基于BO-LightGBM的商業銀行流動性風險測度與預警

■譚本艷 甘子琪

一、引言及文獻綜述

商業銀行經營需要遵循安全性、流動性和盈利性三項原則。其中，流動性是安全性的必要前提，也是平衡盈利性和安全性的重要條件。流動性風險是指商業銀行雖然具備償付能力，但因無法及時或合理地獲得足額資金來應對資產增長或償還到期債務而存在的風險。由于流動性風險具有突發性、傳染性和破壞性，因此流動性風險極易演變成流動性危機。如2010 年和2013 年我國銀行業兩次“錢荒”事件的發生就充分說明我國流動性風險管理方面仍存在不足。2010年《巴塞爾協議III》正式實施，其中重要的一條就是加強流動性管理，降低銀行體系的流動性風險，并引入了流動性監管指標。2015年中國銀監會正式施行《商業銀行流動性風險管理辦法》，并于2018年施行新規，旨在不斷完善我國流動性風險監測體系。因此，對商業銀行進行流動性風險測度和預警具有重要的理論和現實意義。從現有文獻來看，學術界關于商業銀行流動性風險的研究主要集中在流動性風險的測度、影響因素、預警等方面。

（一）流動性風險的測度

學術界主要通過主成分（因子）分析法、構建流動性創造指標或流動性錯配指數等方法來度量商業銀行流動性風險。聶聆聃[1]運用因子分析法研究發現國有四大行的流動性狀況好于其他商業銀行，且股份制商業銀行的流動性風險相對較高。陳憲等[2]通過主成分分析法構建了商業銀行流動性綜合評價指標，并通過實證分析發現商業銀行流動性與GDP、經濟增速呈正相關關系。Berger等[3]提出了流動性創造指標，將流動性、準流動性和非流動性負債（資產）分別賦予0.5（-0.5）、0（0）和-0.5（0.5）的權重，然后將按上述權重計算的資產和負債加總后除以總資產，得到的流動性創造比率即為商業銀行的流動性風險。由于中美銀行資產負債表的科目劃分上存在較大差異，孫莎等[4]在Berger 等[3]的流動性劃分標準基礎上，構建了適合中國銀行業的流動性創造指標。流動性錯配指數（LMI）最早由Brunnermeier 等[5]提出，根據商業銀行的資產和負債結構差異，分別按照一定的權重對其進行加權求和，從而用于反映資產的市場流動性與負債的融資流動性之間的錯配程度。Bai 等[6]計算了2002—2013 年間美國的2870家銀行的LMI 指數，發現流動性錯配程度越高的銀行在危機期間的股票回報更多為負收益。高磊等[7]通過構建LMI 指數衡量了銀行體系整體流動性剩余水平，并模擬出銀行體系LMI 指數的分布函數。劉精山等[8]通過構建我國商業銀行LMI指數，對我國18家上市銀行的流動性風險進行了度量、識別和壓力測試。考慮到流動性錯配指數模型涉及的數據更全面，彌補了比率指標的不足，能夠更精確地量化銀行流動性風險，因此，本文采用流動性錯配指數來衡量我國商業銀行流動性狀況。

（二）流動性風險的影響因素

影響商業銀行流動性風險的因素一般分為內部和外部兩個方面。姚長輝[9]將商業銀行流動性風險因素概括為資產負債結構、中央銀行政策、金融市場發育程度、信用風險以及利率變動5 個方面。Kashyap等[10]通過建立商業銀行流動性決策模型，論證了期限貸款、流動性資產、活期存款以及貸款承諾對銀行流動性風險的影響。張文娟[11]認為導致商業銀行流動性風險的內部因素主要包括資產或負債的結構不合理、資產和負債的期限相互交錯、盈利性和流動性之間的矛盾，外部因素主要包括貨幣政策的調整、對利率變動的敏感程度、金融市場的完善程度等。李學彥等[12]從流動性風險外部影響因素的視角，分析了國民經濟發展狀況、股票市場、房地產市場等對我國商業銀行流動性的影響。Al-Harbi[13]提出資本充足率、外資持股、信用風險、通貨膨脹率、貨幣政策和存款保險對銀行流動性存在負向影響，經營效率、規模、表外業務、市值和集中度對銀行流動性存在正向影響。史貞等[14]認為影響商業銀行流動性風險的因素來源于商業銀行自身和宏觀經濟兩個方面，內部影響因素中資產負債率對流動性缺口的貢獻率最大，外部影響中金融深化程度最重要?？偟膩碚f，現有關于流動性風險影響因素的研究中，內部因素主要包括銀行規模、流動性管理、內部控制等，外部因素則包含經濟發展狀況、監管要求以及宏觀調控政策等。

