我国地方商业银行存款保险定价研究&基于期望损失定价模型的分析_存款保险论文

我国地方性商业银行存款保险定价研究——基于预期损失定价模型的分析，本文主要内容关键词为：地方性论文,银行存款论文,模型论文,损失论文,我国论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。

      自20世纪30年代美国建立存款保险制度至今，全球已有90多个国家和地区建立了显性存款保险制度。随着我国金融业的不断发展，金融机构正面临巨大的经营风险，适时建立适合我国国情的存款保险制度已经刻不容缓。虽然，存款保险制度存在逆向选择及道德风险，但却能给金融机构的稳健经营带来保障。在存款保险制度中，存款定价是其重要组成部分，而且现有研究表明，合适的存款保险定价可以弥补这一制度自身固有的不足，因此也成为当前我国金融监管部门和学术界研究的难点和热点问题。朱纯福(2002)[1]在对该问题进行研究时，构建了相应的评价方法和指标体系；夏阳等(2004)[2]、周旭等(2007)[3]分别利用D-S证据理论，以及BP网络进行了实证分析；迟国泰等(2005)[4]、李金迎(2008)[5]分别运用AHP方法、综合分析法对我国金融机构存款保险的定价进行了分析。但总的来看，国内现有文献在研究内容和方法上还不够深入，特别是未能结合国外已普遍采用的预期损失定价模型来对相关问题展开研究。鉴于此，本文以国有大型及股份制商业银行为参照，以地方商业银行为样本，选用预期损失定价模型作为基本的分析工具来计算存款保险费率。同时，利用BP神经网络及D-S证据理论对地方性商业银行的信用等级进行简单评定，并结合国内外相关经验给出预期损失率，从而得出存款保险费率的理论测度值，以期得到更有说服力的研究结论。

      一、研究方法和方案设计

      (一)研究方法选择

      存款保险定价的核心是估计银行资产价值的风险大小。在已建立存款保险制度的国家中，多数使用基于Black-Scholes期权定价理论的Merton定价模型和预期损失定价模型来测算存款保险的定价。在Merton定价模型中，可将存款保险看作一份以保险期限为履约期限、以约定赔偿金额为履约价、以银行资产为基础的看跌期权。但是，Merton期权定价模型只适用于那些可以得到公司资产净值、市场估计价值的商业银行，这就意味着这种看跌期权定价模型只能够针对上市银行来计算存款保险价值，对于非上市的商业银行来说就无法适用，而预期损失定价模型则没有这方面的要求，因而更能够适用于非上市银行。预期损失定价模型假定：存款保险费用应大于或者等于期望损失，期望损失可以用期望违约率、风险敞口、违约损失率的乘积来代表。其中，期望违约率是商业银行不能支付存款发生流动性危机的概率，它测度了存款保险的成本；风险敞口是已经投保的存款占比；违约损失概率可以运用基本分析、市场分析或评级分析来估计。

      从我国地方性商业银行的发展来看，绝大多数都未能上市融资，因此对地方性商业银行总体进行分析时，只能选用预期损失定价模型来计算存款保险费率。从预期损失定价模型的原理来看，最难确定的是期望违约概率，一般情况下可根据信用评级机构对商业银行的信用评级来确定。由于我国商业银行还没有公认的市场评级结果，虽然穆迪及标准普尔对国有商业银行以及部分全国性股份制商业银行进行了评级，但地方性的金融机构缺乏这些机构相应评级，也就无法确定期望违约概率。为此，可利用相关指标，综合运用神经网络和D-S证据理论方法，对国内地方性商业银行的风险等级进行估算。

      (二)研究方案设计

      首先，运用BP神经网络技术对所选取的地方性商业银行的相关指标进行处理，以实现神经网络从输入到输出的映射，再将BP神经网络的多个输出结果进行归一化处理后，作为D-S证据理论的基本可信度分配函数。

      BP神经网络是目前应用最广泛的单向传播的多层前向网络，三层网络是BP神经网络最典型的形式，它包含输入层、隐层以及输出层，各层之间实行全连接，每一层节点的输出都影响下一层节点的输入。假设BP神经网络输入层节点为

