金融机构流动性风险适应性预期预警研究

许毓坤，李英伟，张庆武

（泉州经贸职业技术学院，福建 泉州 362000）

金融机构流动性风险适应性预期预警研究

许毓坤，李英伟，张庆武

（泉州经贸职业技术学院，福建 泉州 362000）

该文运用主成份分析、神经网络等技术建立泉州金融机构流动性预警系统，并结合泉州金融市场运行指标，预测未来的运行状况；利用神经网络模糊识别技术判断未来泉州金融机构流动性综合情况，并给出预警结果。

BP神经网络；主成份分析；预警；金融流动性

神经网络技术研究开始于20世纪40年代，这是一种根据人脑神经细胞生物特性，利用计算技术模拟其信息处理过程。建立神经网络模型，可以完成类似人脑的各种复杂工作，神经网络技术广泛运用于各个领域。金融市场是一个复杂的经济系统，运行指标非线性变动，对金融市场采用传统的预警方法很难达到预期效果。本文利用神经网络非线性函数逼近和模糊识别技术，建立泉州金融机构流动性风险预警模型，并对未来的流动性风险状况进行预测识别。

1 流动性风险预警系统设计

利用神经网络对泉州金融机构流动性风险预警的设计思想如下：第一，在参考已有的研究成果的基础上，结合泉州金融市场实际情况，建立泉州金融机构流动性风险预警指标体系。第二，采用定量方法（主成分分析方法、统计误差理论）确定泉州金融机构流动性风险月份历史警度。第三，基于神经网络技术建立泉州金融机构流动性风险预警指标的预测模型，利用神经网络非线性拟合逼近功能进行指标预测。第四，基于神经网络技术建立泉州金融机构流动性风险预警模型，利用神经网络模糊识别功能，完成多指标警兆数值与警度之间的识别映射，并对泉州金融机构流动性风险的警情进行预测识别，从而实现对泉州金融机构流动性风险的预警。图1是根据设计思想设计预警系统的过程。

图1 基于神经网络的泉州金融机构流动性风险预警系统

2 预警指标体系的建立

在充分考虑预警指标经济含义、系统性、及时性的基础上，结合人民银行对商业银行流动性管理的相关规定，预警指标体系一般应选择下面四类9个指标构成金融机构流动性风险监控体系。

2.1 日常性指标

指标1流动比率=流动资产/流动负债×100%

指标2流动性缺口率=（90天内流动性资产-90天内流动性负债）/90天内流动性资产×100%

2.2 应急性指标

指标3备付率=备付金/各项存款余额×100%

2.3 资产质量指标

指标6资本充足率=资本净额/加权风险资产总额×100%

2.4 负债配置状况指标

指标7存贷比=各项贷款余额/各项存款余额×100%

指标8贷款流动率=短期贷款余额/各项贷款余额×100%

指标9长期贷比=各项长期贷款余额/各项贷款余额×100%

但是，这个预警指标体系中的部分指标数据难以取得，如流动比率、流动性缺口率、核心负债比例为法人机构业务的综合数据，除了泉州市农村信用社、泉州银行外，其余银行和其它金融机构均为分支机构，不能提供这些综合指标数据。以上原因造成可供选择和使用的数据有限。在查阅和分析了公开的统计资料后，选择泉州市统计局官网公布的存贷比增长率X1、短贷比增长率X2、长贷比增长率X3，以及银监局公布的不良贷款比增长率X4，将这4个指标作为预警系统的核心指标，并选取了从2008年1月至2010年10月共34个月份指标增长率数据。这些指标数据的情况表1所示。

表1 泉州金融机构流动性风险各预警指标增长率

3 金融机构流动性风险警情判断

金融机构流动性风险警情划分越细，判别警情的效果越好，预测结果越准确。但是，受到金融机构流动性风险数据统计机制等原因的限制，所能提供的数据及其这些数据所反映的历史特征相当有限。因此，将泉州金融机构流动性风险警情划分为冷、正常、热三种警情级别。