（三）流動性風險的預警研究

隨著大數據與人工智能的不斷發展，預警研究逐漸從傳統的統計學方法過渡到大數據機器學習方法。任飛等[15]通過IGA-BP 神經網絡和專家系統構建了我國商業銀行流動性風險預警機制。劉健[16]用主成分分析法對商業銀行流動性風險進行了評估，基于“3σ”法則將預警級別劃分為無警、輕警、中警和重警，并通過BP神經網絡對銀行的流動性風險狀況進行了預測。Tavana等[17]使用神經網絡和貝葉斯網絡模型預測流動性風險，結果表明兩種模型都能夠識別關鍵的風險因素。趙曠磊[18]將主成分分析法、綜合指數法與神經網絡結合，實現了對商業銀行系統流動性風險的預警。Drudi 等[19]使用邏輯Lasso回歸、隨機森林和極端梯度提升三種模型來預測商業銀行發生流動性危機的概率，并通過將三種模型加權平均，提高了模型的預測準確性?？傮w而言，大多數對流動性風險的預警研究都是基于機器學習方法實現的，但現有關于機器學習的預警研究主要關注的是模型的擬合能力，對于機器學習的“黑盒”特征很少有可解釋性分析，本文將對此展開論述。

從現有銀行流動性風險問題的研究來看，本文可能存在的邊際貢獻如下：（1）采用基于動態權重因子的流動性錯配指數來衡量商業銀行流動性風險，能更加準確及時地反映我國商業銀行流動性風險狀況；（2）將研究方法從統計和計量方法拓展到大數據機器學習方法，并引入可解釋性方法，打破了機器學習模型的“黑盒效應”，能夠對預警模型結果進行較好地解釋，進而剖析出各個特征變量對銀行流動性風險的影響效果。

二、流動性風險的測度和特征選擇

（一）數據來源說明

本文以我國商業銀行的年度數據作為基礎，包括5 家國有大型商業銀行、13 家股份制商業銀行、131 家城市商業銀行和192 家農村商業銀行。時間跨度為2007—2021年，樣本容量為2875。數據來源為萬得（WIND）數據庫、國泰安（CSMAR）數據庫、同花順（iFinD）數據庫以及各商業銀行年報等。數據分析采用Stata軟件以及Python數據處理完成。

（二）流動性錯配指數的測度

本文根據Brunnermeier 等[5]提出的流動性錯配指數計算方法，參考Bai等[6]和劉精山等[8]的思路，由式（1）計算t時刻商業銀行i的LMI指數：

LMI的計算主要分為三個步驟：負債端權重λt,lk'的確定，負債端參數μ的確定，資產端權重λt,ak的確定。具體推導和計算步驟如下：

1.負債端權重λt,lk'的確定

表1給出了不同類型負債項目的到期期限Tk'，表2展示了2007—2021年μt的計算結果。

表1 不同類型負債項目的到期期限Tk'

表2 2007—2021年3個月國債收益率、Shibor利率及μt

3.資產端權重λt,ak的確定

表3 流動性錯配指數的資產端參數βk

不同類型的商業銀行往往存在經營目標、地理位置、客戶群體等方面的不同，這在一定程度上導致了流動性水平上的顯著差異。進一步地，本文計算了國有控股大型商業銀行、股份制商業銀行、城市商業銀行和農村商業銀行在樣本區間內的LMI 值，如圖1所示。

