基于機(jī)器學(xué)習(xí)技術(shù)的中小銀行風(fēng)險(xiǎn)早期預(yù)警系統(tǒng)研究

王博 鄢若蘭

（南開(kāi)大學(xué)金融學(xué)院 天津市 300350）

一、引言

隨著利率市場(chǎng)化改革的推進(jìn)和金融市場(chǎng)逐步對(duì)外開(kāi)放，銀行間競(jìng)爭(zhēng)必然加劇，銀行經(jīng)營(yíng)活動(dòng)的不穩(wěn)定性將會(huì)提高。從總體上看，我國(guó)中小銀行近年來(lái)風(fēng)險(xiǎn)水平陡增主要有如下幾種原因：一是公司治理不完善，缺乏公司治理的良好實(shí)踐和基本原則（周小川，2020），風(fēng)險(xiǎn)主要來(lái)源于股權(quán)結(jié)構(gòu)分散導(dǎo)致的內(nèi)部人控制風(fēng)險(xiǎn)、股東干預(yù)公司治理風(fēng)險(xiǎn)和股東資金占用風(fēng)險(xiǎn)。二是經(jīng)營(yíng)業(yè)務(wù)及產(chǎn)品較為單一，高度依賴(lài)?yán)⑹杖耄?019 年以來(lái)尤其是新冠疫情之下，貨幣政策結(jié)構(gòu)性寬松，利率水平下行，加之大型商業(yè)銀行貸款利率走低擠壓市場(chǎng)空間，對(duì)中小銀行利潤(rùn)來(lái)源形成明顯制約。三是以城商行和農(nóng)商行為主的中小銀行定位于區(qū)域金融供給，主要服務(wù)于當(dāng)?shù)孛駹I(yíng)及小微企業(yè)，信用下沉程度較高，天然面臨著較高的信用風(fēng)險(xiǎn)，受經(jīng)濟(jì)周期和信用周期影響較大。如果中小銀行產(chǎn)生風(fēng)險(xiǎn)，因其龐大的數(shù)量和風(fēng)險(xiǎn)傳染機(jī)制，可能導(dǎo)致系統(tǒng)性金融風(fēng)險(xiǎn)的發(fā)生。

此外，2008 年國(guó)際金融危機(jī)之后，防范、恢復(fù)和處置金融機(jī)構(gòu)危機(jī)的重要性被關(guān)注。巴塞爾銀行監(jiān)管委員會(huì)、金融穩(wěn)定理事會(huì)及英、美、歐盟等主要經(jīng)濟(jì)體紛紛制定了恢復(fù)和處置計(jì)劃的監(jiān)管指引。對(duì)中小銀行的風(fēng)險(xiǎn)識(shí)別和早期預(yù)警對(duì)于防范銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)蔓延十分必要，構(gòu)建符合我國(guó)中小銀行經(jīng)營(yíng)特點(diǎn)和監(jiān)管框架的風(fēng)險(xiǎn)早期預(yù)警系統(tǒng)對(duì)于增強(qiáng)銀行風(fēng)險(xiǎn)管理、強(qiáng)化銀行審慎經(jīng)營(yíng)和防范化解金融風(fēng)險(xiǎn)都具有重要意義。

二、文獻(xiàn)綜述

（一）銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)及銀行風(fēng)險(xiǎn)預(yù)警指標(biāo)體系

銀行系統(tǒng)性風(fēng)險(xiǎn)具備負(fù)外部性、風(fēng)險(xiǎn)與收益不對(duì)稱(chēng)、傳染性、損害實(shí)體經(jīng)濟(jì)和干預(yù)投資者信心五個(gè)特征，主要通過(guò)宏觀經(jīng)濟(jì)的外部因素，銀行間存款、信貸和支付體系等實(shí)際業(yè)務(wù)和由信息引發(fā)的銀行危機(jī)的溢出效應(yīng)三種渠道進(jìn)行傳播（范小云，2004）。在西方主要經(jīng)濟(jì)體經(jīng)歷了數(shù)次銀行業(yè)危機(jī)后，各國(guó)的中央銀行意識(shí)到了銀行業(yè)“太大而不能倒（Too-big-to-fail）”的問(wèn)題，規(guī)模較大的銀行倒閉容易引發(fā)銀行系統(tǒng)性風(fēng)險(xiǎn)（徐超，2013）。1984 年9 月，在救助伊利諾伊大陸銀行后，“太大而不能倒”的重要性含義逐步被監(jiān)管當(dāng)局明確，該原則逐漸在銀行領(lǐng)域流行起來(lái)，1991 年頒布的 《聯(lián)邦存款保險(xiǎn)公司促進(jìn)法案》在立法上最終確立了該原則。但此后以規(guī)模評(píng)判系統(tǒng)重要性的救助標(biāo)準(zhǔn)一直被學(xué)界爭(zhēng)議，監(jiān)管當(dāng)局和學(xué)界關(guān)注的焦點(diǎn)轉(zhuǎn)向其他判斷銀行系統(tǒng)重要性和救助標(biāo)準(zhǔn)的方法。Zhou（2009）在一個(gè)互聯(lián)金融系統(tǒng)中測(cè)度一個(gè)金融機(jī)構(gòu)的系統(tǒng)重要性，提出金融機(jī)構(gòu)的規(guī)模作為“太大而不能倒”的系統(tǒng)重要性的衡量標(biāo)準(zhǔn)不是一直有效的，并提供了在多元極值理論框架下系統(tǒng)重要性的測(cè)度方法。Rajan（2009）提出阻止金融機(jī)構(gòu)變得“太過(guò)系統(tǒng)重要而不能倒（Too-systemicto-fail）”的三種方法以防范系統(tǒng)性金融風(fēng)險(xiǎn)的發(fā)生和蔓延。Acharya 和Yorulmazer（2007）發(fā)現(xiàn)各國(guó)的銀行倒閉政策同樣存在一個(gè)隱含的“太多而不能倒（Too-many-to-fail）”的問(wèn)題，當(dāng)?shù)归]銀行數(shù)量很多時(shí)，監(jiān)管機(jī)構(gòu)往往會(huì)救助部分或全部的倒閉銀行。但當(dāng)?shù)归]銀行數(shù)量較少時(shí)，倒閉的銀行往往由健康存活的銀行收購(gòu)。這樣的隱含政策傾向增強(qiáng)了銀行從眾和選擇一起倒閉的動(dòng)機(jī)，且對(duì)小銀行的影響更大并引發(fā)小銀行中的羊群效應(yīng)。Brown 和Dinc（2009）使用競(jìng)爭(zhēng)風(fēng)險(xiǎn)模型研究新興市場(chǎng)國(guó)家的銀行破產(chǎn)問(wèn)題，發(fā)現(xiàn)當(dāng)銀行體系較為脆弱時(shí)，政府接管或直接關(guān)閉破產(chǎn)銀行的可能性較小，這種“太多而不能倒”的效應(yīng)是穩(wěn)健存在的。2008 年金融危機(jī)提醒了人們系統(tǒng)性風(fēng)險(xiǎn)的主要來(lái)源是金融機(jī)構(gòu)之間的相互關(guān)聯(lián)性，監(jiān)管當(dāng)局和學(xué)者們開(kāi)始關(guān)注“過(guò)于關(guān)聯(lián)而不能倒（Too-connected-tofail）”的系統(tǒng)重要性銀行和關(guān)聯(lián)性問(wèn)題。Gabrieli（2012）發(fā)現(xiàn)在2007 年8 月之后，銀行的相互關(guān)聯(lián)性影響增大，并從正外部性轉(zhuǎn)為負(fù)外部性，很好地解釋了本次金融危機(jī)影響面廣、傳染性強(qiáng)的原因。范小云等（2012）構(gòu)建網(wǎng)絡(luò)模型分析銀行間負(fù)債關(guān)聯(lián)程度對(duì)于銀行系統(tǒng)重要性的影響，發(fā)現(xiàn)我國(guó)部分中小銀行如果倒閉，能夠誘發(fā)嚴(yán)重的銀行危機(jī)，因此在銀行風(fēng)險(xiǎn)監(jiān)管中，應(yīng)該考慮“過(guò)于關(guān)聯(lián)而不能倒”（即關(guān)聯(lián)性）問(wèn)題。我國(guó)中小銀行數(shù)量眾多，近些年來(lái)，業(yè)務(wù)同質(zhì)化嚴(yán)重，貸款集中度過(guò)高，資本充足水平低，經(jīng)營(yíng)管理理念激進(jìn)，行業(yè)競(jìng)爭(zhēng)激烈，導(dǎo)致系統(tǒng)性風(fēng)險(xiǎn)水平不斷上升。特別是近年來(lái)同業(yè)、理財(cái)和金融市場(chǎng)等經(jīng)營(yíng)模式提高了中小銀行的網(wǎng)絡(luò)中心度和關(guān)聯(lián)性，擴(kuò)大了風(fēng)險(xiǎn)傳染的網(wǎng)絡(luò)效應(yīng)，使得風(fēng)險(xiǎn)在銀行間更迅速地傳播，形成了中小銀行“太多而不能倒”和“過(guò)于關(guān)聯(lián)而不能倒”的局面。為了有效降低傳染風(fēng)險(xiǎn)，就必須在風(fēng)險(xiǎn)誘導(dǎo)因素發(fā)生前進(jìn)行事前預(yù)防（馬君潞等，2007）。

