人工智能背景下商業(yè)銀行流動性風(fēng)險的傳導(dǎo)機制和預(yù)警方法研究

摘 要：對于商業(yè)銀行來說，流動性風(fēng)險威脅著行業(yè)的穩(wěn)定性和未來發(fā)展。同時伴隨著金融科技的興起和發(fā)展，流動性風(fēng)險逐步形成關(guān)聯(lián)性、系統(tǒng)性、傳染性和破壞性強的特點。隨之帶來的風(fēng)險通過資產(chǎn)負債表、資產(chǎn)價格、恐慌情緒等傳播到整個銀行業(yè)，甚至?xí)绊懙饺鐣慕?jīng)濟安全。因此在人工智能技術(shù)興起的背景下，可利用該技術(shù)豐富的防范流動性風(fēng)險的措施，建立起風(fēng)險預(yù)警安全體系。文章旨在尋找合適的人工智能技術(shù)賦能金融審計，構(gòu)建完善我國銀行業(yè)風(fēng)險防控機制，守住不發(fā)生系統(tǒng)性風(fēng)險的底線。

關(guān)鍵詞：人工智能；流動性風(fēng)險；商業(yè)銀行

中圖分類號：F274文獻標識碼：A文章編號：1005-6432（2025） 17-0022-05

DOI：10.13939/j.cnki.zgsc.2025.17.006

1 文獻綜述

1.1 流動性風(fēng)險特征的研究

2018年，我國銀保監(jiān)會發(fā)布的《商業(yè)銀行流動性風(fēng)險管理指引》對流動性風(fēng)險做了具體定義：“商業(yè)銀行在履行清償負債及利息或維持正常運營時，不能夠在成本合理可控的范圍內(nèi)及時融資而導(dǎo)致銀行面臨的風(fēng)險?！盵1]國內(nèi)外學(xué)者從危害、趨勢、與其他風(fēng)險關(guān)聯(lián)度等多個方面對流動性風(fēng)險的特征進行了印證。

在風(fēng)險的關(guān)聯(lián)性方面，劉澤云（2011）[2]指出，流動性風(fēng)險與信用風(fēng)險是相互關(guān)聯(lián)的，兩者之間的相互作用最終影響著商業(yè)銀行的償付能力。樓文龍（2016）[3]認為，其他風(fēng)險和流動性風(fēng)險的相關(guān)性較高，存在相互轉(zhuǎn)換的現(xiàn)象。

在危害方面，董希淼等（2019）[4]認為，中國銀行業(yè)流動性風(fēng)險有著結(jié)構(gòu)化、長期化趨勢，一旦流動性風(fēng)險爆發(fā)，會對商業(yè)銀行自身乃至整個銀行業(yè)有極大的破壞性。孫偉娜（2014）[5]也指出，流動性風(fēng)險是“商業(yè)銀行最致命的風(fēng)險”。

在趨勢方面，彭建剛等（2014）[6]的研究表明，商業(yè)銀行貸款和存款期限不匹配的風(fēng)險是順周期的，當經(jīng)濟增長時，信貸業(yè)務(wù)可以擴張，期限不匹配的程度也會增加，因此一旦市場對銀行產(chǎn)生信任危機，則會引起聲譽風(fēng)險，進一步引起擠兌，從而發(fā)生流動性風(fēng)險。

范小云在采訪中提到，通過金融大數(shù)據(jù)，充分利用人工智能等科技手段，能夠有效建立起風(fēng)險預(yù)警系統(tǒng)，提高監(jiān)管的前瞻性和針對性。另外，可以通過引入線上線下的先進監(jiān)管科技手段，建立和健全金融混業(yè)經(jīng)營的統(tǒng)一監(jiān)管框架，加強監(jiān)管的整體性、系統(tǒng)性、協(xié)調(diào)性、實時性。張君淑（2021）[7]指出，新型的數(shù)據(jù)可以改變信貸結(jié)構(gòu)，使得貸款信息更加清晰，細節(jié)更加完善，能有效降低信貸風(fēng)險與流動性風(fēng)險。李淼（2016）[8]認為，新興科學(xué)技術(shù)與傳統(tǒng)銀行相關(guān)業(yè)務(wù)的結(jié)合意義重大，能夠降低營業(yè)成本，有利于銀行業(yè)的快速發(fā)展。

