论文部分内容阅读
商业银行的流动性一直以来都受到监管者、银行管理者以及金融服务需求者的高度关注,因为银行流动性的高低在一定程度上决定了其未来的放贷能力和满足兑付现金的能力,进而影响其长远的发展。只有将银行的流动性控制在一定的范围之内,并努力提升自身的盈利能力,才会使得银行能保持稳定高效的运营。对银行流动性水平的监测一直以来是研究的重点,建立完善的银行流动性风险预警方案是及时发现并能有效管理流动性风险的重要环节。流动性风险管理新规的实施,使得商业银行流动性风险监管更加完善。作为商业银行也应该增强自身流动性风险识别和预警能力,及时发现流动性问题出现的根源。本文研究了当前我国银行的流动性现状以及其监测识别方法的优劣,发现有必要构建并优化商业银行流动性风险预警方案。从流动性风险管理新规的视角出发,对资产规模在2000亿以上的上市商业银行构建流动性风险指标体系;然后,进行因子分析以降低维度,并在此基础上计算因子综合得分以判定各个时期的流动性风险级别;最后,以RBF神经网络和BP神经网络为基础构建预警模型,并对比两者的预测准确率和预测效果,从而选择更优的上市商业银行流动性风险预警模型,并在此基础上利用遗传算法进行优化,以期提高预测准确率和预测效果。通过采用样本银行数据对两个预警模型进行训练模拟,得到模型的预测准确率和预测效果。结果显示:BP神经网络优于RBF神经网络,而经过GA求解并赋予最优权值和阈值后,BP神经网络的预测准确率和效果都得到了提升。因此,对于资产规模超过2000亿的上市银行来说,可选择GA_BP神经网络优化其流动性风险预警方案。