圖1 商業銀行流動性錯配指數（LMI）的變化趨勢圖

從圖1可以看出：（1）四類商業銀行平均流動性錯配指數（LMI）均大于0，即存在流動性盈余，流動性赤字風險較低。（2）從趨勢上看，我國商業銀行在2007—2021 年間LMI 整體呈下降趨勢，說明流動性風險逐漸增大。（3）農村商業銀行的LMI整體水平高于其他銀行。一方面由于其規模相對較小，使得銀行的流動性管理更具靈活性；另一方面其經營范圍相對較小，導致其客戶類別、數量和范圍均受限。因此，農村商業銀行對于流動性監管指標（如資產負債結構、存貸比等）持更為謹慎的控制態度。其次是國有大型商業銀行，其LMI 維持較高且相對穩定的狀態。一方面由于雄厚的資本積累和廣泛的經營范圍，導致國有大型商業銀行在存款市場上占有絕對優勢；另一方面也反映出其在流動性管理方面的良好表現。城市商業銀行流動性錯配的原因：首先，地域依賴性和錯綜復雜的地方股權關系導致城商行在經營上具有一定局限性，部分城商行當地經濟規模小、政策限制以及低效監管和資源配置都催生了金融風險；其次，城商行主要經營業務在于服務中小企業和地方經濟，其與國有銀行、股份制銀行競爭大規模企業和項目，也在一定程度上引發了城商行的流動性風險。股份制商業銀行的LMI幾乎一直低于其他三類銀行。這可能是因為股份制商業銀行的經營目標略有不同，從盈利的角度來看，股份制銀行更趨向于持有相對復雜的金融衍生品，承擔相對多的非良性負債，這都可能導致股份制商業銀行面臨更大的流動性風險隱患。

（三）風險狀態劃分

上文計算出的商業銀行流動性錯配指數是一個連續型變量，只能反映出銀行流動性風險的變化趨勢而無法確定風險狀態，因此本文通過K-均值聚類方法將LMI的取值劃分為流動性安全狀態和風險狀態兩類。隨著時間地推進，宏觀條件的變化對商業銀行流動性錯配指數也不可避免地產生了一定的影響，若僅僅只對一維變量進行聚類，很容易忽視變量的整體變化。因此，本文將年份作為虛擬變量納入聚類算法，最終將LMI劃分為兩種不同狀態，即安全狀態（記為0）和風險狀態（記為1），各含1737、1138個樣本，樣本比例約為1.53：1，屬于平衡樣本。

（四）特征說明及篩選

1.特征說明

為了全面剖析商業銀行流動性風險的影響因素，指標篩選工作至關重要。根據流動性風險的定義，影響因素的變量選取必須盡量涵蓋商業銀行的各個方面，如資產、負債、權益類，存款類，貸款類、同業拆借類，準備金類等。根據現有文獻的指標篩選經驗，本文綜合考慮最終總結出了如表4 所示的流動性風險影響因素組合。

表4 變量定義表

2.特征篩選

本文采用皮爾遜相關系數來衡量標簽類別與特征之間的相關程度，通過不斷篩選出相關程度相對較弱的特征，在弱相關強度0～0.20范圍內選取多個閾值分別進行模型訓練，最終確定皮爾遜相關系數的閾值。經過分析，表5 列出了在LightGBM 模型下，不同Pearson 相關系數閾值條件下的分類效果。可以看出，當Pearson 相關系數閾值為0.05 時，準確率可以達到0.8713，模型效果最優。因此，本文最終篩選出的特征共21個，分別為：x1，x2，x3，x4，x5，x7，x8，x9，x10，x11，x12，x13，x14，x15，x16，x17，x18，x19，x23，x24_城市商業銀行，x24_農村商業銀行。

表5 不同Pearson系數閾值下LightGBM模型的訓練結果

三、預警模型構建

（一）預警模型說明

本文采用輕量級梯度提升樹（Light Gradient Boosting Machine，LightGBM）模型來實現商業銀行流動性風險的分類。LightGBM 是基于梯度提升決策樹（Gradient boosting decision tree，GBDT）實現的。二者原理相似，都是在原模型中不斷加入新的決策樹，通過多次迭代逐漸累積，從而構成強學習器，使模型的預測值不斷接近真實值。

