CN111882428A - 商业银行流动性风险评估方法及装置 - Google Patents
商业银行流动性风险评估方法及装置 Download PDFInfo
- Publication number
- CN111882428A CN111882428A CN202010734264.5A CN202010734264A CN111882428A CN 111882428 A CN111882428 A CN 111882428A CN 202010734264 A CN202010734264 A CN 202010734264A CN 111882428 A CN111882428 A CN 111882428A
- Authority
- CN
- China
- Prior art keywords
- data
- commercial bank
- liquidity
- historical
- risk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Abstract
本发明提供了一种商业银行流动性风险评估方法及装置,方法包括:获取商业银行应用服务系统的历史业务数据和历史流动性数据;利用预先筛选的风险因子对获取的商业银行历史业务数据和历史流动性数据进行分析;在风险因子分析的基础上运用压力测试对商业银行的流动性风险进行评估,并根据预测的商业银行流动性风险及时提供风险预警。本发明的主要目的是评估商业银行流动性风险,通过建立商业银行流动性风险评估方法和装置,实施对商业银行流动性风险的控制。
Description
技术领域
本发明涉及一种商业银行流动性风险评估方法及装置。
背景技术
在现有技术中,流动性风险是银行业最需要重点防控的风险之一。大多数商业银行对于流动性管理普遍通过业务报表进行统计,时效性不高,同时无法有效地对未来的商业银行流动性风险进行评估,因而商业银行面临着较大的流动性风险。
目前,随着金融衍生工具不断创新,其在银行业务中占据的比重越来越大;同时,金融风险与市场不确定性不断增强,造成银行流动性风险管理日趋复杂。这些都会直接制约商业银行的资产变现能力和获取主动负债的能力。
因此,我国商业银行受到冲击的可能性逐步加大,商业银行需要对流动性风险进行评估,同时也需要对未来资金状况进行预测。
发明内容
本发明的目的在于提供一种商业银行流动性风险评估方法及装置。
为解决上述问题,本发明提供一种商业银行流动性风险评估方法,包括:
获取商业银行应用服务系统的历史业务数据和历史流动性数据;
根据所述历史业务数据和历史流动性数据,并利用预先筛选的风险因子进行分析得到因子分析结果;
基于所述因子分析结果对商业银行进行流动性风险评估。
进一步的,在上述方法中,获取商业银行应用服务系统的历史业务数据和历史流动性数据,包括:
获取商业银行应用服务系统的历史业务数据和历史流动性数据;
对所述历史业务数据进行业务数据筛选、缺失数据的处理以及异常数据剔除,以确定商业银行流动性业务的特征数据。
进一步的,在上述方法中,根据所述历史业务数据和历史流动性数据,并利用预先筛选的风险因子进行分析得到因子分析结果,包括:
将样本银行的历史业务数据和历史流动性数据作为分析样本,并根据预先筛选的风险因子进行初始分析,得到初始分析结果;
根据初始分析结果对风险因子进行验证优化,以得到验证优化的因子。
进一步的,在上述方法中,基于所述因子分析结果对商业银行进行流动性风险评估,包括:
利用验证优化的因子及压力测试进行商业银行流动性风险评估,生成商业银行流动性风险评估数据;
根据预设的流动性预警规则和生成的商业银行流动性风险评估数据,对商业银行流动性进行预警。
进一步的,在上述方法中,所述商业银行应用服务系统的历史业务数据,包括:存款系统业务数据、贷款系统业务数据和清算系统业务数据中的一种或任意组合;
所述商业银行流动性业务的特征数据,包括:业务产品信息、存款贷款业务信息和汇款业务信息中的一种或任意组合。
根据本发明的另一面,还提供一种商业银行流动性风险评估装置,所述的装置包括:
数据获取模块,用于获取商业银行应用服务系统的历史业务数据和历史流动性数据;
风险因子分析模块,根据所述历史业务数据和历史流动性数据,并利用预先筛选的风险因子进行分析得到因子分析结果;
流动性风险评估模块,基于所述因子分析结果对商业银行进行流动性风险评估。
进一步的,上述装置中,所述的数据获取模块包括:
数据获取单元,用于获取商业银行应用服务系统的历史业务数据和历史流动性数据;
特征值获取单元,用于对所述历史业务数据进行业务数据筛选、缺失数据的处理以及异常数据剔除,以确定商业银行流动性业务的特征数据。
进一步的,上述装置中,所述风险因子分析模块,包括:
