上市商業(yè)銀行信用評(píng)級(jí)的比較研究
——基于LassoCV方法與機(jī)器學(xué)習(xí)模型

黃家祥

一、問(wèn)題的提出

作為現(xiàn)代經(jīng)濟(jì)的核心，金融是一把雙刃劍，既可以有力地支撐著我國(guó)經(jīng)濟(jì)的轉(zhuǎn)型發(fā)展，也可能因使用不當(dāng)而引發(fā)金融風(fēng)險(xiǎn)。

習(xí)近平多次強(qiáng)調(diào)，防范化解金融風(fēng)險(xiǎn)，事關(guān)國(guó)家和人民財(cái)產(chǎn)安全，是實(shí)現(xiàn)高質(zhì)量發(fā)展必須跨越的重大關(guān)口。商業(yè)銀行信用風(fēng)險(xiǎn)是金融風(fēng)險(xiǎn)的重要部分，對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)進(jìn)行科學(xué)合理的評(píng)級(jí)與預(yù)測(cè)具有重要的理論與現(xiàn)實(shí)意義。

商業(yè)銀行信用評(píng)級(jí)是對(duì)其當(dāng)前償付其金融債務(wù)能力的綜合評(píng)價(jià)，對(duì)金融監(jiān)管、風(fēng)險(xiǎn)維護(hù)、機(jī)構(gòu)合作、公眾選擇等都具有重要意義。商業(yè)銀行信用評(píng)級(jí)比較權(quán)威的機(jī)構(gòu)主要有穆迪、標(biāo)準(zhǔn)普爾、惠譽(yù)、中誠(chéng)信國(guó)際、大公國(guó)際等，但這些機(jī)構(gòu)的評(píng)級(jí)指標(biāo)體系一般不對(duì)外披露。

圍繞商業(yè)銀行信用評(píng)級(jí)，學(xué)者們主要從構(gòu)建商業(yè)銀行信用評(píng)級(jí)指標(biāo)體系和評(píng)級(jí)模型及方法兩大方面展開(kāi)。周春喜等（2004）[1]從經(jīng)營(yíng)環(huán)境、銀行素質(zhì)、盈利能力、風(fēng)險(xiǎn)狀況四大方面構(gòu)建商業(yè)銀行信用評(píng)級(jí)指標(biāo)體系，并運(yùn)用模糊理論進(jìn)行了綜合評(píng)價(jià)。遲國(guó)泰等（2006）[2]則根據(jù)典型文獻(xiàn)高頻原則，從市場(chǎng)占有率、盈利性、流動(dòng)性等角度構(gòu)建指標(biāo)體系。王犁（2009）[3]從經(jīng)營(yíng)水平、管理水平等方面構(gòu)建指標(biāo)體系并運(yùn)用因子分析進(jìn)行實(shí)證研究。朱琳（2012）[4]利用主成分分析優(yōu)化選擇指標(biāo)體系，并提出改進(jìn)的Logit模型與SVM組合模型，對(duì)180家上市公司進(jìn)行了分類研究。齊菲（2012）[5]引入非線性映射原理，構(gòu)建了商業(yè)銀行信用評(píng)級(jí)指標(biāo)體系，并利用改進(jìn)的Spearman檢驗(yàn)，建立了最優(yōu)賦權(quán)方法的商業(yè)銀行信用評(píng)價(jià)模型。賈曼莉（2015）[6]依據(jù)駱駝評(píng)級(jí)模型，嘗試建立具有中國(guó)特色的、包括資產(chǎn)控制能力、風(fēng)險(xiǎn)確保度、全程陪同、SWOT分析以及附加項(xiàng)在內(nèi)的5A商業(yè)銀行評(píng)級(jí)理論。翟璐（2016）[7]提出了基于混合重抽樣和Boosting算法的HSBoost新模型，對(duì)銀行信用評(píng)級(jí)展開(kāi)了研究。許友傳（2017）[8]則研究了銀行信用評(píng)級(jí)的信息內(nèi)容和信息質(zhì)量及其在次級(jí)債風(fēng)險(xiǎn)定價(jià)或事前約束中的反映情況，結(jié)果表明，信用評(píng)級(jí)在次級(jí)債風(fēng)險(xiǎn)定價(jià)中得到顯著反映。

已有關(guān)于商業(yè)銀行信用評(píng)級(jí)的研究所取得的成果，對(duì)本研究具有重要參考價(jià)值和啟發(fā)。從指標(biāo)體系看，雖然不同文獻(xiàn)構(gòu)建的指標(biāo)體系迥異，但歸根結(jié)底都是圍繞宏微觀環(huán)境、管理水平、資產(chǎn)質(zhì)量、流動(dòng)性、盈利能力等因素展開(kāi)。從評(píng)級(jí)模型方法看，學(xué)者們主要采用了主成分、模糊理論、Spearman檢驗(yàn)以及較復(fù)雜的算法，如Boosting算法和SVM算法等。