，隐层节点为

，输出层节点为

，输入层节点与隐层节点之间的网络权值为

，隐层节点与输出层节点之间的网络权值为

，输出层节点的期望输出值为

。BP神经网络每一层节点的基函数为线性函数，并可以用以下函数形式来表示：

      

      在式(1)中，v为被解释变量，θ为参数。在BP网络中，权值一般会采用梯度下降法来不断修正，输出函数必须可微且单调上升，因此可以利用Sigmoidal函数作为BP网络各层节点的激活函数，Sigmoidal函数表示如下：

      

      BP网络的正向传播过程完成了N维空间矢量到M维空间的影射，对于三层网络来说，它由两个子过程组成。从输入层到隐层有：

      

      由于神经网络输出存在很多种误差函数，在计算中可以选择最常用的均方误差函数。若用R代表样本总数，则对于R中的每一个样本，可用均方误差函数来计算它的误差：

      

      将式(7)展开至隐层，则有：

      

      从式(8)、(9)可以看出，以E表示的神经网络误差是各层权值

和

的函数，调整各层的权值就可以对误差E不断进行修正。在调整过程中要保证权值的调整量与误差的负梯度成正比，这样才能不断缩小误差值，调整量可表示为：

      

      在式(10)与(11)中，η代表学习率，其值介于0和1之间，对于输出层有：

      

      在式(12)中，

为误差信号，并可以表示为：

      

      对于样本R，根据式(12)和(14)，可以得出隐层和输出层的权值调整公式分别为：

      

      根据BP网络原理，可以得到相应算法，其计算步骤为：第一步，对相应指标进行初始化，包括用随机数初始化权值矩阵w和u，设定学习率η的大小，设置误差精度的初始值以及网络的最大模拟次数；第二步，将样本依次输入网络；第三步，根据输入的样本R，从隐层到输出层，逐层计算各节点的输出；第四步，计算隐层和输出层的误差信号；第五步，调整各层权值，根据误差精度或者最大训练次数，判断学习是否结束。

      然后，利用D-S证据理论进行数据融合，最终给出地方性商业银行的风险等级状况。在D-S证据理论中，通过信度函数的引入不但可以表达随机性引起的不确定性，而且还能处理区分由未知因素所引起的不确定性。[6]进一步假设，W表示X可能取值的集合，W内的所有元素都互不相容，则W可以视为是X的识别框架，若函数m：

→[0，1]完全满足以下条件：

。则可以将m(A)看成是A的概率分配。当A为W的子集，且m(A)≠0时，称A为m的焦元。用BEL代表信度函数，该函数可以定义为：

      

       表示两个基本概率分配矛盾的程度。对K值进行归一化，如K=1，则表示两个基本概率分配完全矛盾；如K=0，则表示两个基本概率分配不用归一化。

      选取可以反映地方银行竞争力的相关指标，通过BP神经网络对所选样本构造证据理论的基本概率分配函数，这样地方银行指标数据经过BP网络的非线性映射所得到的输出结果基本相互独立，这样就符合了D-S理论的内在要求。

      二、地方性商业银行存款保险定价的实证分析

      在我国能够反映地方性商业银行竞争力的指标较多。在分析中，可以结合商业银行的经营管理状况，以及有关银行竞争力评价的文献研究，选取资本充足率(

)、拨备覆盖率(

)、不良贷款率(

)、存贷比率(

)、流动性比率(

)、收入利润率(

)、非利息收入比(

)、资产增长率(

)、资产总额(

)等指标作为解释变量，来反映商业银行的风险管理和竞争力水平，并将这些指标划分为正相关指标、负相关指标和区间指标三大类。

      (一)样本的选取及等级的划分

      为了能更好地评价地方性商业银行的竞争力等级，确定这些银行的预期损失率大小，从商业银行竞争力等级评价的实际需要出发，本文选取成都银行、重庆银行、宁夏银行、北京银行、长安银行、部分地区的农村合作银行、部分地区村镇银行等10家地方法人金融机构作为评价对象。同时，选择中国工商银行、中国建设银行、招商银行、民生银行4家国有或股份银行作为参照，数据来源于各商业银行年报及《金融年鉴》，截取2012年、2013年的披露数据，利用BP网络进行模拟和评价，进而得出各银行的竞争力等级。

