的BP神經網絡中輸出值（風險指數）的計算

在BP神經網絡中，輸入、輸出值的獲取是很關鍵的，本研究的輸入變量為所選取的評價指標，而輸出變量需要利用因子分析法構造風險指數。借用SPSS軟件，通過因子分析法得到各公因子的特征值，本文利用旋轉后的各公因子歸一化后的特征值作為權重，利用公式1計算評價指標權重，利用公式2加權計算風險指數。

其中，λi為旋轉后第i個因子的特征值，wi為第i個評價因子的權重，i=1，2，..，k。

其中，fi為評價指標的因子值，i=1，2，...，n。

（三）商業銀行風險評估BP神經網絡設計

本文研究目標是建立一個以評價要素為輸入，以風險指數為輸出的BP神經網絡模型，以便用它進行商業銀行風險評價與影響要素分析，這里的核心是訓練網絡中輸入、輸出變量的設計以及網絡訓練、仿真和誤差計算等。

1.網絡輸入

網絡的輸入變量為各評價體系或辦法中給出的原始評價指標，本文的網絡輸入變量為一級資本充足率、核心一級資本充足率、正常貸款遷徙率、流動覆蓋率、不良貸款率、資本充足率、撥備覆蓋水平和流動性比例8個風險評價指標。在研究過程中，為了避免指標量級不同帶來的影響，訓練網絡的輸入變量值為歸一化后的值。

2.網絡輸出

本文的網絡輸出變量為上文中利用公式2計算得出的商業銀行風險指數。

3.網絡模型選擇與設計

建立BP神經網絡的函數為newff（），調用格式如下：

Net=newff（minmax（P），[k，m]，{‘tansig，‘logsig}，‘traingdx，‘learngdm）[10]，其中‘tansig和‘logsig為隱含層和輸出層的傳遞函數。訓練網絡的函數為train（），調用格式為：net=train（net，p，t）;仿真網絡函數為sim（），調用格式為：y=sim（net，testp）。

此外，在訓練網絡時，需要確定相對誤差和極限迭代次數，當訓練次數和相對誤差達到條件時才能結束網絡訓練，否則需要不斷調整權重向量計算新的網絡輸出變量值才能進行仿真訓練。梯度算法中的權重向量的計算公式[10]如下：

其中{vij}為權向量，wi為權系數，E為誤差向量，y為網絡輸出變量，為仿真輸出值，？濁為學習修正率，α（x）為網絡的轉換函數。

在網絡訓練中，輸入層節點數即為原始評價指標的個數，隱含層節點數根據（2n-1）進行確定，n為輸入層節點數;本文以商業銀行風險指數（Erisk）作為輸出變量，因此輸出層節點數為1。具體網絡結構如圖1所示。

（四）基于BP神經網絡模型風險評價因素的“彈性分析”網絡輸入設計

在建立好商業銀行風險評價網絡與分析系統后，為了進一步分析各個二級評價指標對風險指數的影響，在訓練好的網絡中，輸入新構造的“輸入層數據”進行“彈性分析”，考察網絡輸出層的風險指數的變化。在構建好的BP神經網絡中訓練網絡時以二級評價指標的平均值為基礎，采取單項逐步變化的方法構造新的BP神經網絡的輸入數據。這里以考察輸入變量Xi的變化對輸出變量分析為例進行說明，不妨假設讓Xi在其訓練數據平均值向量基礎上有k種百分比的變動γi1%，γi2%，…，γij%，...，γik%帶入訓練好的網絡可得到對應輸出。具體輸入層構建見表1。

按第i個輸入變量有K種變化，每種情況j（j=1，2，…，K），得出一組新輸出yij'，將其與平均值對比計算出彈性系數k，具體參照計算公式6：

其中j=1，2，…，K，i=1，2，…，m;k為Xi變化的第j種幅度對風險評估值的影響“彈性系數”。當k值為正時，表明輸出變量隨著Xi的變化增加;當k值為負時，表明輸出變量隨Xi的變化減少。具體增加或減少的幅度由k值大小來決定。

四、實證分析

（一）樣本選取與數據處理

1.樣本選取

本模型所用方法適用于不同的原始評價指標，在《商業銀行績效評價辦法》給出的風險防控評價指標的基礎上，補充了部分指標數據，最終選取了8個原始評價指標。以我國20家商業銀行2016—2019年的數據為訓練樣本，建立一個以8個評價要素為輸入，以風險指數為輸出的BP神經網絡模型，以便用于商業銀行風險評估以及要素影響分析，數據的處理和模型的構建過程均在Matlab軟件中實現，實證的部分數據見表2。

