王博 鄢若蘭

（南開大學(xué)金融學(xué)院 天津市 300350）

一、引言

隨著利率市場化改革的推進(jìn)和金融市場逐步對外開放，銀行間競爭必然加劇，銀行經(jīng)營活動的不穩(wěn)定性將會提高。從總體上看，我國中小銀行近年來風(fēng)險水平陡增主要有如下幾種原因：一是公司治理不完善，缺乏公司治理的良好實踐和基本原則（周小川，2020），風(fēng)險主要來源于股權(quán)結(jié)構(gòu)分散導(dǎo)致的內(nèi)部人控制風(fēng)險、股東干預(yù)公司治理風(fēng)險和股東資金占用風(fēng)險。二是經(jīng)營業(yè)務(wù)及產(chǎn)品較為單一，高度依賴?yán)⑹杖耄?019 年以來尤其是新冠疫情之下，貨幣政策結(jié)構(gòu)性寬松，利率水平下行，加之大型商業(yè)銀行貸款利率走低擠壓市場空間，對中小銀行利潤來源形成明顯制約。三是以城商行和農(nóng)商行為主的中小銀行定位于區(qū)域金融供給，主要服務(wù)于當(dāng)?shù)孛駹I及小微企業(yè)，信用下沉程度較高，天然面臨著較高的信用風(fēng)險，受經(jīng)濟(jì)周期和信用周期影響較大。如果中小銀行產(chǎn)生風(fēng)險，因其龐大的數(shù)量和風(fēng)險傳染機(jī)制，可能導(dǎo)致系統(tǒng)性金融風(fēng)險的發(fā)生。

此外，2008 年國際金融危機(jī)之后，防范、恢復(fù)和處置金融機(jī)構(gòu)危機(jī)的重要性被關(guān)注。巴塞爾銀行監(jiān)管委員會、金融穩(wěn)定理事會及英、美、歐盟等主要經(jīng)濟(jì)體紛紛制定了恢復(fù)和處置計劃的監(jiān)管指引。對中小銀行的風(fēng)險識別和早期預(yù)警對于防范銀行業(yè)系統(tǒng)性風(fēng)險蔓延十分必要，構(gòu)建符合我國中小銀行經(jīng)營特點和監(jiān)管框架的風(fēng)險早期預(yù)警系統(tǒng)對于增強銀行風(fēng)險管理、強化銀行審慎經(jīng)營和防范化解金融風(fēng)險都具有重要意義。

二、文獻(xiàn)綜述

（一）銀行業(yè)系統(tǒng)性風(fēng)險及銀行風(fēng)險預(yù)警指標(biāo)體系

銀行系統(tǒng)性風(fēng)險具備負(fù)外部性、風(fēng)險與收益不對稱、傳染性、損害實體經(jīng)濟(jì)和干預(yù)投資者信心五個特征，主要通過宏觀經(jīng)濟(jì)的外部因素，銀行間存款、信貸和支付體系等實際業(yè)務(wù)和由信息引發(fā)的銀行危機(jī)的溢出效應(yīng)三種渠道進(jìn)行傳播（范小云，2004）。在西方主要經(jīng)濟(jì)體經(jīng)歷了數(shù)次銀行業(yè)危機(jī)后，各國的中央銀行意識到了銀行業(yè)“太大而不能倒（Too-big-to-fail）”的問題，規(guī)模較大的銀行倒閉容易引發(fā)銀行系統(tǒng)性風(fēng)險（徐超，2013）。1984 年9 月，在救助伊利諾伊大陸銀行后，“太大而不能倒”的重要性含義逐步被監(jiān)管當(dāng)局明確，該原則逐漸在銀行領(lǐng)域流行起來，1991 年頒布的 《聯(lián)邦存款保險公司促進(jìn)法案》在立法上最終確立了該原則。但此后以規(guī)模評判系統(tǒng)重要性的救助標(biāo)準(zhǔn)一直被學(xué)界爭議，監(jiān)管當(dāng)局和學(xué)界關(guān)注的焦點轉(zhuǎn)向其他判斷銀行系統(tǒng)重要性和救助標(biāo)準(zhǔn)的方法。Zhou（2009）在一個互聯(lián)金融系統(tǒng)中測度一個金融機(jī)構(gòu)的系統(tǒng)重要性，提出金融機(jī)構(gòu)的規(guī)模作為“太大而不能倒”的系統(tǒng)重要性的衡量標(biāo)準(zhǔn)不是一直有效的，并提供了在多元極值理論框架下系統(tǒng)重要性的測度方法。Rajan（2009）提出阻止金融機(jī)構(gòu)變得“太過系統(tǒng)重要而不能倒（Too-systemicto-fail）”的三種方法以防范系統(tǒng)性金融風(fēng)險的發(fā)生和蔓延。Acharya 和Yorulmazer（2007）發(fā)現(xiàn)各國的銀行倒閉政策同樣存在一個隱含的“太多而不能倒（Too-many-to-fail）”的問題，當(dāng)?shù)归]銀行數(shù)量很多時，監(jiān)管機(jī)構(gòu)往往會救助部分或全部的倒閉銀行。但當(dāng)?shù)归]銀行數(shù)量較少時，倒閉的銀行往往由健康存活的銀行收購。這樣的隱含政策傾向增強了銀行從眾和選擇一起倒閉的動機(jī)，且對小銀行的影響更大并引發(fā)小銀行中的羊群效應(yīng)。Brown 和Dinc（2009）使用競爭風(fēng)險模型研究新興市場國家的銀行破產(chǎn)問題，發(fā)現(xiàn)當(dāng)銀行體系較為脆弱時，政府接管或直接關(guān)閉破產(chǎn)銀行的可能性較小，這種“太多而不能倒”的效應(yīng)是穩(wěn)健存在的。2008 年金融危機(jī)提醒了人們系統(tǒng)性風(fēng)險的主要來源是金融機(jī)構(gòu)之間的相互關(guān)聯(lián)性，監(jiān)管當(dāng)局和學(xué)者們開始關(guān)注“過于關(guān)聯(lián)而不能倒（Too-connected-tofail）”的系統(tǒng)重要性銀行和關(guān)聯(lián)性問題。Gabrieli（2012）發(fā)現(xiàn)在2007 年8 月之后，銀行的相互關(guān)聯(lián)性影響增大，并從正外部性轉(zhuǎn)為負(fù)外部性，很好地解釋了本次金融危機(jī)影響面廣、傳染性強的原因。范小云等（2012）構(gòu)建網(wǎng)絡(luò)模型分析銀行間負(fù)債關(guān)聯(lián)程度對于銀行系統(tǒng)重要性的影響，發(fā)現(xiàn)我國部分中小銀行如果倒閉，能夠誘發(fā)嚴(yán)重的銀行危機(jī)，因此在銀行風(fēng)險監(jiān)管中，應(yīng)該考慮“過于關(guān)聯(lián)而不能倒”（即關(guān)聯(lián)性）問題。我國中小銀行數(shù)量眾多，近些年來，業(yè)務(wù)同質(zhì)化嚴(yán)重，貸款集中度過高，資本充足水平低，經(jīng)營管理理念激進(jìn)，行業(yè)競爭激烈，導(dǎo)致系統(tǒng)性風(fēng)險水平不斷上升。特別是近年來同業(yè)、理財和金融市場等經(jīng)營模式提高了中小銀行的網(wǎng)絡(luò)中心度和關(guān)聯(lián)性，擴(kuò)大了風(fēng)險傳染的網(wǎng)絡(luò)效應(yīng)，使得風(fēng)險在銀行間更迅速地傳播，形成了中小銀行“太多而不能倒”和“過于關(guān)聯(lián)而不能倒”的局面。為了有效降低傳染風(fēng)險，就必須在風(fēng)險誘導(dǎo)因素發(fā)生前進(jìn)行事前預(yù)防（馬君潞等，2007）。

