典型文献
基于BO-LightGBM的商业银行流动性风险测度与预警
文献摘要：
本文采用2007—2021年商业银行数据,基于动态权重因子对银行的资产和负债项目进行加权求和,得到流动性错配指数(LMI)来衡量流动性风险,再通过K均值聚类方法将LMI划分为安全和风险状态二分类变量;随后将Pearson特征筛选后的21个变量与二分类标签输入LightGBM训练模型并进行贝叶斯优化,经过与逻辑回归、支持向量机、随机森林、XGBoost等多种模型进行稳健性比较,发现BO-LightGBM在准确率、召回率、精确率、F1值、AUC值等各项性能指标上均优于对比模型.进一步地,本文引入SHAP映射图、部分依赖图(PDP)等方法对预警模型进行了解释,结果发现影响我国商业银行流动性风险的主要因素在于银行的流动性资产储备、盈利能力和经营状况、存贷款结构调整、不良资产的合理处置.
文献关键词：
商业银行;流动性风险;机器学习;模型预警;可解释框架
中图分类号：
作者姓名：
谭本艳;甘子琪
作者机构：
三峡大学经济与管理学院
文献出处：
引用格式：
[1]谭本艳;甘子琪-.基于BO-LightGBM的商业银行流动性风险测度与预警)[J].武汉金融,2022(11):21-32
A类：
可解释框架
B类：
BO,LightGBM,商业银行,银行流动性风险,风险测度,动态权重,权重因子,负债,加权求和,流动性错配,错配指数,LMI,均值聚类,聚类方法,二分类,分类变量,特征筛选,训练模型,贝叶斯优化,逻辑回归,XGBoost,召回率,精确率,对比模型,SHAP,部分依赖图,PDP,预警模型,国商,盈利能力,存贷款,贷款结构,不良资产,模型预警
AB值：
0.398928
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
