1、 基于BP神經(jīng)網(wǎng)絡的商業(yè)銀行流動性風險預警 羅樹浩【摘 要】對于商業(yè)銀行而言，通常會面對一個重要風險，即流動性風險。對該風險進行及時的預警，可及時發(fā)現(xiàn)風險并做出對策，減少流動性風險損失。BP神經(jīng)網(wǎng)絡不僅具備良好的學習能力，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)資料的基礎之上，BP神經(jīng)能夠自我學習和培訓，對變化多端的經(jīng)濟環(huán)境做出及時的反應。文章運用BP神經(jīng)網(wǎng)絡的函數(shù)逼近能力對南京銀行的流動性風險進行了預警?！綤ey】BP神經(jīng)網(wǎng)絡;流動性風險;風險預警F832.2 A 1674-0688（2019）09-0228-021 指標體系的構(gòu)建為了使研究更有效，本次研究建立

2、了一個流動性風險預警體系，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20082018年的相關數(shù)據(jù)。BP人工神經(jīng)模型訓練所輸入的內(nèi)容是20082017年的相關數(shù)據(jù)。這個模型訓練所輸出的內(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，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。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

3、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)。本文將風險狀況分為重警（T0.8）、中警（0.6T0.8）、輕警（0.4T0.6）、無警（T0.4）4種不同狀態(tài)。3 BP神經(jīng)網(wǎng)絡模型的訓練與檢驗運用SPSS 23軟件進行學習訓練，創(chuàng)建3層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡，將附表中的數(shù)據(jù)進行標準化，本次研究中的訓練樣本集是南京銀行20082017年所有的相關數(shù)據(jù)，對網(wǎng)絡進行訓練;本次研究中的檢驗樣本集是2018年的所有相關數(shù)據(jù)，對網(wǎng)絡的泛化能力進行訓練。網(wǎng)絡的訓練得出，總樣本在訓練區(qū)的比例為80%，在堅持區(qū)的比例為20%。由圖

4、1可知，神經(jīng)網(wǎng)絡模型包括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Summary表明，神經(jīng)網(wǎng)絡訓練已經(jīng)實現(xiàn)了訓練誤差率條件（0.001），模型訓練中止，且相對誤差都比較小，說明模型沒有出現(xiàn)過度訓練。如圖3、圖4所示，預測值與期望值對應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)絡擬合得較好。本次研究中的BP神經(jīng)網(wǎng)絡在20082017年的訓練樣本中，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，對于風險所做出的評價結(jié)果也是統(tǒng)一的，這個

5、結(jié)果說明網(wǎng)絡在很大程度上已經(jīng)得到了充分的訓練。2018年的檢驗樣本能夠?qū)υ撋窠?jīng)網(wǎng)絡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險進行準確的預測和評估。4 研究結(jié)論本次研究的主要對象就是商業(yè)銀行的流動性風險，采用的風險評估模型是BP神經(jīng)網(wǎng)絡，風險評估的辦法是采用BP神經(jīng)網(wǎng)絡的函數(shù)逼近能力。研究結(jié)論為在預測商業(yè)銀行的流動性風險方面，BP神經(jīng)網(wǎng)絡具有很大的作用。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)絡模型還具有學習能力，可以利用相關資料和數(shù)據(jù)進行自我培訓和學習，以及時地對經(jīng)濟變化做出反應。BP神經(jīng)網(wǎng)絡不僅對南京銀行20072017年的檢驗樣本做出了正確的評價，同時也對2018年的訓練樣本做出了合理的預警。由此可知，采用BP神經(jīng)網(wǎng)絡可以較好地解決經(jīng)濟預警問題。參 考 文 獻1王利.關于我國商業(yè)銀行流動性風險管理的研究D.青島：