杠杆率调整背景下我国商业银行流动性监测指标评价——基于深度前馈网络

(天津财经大学 金融学院，天津 300222)

1 引言

尽管由华尔街金融海啸所引发的全球金融危机已过去近10年，但全球范围对流动性风险监测的广泛关注和对危机后流动性调节效果的深刻反思并没有终止。商业银行作为一国经济金融体系流动性调节中枢的同时，在市场上扮演着流动性创造者与消耗者的双重角色，为流动性总量在部门和期限之间实现有效配置提供中介平台[1,2]。同时商业银行自身天然存在的资产负债期限错配问题，也使得流动性风险被誉为商业银行所面临的致命风险，易由流动性短缺而引发流动性危机[3]。如何有效监测商业银行流动性成为学术界和实践领域共同关注的焦点问题[4～6]。

传统的银行流动性监测评价主要涉及静态指标法、动态匹配法和模型分析法[7,8]。流动性风险的评估需要确定可以明显表征该机构风险的关键指标[9]，在指标选取上考量超额备付金比率[10,11]、银行总资产增速和其他存款性公司资产负债表扩张率[12]、(现金+有价证券)/总资产表示流动性比例[13,14]、次级负债和权益的比值[15]、贷款和核心存款的比值[16]等。虽然指标选取的争论至今仍未停息，但外部环境变化与商业银行流动性状态的联系却一直被忽视[17]。相对于静态指标法，动态匹配法能够在一定程度上反应商业银行流动性的动态变化，但由于对潜在现金流估测主观性较强，且不易划分资产负债流动性等级，降低了动态匹配法对商业银行流动性监测的准确性。使用模型分析法监测银行流动性的成果相对丰富，主要包括商业银行流动性决策模型、极值理论模型、系统风险调整流动性模型、以及采用非试验设计方式等。鉴于数据限制等原因，我国学者对商业银行流动性监测的模型分析研究主要围绕系列VAR模型和极值理论展开。金融体系是一个具有非参数特点的动态系统[18]，对金融数据进行分析与预测一直是金融领域中一项极具挑战性的工作。机器学习和深度学习都能够较容易地设置仅基于银行账面价值或资产负债表中提供的原始数据，而无需任何预定义功能就能够提醒流动性风险的系统。遗憾的是，使用该方法评价商业银行流动性监测的研究并不多见[19]。Tavana等[20]借助深度前馈网络框架，基于多种优化算法下的神经网络(ANN)和贝叶斯网络模型(BN)两阶段分析方法，阐释了数据挖掘在构建银行流动性风险监测模型方面的适用性和准确性，为如何与指标法融合，从而在我国商业银行流动性监测领域进行应用带来新的思考。

综合来看，商业银行流动性管理在流动性监测指标体系构建，流动性风险随时间积累引致测度方法有效性的改变，以及与宏观经济金融环境变化的结合三方面还存探讨空间。第一，监管指标是商业银行运作过程的硬性标准，而流动性监测则是流动性管理的基础，是防范和化解流动性风险的基础性建设。探寻构建与最新监管指标相衔接且符合我国商业银行实际情况的流动性监测指标体系，具有积极的现实意义。第二，流动性风险在时间维度积累过程中，测度方法的有效性可能存在改变，但目前相关研究的关注不够。第三，流动性监测指标体系架构具有整体性，不应仅强调单个银行机构的微观审慎监管，还应引入宏观审慎思想，综合考虑宏观经济金融环境变化所带来的反馈效应。

于我国而言，杠杆率调整自2015年中央经济工作会议开始已被明确为经济工作的一项重要任务。杠杆率调整的不同进程必然会对银行业务产生不同影响，进而导致银行流动性变化带有阶段性特征，即当大部分机构和投资者采取主动或被动去杠杆的方式以减少负债时，会在一定程度上减少对银行的贷出款项，并伴随多种不确定因素对银行的流动性产生影响。那么基于杠杆率调整进程的不同时段，我国商业银行流动性监测评价算法的有效性是否具有阶段性？流动性监测指标体系的构成是否应随杠杆率调整阶段的变化而改变？针对不同性质银行的流动性监测指标体系是否存在差异？基于上述问题，本文的贡献在于：(1)分别以我国国有控股商业银行和股份制商业银行作为研究对象，探讨杠杆率调整进程中我国商业银行流动性监测指标选取和评价算法的有效性和阶段性。(2)解释不同类型银行间是否存在显著差异。(3)将深度前馈网络学习与指标评价相匹配，在一定程度上突破由静态期限匹配向动态现金流匹配目标转换过程中数据可得性和测算方法的瓶颈，体现流动性监测过程中对我国宏观经济金融重要环境变化的关注。(4)基于深度前馈网络比较不同算法下的计算结果。

