抽象性

在全球经济一体化背景下,商业银行正面临越来越多复杂商业环境作为商业银行面临的主要金融风险之一,流动性风险决定并反映银行运营的安全和盈利性。以股份商业银行为研究对象,本文分别从静态动态计量预测角度并基于四股商业银行流动性水平研究的现状,探索商业银行流动性风险和金融风险控制变化法并提出合理建议本文建议AHP神经网络模型综合主观和客观方法这种方法不仅可以克服单评价法缺陷,还可以使用AHP定性数据和量化数据提高数据存取性在金融风险控制系统方面,本文试图综合学者前科研究、商业模型过程和实际工作者经验,建立更全面实用金融风险控制模型

开工导 言

虽然银行业总体流动性长期超值,但这并不意味着商业银行没有流动性风险[一号,2..银行系统总体流动性水平无法完全代表所有银行的流动性状况,两者之间没有不可避免的关系。商业银行有多种潜在的流动性风险3..具体表现如下:(1)现阶段商业银行良好的流动性状况并非基于自身高效风险管理4,5由外部宏因素引起 高度不稳定金融业全面开放后,银行面对的宏观环境将变得复杂化。只有通过优化和提高银行内部风险管理水平,我们才能从根本上保证银行的持续稳定流动性水平(2)公有银行系统使商业银行能随时受国家信用保护,因此银行运行的可能性较小然而,由这种体制原因引起的过剩流动性状况不会持续很长时间。随着金融市场的持续开发,银行业将逐步转向独立管理模式为提高综合竞争力,银行必须高度重视内部风险管理作用并全面改善风险管理系统3级随着资本市场快速发展,金融工具继续创新,金融财富管理产品越来越丰盛,原属银行的客户会向非银行金融机构转移资金,而“金融非中介化”现象渐渐变得清晰化。按此计算,银行系统的流动资金将大量吸收和分解,银行内部资金稳定性也将受到挑战。(4)随金融技术的持续进程6-8商业银行信用评分系统将不断更新升级,信息传输方式将日益多样化快速因此,公众会提出商业银行流动性风险管理水平更高的需求信任危机发生后 银行所有负信息 将完全公开多米诺效应将扩大危机影响范围,银行将面临偿付能力危机的极大风险并运行

基于上述观察,本条将合并商业银行流动资金的现状并采用更高级AHP神经网络算法九九-12研究股份商业银行流动性风险研究结果对商业银行流动性金融风险控制意义重大以下是本文主要创新点i)以金融风险控制模型深度为基础的神经网络帮助银行风险控制部门提高风险预测精度,以便它们能及早采取相应措施预防风险并有效降低流动性危机概率,降低潜在危害度和范围并最终提高银行总体运营性能二)本文将主观客观方法合并评价金融风险,这不仅可以克服单一评价方法的缺陷,而且在单方法偏差时提供及时反馈,本文提出的AHP神经网络模型可有效预测金融风险

二叉相关工作

2.1.商业银行流动性风险度量

有效计量流动性风险是流动性风险预测的核心关联和重要前提13..然而,理论和实践上并不存在统一综合流动性计量索引系统,有效计量流动性水平仍是一个值得深入讨论的困难问题。总而言之,目前衡量流动性风险有三大方法:第一,静态流动性指数测量法第二市场信号系统预测法第三方动态流动性度量法14,15..

所谓的静态流动性指数测量法主要表示商业银行使用一系列经济指标测量一定时间点的流动性水平根据流动性基本特征,流动性可以从两个方面衡量:资产和负债其中包括资产流动性指数用于测量银行资产实现难度市场信号系统预测16,17方法主要分析外部生成风险机制的银行流动性这种方法认为衡量流动性风险的指标系统主要包括存款变化、证券价格、银行发行的债务证券溢价和资产实现动态测量法18号,19号采行框架分析以包括更多影响流动性的因素主方法包括流动性空白、净流动资产、现金流动和融资空白[20码,21号..