（二）銀行風(fēng)險早期預(yù)警模型構(gòu)建

國外學(xué)者對風(fēng)險早期預(yù)警模型的研究開始較早，采用的方法眾多，研究脈絡(luò)相對完整和成熟。Altman（1968）使用多重判別分析方法，建立5 變量Z-score 模型來判斷企業(yè)破產(chǎn)的可能性。Martin（1977）引入Logisitic 回歸分析方法研究銀行的違約概率。West（1985）使用因子分析和Logit 回歸方法，借鑒CAMELS 評級法對美國銀行資產(chǎn)負(fù)債表和銀行監(jiān)管報告中提取的變量進(jìn)行分析。Lane 等（1986）使用Cox 模型預(yù)測銀行倒閉的時間。Chiaramonte 等（2015）比較了Z-score 模型和Probit 模型識別銀行金融風(fēng)險的有效性。Rosa 和Gartner（2017）采用多元Logisitic 回歸方法構(gòu)建巴西國家所有和州所有銀行預(yù)測窗口為1 年的風(fēng)險早期預(yù)警模型。Ferriani 等（2019）使用Logit 模型計算意大利非重要金融機(jī)構(gòu)的違約概率，構(gòu)建預(yù)測范圍為4-6 個季度的早期預(yù)警模型。Brauning 等（2019）采用決策樹算法構(gòu)建歐洲銀行中小銀行危機(jī)早期預(yù)警模型。Suss 和Treitel（2019）使用英國金融管理局的機(jī)密監(jiān)管數(shù)據(jù)和風(fēng)險監(jiān)管評估分?jǐn)?shù)，比較了混合Logistic 回歸、線性隨機(jī)效應(yīng)模型、隨機(jī)森林及Boosting 技術(shù)、K 最近鄰算法（KNN）、支持向量機(jī)（SVM）以及組合模型對風(fēng)險狀態(tài)的預(yù)測能力。