但是專家們對于人工智能對流動性風(fēng)險的影響的看法并非都是樂觀的。何飛（2019）[9]提出，金融科技等研發(fā)周期長，成本大，銀行若采用可能會使得投入產(chǎn)出不成正比，對銀行經(jīng)營業(yè)績和二級市場都會產(chǎn)生不利影響。

1.2 文獻評述

現(xiàn)有的對流動性風(fēng)險的文獻研究能讓我們對于流動性風(fēng)險有更深刻的認識，使得文章的研究更加深入，能幫助我們從根本上抓住防范流動性風(fēng)險所需要的條件和措施。而人工智能對于流動性風(fēng)險影響的現(xiàn)有研究也對文章的研究有很大的啟示，首先，現(xiàn)有文獻能夠使我們認識到不同的人工智能技術(shù)作用于流動性風(fēng)險的實例，給文章接下來的研究提供了一些案例支撐；也能讓我們更加了解人工智能對流動性風(fēng)險的可能影響，使切入點不再僅僅局限在人工智能的有利方面，讓文章的認識更加廣泛和全面。同時，文章的研究也會關(guān)注如何在盡量減少這些不利影響的情況下，最大可能地發(fā)揮人工智能對防范流動性風(fēng)險的正向作用。

但是，現(xiàn)有的文獻和研究也存在著些許不足之處：在人工智能對流動性風(fēng)險的影響方面，現(xiàn)有的研究仍然較少；從現(xiàn)有的文獻來看，早期專家學(xué)者對于這一方面的研究主要集中在信息對稱性和信息完整性方面；雖說2008年金融危機之后，專家學(xué)者將目光也拓展到了流動性風(fēng)險的成因方面，并且探討人工智能對防范其成因方面的作用，但研究的人工智能技術(shù)基本上都并非最新或成熟技術(shù)，對于新技術(shù)的研究基本上為空白。

因此，文章搜集了現(xiàn)有最新技術(shù)及其運用的案例來探尋人工智能能夠運用在銀行業(yè)的原因和能夠防范流動性風(fēng)險的原因，用以彌補相關(guān)研究的空白。

2 流動性風(fēng)險的特征及傳導(dǎo)渠道

2.1 流動性風(fēng)險的特征

防范流動性風(fēng)險是銀行的三大原則之一，通過對相關(guān)實例和文獻的總結(jié)，文章認為商業(yè)銀行流動性風(fēng)險具有關(guān)聯(lián)性、系統(tǒng)性、傳染性和破壞性強的特征，下面將從各個現(xiàn)實案例中分析其特征。

2.1.1 關(guān)聯(lián)性強

操作風(fēng)險會引起流動性風(fēng)險。巴林銀行職員尼克·李森由于預(yù)測偏差和操作不當，大量購入股票，導(dǎo)致巴林銀行倒閉。

信用風(fēng)險也會引起流動性風(fēng)險。在海南發(fā)展銀行兼并托管城市信用社宣布只保證給付本金和合法的利息，許多在原信用社可以收取20%以上的儲戶在兼并后只能收到7%的利息，因此大家不再信任海發(fā)行，出現(xiàn)信用風(fēng)險，加之未及時準確地引導(dǎo)輿論，引起了聲譽風(fēng)險，進一步引起了擠兌，從而發(fā)生流動性風(fēng)險。