2 模型构建与数据描述

2.1 建模思路与算法原理

深度前馈网络(Multilayer Perceptron, MLP，也称多层感知器)是一种近年来被广泛应用的典型深度学习模型，具有自动基于数据提取特征表示抽象级别的性能，当模型深度较浅时仍能通过增加模型宽度提高准确率。考虑银行流动性风险形成机制的复杂性及影响因素的多样性，使得指标和评价方法的有效选择尤为重要。MLP中每一层的权重和阈值可以由监督学习或者无监督学习过程来决定。本文基于MLP模型，在借鉴Tavana等[20]ANN-BN两阶段分析方法和既有指标选取成果的基础上，研究我国商业银行流动性监测。不同之处在于，本文的研究不再以单一银行为目标进行考量，而是分析不同类型银行背景下的规律性与差异性；不仅探讨算法的静态适用性，而且引入外部环境影响探讨杠杆率调整进程中有效性的改变。

模型结构设计和训练是MLP准确拟合复杂映射函数的关键。ANN模型设计的关键在于对元素权重的更新，而BN模型则在于先验分布。模型训练主要是指选取优化算法训练模型。二阶优化算法中，迭代算法(Levenberg-Marquardt, LM)主要用于无约束的多维非线性规划问题，通过在高斯-牛顿算法(Gauss-Newton, GN)和梯度下降算法(Gradient Descent, GD)之间插值加快一阶牛顿法的收敛，从而抑制过度拟合。虽然LM算法比GN算法更优，但它只能找到局部最小值，而不一定是全局最小值。遗传算法(Genetic Algorithm, GA)通过生成随机向量作为随后应用交叉和变异的权向量，输出向量使用输入和权重计算，输出值与目标值之间的差异作为成本引入，通过选择成本最低的遗传算法搜索至权重演变为适当的最终解决方案。GA算法的实现强调数据集足够方便，全局搜索能力较强，但是GA算法容易过早收敛，搜索效率相对于LM算法较低。何种算法在监测我国商业银行流动性方面更具优势，需根据市场实际情况进行测算比较。在BN部分的算法选取方面，主要依既有研究结论讨论爬山算法的适用性，以形成指标体系内连结关系。

模型的研究目标可总结为：在MLP-ANN-BN分析框架下：(1)比较LM算法和GA算法对我国商业银行流动性监测的有效性，两种算法下国有控股商业银行和股份制商业银行对算法的倾向是否具有一致性。(2)识别我国商业银行流动性监测指标体系和指标间关联。(3)说明在我国杠杆率调整进程中，商业银行流动性监测评价算法的有效性和流动性监测指标体系构成是否随之改变。

2.2 指标选取

2.2.1 输入变量

本文在巴塞尔协议Ⅲ流动性计量标准的基础上，结合中国商业银行流动性监管实践和规则要求，权衡数据的可得性和可比较性，综合选取以下9个代表性指标(详见表1)作为输入指标。