      在正常情况下，评价指标的个数就是BP神经网络输入层节点数。本文在研究中共选取了9个指标，因此输入层网络节点数就为9。地方性商业银行竞争力评价等级就是网络输出层节点的个数。为分析方便，在研究中，可将样本银行的竞争力等级分为4个级别，分别为：优、良、中、差，输出结果(0.9，0.1，0.1，0.1)表示为Ⅰ，代表等级为优；输出结果(0.1，0.9，0.1，0.1)表示为Ⅱ，代表等级为良；输出结果(0.1，0.1，0.9，0.1)表示为Ⅲ，代表等级为中；输出结果(0.1，0.1，0.1，0.9)表示为Ⅳ，代表等级为差。输出结果和预期结果之间的误差精度、网络模拟次数、迭代次数，都需要在试验中通过不断调节隐层的节点数来调整，通过实验调整可以确定最佳的隐层节点数为18。此外，在分析过程中，允许存在误差，并利用随机过程确定初始权值。分析过程中允许的误差为1E-3，当两次迭代结果值小于误差允许值时，结束迭代运算。网络的初始权值利用Matlab7.8中随机发生器产生的一组随机数来表示，迭代次数取2000，模拟分析结果如表1所示，表中数字1～14分别代表14个样本银行的序号。

      (二)BP网络模拟及D-S证据融合

      利用Matlab7.8不断调整BP网络参数，对样本进行BP网络模拟，选择模拟好的神经网络BP-1、BP-2、BP-3，所对应的模拟误差曲线如图1所示。

      

      

      图1 BP神经网络模拟误差曲线

      

      

      

      图1中的横坐标表示模拟的次数，纵坐标表示误差精度，由于Matlab随机选取的初始值不同，训练完成的网络训练次数以及曲线的拐点都不一样。利用模拟好的3个BP神经网络对2013年样本银行的数据进行预测，每一个神经网络的预测值都有一定的差异，这是因为神经网络输出的不稳定性所导致。根据3个不同的模拟网络列出预测值，如表2～表4所示。

      对于BP神经网络自身存在的不稳定性，以及每一个训练网络预测输出结果表现出的差异性，可利用D-S证据理论进行相应调整，最终可以将不稳定性显著降低。利用D-S对样本银行进行数据融合，则样本银行竞争力等级分布如表5所示。

      依据BP神经网络预测输出的D-S规则融合结果，并结合14家样本银行的排序情况可以发现：国有及股份制商业银行的排名普遍靠前，级别相对更高，而地方性商业银行的级别排名普遍比国有及股份制商业银行低。根本原因在于地方性商业银行的经营风险普遍要高于国有商业银行和股份制商业银行。因此，实证分析结果与实际情况较为吻合。

      (三)地方性商业银行存款保险费率的确定

      根据BP神经网络预测输出结果，以及D-S证据理论数据融合评级结果，借鉴国外存款保险定价的经验，可以构建相应的金融机构预期损失率表。同时，参考穆迪公司的国内金融机构信用评级及其对应的预期损失率，可以得到相应等级的预期损失率。其中，等级为Ⅰ级的地方性商业银行预期损失率为0.03%，Ⅱ级为0.07%，Ⅲ级为1.32%，Ⅳ级为5.58%。根据评定等级得出相应的预期损失率之后，为求出地方性商业银行存款保险费率，还要计算金融机构的违约损失率。由于违约损失率必须通过已经破产的金融机构的历史经验来计算，以往违约损失率的研究都是对海南发展银行等金融机构的破产清算来估计，所计算出的违约损失率缺乏普遍适用性。为此，可借鉴魏志宏(2004)[7]提出的研究方法来估算地方性商业银行的违约损失率，他认为，违约损失率等于[1-(存款/资产)]×2，存款和资产的数据可选取地方性商业银行2013年的数据。