2.1.2 系統(tǒng)性和傳染性強

包商銀行事件的影響從個體銀行傳染至同業(yè)存單市場，展現(xiàn)了流動性風(fēng)險的系統(tǒng)性和傳染性。包商銀行事件打破了同行業(yè)剛兌預(yù)期，這使得資質(zhì)比較差的中小銀行資金融入難度加大，很可能會導(dǎo)致中小銀行同業(yè)資金難以續(xù)接，從而拋售流動性較高資產(chǎn)。同時，資產(chǎn)拋售壓力會向流動性差的資產(chǎn)傳導(dǎo)，中小型銀行發(fā)行成功率下降而整體發(fā)行的利率上升，容易產(chǎn)生信用收縮風(fēng)險，信用價差加大，導(dǎo)致市場流動性扭曲。

2.1.3 破壞性強

流動性風(fēng)險具有極強的傳染性和系統(tǒng)性，同時，正如海發(fā)行的例子，當市場發(fā)生突然情況時，大多數(shù)儲蓄者會去提款，一般來說，銀行很難有充足的資金來滿足儲蓄者的需求，若不能及時有效地處理問題，將會引起大規(guī)模的擠兌，此時，流動性風(fēng)險放大為流動性危機，很可能導(dǎo)致銀行破產(chǎn)。

2.2 流動性風(fēng)險在銀行體系中的轉(zhuǎn)導(dǎo)渠道

如今國內(nèi)外經(jīng)濟形勢復(fù)雜多變，經(jīng)濟呈現(xiàn)下行趨勢，雖然金融行業(yè)在近些年來獲得了巨大收益，但銀行業(yè)的穩(wěn)定性仍然被流動性風(fēng)險影響。流動性風(fēng)險會在銀行間錯綜復(fù)雜的聯(lián)通網(wǎng)絡(luò)中傳播，而它的傳導(dǎo)也呈現(xiàn)出多種特征和途徑。在微觀層面，流動性風(fēng)險主要通過資產(chǎn)負債表之間的相互影響和資產(chǎn)價格渠道進行傳播；而在宏觀層面，經(jīng)濟發(fā)展水平、貨幣政策以及市場上的恐慌情緒都可以是流動性風(fēng)險傳播的渠道。當前，隨著金融市場的不斷發(fā)展和金融科技的不斷涌現(xiàn)，銀行流動性風(fēng)險的傳導(dǎo)途徑和方式也在不斷變化和演進。因此，厘清風(fēng)險傳導(dǎo)的機制和渠道，可以更有針對性地制定風(fēng)險管理策略，提前預(yù)警并采取相應(yīng)的風(fēng)險應(yīng)對措施，從而有效減少風(fēng)險的發(fā)生和損失。

流動性風(fēng)險發(fā)生時，銀行的數(shù)據(jù)指標會出現(xiàn)一系列顯著的變化，這些變化反映了銀行流動性狀況的惡化和風(fēng)險的加劇。通過對這些指標的密切監(jiān)測和分析，可以幫助我們研究流動性風(fēng)險傳導(dǎo)的渠道。易導(dǎo)致流動性風(fēng)險的各種因素，見圖1。

2.2.1 微觀層面下銀行的流動性風(fēng)險傳導(dǎo)渠道

（1）資產(chǎn)負債表傳導(dǎo)渠道。商業(yè)銀行通常以盈利為目的，銀行通過吸收客戶的存款來獲得大量資金，然后將客戶的低流動存款轉(zhuǎn)化為高流動的負債，即發(fā)放貸款和其他金融業(yè)務(wù)，從中賺取存貸款利息差。公眾為銀行提供流動性，同時銀行為需要資金的個人、家庭和企業(yè)提供可流動性的資金。所以，銀行通過存款業(yè)務(wù)將家庭、企業(yè)和銀行三方的資產(chǎn)負債表串聯(lián)在一起，形成了復(fù)雜的相互關(guān)聯(lián)網(wǎng)。

當市場對流動性資金的需求增加，即銀行的資產(chǎn)方或負債方對資金有突發(fā)性需求，而銀行為滿足資產(chǎn)方的需求，可能會采取以下列措施：向其他銀行借款、拋售資產(chǎn)和調(diào)整信貸政策等。