（二）銀行風(fēng)險(xiǎn)早期預(yù)警模型構(gòu)建

國(guó)外學(xué)者對(duì)風(fēng)險(xiǎn)早期預(yù)警模型的研究開(kāi)始較早，采用的方法眾多，研究脈絡(luò)相對(duì)完整和成熟。Altman（1968）使用多重判別分析方法，建立5 變量Z-score 模型來(lái)判斷企業(yè)破產(chǎn)的可能性。Martin（1977）引入Logisitic 回歸分析方法研究銀行的違約概率。West（1985）使用因子分析和Logit 回歸方法，借鑒CAMELS 評(píng)級(jí)法對(duì)美國(guó)銀行資產(chǎn)負(fù)債表和銀行監(jiān)管報(bào)告中提取的變量進(jìn)行分析。Lane 等（1986）使用Cox 模型預(yù)測(cè)銀行倒閉的時(shí)間。Chiaramonte 等（2015）比較了Z-score 模型和Probit 模型識(shí)別銀行金融風(fēng)險(xiǎn)的有效性。Rosa 和Gartner（2017）采用多元Logisitic 回歸方法構(gòu)建巴西國(guó)家所有和州所有銀行預(yù)測(cè)窗口為1 年的風(fēng)險(xiǎn)早期預(yù)警模型。Ferriani 等（2019）使用Logit 模型計(jì)算意大利非重要金融機(jī)構(gòu)的違約概率，構(gòu)建預(yù)測(cè)范圍為4-6 個(gè)季度的早期預(yù)警模型。Brauning 等（2019）采用決策樹(shù)算法構(gòu)建歐洲銀行中小銀行危機(jī)早期預(yù)警模型。Suss 和Treitel（2019）使用英國(guó)金融管理局的機(jī)密監(jiān)管數(shù)據(jù)和風(fēng)險(xiǎn)監(jiān)管評(píng)估分?jǐn)?shù)，比較了混合Logistic 回歸、線性隨機(jī)效應(yīng)模型、隨機(jī)森林及Boosting 技術(shù)、K 最近鄰算法（KNN）、支持向量機(jī)（SVM）以及組合模型對(duì)風(fēng)險(xiǎn)狀態(tài)的預(yù)測(cè)能力。