X1的选取是考虑到我国《商业银行流动性风险管理办法》中流动性风险监测参考指标含有流动性缺口和流动性缺口率，而在MLP-ANN-BN框架中流动性比率将被作为输出指标，故以速冻比率衡量商业银行流动资产中立即变现用于偿还流动负债的能力；X2的选择源自巴塞尔协议III，反映商业银行承受风险的能力以及对负债的最后清偿能力；X3的选取是考虑负债的增加可能导致净资产收益率的上升，银行将有更多的钱投资于其他项目，从而对银行流动性产生间接影响；X4主要衡量存贷比的变化对我国商业银行流动性的影响；X5是不良贷款率，不仅反映商业银行信贷资产的安全状况，还是体现信用风险积累和变化情况的重要指标，能够直接影响我国商业银行的流动性；X6是美联储静态计量商业银行流动性的指标，此处用于衡量存款期限结构对我国商业银行流动性的影响；X7和X8反应了信贷业务交互作用对流动性的影响[20]，也是对同业融入情况的反映；X9选自我国《商业银行流动性风险管理办法》中的流动性风险监测参考指标，现金及存放中央银行款项是商业银行持有或要求持有的用于承担风险敞口，业务损失等风险的资金，能直接影响银行的流动性。

表1 MLP-ANN-BN分析框架下我国商业银行流动性监测输入指标

注：Z代表“正在评估的银行”，Q代表“其他银行”。

2.2.2 输出变量

选取流动性比例为输出变量。与Tavana等[20]一致，该指标能够较好地反映商业银行流动性水平及流动性风险状况在监管状态下的变化趋势。在模型中记为X10=流动性比例=Z的流动性资产/Z的流动性负债，函数设定为L(X10):当X10<1时,L(X10)=1-X10；其他为0，采用自回归模式进行配置。

2.2.3 杠杆率变化作为外部环境的影响

根据巴塞尔协议Ⅲ，杠杆率和流动性及其交互影响同是重点关注的内容。国内外学者在杠杆率、流动性和银行经营绩效关系方面取得了相关成果。巴曙松等[17]提出，如果将杠杆率监管、资本管理办法和流动性监管标准综合来考察商业银行，则会从客观上增加经营成本、降低收益水平，需要银行净利差保持在较高水平方能实施。明显，在降低社会融资成本的现行背景下，并不适宜将杠杆率指标纳入我国商业银行流动性监测指标体系中。考虑上述因素，本文以集多种宏观因素影响后形成的商业银行杠杆率(X11)的变化，作为影响商业银行流动性的外部环境，研究杠杆率调整进程中，MLP-ANN-BN分析框架下的商业银行流动性监测评价算法有效性和流动性监测指标体系构成是否随之改变。

2.3 数据来源与样本区间

考虑到美国次贷危机影响后的修复，本文选择2010年第4季度至2017年第4季度作为研究的全样本区间。子样本阶段划分将根据引言杠杆率调整进程的梳理和断点检验分析给出。所有指标数据根据样本银行季度财务报告整理得出，数据来源于Wind数据库。同时，考虑到MLP-ANN-BN分析框架下模型的深度，借鉴Tavana等[20]采用插值法三次插值增加样本数量。文中对所有输入和输出变量都进行标准化处理。本文的样本银行选择5家国有控股商业银行，分别是中国工商银行、中国建设银行、中国银行、中国农业银行和交通银行；7家是股份制商业银行，分别是招商银行、光大银行、民生银行、兴业银行、浦发银行、中信银行和华夏银行，在实证过程中进行分类讨论。

3 学习结果与分析

3.1 杠杆率调整阶段划分的断点确认

从我国杠杆率调整进程的梳理可以看出2015年底至2016年初可能是子阶段划分的重要起点；随着经济杠杆率调整要求的实施，我国商业银行流动性随银行杠杆率的变化也呈现出阶段性特征，并在2015年底附近表现出现明显的斜率改变；所以2015年4季度至2017年4季度可能形成全样本区间中的一个子样本阶段。本文用Chow断点检验对子样本进行辅助判断。结果表明，全样本区间的两个子样本区间分为2010年第4季度至2015年第4季度(第1阶段)和2015年第4季度至2017年第4季度(第2阶段)，对全样本区间和子样本区间数据均采用相同模式算法进行比较分析。

3.2 网络结构

本文选择了具有一个隐藏层的三层MLP架构，并将输入变量X1至X9，输出变量X10和流动性风险函数L(X10)纳入，数据分为培训(70%)、验证(15%)和测试(15%)三组。基于全样本和子样本区间，通过LM算法和GA算法对12家银行进行反复测试，以目标值与输出值的相关系数(R)、均方误差(MSE)、平均值(μ)和残差标准差(σ)之间的相关性来选择网络。

