人工智能背景下商業銀行流動性風險的傳導機制和預警方法研究

摘 要：對于商業銀行來說，流動性風險威脅著行業的穩定性和未來發展。同時伴隨著金融科技的興起和發展，流動性風險逐步形成關聯性、系統性、傳染性和破壞性強的特點。隨之帶來的風險通過資產負債表、資產價格、恐慌情緒等傳播到整個銀行業，甚至會影響到全社會的經濟安全。因此在人工智能技術興起的背景下，可利用該技術豐富的防范流動性風險的措施，建立起風險預警安全體系。文章旨在尋找合適的人工智能技術賦能金融審計，構建完善我國銀行業風險防控機制，守住不發生系統性風險的底線。

關鍵詞：人工智能；流動性風險；商業銀行

中圖分類號：F274文獻標識碼：A文章編號：1005-6432（2025） 17-0022-05

DOI：10.13939/j.cnki.zgsc.2025.17.006

1 文獻綜述

1.1 流動性風險特征的研究

2018年，我國銀保監會發布的《商業銀行流動性風險管理指引》對流動性風險做了具體定義：“商業銀行在履行清償負債及利息或維持正常運營時，不能夠在成本合理可控的范圍內及時融資而導致銀行面臨的風險。”[1]國內外學者從危害、趨勢、與其他風險關聯度等多個方面對流動性風險的特征進行了印證。

在風險的關聯性方面，劉澤云（2011）[2]指出，流動性風險與信用風險是相互關聯的，兩者之間的相互作用最終影響著商業銀行的償付能力。樓文龍（2016）[3]認為，其他風險和流動性風險的相關性較高，存在相互轉換的現象。

在危害方面，董希淼等（2019）[4]認為，中國銀行業流動性風險有著結構化、長期化趨勢，一旦流動性風險爆發，會對商業銀行自身乃至整個銀行業有極大的破壞性。孫偉娜（2014）[5]也指出，流動性風險是“商業銀行最致命的風險”。

在趨勢方面，彭建剛等（2014）[6]的研究表明，商業銀行貸款和存款期限不匹配的風險是順周期的，當經濟增長時，信貸業務可以擴張，期限不匹配的程度也會增加，因此一旦市場對銀行產生信任危機，則會引起聲譽風險，進一步引起擠兌，從而發生流動性風險。

范小云在采訪中提到，通過金融大數據，充分利用人工智能等科技手段，能夠有效建立起風險預警系統，提高監管的前瞻性和針對性。另外，可以通過引入線上線下的先進監管科技手段，建立和健全金融混業經營的統一監管框架，加強監管的整體性、系統性、協調性、實時性。張君淑（2021）[7]指出，新型的數據可以改變信貸結構，使得貸款信息更加清晰，細節更加完善，能有效降低信貸風險與流動性風險。李淼（2016）[8]認為，新興科學技術與傳統銀行相關業務的結合意義重大，能夠降低營業成本，有利于銀行業的快速發展。

但是專家們對于人工智能對流動性風險的影響的看法并非都是樂觀的。何飛（2019）[9]提出，金融科技等研發周期長，成本大，銀行若采用可能會使得投入產出不成正比，對銀行經營業績和二級市場都會產生不利影響。

1.2 文獻評述

現有的對流動性風險的文獻研究能讓我們對于流動性風險有更深刻的認識，使得文章的研究更加深入，能幫助我們從根本上抓住防范流動性風險所需要的條件和措施。而人工智能對于流動性風險影響的現有研究也對文章的研究有很大的啟示，首先，現有文獻能夠使我們認識到不同的人工智能技術作用于流動性風險的實例，給文章接下來的研究提供了一些案例支撐；也能讓我們更加了解人工智能對流動性風險的可能影響，使切入點不再僅僅局限在人工智能的有利方面，讓文章的認識更加廣泛和全面。同時，文章的研究也會關注如何在盡量減少這些不利影響的情況下，最大可能地發揮人工智能對防范流動性風險的正向作用。

但是，現有的文獻和研究也存在著些許不足之處：在人工智能對流動性風險的影響方面，現有的研究仍然較少；從現有的文獻來看，早期專家學者對于這一方面的研究主要集中在信息對稱性和信息完整性方面；雖說2008年金融危機之后，專家學者將目光也拓展到了流動性風險的成因方面，并且探討人工智能對防范其成因方面的作用，但研究的人工智能技術基本上都并非最新或成熟技術，對于新技術的研究基本上為空白。