國(guó)內(nèi)相關(guān)研究中，楊保安和季海（2001）利用人工神經(jīng)網(wǎng)絡(luò)前向三層BP 網(wǎng)絡(luò)方法提取財(cái)務(wù)指標(biāo)構(gòu)造商業(yè)銀行信貸風(fēng)險(xiǎn)預(yù)警系統(tǒng)，通過(guò)BP 網(wǎng)絡(luò)的輸出向量判斷銀行信貸風(fēng)險(xiǎn)警情。賀曉波和張宇紅（2001）運(yùn)用聚類(lèi)分析法篩選指標(biāo)，使用熵值法和層次分析法確定指標(biāo)權(quán)數(shù)，計(jì)算綜合分值，使用信號(hào)燈顯示法進(jìn)行銀行風(fēng)險(xiǎn)狀態(tài)判定。毛錦等（2006）根據(jù)對(duì)銀行信貸交易的風(fēng)險(xiǎn)分析構(gòu)建商業(yè)銀行信用風(fēng)險(xiǎn)預(yù)警的概念模型。中國(guó)銀行業(yè)監(jiān)督管理委員會(huì)銀行風(fēng)險(xiǎn)早期預(yù)警綜合系統(tǒng)課題組（2009）綜合了擴(kuò)散指數(shù)、合成指數(shù)、降級(jí)距離和百分位排序方法并進(jìn)行有效性檢驗(yàn)，構(gòu)建短期和中長(zhǎng)期單體銀行風(fēng)險(xiǎn)預(yù)警模型。羅曉光和劉飛虎（2011）使用主成分分析法對(duì)商業(yè)銀行風(fēng)險(xiǎn)預(yù)警指標(biāo)進(jìn)行賦權(quán)并計(jì)算綜合評(píng)價(jià)分?jǐn)?shù)，構(gòu)建Logistic預(yù)警模型。陸靜和王捷（2012）采用貝葉斯網(wǎng)絡(luò)測(cè)算各類(lèi)指標(biāo)對(duì)銀行風(fēng)險(xiǎn)的影響程度，通過(guò)信號(hào)燈模型顯示銀行風(fēng)險(xiǎn)狀態(tài)。王偉（2013）采用專(zhuān)家咨詢(xún)法和層次分析法構(gòu)建銀行危機(jī)預(yù)警系統(tǒng)指標(biāo)體系，通過(guò)指標(biāo)映射法計(jì)算單項(xiàng)指標(biāo)警情分值，加權(quán)匯總后形成銀行危機(jī)綜合預(yù)警分值。丁德臣（2016）利用多專(zhuān)家協(xié)商機(jī)制確定預(yù)警指標(biāo)權(quán)重，使用灰色評(píng)價(jià)模型預(yù)測(cè)商業(yè)銀行風(fēng)險(xiǎn)評(píng)級(jí)。

綜上，國(guó)外學(xué)者對(duì)銀行風(fēng)險(xiǎn)早期預(yù)警系統(tǒng)的研究起步較早，研究脈絡(luò)完整，不斷更新技術(shù)提高對(duì)銀行風(fēng)險(xiǎn)狀態(tài)的預(yù)測(cè)能力，目前研究已經(jīng)較為成熟。但是國(guó)內(nèi)學(xué)者在銀行風(fēng)險(xiǎn)早期預(yù)警研究上比較滯后。在技術(shù)上，我國(guó)學(xué)者還大多采取較為主觀、定性的方式對(duì)風(fēng)險(xiǎn)指標(biāo)進(jìn)行賦權(quán)，計(jì)算綜合風(fēng)險(xiǎn)分值，且不能實(shí)現(xiàn)對(duì)風(fēng)險(xiǎn)的事前預(yù)警，不能為銀行經(jīng)營(yíng)及時(shí)糾偏和監(jiān)管部門(mén)盡早干預(yù)預(yù)留時(shí)間窗口，機(jī)器學(xué)習(xí)技術(shù)在此領(lǐng)域的應(yīng)用尚不成熟。在數(shù)據(jù)方面，我國(guó)銀行業(yè)尤其是中小銀行對(duì)經(jīng)營(yíng)數(shù)據(jù)和監(jiān)管指標(biāo)的披露不完全，從公開(kāi)渠道獲取的數(shù)據(jù)極為有限。因此本文旨在采用合適的銀行風(fēng)險(xiǎn)狀態(tài)評(píng)估標(biāo)準(zhǔn)，針對(duì)國(guó)內(nèi)中小銀行構(gòu)建風(fēng)險(xiǎn)早期預(yù)警模型，引入決策樹(shù)、隨機(jī)森林算法和支持向量機(jī)，在研究方法上填補(bǔ)空白。

三、研究設(shè)計(jì)

（一）國(guó)內(nèi)銀行風(fēng)險(xiǎn)狀態(tài)評(píng)估標(biāo)準(zhǔn)

為向監(jiān)管者和政策制定者提供有效的銀行風(fēng)險(xiǎn)早期預(yù)警模型，首先銀行風(fēng)險(xiǎn)狀態(tài)評(píng)估標(biāo)準(zhǔn)要符合國(guó)內(nèi)銀行經(jīng)營(yíng)特點(diǎn)，其次須為政府監(jiān)管和干預(yù)預(yù)留時(shí)間窗口。如果僅將銀行風(fēng)險(xiǎn)狀態(tài)定義為銀行破產(chǎn)倒閉或流動(dòng)性危機(jī)，那么模型只對(duì)銀行危機(jī)的事后干預(yù)有效而沒(méi)有預(yù)測(cè)意義。此外，也有學(xué)者提出不以發(fā)生恐慌而以銀行資本緊縮作為判斷銀行陷入風(fēng)險(xiǎn)狀態(tài)，因?yàn)榧词箾](méi)有發(fā)生恐慌，銀行股本大幅下跌仍會(huì)導(dǎo)致嚴(yán)重的信貸緊縮和產(chǎn)出缺口，恐慌只是銀行發(fā)生風(fēng)險(xiǎn)事件的結(jié)果而非原因。有時(shí)恐慌因?yàn)楸O(jiān)管機(jī)構(gòu)寬容、債權(quán)人隱性擔(dān)?；蛘畯?qiáng)有力干預(yù)而免于發(fā)生，但銀行依然處于資本不足、放貸能力嚴(yán)重受損的風(fēng)險(xiǎn)狀態(tài)（Baron 等，2020）。目前國(guó)內(nèi)僅有1998 年海南發(fā)展銀行破產(chǎn)清算、2019 年包商銀行被接管兩例明顯銀行危機(jī)狀態(tài)，銀行破產(chǎn)在國(guó)內(nèi)較為罕見(jiàn)。

因此本文不采用僅將大規(guī)模恐慌、銀行違約、被兼并收購(gòu)、被接管或政府援助作為銀行陷入風(fēng)險(xiǎn)狀態(tài)的傳統(tǒng)做法，而是結(jié)合國(guó)內(nèi)銀行經(jīng)營(yíng)特點(diǎn)和監(jiān)管框架及條例，從經(jīng)營(yíng)數(shù)據(jù)和監(jiān)管指標(biāo)的視角來(lái)考察銀行風(fēng)險(xiǎn)事件，一是能提供客觀、定量、實(shí)時(shí)的銀行風(fēng)險(xiǎn)事件評(píng)估標(biāo)準(zhǔn)；二是能挖掘被遺忘和忽視的“沉默”銀行風(fēng)險(xiǎn)事件，擴(kuò)大銀行風(fēng)險(xiǎn)事件研究樣本；三是可以更敏銳地捕捉銀行陷入風(fēng)險(xiǎn)狀態(tài)的早期跡象，有利于提高銀行風(fēng)險(xiǎn)早期預(yù)警系統(tǒng)的預(yù)測(cè)精度。