2.2.hp

AHP决策法量化定性问题它将决策问题分解成目标、标准和计划在此基础上进行定性分析和量化分析,分级量化人们思维过程数据库还使用数学为分析、决策、预测或控制提供量化基础简单高效解析层次进程快速为人民所接受数十年开发后,当前分析层次进程广泛用于能源系统分析、系统评价、规划方案选择、科学研究管理[22号业务管理23号........ 政策分析区域规划24码等.AHP各种应用见文献25码..

2.3BP神经网络

BP神经网络26,27号通常网络结构分三级或三级以上邻接神经元完全连通, 并有相应的权重同层神经元无连接无重整体结构一般包括输入层、中间层和输出层中间层可能有数层,输入层和输出层为单层BP神经网络结构三层图一号.

在同一神经网络模型中,为了提高神经网络计算精度,常用方法增加隐层数或隐层内神经元数增加隐藏层数使模型更加复杂化,培训权耗时间大大增加,效率低学者基本不采用这种方法在实践中,控制隐层神经元数是大多数人选择的方法,但没有明确方法确定最优神经元数过多神经元将导致较长培训时间,最优精度目标可能无法实现。数目太少神经元会导致弱神经网络,故障容度差目前没有通用方法确定神经元数唯一确定神经元数的方法是培训不同神经元数并适当增加备抵量

3级方法论

3.1.hp-NN

神经网络培训需要较高样本数据难以完全覆盖绝对大量具有全球代表性的数据,难以确保培训网络精度、强健性与稳定性,培训小样本简单神经网络在实物流金融风险评估中,许多定性问题难以用量化数据表达,因此难以理解可用于神经网络神经元培训样本的精度AHP方法获取并实践证明样本首先保证神经网络培训的精度此外,专家评价使得量化定性数据成为可能,客观地保证神经网络样本数据源最后,基于AHP神经网络可学习小样本专家的知识和经验,以最大限度地提高网络学习效率

AHP方法的缺陷是主观因素对评价效果有极大影响,客观性差,评价操作更多重复性此外,AHP评价法不积累现有工作经验即历史数据难以对后续评价产生积极影响神经网络特征是神经网络存储大量神经元或全系统的信息或知识全息关联特征、高速计算能力特征、强适配特征和自学自组织能力特征自学习能力和神经网络自适应性法实证积累网络保留的历史数据样本数据继续扩展,模型精度将提高

hp-NN模型评价模型综合AHP神经网络两种方法模型不单将两者并举,还充分发挥各自优势并补充缺陷因此,它有主观和客观分析法的长处,并可以克服自己的缺陷,评价模型稳定性强和精度强

3.2hp-NN建模

3.2.1阳性索引

指标数据越大越好,例如销售增速和净利润增速标准正指数方程如下: 去哪儿 标准数据 原创数据 最大值数据 最小值数据

3.2.2.2负索引

越小指标数据越好标准计算负指数方程如下:

使用分析层次过程评价金融风险的基本步骤如下:(1)建立层次结构系统(2)执行双向比较同级元素构建双向判断矩阵3级一致性检查计算权数(4)计算复合权值,重排序层次并检查整体一致性(5)构造评价模型并计算评价结果

3cm3神经网络模型

神经元是人工神经网络最基本单元28码-31号..下一层神经元接收前层神经元信息输入并获取输出结果神经元输入层输出结果不变,这意味着神经元不处理隐层神经元数据输出层受传输函数启发当输出层结果与目标结果之间的平均平方差值低于设置错误值时,它表示训练集学习满足需求平均平方误差大于集误差值时,需要重校正,信息必须反向传播

论文选择双曲切换函数为感叹函数前沿信息进程隐藏层和输出层操作如下: 去哪儿 加权和输入信号 正偏移

根输出结果和目标值大于0.1时,神经网络培训达不到标准,神经网络权重需要纠正此时反向传播得到实现假设P级-th样本输入公式j大全-th节点(中位值)

输出公式P级-th样本和j大全-th节点(中位值)

根表示方差 输入样本和目标样本 去哪儿 目标值 -th样本输出单元 .