因此，文章搜集了現有最新技術及其運用的案例來探尋人工智能能夠運用在銀行業的原因和能夠防范流動性風險的原因，用以彌補相關研究的空白。

2 流動性風險的特征及傳導渠道

2.1 流動性風險的特征

防范流動性風險是銀行的三大原則之一，通過對相關實例和文獻的總結，文章認為商業銀行流動性風險具有關聯性、系統性、傳染性和破壞性強的特征，下面將從各個現實案例中分析其特征。

2.1.1 關聯性強

操作風險會引起流動性風險。巴林銀行職員尼克·李森由于預測偏差和操作不當，大量購入股票，導致巴林銀行倒閉。

信用風險也會引起流動性風險。在海南發展銀行兼并托管城市信用社宣布只保證給付本金和合法的利息，許多在原信用社可以收取20%以上的儲戶在兼并后只能收到7%的利息，因此大家不再信任海發行，出現信用風險，加之未及時準確地引導輿論，引起了聲譽風險，進一步引起了擠兌，從而發生流動性風險。

2.1.2 系統性和傳染性強

包商銀行事件的影響從個體銀行傳染至同業存單市場，展現了流動性風險的系統性和傳染性。包商銀行事件打破了同行業剛兌預期，這使得資質比較差的中小銀行資金融入難度加大，很可能會導致中小銀行同業資金難以續接，從而拋售流動性較高資產。同時，資產拋售壓力會向流動性差的資產傳導，中小型銀行發行成功率下降而整體發行的利率上升，容易產生信用收縮風險，信用價差加大，導致市場流動性扭曲。

2.1.3 破壞性強

流動性風險具有極強的傳染性和系統性，同時，正如海發行的例子，當市場發生突然情況時，大多數儲蓄者會去提款，一般來說，銀行很難有充足的資金來滿足儲蓄者的需求，若不能及時有效地處理問題，將會引起大規模的擠兌，此時，流動性風險放大為流動性危機，很可能導致銀行破產。

2.2 流動性風險在銀行體系中的轉導渠道

如今國內外經濟形勢復雜多變，經濟呈現下行趨勢，雖然金融行業在近些年來獲得了巨大收益，但銀行業的穩定性仍然被流動性風險影響。流動性風險會在銀行間錯綜復雜的聯通網絡中傳播，而它的傳導也呈現出多種特征和途徑。在微觀層面，流動性風險主要通過資產負債表之間的相互影響和資產價格渠道進行傳播；而在宏觀層面，經濟發展水平、貨幣政策以及市場上的恐慌情緒都可以是流動性風險傳播的渠道。當前，隨著金融市場的不斷發展和金融科技的不斷涌現，銀行流動性風險的傳導途徑和方式也在不斷變化和演進。因此，厘清風險傳導的機制和渠道，可以更有針對性地制定風險管理策略，提前預警并采取相應的風險應對措施，從而有效減少風險的發生和損失。

流動性風險發生時，銀行的數據指標會出現一系列顯著的變化，這些變化反映了銀行流動性狀況的惡化和風險的加劇。通過對這些指標的密切監測和分析，可以幫助我們研究流動性風險傳導的渠道。易導致流動性風險的各種因素，見圖1。

2.2.1 微觀層面下銀行的流動性風險傳導渠道

（1）資產負債表傳導渠道。商業銀行通常以盈利為目的，銀行通過吸收客戶的存款來獲得大量資金，然后將客戶的低流動存款轉化為高流動的負債，即發放貸款和其他金融業務，從中賺取存貸款利息差。公眾為銀行提供流動性，同時銀行為需要資金的個人、家庭和企業提供可流動性的資金。所以，銀行通過存款業務將家庭、企業和銀行三方的資產負債表串聯在一起，形成了復雜的相互關聯網。

當市場對流動性資金的需求增加，即銀行的資產方或負債方對資金有突發性需求，而銀行為滿足資產方的需求，可能會采取以下列措施：向其他銀行借款、拋售資產和調整信貸政策等。

從資產和負債兩方面分析產生流動性風險的因素，見圖2。

（2）資產價格傳導渠道。如上所述，當銀行面對流動性風險時，為了補充流動性，可能會拋售手中的資產，例如：股票、債券、房地產等。而大規模的拋售會導致市場上的供應相對增加，需求相對減少，從而引發資產的價格下跌，進而影響資產負債表總資產的價值下降，表中的凈資產的價值下降，導致銀行的資產負債比和償付能力下跌，引發公眾的信心下降，加劇流動性風險；同一時間的其他銀行為了挽回損失選擇拋售縮水的相似資產，進而影響其他相關資產的價格下跌，最終形成銀行的系統性流動性風險。