從資產(chǎn)和負債兩方面分析產(chǎn)生流動性風(fēng)險的因素，見圖2。

（2）資產(chǎn)價格傳導(dǎo)渠道。如上所述，當銀行面對流動性風(fēng)險時，為了補充流動性，可能會拋售手中的資產(chǎn)，例如：股票、債券、房地產(chǎn)等。而大規(guī)模的拋售會導(dǎo)致市場上的供應(yīng)相對增加，需求相對減少，從而引發(fā)資產(chǎn)的價格下跌，進而影響資產(chǎn)負債表總資產(chǎn)的價值下降，表中的凈資產(chǎn)的價值下降，導(dǎo)致銀行的資產(chǎn)負債比和償付能力下跌，引發(fā)公眾的信心下降，加劇流動性風(fēng)險；同一時間的其他銀行為了挽回損失選擇拋售縮水的相似資產(chǎn)，進而影響其他相關(guān)資產(chǎn)的價格下跌，最終形成銀行的系統(tǒng)性流動性風(fēng)險。

圖1 易導(dǎo)致流動性風(fēng)險的各種因素

圖2 從資產(chǎn)和負債兩方面分析產(chǎn)生流動性風(fēng)險的因素

（3）恐慌情緒傳導(dǎo)情緒。銀行具有滿足存款人提現(xiàn)需求的責任，一旦銀行無法滿足這種需求，市場上便會出現(xiàn)關(guān)于銀行流動性的負面消息，公眾便會出現(xiàn)恐慌情緒，擔心自己的存款無法取回，這種“恐慌性”預(yù)期就容易形成銀行的擠兌風(fēng)險，甚至?xí)?dǎo)致銀行破產(chǎn)倒閉。

正如1984年的美國大陸伊利諾銀行經(jīng)歷的一次嚴重的流動性危機。1982年的美國大陸伊利諾銀行沒有按時付息的貸款額占總資產(chǎn)的4.6%，比其他大銀行的該比率高一倍以上，而在1983年該銀行的流動性情況進一步惡化，終于在1984年的市場上流傳著大陸伊利諾銀行將要倒閉的消息，原有的存款人也拒絕延展到期的定期存單和歐洲美元，終于在美國聯(lián)邦儲備銀行的幫助下渡過了這次的流動性危機。

2.2.2 宏觀層面下銀行流動性風(fēng)險傳導(dǎo)渠道

（1）宏觀經(jīng)濟水平。首先，國家的經(jīng)濟發(fā)展水平?jīng)Q定了社會經(jīng)濟的資金需求和活躍狀況。在經(jīng)濟繁榮時期，社會經(jīng)濟活躍，居民收入增加，企業(yè)盈利上升，人們對流動資金的需求增加，也帶動著銀行的信貸需求的上升，但是一旦銀行無法滿足這些需求，流動性風(fēng)險就會相應(yīng)出現(xiàn)。其次，經(jīng)濟發(fā)展水平的變化也會影響到銀行的負債結(jié)構(gòu)，居民和企業(yè)手中的流動資金愈加豐富，其對金融資金業(yè)務(wù)的需求也會相應(yīng)增加，而銀行也需要同時調(diào)整負債結(jié)構(gòu)來應(yīng)對這種改變，否則會出現(xiàn)負債穩(wěn)定性下降的情況，從而影響到銀行的流動性。

2023年3月8日，硅谷銀行發(fā)布公告，產(chǎn)生18億美元虧損，3月10日，硅谷銀行倒閉，這場由“流動性危機”引發(fā)的事件給社會帶來了很大的不穩(wěn)定因素，而宏觀經(jīng)濟水平也是這場災(zāi)難的主要原因之一。作為一家面向硅谷初創(chuàng)企業(yè)的銀行，它服務(wù)的客戶主要是高科技公司，相應(yīng)的該銀行的存款80%是企業(yè)存款，而在疫情后，大量的科技和初創(chuàng)企業(yè)遭遇寒冬，存款的流失較多。