國內(nèi)相關(guān)研究中，楊保安和季海（2001）利用人工神經(jīng)網(wǎng)絡(luò)前向三層BP 網(wǎng)絡(luò)方法提取財務(wù)指標(biāo)構(gòu)造商業(yè)銀行信貸風(fēng)險預(yù)警系統(tǒng)，通過BP 網(wǎng)絡(luò)的輸出向量判斷銀行信貸風(fēng)險警情。賀曉波和張宇紅（2001）運用聚類分析法篩選指標(biāo)，使用熵值法和層次分析法確定指標(biāo)權(quán)數(shù)，計算綜合分值，使用信號燈顯示法進(jìn)行銀行風(fēng)險狀態(tài)判定。毛錦等（2006）根據(jù)對銀行信貸交易的風(fēng)險分析構(gòu)建商業(yè)銀行信用風(fēng)險預(yù)警的概念模型。中國銀行業(yè)監(jiān)督管理委員會銀行風(fēng)險早期預(yù)警綜合系統(tǒng)課題組（2009）綜合了擴(kuò)散指數(shù)、合成指數(shù)、降級距離和百分位排序方法并進(jìn)行有效性檢驗，構(gòu)建短期和中長期單體銀行風(fēng)險預(yù)警模型。羅曉光和劉飛虎（2011）使用主成分分析法對商業(yè)銀行風(fēng)險預(yù)警指標(biāo)進(jìn)行賦權(quán)并計算綜合評價分?jǐn)?shù)，構(gòu)建Logistic預(yù)警模型。陸靜和王捷（2012）采用貝葉斯網(wǎng)絡(luò)測算各類指標(biāo)對銀行風(fēng)險的影響程度，通過信號燈模型顯示銀行風(fēng)險狀態(tài)。王偉（2013）采用專家咨詢法和層次分析法構(gòu)建銀行危機(jī)預(yù)警系統(tǒng)指標(biāo)體系，通過指標(biāo)映射法計算單項指標(biāo)警情分值，加權(quán)匯總后形成銀行危機(jī)綜合預(yù)警分值。丁德臣（2016）利用多專家協(xié)商機(jī)制確定預(yù)警指標(biāo)權(quán)重，使用灰色評價模型預(yù)測商業(yè)銀行風(fēng)險評級。

綜上，國外學(xué)者對銀行風(fēng)險早期預(yù)警系統(tǒng)的研究起步較早，研究脈絡(luò)完整，不斷更新技術(shù)提高對銀行風(fēng)險狀態(tài)的預(yù)測能力，目前研究已經(jīng)較為成熟。但是國內(nèi)學(xué)者在銀行風(fēng)險早期預(yù)警研究上比較滯后。在技術(shù)上，我國學(xué)者還大多采取較為主觀、定性的方式對風(fēng)險指標(biāo)進(jìn)行賦權(quán)，計算綜合風(fēng)險分值，且不能實現(xiàn)對風(fēng)險的事前預(yù)警，不能為銀行經(jīng)營及時糾偏和監(jiān)管部門盡早干預(yù)預(yù)留時間窗口，機(jī)器學(xué)習(xí)技術(shù)在此領(lǐng)域的應(yīng)用尚不成熟。在數(shù)據(jù)方面，我國銀行業(yè)尤其是中小銀行對經(jīng)營數(shù)據(jù)和監(jiān)管指標(biāo)的披露不完全，從公開渠道獲取的數(shù)據(jù)極為有限。因此本文旨在采用合適的銀行風(fēng)險狀態(tài)評估標(biāo)準(zhǔn)，針對國內(nèi)中小銀行構(gòu)建風(fēng)險早期預(yù)警模型，引入決策樹、隨機(jī)森林算法和支持向量機(jī)，在研究方法上填補空白。

三、研究設(shè)計

（一）國內(nèi)銀行風(fēng)險狀態(tài)評估標(biāo)準(zhǔn)

為向監(jiān)管者和政策制定者提供有效的銀行風(fēng)險早期預(yù)警模型，首先銀行風(fēng)險狀態(tài)評估標(biāo)準(zhǔn)要符合國內(nèi)銀行經(jīng)營特點，其次須為政府監(jiān)管和干預(yù)預(yù)留時間窗口。如果僅將銀行風(fēng)險狀態(tài)定義為銀行破產(chǎn)倒閉或流動性危機(jī)，那么模型只對銀行危機(jī)的事后干預(yù)有效而沒有預(yù)測意義。此外，也有學(xué)者提出不以發(fā)生恐慌而以銀行資本緊縮作為判斷銀行陷入風(fēng)險狀態(tài)，因為即使沒有發(fā)生恐慌，銀行股本大幅下跌仍會導(dǎo)致嚴(yán)重的信貸緊縮和產(chǎn)出缺口，恐慌只是銀行發(fā)生風(fēng)險事件的結(jié)果而非原因。有時恐慌因為監(jiān)管機(jī)構(gòu)寬容、債權(quán)人隱性擔(dān)?；蛘畯娪辛Ω深A(yù)而免于發(fā)生，但銀行依然處于資本不足、放貸能力嚴(yán)重受損的風(fēng)險狀態(tài)（Baron 等，2020）。目前國內(nèi)僅有1998 年海南發(fā)展銀行破產(chǎn)清算、2019 年包商銀行被接管兩例明顯銀行危機(jī)狀態(tài)，銀行破產(chǎn)在國內(nèi)較為罕見。

因此本文不采用僅將大規(guī)?？只?、銀行違約、被兼并收購、被接管或政府援助作為銀行陷入風(fēng)險狀態(tài)的傳統(tǒng)做法，而是結(jié)合國內(nèi)銀行經(jīng)營特點和監(jiān)管框架及條例，從經(jīng)營數(shù)據(jù)和監(jiān)管指標(biāo)的視角來考察銀行風(fēng)險事件，一是能提供客觀、定量、實時的銀行風(fēng)險事件評估標(biāo)準(zhǔn)；二是能挖掘被遺忘和忽視的“沉默”銀行風(fēng)險事件，擴(kuò)大銀行風(fēng)險事件研究樣本；三是可以更敏銳地捕捉銀行陷入風(fēng)險狀態(tài)的早期跡象，有利于提高銀行風(fēng)險早期預(yù)警系統(tǒng)的預(yù)測精度。