LightGBM提取特征的目標函數如式（9）所示：

LightGBM 的參數調優采用貝葉斯優化（Bayesian optimization，BO）來實現。貝葉斯調參可以分為5 個步驟：（1）構造目標函數，即將LightGBM 的所有參數作為函數輸入，輸出為模型五折交叉驗證的AUC均值；（2）確定域空間，具體來說就是確定需要調試的超參數的取值范圍；（3）實例化貝葉斯優化對象，包括目標函數、調試的超參數取值范圍、確定最大值是否唯一的參數verbose 及隨機數四個參數；（4）確定迭代次數，包括隨機搜索的步數和貝葉斯優化的步數，步數越多，越有可能尋找到一個最優極值；（5）搜索最優結果，經過整個迭代過程最終會輸出模型的最優參數組合和測試集得分。

（二）預警模型構建

本文對影響商業銀行流動性風險的各種因素進行綜合考量，選擇了包含資產、負債、權益類、存款類、貸款類、同業拆借類、準備金類等多方面的比例指標作為輸入特征（Feature），以銀行流動性安全狀態和風險狀態二分類變量（取值分別為0、1）作為輸出標簽（Label）的預警模型。基于該模型，本文的研究設計主要按照以下三個步驟進行：

第一，將全樣本按照6∶4 的比例劃分為訓練集和測試集，在訓練集中通過貝葉斯優化來進行LightGBM模型的參數調整，并將測試集數據代入訓練好的模型中，評估模型效果。由測試集的預測結果可計算得模型的準確率、精確率、召回率、F1值和AUC值。

第二，探究各個特征對于預測流動性風險的相對重要性?；谝呀浻柧毢玫腂O-LightGBM，通過記錄特征的分裂總次數、平均信息增益來對特征重要性進行量化，進而可以得到的每個特征的重要性得分。本文基于每個特征的重要性得分，可以計算模型中各個特征對模型分類的相對重要性，從而總結出對商業銀行流動性風險預測能力較強的特征。

第三，為了增強預警模型的可解釋性，引入特征重要性、部分依賴圖、SHAP 等可解釋工具，旨在構建一個包含機器學習模型的可解釋框架，來對“黑盒模型”的內在影響機理進行解釋。

四、實證檢驗與結果分析

（一）預警模型效果評估

混淆矩陣（confusion matrix）是一種評價分類模型性能的可視化工具。混淆矩陣的每一列表示模型的預測情況，每一行則表示樣本的真實情況，對角線上表示分類正確的樣本個數。本文采用BO-Light-GBM模型得到的混淆矩陣如圖2所示。

從圖2中可以看出，在測試集的1150個樣本中，有630個安全狀態樣本、387個風險狀態樣本被分類正確。體現在評估指標上可以用準確率、精確率、召回率、F1 值和AUC 值來表示，分別為0.8843、0.8505、0.8562、0.8534、0.9467，可見本文采用的BOLightGBM模型預警效果較好。

圖2 BO-LightGBM模型下的混淆矩陣

（二）預警模型的特征重要性

本文借助Lundberg 等[20]提出的SHAP（SHapley Additive exPlanations）可解釋工具，來測度機器學習模型輸入特征對輸出標簽的邊際貢獻。本文以全部樣本為例，輸入特征是前文篩選出的21 個變量，輸出標簽為銀行流動性風險的安全狀態和風險狀態。SHAP摘要圖一般用于反映特征對樣本輸出狀態的邊際貢獻，如圖3所示，若某一樣本點的某一特征取值對應的SHAP 值為正，則說明該特征對該樣本點被預測為風險狀態的邊際貢獻為正，即該樣本點被預測為風險狀態的可能性更大，反之亦然。

圖3 BO-LightGBM模型下的SHAP摘要圖

圖3 的SHAP 摘要圖對BO-LightGBM 模型中所有特征的作用進行全局概覽，圖中自上而下是對特征貢獻度的排序，左側為各個特征名稱，右側的feature value 反映特征的取值由藍色到紫色再到紅色逐漸遞增，下方橫軸表示SHAP值，即特征對輸出標簽的影響方向和程度大小。圖中每一行代表一個特征，每一行都由相等個數（2875 個）、不同顏色的樣本點構成，寬的區域反映出樣本點聚集。以貢獻度排第一的特征x4（現金占總資產比率）為例，當x4取值較?。ㄓ覀人{色區域）時，SHAP值為正數，說明在此區間內樣本點被預測為風險狀態的概率較高，當取值逐漸增大（由藍色過渡到紫色和紅色），SHAP值隨之從正數變為負數，說明在此區間樣本點被預測為風險狀態的概率逐漸降低。