（2）貨幣政策傳導(dǎo)渠道。從經(jīng)濟學(xué)的角度來看，當中央銀行實施擴張性貨幣政策時，例如通過降低利率或?qū)嵤┝炕瘜捤烧撸袌錾系馁Y金供應(yīng)量將會增加。這種政策環(huán)境下，銀行獲取資金的成本會降低，使得整個金融體系的流動性變得相對充裕。這無疑為銀行提供了更多的運營空間，降低了發(fā)生流動性風(fēng)險的可能性。然而，也需要警惕一種現(xiàn)象，那就是銀行可能在這種寬松的政策環(huán)境中過度擴張高風(fēng)險業(yè)務(wù)。一旦政策環(huán)境發(fā)生變化，比如央行開始實施緊縮性貨幣政策，銀行可能會突然面臨流動性緊張的困境。

相反，當央行采取緊縮性貨幣政策，如提高存款準備金率、加息或?qū)嵤┬刨J收縮政策時，市場上的資金供應(yīng)會減少，銀行的資金獲取成本會上升，這可能導(dǎo)致銀行體系的流動性變得緊張。在這種情況下，如果銀行未能及時調(diào)整其資產(chǎn)負債結(jié)構(gòu)或有效管理流動性，那么它們將面臨流動性風(fēng)險，這可能會對其穩(wěn)健運營構(gòu)成威脅。

比較典型的例子是美聯(lián)儲的加息對硅谷銀行倒閉產(chǎn)生了顯著的影響。首先，加息使得債券價格下降，這給銀行帶來了嚴重的浮虧；其次，硅谷銀行主要服務(wù)于初創(chuàng)企業(yè)，加息使融資成本上升，進而銀行的存款流失過快；此外，加息還會影響借款人的還款能力，可能會出現(xiàn)違約的情況，加大了銀行的信用風(fēng)險，給銀行帶來損失。

3 基于人工智能的流動性風(fēng)險防范技術(shù)

銀行流動性風(fēng)險一旦失控，便可能引起連鎖反應(yīng)，對整個銀行業(yè)的穩(wěn)定構(gòu)成威脅；結(jié)合近年來基于人工智能的流動性風(fēng)險防范技術(shù)得到了巨大進展，BP神經(jīng)網(wǎng)絡(luò)、AI圖計算以及深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)等技術(shù)的應(yīng)用為銀行業(yè)解決風(fēng)險提供了新方案，不僅提升了風(fēng)險管理的效率，也增強了風(fēng)險預(yù)警的準確性，為銀行業(yè)的穩(wěn)健發(fā)展提供了有力保障。

3.1 BP神經(jīng)網(wǎng)絡(luò)

在防范銀行業(yè)流動性風(fēng)險的過程中，需要對大量的金融數(shù)據(jù)進行分析，對各種數(shù)據(jù)指標進行監(jiān)測和分析，還有對經(jīng)濟環(huán)境的實時反映。而BP神經(jīng)網(wǎng)絡(luò)這種機器學(xué)習(xí)算法具有自我學(xué)習(xí)和模式識別能力，通過不斷的自我優(yōu)化和改變加權(quán)方式，從而處理復(fù)雜的數(shù)據(jù)信息。

3.2 AI圖計算（圖數(shù)據(jù)庫）助力防范流動性風(fēng)險

AI圖計算是AI同數(shù)據(jù)庫等大數(shù)據(jù)技術(shù)融合的產(chǎn)物，是快數(shù)據(jù)架構(gòu)發(fā)展的必然趨勢。AI圖計算擅長對海量、復(fù)雜、多變的數(shù)據(jù)進行深度的處理運算以及分析。

在銀行各項業(yè)務(wù)中，注重防范流動性風(fēng)險是銀行的三大原則之一，自從巴塞爾協(xié)議Ⅲ的全面落地實施后，加上2008年金融危機的影響，重視流動性風(fēng)險管理已成為銀行業(yè)界和監(jiān)管部門的共識。因此運用好科技紅利應(yīng)對流動性風(fēng)險十分重要。

