基于LSTM 神经网络对银行挤兑风险进行分析

王珊茹 李华峰

1.河南中医药大学，河南 郑州 450046；2.中国政法大学，北京 100000

一、引言

防止发生系统性金融风险是金融工作的根本性任务，也是金融工作的永恒主题。《十八大》报告指出：“银行业金融机构要始终把风险控制放在第一位，不断增强安全性、营利性和流动性”。《十九大》报告亦明确指出：“健全金融监管体系，守住不发生系统性金融风险的底线”。这是习近平新时代中国特色社会主义思想在金融领域的根本要求，是指导金融改革发展稳定的行动指南，是做好新时代金融工作的根本遵循。

本文应用LSTM 神经网络非线性动力学模型，来分析银行挤兑行为中的理性和感性的过程。这种内部的“心理模型”可以捕捉人的行为异质性，更清楚的研究银行挤兑的动态过程。

二、关于神经网络的国内实践

LSTM（Long Short Term Memory）是一种特别的RNN（Recurrent neural network）循环神经网络。1997 年Sepp Hochreiter和Jurgen Schmidhuber提出 LSTM 算法。国内实践中，大多数研究主要是通过提高算法精度，集中于电力、交通、个人信用、金融资产等方面。如杨世娟（2016）使用BP神经网络组合灰色系统模型对2015 至2016 年度安徽省财政收入做预测。邸浩（2018）使用Adboost-LSTM 进行期货投资策略分析，龙奥明（2018）使用LSTM 模型和协整检验法研究不同期货之间的长期均衡关系，用于套利策略，证明效果超过了卷积云和 BP 网络的效果，王重仁（2019）将LSTM 和卷积云等各种机器学习算法交叉使用以提高信用分析的准确性。总的来看，国内的研究过度注重算法，将神经网络和行为经济学结合起来研究的较少，本文创新地使用神经网络来模拟存款人的认知情感网络系统，对银行挤兑风险进行模拟分析。

三、神经网络分析及其模型构建

应用LSTM 神经网络这种方法假设每个存款人接收到一个噪声信号来进行模拟。该噪声信号与经济的真实情况高度相关，但不允许存款人知道确定的值。存款人被期望执行所谓的阈值策略，也就是说如果信号高于某个阈值，他们就提取存款，如果信号低于某个阈值，他们就把钱留在银行。

另外，市场上的信息会对存款人产生影响。在做出决策时，存款人无法精确预测θ。一般，由于θ 未知，存款人做出判断是基于两个因素：一个是经济基本面，二是影响他们做出决策的市场中的信息。

为了弄明白这两个因素的详细影响，首先分析在θ=0.6 的确定值时，单一的理性进程对银行挤兑行为的影响以及理性—感性进程结合之后对银行挤兑行为的影响。其次令θ为不确定值时，单一理性进程与理性—感性过程结合之后对银行挤兑行为的影响，并且对之进行详细的比较分析。最后，测试不同r 和R 对PBR 的影响。

实验表明，在单一理性进程下θ= 0.6 时，银行挤兑的概率PBR 约为0.5，而当θ 取不同值时，PBR 也会随之变化，并且是几乎成反比例的变化。也就是说当存款人完全理性时，并且基本面良好时他们有50%的概率选择挤兑或不挤兑。并且存款人完全理性时会充分考虑收益与风险，并做出决策。现实生活中即使经济基本面良好，也会发生银行挤兑的行为。我们需要观测理性—感性相结合之后存款人的行为决策，并观察此时PBR 的取值。

另外，当经济基本面良好时，人不再是完全理性的，PBR的取值不再是0.5，而是随机性的，并且令θ 取不同的值时，PBR 与θ 不再是固定的反比关系，比如θ=0.4 时，PBR 会出现戏剧性的跳跃。也就说此时发生银行挤兑的现象，不单单是由于经济状况的原因还有人自身的感性因素。增加R 应该会降低PBR，接下来在本文中，将测试R 对PBR 的影响。

四、结论

本文创新性地使用神经网络来模拟存款人的认知情感网络系统，对银行挤兑风险进行模拟分析，研究了存款人受情感和理性过程影响而做出决策是否导致银行挤兑发生的概率，文章重点体现出人的决策逻辑这一行为过程。在动态决策行为中，将著名的双系统理论集成到LSTM 的人工神经网络系统之中，并对银行挤兑行为的理性过程和理性—感性进程进行比较和详细的分析。同时了解到在经济基本面不明朗的情况下，R 的增加对PBR 的影响是不同的。如果经济环境不是非常糟糕，增加后期收益对防止银行挤兑是有利的，甚至可以防止银行挤兑，但如果环境恶劣，即使增加R 也不会降低PBR。