在宏觀審慎評(píng)估體系（MPA）中，對(duì)資本和杠桿情況與定價(jià)行為兩個(gè)方面要求最嚴(yán)格，只要有一項(xiàng)不及格，MPA 考核便不達(dá)標(biāo)。以資本充足率考核為例，如果某銀行資本充足率大于宏觀審慎標(biāo)準(zhǔn)，該項(xiàng)指標(biāo)為滿分80分，如果某銀行資本充足率小于宏觀審慎標(biāo)準(zhǔn)但超過(guò)4%，得分在48 至80 分之間，如果不超過(guò)4%，則得分為0。在央行取消4%的緩沖范圍之后，只要銀行達(dá)到宏觀審慎標(biāo)準(zhǔn)就獲滿分，否則為0 分，這種評(píng)價(jià)方法較為嚴(yán)格，能敏感地判別銀行風(fēng)險(xiǎn)狀態(tài)。因此，本文也采用這樣嚴(yán)格的評(píng)價(jià)標(biāo)準(zhǔn)判別銀行風(fēng)險(xiǎn)狀態(tài)，有利于捕捉銀行的風(fēng)險(xiǎn)預(yù)警信號(hào)。

根據(jù)《商業(yè)銀行資本管理辦法》《商業(yè)銀行風(fēng)險(xiǎn)監(jiān)管核心指標(biāo)（試行）》《商業(yè)銀行風(fēng)險(xiǎn)監(jiān)管核心指標(biāo)一覽表》《商業(yè)銀行監(jiān)管評(píng)級(jí)內(nèi)部指引》，本文認(rèn)定銀行觸發(fā)下列條件即被認(rèn)為銀行風(fēng)險(xiǎn)事件：1.撥備充足率＜100%；2.貸款損失準(zhǔn)備充足率＜100%；3.撥備覆蓋率＜120%；4.撥貸比＜1.5%；5.存貸款比例＞75%；6.資產(chǎn)利潤(rùn)率＜0.6%；7.資本利潤(rùn)率＜11%；8.流動(dòng)性比例＜25%；9.不良貸款率＞5%；10.單一客戶(hù)貸款集中度＞10%；11.成本收入比＞35%；12.核心一級(jí)資本充足率＜5%，資本充足率＜8%。

（二）數(shù)據(jù)來(lái)源

本文樣本覆蓋國(guó)內(nèi)股份制銀行、城市商業(yè)銀行、農(nóng)村商業(yè)銀行和村鎮(zhèn)銀行183 家銀行，從Wind 數(shù)據(jù)庫(kù)獲取2007-2019 年的銀行財(cái)務(wù)數(shù)據(jù)、重要業(yè)務(wù)指標(biāo)和銀行業(yè)專(zhuān)項(xiàng)分析指標(biāo)，從國(guó)泰安數(shù)據(jù)庫(kù)、Wind 數(shù)據(jù)庫(kù)獲取宏觀經(jīng)濟(jì)數(shù)據(jù)。

（三）制定風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)

鑒于我國(guó)《股份制商業(yè)銀行風(fēng)險(xiǎn)評(píng)級(jí)體系（暫行）》參考了CAMELS 評(píng)級(jí)法，本文也采用CAMELS 評(píng)級(jí)法的框架，參考我國(guó)商業(yè)銀行監(jiān)管條例選取微觀公司數(shù)據(jù)和宏觀經(jīng)濟(jì)數(shù)據(jù)作為風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)?；跀?shù)據(jù)可得性，初始選取60 個(gè)指標(biāo)，分別進(jìn)行如下回歸，刪去方差膨脹因子VIF≥10 的指標(biāo)，最終選取預(yù)測(cè)指標(biāo)見(jiàn)表1。

表1 預(yù)測(cè)指標(biāo)選取

（四）實(shí)證分析

1.使用C5.0 決策樹(shù)算法。決策樹(shù)是在機(jī)器學(xué)習(xí)中被廣泛使用的分類(lèi)預(yù)測(cè)算法之一。決策樹(shù)的生長(zhǎng)過(guò)程本質(zhì)上是將訓(xùn)練樣本根據(jù)各個(gè)特征逐次劃分在多個(gè)類(lèi)別下的過(guò)程（即分枝），在所有可能的分枝中，選擇結(jié)果最好的一種，分枝的質(zhì)量和評(píng)價(jià)預(yù)測(cè)結(jié)果的好壞標(biāo)準(zhǔn)由節(jié)點(diǎn)隨機(jī)變量的純度決定，純度由節(jié)點(diǎn)隨機(jī)變量的信息熵來(lái)度量。不確定性越大，信息熵越大，純度越低。在決策樹(shù)分枝過(guò)程中，設(shè)T 為待訓(xùn)練樣本集合，有k 個(gè)不同的類(lèi)別，類(lèi)別集合為{c，c，…，c}，則類(lèi)c中包含的信息量表示如下：

樣本集合T 中屬于類(lèi)c下的子集為R，R中包含的樣本個(gè)數(shù)為r，樣本集合T 中包含的樣本總數(shù)為|T|，那么待分類(lèi)的數(shù)據(jù)集合T中用來(lái)分類(lèi)的子集所包含的信息定義如下：

假定某一屬性M 有互不重合的n 個(gè)取值{m，m，…，m}，把樣本集合T 分為n 個(gè)子集{T，T，…，T}，其中T是樣本集合T 中當(dāng)屬性M 取m時(shí)的子集。在決策樹(shù)分類(lèi)過(guò)程中，屬性M 將樣本集合T 中各樣本分在不同類(lèi)別中，T表示T子集中屬于類(lèi)c的樣本個(gè)數(shù)，那么屬性M 對(duì)分類(lèi){c，c，…，c}的熵為：

由上述公式，屬性M 作為分類(lèi)屬性的信息增益（Information Gain）為：

不同決策樹(shù)算法的區(qū)別在于分枝準(zhǔn)則，C5.0 算法是根據(jù)特征變量的信息增益率（Information gain ratio）來(lái)決定分枝的選擇。如果信息增益率夠大，就分裂為左右子樹(shù)；如果信息增益率很小，就停止分裂，這個(gè)節(jié)點(diǎn)直接作為葉子節(jié)點(diǎn)。信息增益率（Information Gain Ratio）由信息增益（Information Gain）和分裂信息度量（Split Information）共同定義：