权重校正神经网络逆向传输公式 去哪儿 即更新权值 原创权重 学习速率 输入输出错误其中包括输出层神经元和隐藏层神经元误算不同输出层神经元计算方程如下:

错误计算公式隐藏层神经元

通常是惯性参数 需要加到权值校正公式中新的计算方程如下: 去哪儿 常量表示上权更新

4级实验和结果

4.1.评价方法

实验结果质量一般由实验结果验证,因此需要某些评价标准来衡量实验结果即使是同一模型,在不同评价系统下也可能出现不同结果。实验选择金融行业常用的若干评价标准

4.1.1.混淆矩阵

混淆矩阵还称误差矩阵,常用该矩阵划分分类模型的质量模型预测标签用矩阵列表示,样本实际标签用行表示二进制分类问题举例2*2平方矩阵,图中显示2.

根据样本真实值和模型预测结果,可获取四种常用指标:正数、正数、正数、负数和负数实数常用预测器精度、正正率、假正率和特征

4.1.2.F级计量法

精度索引和回召索引有时自相矛盾处理这种情况最常用方式是介绍F级计量整合这两个索引F级计量值为精度索引和回召索引加权调和平均值计算方程如下: 和时间参数 ,正中方F级1分计算方程如下:

4.1.3ROC和AUC

ROC曲线用特征正正率和假正率画成垂直轴和横向轴,显示正向实例和负向实例之间的一局博弈AUC区域由ROC曲线包围其意义解释如下样本A随机从所有正实例中选择,样本B随机从所有负实例中选择分类判断A为概率比B高的正面实例概率判断为正实例高

4.2实验结果

hp-NN神经网络由输入层、隐藏层和输出层组成输入层节点数必须与输入数据维度一致输入层节点数设置为45个,输出层节点数必须和输出层相同结果类别不变文章输出结果只有两个状态:通过拒绝,输出节点数为1,如表所示一号.

关于隐藏层数和节点数的设置,确定层和节点数的方法更加复杂化。目前没有通用解决办法通常使用系统实验方法为特定数据集选择适当数层和节点文章选取小层或小节点方法起始后逐步增加网络结构复杂性,而基本原理是正确反映输出和输入之间的关系

调试网络层数时,本文章锁定其他多参数:隐层节点数为20,激活函数使用Sigmoid,错误函数使用日志损耗函数,优化函数使用Adam,批量数为100,迭代数设为100网络层数设置包含隐藏层一、二、三和四以上四种假想中的数据使用此文章测试,测试集损失曲线显示图3.

图显示3当层数达4时,损失值达低值,损失值不因层数增加而显著下降模型训练完成后,表显示最后损耗和AUC值2.

从表可以看到2当隐藏层数为4时AUC和KS都达高值隐藏层数为4此外,图中显示AUC曲线4.

hp-NN金融风险控制模型的有效性进一步验证时,P-R图和ROC图绘制为参考值,图中显示5并6.

5级结论

本文以股份商业银行为研究对象,从静态动态视角预测流动性风险,并基于中国四股商业银行当前流动性水平开展研究,探索商业银行流动性风险法的变化,并随后就商业银行金融风险控制提出合理建议论文建议神经网络模型解析层次进程综合主观和客观方法这种方法不仅可以克服单评价方法的缺陷,还可以使用AHP的定性和定量数据来显著改善数据提供量金融风险控制系统方面,本文章综合了前学者研究、商业模型过程和实战工作者经验,以建立更全面实用金融风险控制模型实验结果显示审议中拟议研究的有效性

数据可用性

支持本研究发现的数据包括在文章内

利益冲突

作者声明他们没有利益冲突

感知感知

这项工作得到了吉林省教育部关键项目2020年“提高吉林省中小型企业筹资效率研究”(JKH201298SK)和吉林省社会科学基金会2020年“研究财政和金融政策支持吉林省普通流行病企业生存与发展”(2020C027)。