2.指標歸一化處理

因為各指標之間的經濟意義和單位的不統一，為了避免各指標之間數值差異產生較大的缺陷，對二級評價指標運用下文給出的歸一化公式進行數據處理。

上式中Xi表示第i個對象的指標值，Xmin表示最小指標值，Xmax表示最大指標值，Xe表示理想指標值，Evi表示歸一化值。

（二）網絡輸出值（風險指數）的計算

通過指標優化得到三個評價公因子及得分值，根據三個評價公因子旋轉后的特征值在具體計算公式中可以計算出權重。根據旋轉成分矩陣結果知道，第一個公因子（FAC1）在資本充足率、一級資本充足率和核心資本充足率等指標上荷載較高，因此可以命名為資本充足性指標;第二個公因子（FAC2）在流動性覆蓋率和流動性比例上的荷載較高，因此命名為流動性指標;第三個公因子（FAC3）在不良貸款率、正常貸款遷徙率和撥備覆蓋率等指標上的荷載較高，因此命名為不良貸款指標;根據旋轉后的特征值計算出第一個公因子（FAC1）權重為42.67%，第二個公因子（FAC2）的權重為38.62%，第三個公因子（FAC3）的權重為18.71%。在得出權重和因子得分后，綜合加權計算出商業銀行的風險指數，其中資本充足和流動性指標越大，說明風險性越低;該指數值越大，表示其風險性越小。表2為2019年20家商業銀行風險指數及排名，其中Erisk即為下一步訓練BP網絡時所需的輸出值。這里以排名靠前的3家和排名靠后的2家商業銀行為例進行分析，根據風險指數來看，中國建設銀行排名第一，主要是因為資本充足指標得分較大，且其權重較大，雖然不良貸款指標比流動性指標的得分值大，但是其所占比重較小，因此其綜合排名靠前;交通銀行與其相比，資本充足指標得分值較小，流動性指標較大，但因不良貸款率較大，資本充足指標所占權重較大，且不良貸款指標越大表明風險性越強，因此綜合排名為第二;中國工商銀行的資本充足指標得分值較大，但流動性和不良貸款的得分值均較小，因為權重大小關系，因此其排名第三;西安銀行的資本充足和流動性指標得分值均較小，而不良貸款率得分值較大，因此其排名靠后，風險性較強;南京銀行的資本充足和流動性指標的得分值均比寧波銀行小，而不良貸款指標差不多大，因此其排名最后，風險性相對較高。

至此，訓練BP神經網絡所需數據準備完畢，下面以風險評價要素作為輸入，以風險指數作為訓練網絡的輸出數據（具體數據見表3），設計三層結構反映原始評價指標與風險指數之間復雜“映射”關系的BP網絡，為后續分析商業銀行風險指數的影響因素提供新的研究方法。

（三）BP神經網絡模型訓練與檢驗

1.網絡模型訓練

選取2016—2019年20家商業銀行作為訓練樣本，記為Ai，i=1，2，...，20，輸入數據（部分）見表3。以所選取的8個二級評價指標值和計算出的商業銀行風險指數為基礎進行網絡訓練;然后選擇2019年的5家商業銀行作為測試樣本，進行網絡仿真分析。

在此網絡結構中，輸入層節點為8，中間層節點為15，輸出層為1。設置訓練步數為5 000，目標誤差為0.0001，在步數達到3 737次時，達到設置的目標誤差，表明本文所選的指標在網絡中收斂很快，除個別點外，相對誤差控制在0.01%范圍內，說明該模型能有效地仿真商業銀行風險評估。BP神經網絡訓練過程見圖2，訓練誤差與訓練結果參考圖3。

2.檢驗結果分析

根據上文中原始值和輸出結果的比較，可以看出所構建的評價體系仿真效果很好。為了進一步檢驗其網絡穩定性，本文選擇2018年的5家上市商業銀行作為測試樣本進行分析，在訓練好的網絡中，讀入測試樣本數據，測試樣本的誤差控制在0.1%以內，表明所建風險評價網絡仿真效果較好，具有非常好的穩定性與實用性，可以廣泛應用于商業銀行風險評價。

（四）基于BP神經網絡的商業銀行風險指數影響要素“彈性分析”

上文結果表明，所建立的BP神經網絡模型的商業銀行風險評價體系具有很好的仿真效果和廣泛應用性。為了具體分析各個評價指標的變化對風險指數的影響，以8個二級評價指標的平均值為基礎，分別讓8個二級評價指標的發生額單獨增加和減少其平均值的5%，考察輸出值的變化，并計算出彈性系數。具體輸出結果見表4。