上述指標(biāo)體系的研究開(kāi)闊了研究思路，而研究方法在識(shí)別關(guān)鍵變量、確定指標(biāo)權(quán)重上既存在優(yōu)點(diǎn)，也伴隨有不足。這些研究方法本質(zhì)上大多是通過(guò)建立變量間多元線性回歸模型，運(yùn)用最小二乘法估計(jì)參系數(shù)，對(duì)數(shù)據(jù)依賴度很大，且所求解往往是局部最優(yōu)解而非全局最優(yōu)解。

基于此，本文采用LassoCV方法進(jìn)行變量選擇，確定關(guān)鍵評(píng)級(jí)指標(biāo)，使用 -近鄰、決策樹(shù)、隨機(jī)森林、支持向量機(jī)四種機(jī)器學(xué)習(xí)模型，對(duì)上市商業(yè)銀行的信用進(jìn)行評(píng)級(jí)和比較研究。

二、理論準(zhǔn)備

（一）LassoCV方法

Lasso是一種利用壓縮估計(jì)的思想，將參數(shù)估計(jì)與變量選擇同時(shí)進(jìn)行的一種正則化的方法[9]。Lasso參數(shù)估計(jì)被定義如下：

LassoCV的損失函數(shù)及損失函數(shù)的優(yōu)化方法與Lasso相同，區(qū)別在于驗(yàn)證方法。LassoCV對(duì)超參數(shù)α使用交叉驗(yàn)證，尋找最合適的α。LassoCV是進(jìn)行Lasso回歸的首選，尤其是從高維特征中尋找主要特征時(shí)，LassoCV優(yōu)勢(shì)明顯。

（二）機(jī)器學(xué)習(xí)模型

機(jī)器學(xué)習(xí)是指通過(guò)對(duì)訓(xùn)練數(shù)據(jù)的學(xué)習(xí)，提升機(jī)器的性能，從而能夠從無(wú)序的數(shù)據(jù)中提取有用的信息，利用習(xí)得的規(guī)則對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)和分析的過(guò)程[10-11]。分類算法是機(jī)器學(xué)習(xí)算法中最常用的算法，主要包括： -近鄰、決策樹(shù)、隨機(jī)森林、支持向量機(jī)等。

如果某個(gè)樣本的 個(gè)最近鄰或最相似樣本都屬于某一類別，則該樣本也屬于這個(gè)類別。決策樹(shù)的本質(zhì)是生成一個(gè)可以從根（頂端）開(kāi)始不斷判斷選擇到葉子（判斷結(jié)果）節(jié)點(diǎn)的樹(shù)，決策樹(shù)僅有單一輸出。

隨機(jī)森林是通過(guò)隨機(jī)的方式建立一個(gè)森林，森林有很多的決策樹(shù)組成，每棵決策樹(shù)之間沒(méi)有關(guān)聯(lián)，當(dāng)有一個(gè)新樣本進(jìn)入時(shí)，采用“投票”機(jī)制確定其所屬類別，哪一類被選擇最多，就預(yù)測(cè)這個(gè)樣本為該類別。

支持向量機(jī)是通過(guò)尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小來(lái)提高分類器的泛化能力，即預(yù)測(cè)未分類數(shù)據(jù)的能力，實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍的最小化，從而達(dá)到在樣本量較少的情況下也可以獲得良好分類效果的目的。對(duì)上市商業(yè)銀行進(jìn)行信用評(píng)級(jí)可以看成是一個(gè)機(jī)器學(xué)習(xí)的分類過(guò)程。