通過(guò)一系列的特征選取和決策規(guī)則，節(jié)點(diǎn)分枝達(dá)到最終的分類(lèi)葉子節(jié)點(diǎn)，分類(lèi)算法經(jīng)過(guò)遞歸最終輸出結(jié)果是一棵決策樹(shù)。對(duì)于本文的預(yù)測(cè)實(shí)證分析來(lái)說(shuō)，該過(guò)程是從根節(jié)點(diǎn)開(kāi)始，基于一系列預(yù)測(cè)指標(biāo)的值創(chuàng)建一條路徑直到到達(dá)葉子節(jié)點(diǎn)，最終判斷銀行是否處于風(fēng)險(xiǎn)狀態(tài)。

本文模型設(shè)定為：一是采用二元分類(lèi)，若銀行財(cái)務(wù)數(shù)據(jù)及監(jiān)管指標(biāo)觸發(fā)本文對(duì)銀行風(fēng)險(xiǎn)狀態(tài)評(píng)估標(biāo)準(zhǔn)條目，視為銀行陷入風(fēng)險(xiǎn)狀態(tài)，標(biāo)記為1，否則為0。二是設(shè)置預(yù)測(cè)期為6 個(gè)月，以銀行陷入風(fēng)險(xiǎn)狀態(tài)的前一期狀態(tài)作為目標(biāo)變量，以保證模型具有前瞻性和預(yù)測(cè)性。三是考慮到監(jiān)管當(dāng)局往往會(huì)采取保守和謹(jǐn)慎的態(tài)度，寧愿發(fā)出錯(cuò)誤的預(yù)警警報(bào)，也不愿遺漏報(bào)告銀行的風(fēng)險(xiǎn)狀態(tài)而使事態(tài)惡化，本文設(shè)置不對(duì)稱(chēng)的誤判成本，將第一種錯(cuò)誤（遺漏報(bào)告風(fēng)險(xiǎn)狀態(tài)）的誤判成本設(shè)置為第二種錯(cuò)誤（錯(cuò)誤報(bào)告風(fēng)險(xiǎn)狀態(tài)）的誤判成本的2 倍（Brauning 等，2019），誤判成本矩陣見(jiàn)表2。

表2 誤判成本矩陣

通過(guò)數(shù)據(jù)預(yù)處理，最終得到183 家中小銀行的數(shù)據(jù)，首先將全部樣本集按照4∶1 分為訓(xùn)練集和預(yù)測(cè)集，使用訓(xùn)練集數(shù)據(jù)通過(guò)K折交叉驗(yàn)證法確定參數(shù)最優(yōu)值，然后使用預(yù)測(cè)集數(shù)據(jù)進(jìn)行樣本外檢驗(yàn)，得到模型對(duì)預(yù)測(cè)集的分類(lèi)準(zhǔn)確率和AUC 值。

2.使用隨機(jī)森林算法。隨機(jī)森林是將決策樹(shù)和Bagging 算法（Bootstrap aggregating）相結(jié)合的一種算法，采用隨機(jī)有放回的選擇訓(xùn)練集構(gòu)造分類(lèi)器的集合學(xué)習(xí)，Bagging 算法通過(guò)降低基分類(lèi)器的方差從而改善泛化誤差，從而提高算法的準(zhǔn)確率和穩(wěn)定性，避免過(guò)擬合的發(fā)生。隨機(jī)森林的基本單元是決策樹(shù)，它建立多個(gè)決策樹(shù)并整合每一棵決策樹(shù)的分類(lèi)結(jié)果以得到更準(zhǔn)確和穩(wěn)定的預(yù)測(cè)。隨機(jī)森林算法流程見(jiàn)圖1。

圖1 隨機(jī)森林算法流程圖

隨機(jī)森林模型的兩個(gè)主要參數(shù)是構(gòu)建決策樹(shù)節(jié)點(diǎn)分枝選擇的特征變量個(gè)數(shù)和隨機(jī)森林模型中決策樹(shù)的數(shù)量，仍然使用訓(xùn)練集數(shù)據(jù)通過(guò)K 折交叉驗(yàn)證法確定最優(yōu)的特征變量個(gè)數(shù)和決策樹(shù)數(shù)量，然后使用預(yù)測(cè)集數(shù)據(jù)進(jìn)行樣本外檢驗(yàn)，使用分類(lèi)準(zhǔn)確率和AUC 值來(lái)評(píng)估模型的預(yù)測(cè)能力。

3.使用支持向量機(jī)。支持向量機(jī)是一種二元分類(lèi)模型，當(dāng)有兩個(gè)及以上的預(yù)測(cè)變量時(shí)，使用超平面來(lái)分離兩個(gè)類(lèi)別。它的基本模型是定義在特征空間上間隔最大的線性分類(lèi)器，也可以通過(guò)設(shè)置不同形式的核函數(shù)處理線性不可分的訓(xùn)練數(shù)據(jù)，形成非線性支持向量機(jī)。支持向量機(jī)的學(xué)習(xí)策略就是使間隔最大化，并將其形式化為一個(gè)求解凸二次規(guī)劃的問(wèn)題，等價(jià)于正則化的合頁(yè)損失函數(shù)的最小化問(wèn)題。常見(jiàn)的核函數(shù)包括線性核、多項(xiàng)式核、高斯核、Sigmoid 核等。由于在以前的銀行破產(chǎn)預(yù)測(cè)研究中，James 等（2013）發(fā)現(xiàn)徑向基核函數(shù)表現(xiàn)要優(yōu)于其他核函數(shù)形式，因此本文采用的是徑向基核函數(shù)。支持向量機(jī)的兩個(gè)主要參數(shù)是成本即分類(lèi)錯(cuò)誤的代價(jià)和影響徑向基核函數(shù)的復(fù)雜度γ，同樣使用訓(xùn)練集數(shù)據(jù)應(yīng)用K 折交叉驗(yàn)證法進(jìn)行調(diào)參，使用最優(yōu)參數(shù)對(duì)預(yù)測(cè)集數(shù)據(jù)進(jìn)行樣本外檢驗(yàn)，查看模型的分類(lèi)準(zhǔn)確率和AUC值。