在銀行實務(wù)場景中，AI圖計算（圖數(shù)據(jù)庫）技術(shù)能夠整合賬戶、客戶以及交易等海量的數(shù)據(jù)，進而分析它們之間錯綜復(fù)雜的流轉(zhuǎn)關(guān)系，探尋可能產(chǎn)生的所有結(jié)果，通過基于圖特征的機器學(xué)習(xí)的方式來計算風(fēng)險；此外，在反洗錢的應(yīng)用中，圖數(shù)據(jù)庫技術(shù)可以幫助銀行從轉(zhuǎn)賬記錄中深入挖掘資金上下游的流動情況，最終確認資金的來源賬戶和目的地賬戶。圖技術(shù)的深度洞察能力可以幫助銀行進行預(yù)警和預(yù)測，避免黑天鵝或灰犀牛事件的發(fā)生。

目前，Ultipa嬴圖實時圖計算作為已投入使用的AI圖數(shù)據(jù)庫，在實例中產(chǎn)生了較大的正面影響，該技術(shù)可實現(xiàn)對任意數(shù)據(jù)集的超深度實時鉆取，這意味著該技術(shù)可以幫助業(yè)務(wù)人員實時查看和了解業(yè)務(wù)邏輯及其與每個數(shù)據(jù)之間的相關(guān)性，從而準確定位每個風(fēng)險的傳遞路徑，有效防范流動性風(fēng)險。

3.3 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)

近年來，在智能風(fēng)險預(yù)警方面，已經(jīng)從傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)發(fā)展到深度學(xué)習(xí)領(lǐng)域。即通過構(gòu)建含有多個隱藏層的神經(jīng)網(wǎng)絡(luò)模型如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等，在沒有規(guī)律且浩瀚的數(shù)據(jù)中進行有效學(xué)習(xí)，從而提升風(fēng)險預(yù)警的準確性。傳統(tǒng)的機器學(xué)習(xí)方法對數(shù)據(jù)的處理有許多缺陷，而深度學(xué)習(xí)方法可以規(guī)避這些問題。如基于LSTM的財務(wù)風(fēng)險預(yù)警模型[10]可以捕捉到數(shù)據(jù)中的長期依賴關(guān)系，從而更準確地預(yù)測未來的趨勢，精準率達到0.85。亦有學(xué)者采用TVP-VAR模型[11]研究中國金融業(yè)動態(tài)風(fēng)險溢出效應(yīng)并構(gòu)建金融風(fēng)險測度指標，該模型計算出的金融系統(tǒng)風(fēng)險溢出指數(shù)較好地刻畫了中國金融風(fēng)險的時變。

由于商業(yè)銀行流動性風(fēng)險特征數(shù)據(jù)集的維數(shù)較高，金融時間序列多數(shù)呈現(xiàn)非線性的動態(tài)變化趨勢，風(fēng)險映射關(guān)系通常會更加復(fù)雜，而且各個流動性風(fēng)險指標可能存在相互影響的情況，所以運用傳統(tǒng)方法對商業(yè)銀行流動性風(fēng)險預(yù)警的難度較大，而深度學(xué)習(xí)技術(shù)可以較好地解決這類問題。

深度學(xué)習(xí)中的深度神經(jīng)網(wǎng)絡(luò)（DNN）本質(zhì)上是一個包含多個隱藏層的多層感知機，可以對信息進行多步降維，完成機器學(xué)習(xí)。利用深度學(xué)習(xí)網(wǎng)絡(luò)的前饋計算，可以在商業(yè)銀行流動性風(fēng)險智能預(yù)警模型中輸入相關(guān)流動性風(fēng)險指標，進一步呈現(xiàn)出商業(yè)銀行流動性風(fēng)險特征數(shù)據(jù)，用來預(yù)測商業(yè)銀行流動性風(fēng)險警度[12]。該深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)勢在于，運用非線性的模塊將較多維的商業(yè)銀行流動性風(fēng)險特征實現(xiàn)轉(zhuǎn)換和降維，再通過多層轉(zhuǎn)換構(gòu)建出與商業(yè)銀行流動性風(fēng)險的映射關(guān)系。其深度學(xué)習(xí)過程可以擴大輸入的商業(yè)銀行流動性風(fēng)險指標中具有重要作用的因素的影響，并減輕非相關(guān)因素的干擾，避免利用人為經(jīng)驗來主觀提取風(fēng)險特征，由此對風(fēng)險警度的評估將更加精準客觀。