因子筛选模块,将样本银行的历史业务数据和历史流动性数据作为分析样本,并根据预先筛选的风险因子进行初始分析,得到初始分析结果;
因子分析模块,根据初始分析结果对风险因子进行验证优化,以得到验证优化的因子。
进一步的,上述装置中,所述流动性风险评估模块包括:
压力测试单元,利用验证优化的因子及压力测试进行商业银行流动性风险评估,生成商业银行流动性风险评估数据;预警单元,根据预设的流动性预警规则和生成的商业银行流动性风险评估数据,对商业银行流动性进行预警。
进一步的,上述装置中,所述商业银行应用服务系统的历史业务数据,包括:存款系统业务数据、贷款系统业务数据和清算系统业务数据中的一种或任意组合;
所述商业银行流动性业务的特征数据,包括:业务产品信息、存款贷款业务信息和汇款业务信息中的一种或任意组合。
根据本发明的另一面,还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一项所述的方法。
根据本发明的另一面,还提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行上述任一项所述方法的计算机程序。
与现有技术相比,本发明包括:获取商业银行应用服务系统的历史业务数据和历史流动性数据;利用预先筛选的风险因子对获取的商业银行历史业务数据和历史流动性数据进行分析;在风险因子分析的基础上运用压力测试对商业银行的流动性风险进行评估,并根据预测的商业银行流动性风险及时提供风险预警。本发明的主要目的是评估商业银行流动性风险,通过建立商业银行流动性风险评估方法和装置,实施对商业银行流动性风险的控制。
附图说明
图1为本发明提供的商业银行流动性风险评估方法的流程图;
图2为本发明提供的商业银行流动性风险评估装置的框图;
图3为本发明实施例提供的商业银行流动性评估及管理系统的结构示意图;
图4为本发明一实施例中商业银行业务数据服务器的框图;
图5为本发明一实施例中风险因子分析服务器的框图;
图6为为本发明一实施例中流动性风险评估服务器的框图;
图7为为本发明一实施例中电子设备的系统构成的示意框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供一种商业银行流动性风险评估方法,包括:
步骤S1,获取商业银行应用服务系统的历史业务数据和历史流动性数据;
步骤S1,根据所述历史业务数据和历史流动性数据,并利用预先筛选的风险因子进行分析得到因子分析结果;
步骤S1,基于所述因子分析结果对商业银行进行流动性风险评估。
在此,本发明的主要目的是评估商业银行流动性风险,通过建立商业银行流动性风险评估方法和装置,实施对商业银行流动性风险的控制。
本发明的商业银行流动性风险评估方法一实施例中,步骤S1,获取商业银行应用服务系统的历史业务数据和历史流动性数据,包括:
获取商业银行应用服务系统的历史业务数据和历史流动性数据;
对所述历史业务数据进行业务数据筛选、缺失数据的处理以及异常数据剔除,以确定商业银行流动性业务的特征数据。
本发明的商业银行流动性风险评估方法一实施例中,步骤S2,根据所述历史业务数据和历史流动性数据,并利用预先筛选的风险因子进行分析得到因子分析结果,包括:
将样本银行的历史业务数据和历史流动性数据作为分析样本,并根据预先筛选的风险因子进行初始分析,得到初始分析结果;
具体的,可以结合当下商业银行流动性所面临的各种内外部的影响因素,初步选定以下风险因子:存款增速、贷款增速、同业负债占比、资本充足率、成本收入比、不良贷款率、净息差、非利息收入占比、同业拆借利率,分别用DGR、LGR、ILR、CAR、CIR、NPL、NIRR、SHIBOR表示;
根据初始分析结果对风险因子进行验证优化,以得到验证优化的因子。
本发明的商业银行流动性风险评估方法一实施例中,步骤S3,基于所述因子分析结果对商业银行进行流动性风险评估,包括:
利用验证优化的因子及压力测试进行商业银行流动性风险评估,生成商业银行流动性风险评估数据;
根据预设的流动性预警规则和生成的商业银行流动性风险评估数据,对商业银行流动性进行预警。
在此,可以在初次风险因子分析后对商业银行流动性风险因子进行验证优化,利用优化的风险因子对商业银行应用服务系统的业务数据进行压力测试,生成商业银行流动性风险评估数据;
根据预设的商业银行流动性预警规则和生成的商业银行流动性预测数据,对商业银行流动性风险进行预警。
本发明的商业银行流动性风险评估方法一实施例中,所述商业银行应用服务系统的历史业务数据,包括:存款系统业务数据、贷款系统业务数据和清算系统业务数据中的一种或任意组合;
所述商业银行流动性业务的特征数据,包括:业务产品信息、存款贷款业务信息和汇款业务信息中的一种或任意组合。
根据本发明的另一面,还提供一种商业银行流动性风险评估装置,所述的装置包括:
数据获取模块,用于获取商业银行应用服务系统的历史业务数据和历史流动性数据;