四、模型預(yù)測(cè)結(jié)果及分析

（一）半年度數(shù)據(jù)訓(xùn)練及預(yù)測(cè)結(jié)果

首先使用訓(xùn)練數(shù)據(jù)集進(jìn)行樣本內(nèi)簡(jiǎn)單交叉驗(yàn)證，使用默認(rèn)Boosting 迭代次數(shù)1，得到模型的預(yù)測(cè)準(zhǔn)確率為84%，AUC 值為0.863；然后通過(guò)K 折交叉驗(yàn)證確定最優(yōu)Boosting 迭代參數(shù)為21，模型的預(yù)測(cè)準(zhǔn)確率提升至86%，AUC 為0.944。接著使用隨機(jī)森林算法，通過(guò)K 折交叉驗(yàn)證確定決策樹(shù)節(jié)點(diǎn)分枝變量個(gè)數(shù)為9，決策樹(shù)數(shù)量為2400，樣本內(nèi)模型預(yù)測(cè)準(zhǔn)確率為90.53%，樣本外數(shù)據(jù)集預(yù)測(cè)準(zhǔn)確率為88%，AUC 為0.911，較決策樹(shù)模型預(yù)測(cè)準(zhǔn)確率均略有提高。最后使用支持向量機(jī)算法，通過(guò)K 折交叉驗(yàn)證確定最優(yōu)參數(shù)Gamma 為0.031，Cost 參數(shù)為1，樣本內(nèi)模型預(yù)測(cè)準(zhǔn)確率為93.06%，樣本外數(shù)據(jù)集預(yù)測(cè)準(zhǔn)確率為89.23%，AUC 為0.938。此外，本文還采用Logit 回歸模型作為基準(zhǔn)模型，以衡量各個(gè)算法模型的預(yù)測(cè)準(zhǔn)確率，Logit 模型對(duì)半年度數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確率為83.21%，AUC為0.869，比較可得機(jī)器學(xué)習(xí)技術(shù)在預(yù)測(cè)能力均要優(yōu)于Logit 回歸模型，在對(duì)銀行半年度數(shù)據(jù)樣本進(jìn)行風(fēng)險(xiǎn)狀態(tài)的分類(lèi)預(yù)測(cè)中，支持向量機(jī)的預(yù)測(cè)準(zhǔn)確率是最高的，AUC 值也較高，模型性能是最優(yōu)的，預(yù)測(cè)結(jié)果見(jiàn)表3，ROC 曲線見(jiàn)圖2 至圖5。

表3 中小銀行半年度數(shù)據(jù)預(yù)測(cè)結(jié)果

圖2 Logit 模型ROC 曲線

圖3 C5.0 決策樹(shù)模型ROC 曲線

圖4 隨機(jī)森林模型ROC 曲線

圖5 支持向量機(jī)模型ROC 曲線

（二）模型預(yù)測(cè)結(jié)果分析

1.決策樹(shù)模型預(yù)測(cè)結(jié)果分析。C5.0 算法構(gòu)建的決策樹(shù)不僅提供早期識(shí)別風(fēng)險(xiǎn)的手段，也能揭示影響銀行風(fēng)險(xiǎn)狀態(tài)的重要變量。在本文構(gòu)建的決策樹(shù)中，根節(jié)點(diǎn)的分枝變量是GDP 增長(zhǎng)率，說(shuō)明宏觀經(jīng)濟(jì)狀況對(duì)于銀行經(jīng)營(yíng)有著巨大的影響。余下的較為重要的變量覆蓋了幾種最重要的銀行風(fēng)險(xiǎn)的指標(biāo)，比如信用風(fēng)險(xiǎn)，包括不良貸款率、平均風(fēng)險(xiǎn)權(quán)重、單一最大客戶(hù)貸款比例；流動(dòng)性風(fēng)險(xiǎn)，包括流動(dòng)性比例；市場(chǎng)風(fēng)險(xiǎn)，包括市場(chǎng)平均非利息收入與利息收入比率、銀行非利息收入與利息收入比率；資本風(fēng)險(xiǎn)，包括資產(chǎn)負(fù)債率、資本充足率等。

探究決策樹(shù)的主要生長(zhǎng)路徑，當(dāng)宏觀經(jīng)濟(jì)運(yùn)行較差時(shí)，銀行是否陷入風(fēng)險(xiǎn)狀態(tài)很大程度上取決于銀行的盈利能力，如果銀行的凈息差和資產(chǎn)利潤(rùn)率都很高，那么銀行在宏觀經(jīng)濟(jì)狀況不好時(shí)仍然可以順利存活。反之，如果銀行的凈息差較低，那么即便有較大比例的生息資產(chǎn)，但并未發(fā)揮其為銀行盈利的作用，銀行也會(huì)陷入風(fēng)險(xiǎn)。對(duì)于區(qū)域性中小銀行來(lái)說(shuō)，生息資產(chǎn)主要為地方企業(yè)貸款，當(dāng)宏觀經(jīng)濟(jì)狀況不好時(shí)，當(dāng)?shù)仄髽I(yè)在銀行中的貸款質(zhì)量會(huì)迅速下降，甚至成為呆賬壞賬，從而給銀行帶來(lái)風(fēng)險(xiǎn)。如果此時(shí)銀行的存款占全部負(fù)債的比例較高，有較為穩(wěn)定的存款基礎(chǔ)，那么銀行仍然可以處于較為安全的狀態(tài)。

當(dāng)銀行生息資產(chǎn)占總資產(chǎn)比例較低時(shí)，資產(chǎn)質(zhì)量的相關(guān)指標(biāo)則決定了銀行是否處于風(fēng)險(xiǎn)狀態(tài)。如果銀行資產(chǎn)的平均風(fēng)險(xiǎn)權(quán)重較高，盈利能力方面凈利差也較低，那么銀行就會(huì)陷入風(fēng)險(xiǎn)狀態(tài)之中。如果銀行的資產(chǎn)的平均風(fēng)險(xiǎn)權(quán)重較低，不良貸款率也較低，那么此時(shí)銀行的低成本收入比說(shuō)明銀行有著較為良好的管理經(jīng)營(yíng)水平，銀行也會(huì)免于陷入風(fēng)險(xiǎn)。當(dāng)銀行的不良貸款率較高時(shí)，如果銀行個(gè)體的非息收入占比和存貸比較高，不過(guò)于依賴(lài)傳統(tǒng)的放貸業(yè)務(wù)進(jìn)行盈利，那么銀行也會(huì)處于相對(duì)安全的狀態(tài)。

