我國商業(yè)銀行系統(tǒng)性風(fēng)險的識別與預(yù)警研究
發(fā)布時間:2024-07-09 02:27
防范金融系統(tǒng)性風(fēng)險是十九大提出的重要任務(wù),而銀行是金融系統(tǒng)非常重要的子系統(tǒng),識別銀行系統(tǒng)性風(fēng)險因素、構(gòu)建風(fēng)險預(yù)警模型是防范風(fēng)險的重要手段。首先,從宏觀經(jīng)濟(jì)和銀行系統(tǒng)兩方面建立評估銀行系統(tǒng)性風(fēng)險的指標(biāo)體系,并采用方差閾值法對指標(biāo)進(jìn)行初步篩選,接著提出了基于孤立森林的指標(biāo)篩選法進(jìn)一步篩選出與銀行系統(tǒng)性風(fēng)險高度相關(guān)的4個指標(biāo)。其次,為了識別銀行系統(tǒng)性風(fēng)險,提出了包含孤立森林法、基于角度的離群點(diǎn)檢測法和局部異常因子法的多種異常檢測算法相結(jié)合的銀行系統(tǒng)性風(fēng)險識別模型,并選取2012年1月到2018年12月的數(shù)據(jù)進(jìn)行風(fēng)險識別。從識別結(jié)果來看,所構(gòu)建的風(fēng)險識別模型基本準(zhǔn)確識別出了歷史風(fēng)險時點(diǎn),與歷史事件切合度高,結(jié)果具有可解釋性。最后,采用DeepAR方法分別預(yù)測入選的4個指標(biāo),并將預(yù)測結(jié)果輸入到銀行系統(tǒng)性風(fēng)險識別模型,以此構(gòu)建銀行系統(tǒng)性風(fēng)險預(yù)警模型,預(yù)警結(jié)果表明該模型在一定程度上能夠?qū)︺y行系統(tǒng)性風(fēng)險進(jìn)行預(yù)警。
【文章頁數(shù)】:18 頁
【部分圖文】:
本文編號:4004248
【文章頁數(shù)】:18 頁
【部分圖文】:
圖1入選指標(biāo)與銀行系統(tǒng)性風(fēng)險的邏輯關(guān)系
銀行間相互存款具有流動性重新分配的作用,當(dāng)銀行系統(tǒng)流動性充足時,銀行關(guān)聯(lián)對流動性轉(zhuǎn)移的作用占主導(dǎo),使流動性分布更均衡,銀行間關(guān)聯(lián)有助于保持系統(tǒng)穩(wěn)定;若系統(tǒng)中流動性短缺,則風(fēng)險傳染作用會占主導(dǎo),且銀行關(guān)聯(lián)可能加速流動性風(fēng)險的傳染(鄧晶等,2013[37])。如果出現(xiàn)超額流動性沖擊,....
圖2指標(biāo)曲線及異常點(diǎn)
具體到異常點(diǎn)來看,2012年1月的銀行指數(shù)月波動率較大,且銀行間同業(yè)拆借加權(quán)平均利率處于高位;2012年12月銀行指數(shù)月收益率急劇升高;而2013年6月銀行指數(shù)月收益率大幅下跌,銀行間同業(yè)拆借加權(quán)平均利率處于最高點(diǎn),同時商業(yè)銀行流動比例處于低位;2014年12月和2015年1月銀....
圖3采用DeepAR方法預(yù)測結(jié)果
為了對比分析還采用了MQ-CNN(Multi-HorizonforecastingwithaConvolutionalNeuralNetwork(CNN)asanencoder)、MQ-RNN[57]、Non-ParametricTimeSeriesFore....
本文編號:4004248
本文鏈接:http://www.wukwdryxk.cn/jingjilunwen/huobiyinxinglunwen/4004248.html
上一篇:我國金融、企業(yè)和政府部門的杠桿率及其風(fēng)險問題研究
下一篇:沒有了
下一篇:沒有了
最近更新
教材專著