基于干預(yù)ARIMA模型的大型商業(yè)銀行不良貸款預(yù)測(cè)

王瑞臻++林婧

摘要：文章通過(guò)分析2008～2017年大型商業(yè)銀行不良貸款季度余額的變化趨勢(shì)，運(yùn)用ARIMA模型進(jìn)行擬合。同時(shí)研究外部因素對(duì)大型商業(yè)銀行不良貸款增加趨勢(shì)的干預(yù)和控制作用，引入干預(yù)分析模型，最后對(duì)大型商業(yè)銀行不良貸款進(jìn)行了短期的預(yù)測(cè)。

關(guān)鍵詞：不良貸款余額 干預(yù) ARIMA模型 預(yù)測(cè)

中圖分類(lèi)號(hào)： F832 文獻(xiàn)識(shí)別碼：A 文章編號(hào)：1001-828X（2017）012-0-01

引言

現(xiàn)代金融風(fēng)險(xiǎn)管理中，統(tǒng)計(jì)預(yù)測(cè)能夠分析相關(guān)金融數(shù)據(jù)的趨勢(shì)從而進(jìn)行預(yù)測(cè)。當(dāng)前我國(guó)處于不良貸款快速上升的階段，把控和防范金融風(fēng)險(xiǎn)顯得尤為重要，合理利用相應(yīng)的統(tǒng)計(jì)預(yù)測(cè)方法對(duì)金融機(jī)構(gòu)以及相關(guān)監(jiān)管部門(mén)有著實(shí)際的意義。本文利用《中經(jīng)網(wǎng)統(tǒng)計(jì)數(shù)據(jù)庫(kù)》2008年12月到2017年3月大型商業(yè)銀行不良貸款余額季度數(shù)據(jù)進(jìn)行分析。ARIMA在處理一般的線(xiàn)性特征數(shù)據(jù)有著完善的研究方法與較高的精確度，認(rèn)為ARIMA對(duì)金融數(shù)據(jù)進(jìn)行預(yù)測(cè)是比較合適的方法。但不良貸款余額時(shí)間序列數(shù)據(jù)有時(shí)會(huì)受到外部因素的干擾，本文進(jìn)一步引入干預(yù)變量，處理外部事件的影響，預(yù)測(cè)精度進(jìn)一步提高。

一、ARIMA干預(yù)模型基本原理

干預(yù)模型就是從定量分析的角度來(lái)評(píng)估政策干預(yù)或突發(fā)事件對(duì)時(shí)間序列模型的影響。干預(yù)模型一般分為兩種，一種是持續(xù)性的干預(yù)變量，用階躍函數(shù)表示；另一種是短暫性的干預(yù)變量，用單位脈沖函數(shù)表示，形式分別為：

干預(yù)事件的形式多種多樣，按照其影響的持續(xù)性分為以下四種類(lèi)型：

（1）干預(yù)事件的影響突然開(kāi)始，并長(zhǎng)期持續(xù)下去，型可表示為：

該模型通過(guò)差分化的干預(yù)模型為：

（2）干預(yù)事件的影響逐漸開(kāi)始，并長(zhǎng)期持續(xù)下去，模型可表示為：

（3）干預(yù)事件突然開(kāi)始，產(chǎn)生暫時(shí)的影響，模型可表示為：

（4）干預(yù)事件逐漸開(kāi)始，產(chǎn)生暫時(shí)的影響，模型可表示為：

上述模型中B為延遲算子，ω表示干預(yù)影響的未知參數(shù)，b為延遲期數(shù)。

二、ARIMA干預(yù)模型的建立與預(yù)測(cè)

本文基于2008年12月至2017年3月季度不良貸款余額數(shù)據(jù)記作序列{yi}，由于序列存在明顯的增長(zhǎng)趨勢(shì)且在2016年第一季度末期序列的增長(zhǎng)趨勢(shì)出現(xiàn)一個(gè)明顯的轉(zhuǎn)折，這可能是近些年來(lái)基于中國(guó)人民銀行、銀監(jiān)會(huì)和地方政府金融辦“三位一體”的監(jiān)管體系下，規(guī)范資本市場(chǎng)運(yùn)作，推進(jìn)利率市場(chǎng)化進(jìn)程，發(fā)揮資本充足率監(jiān)管，2016年人民銀行重啟不良資產(chǎn)證券化試點(diǎn)等事件有關(guān)聯(lián)。所以選取2008年到2016年第一季度末的數(shù)據(jù)作為新的序列{xi}，對(duì)新的數(shù)據(jù)進(jìn)行一階差分得到差分?jǐn)?shù)據(jù){?xi}，進(jìn)行自相關(guān)ACF與偏相關(guān)PACF分析。

