王瑞臻++林婧

摘要：文章通过分析2008～2017年大型商业银行不良贷款季度余额的变化趋势，运用ARIMA模型进行拟合。同时研究外部因素对大型商业银行不良贷款增加趋势的干预和控制作用，引入干预分析模型，最后对大型商业银行不良贷款进行了短期的预测。

关键词：不良贷款余额 干预 ARIMA模型 预测

中图分类号： F832 文献识别码：A 文章编号：1001-828X（2017）012-0-01

引言

現代金融风险管理中，统计预测能够分析相关金融数据的趋势从而进行预测。当前我国处于不良贷款快速上升的阶段，把控和防范金融风险显得尤为重要，合理利用相应的统计预测方法对金融机构以及相关监管部门有着实际的意义。本文利用《中经网统计数据库》2008年12月到2017年3月大型商业银行不良贷款余额季度数据进行分析。ARIMA在处理一般的线性特征数据有着完善的研究方法与较高的精确度，认为ARIMA对金融数据进行预测是比较合适的方法。但不良贷款余额时间序列数据有时会受到外部因素的干扰，本文进一步引入干预变量，处理外部事件的影响，预测精度进一步提高。

一、ARIMA干预模型基本原理

干预模型就是从定量分析的角度来评估政策干预或突发事件对时间序列模型的影响。干预模型一般分为两种，一种是持续性的干预变量，用阶跃函数表示；另一种是短暂性的干预变量，用单位脉冲函数表示，形式分别为：

干预事件的形式多种多样，按照其影响的持续性分为以下四种类型：

（1）干预事件的影响突然开始，并长期持续下去，型可表示为：

该模型通过差分化的干预模型为：

（2）干预事件的影响逐渐开始，并长期持续下去，模型可表示为：

（3）干预事件突然开始，产生暂时的影响，模型可表示为：

（4）干预事件逐渐开始，产生暂时的影响，模型可表示为：

上述模型中B为延迟算子，ω表示干预影响的未知参数，b为延迟期数。

二、ARIMA干预模型的建立与预测

本文基于2008年12月至2017年3月季度不良贷款余额数据记作序列{yi}，由于序列存在明显的增长趋势且在2016年第一季度末期序列的增长趋势出现一个明显的转折，这可能是近些年来基于中国人民银行、银监会和地方政府金融办“三位一体”的监管体系下，规范资本市场运作，推进利率市场化进程，发挥资本充足率监管，2016年人民银行重启不良资产证券化试点等事件有关联。所以选取2008年到2016年第一季度末的数据作为新的序列{xi}，对新的数据进行一阶差分得到差分数据{?xi}，进行自相关ACF与偏相关PACF分析。

模型进行初步定阶，通过多次拟合、检验最终选ARIMA （1，1，5）。由于2和3阶滞后系数不显著，进一步去掉这两阶滞后系数。修改后的模型AIC值从374.38下降到371.21。进一步对模型进行检验，标准化残差均在合理的范围，Ljung-Box统计量也说明该模型是充分的。此时的ARIMA（1，1，5）拟合模型为：

针对2016年第一季度外部干预因素对模型的影响是逐渐开始，长期持续下去的，引入干预模型：

代入模型

进一步对参数ω，δ进行估计，则干预分析模型为：

三、结语

本文所采用的干预ARIMA模型的预测效果良好。从短期预测数据来看，我国大型商业银行的不良贷款余额激增的趋势已基本得到控制，增速已趋于平稳，相关干预是比较显著的。针对不良资产增加势头仍然存在，本文仅分析大型商业银行不良贷款余额，根据相关资料显示，我国地方性商业银行等中小型商业银行的不良贷款增速仍未得到有效控制。大型商业银行的不良贷款的控制手段具有参考意义。在处理渠道上，2016年人民银行重启不良资产证券化试点，该试点是以工农中建交招商六家大型商业银行为试点。资产证券化有利于银行对于化解和转移信用风险、系统性风险、操作风险、市场风险以及道德风险等多重风险。在不良资产产生源头上，不良贷款余额与政府干预经济程度、市场经济体系建设程度密切相关。金融机构方面应该进一步健全银行内部防控机制，防范信贷风险。

参考文献：

[1]王鑫，肖枝洪. 基于干预模型与BP神经网络集成的GDP预测[J]. 统计与决策，2012.

[2]徐国祥. 统计预测和决策[M].上海：上海财经大学出版社，2016：141-143.

[3]王隽. 不良资产证券化的风险控制[J]. 中国金融，2016（7）：58-59.

[4]石美娟. ARIMA模型在上海市全社会固定资产投资预测中的应用[J]. 数理统计与管理，2005，（01）：69-74.

[5]李健旋. 不良贷款的成因与防控[J]. 中国金融，2014（20）：26-27.

[6]吕江林，黄光. “三位一体”监管视角下的我国商业银行监管绩效研究[J]. 当代财经，2014（4）：42-52.