在宏觀審慎評估體系（MPA）中，對資本和杠桿情況與定價行為兩個方面要求最嚴(yán)格，只要有一項不及格，MPA 考核便不達(dá)標(biāo)。以資本充足率考核為例，如果某銀行資本充足率大于宏觀審慎標(biāo)準(zhǔn)，該項指標(biāo)為滿分80分，如果某銀行資本充足率小于宏觀審慎標(biāo)準(zhǔn)但超過4%，得分在48 至80 分之間，如果不超過4%，則得分為0。在央行取消4%的緩沖范圍之后，只要銀行達(dá)到宏觀審慎標(biāo)準(zhǔn)就獲滿分，否則為0 分，這種評價方法較為嚴(yán)格，能敏感地判別銀行風(fēng)險狀態(tài)。因此，本文也采用這樣嚴(yán)格的評價標(biāo)準(zhǔn)判別銀行風(fēng)險狀態(tài)，有利于捕捉銀行的風(fēng)險預(yù)警信號。

根據(jù)《商業(yè)銀行資本管理辦法》《商業(yè)銀行風(fēng)險監(jiān)管核心指標(biāo)（試行）》《商業(yè)銀行風(fēng)險監(jiān)管核心指標(biāo)一覽表》《商業(yè)銀行監(jiān)管評級內(nèi)部指引》，本文認(rèn)定銀行觸發(fā)下列條件即被認(rèn)為銀行風(fēng)險事件：1.撥備充足率＜100%；2.貸款損失準(zhǔn)備充足率＜100%；3.撥備覆蓋率＜120%；4.撥貸比＜1.5%；5.存貸款比例＞75%；6.資產(chǎn)利潤率＜0.6%；7.資本利潤率＜11%；8.流動性比例＜25%；9.不良貸款率＞5%；10.單一客戶貸款集中度＞10%；11.成本收入比＞35%；12.核心一級資本充足率＜5%，資本充足率＜8%。

（二）數(shù)據(jù)來源

本文樣本覆蓋國內(nèi)股份制銀行、城市商業(yè)銀行、農(nóng)村商業(yè)銀行和村鎮(zhèn)銀行183 家銀行，從Wind 數(shù)據(jù)庫獲取2007-2019 年的銀行財務(wù)數(shù)據(jù)、重要業(yè)務(wù)指標(biāo)和銀行業(yè)專項分析指標(biāo)，從國泰安數(shù)據(jù)庫、Wind 數(shù)據(jù)庫獲取宏觀經(jīng)濟(jì)數(shù)據(jù)。

（三）制定風(fēng)險預(yù)測指標(biāo)

鑒于我國《股份制商業(yè)銀行風(fēng)險評級體系（暫行）》參考了CAMELS 評級法，本文也采用CAMELS 評級法的框架，參考我國商業(yè)銀行監(jiān)管條例選取微觀公司數(shù)據(jù)和宏觀經(jīng)濟(jì)數(shù)據(jù)作為風(fēng)險預(yù)測指標(biāo)?；跀?shù)據(jù)可得性，初始選取60 個指標(biāo)，分別進(jìn)行如下回歸，刪去方差膨脹因子VIF≥10 的指標(biāo)，最終選取預(yù)測指標(biāo)見表1。

表1 預(yù)測指標(biāo)選取

（四）實證分析

1.使用C5.0 決策樹算法。決策樹是在機(jī)器學(xué)習(xí)中被廣泛使用的分類預(yù)測算法之一。決策樹的生長過程本質(zhì)上是將訓(xùn)練樣本根據(jù)各個特征逐次劃分在多個類別下的過程（即分枝），在所有可能的分枝中，選擇結(jié)果最好的一種，分枝的質(zhì)量和評價預(yù)測結(jié)果的好壞標(biāo)準(zhǔn)由節(jié)點隨機(jī)變量的純度決定，純度由節(jié)點隨機(jī)變量的信息熵來度量。不確定性越大，信息熵越大，純度越低。在決策樹分枝過程中，設(shè)T 為待訓(xùn)練樣本集合，有k 個不同的類別，類別集合為{c，c，…，c}，則類c中包含的信息量表示如下：

樣本集合T 中屬于類c下的子集為R，R中包含的樣本個數(shù)為r，樣本集合T 中包含的樣本總數(shù)為|T|，那么待分類的數(shù)據(jù)集合T中用來分類的子集所包含的信息定義如下：

假定某一屬性M 有互不重合的n 個取值{m，m，…，m}，把樣本集合T 分為n 個子集{T，T，…，T}，其中T是樣本集合T 中當(dāng)屬性M 取m時的子集。在決策樹分類過程中，屬性M 將樣本集合T 中各樣本分在不同類別中，T表示T子集中屬于類c的樣本個數(shù)，那么屬性M 對分類{c，c，…，c}的熵為：