模型進(jìn)行初步定階，通過(guò)多次擬合、檢驗(yàn)最終選ARIMA （1，1，5）。由于2和3階滯后系數(shù)不顯著，進(jìn)一步去掉這兩階滯后系數(shù)。修改后的模型AIC值從374.38下降到371.21。進(jìn)一步對(duì)模型進(jìn)行檢驗(yàn)，標(biāo)準(zhǔn)化殘差均在合理的范圍，Ljung-Box統(tǒng)計(jì)量也說(shuō)明該模型是充分的。此時(shí)的ARIMA（1，1，5）擬合模型為：

針對(duì)2016年第一季度外部干預(yù)因素對(duì)模型的影響是逐漸開(kāi)始，長(zhǎng)期持續(xù)下去的，引入干預(yù)模型：

代入模型

進(jìn)一步對(duì)參數(shù)ω，δ進(jìn)行估計(jì)，則干預(yù)分析模型為：

三、結(jié)語(yǔ)

本文所采用的干預(yù)ARIMA模型的預(yù)測(cè)效果良好。從短期預(yù)測(cè)數(shù)據(jù)來(lái)看，我國(guó)大型商業(yè)銀行的不良貸款余額激增的趨勢(shì)已基本得到控制，增速已趨于平穩(wěn)，相關(guān)干預(yù)是比較顯著的。針對(duì)不良資產(chǎn)增加勢(shì)頭仍然存在，本文僅分析大型商業(yè)銀行不良貸款余額，根據(jù)相關(guān)資料顯示，我國(guó)地方性商業(yè)銀行等中小型商業(yè)銀行的不良貸款增速仍未得到有效控制。大型商業(yè)銀行的不良貸款的控制手段具有參考意義。在處理渠道上，2016年人民銀行重啟不良資產(chǎn)證券化試點(diǎn)，該試點(diǎn)是以工農(nóng)中建交招商六家大型商業(yè)銀行為試點(diǎn)。資產(chǎn)證券化有利于銀行對(duì)于化解和轉(zhuǎn)移信用風(fēng)險(xiǎn)、系統(tǒng)性風(fēng)險(xiǎn)、操作風(fēng)險(xiǎn)、市場(chǎng)風(fēng)險(xiǎn)以及道德風(fēng)險(xiǎn)等多重風(fēng)險(xiǎn)。在不良資產(chǎn)產(chǎn)生源頭上，不良貸款余額與政府干預(yù)經(jīng)濟(jì)程度、市場(chǎng)經(jīng)濟(jì)體系建設(shè)程度密切相關(guān)。金融機(jī)構(gòu)方面應(yīng)該進(jìn)一步健全銀行內(nèi)部防控機(jī)制，防范信貸風(fēng)險(xiǎn)。

參考文獻(xiàn)：

[1]王鑫，肖枝洪. 基于干預(yù)模型與BP神經(jīng)網(wǎng)絡(luò)集成的GDP預(yù)測(cè)[J]. 統(tǒng)計(jì)與決策，2012.

[2]徐國(guó)祥. 統(tǒng)計(jì)預(yù)測(cè)和決策[M].上海：上海財(cái)經(jīng)大學(xué)出版社，2016：141-143.

[3]王雋. 不良資產(chǎn)證券化的風(fēng)險(xiǎn)控制[J]. 中國(guó)金融，2016（7）：58-59.

[4]石美娟. ARIMA模型在上海市全社會(huì)固定資產(chǎn)投資預(yù)測(cè)中的應(yīng)用[J]. 數(shù)理統(tǒng)計(jì)與管理，2005，（01）：69-74.

[5]李健旋. 不良貸款的成因與防控[J]. 中國(guó)金融，2014（20）：26-27.

[6]呂江林，黃光. “三位一體”監(jiān)管視角下的我國(guó)商業(yè)銀行監(jiān)管績(jī)效研究[J]. 當(dāng)代財(cái)經(jīng)，2014（4）：42-52.