（三）預警模型的解釋

為了更直觀地分析銀行特征對流動性風險狀態的影響，本文使用SHAP 值映射圖來展示兩者之間的非線性關系，SHAP 值映射圖的橫坐標為特征取值，縱坐標為特征的SHAP值。從SHAP值為0處作一條水平線，可以穿過圖形上兩點（安全點、預警點）并將圖形劃分為三個部分（安全狀態、過渡狀態、風險狀態）。圖4 表示隨著某一特征變化的預測結果為風險狀態的概率變化，列舉出了BO-LightGBM 模型提取的前8個重要特征的SHAP值映射圖。

1.現金占總資產比率（x4）與流動性風險狀態的映射關系

圖4-1 中：（1）當特征x4 取值為[0，13]時，即現金資產不足總資產的13%時，流動性風險相對較大，對應的SHAP 值為正，意味著樣本被預測為風險狀態的概率提高；（2）當特征x4取值大于17時，即現金資產占總資產的比率大于17%時，對應的SHAP 值為負，對預警模型為負向影響。可見，現金占總資產比率越大，樣本被劃分為風險狀態的概率越小。這也表明，變現能力是我國商業銀行流動性風險的最大來源，現金占總資產比率越高，變現能力越強，抗風險能力也越強。

2.總資產周轉率（x11）與流動性風險狀態的映射關系

圖4-2中：（1）當特征x11取值為[0，2.2]時，即總資產周轉率小于2.2%時，對應的SHAP值為正，說明流動性風險相對較大，樣本被預測為風險狀態的概率較大；（2）當特征x11取值大于2.8時，即總資產周轉率大于2.8%時，對應的SHAP值為負，說明樣本被預測為風險狀態的概率較小。可見，x11取值越大，樣本被劃分為風險狀態的概率越小。由于總資產周轉率主要用于衡量企業全部資產的經營質量，是營運能力的綜合體現，這表明商業銀行良好的經營狀況能夠抑制銀行產生流動性風險。

圖4 BO-LightGBM模型前8個重要特征的SHAP值映射圖

3.存款增長率（x14）與流動性風險狀態的映射關系

圖4-3中：（1）當特征x14取值為[-100，0]時，即本年存款增長率出現負增長時，對應的SHAP 值為正，說明特征x14 促進了樣本被預測為風險狀態；（2）當特征x14取值為大于20時，即本年存款增長率大于20%，對應的SHAP值為負，說明該樣本被預測為風險狀態的概率較小，在此區間該指標運行良好。究其原因，主要是隨著互聯網金融的迅速發展，一些穩定性較強的儲蓄存款逐漸通過互聯網金融產品、理財產品等渠道向較高收益的資金和同業市場分流，商業銀行為了吸收存款不得不借助發行理財產品等手段，這在無形之中推高了銀行存款的實際成本?？梢?，商業銀行需要不斷強化自身的流動性管理，在存款分流的情況下更要做好資產和負債的匹配，根據自身的狀況合理規劃貸款增長速度。

4.不良貸款率（x19）與流動性風險狀態的映射關系

圖4-4中：（1）當特征x19取值為[0，0.9]時，即不良貸款率低于0.9%時，對應的SHAP值為負，表明銀行的流動性風險較小，流動性配置相對在合理范圍內；（2）當特征x19取值大于3時，即不良貸款率超過了3%時，對應的SHAP 值為正，表明銀行流動性風險偏大。這也表明，不良貸款率對銀行流動性風險為正向促進作用。近年來，銀行不良資產率不斷攀升，究其原因主要在于兩個方面：一方面是經濟下行壓力催生了更多的不良貸款；另一方面在于各項刺激政策的落地放松了信貸。因此，銀保監會提出的“及時核銷不良、積極盤活不良、爭取重組不良、探索轉化不良”對于銀行處置不良資產、降低流動性風險具有重要意義。