由上述公式，屬性M 作為分類屬性的信息增益（Information Gain）為：

不同決策樹算法的區(qū)別在于分枝準(zhǔn)則，C5.0 算法是根據(jù)特征變量的信息增益率（Information gain ratio）來決定分枝的選擇。如果信息增益率夠大，就分裂為左右子樹；如果信息增益率很小，就停止分裂，這個節(jié)點直接作為葉子節(jié)點。信息增益率（Information Gain Ratio）由信息增益（Information Gain）和分裂信息度量（Split Information）共同定義：

通過一系列的特征選取和決策規(guī)則，節(jié)點分枝達(dá)到最終的分類葉子節(jié)點，分類算法經(jīng)過遞歸最終輸出結(jié)果是一棵決策樹。對于本文的預(yù)測實證分析來說，該過程是從根節(jié)點開始，基于一系列預(yù)測指標(biāo)的值創(chuàng)建一條路徑直到到達(dá)葉子節(jié)點，最終判斷銀行是否處于風(fēng)險狀態(tài)。

本文模型設(shè)定為：一是采用二元分類，若銀行財務(wù)數(shù)據(jù)及監(jiān)管指標(biāo)觸發(fā)本文對銀行風(fēng)險狀態(tài)評估標(biāo)準(zhǔn)條目，視為銀行陷入風(fēng)險狀態(tài)，標(biāo)記為1，否則為0。二是設(shè)置預(yù)測期為6 個月，以銀行陷入風(fēng)險狀態(tài)的前一期狀態(tài)作為目標(biāo)變量，以保證模型具有前瞻性和預(yù)測性。三是考慮到監(jiān)管當(dāng)局往往會采取保守和謹(jǐn)慎的態(tài)度，寧愿發(fā)出錯誤的預(yù)警警報，也不愿遺漏報告銀行的風(fēng)險狀態(tài)而使事態(tài)惡化，本文設(shè)置不對稱的誤判成本，將第一種錯誤（遺漏報告風(fēng)險狀態(tài)）的誤判成本設(shè)置為第二種錯誤（錯誤報告風(fēng)險狀態(tài)）的誤判成本的2 倍（Brauning 等，2019），誤判成本矩陣見表2。

表2 誤判成本矩陣

通過數(shù)據(jù)預(yù)處理，最終得到183 家中小銀行的數(shù)據(jù)，首先將全部樣本集按照4∶1 分為訓(xùn)練集和預(yù)測集，使用訓(xùn)練集數(shù)據(jù)通過K折交叉驗證法確定參數(shù)最優(yōu)值，然后使用預(yù)測集數(shù)據(jù)進(jìn)行樣本外檢驗，得到模型對預(yù)測集的分類準(zhǔn)確率和AUC 值。

2.使用隨機(jī)森林算法。隨機(jī)森林是將決策樹和Bagging 算法（Bootstrap aggregating）相結(jié)合的一種算法，采用隨機(jī)有放回的選擇訓(xùn)練集構(gòu)造分類器的集合學(xué)習(xí)，Bagging 算法通過降低基分類器的方差從而改善泛化誤差，從而提高算法的準(zhǔn)確率和穩(wěn)定性，避免過擬合的發(fā)生。隨機(jī)森林的基本單元是決策樹，它建立多個決策樹并整合每一棵決策樹的分類結(jié)果以得到更準(zhǔn)確和穩(wěn)定的預(yù)測。隨機(jī)森林算法流程見圖1。

圖1 隨機(jī)森林算法流程圖

隨機(jī)森林模型的兩個主要參數(shù)是構(gòu)建決策樹節(jié)點分枝選擇的特征變量個數(shù)和隨機(jī)森林模型中決策樹的數(shù)量，仍然使用訓(xùn)練集數(shù)據(jù)通過K 折交叉驗證法確定最優(yōu)的特征變量個數(shù)和決策樹數(shù)量，然后使用預(yù)測集數(shù)據(jù)進(jìn)行樣本外檢驗，使用分類準(zhǔn)確率和AUC 值來評估模型的預(yù)測能力。

3.使用支持向量機(jī)。支持向量機(jī)是一種二元分類模型，當(dāng)有兩個及以上的預(yù)測變量時，使用超平面來分離兩個類別。它的基本模型是定義在特征空間上間隔最大的線性分類器，也可以通過設(shè)置不同形式的核函數(shù)處理線性不可分的訓(xùn)練數(shù)據(jù)，形成非線性支持向量機(jī)。支持向量機(jī)的學(xué)習(xí)策略就是使間隔最大化，并將其形式化為一個求解凸二次規(guī)劃的問題，等價于正則化的合頁損失函數(shù)的最小化問題。常見的核函數(shù)包括線性核、多項式核、高斯核、Sigmoid 核等。由于在以前的銀行破產(chǎn)預(yù)測研究中，James 等（2013）發(fā)現(xiàn)徑向基核函數(shù)表現(xiàn)要優(yōu)于其他核函數(shù)形式，因此本文采用的是徑向基核函數(shù)。支持向量機(jī)的兩個主要參數(shù)是成本即分類錯誤的代價和影響徑向基核函數(shù)的復(fù)雜度γ，同樣使用訓(xùn)練集數(shù)據(jù)應(yīng)用K 折交叉驗證法進(jìn)行調(diào)參，使用最優(yōu)參數(shù)對預(yù)測集數(shù)據(jù)進(jìn)行樣本外檢驗，查看模型的分類準(zhǔn)確率和AUC值。

