我国商业银行流动性风险预警研究

发布时间：2020-04-25 17:01

【摘要】：流动性是商业银行的生命,保持适度的流动性对维护商业银行资产的安全,提高商业银行的经营效益具有十分重要的作用。商业银行流动性风险伴随于商业银行经营活动过程中,是商业银行面临的主要风险之一。我国商业银行面临的流动性风险随金融市场的开放而不断加大,而且由于我国长期以来国家信用的存在,商业银行流动性风险问题一直未引起监管机构和商业银行应有的重视。随着国家信用的退出,经济形势的变化,商业银行流动性风险预警和监管就会变得越来越重要,中央银行已经把控制和防范商业银行流动性风险作为一项首要的工作来抓。流动性问题是当今世界金融领域中尚未解决的主要难题之一,流动性问题解决的不好,就有可能产生流动性支付危机,流动性风险一旦成为流动性危机会给商业银行造成不可逆的损失,并危及商业银行的生存。因此,深入研究商业银行流动性风险形成的原因,对我国商业银行流动性风险进行预警研究,为未来可能出现的流动性风险做出准确预测,切实将流动性危机防范于萌芽状态,排除警情,并使流动性风险减至最低程度,就成为当前我国金融领域研究的重要课题。本文首先对国内外流动性风险预警发展现状及发展动态进行了系统研究,阐述了对我国商业银行流动性风险进行预警研究的理论意义和现实意义。其次对商业银行流动性风险预警相关理论进行了概述,界定了商业银行流动性风险预警的涵义,分析了流动性风险预警的主要内容,并从商业银行流动性风险的现状入手,对商业银行流动性风险的成因进行了深层次剖析,指出我国商业银行流动性风险管理中存在的问题,在此基础上,提出对商业银行流动性风险进行预警的必要性。再次根据指标体系构建原则,结合目前我国商业银行流动性风险主要衡量指标,构建了商业银行流动性风险预警指标体系,并利用“3σ”法则对预警界限进行了划分,对预警级别进行了设置,将预警级别分为无警、轻警、中警和重警四个级别。最后建立了商业银行流动性风险预警模型,并运用预警模型对样本商业银行的流动性风险进行了实证分析,先是利用主成分分析法对商业银行流动性风险进行了评估,根据主成分得分情况,利用“3σ”法则对样本商业银行流动性风险状况进行判定,得到样本商业银行各个年份流动性风险的警度等级。再将主成分分析得出的结果与样本商业银行所提供的流动性风险预警指标评价值输入BP神经网络模型进行训练和测试,并利用训练后的BP神经网络模型对样本商业银行的流动性风险状况进行预测。通过对商业银行流动性风险的预警研究,能帮助商业银行提早发现潜在的流动性问题,预测出潜在的流动性风险,并且当出现流动性问题时,可以及时发出预警信号,使监管部门和商业银行及早采取措施,有效的控制和防范流动性风险。
【图文】：

样本,向量,函数,传递函数

型的训练和测试均通过 Matlab6.5 中的神经网络工具箱来实现。本文建立的商业银行流动性风险预警系统的 BP 神经网络模型共有 13 个节点，4 个输出节点。网络中间层神经元数目选为 8，可接受误差标准为 0.0 tansig 函数为传递函数，对数函数 logsig 为输出层传递函数，训练函数采用快速 BP 算法的 traingdx 函数。在神经网络中，网络的实际输出值与风险程相对应的：以向量(0001，0010，0100，1000)表示期望输出值，其中向量（00示无警、向量（0010）表示轻警、向量（0100）表示中警、向量（1000）表警。4.2 结果分析运用 matlab6.5 生成网络，，将数据输入网络，进行训练。训练后的误差图 5-2 所示：
【学位授予单位】：中国海洋大学
【学位级别】：硕士
【学位授予年份】：2011
【分类号】：F832.2

【参考文献】