风险因子分析模块,根据所述历史业务数据和历史流动性数据,并利用预先筛选的风险因子进行分析得到因子分析结果;
流动性风险评估模块,基于所述因子分析结果对商业银行进行流动性风险评估。
本发明的商业银行流动性风险评估装置一实施例中,所述的数据获取模块包括:
数据获取单元,用于获取商业银行应用服务系统的历史业务数据和历史流动性数据;
特征值获取单元,用于对所述历史业务数据进行业务数据筛选、缺失数据的处理以及异常数据剔除,以确定商业银行流动性业务的特征数据。
本发明的商业银行流动性风险评估装置一实施例中,所述风险因子分析模块,包括:
因子筛选模块,将样本银行的历史业务数据和历史流动性数据作为分析样本,并根据预先筛选的风险因子进行初始分析,得到初始分析结果;
在此,可以结合当下商业银行流动性所面临的各种内外部的影响因素,初步选定以下风险因子:存款增速、贷款增速、同业负债占比、资本充足率、成本收入比、不良贷款率、净息差、非利息收入占比、同业拆借利率,分别用DGR、LGR、ILR、CAR、CIR、NPL、NIRR、SHIBOR表示。
因子分析模块,根据初始分析结果对风险因子进行验证优化,以得到验证优化的因子。
本发明的商业银行流动性风险评估装置一实施例中,所述流动性风险评估模块包括:
压力测试单元,利用验证优化的因子及压力测试进行商业银行流动性风险评估,生成商业银行流动性风险评估数据;
在此,可以在因子分析的基础上利用压力测试对商业银行流动性风险预测,设置轻度、中度和重度三种压力情景,模拟商业银行内外部环境的变化程度,考察不同情景下银行的流动性风险承压能力。选取样本银行风险因子历史各期极端值的平均值设定重度压力情景;在重度压力情景的基础上,计算风险因子历史各期变动幅度绝对值的中位数,并依据该中位数对压力程度进行递减,依次设计出中度和轻度压力情景,生成商业银行流动性风险评估数据;
预警单元,根据预设的流动性预警规则和生成的商业银行流动性风险评估数据,对商业银行流动性进行预警。
在此,本发明通过对商业银行流动性业务数据进行特征值提取并进行风险因子分析和压力测试,实现对商业银行流动性风险评估,支持银行充分利用剩余流动性,及时提供流动性风险预警。
本发明的商业银行流动性风险评估装置一实施例中,所述商业银行应用服务系统的历史业务数据,包括:存款系统业务数据、贷款系统业务数据和清算系统业务数据中的一种或任意组合;
所述商业银行流动性业务的特征数据,包括:业务产品信息、存款贷款业务信息和汇款业务信息中的一种或任意组合。
根据本发明的另一面,还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一项所述的方法。
根据本发明的另一面,还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述任一项所述方法的计算机程序。
具体的,如图1所示,为本发明提供的商业银行流动性风险评估方法,包括:
步骤S101,获取商业银行应用服务系统的历史业务数据和历史流动性数据;
步骤S102,结合当下商业银行流动性所面临的各种内外部的影响因素,初步选定风险因子并验证优化;
步骤S103,基于优化的风险因子利用压力测试对商业银行进行流动性风险评估。
本发明一实施例中,获取商业银行应用服务系统的历史业务数据和历史流动性数据包括:获取银行应用服务系统历史业务数据和历史流动性数据;对所述的银行应用服务系统的历史业务数据进行业务数据筛选、缺失数据的处理以及异常数据剔除,确定银行流动性业务特征数据。
本发明一实施例中,通过获取银行各应用服务器获取业务数据,例如通过银行的存款系统、贷款系统、清算系统获取历史业务数据,本实施例中的业务数据包括但不限于清算业务产品数据(清算业务产品数据包括:头寸当日余额、待处理金额生效日、待处理收款金额、待处理付款金额)、存款和贷款业务数据(包括:业务类型、到期日期、帐户余额)、汇款业务数据(包括:日期、现金流生效日、现金流出金额、现金流入金额)。
本发明一实施例中,还进一步对银行应用服务系统的历史业务数据进行业务数据筛选、缺失数据的处理以及异常数据剔除,确定银行业务特征数据。包括:
对业务数据作最基本的合法性校验,保证银行内部数据的特征值数据正确。包括筛选业务数据、缺失信息处理、异常信息清理。
缺失信息清理:如果某一日期的特征值不存在,可能是数据质量问题,则取当天特征值为前后两天金额的平均值。
异常数据处理:如果某一日期的特征值急剧增加或减少,比如与前后几天差异极大,则认为是突发事件或偶然事件导致,将这一部分数据剔除。
本发明一实施例中,通过预先筛选的风险因子对商业银行的历史业务数据和历史流动性数据进行流动性风险评估:
