论文摘要
在全球经济一体化的背景之下,我国商业银行面临的经营环境越来越复杂。作为商业银行所面临的主要金融风险之一,流动性风险决定并体现银行经营的安全性和盈利性。本文以我国股份制商业银行为研究对象,分别从静态和动态的角度对流动性风险进行度量和预测,并基于国内四家股份制商业银行的流动性现状水平展开实证性研究,试图探寻商业银行流动性风险的变化规律,进而对我国商业银行流动性风险的有效防范和监管提出合理化建议。本文在分析现有研究文献的基础上,确定度量商业银行流动性风险的基本方法,讨论流动性风险产生的根本原因及其主要影响因素,并总结国内外商业银行流动性风险管理的基本策略。随后,介绍商业银行流动性风险的基本定义及主要分类,描述我国股份制商业银行的流动性现状,并分析我国商业银行产生流动性风险的主要原因。然后,引入基于粒子群优化算法(Particle Swarm Optimization, PSO)与BP神经网络相结合(Back Propagation Artificial Neural Networks, ANN)的商业银行流动性风险预测模型,从静态的度量角度出发,选取8种主要的风险度量指标,针对我国商业银行的流动性实际状况,建立一个合理的流动性风险度量指标体系。并对网络模型进行训练和测试,测试结果显示,粒子群神经网络算法较BP神经网络算法在预测结果上更具精确性,并且充分逼近实际的流动性水平,表明该方法是一种较为理想的流动性风险预测工具。最后,将国内上市较早的四家股份制商业银行作为实证研究的对象,选取四家银行近15年的季度统计数据作为研究样本,采用训练好的网络模型对各指标的变化趋势进行分析和预测,实证结果表明我国商业银行流动性总体水平较好,但存在着短期和局部的流动性短缺压力。本文对我国商业银行流动性风险预测尝试性地进行了方法层面上的创新,运用粒子群与BP神经网络相结合的优化算法对银行未来流动性水平进行短期预测,不仅提高了流动性风险预测结果的精确性,而且有利于风险管理机构对风险进行实时跟踪和监控,对提高我国商业银行的流动性风险管理水平具有重要的指导意义。