5.銀行類別（x24_農村商業銀行）與流動性風險狀態的映射關系

圖4-5中：（1）當特征x24_農村商業銀行取值為1時，即樣本為農村商業銀行，對應的SHAP值為正，表明風險較大；（2）當特征x24_農村商業銀行取值為0 時，即樣本為非農村商業銀行，對應的SHAP 值為負，表明風險較小。這說明，農村商業銀行相比于其他類型商業銀行而言流動性風險更大。這可能是由于農村商業銀行作為中小金融機構其信貸結構單一、負債能力較弱，一旦遭遇壓力事件，形成資金緊張，即可演變為流動性風險。

6.流動性比例（x2）與流動性風險狀態的映射關系

圖4-6中：（1）當x2取值小于40，即銀行流動性比例小于40%時，對應的SHAP值為負，表明在此區間內指標運行良好，流動性風險較低；（2）當特征x2取值大于60 時，即銀行流動性比例高于60%，預示著流動性過剩，對應的SHAP值為正，表明樣本被預測為風險狀態的概率增加。因此，保持銀行業合理的流動性比例可以在防范風險的同時滿足對資產的合理配置。

7.息稅前利潤與資產總額比（x10）與流動性風險狀態的映射關系

圖4-7 中：（1）當特征x10 取值大于3.5 時，即息稅前利潤與資產總額比大于3.5%時，對應的SHAP值為負，說明商業銀行流動性風險較低；（2）當特征x10取值小于3.5時，即息稅前利潤與資產總額比小于3.5%，對應的SHAP值為正，說明商業銀行流動性風險較高。這可以說明，銀行保持良好的盈利能力對規避流動性風險具有重要作用。

8.存貸增長比率（x17）與流動性風險狀態的映射關系

圖4-8 中：（1）當特征x17 取值小于30 時，說明存款比率略高于甚至低于貸款比率，對應的SHAP值為負，說明流動性風險相應較??；（2）當特征x17取值大于150 時，說明本年存款比率顯著大于貸款比率，對應的SHAP值為正，意味著流動性風險相應也較大。這也表明，銀行根據自身的狀況合理規劃吸收存款和貸款增長速度對于防范流動性風險意義重大。

綜上可知，SHAP值為0處對應了預警模型的安全點和預警點。當圖像呈遞增（遞減）趨勢時，安全點在預警點左（右）側，安全點左（右）側可以看作安全狀態；一般來說，安全點與預警點的中間部分SHAP值的絕對值相對較小，可以看作過渡區；預警點右側可以看作風險狀態，這是由于預警點右（左）側樣本的SHAP 值相比左側顯著增大，將導致被預警為風險狀態的概率增大?；赟HAP值映射圖的預警參考值如表6所示。

表6 基于SHAP值映射圖的預警參考值

五、穩健性檢驗

（一）BO-LightGBM參數調整

本文通過貝葉斯優化來確定最優參數組合，具體可以通過調整以下參數來提高模型精度：（1）最大特征數（colsample_bytree），表示構建弱學習器時，對特征隨機采樣的比例；（2）葉結點樣本的最少數量（min_child_samples），一般用于防止過擬合；（3）葉子的個數（num_leaves），為了防止過擬合，num_leaves 在數值上一般小于2 的max_depth 次方；（4）子采樣（subsample），用來控制對每棵樹隨機采樣的比例；（5）樹的最大深度（max_depth），用于防止過擬合；（6）正則化參數（reg_alpha，reg_lambda），分別表示L1和L2正則化權重項；（7）葉結點進行分支所需的損失減少的最小值（min_gain_to_split），一般來說，值設置的越大，模型越保守；（8）學習率（learning_rate），通過給每個弱學習器擬合的殘差值都乘上一個學習率，即可學習多個弱學習器來彌補不足的殘差。

貝葉斯優化相比于網格搜索和隨機搜索效率和精度都更高，但本文的參數結果僅僅只是在指定區域空間的一個最大限度的最優解，并不是全局最優解。為了探索更好的結果則需要根據樣本數據，調整超參數的取值范圍。本文嘗試將超參數的取值范圍進行適度修改，重新進行參數尋優，以驗證模型訓練結果的穩健性，修改前后的參數范圍與最佳參數如表7所示。