3.1 警情程度的定量分析

3.1.1 预警指标临界值确定和警度划分

政府可以鼓励茶叶出口企业积极使用电商平台扩大出口。在检验检疫，便捷通关等方面给予茶叶出口企业相应的政策优惠。促使企业尽快建立起适合茶叶运输的速度快，价格低的国际物流体系，提高企业的效率。

采用统计学误差理论的δ方法，计算预警指标序列数据的均值和标准差。偏离中心值1倍标准差的区间属于正常区间，偏离中心值1倍标准差以上的区间属于异常区间，即指标数值落在[E-δ，E+δ]，风险警情为正常，并赋予数值2来表示；指标数值落在[-∞ ，E-δ]，风险警情为冷，并赋予数值1来表示；指标数值落在 [E+δ，+∞]，风险警情为热，并赋予数值3来表示。计算结果表2所示。

表2 泉州金融机构流动性风险警情数值表

3.1.2 流动性风险预警指标权重的确定

采用主成份分析方法确定预警指标权重。借助SPSS12对4个指标进行主成份分析，求出4个指标权值。按照因子分析的结果，我们选取的主成份个数的规则为：特征根值大于1或累计贡献率大于85%。

表3 警情指标增长率解释总方差表

由表3可知，第一主成份特征根值大于1，所以提取第一主成份。

Z＝0.710X1+0.726X2+0.708X3+0.783X4，计算指标 xi的权重（β为警情指标，x在综合评价值Z中ii的对应系数），计算结果见表4。

表4 各警情指标权重的因子分析法计算结果

3.1.3 定量分析方法确定指标月份警值

根据警情指标的权重和警情指标的历史数据，计算泉州金融机构流动性风险综合警度。在分析得出的各指标警度乘以已经确定的预警指标权重，得到警值，结果见表5。

表5 定量分析方法确定的指标警值和综合警度

3.1.4 泉州金融机构流动性风险综合警度的确定

对泉州金融机构流动性风险警情进行定量分析后，综合分析结果，得出2008年1月至2010年10月泉州金融机构流动性风险警度。新警度的取值标准为：当综合警值在[1.5，2]，流动性风险处于“冷”的警度，并赋予其在神经网络中的特征向量为（0，0，1）；当综合警值在[2，2.5]，流动性风险处于“正常”的警度，并赋予其在神经网络中的特征向量为（0，1，0）；当综合警值在[2.5，3]，流动性风险处于“热”的警度，并赋予其在神经网络中的特征向量为（1，0，0）。经过计算，泉州金融机构流动性风险预警指标综合警度具体结果如表5。

4 预警指标序列的神经网络预测模型

神经网络的非线性映射功能较传统的数理方法能更好地进行函数非线性逼近，能很好地用于描述社会经济的运行规律并对未来进行预测。利用BP神经网络对各预警指标数值进行预测，输入层的神经元个数设计为12个，输出层的神经元个数为1个。预警指标序列预测模型的BP网络拓扑结构图2所示。

图2 预警指标序列预测模型BP网络拓扑结构

将所有的数值划分为两部分，一部分作为网络训练的样本，另一部分作为检验网络性能样本用于检验。借助MATLAB6.5神经网络工具箱，逐一建立预警指标序列预测模型并进行预测。每一预警指标预测建模的程序环节是一样的，这里只给出存贷比增长率建模过程。隐层的神经元个数根据经验公式多次尝试后确定为17个。训练函数为traingdx，网络误差性能函数为Mse，隐层、输出层的传递函数对数函数。其他网络参数设置为网络缺省值。

经过1276次训练后，网络计算停止。训练误差达到3.386，网络的拟合性能良好。图3为网络训练的误差变化曲线图。

图3 网络训练的误差变化曲线图

输入测试样本，查看测试样本的输出值为0.8429，与目标值0.8408误差为0.0021，误差率为0.24%，符合统计学5%的误差要求。根据之前的预警模型设计的要求，输入预警样本，预测样本的输出值为0.8212。所以2010年11月年存贷比增长率预测值为0.8212。逐一计算各预警指标预测值，结果表6所示。

