羅樹浩

【摘 要】對于商業(yè)銀行而言，通常會面對一個重要風(fēng)險，即流動性風(fēng)險。對該風(fēng)險進行及時的預(yù)警，可及時發(fā)現(xiàn)風(fēng)險并做出對策，減少流動性風(fēng)險損失。BP神經(jīng)網(wǎng)絡(luò)不僅具備良好的學(xué)習(xí)能力，而且還具有良好的模式識別能力，作為一種平行分散處理模式，在新準備的數(shù)據(jù)資料的基礎(chǔ)之上，BP神經(jīng)能夠自我學(xué)習(xí)和培訓(xùn)，對變化多端的經(jīng)濟環(huán)境做出及時的反應(yīng)。文章運用BP神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力對南京銀行的流動性風(fēng)險進行了預(yù)警。

【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò);流動性風(fēng)險;風(fēng)險預(yù)警

【中圖分類號】F832.2 【文獻標識碼】A 【文章編號】1674-0688（2019）09-0228-02

1 指標體系的構(gòu)建

為了使研究更有效，本次研究建立了一個流動性風(fēng)險預(yù)警體系，該體系中包括9個指標，比如資金投入比例和拆出比例、不良貸款比例等。

2 樣本數(shù)據(jù)的選取

本次研究所選取的樣本數(shù)據(jù)主要來源于南京銀行2008—2018年的相關(guān)數(shù)據(jù)。BP人工神經(jīng)模型訓(xùn)練所輸入的內(nèi)容是2008—2017年的相關(guān)數(shù)據(jù)。這個模型訓(xùn)練所輸出的內(nèi)容是綜合功效系數(shù)所在的角度區(qū)間，采用的主要方法是主成分分析加權(quán)，結(jié)果用字母T表示功效系數(shù)，檢驗數(shù)據(jù)的標準以2018年的數(shù)據(jù)為基礎(chǔ)。商業(yè)銀行流動性評價因子之間的指標度量單位存在很大的差異性，因此必須對這些指標進行統(tǒng)一的規(guī)范化處理，確保評價計算中涉及評價因子。本次研究對于流動性風(fēng)險等級所采用的方法主要是對稱不等分間隔的分割法，采用此種方法的原因是基本上所有的數(shù)據(jù)不會出現(xiàn)極端現(xiàn)象，比如極大或者極小，大部分都是中間數(shù)據(jù)，劃分之后再依據(jù)如下原則將各個等級分成不同的分數(shù)。本文將風(fēng)險狀況分為重警（T>0.8）、中警（0.6

3 BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練與檢驗

運用SPSS 23軟件進行學(xué)習(xí)訓(xùn)練，創(chuàng)建3層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，將附表中的數(shù)據(jù)進行標準化，本次研究中的訓(xùn)練樣本集是南京銀行2008—2017年所有的相關(guān)數(shù)據(jù)，對網(wǎng)絡(luò)進行訓(xùn)練;本次研究中的檢驗樣本集是2018年的所有相關(guān)數(shù)據(jù)，對網(wǎng)絡(luò)的泛化能力進行訓(xùn)練。網(wǎng)絡(luò)的訓(xùn)練得出，總樣本在訓(xùn)練區(qū)的比例為80%，在堅持區(qū)的比例為20%。

由圖1可知，神經(jīng)網(wǎng)絡(luò)模型包括1個輸入層、1個隱藏層和1個輸出層，輸入層的神經(jīng)元個數(shù)為9個，隱藏層為2個，輸出層為1個。

根據(jù)圖2模型摘要表明，神經(jīng)網(wǎng)絡(luò)訓(xùn)練已經(jīng)實現(xiàn)了訓(xùn)練誤差率條件（0.001），模型訓(xùn)練中止，且相對誤差都比較小，說明模型沒有出現(xiàn)過度訓(xùn)練。

如圖3、圖4所示，預(yù)測值與期望值對應(yīng)的二維坐標的散點圖基本都在過原點的斜率為1的直線上，從圖4可以看出，殘差都在±0.05范圍內(nèi)且主要集中在±0.01范圍內(nèi)，說明神經(jīng)網(wǎng)絡(luò)擬合得較好。本次研究中的BP神經(jīng)網(wǎng)絡(luò)在2008—2017年的訓(xùn)練樣本中，其期望輸出與實際輸出之間不存在太大的差異，而且無論是前者還是后者，對于風(fēng)險所做出的評價結(jié)果也是統(tǒng)一的，這個結(jié)果說明網(wǎng)絡(luò)在很大程度上已經(jīng)得到了充分的訓(xùn)練。2018年的檢驗樣本能夠?qū)υ撋窠?jīng)網(wǎng)絡(luò)的泛化能力進行檢驗，詳細的檢驗結(jié)果見表1。

由表1可知，網(wǎng)絡(luò)檢驗階段的期望輸出與實際輸出之間的誤差值較小，完全符合精度條件，也可以確保評價結(jié)果的準確度。與此同時，結(jié)果說明該網(wǎng)絡(luò)在很大程度上具有泛化能力，它能夠?qū)δ暇┿y行其他時間的流動性風(fēng)險進行準確的預(yù)測和評估。

4 研究結(jié)論

本次研究的主要對象就是商業(yè)銀行的流動性風(fēng)險，采用的風(fēng)險評估模型是BP神經(jīng)網(wǎng)絡(luò)，風(fēng)險評估的辦法是采用BP神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力。研究結(jié)論為在預(yù)測商業(yè)銀行的流動性風(fēng)險方面，BP神經(jīng)網(wǎng)絡(luò)具有很大的作用。該模型不需要過于嚴格的數(shù)據(jù)，它卻具有良好的識別能力，能夠?qū)Υ罅康馁Y料及錯誤進行分析。除此以外，該網(wǎng)絡(luò)模型還具有學(xué)習(xí)能力，可以利用相關(guān)資料和數(shù)據(jù)進行自我培訓(xùn)和學(xué)習(xí)，以及時地對經(jīng)濟變化做出反應(yīng)。BP神經(jīng)網(wǎng)絡(luò)不僅對南京銀行2007—2017年的檢驗樣本做出了正確的評價，同時也對2018年的訓(xùn)練樣本做出了合理的預(yù)警。由此可知，采用BP神經(jīng)網(wǎng)絡(luò)可以較好地解決經(jīng)濟預(yù)警問題。

參 考 文 獻

[1]王利.關(guān)于我國商業(yè)銀行流動性風(fēng)險管理的研究[D].青島：中國海洋大學(xué)，2009.

[2]胡江芳.淺論商業(yè)銀行流動性風(fēng)險管理[J].科技創(chuàng)業(yè)月刊，2015（7）.

[3]沈中剛.商業(yè)銀行風(fēng)險預(yù)警系統(tǒng)的構(gòu)建[J].現(xiàn)代管理科學(xué)，2014（9）.