全样本和子样本区间分析结果均表明，9-10-1结构的MSE和σ比其他结构小，且LM算法本身有抑制过度拟合的优点，所以本文选取在质量方面表现得更好的9-10-1对样本进行学习。

3.3 神经网络训练与算法性能比较

基于测算出的9-10-1结构，本文分别使用LM算法和GA算法对5家国有控股商业银行和7家股份制商业银行进行全样本和子样本(第2阶段)区间的分析。表2给出了全样本区间和子样本区间(第2阶段)国有控股商业银行在两种优化算法下输出值与目标值之间的相关性、均方误差、平均值和残差标准差方面的比较。从对比结果看，全样本和子样本区间内LM算法下的国有控股商业银行的输出值与目标值相关性、均方误差、平均值和残差标准差优于GA算法下的模拟效果，即LM算法在监测国有控股商业银行流动性方面比GA算法具有优势。

表2 国有控股商业银行LM算法与GA算法比较

同理，表3给出了全样本区间和子样本区间下股份制商业银行在两种优化算法下输出值与目标值之间的相关性、均方误差、平均值和残差标准差方面的比较。从对比结果看，全样本和子样本区间内LM算法下的股份制商业银行的输出值与目标值相关性、均方误差、平均值和残差标准差优于GA算法下的模拟效果，所以LM算法在监测股份制商业银行流动性方面比GA算法具有优势。

进一步的，从算法在培训、验证和测试三个独立数据组上的性能和学习误差的下降趋势来看，无论国有控股商业银行还是股份制银行，在杠杆率调整进程中也都显示为LM算法优于GA算法。

图1和图2通过显示学习误差的下降趋势对GA算法和LM算法性能比较进行进一步的补充。图1为GA算法训练网络时学习误差的下降趋势。图2为LM算法训练网络时训练数据、验证数据和测试数据相关的学习误差的趋势。

表3 股份制商业银行LM算法与GA算法比较

图1 GA算法训练网络时学习误差趋势

图2 LM算法训练网络时学习误差的趋势

3.4 杠杆率调整进程中商业银行流动性监测指标评价

本部分将先基于MLP-ANN-BN分析框架下的ANN筛选高学习效力指标，再基于BN形成优化后的指标体系，进而给出指标间的连结。

为了探究国有控股商业银行和股份制商业银行中能够较好学习银行流动性状态的指标组是否具有相似性，基于前文的研究基础上用LM算法分别对5家国有控股商业银行和7家股份制商业银行进行了全样本区间和子样本区间(第2阶段)的测度，并依次给出学习效力排名前5的指标组合(如表4所示)。

从表中可以看出，全样本和子样本区间(第2阶段)内国有控股商业银行学习效率最高的指标变量虽有差异，但综合来看，全样本区间测试阶段X4(存贷比)和X5(不良贷款率)对国有控股商业银行流动性的学习效力表现出一定的稳定性；同样，子样本区间(第2阶段)测试阶段X4和X8(Z在Q的信贷/Q在Z的信贷)对国有控股商业银行流动性的学习效力表现出较强的稳定性。在股份制商业银行中学习效率最高的指标变量也表现出了差异，全样本区间测试阶段X4和X6(存款结构比率)对股份制商业银行流动性的学习效力表现出一定的稳定性；子样本区间(第2阶段)测试阶段X6和X8对国有商业银行流动性的学习效力表现出较强的稳定性。说明两种性质银行的指标筛选结果存在差异，且随着杠杆率调整进程的深入，银行间信贷业务交互作用对流动性的影响力日趋提升。

表4 国有控股商业银行和股份制商业银行学习效力排名前5指标组

由5家国有控股商业银行全样本区间的样本数据来看，存贷比波动较大，平均波动率为0.114，2015年第4季度至2017年第四季度我国杠杆率调整进入重点关注时期后波动率也呈现出较大起伏。不良贷款率的波动率则表现出更大的波动，平均波动幅度在50%左右，但是就农行而言资本充足率的波动幅度相对不良贷款率的波动幅度更加明显，与此同时，Z在Q的信贷/Q在Z的信贷在2015年第4季度至2017年第4季度我国杠杆率调整进入重点关注时期后也表现出较大的波动率，平均波动率为0.0402。