圖1 易導致流動性風險的各種因素

圖2 從資產和負債兩方面分析產生流動性風險的因素

（3）恐慌情緒傳導情緒。銀行具有滿足存款人提現需求的責任，一旦銀行無法滿足這種需求，市場上便會出現關于銀行流動性的負面消息，公眾便會出現恐慌情緒，擔心自己的存款無法取回，這種“恐慌性”預期就容易形成銀行的擠兌風險，甚至會導致銀行破產倒閉。

正如1984年的美國大陸伊利諾銀行經歷的一次嚴重的流動性危機。1982年的美國大陸伊利諾銀行沒有按時付息的貸款額占總資產的4.6%，比其他大銀行的該比率高一倍以上，而在1983年該銀行的流動性情況進一步惡化，終于在1984年的市場上流傳著大陸伊利諾銀行將要倒閉的消息，原有的存款人也拒絕延展到期的定期存單和歐洲美元，終于在美國聯邦儲備銀行的幫助下渡過了這次的流動性危機。

2.2.2 宏觀層面下銀行流動性風險傳導渠道

（1）宏觀經濟水平。首先，國家的經濟發展水平決定了社會經濟的資金需求和活躍狀況。在經濟繁榮時期，社會經濟活躍，居民收入增加，企業盈利上升，人們對流動資金的需求增加，也帶動著銀行的信貸需求的上升，但是一旦銀行無法滿足這些需求，流動性風險就會相應出現。其次，經濟發展水平的變化也會影響到銀行的負債結構，居民和企業手中的流動資金愈加豐富，其對金融資金業務的需求也會相應增加，而銀行也需要同時調整負債結構來應對這種改變，否則會出現負債穩定性下降的情況，從而影響到銀行的流動性。

2023年3月8日，硅谷銀行發布公告，產生18億美元虧損，3月10日，硅谷銀行倒閉，這場由“流動性危機”引發的事件給社會帶來了很大的不穩定因素，而宏觀經濟水平也是這場災難的主要原因之一。作為一家面向硅谷初創企業的銀行，它服務的客戶主要是高科技公司，相應的該銀行的存款80%是企業存款，而在疫情后，大量的科技和初創企業遭遇寒冬，存款的流失較多。

（2）貨幣政策傳導渠道。從經濟學的角度來看，當中央銀行實施擴張性貨幣政策時，例如通過降低利率或實施量化寬松政策，市場上的資金供應量將會增加。這種政策環境下，銀行獲取資金的成本會降低，使得整個金融體系的流動性變得相對充裕。這無疑為銀行提供了更多的運營空間，降低了發生流動性風險的可能性。然而，也需要警惕一種現象，那就是銀行可能在這種寬松的政策環境中過度擴張高風險業務。一旦政策環境發生變化，比如央行開始實施緊縮性貨幣政策，銀行可能會突然面臨流動性緊張的困境。

相反，當央行采取緊縮性貨幣政策，如提高存款準備金率、加息或實施信貸收縮政策時，市場上的資金供應會減少，銀行的資金獲取成本會上升，這可能導致銀行體系的流動性變得緊張。在這種情況下，如果銀行未能及時調整其資產負債結構或有效管理流動性，那么它們將面臨流動性風險，這可能會對其穩健運營構成威脅。

比較典型的例子是美聯儲的加息對硅谷銀行倒閉產生了顯著的影響。首先，加息使得債券價格下降，這給銀行帶來了嚴重的浮虧；其次，硅谷銀行主要服務于初創企業，加息使融資成本上升，進而銀行的存款流失過快；此外，加息還會影響借款人的還款能力，可能會出現違約的情況，加大了銀行的信用風險，給銀行帶來損失。

3 基于人工智能的流動性風險防范技術

銀行流動性風險一旦失控，便可能引起連鎖反應，對整個銀行業的穩定構成威脅；結合近年來基于人工智能的流動性風險防范技術得到了巨大進展，BP神經網絡、AI圖計算以及深度學習神經網絡等技術的應用為銀行業解決風險提供了新方案，不僅提升了風險管理的效率，也增強了風險預警的準確性，為銀行業的穩健發展提供了有力保障。