表7 調整參數取值范圍后的最優參數

在新的參數條件下得到模型的準確率達到87.22%，相比前文下降了1.21%。新的參數條件下模型的精確率、召回率、F1 值以及AUC 值分別為84.84%、83.19%、84.00%和94.56%，評估指標略優于調參之前的結果，可以說明預警結果穩健。

（二）更換機器學習方法

為了驗證上述BO-LightGBM 模型得出的預警效果的穩健性，本文引入了邏輯回歸（Logistic Regression，LR）、隨機森林（Random Forest，RF）、支持向量機（Support Vector Machine，SVM）、極端梯度提升（Extreme Gradient Boosting，XGBoost）以及輕量級梯度提升樹（Light Gradient Boosting Machine，Light-GBM）五種模型作為對比，分別檢驗了上述特征對銀行流動性風險的預警效果，進而驗證BO-LightGBM能否提高模型的性能。

表8為不同模型下的預警效果評估，可以看出，雖然邏輯回歸、支持向量機、隨機森林、XGBoost 和LightGBM 模型的預警效果評估指標低于BO-Light-GBM 模型，但總體效果表現良好，說明本文采用的BO-LightGBM 預警模型具有穩健性。同時，從圖5可以看出幾種模型的預測效果排序為：BO-LightGBM>LightGBM>XGBoost>隨機森林>支持向量機>邏輯回歸。這也說明，集成算法分類器的性能總體上優于單一算法分類器，且貝葉斯優化實現的參數方案能顯著提高模型預測效果。

表8 不同模型下預警效果評估結果

圖5 ROC曲線匯總

（三）基于BO-LightGBM的特征重要性排序

為了進一步說明BO-LightGBM 模型下哪些特征對預測結果的貢獻度更大，本文通過特征重要圖（plot importance）得到各個特征的重要性得分，如圖6所示。

圖6 特征重要性排序圖

圖6中：x11（總資產周轉率）和x2（流動性比例）的貢獻最大，重要性得分達到190，占總貢獻度的7.92%；此外，特征重要性得分超過150 的還包括x4（現金占總資產比率）、x14（存款增長率）、x3（銀行規模）、x19（不良貸款率）、x9（留存收益資產比），貢獻度分別占7.50%、7.04%、6.54%、6.33%、6.33%。經過計算得到前13個特征的貢獻度可以達到79.63%，能在很大程度上對預測結果作出解釋，說明這些特征是銀行流動性風險的最主要影響因素。和SHAP摘要圖比較，前6個特征中有5項完全重合，但排序略有不同，可見，BO-LightGBM 模型輸出的特征重要性排序具穩健性。

（四）基于部分依賴圖的模型解釋

部分依賴圖（Partial Dependency Plots，PDP）展示的是特征變量（x）與預測值的變化量（y）之間的非線性關系，體現了某一特征對預測結果的邊際貢獻。圖7 給出了隨著某一特征的取值增大，預測值相對基準值的偏離程度，隨著某一特征取值的增大，預測值若相對基準值增大，那么該特征對預測結果為正向貢獻，反之為負向貢獻。為了驗證上文SHAP 值映射圖結果的穩健性，此處同樣列舉了BO-LightGBM模型提取的前8個重要特征的部分依賴圖。

圖7 BO-LightGBM模型前8個重要特征的部分依賴圖

如圖7所示，y軸表示標簽的預測值相較于基準值的變化，陰影部分表示置信區間。從總體趨勢來看，X4（現金占總資產比率）、X11（總資產周轉率）、X14（存款增長率）、X10（息稅前利潤與資產總額比）表現為隨著特征取值的增加，樣本被預測為風險狀態的概率隨之下降；相反，x19（不良貸款率）、x24_農村商業銀行（農村商業銀行類別變量）、x2（流動性比例）、x17（存貸增長比率）表現為隨著特征取值的增加，樣本被預測為風險狀態的概率隨之上升。進一步地，根據圖7可以看出，每個特征預警參考值大致為：x4=10，x11=2.2，x14=0，x19=3，x24_農村商業銀行=1，x2=60，x10=3，x17=150。這與前文中SHAP 值映射圖得出的預警值基本一致（如表9 所示），可以說明基于BO-LightGBM 模型得出的變量預警參考值具有穩健性。