四、模型預(yù)測結(jié)果及分析

（一）半年度數(shù)據(jù)訓(xùn)練及預(yù)測結(jié)果

首先使用訓(xùn)練數(shù)據(jù)集進(jìn)行樣本內(nèi)簡單交叉驗證，使用默認(rèn)Boosting 迭代次數(shù)1，得到模型的預(yù)測準(zhǔn)確率為84%，AUC 值為0.863；然后通過K 折交叉驗證確定最優(yōu)Boosting 迭代參數(shù)為21，模型的預(yù)測準(zhǔn)確率提升至86%，AUC 為0.944。接著使用隨機(jī)森林算法，通過K 折交叉驗證確定決策樹節(jié)點分枝變量個數(shù)為9，決策樹數(shù)量為2400，樣本內(nèi)模型預(yù)測準(zhǔn)確率為90.53%，樣本外數(shù)據(jù)集預(yù)測準(zhǔn)確率為88%，AUC 為0.911，較決策樹模型預(yù)測準(zhǔn)確率均略有提高。最后使用支持向量機(jī)算法，通過K 折交叉驗證確定最優(yōu)參數(shù)Gamma 為0.031，Cost 參數(shù)為1，樣本內(nèi)模型預(yù)測準(zhǔn)確率為93.06%，樣本外數(shù)據(jù)集預(yù)測準(zhǔn)確率為89.23%，AUC 為0.938。此外，本文還采用Logit 回歸模型作為基準(zhǔn)模型，以衡量各個算法模型的預(yù)測準(zhǔn)確率，Logit 模型對半年度數(shù)據(jù)的預(yù)測準(zhǔn)確率為83.21%，AUC為0.869，比較可得機(jī)器學(xué)習(xí)技術(shù)在預(yù)測能力均要優(yōu)于Logit 回歸模型，在對銀行半年度數(shù)據(jù)樣本進(jìn)行風(fēng)險狀態(tài)的分類預(yù)測中，支持向量機(jī)的預(yù)測準(zhǔn)確率是最高的，AUC 值也較高，模型性能是最優(yōu)的，預(yù)測結(jié)果見表3，ROC 曲線見圖2 至圖5。

表3 中小銀行半年度數(shù)據(jù)預(yù)測結(jié)果

圖2 Logit 模型ROC 曲線

圖3 C5.0 決策樹模型ROC 曲線

圖4 隨機(jī)森林模型ROC 曲線

圖5 支持向量機(jī)模型ROC 曲線

（二）模型預(yù)測結(jié)果分析

1.決策樹模型預(yù)測結(jié)果分析。C5.0 算法構(gòu)建的決策樹不僅提供早期識別風(fēng)險的手段，也能揭示影響銀行風(fēng)險狀態(tài)的重要變量。在本文構(gòu)建的決策樹中，根節(jié)點的分枝變量是GDP 增長率，說明宏觀經(jīng)濟(jì)狀況對于銀行經(jīng)營有著巨大的影響。余下的較為重要的變量覆蓋了幾種最重要的銀行風(fēng)險的指標(biāo)，比如信用風(fēng)險，包括不良貸款率、平均風(fēng)險權(quán)重、單一最大客戶貸款比例；流動性風(fēng)險，包括流動性比例；市場風(fēng)險，包括市場平均非利息收入與利息收入比率、銀行非利息收入與利息收入比率；資本風(fēng)險，包括資產(chǎn)負(fù)債率、資本充足率等。

探究決策樹的主要生長路徑，當(dāng)宏觀經(jīng)濟(jì)運行較差時，銀行是否陷入風(fēng)險狀態(tài)很大程度上取決于銀行的盈利能力，如果銀行的凈息差和資產(chǎn)利潤率都很高，那么銀行在宏觀經(jīng)濟(jì)狀況不好時仍然可以順利存活。反之，如果銀行的凈息差較低，那么即便有較大比例的生息資產(chǎn)，但并未發(fā)揮其為銀行盈利的作用，銀行也會陷入風(fēng)險。對于區(qū)域性中小銀行來說，生息資產(chǎn)主要為地方企業(yè)貸款，當(dāng)宏觀經(jīng)濟(jì)狀況不好時，當(dāng)?shù)仄髽I(yè)在銀行中的貸款質(zhì)量會迅速下降，甚至成為呆賬壞賬，從而給銀行帶來風(fēng)險。如果此時銀行的存款占全部負(fù)債的比例較高，有較為穩(wěn)定的存款基礎(chǔ)，那么銀行仍然可以處于較為安全的狀態(tài)。

當(dāng)銀行生息資產(chǎn)占總資產(chǎn)比例較低時，資產(chǎn)質(zhì)量的相關(guān)指標(biāo)則決定了銀行是否處于風(fēng)險狀態(tài)。如果銀行資產(chǎn)的平均風(fēng)險權(quán)重較高，盈利能力方面凈利差也較低，那么銀行就會陷入風(fēng)險狀態(tài)之中。如果銀行的資產(chǎn)的平均風(fēng)險權(quán)重較低，不良貸款率也較低，那么此時銀行的低成本收入比說明銀行有著較為良好的管理經(jīng)營水平，銀行也會免于陷入風(fēng)險。當(dāng)銀行的不良貸款率較高時，如果銀行個體的非息收入占比和存貸比較高，不過于依賴傳統(tǒng)的放貸業(yè)務(wù)進(jìn)行盈利，那么銀行也會處于相對安全的狀態(tài)。