3.1 BP神經網絡

在防范銀行業流動性風險的過程中，需要對大量的金融數據進行分析，對各種數據指標進行監測和分析，還有對經濟環境的實時反映。而BP神經網絡這種機器學習算法具有自我學習和模式識別能力，通過不斷的自我優化和改變加權方式，從而處理復雜的數據信息。

3.2 AI圖計算（圖數據庫）助力防范流動性風險

AI圖計算是AI同數據庫等大數據技術融合的產物，是快數據架構發展的必然趨勢。AI圖計算擅長對海量、復雜、多變的數據進行深度的處理運算以及分析。

在銀行各項業務中，注重防范流動性風險是銀行的三大原則之一，自從巴塞爾協議Ⅲ的全面落地實施后，加上2008年金融危機的影響，重視流動性風險管理已成為銀行業界和監管部門的共識。因此運用好科技紅利應對流動性風險十分重要。

在銀行實務場景中，AI圖計算（圖數據庫）技術能夠整合賬戶、客戶以及交易等海量的數據，進而分析它們之間錯綜復雜的流轉關系，探尋可能產生的所有結果，通過基于圖特征的機器學習的方式來計算風險；此外，在反洗錢的應用中，圖數據庫技術可以幫助銀行從轉賬記錄中深入挖掘資金上下游的流動情況，最終確認資金的來源賬戶和目的地賬戶。圖技術的深度洞察能力可以幫助銀行進行預警和預測，避免黑天鵝或灰犀牛事件的發生。

目前，Ultipa嬴圖實時圖計算作為已投入使用的AI圖數據庫，在實例中產生了較大的正面影響，該技術可實現對任意數據集的超深度實時鉆取，這意味著該技術可以幫助業務人員實時查看和了解業務邏輯及其與每個數據之間的相關性，從而準確定位每個風險的傳遞路徑，有效防范流動性風險。

3.3 深度學習神經網絡

近年來，在智能風險預警方面，已經從傳統的神經網絡發展到深度學習領域。即通過構建含有多個隱藏層的神經網絡模型如卷積神經網絡、循環神經網絡等，在沒有規律且浩瀚的數據中進行有效學習，從而提升風險預警的準確性。傳統的機器學習方法對數據的處理有許多缺陷，而深度學習方法可以規避這些問題。如基于LSTM的財務風險預警模型[10]可以捕捉到數據中的長期依賴關系，從而更準確地預測未來的趨勢，精準率達到0.85。亦有學者采用TVP-VAR模型[11]研究中國金融業動態風險溢出效應并構建金融風險測度指標，該模型計算出的金融系統風險溢出指數較好地刻畫了中國金融風險的時變。

由于商業銀行流動性風險特征數據集的維數較高，金融時間序列多數呈現非線性的動態變化趨勢，風險映射關系通常會更加復雜，而且各個流動性風險指標可能存在相互影響的情況，所以運用傳統方法對商業銀行流動性風險預警的難度較大，而深度學習技術可以較好地解決這類問題。

深度學習中的深度神經網絡（DNN）本質上是一個包含多個隱藏層的多層感知機，可以對信息進行多步降維，完成機器學習。利用深度學習網絡的前饋計算，可以在商業銀行流動性風險智能預警模型中輸入相關流動性風險指標，進一步呈現出商業銀行流動性風險特征數據，用來預測商業銀行流動性風險警度[12]。該深度神經網絡結構的優勢在于，運用非線性的模塊將較多維的商業銀行流動性風險特征實現轉換和降維，再通過多層轉換構建出與商業銀行流動性風險的映射關系。其深度學習過程可以擴大輸入的商業銀行流動性風險指標中具有重要作用的因素的影響，并減輕非相關因素的干擾，避免利用人為經驗來主觀提取風險特征，由此對風險警度的評估將更加精準客觀。

4 研究結論和建議

4.1 研究結論

文章基于《商業銀行流動性風險管理辦法》對流動性風險的定義和指標體系的構建，與現有文獻對流動性風險與人工智能的評價，分析了流動性風險的特點和在銀行體系中的傳導渠道，并提出了人工智能技術在防范流動性風險方面的具體應用與可行性。研究發現，在數據處理方面人工智能技術可以規避傳統方法帶來的缺陷，從時間的維度上更全面、精準地對數據進行分析，建立起智能風險預警體系，從而提供更精準的風險評估和預警，完善我國銀行業流動性風險防控機制。然而，人工智能在銀行流動性風險控制的應用上還面臨一些挑戰，且尚未得到普及，需要進一步的完善與創新。未來的研究可以進一步探索人工智能與流動性風險預警體系的結合，銀行業也會朝著穩定、健康的方向不斷發展。

