基于BP神经网络模型的商业银行风险评估研究

　　【摘 要】 随着我国利率市场化的不断推进，商业银行的竞争环境发生变化，如何有效地对商业银行进行风险防控，实现商业银行在大环境下的稳定持续发展是非常重要的。文章以2016—2019年20家商业银行为研究样本，运用因子分析法进行降维，利用特征值计算指标权重，通过加权因子值构造风险指数，以8个评价要素为输入，风险指数为输出，建立了8×15×1的BP神经网络商业银行风险评估与分析模型，通过对原始样本和测试样本进行网络训练和仿真测试，结果表明所构建的BP神经网络能很好地进行风险评估，更重要的是加入“弹性分析”可以进行商业银行风险的影响要素分析。实证分析结果表明：商业银行的流动性、资本充足和不良贷款性指标对风险影响较大，且流动性和资本充足等指标的变动与风险指数呈反向变化，不良贷款率等与风险指数呈正向变化。

　　【关键词】 商业银行; 风险评估; BP神经网络; 因子分析法; 弹性分析

　　一、引言

　　在利率市场化的不断推进下，商业银行面临的经营环境、业务种类以及竞争环境等都发生了较大的改变。商业银行之间的竞争加剧，从宏观和微观层面均加大了商业银行风险管理的难度，要使其在社会经济迅速发展的大环境下获得稳定持续发展，必须高度重视风险评估、防控和管理。商业银行绩效评价一直都是学界与业界比较重要的研究课题，风险防控作为绩效管理的重要组成部分，关于风险的评估研究也成为了当前研究的重要内容。目前关于商业银行绩效评价经常利用单一指标测度商业银行绩效，如净资产收益率(ROE)、总资产收益率(ROA)、经济增加值(EVA)以及不良贷款率等，还有少部分文献利用平衡计分法以及模糊综合评价法进行指标测度。因为2020年财政部公布的《商业银行绩效评价办法》(财金〔2020〕124号)中的指标数据获取有限，各部分指标之间很难互相代替，因此计划从比较受市场关注、指标较全的风险防控方面进行分析研究，就商业银行风险测度方法和评价要素进行研究。在方法研究中利用BP神经网络具有仿真多个变量间非线性复杂影响关系的特点，在此基础上加入“弹性分析”概念，用来分析原始评价要素变动对商业银行风险的影响。用因子分析法优化评价要素、确定因子权重并计算网络输出层变量，用BP神经网络建立评价要素对风险影响分析的非线性系统，以便学界和业界应用。

　　二、商业银行风险测度相关研究

　　在商业银行的风险研究中主要有两种测度方法，一种是选用单一变量，如不良贷款率、资本充足率、资产收益率波动以及预期违约概率等;另一种是构建指数或评级体系的方法，如z-score指数。尹莉娅[1]和谢太峰等[2]在相关因素与商业银行风险的关系时，选用不良贷款率和风险加权资产比重作为商业银行风险的代理变量;韩雍等[3]在研究中利用资产收益率和权益资本对总资产的比率计算出Z-Score值衡量银行风险承担;谷慎等[4]选用银行破产风险(RISKZ)以及部分经营风险、杠杆风险、资本充足率和资产收益率波动值来共同测度商业银行风险;张晋等[5]在测度商业银行风险管理能力时，选用了基于骆驼评价体系(CAMELS)建立的指标体系;程小庆等[6]利用分数回归的CoVaR方法计算商业银行的系统风险，在计算中运用了收益率、波动率、期限利差以及流动利差等指标;徐红芬等[7]运用熵值法和层次分析法对信用风险、流动性风险、资本充足以及盈利能力等方面的指标构建风险评估体系。关于BP神经网络在绩效评价体系的应用，不少学者进行了有益的探索，取得了不少成果。如吴苓[8]通过对BP网络模型的改进加快了传统算法的运算速度，收敛效果达到了要求，运算结果符合实际情况;李晓峰等[9]在对我国商业银行信用风险问题进行研究时，构建了商业银行信用评估体系，并利用BP神经网络模型进行实证分析，按照指定的判定标准给出了商业银行信用评价等級。

　　关于商业银行风险的测度，大多数学者会采用单一指标测度的方法，一部分学者通过选取商业银行多方面的指标计算综合风险值，在利用多指标构建评价体系时采用模糊综合评价法和层次分析法的较多。本文计划在建立商业银行风险评估体系时，借鉴新的风险防控相关指标，以便更权威或全面地进行商业银行风险评估。在分析中，首先通过因子分析法对原始评价指标进行优化、提炼，利用加权公因子得分值构建风险指数，然后以风险评价指标为输入，以风险指数为输出，构建BP神经网络建立风险评估模型，最后在BP神经网络模型的基础上设计“弹性分析”的输入，分析各评价要素的变化对风险的影响方向与程度。

　　三、基于BP神经网络技术的商业银行风险评估与分析模型构建

　　(一)研究指标的选择

　　在风险评估的指标选取过程中，为了避免评价系统的片面性与不规范性，尽量采用权威的、多角度的数据，以便得到更科学的评价指标。在《商业银行绩效评价办法》中给出的风险防控指标，包括不良贷款率、资本充足率、不良贷款增速、拨备覆盖率以及流动性比例。由于数据获取有限，因此本文在新标准给出的风险防控指标的基础上，除不良贷款增速外，补充了一级资本充足率、核心一级资本充足率、正常贷款迁徙率以及流动覆盖率等，以便更全面地进行商业银行风险评估。

　　(二)基于因子分析法的BP神经网络中输出值(风险指数)的计算

　　在BP神经网络中，输入、输出值的获取是很关键的，本研究的输入变量为所选取的评价指标，而输出变量需要利用因子分析法构造风险指数。借用SPSS软件，通过因子分析法得到各公因子的特征值，本文利用旋转后的各公因子归一化后的特征值作为权重，利用公式1计算评价指标权重，利用公式2加权计算风险指数。

　　其中，λi为旋转后第i个因子的特征值，wi为第i个评价因子的权重，i=1，2，..，k。

　　其中，fi为评价指标的因子值，i=1，2，...，n。

　　推荐阅读：银行高级职称学术成果要求

期刊VIP网，您身边的高端学术顾问

文章名称： 基于BP神经网络模型的商业银行风险评估研究

文章地址： http://www.qikanvip.com/jinrong/56354.html