基于BO-LightGBM的商业银行流动性风险测度与预警

摘要：

本文采用2007—2021年商业银行数据,基于动态权重因子对银行的资产和负债项目进行加权求和,得到流动性错配指数(LMI)来衡量流动性风险,再通过K均值聚类方法将LMI划分为安全和风险状态二分类变量;随后将Pearson特征筛选后的21个变量与二分类标签输入LightGBM训练模型并进行贝叶斯优化,经过与逻辑回归、支持向量机、随机森林、XGBoost等多种模型进行稳健性比较,发现BO-LightGBM在准确率、召回率、精确率、F1值、AUC值等各项性能指标上均优于对比模型.进一步地,本文引入SHAP映射图、部分依赖图(PDP)等方法对预警模型进行了解释,结果发现影响我国商业银行流动性风险的主要因素在于银行的流动性资产储备、盈利能力和经营状况、存贷款结构调整、不良资产的合理处置.

关键词：商业银行、流动性风险、机器学习、模型预警、可解释框架

分类号：F832.33(金融、银行)

在线出版日期：2022-12-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：21-32