在GDP 增長率較高即宏觀經(jīng)濟(jì)運行較為良好的狀態(tài)之下，決定銀行經(jīng)營狀態(tài)的關(guān)鍵變量也以資產(chǎn)質(zhì)量和盈利能力為主。如果銀行的資本利潤率較高，凈利差較高，而單一最大客戶貸款比例和不良貸款率較低，說明銀行的盈利水平和經(jīng)營的安全性較高，銀行陷入風(fēng)險的可能性較小；反之，如果銀行的資產(chǎn)質(zhì)量指標(biāo)單一最大客戶貸款比例和不良貸款率均達(dá)到很高水平，銀行就會陷入風(fēng)險狀態(tài)。而當(dāng)銀行的盈利水平較低時，如果銀行的撥備覆蓋率較高，銀行的計息負(fù)債比例較高，存款基礎(chǔ)較為穩(wěn)定，銀行也會依然處于健康狀態(tài)；如果銀行的計提撥備不充足，主要收入來源又是傳統(tǒng)的貸款業(yè)務(wù)，銀行就會陷入風(fēng)險。

2.隨機(jī)森林模型預(yù)測結(jié)果分析。在評估預(yù)測指標(biāo)的重要性時，算法提供平均精度下降度和平均Gini 指數(shù)下降度兩種指標(biāo)，見表4。

表4 隨機(jī)森林模型預(yù)測指標(biāo)重要性程度排序

平均精度下降度是把一個變量的取值變?yōu)殡S機(jī)數(shù)，改變前后隨機(jī)森林預(yù)測準(zhǔn)確率的降低程度，平均精度下降度越大，該變量越重要。Gini 指數(shù)表示節(jié)點純度，Gini 指數(shù)越大純度越低，平均Gini 指數(shù)下降度通過Gini 指數(shù)計算每個變量對決策樹每個節(jié)點上觀測值異質(zhì)性的影響得到。平均Gini 指數(shù)下降度越大，那么變量越重要。

從分類結(jié)果來看，平均精度下降和平均Gini 指數(shù)下降的趨勢大致相同。首先，盈利水平類指標(biāo)對銀行風(fēng)險狀態(tài)影響最大，資本利潤率、資產(chǎn)利潤率、存貸款比例、凈息差和凈利差指標(biāo)重要性排序較為靠前，如果銀行盈利能力較強，則可以較好地抵御風(fēng)險。資本充足性指標(biāo)如撥備覆蓋率、歸屬于母公司所有者權(quán)益以及核心一級資本充足率等指標(biāo)的重要性排序也比較靠前，資本充足水平是銀行破產(chǎn)的最后一道防線，能夠沖銷經(jīng)營過程中因不確定性造成的損失，提高了銀行經(jīng)營的安全性和穩(wěn)定性。緊隨其后的是兩個宏觀經(jīng)濟(jì)變量即GDP 增長率和財政赤字與GDP 比率，意味著宏觀經(jīng)濟(jì)環(huán)境對于中小銀行的生存和風(fēng)險有巨大影響，中小銀行所依賴的區(qū)域性民營企業(yè)和小微企業(yè)的經(jīng)營是順周期的，因此中小銀行資產(chǎn)質(zhì)量和風(fēng)險水平因此也是順周期的。相應(yīng)地，資產(chǎn)質(zhì)量類指標(biāo)，如不良資產(chǎn)比例，對銀行風(fēng)險狀態(tài)的準(zhǔn)確分類也非常重要。值得注意的是，市場風(fēng)險敏感度指標(biāo)也較為重要，印證了Hirakata 等（2017）的研究結(jié)論，雖然單個銀行對金融資產(chǎn)更多地配置會提升銀行資產(chǎn)組合異質(zhì)性，從而降低銀行風(fēng)險，但是當(dāng)市場間銀行總體持有證券資產(chǎn)的配置在總資產(chǎn)中占比較高時，市場內(nèi)銀行總體資產(chǎn)組合配置會趨同，銀行系統(tǒng)性風(fēng)險上升，從而使得單個銀行風(fēng)險不降反升。類似地，單個銀行非息收入占比提高有利于銀行盈利能力增強，但是當(dāng)銀行總體非息收入占比提升時，各個銀行主營業(yè)務(wù)模式和盈利模式趨同，也會導(dǎo)致銀行系統(tǒng)性風(fēng)險提升，對單個銀行造成不利影響?？偠灾y行投資組合對市場風(fēng)險敞口增加以及與市場活動相關(guān)的非傳統(tǒng)收入來源的更大依賴盡管會降低單個銀行的風(fēng)險，但會增加銀行系統(tǒng)性風(fēng)險，因此表現(xiàn)為“銀行間系統(tǒng)性的羊群效應(yīng)”，在共同的沖擊來臨時，提供了一種通過證券資產(chǎn)持有量和收入來源的風(fēng)險傳導(dǎo)方式。