表6 各预警指标2010年11月年预测值

5 基BP神经网络的预警模型

根据前面建立的泉州金融机构流动性风险指标体系和流动性风险历史警度，构建基于BP神经网络的泉州金融机构流动性风险预警模型用于市场警情判断。

5.1 输入层和输出层设计

根据上文分析，输入层的神经元个数为4个，分别为X1~X4预警指标值，输出层的神经元个数为3个，分别表示对应不同警度，即“冷”输出特征向量为（0，0，1）；“正常” 输出特征向量为 （0，1，0）；“热” 输出特征向量为（1，0，0）。

5.2 确定训练样本和测试样本

2008年1月到2010年9月的数据为训练样本，2010年10月的数据为测试样本。2010年11月的各指标预测数据为预测样本，预测2010年11月的综合警度。

5.3 网络参数设置

隐层神经元个数根据经验公式多次尝试后确定为11个。训练函数为traingdx，该函数运行速度好性能稳定，适用于模式识别问题。学习函数取缺省值learngdm，网络误差性能函数为Mse，隐层传递函数为对数-S型函数，输出层的传递函数对数-S型函数，这是因为函数的计算结果数值与预警度设计的数值一样在0~1范围内。网络其他参数设置为缺省值。网络学习训练结束，预警模型拟合完毕。然后将测试样本数据输入训练好的网络，检验网络的预测能力。预警模型BP网络拓扑结构如图4。

图4 预警模型BP网络拓扑结构

5.4 网络训练

经过1826次训练后，网络误差值为1.012%，网络的拟合性能良好，主动停止网络计算。图5为网络训练的误差变化曲线图。

图5 网络训练的误差变化曲线图

5.5 网络测试

输入测试样本（2010年10月数据），查看测试样本的输出值为：[1.6634×10-19;1;2.5742×10-13]与目标值[0，1，0]，误差为[-1.6634×10-19;0;-2.5742×10-13]。 泉州金融机构流动性风险神经网络预警系统的预警结果是用向量表示，按照欧式范数理论计算的误差为0.35%。可以看出，误差控制在很小范围，符合统计学误差小于5%的精度要求，因此，经过训练和测试的BP神经网络可以作为模式识别器来进行泉州金融机构流动性风险预警模式识别。

5.6 网络预测

根据之前的预警模型设计的要求，输入预警样本，神经网络预测样本的输出值为：[4.4611×10-19;1;2.0766×10-13]。可以看出，2010年11月泉州金融机构流动性风险所表现的警情状况属于市场正常状况

6 结论

区域金融机构流动性风险预警系统研究和运用还处于起步阶段，经验和实践尚不充足，还需要进一步借鉴与探索。本文尝试利用神经网络的非线性逼近拟合与模糊识别技术建立泉州金融机构流动性风险预警模型。预警研究结果能为防范房地产市场风险提供科学依据。但是，指标数据缺乏、市场敏感度不强是最大的阻碍，市场运行指标预警体系尚须时间检验。

[1]韩力群.人工神经网络理论、设计及应用[M].北京：工业出版社，2002.

[2]许东，吴铮.基于MATLAB 6.X的系统分析与设计——神经网络（第二版）[M].西安：西安电子科技出版社，2002.

[3]卫海英.Spss10.0 For Windows在经济管理中的应用 [M].北京：中国统计出版社，2000.

[4]任飞，聂溱.基于IGA-BP神经网络和专家系统的我国银行流动性风险预警研究[J].数学的实践与认识,2007，（3）.

[5]董爱阳.基于BP神经网络的商业银行流动性风险预警[J].黑龙江对外经贸,2010,(1).

F22

A

1674－5787（2011）02－0010－04

2010-12-30

本研究得到泉州市社会科学研究2010规划项目（一般项目课题）资助，项目批准号：2010A—YZ02。

许毓坤（1979—），男，福建泉州人，经济学硕士，讲师，从事数理经济、神经网络计算技术研究；李英伟（1967—），男，安徽亳州人，经济学博士研究生，从事应用经济学、财税理论与实务研究；张庆武（1973—），男，福建仙游人，男，副教授，经济学博士，泉州经贸职业技术学院经济管理系主任，从事数理经济、经济统计研究。

责任编辑 仇大勇