4.2 建議

4.2.1 完善流動性風險預警指標體系

監管層對流動性指標體系的設置，旨在鼓勵商業銀行合理規劃資產負債結構。防范期限錯配過度、控制同業占比過多的導向。在構建指標體系時，應從經濟、政策、內部等多角度分析不同因素對商業銀行流動性風險的影響，以選擇合理的指標，通過指標量化來反映影響程度與風險大小，指標體系的建立應符合全面、完整、可量化的原則。制定嚴格的指標數據采集制度，以確保采集的指標數據可靠、真實和完整。建立完備的跨區域流動性風險監測平臺，加深地區間的聯系，實時監測銀行之間的拆借行為，提高監管能力。同時優化流動性計量模型，提升指標計量專業化水平，明確一些復雜業務的流動性要素計量標準，運用現有人工智能技術創新對相關指標的量化提取。

4.2.2 調整資產負債結構，提升期限錯配管理能力

規避流動性風險最佳的保障之一就是擁有健全、靈活的資產負債結構，增加盈利的沖動可能使商業銀行進行不良的資產負債搭配，正如硅谷銀行倒閉的直接原因就是資產負債期限嚴重錯配。銀行在調整資產負債結構時，要做到目標和經濟環境等方面的全方位考量，貸款與存款在金額、期限等方面要保持一定的對稱關系，使資產與負債的搭配更加優良，確保不會出現期限錯配，規避流動性風險。事實上，《商業銀行流動性風險管理辦法》中設定的流動性覆蓋率和凈穩定資金率分別從短期和長期對銀行的期限錯配進行了限制，各個商業銀行也可以根據自身實際情況，來設定期限錯配管理的容忍度，以便針對性地緩解業務開展帶來的流動性風險。

4.2.3 完善流動性風險管理體系，融合智能風控技術

流動性風險管理體系的建設尚不完善，構建有效的風險預警機制也迫在眉睫。大數據、云計算在數據處理方面具有高效、迅速的優勢，商業銀行應優化數據處理標準，確保數據的準確性、完整性和安全性，擴大風控系統采集的信息范圍，從更多角度去識別、計量和檢測流動性風險。應當定期進行壓力測試，銀行風控部門至少每季度組織一次壓力測試，并利用先進技術研發智能測試模型，充分發揮壓力測試預警作用。結合人工智能技術，設計商業銀行流動性風險預警模型，構建商業銀行流動性風險特征數據集和城市商業銀行流動性風險標簽數據集的風險映射關系，直觀精準的給出可能引發流動性風險的潛在原因，以做到及時監管和調整，并提高流動性風險管理水平。

參考文獻：

[1]銀監會.《銀監會關于印發〈商業銀行流動性風險管理指引〉的通知》[EB/OL].[2009-10-29].https：//www.gov.cn/gzdt/2009-10/29/content_1451768.htm.

[2] 劉澤云.巴塞爾協議Ⅲ、宏觀審慎監管與政府財政角色安排[D].北京：財政部財政科學研究所，2011.

[3] 樓文龍.中國商業銀行資產負債管理——利率市場化背景下的探索與實踐[M].北京：中國金融出版社，2016.

[4] 董希淼， 黃嬌.金融穩定目標下中小銀行流動性風險防范[J].清華金融評論，2019（11）：42-45.

[5] 孫偉娜.我國商業銀行流動性風險影響因素分析[D].保定：河北大學，2014.

[6] 彭建剛，王佳，鄒克.宏觀審慎視角下存貸期限錯配流動性風險的識別與控制[J].財經理論與實踐，2014，35（4）：2-8.

[7] 張君淑.金融科技對我國上市商業銀行信貸風險的影響研究[D].南京：南京大學，2021.

[8] 李淼. FINTECH 來襲：重塑金融格局[J].中國戰略新興產業，2016（14）：18-19.

[9] 何飛.破解銀行金融科技布局困境[J].中國金融，2019，897（3）：43-45.

[10] 陳超飛，劉浩然.基于深度學習技術的企業財務風險預警研究——以制造業上市公司為例[J].財會研究，2024（1）：47-52.

[11] 歐陽資生，路敏，周學偉.基于TVP-VAR-LSTM模型的中國金融業風險溢出與預警研究[J].統計與信息論壇，2022，37（10）：53-64.

[12] 趙城燦.基于深度學習技術的城市商業銀行流動性風險預警研究[D].北京：對外經濟貿易大學，2021.