在GDP 增長(zhǎng)率較高即宏觀經(jīng)濟(jì)運(yùn)行較為良好的狀態(tài)之下，決定銀行經(jīng)營(yíng)狀態(tài)的關(guān)鍵變量也以資產(chǎn)質(zhì)量和盈利能力為主。如果銀行的資本利潤(rùn)率較高，凈利差較高，而單一最大客戶(hù)貸款比例和不良貸款率較低，說(shuō)明銀行的盈利水平和經(jīng)營(yíng)的安全性較高，銀行陷入風(fēng)險(xiǎn)的可能性較小；反之，如果銀行的資產(chǎn)質(zhì)量指標(biāo)單一最大客戶(hù)貸款比例和不良貸款率均達(dá)到很高水平，銀行就會(huì)陷入風(fēng)險(xiǎn)狀態(tài)。而當(dāng)銀行的盈利水平較低時(shí)，如果銀行的撥備覆蓋率較高，銀行的計(jì)息負(fù)債比例較高，存款基礎(chǔ)較為穩(wěn)定，銀行也會(huì)依然處于健康狀態(tài)；如果銀行的計(jì)提撥備不充足，主要收入來(lái)源又是傳統(tǒng)的貸款業(yè)務(wù)，銀行就會(huì)陷入風(fēng)險(xiǎn)。

2.隨機(jī)森林模型預(yù)測(cè)結(jié)果分析。在評(píng)估預(yù)測(cè)指標(biāo)的重要性時(shí)，算法提供平均精度下降度和平均Gini 指數(shù)下降度兩種指標(biāo)，見(jiàn)表4。

表4 隨機(jī)森林模型預(yù)測(cè)指標(biāo)重要性程度排序

平均精度下降度是把一個(gè)變量的取值變?yōu)殡S機(jī)數(shù)，改變前后隨機(jī)森林預(yù)測(cè)準(zhǔn)確率的降低程度，平均精度下降度越大，該變量越重要。Gini 指數(shù)表示節(jié)點(diǎn)純度，Gini 指數(shù)越大純度越低，平均Gini 指數(shù)下降度通過(guò)Gini 指數(shù)計(jì)算每個(gè)變量對(duì)決策樹(shù)每個(gè)節(jié)點(diǎn)上觀測(cè)值異質(zhì)性的影響得到。平均Gini 指數(shù)下降度越大，那么變量越重要。

從分類(lèi)結(jié)果來(lái)看，平均精度下降和平均Gini 指數(shù)下降的趨勢(shì)大致相同。首先，盈利水平類(lèi)指標(biāo)對(duì)銀行風(fēng)險(xiǎn)狀態(tài)影響最大，資本利潤(rùn)率、資產(chǎn)利潤(rùn)率、存貸款比例、凈息差和凈利差指標(biāo)重要性排序較為靠前，如果銀行盈利能力較強(qiáng)，則可以較好地抵御風(fēng)險(xiǎn)。資本充足性指標(biāo)如撥備覆蓋率、歸屬于母公司所有者權(quán)益以及核心一級(jí)資本充足率等指標(biāo)的重要性排序也比較靠前，資本充足水平是銀行破產(chǎn)的最后一道防線，能夠沖銷(xiāo)經(jīng)營(yíng)過(guò)程中因不確定性造成的損失，提高了銀行經(jīng)營(yíng)的安全性和穩(wěn)定性。緊隨其后的是兩個(gè)宏觀經(jīng)濟(jì)變量即GDP 增長(zhǎng)率和財(cái)政赤字與GDP 比率，意味著宏觀經(jīng)濟(jì)環(huán)境對(duì)于中小銀行的生存和風(fēng)險(xiǎn)有巨大影響，中小銀行所依賴(lài)的區(qū)域性民營(yíng)企業(yè)和小微企業(yè)的經(jīng)營(yíng)是順周期的，因此中小銀行資產(chǎn)質(zhì)量和風(fēng)險(xiǎn)水平因此也是順周期的。相應(yīng)地，資產(chǎn)質(zhì)量類(lèi)指標(biāo)，如不良資產(chǎn)比例，對(duì)銀行風(fēng)險(xiǎn)狀態(tài)的準(zhǔn)確分類(lèi)也非常重要。值得注意的是，市場(chǎng)風(fēng)險(xiǎn)敏感度指標(biāo)也較為重要，印證了Hirakata 等（2017）的研究結(jié)論，雖然單個(gè)銀行對(duì)金融資產(chǎn)更多地配置會(huì)提升銀行資產(chǎn)組合異質(zhì)性，從而降低銀行風(fēng)險(xiǎn)，但是當(dāng)市場(chǎng)間銀行總體持有證券資產(chǎn)的配置在總資產(chǎn)中占比較高時(shí)，市場(chǎng)內(nèi)銀行總體資產(chǎn)組合配置會(huì)趨同，銀行系統(tǒng)性風(fēng)險(xiǎn)上升，從而使得單個(gè)銀行風(fēng)險(xiǎn)不降反升。類(lèi)似地，單個(gè)銀行非息收入占比提高有利于銀行盈利能力增強(qiáng)，但是當(dāng)銀行總體非息收入占比提升時(shí)，各個(gè)銀行主營(yíng)業(yè)務(wù)模式和盈利模式趨同，也會(huì)導(dǎo)致銀行系統(tǒng)性風(fēng)險(xiǎn)提升，對(duì)單個(gè)銀行造成不利影響?？偠灾?，銀行投資組合對(duì)市場(chǎng)風(fēng)險(xiǎn)敞口增加以及與市場(chǎng)活動(dòng)相關(guān)的非傳統(tǒng)收入來(lái)源的更大依賴(lài)盡管會(huì)降低單個(gè)銀行的風(fēng)險(xiǎn)，但會(huì)增加銀行系統(tǒng)性風(fēng)險(xiǎn)，因此表現(xiàn)為“銀行間系統(tǒng)性的羊群效應(yīng)”，在共同的沖擊來(lái)臨時(shí)，提供了一種通過(guò)證券資產(chǎn)持有量和收入來(lái)源的風(fēng)險(xiǎn)傳導(dǎo)方式。