三、指標(biāo)體系的構(gòu)建與數(shù)據(jù)來(lái)源

對(duì)商業(yè)銀行信用等級(jí)評(píng)定的代表性指標(biāo)體系應(yīng)屬美聯(lián)邦金融機(jī)構(gòu)監(jiān)管委員會(huì)（FFIEC）提出的“駱駝”評(píng)級(jí)體系。參照駱駝評(píng)級(jí)思路，結(jié)合中國(guó)實(shí)際情況，通過(guò)文獻(xiàn)查閱以及對(duì)國(guó)內(nèi)外權(quán)威評(píng)級(jí)機(jī)構(gòu)公布報(bào)告中指標(biāo)的甄選，本研究從資本充足性、資產(chǎn)質(zhì)量、盈利能力、流動(dòng)性、風(fēng)險(xiǎn)管理能力五大方面構(gòu)建指標(biāo)體系，具體包括資本充足率(x1)、每股收益(x2)、每股凈資產(chǎn)(x3)、不良貸款率(x4)、撥備覆蓋率(x5)、貸款撥備率(x6)、平均總資產(chǎn)回報(bào)率(x7)、凈資產(chǎn)回報(bào)率(x8)、凈息差(x9)、非利息收入占比(x10)、成本收入比(x11)、資產(chǎn)總額(x12)、存貸款比率(x13)、資產(chǎn)負(fù)債率(x14)、營(yíng)業(yè)利潤(rùn)(x15)、凈利潤(rùn)(x16)共16個(gè)子指標(biāo)。

選取中國(guó)銀行、中國(guó)工商銀行、中國(guó)農(nóng)業(yè)銀行、中國(guó)建設(shè)銀行、郵政儲(chǔ)蓄銀行、交通銀行、光大銀行、北京銀行等共40家上市商業(yè)銀行作為研究對(duì)象，數(shù)據(jù)均來(lái)源于各銀行年報(bào)及其官網(wǎng)。研究分析工具為Python。

四、實(shí)證分析

首先運(yùn)用LARS算法，對(duì)子變量進(jìn)行LassoCV選擇（表1），其次分別使用 -近鄰、決策樹(shù)、隨機(jī)森林、支持向量機(jī)四種機(jī)器學(xué)習(xí)算法對(duì)樣本進(jìn)行訓(xùn)練學(xué)習(xí)和識(shí)別分類，其中訓(xùn)練樣本占80%，測(cè)試樣本占20%，結(jié)果見(jiàn)表2。

表1 LassoCV變量選擇系數(shù)表

由表1可見(jiàn)，x1、x2、x3、x4、x5、x6、x7、x8、x9、x10的系數(shù)為0，說(shuō)明這些因素因存在共線性被剔除了；而x11、x12、x13、x14、x15、x16這6個(gè)變量被LassoCV方法識(shí)別為特征變量，說(shuō)明平均總資產(chǎn)回報(bào)率、非利息收入占比、資產(chǎn)總額、資產(chǎn)負(fù)債率、營(yíng)業(yè)利潤(rùn)等因素在商業(yè)銀行信用評(píng)級(jí)上起著關(guān)鍵性作用。

表2 機(jī)器學(xué)習(xí)分類結(jié)果及準(zhǔn)確率

由表2可知，通過(guò)四種機(jī)器學(xué)習(xí)算法，實(shí)現(xiàn)了對(duì)上市商業(yè)銀行的信用評(píng)級(jí)，其準(zhǔn)確率均在92%以上，說(shuō)明四種機(jī)器學(xué)習(xí)算法在對(duì)上市商業(yè)銀行信用評(píng)級(jí)分類上是有效的，這不僅節(jié)省了人力資源提高了效率，而且可以根據(jù)所訓(xùn)練模型，實(shí)現(xiàn)對(duì)上市商業(yè)銀行在未來(lái)一段時(shí)間內(nèi)信用評(píng)級(jí)的預(yù)測(cè)。

五、結(jié)論建議

基于實(shí)證結(jié)果，可得到如下結(jié)論和建議：

第一、平均總資產(chǎn)回報(bào)率、非利息收入占比、資產(chǎn)總額、資產(chǎn)負(fù)債率、營(yíng)業(yè)利潤(rùn)等因素在上市商業(yè)銀行信用評(píng)級(jí)上起著關(guān)鍵性作用。建議上市商業(yè)銀行重點(diǎn)關(guān)注并提高資產(chǎn)回報(bào)率，實(shí)現(xiàn)利潤(rùn)增長(zhǎng)，增加非利息收入業(yè)務(wù)的投入以及平衡好資產(chǎn)負(fù)債率等。

第二、科技創(chuàng)新對(duì)銀行業(yè)務(wù)的升級(jí)改造對(duì)信用評(píng)級(jí)的間接性影響顯著。從特征變量看出，非利息收入占比對(duì)上市商業(yè)銀行信用評(píng)級(jí)影響顯著，說(shuō)明銀行憑借利息收入生存發(fā)展的時(shí)代已經(jīng)悄然改變，而以投資收益為代表的非利息收入逐漸發(fā)揮愈發(fā)重要的作用。

因此，上市商業(yè)銀行應(yīng)堅(jiān)持科技創(chuàng)新對(duì)銀行傳統(tǒng)業(yè)務(wù)的升級(jí)改造，促進(jìn)科技創(chuàng)新與金融創(chuàng)新的耦合發(fā)展。