4 研究結(jié)論和建議

4.1 研究結(jié)論

文章基于《商業(yè)銀行流動性風(fēng)險管理辦法》對流動性風(fēng)險的定義和指標體系的構(gòu)建，與現(xiàn)有文獻對流動性風(fēng)險與人工智能的評價，分析了流動性風(fēng)險的特點和在銀行體系中的傳導(dǎo)渠道，并提出了人工智能技術(shù)在防范流動性風(fēng)險方面的具體應(yīng)用與可行性。研究發(fā)現(xiàn)，在數(shù)據(jù)處理方面人工智能技術(shù)可以規(guī)避傳統(tǒng)方法帶來的缺陷，從時間的維度上更全面、精準地對數(shù)據(jù)進行分析，建立起智能風(fēng)險預(yù)警體系，從而提供更精準的風(fēng)險評估和預(yù)警，完善我國銀行業(yè)流動性風(fēng)險防控機制。然而，人工智能在銀行流動性風(fēng)險控制的應(yīng)用上還面臨一些挑戰(zhàn)，且尚未得到普及，需要進一步的完善與創(chuàng)新。未來的研究可以進一步探索人工智能與流動性風(fēng)險預(yù)警體系的結(jié)合，銀行業(yè)也會朝著穩(wěn)定、健康的方向不斷發(fā)展。

4.2 建議

4.2.1 完善流動性風(fēng)險預(yù)警指標體系

監(jiān)管層對流動性指標體系的設(shè)置，旨在鼓勵商業(yè)銀行合理規(guī)劃資產(chǎn)負債結(jié)構(gòu)。防范期限錯配過度、控制同業(yè)占比過多的導(dǎo)向。在構(gòu)建指標體系時，應(yīng)從經(jīng)濟、政策、內(nèi)部等多角度分析不同因素對商業(yè)銀行流動性風(fēng)險的影響，以選擇合理的指標，通過指標量化來反映影響程度與風(fēng)險大小，指標體系的建立應(yīng)符合全面、完整、可量化的原則。制定嚴格的指標數(shù)據(jù)采集制度，以確保采集的指標數(shù)據(jù)可靠、真實和完整。建立完備的跨區(qū)域流動性風(fēng)險監(jiān)測平臺，加深地區(qū)間的聯(lián)系，實時監(jiān)測銀行之間的拆借行為，提高監(jiān)管能力。同時優(yōu)化流動性計量模型，提升指標計量專業(yè)化水平，明確一些復(fù)雜業(yè)務(wù)的流動性要素計量標準，運用現(xiàn)有人工智能技術(shù)創(chuàng)新對相關(guān)指標的量化提取。

4.2.2 調(diào)整資產(chǎn)負債結(jié)構(gòu)，提升期限錯配管理能力

規(guī)避流動性風(fēng)險最佳的保障之一就是擁有健全、靈活的資產(chǎn)負債結(jié)構(gòu)，增加盈利的沖動可能使商業(yè)銀行進行不良的資產(chǎn)負債搭配，正如硅谷銀行倒閉的直接原因就是資產(chǎn)負債期限嚴重錯配。銀行在調(diào)整資產(chǎn)負債結(jié)構(gòu)時，要做到目標和經(jīng)濟環(huán)境等方面的全方位考量，貸款與存款在金額、期限等方面要保持一定的對稱關(guān)系，使資產(chǎn)與負債的搭配更加優(yōu)良，確保不會出現(xiàn)期限錯配，規(guī)避流動性風(fēng)險。事實上，《商業(yè)銀行流動性風(fēng)險管理辦法》中設(shè)定的流動性覆蓋率和凈穩(wěn)定資金率分別從短期和長期對銀行的期限錯配進行了限制，各個商業(yè)銀行也可以根據(jù)自身實際情況，來設(shè)定期限錯配管理的容忍度，以便針對性地緩解業(yè)務(wù)開展帶來的流動性風(fēng)險。