因子筛选模块,结合当下商业银行流动性所面临的各种内外部的影响因素,初步选定以下风险因子:存款增速、贷款增速、同业负债占比、资本充足率、成本收入比、不良贷款率、净息差、非利息收入占比、同业拆借利率,分别用DGR、LGR、ILR、CAR、CIR、NPL、NIRR、SHIBOR表示;
因子分析模块,选取样本商业银行的历史业务数据和历史流动性数据进行流动性风险评估,根据初次因子分析后的结果对风险因子进行验证优化。
本发明一实施例中,所述的基于因子分析模型进行商业银行流动性预测包括:
基于优化后的风险因子利用压力测试进行商业银行流动性风险评估,对商业银行应用服务系统的银行业务数据进行流动性风险评估,生成商业银行流动性风险评估数据;
根据预设的流动性预警规则和生成的商业银行流动性风险评估数据,对商业银行流动性风险进行预警。
同时,本发明还提供一种商业银行流动性风险评估装置,如图2所示,包括:
数据获取模块201,用于获取商业银行应用服务系统的历史业务数据和历史流动性数据;
风险因子分析模块202,根据预先筛选的风险因子对所述商业银行历史业务数据和历史流动性数据进行分析;
流动性风险评估模块203,在因子分析的基础上利用压力测试对商业银行流动性风险进行评估。
本发明提供一种商业银行流动性风险评估的方法及装置,通过对商业银行流动性业务数据进行特征值提取并进行压力测试,对商业银行流动性风险进行评估,支持银行充分利用剩余流动性,并及时提供流动性风险预警。下面结合具体的实施例对本发明的技术方案作进一步详细说明。
如图3所示,为本实施例提供的商业银行流动性评估及管理系统的结构示意图,其包括:商业银行业务数据服务器1、压力测试服务器2以及流动性风险评估服务器3。
本实施例中,银行业务数据服务器1是接收和加载银行各类应用服务器(比如存款系统、贷款系统、清算系统等)产生的业务数据,其作用是对各类银行业务系统产生的数据进行统一保存和数据校验(保证特征值数据的数据质量)处理。
如图4所示,商业银行业务数据服务器系统结构图,由源数据加载模块11、源数据预处理模块12组成。其作用是完成对银行各类业务系统产生的数据进行处理。
源数据加载模块11:通过接收和加载与商业银行流动性管理和预测有关的各类应用服务器(比如历史业务数据的选择时间段、选择业务系统(存款系统、贷款系统、清算系统等))产生的业务数据,为压力测试模块2提供特征值数据。
源数据预处理模块12:系统通过设置校验规则,对数据作最基本的合法性校验,保证银行内部数据的特征值数据正确。包括筛选业务数据、缺失信息处理、异常信息清理。
异常数据处理:如果某一日期的特征值急剧增加或减少,比如与前后几天差异极大,则认为是突发事件或偶然事件导致,将这一部分数据剔除。
如图5所示,为本实施例中,压力测试服务器2的功能框图,其包括:特征值数据导入21、历史情景模拟设置22、压力测试分析流程23、评估结果分析24。压力测试服务器2基于特征值数据。
特征值数据导入21:导入特征值,本实施例中的特征值包括清算业务产品信息(头寸挡日余额、待处理金额生效日、待处理收款金额、待处理付款金额)、存款和贷款业务信息(业务类型、到期日期、帐户余额)、汇款业务(日期、现金流生效日、现金流出金额、现金流入金额),并提供一段较长时间的数据导入。如表1所示,为本实施例混助攻,特征值属性和对应的属性值表格。
特征值属性 | 属性值 |
头寸当日余额 | 实际金额(根据权重累加) |
待处理金额生效日 | 生效日期(影响未来) |
待处理收款金额 | 实际金额(根据到期日权重累加) |
待处理付款金额 | 实际金额(根据到期日权重累减) |
定期存款到期日 | 到期日期(影响未来) |
定期存款余额 | 实际金额(根据到期日权重累减) |
活期存款余额 | 实际金额(根据权重累减) |
贷款到期日 | 到期日期(影响未来) |
贷款金额 | 实际金额(根据到期日权重累加) |
现金流生效日 | 生效日期(影响未来) |
现金流出申请金额 | 实际金额(根据到期日权重累减) |
现金流入申请金额 | 实际金额(根据到期日权重累加) |
表1
历史情景模拟设置22:在因子分析的基础上用压力测试进行商业银行流动性风险预测,设置轻度、中度和重度三种压力情景,模拟商业银行内外部环境的变化程度,考察不同情景下银行的流动性风险承压能力和流动性风险的主要来源。
压力测试分析流程23:选取样本银行风险因子历史各期极端值的平均值设定重度压力情景;在重度压力情景的基础上,计算风险因子历史各期变动幅度绝对值的中位数,并依据该中位数对压力程度进行递减,依次设计出中度和轻度压力情景,生成商业银行流动性风险评估数据;
预测结果分析24:通过特征值数据导入21、历史情景模拟测试22和压力测试分析流程23进行流动性风险评估;
如图6所示,流动性风险评估服务器3包括:预警参数配置31、预警模型设置32。
预警参数配置31:利用压力测试服务器,生成未来流动性数据,根据未来数据进行短缺预警和过剩预警,设置流动性预警参数,预警提醒方式及频率;