      根据所选数据就可分别得到各类不同商业银行的违约损失率，其中以北京银行、长安银行为代表的地方银行的违约损失率最大值为45.66%，最小值为25.97%，加权平均值为34.3%；包括地方农村信用社与农村合作银行在内的农村金融机构违约损失率的最大值为41.87%，最小值为26.79%，加权平均值为34.13%；地方村镇银行违约损失率的最大值为39.15%，最小值为29.16%，加权平均值为34.16%；国有及股份制银行违约损失率的最大值为39.13%，最小值为27.51%，加权平均值为33.12%。各类商业银行的违约损失率计算结果具体如表6所示。

      

      根据各类银行违约损失率的计算结果，可选择将地方性商业银行中违约损失率的最大值与最小值作为上下边界，从而得到Ⅰ级违约损失率为25.97%，Ⅳ级为45.66%。进一步比较地方农村金融机构与村镇银行的违约损失率，再考虑到每一个等级数据之间的间隔，就可分别确定Ⅱ级违约损失率为26.79%，Ⅲ级为41.87%。最后，根据各类地方性商业银行的风险敞口额，利用预期损失定价模型就可以计算得到不同等级的地方性商业银行加权平均存款保险费率，其中Ⅰ级为0.55%，Ⅱ级为1.45%，Ⅲ级为2.35%，Ⅳ级为3.55%。由于计算出来的存款保险费率同样属于加权平均值，为能使存款保险费率的核算具有一定的弹性，可以将各个等级的加权平均值作为中间数，并在此基础上确定不同等级存款保险费率的合理区间值，具体费率区间如表7所示。

      

      三、研究结论及启示

      本文基于预期损失定价模型，利用BP神经网络及D-S证据理论对我国地方性商业银行的存款保险定价问题进行研究并得出结论。

      第一，鉴于我国地方性商业银行绝大多数都未能上市融资，综合利用BP神经网络和D-S证据理论方法，合理使用预期损失定价模型，能够克服地方性金融机构缺乏信用评定机构的评级，无法确定期望违约概率，普通实证计量技术无法使用等技术难题，可以有效估算国内地方性商业银行的风险等级，且结果与实际情况非常吻合。同时，利用该方法还能较为精确地对地方性商业银行的存款保险进行定价，因而对于成功解决国内商业银行存款保险费率难以量化这一难题具有重要参考价值。

      第二，我国在设计存款保险制度时，对于地方性商业银行的存款保险费率，可以按照不同的风险级别来实行差别定价，并且对于每一个等级可以允许存款保险费率在一定的区间范围内波动，以突出使用的灵活性。结合预期损失率、违约损失率等指标，可以考虑将我国地方性商业银行的存款保险费率划分为四个等级，其中Ⅰ级的合理费率区间为[0，1.1%]，Ⅱ级的合理费率区间为[1.2%，1.7%]，Ⅲ级为[1.8%，2.9%]，Ⅳ级为[3.0%，7.1%]，这种划分有利于存款保险机构根据商业银行的风险及信用实行差别及弹性定价。

      第三，由于地方性商业银行的经营风险比国有及股份制商业银行相对更高，因此在采用差别定价时，地方性商业银行单位存款所应缴纳的保险费应相对更高，以体现缴费的公平性。但是，考虑到现阶段我国风险识别体系还不完善，在推行差别定价时容易造成商业银行缴费存在事实上的不公平现象。因此，在推行存款保险制度时，应在初期实行统一费率，之后随着银行风险识别体系的不断完善，再逐步由统一费率向差别费率和弹性费率过渡。

      第四，在存款保险制度推行初期，政府应对地方性商业银行提供必要的政策扶持。地方性商业银行作为金融体系的一部分，不但促进了地方金融发展的完整性，而且对推动地方经济的发展以及社会的稳定起到了相应的支撑作用。由于地方性商业银行总体规模小、业务种类及客户资源比较少、盈利空间有限，在支出存款保险费用的同时势必会减少利润，增加经营负担。为促进地方性商业银行的发展，在存款保险制度推出的初期，地方政府应该为地方性商业银行提供相应的政策支持；然后再逐渐过渡到完全自支，这样才能促进地方性商业银行的稳定与发展。

标签：存款保险论文;  商业银行论文;  神经网络模型论文;  违约概率论文;  误差函数论文;  损失函数论文;  网络模型论文;  银行论文;  误差分析论文;  金融机构论文;  bp神经网络论文;