從“彈性分析”結果來看，所選取評價要素的彈性系數的絕對值均大于等于5%，當彈性系數絕對值大于6%時，說明該評價要素引起風險指數變動的敏感性較強。表中流動性覆蓋率、流動性比例、資本充足、不良貸款率、正常貸款遷徙率等指標的彈性系數絕對值均大于10%，說明這些指標的變動對風險變動的敏感性較強，即這些指標的變動對商業銀行的風險性影響較大;從彈性系數的方向來看，當其為正時，表明商業風險會隨評價因素的變動而增加，當其為負時表明商業銀行風險會隨評價因素變動減小。其中，流動性覆蓋率、流動性比例、資本充足以及撥備覆蓋率等評價指標增加時，彈性系數均為負，表明這些指標的增加會使得商業銀行風險性降低，評價指標與商業銀行風險負相關;而不良貸款率和正常貸款遷徙率增加時，彈性系數均為正，表明不良貸款指標會引起商業銀行的風險性增加。由此表明所選取的8個二級評價指標的變化均能引起商業銀行風險指數的變動，流動性、資本充足以及不良貸款等相關指標對商業銀行風險性的影響較大。

五、結論與建議

基于BP神經網絡模型構建商業銀行風險評估和要素分析體系，以2013—2019年20家商業銀行數據為樣本，驗證BP神經網絡模型在商業銀行風險評價中的科學性，得出如下結論：

1.所構建的基于BP神經網絡模型的商業銀行風險評估體系能夠較好地進行風險評估。根據仿真結果來看，訓練速度較快，相對誤差值控制在0.1%范圍內。因此，在進行商業銀行風險評估時，可以利用BP神經網絡構建評估體系，與傳統的線性回歸分析相比，BP神經網絡能夠分析多個要素的變化對風險指數的影響，可以更全面地反映各評價要素對指數的非線性影響。在相關金融機構的績效和風險評估以及影響因素分析中，可以應用基于BP神經網絡評價模型。

2.基于BP神經網絡模型的“彈性分析”可以很好地分析評價要素變化對風險指數的影響。根據“彈性分析”的結果可以知道，商業銀行的流動性對風險影響最大，資本充足率次之，所以在實際管理中，應該重點關注相關指標的變化。此外，流動性和資本充足等指標與風險變動呈反比，其增加會使得商業銀行風險減小，而不良貸款率和正常貸款遷徙率等指標與風險變動呈正比，其增加會引起商業銀行風險的增加。

3.利用因子分析法可以優化原始候選評價指標、客觀計算權重，并加權計算風險指數。利用因子分析法“降維”的特點，得出了3個反映原始數據大量信息的獨立評價的公因子，3個公因子分別代表了8個評價指標的信息，利用旋轉后的特征值計算出權重，進而構建出商業銀行風險指數。在構建績效指數或風險指數時，可以利用因子分析法中的特征值計算權重，這樣更客觀和科學。

根據實證分析結論，本文針對商業銀行的風險防控和管理提出以下建議：

1.加強流動性風險管理。商業銀行應該促進業務創新和多元化經營管理，創造流動性來源，通過增加客戶存款和貸款需求，提高資金的供給和需求流動。利用大數據建立風險數據監控系統，通過風險預警機制的設立對商業銀行風險狀況進行實時監測管理。

2.優化資產和負債管理系統。商業銀行應該提高資產的變現能力，增加低成本負債的比重，降低杠桿。通過優化資產結構，提高資本充足，減少不良資產。

3.加強風險指標監控管理。商業銀行應該及時根據市場環境的變動，對影響因素做出科學分析與預測。實時監管風險指標的變化情況，并構建完善的管理體系應對指標變動對所帶來的風險問題。

【參考文獻】

[1] 尹莉婭.股權集中度、戰略引資與商業銀行風險承擔[J].會計之友，2018（18）：88-92.

[2] 謝太峰，肖薇.公司治理對上市商業銀行風險行為影響的實證研究[J].征信，2019（8）：94-98.

[3] 韓雍，劉生福.市場競爭與商業銀行風險承擔——理論推導與來自中國銀行業的經驗證據[J].投資研究，2018（37）：36-49.

[4] 谷慎，吳國平.業務自由化與商業銀行的風險承擔——來自中國銀行業的經驗證據[J].山西財經大學學報，2018（7）：37-49.

[5] 張晉，許達.商業銀行內部控制與風險管理能力——基于我國上市商業銀行的實證分析[J].武漢金融，2019（6）：68-72.

[6] 程小慶，葛璐瀾.銀行系統性風險與宏觀審慎評估體系有效性分析[J].統計與決策，2020（19）：148-153.

[7] 徐紅芬，劉小輝，鄭宵鵬.我國中小商業銀行風險狀況評估研究——以上市城商行為例[J].金融理論與實踐，2019（8）：66-74.

[8] 吳苓.基于改進BP網絡的企業績效評價研究[J].中國地質大學學報（社會科學版），2008（2）：91-94.

[9] 李曉峰，徐玖平.商業銀行客戶信用綜合評估的BP神經網絡模型的建立[J].軟科學，2010（2）：110-113.

[10] 楊君岐，鄒松慶.基于作業成本法與神經網絡的企業成本分析——以煙草物流為例[J].財會通訊，2014（4）：93-95.