预警模型设置32:通过设置流动性预警阀值(比如监管要求流动性资金与银行资本占比不能低于20%)作为下限,制定商业银行流动性过剩阀值作为上限(比如商业银行制定流动性资金与商业银行资本占比不能高于40%),低于下限或高于上限则生成流动性短缺和过剩预警。
本实施例中,特征值源数据:包括与流动性相关的各个业务品类的数据。包括:
A类业务包括:清算业务产品信息(日期、当日余额、待处理金额生效日、待处理收款金额、待处理付款金额);
B类业务包括:存款和贷款业务信息(日期、业务类型、到期日期、帐户余额);
C类业务包括:汇款业务(日期、现金流生效日、现金流出金额、现金流入金额);
D类业务包括:资金市场业务(日期、现金流生效日、现金流出金额、现金流入金额)。
流动性风险评估结果数据:根据特征值数据和历史结果数据,生成未来流动性预测值,将监管要求的流动性阀值(比如监管要求流动性资金与银行资本占比不能低于20%)作为下限,制定商业银行流动性过剩阀值作为上限(比如银行制定流动性资金与银行资本占比不能高于40%),低于下限或高于上限则生成流动性短缺和过剩预警。
本发明一实施例提供一种商业银行流动性风险评估的系统,通过对商业银行流动性业务数据进行特征值提取并进行因子分析和压力测试,形成对商业银行流动性风险评估模型,支持银行充分利用剩余流动性,并及时提供流动性风险预警。
本发明一实施例还提供一种电子设备,该电子设备可以是台式计算机、平板电脑及移动终端等,该电子设备的实施可以参照前述实施例,其内容被合并于此,重复之处不再赘述。
图7为本发明实施例的电子设备80的系统构成的示意框图。如图7所示,该电子设备80可以包括处理器81和存储器82;存储器82通过总线83耦合到处理器81。还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,商业银行流动性风险评估功能可以被集成到处理器81中。处理器81可以被配置为进行如下控制:获取商业银行应用服务系统的历史业务数据和历史流动性数据;根据所述历史业务数据和历史流动性数据对风险因子筛选并分析;基于优化的风险因子利用压力测试对商业银行流动性风险进行评估。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (12)
1.一种商业银行流动性风险评估方法,其特征在于,所述的方法包括:
获取商业银行应用服务系统的历史业务数据和历史流动性数据;
根据所述历史业务数据和历史流动性数据,并利用预先筛选的风险因子进行分析得到因子分析结果;
基于所述因子分析结果对商业银行进行流动性风险评估。
2.如权利要求1所述的商业银行流动性风险评估方法,其特征在于,获取商业银行应用服务系统的历史业务数据和历史流动性数据,包括:
获取商业银行应用服务系统的历史业务数据和历史流动性数据;
对所述历史业务数据进行业务数据筛选、缺失数据的处理以及异常数据剔除,以确定商业银行流动性业务的特征数据。
3.如权利要求1所述的商业银行流动性风险评估方法,其特征在于,根据所述历史业务数据和历史流动性数据,并利用预先筛选的风险因子进行分析得到因子分析结果,包括:
将样本银行的历史业务数据和历史流动性数据作为分析样本,并根据预先筛选的风险因子进行初始分析,得到初始分析结果;
根据初始分析结果对风险因子进行验证优化,以得到验证优化的因子。
4.如权利要求3所述的商业银行流动性风险评估方法,其特征在于,基于所述因子分析结果对商业银行进行流动性风险评估,包括:
利用验证优化的因子及压力测试进行商业银行流动性风险评估,生成商业银行流动性风险评估数据;
根据预设的流动性预警规则和生成的商业银行流动性风险评估数据,对商业银行流动性进行预警。
5.如权利要求2所述的商业银行流动性风险评估方法,其特征在于,所述商业银行应用服务系统的历史业务数据,包括:存款系统业务数据、贷款系统业务数据和清算系统业务数据中的一种或任意组合;
所述商业银行流动性业务的特征数据,包括:业务产品信息、存款贷款业务信息和汇款业务信息中的一种或任意组合。
6.一种商业银行流动性风险评估装置,其特征在于,所述的装置包括:
数据获取模块,用于获取商业银行应用服务系统的历史业务数据和历史流动性数据;
风险因子分析模块,根据所述历史业务数据和历史流动性数据,并利用预先筛选的风险因子进行分析得到因子分析结果;
流动性风险评估模块,基于所述因子分析结果对商业银行进行流动性风险评估。
7.如权利要求6所述的商业银行流动性风险评估装置,其特征在于,所述的数据获取模块包括:
数据获取单元,用于获取商业银行应用服务系统的历史业务数据和历史流动性数据;
特征值获取单元,用于对所述历史业务数据进行业务数据筛选、缺失数据的处理以及异常数据剔除,以确定商业银行流动性业务的特征数据。