4.2.3 完善流動性風(fēng)險管理體系，融合智能風(fēng)控技術(shù)

流動性風(fēng)險管理體系的建設(shè)尚不完善，構(gòu)建有效的風(fēng)險預(yù)警機制也迫在眉睫。大數(shù)據(jù)、云計算在數(shù)據(jù)處理方面具有高效、迅速的優(yōu)勢，商業(yè)銀行應(yīng)優(yōu)化數(shù)據(jù)處理標準，確保數(shù)據(jù)的準確性、完整性和安全性，擴大風(fēng)控系統(tǒng)采集的信息范圍，從更多角度去識別、計量和檢測流動性風(fēng)險。應(yīng)當定期進行壓力測試，銀行風(fēng)控部門至少每季度組織一次壓力測試，并利用先進技術(shù)研發(fā)智能測試模型，充分發(fā)揮壓力測試預(yù)警作用。結(jié)合人工智能技術(shù)，設(shè)計商業(yè)銀行流動性風(fēng)險預(yù)警模型，構(gòu)建商業(yè)銀行流動性風(fēng)險特征數(shù)據(jù)集和城市商業(yè)銀行流動性風(fēng)險標簽數(shù)據(jù)集的風(fēng)險映射關(guān)系，直觀精準的給出可能引發(fā)流動性風(fēng)險的潛在原因，以做到及時監(jiān)管和調(diào)整，并提高流動性風(fēng)險管理水平。

參考文獻：

[1]銀監(jiān)會.《銀監(jiān)會關(guān)于印發(fā)〈商業(yè)銀行流動性風(fēng)險管理指引〉的通知》[EB/OL].[2009-10-29].https：//www.gov.cn/gzdt/2009-10/29/content_1451768.htm.

[2] 劉澤云.巴塞爾協(xié)議Ⅲ、宏觀審慎監(jiān)管與政府財政角色安排[D].北京：財政部財政科學(xué)研究所，2011.

[3] 樓文龍.中國商業(yè)銀行資產(chǎn)負債管理——利率市場化背景下的探索與實踐[M].北京：中國金融出版社，2016.

[4] 董希淼， 黃嬌.金融穩(wěn)定目標下中小銀行流動性風(fēng)險防范[J].清華金融評論，2019（11）：42-45.

[5] 孫偉娜.我國商業(yè)銀行流動性風(fēng)險影響因素分析[D].保定：河北大學(xué)，2014.

[6] 彭建剛，王佳，鄒克.宏觀審慎視角下存貸期限錯配流動性風(fēng)險的識別與控制[J].財經(jīng)理論與實踐，2014，35（4）：2-8.

[7] 張君淑.金融科技對我國上市商業(yè)銀行信貸風(fēng)險的影響研究[D].南京：南京大學(xué)，2021.

[8] 李淼. FINTECH 來襲：重塑金融格局[J].中國戰(zhàn)略新興產(chǎn)業(yè)，2016（14）：18-19.

[9] 何飛.破解銀行金融科技布局困境[J].中國金融，2019，897（3）：43-45.

[10] 陳超飛，劉浩然.基于深度學(xué)習(xí)技術(shù)的企業(yè)財務(wù)風(fēng)險預(yù)警研究——以制造業(yè)上市公司為例[J].財會研究，2024（1）：47-52.

[11] 歐陽資生，路敏，周學(xué)偉.基于TVP-VAR-LSTM模型的中國金融業(yè)風(fēng)險溢出與預(yù)警研究[J].統(tǒng)計與信息論壇，2022，37（10）：53-64.

[12] 趙城燦.基于深度學(xué)習(xí)技術(shù)的城市商業(yè)銀行流動性風(fēng)險預(yù)警研究[D].北京：對外經(jīng)濟貿(mào)易大學(xué)，2021.