我国商业银行系统性风险的识别与预警研究

发布时间：2024-07-09 02:27

　　防范金融系统性风险是十九大提出的重要任务,而银行是金融系统非常重要的子系统,识别银行系统性风险因素、构建风险预警模型是防范风险的重要手段。首先,从宏观经济和银行系统两方面建立评估银行系统性风险的指标体系,并采用方差阈值法对指标进行初步筛选,接着提出了基于孤立森林的指标筛选法进一步筛选出与银行系统性风险高度相关的4个指标。其次,为了识别银行系统性风险,提出了包含孤立森林法、基于角度的离群点检测法和局部异常因子法的多种异常检测算法相结合的银行系统性风险识别模型,并选取2012年1月到2018年12月的数据进行风险识别。从识别结果来看,所构建的风险识别模型基本准确识别出了历史风险时点,与历史事件切合度高,结果具有可解释性。最后,采用DeepAR方法分别预测入选的4个指标,并将预测结果输入到银行系统性风险识别模型,以此构建银行系统性风险预警模型,预警结果表明该模型在一定程度上能够对银行系统性风险进行预警。

【文章页数】：18 页

【部分图文】：

图1入选指标与银行系统性风险的逻辑关系

银行间相互存款具有流动性重新分配的作用,当银行系统流动性充足时,银行关联对流动性转移的作用占主导,使流动性分布更均衡,银行间关联有助于保持系统稳定;若系统中流动性短缺,则风险传染作用会占主导,且银行关联可能加速流动性风险的传染(邓晶等,2013[37])。如果出现超额流动性冲击,....

图2指标曲线及异常点

具体到异常点来看,2012年1月的银行指数月波动率较大,且银行间同业拆借加权平均利率处于高位;2012年12月银行指数月收益率急剧升高;而2013年6月银行指数月收益率大幅下跌,银行间同业拆借加权平均利率处于最高点,同时商业银行流动比例处于低位;2014年12月和2015年1月银....

图3采用DeepAR方法预测结果

为了对比分析还采用了MQ-CNN(Multi-HorizonforecastingwithaConvolutionalNeuralNetwork(CNN)asanencoder)、MQ-RNN[57]、Non-ParametricTimeSeriesFore....

本文编号：4004248