（三）季度數(shù)據(jù)訓(xùn)練及預(yù)測(cè)結(jié)果

考慮到季度數(shù)據(jù)能夠更準(zhǔn)確地反映銀行整體經(jīng)營(yíng)狀況和風(fēng)險(xiǎn)狀態(tài)變化，本文還使用季度數(shù)據(jù)來(lái)檢驗(yàn)上述模型的結(jié)論并驗(yàn)證模型分類(lèi)預(yù)測(cè)的有效性。

維持原模型設(shè)定不變，將預(yù)測(cè)期更改為3 個(gè)月，利用148 家中小銀行26 個(gè)預(yù)測(cè)指標(biāo)的數(shù)據(jù)分別通過(guò)3 種機(jī)器學(xué)習(xí)算法構(gòu)建銀行風(fēng)險(xiǎn)早期預(yù)警模型，使用Logit 模型預(yù)測(cè)結(jié)果作為基準(zhǔn)，得到模型預(yù)測(cè)結(jié)果如下表。同樣可以發(fā)現(xiàn)，三種機(jī)器學(xué)習(xí)算法的樣本外預(yù)測(cè)能力優(yōu)于Logit 分類(lèi)回歸模型，AUC 值較高，模型性能較好。在對(duì)銀行季度數(shù)據(jù)樣本進(jìn)行風(fēng)險(xiǎn)狀態(tài)的預(yù)測(cè)中，隨機(jī)森林算法對(duì)樣本外數(shù)據(jù)的泛化能力最優(yōu)，預(yù)測(cè)結(jié)果見(jiàn)表5，ROC 曲線見(jiàn)圖6 至圖9。

表5 中小銀行季度數(shù)據(jù)預(yù)測(cè)結(jié)果

圖6 Logit 模型ROC 曲線

圖7 C5.0 決策樹(shù)模型ROC 曲線

圖8 隨機(jī)森林模型ROC 曲線

圖9 支持向量機(jī)模型ROC 曲線

五、結(jié)論與建議

本文使用2007-2019 年我國(guó)近200 家中小銀行的半年度數(shù)據(jù)和季度數(shù)據(jù)2 個(gè)樣本集，結(jié)合國(guó)內(nèi)外銀行監(jiān)管框架及我國(guó)監(jiān)管部門(mén)頒布的法律法規(guī)及指導(dǎo)性文件，確定了符合國(guó)內(nèi)銀行經(jīng)營(yíng)特點(diǎn)的、較為廣泛且嚴(yán)格的銀行風(fēng)險(xiǎn)狀態(tài)評(píng)估標(biāo)準(zhǔn)，應(yīng)用C5.0 決策樹(shù)、隨機(jī)森林和支持向量機(jī)三種機(jī)器學(xué)習(xí)技術(shù)構(gòu)建國(guó)內(nèi)中小銀行風(fēng)險(xiǎn)早期預(yù)警模型，實(shí)現(xiàn)對(duì)銀行潛在風(fēng)險(xiǎn)狀態(tài)的提前預(yù)警，并驗(yàn)證了三種算法能夠?qū)?guó)內(nèi)中小銀行準(zhǔn)確地分類(lèi)為遇險(xiǎn)和正常兩種狀態(tài)，能夠人為設(shè)定預(yù)測(cè)時(shí)間窗口，為銀行經(jīng)營(yíng)者及時(shí)糾偏和監(jiān)管部門(mén)早期干預(yù)防范銀行風(fēng)險(xiǎn)提供了實(shí)用的技術(shù)手段。三種算法構(gòu)建的模型預(yù)測(cè)準(zhǔn)確率均高于傳統(tǒng)的Logit 模型，且模型穩(wěn)定性較高，其中隨機(jī)森林算法和支持向量機(jī)表現(xiàn)更優(yōu)。

第一，在外部宏觀經(jīng)濟(jì)環(huán)境承壓和我國(guó)利率市場(chǎng)化改革等金融改革的大背景下，對(duì)風(fēng)險(xiǎn)水平不斷提高、經(jīng)營(yíng)發(fā)展水平良莠不齊且“太多而不能倒”和“太過(guò)關(guān)聯(lián)而不能倒”的中小銀行群體構(gòu)建風(fēng)險(xiǎn)早期預(yù)警模型有利于銀行風(fēng)險(xiǎn)的事前防范、事中控制和事后監(jiān)督，也能夠正確引導(dǎo)中小銀行改革發(fā)展，不僅有利于監(jiān)管機(jī)構(gòu)實(shí)施外部監(jiān)管，也為銀行自律監(jiān)管和風(fēng)險(xiǎn)控制提供參考，對(duì)完善現(xiàn)代金融監(jiān)管體系，健全金融風(fēng)險(xiǎn)預(yù)防、預(yù)警、處置、問(wèn)責(zé)的制度體系，防范化解系統(tǒng)性金融風(fēng)險(xiǎn)具有重要意義。

第二，考慮到中小銀行區(qū)別于系統(tǒng)重要性銀行的區(qū)域性經(jīng)營(yíng)特點(diǎn)，如果要進(jìn)一步提升中小銀行風(fēng)險(xiǎn)早期預(yù)警模型的預(yù)測(cè)精度，中央及地方金融監(jiān)管機(jī)構(gòu)應(yīng)該建立全面、完善、動(dòng)態(tài)、公開(kāi)的行業(yè)數(shù)據(jù)庫(kù)，運(yùn)用大數(shù)據(jù)、云計(jì)算等技術(shù)挖掘中小銀行經(jīng)營(yíng)中的關(guān)鍵指標(biāo)和動(dòng)態(tài)數(shù)據(jù)，不局限于現(xiàn)有銀行監(jiān)管條例，依據(jù)“適配性”監(jiān)管原則構(gòu)建與中小銀行經(jīng)營(yíng)業(yè)務(wù)相匹配的監(jiān)管指標(biāo)。仿照對(duì)國(guó)有大型商業(yè)銀行“一行一策”的監(jiān)管標(biāo)準(zhǔn)，對(duì)中小銀行采取差異化的適配性監(jiān)管原則并設(shè)置不同監(jiān)管標(biāo)準(zhǔn)，有利于降低監(jiān)管成本和中小銀行合規(guī)成本，激勵(lì)中小銀行探索健康發(fā)展和穩(wěn)健經(jīng)營(yíng)模式，實(shí)現(xiàn)對(duì)風(fēng)險(xiǎn)狀態(tài)更為精準(zhǔn)的預(yù)警。