表9 基于SHAP映射圖和PDP圖的預警參考值比較

六、結論與建議

（一）研究結論

本文首先基于各商業銀行資產負債表中的資產和負債項目計算得到銀行流動性錯配指數（LMI），經過K均值聚類方法將LMI劃分為安全狀態和風險狀態兩類作為模型的輸出標簽；其次，將Pearson 特征篩選得到的21個基礎指標作為模型的輸入特征，借助BO-LightGBM 算法構建了中國商業銀行流動性風險預警模型；最后，經過貝葉斯優化實現模型效果的提升，通過SHAP 解釋方法得到了商業銀行流動性風險的重要影響因素和影響程度。得出以下結論：（1）2007—2021 年，中國商業銀行LMI 整體呈下降趨勢。其中，農村商業銀行的LMI最高，其流動性風險遠低于其他類型商業銀行；其次是大型國有商業銀行；股份制商業銀行的LMI最低，說明其面臨的流動性風險隱患最大。（2）BO-LightGBM 模型預測的準確率達到88.43%，AUC 值達到94.67%，均高于其他對比模型，說明BO-LightGBM 在此類問題上具有較好的適用性。（3）通過SHAP 摘要圖、特征重要圖（plot importance）等解釋框架對模型預警結果進行分析，最終發現x4（現金占總資產比率）、x11（總資產周轉率）、x14（存款增長率）、x19（不良貸款率）等特征是商業銀行流動性風險的重要影響因素。（4）通過SHAP 映射圖可以得到結論，若現金占總資產比率小于13%，總資產周轉率小于2.2%，存款增長率小于0，不良貸款率大于3%，銀行類別為農村商業銀行，流動性比例大于60%，息稅前利潤與資產總額比小于3.5%，存貸增長比率大于150%，那么該銀行被預測為流動性風險狀態的可能性將更高。

（二）政策建議

根據本文的研究結論，提出以下政策建議：

第一，商業銀行應加強資產負債結構調整能力。在資產方面，商業銀行需要針對信貸業務的投放限額和期限，有計劃、有針對性地開展各項業務，此外還應適當降低貸款比例，提高債券和其他金融債券的比例。在負債方面，銀行應根據自身經營狀況，一方面明確存款、同業負債的結構和期限，另一方面還應通過同業拆借和發行債券等方式對其流動性狀況進行適時調節，以期有效降低資產負債錯配程度，緩解流動性風險壓力。

第二，引導不同類型銀行實行差異化流動性風險管理策略。本文的結論中指出，農村商業銀行面臨流動性風險的概率更高，因此，可以針對不同規模，流動性水平的商業銀行，實施差異化的監管政策。例如，對于流動性水平較高的銀行，適當地提高存款準備金率以避免貨幣政策調整帶來的流動性沖擊；而規模較小、信貸結構單一、業務范圍較小的銀行，抵御風險的能力也較弱，可以適當地提高流動性監管水平，避免發生流動性風險。

第三，商業銀行應優化持續經營能力。由于前文中指出息稅前利潤與總資產比對銀行流動性風險存在抑制作用，因此，提高銀行的盈利能力、經營效率顯得尤為重要。近年來，在互聯網金融的沖擊下，商業銀行在傳統的存貸業務方面受到嚴重擠壓，主營業務嚴重縮水，在此背景下要提高銀行的盈利能力可以從中間業務占比入手，在推動普通信貸業務發展的同時擴展中間業務，提高非利息收入，從而改善流動性。

第四，商業銀行實行多渠道化解不良資產。加大不良資產處置力度，同樣可以緩解銀行流動性壓力。具體來說可以從幾個方面入手，如加大不良貸款處置核銷力度，批量打包出售轉讓?；蛲ㄟ^使不良資產證券化的形式處置不良資產，如加大銀行永續債、可轉債的發行，以此加大銀行資本的補充力度。除此之外，商業銀行也可以綜合運用債務重組、資產重組、市場化債轉股等多種方式，實現不良資產的有效處置。深入落實銀保監會提出的“及時核銷不良、積極盤活不良、爭取重組不良、探索轉化不良”?！?/p>