基于BP神经网络的商业银行流动性风险预警

罗树浩

【摘 要】对于商业银行而言，通常会面对一个重要风险，即流动性风险。对该风险进行及时的预警，可及时发现风险并做出对策，减少流动性风险损失。BP神经网络不仅具备良好的学习能力，而且还具有良好的模式识别能力，作为一种平行分散处理模式，在新准备的数据资料的基础之上，BP神经能够自我学习和培训，对变化多端的经济环境做出及时的反应。文章运用BP神经网络的函数逼近能力对南京银行的流动性风险进行了预警。

【关键词】BP神经网络;流动性风险;风险预警

【中图分类号】F832.2 【文献标识码】A 【文章编号】1674-0688（2019）09-0228-02

1 指标体系的构建

为了使研究更有效，本次研究建立了一个流动性风险预警体系，該体系中包括9个指标，比如资金投入比例和拆出比例、不良贷款比例等。

2 样本数据的选取

本次研究所选取的样本数据主要来源于南京银行2008—2018年的相关数据。BP人工神经模型训练所输入的内容是2008—2017年的相关数据。这个模型训练所输出的内容是综合功效系数所在的角度区间，采用的主要方法是主成分分析加权，结果用字母T表示功效系数，检验数据的标准以2018年的数据为基础。商业银行流动性评价因子之间的指标度量单位存在很大的差异性，因此必须对这些指标进行统一的规范化处理，确保评价计算中涉及评价因子。本次研究对于流动性风险等级所采用的方法主要是对称不等分间隔的分割法，采用此种方法的原因是基本上所有的数据不会出现极端现象，比如极大或者极小，大部分都是中间数据，划分之后再依据如下原则将各个等级分成不同的分数。本文将风险状况分为重警（T>0.8）、中警（0.6

3 BP神经网络模型的训练与检验

运用SPSS 23软件进行学习训练，创建3层结构的BP神经网络，将附表中的数据进行标准化，本次研究中的训练样本集是南京银行2008—2017年所有的相关数据，对网络进行训练;本次研究中的检验样本集是2018年的所有相关数据，对网络的泛化能力进行训练。网络的训练得出，总样本在训练区的比例为80%，在坚持区的比例为20%。

由图1可知，神经网络模型包括1个输入层、1个隐藏层和1个输出层，输入层的神经元个数为9个，隐藏层为2个，输出层为1个。

根据图2模型摘要表明，神经网络训练已经实现了训练误差率条件（0.001），模型训练中止，且相对误差都比较小，说明模型没有出现过度训练。

如图3、图4所示，预测值与期望值对应的二维坐标的散点图基本都在过原点的斜率为1的直线上，从图4可以看出，残差都在±0.05范围内且主要集中在±0.01范围内，说明神经网络拟合得较好。本次研究中的BP神经网络在2008—2017年的训练样本中，其期望输出与实际输出之间不存在太大的差异，而且无论是前者还是后者，对于风险所做出的评价结果也是统一的，这个结果说明网络在很大程度上已经得到了充分的训练。2018年的检验样本能够对该神经网络的泛化能力进行检验，详细的检验结果见表1。

由表1可知，网络检验阶段的期望输出与实际输出之间的误差值较小，完全符合精度条件，也可以确保评价结果的准确度。与此同时，结果说明该网络在很大程度上具有泛化能力，它能够对南京银行其他时间的流动性风险进行准确的预测和评估。

4 研究结论

本次研究的主要对象就是商业银行的流动性风险，采用的风险评估模型是BP神经网络，风险评估的办法是采用BP神经网络的函数逼近能力。研究结论为在预测商业银行的流动性风险方面，BP神经网络具有很大的作用。该模型不需要过于严格的数据，它却具有良好的识别能力，能够对大量的资料及错误进行分析。除此以外，该网络模型还具有学习能力，可以利用相关资料和数据进行自我培训和学习，以及时地对经济变化做出反应。BP神经网络不仅对南京银行2007—2017年的检验样本做出了正确的评价，同时也对2018年的训练样本做出了合理的预警。由此可知，采用BP神经网络可以较好地解决经济预警问题。

参 考 文 献

[1]王利.关于我国商业银行流动性风险管理的研究[D].青岛：中国海洋大学，2009.

[2]胡江芳.浅论商业银行流动性风险管理[J].科技创业月刊，2015（7）.

[3]沈中刚.商业银行风险预警系统的构建[J].现代管理科学，2014（9）.