由7家股份制商业银行的指标实际数据来看，存款结构比率波动较大，平均波动率为0.0272，2015年第4季度至2017年第4季度我国杠杆率调整进入重点关注时期后波动率为0.0154。存贷比平均波动率为0.0055，杠杆率调整进入重点关注时期后的波动率为0.0040。即对股份制商业银行而言，虽然存贷比也呈现了较大增幅，但存款结构比率指标相对于存贷比而言波动性更高。与此同时，Z在Q的信贷/Q在Z的信贷在2015年第4季度至2017年第4季度我国杠杆率调整进入重点关注时期后也表现出较大的波动率，平均波动率为0.0134。

考虑到如果使用ANN评判基于学习质量的指标体系，将进行36次学习运算，计算量较大，而BN恰能克服这一缺陷，通过ANN学习选出的评价指标转化为BN分析中能够使用的布尔量，借助爬山算法，在分析其对测算我国商业银行流动性指标数据关系有效性的基础上，可以给出商业银行流动性监测指标体系内5组指标的连结关系，从而能够根据指标间的链接关系更好地监测商业银行的流动性风险。

同时为了评估MLP-ANN-BN框架下商业银行流动性监测指标体系的测算精度和预测能力，将近似的流动性风险函数L(X10)与同一时间段的实际数据进行比较，误差率小于1%。以工商银行和招商银行作为国有控股和股份制商业银行的表征，经过学习训练后真实值与测算值的拟合结果显示，工商银行的误差率约为0.0000603，招商银行的误差率约为0.0000517，从而可以证明模型稳健。

4 结论与启示

商业银行流动性管理在流动性监测指标体系构建，流动性风险随时间积累引致测度方法有效性的改变，以及与宏观经济金融环境变化的结合三方面存在探讨空间。本文分别以我国5家国有控股商业银行和7家股份制商业银行作为研究对象，在借鉴MLP-ANN-BN两阶段分析方法和既有指标选取研究成果的基础上，围绕我国杠杆率调整进程与商业银行流动性变化关系的时段特征，分析我国商业银行流动性监测评价算法的有效性是否具有阶段性；流动性监测指标体系的构成是否应随杠杆率调整阶段的变化而改变；以及不同性质银行的流动性监测指标体系是否存在差异。得到如下结论：(1)商业银行流动性随银行杠杆率的变化呈现出阶段性特征，其在2015年4季度存在结构断点。(2)深度前馈网络下ANN-BN两阶段分析方法的研究结果表明，在杠杆率调整的重点关注阶段前后，LM算法在监测我国商业银行流动性方面都比GA算法更具优势。(3)不同性质银行的流动性监测指标体系构成和结构关系存在差异。从学习效力排名前5的指标组合可以看出，国有控股商业银行中除农业银行外，X4(存贷比)和X5(不良贷款率)指标组具有稳定性；在股份制商业银行中X4和X6(存款结构比率)指标组具有稳定性。(4)随着我国杠杆率调整进程的深入，不同性质商业银行流动性监测指标构成中学习效力最高的一组指标的有效性具有一定的稳定性，但也发生改变。从学习效力排名前5的指标组合综合来看，国有商业银行由全样本区间下的X4和X5组合变化为子样本区间下的X4和X8(Z在Q的信贷/Q在Z的信贷)；股份制商业银行由全样本区间下的X4和X6变化为子样本区间下的X6和X8；银行间信贷业务交互作用对流动性的影响力在杠杆率调整进程中日趋提升。

本文主要分析了不同类型银行的规律性与差异性；不仅探讨算法的静态适用性，而且引入外部环境影响探讨杠杆率调整进程中有效性的改变。对商业银行的流动性风险管理有重要启示：(1)商业银行和银保监会应当结合LM算法下的深度前馈网络和贝叶斯网络方法监测我国商业银行流动性风险。(2)国有控股银行和股份制商业银行在进行流动性风险管理的时候应该根据其自有特征制定监管方案。(3)银保监会在对商业银行进行监管时不仅要关注整体层面的特征，也应当关注阶段性特征。