（三）季度數(shù)據(jù)訓(xùn)練及預(yù)測結(jié)果

考慮到季度數(shù)據(jù)能夠更準(zhǔn)確地反映銀行整體經(jīng)營狀況和風(fēng)險狀態(tài)變化，本文還使用季度數(shù)據(jù)來檢驗上述模型的結(jié)論并驗證模型分類預(yù)測的有效性。

維持原模型設(shè)定不變，將預(yù)測期更改為3 個月，利用148 家中小銀行26 個預(yù)測指標(biāo)的數(shù)據(jù)分別通過3 種機(jī)器學(xué)習(xí)算法構(gòu)建銀行風(fēng)險早期預(yù)警模型，使用Logit 模型預(yù)測結(jié)果作為基準(zhǔn)，得到模型預(yù)測結(jié)果如下表。同樣可以發(fā)現(xiàn)，三種機(jī)器學(xué)習(xí)算法的樣本外預(yù)測能力優(yōu)于Logit 分類回歸模型，AUC 值較高，模型性能較好。在對銀行季度數(shù)據(jù)樣本進(jìn)行風(fēng)險狀態(tài)的預(yù)測中，隨機(jī)森林算法對樣本外數(shù)據(jù)的泛化能力最優(yōu)，預(yù)測結(jié)果見表5，ROC 曲線見圖6 至圖9。

表5 中小銀行季度數(shù)據(jù)預(yù)測結(jié)果

圖6 Logit 模型ROC 曲線

圖7 C5.0 決策樹模型ROC 曲線

圖8 隨機(jī)森林模型ROC 曲線

圖9 支持向量機(jī)模型ROC 曲線

五、結(jié)論與建議

本文使用2007-2019 年我國近200 家中小銀行的半年度數(shù)據(jù)和季度數(shù)據(jù)2 個樣本集，結(jié)合國內(nèi)外銀行監(jiān)管框架及我國監(jiān)管部門頒布的法律法規(guī)及指導(dǎo)性文件，確定了符合國內(nèi)銀行經(jīng)營特點的、較為廣泛且嚴(yán)格的銀行風(fēng)險狀態(tài)評估標(biāo)準(zhǔn)，應(yīng)用C5.0 決策樹、隨機(jī)森林和支持向量機(jī)三種機(jī)器學(xué)習(xí)技術(shù)構(gòu)建國內(nèi)中小銀行風(fēng)險早期預(yù)警模型，實現(xiàn)對銀行潛在風(fēng)險狀態(tài)的提前預(yù)警，并驗證了三種算法能夠?qū)鴥?nèi)中小銀行準(zhǔn)確地分類為遇險和正常兩種狀態(tài)，能夠人為設(shè)定預(yù)測時間窗口，為銀行經(jīng)營者及時糾偏和監(jiān)管部門早期干預(yù)防范銀行風(fēng)險提供了實用的技術(shù)手段。三種算法構(gòu)建的模型預(yù)測準(zhǔn)確率均高于傳統(tǒng)的Logit 模型，且模型穩(wěn)定性較高，其中隨機(jī)森林算法和支持向量機(jī)表現(xiàn)更優(yōu)。

第一，在外部宏觀經(jīng)濟(jì)環(huán)境承壓和我國利率市場化改革等金融改革的大背景下，對風(fēng)險水平不斷提高、經(jīng)營發(fā)展水平良莠不齊且“太多而不能倒”和“太過關(guān)聯(lián)而不能倒”的中小銀行群體構(gòu)建風(fēng)險早期預(yù)警模型有利于銀行風(fēng)險的事前防范、事中控制和事后監(jiān)督，也能夠正確引導(dǎo)中小銀行改革發(fā)展，不僅有利于監(jiān)管機(jī)構(gòu)實施外部監(jiān)管，也為銀行自律監(jiān)管和風(fēng)險控制提供參考，對完善現(xiàn)代金融監(jiān)管體系，健全金融風(fēng)險預(yù)防、預(yù)警、處置、問責(zé)的制度體系，防范化解系統(tǒng)性金融風(fēng)險具有重要意義。

第二，考慮到中小銀行區(qū)別于系統(tǒng)重要性銀行的區(qū)域性經(jīng)營特點，如果要進(jìn)一步提升中小銀行風(fēng)險早期預(yù)警模型的預(yù)測精度，中央及地方金融監(jiān)管機(jī)構(gòu)應(yīng)該建立全面、完善、動態(tài)、公開的行業(yè)數(shù)據(jù)庫，運用大數(shù)據(jù)、云計算等技術(shù)挖掘中小銀行經(jīng)營中的關(guān)鍵指標(biāo)和動態(tài)數(shù)據(jù)，不局限于現(xiàn)有銀行監(jiān)管條例，依據(jù)“適配性”監(jiān)管原則構(gòu)建與中小銀行經(jīng)營業(yè)務(wù)相匹配的監(jiān)管指標(biāo)。仿照對國有大型商業(yè)銀行“一行一策”的監(jiān)管標(biāo)準(zhǔn)，對中小銀行采取差異化的適配性監(jiān)管原則并設(shè)置不同監(jiān)管標(biāo)準(zhǔn)，有利于降低監(jiān)管成本和中小銀行合規(guī)成本，激勵中小銀行探索健康發(fā)展和穩(wěn)健經(jīng)營模式，實現(xiàn)對風(fēng)險狀態(tài)更為精準(zhǔn)的預(yù)警。