8.如权利要求6所述的商业银行流动性风险评估装置,其特征在于,所述风险因子分析模块,包括:
因子筛选模块,将样本银行的历史业务数据和历史流动性数据作为分析样本,并根据预先筛选的风险因子进行初始分析,得到初始分析结果;
因子分析模块,根据初始分析结果对风险因子进行验证优化,以得到验证优化的因子。
9.如权利要求8所述的商业银行流动性风险评估装置,其特征在于,所述流动性风险评估模块包括:
压力测试单元,利用验证优化的因子及压力测试进行商业银行流动性风险评估,生成商业银行流动性风险评估数据;
预警单元,根据预设的流动性预警规则和生成的商业银行流动性风险评估数据,对商业银行流动性进行预警。
10.如权利要求7所述的商业银行流动性风险评估装置,其特征在于,所述商业银行应用服务系统的历史业务数据,包括:存款系统业务数据、贷款系统业务数据和清算系统业务数据中的一种或任意组合;
所述商业银行流动性业务的特征数据,包括:业务产品信息、存款贷款业务信息和汇款业务信息中的一种或任意组合。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一项所述的方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至5任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010734264.5A CN111882428A (zh) | 2020-07-27 | 2020-07-27 | 商业银行流动性风险评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010734264.5A CN111882428A (zh) | 2020-07-27 | 2020-07-27 | 商业银行流动性风险评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111882428A true CN111882428A (zh) | 2020-11-03 |
Family
ID=73201340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010734264.5A Pending CN111882428A (zh) | 2020-07-27 | 2020-07-27 | 商业银行流动性风险评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111882428A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734565A (zh) * | 2021-01-12 | 2021-04-30 | 中国工商银行股份有限公司 | 流动性覆盖率预测方法及装置 |
CN115204716A (zh) * | 2022-07-27 | 2022-10-18 | 武汉嘉越似锦文化传媒有限公司 | 一种网络空间风险数据流检测预警方法、系统及计算机存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523118A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技(深圳)有限公司 | 风险数据筛选方法、装置、计算机设备和存储介质 |
CN110363661A (zh) * | 2019-08-05 | 2019-10-22 | 中国工商银行股份有限公司 | 银行流动性预测方法及装置 |
-
2020
- 2020-07-27 CN CN202010734264.5A patent/CN111882428A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523118A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技(深圳)有限公司 | 风险数据筛选方法、装置、计算机设备和存储介质 |
CN110363661A (zh) * | 2019-08-05 | 2019-10-22 | 中国工商银行股份有限公司 | 银行流动性预测方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734565A (zh) * | 2021-01-12 | 2021-04-30 | 中国工商银行股份有限公司 | 流动性覆盖率预测方法及装置 |
CN112734565B (zh) * | 2021-01-12 | 2024-03-05 | 中国工商银行股份有限公司 | 流动性覆盖率预测方法及装置 |
CN115204716A (zh) * | 2022-07-27 | 2022-10-18 | 武汉嘉越似锦文化传媒有限公司 | 一种网络空间风险数据流检测预警方法、系统及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11599939B2 (en) | System, method and computer program for underwriting and processing of loans using machine learning | |
US8099356B2 (en) | Method and apparatus system for modeling consumer capacity for future incremental debt in credit scoring | |
US7689506B2 (en) | System and method for rapid updating of credit information | |
US8706615B2 (en) | Systems and methods for evaluating the ability of borrowers to repay loans | |
US8645264B2 (en) | Apparatus and methods for verifying a credit applicant's income that enhance a credit applicant's experience | |
US20130290167A1 (en) | System and method for credit risk management for educational institutions | |
Abdymomunov et al. | Stress testing interest rate risk exposure | |
CN112598500A (zh) | 一种无额度客户的授信处理方法及系统 | |
US20140278774A1 (en) | In the market model systems and methods | |
CN111882428A (zh) | 商业银行流动性风险评估方法及装置 | |
CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
CN117435630B (zh) | 一种基于规则前置的数据校验方法与系统 | |
Arlov et al. | Cash flow in predicting financial distress and bankruptcy | |
US20220215465A1 (en) | Predictive modeling based on pattern recognition | |
CN113643115A (zh) | 基于期权定价模型的商业承兑汇票信用评分方法及系统 | |
CN109102396A (zh) | 一种用户信用评级方法、计算机设备及可读介质 | |
US20140279378A1 (en) | Model performance simulator | |
Mazzocchetti et al. | Systemic financial risk indicators and securitised assets: an agent-based framework | |
CN111429245A (zh) | 一种不良资产债权价值评定方法及装置 | |
CN112200340A (zh) | 预测逃废债区块链系统 | |
Mjøs et al. | On the pricing of performance sensitive debt | |
US10235719B2 (en) | Centralized GAAP approach for multidimensional accounting to reduce data volume and data reconciliation processing costs | |
CN114880369A (zh) | 一种基于弱数据技术的风险授信方法和系统 | |
Larionova et al. | Modeling the assessment of credit risk losses in banking. | |
CN113537666B (zh) | 评测模型训练方法、评测和业务审核方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |