央行微观调查数据适合作为不良贷款率的预测指标吗---基于MIDAS模型的研究
不良贷款风险评估模型构建与应用研究
不良贷款风险评估模型构建与应用研究随着金融市场的发展，不良贷款风险已成为银行业务中的重大挑战之一。
不良贷款对银行的资本充足率、盈利能力和声誉造成负面影响，因此构建有效的不良贷款风险评估模型成为了银行业务风险管理的关键。
一、不良贷款风险评估模型的重要性不良贷款风险评估模型是指利用各种统计学和计量经济学方法，通过对借款人的信用状况、还款能力等相关信息进行综合评估和预测，从而判断借款人是否存在不良还款风险的一套模型。
它不仅为银行业务决策提供了科学依据，还能够提前识别和预测不良贷款风险，并采取相应的风险管理措施，降低银行的不良贷款风险。
二、不良贷款风险评估模型的构建不良贷款风险评估模型的构建是一个复杂而严谨的过程，需要采集大量历史数据，建立起一个完整的评估指标体系，并利用适当的模型方法进行建模和验证。
1. 数据采集：首先，银行需要从自身的数据库中，收集大量与借款人相关的数据，如个人信息、财务状况、信用历史、还款记录等。
此外，还可以利用外部数据来源，如征信机构的信用报告、市场数据等，以获取更全面准确的数据。
2. 评估指标体系的建立：在构建评估模型之前，需要确定一个全面而准确的评估指标体系。
这个体系包括各种定性和定量指标，如年龄、收入、负债情况、资产负债比率、逾期次数等，用于衡量借款人的信用状况和还款能力。
3. 模型方法的选择：根据数据分析的目标和需求，可以选择适当的模型方法进行建模。
常用的模型方法包括逻辑回归模型、决策树模型、支持向量机模型、神经网络模型等。
这些模型方法可以对不良贷款风险进行预测和识别，帮助银行及时采取相应措施。
4. 模型验证和调整：在模型构建之后，需要对模型进行验证和调整，以确保模型的准确性和稳定性。
可以通过交叉验证、样本外测试等方法对模型进行评估，同时根据实际情况对模型进行调整，进一步提高模型的预测能力。
三、不良贷款风险评估模型的应用不良贷款风险评估模型在银行业务风险管理中具有重要的应用价值。
我国商业银行不良贷款率影响因素的实证分析——基于2008—2022年的面板数据
DOI:10.19995/10-1617/F7.2023.23.089我国商业银行不良贷款率影响因素的实证分析——基于2008—2022年的面板数据温秀玲(华夏银行股份有限公司长春分行 吉林长春 130000 )摘 要：本文选取了2008—2022年13家上市商业银行数据，通过建立面板数据模型，研究分析商业银行不良贷款率的影响因素，并选取了拨备覆盖率、存贷比、资本充足率、最大十家客户贷款占比、净利差5个指标作为反映商业银行经营情况的个性指标，GDP增长率、M2增长率2个指标作为反映宏观经济水平的共性指标。
研究结果表明，通过优化宏观经济环境及提升商业银行自身风险防范水平等措施，有利于促进商业银行不良贷款率的降低，对商业银行的可持续发展及防范金融危机均具有重要意义。
关键词：商业银行；不良贷款率；影响因素；面板模型；实证分析本文索引：温秀玲.我国商业银行不良贷款率影响因素的实证分析[J].商展经济,2023(23):089-092.中图分类号：F832.33 文献标识码：A现代经济社会，商业银行作为重要的金融中介，不良贷款问题一直被有关部门高度重视。
整体来看，2008年末，我国境内商业银行不良贷款率为2.45%，2008—2012年，受银行上市的政策红利、金融危机后人民币信贷资产的快速扩张，以及中国经济高速增长的影响，商业银行不良贷款率呈整体下降趋势，从2013年开始，商业银行不良贷款率开始上升，并在2020年达到最高，开始逐步下降，2022年我国商业银行不良贷款率为1.63%。
将商业银行不良贷款率保持在一个合理水平，对维持稳健经营、防范金融风险、支持实体经济发展均具有重要意义。
因此，从宏观和微观角度探究商业银行不良贷款率影响因素，对商业银行可持续发展及防范金融危机具有重要意义。
1 文献综述商业银行不良贷款率一直是理论界研究的热点，国内学者从制度、宏观因素及微观因素多个维度对商业银行不良贷款率影响因素进行分析。
贷款风险评估模型研究
贷款风险评估模型研究一、前言随着金融市场的快速发展，贷款市场成为了经济的重要组成部分。
贷款作为金融机构的主要盈利来源之一，对于银行和借款人来说都具有非常重要的意义。
然而，由于贷款的风险性比较大，银行需要采用一些风险评估手段来减少贷款违约率。
贷款风险评估模型就是其中一种较为常见的方法之一。
二、贷款风险评估模型概述贷款风险评估模型是一种定量化的评估方法，用于对贷款违约风险进行研究和分析。
通常来说，贷款风险评估模型可以分为两类：基于统计模型的评估和基于机器学习模型的评估。
基于统计模型的评估主要是基于历史数据和统计方法，通过建立相关的数学模型来对贷款风险进行评估，该模型一般包括逻辑回归模型、判别分析模型、卡方检验模型等。
这种方法主要适用于样本量较大、数据完整、特征较为简单且线性的情况。
基于机器学习模型的评估是一种新兴的贷款风险评估方法，该方法主要利用人工智能技术进行数据的挖掘、分析和建模，通过训练数据，构建出一个能够自我学习的模型，来预测贷款违约的风险。
这种方法适用于复杂数据分析和特征提取较为复杂的情况。
三、贷款风险评估模型的建立过程1.数据准备贷款风险评估模型的建立需要大量的历史数据作为基础，这些数据包括借款人的个人信息、借款金额、借款期限、借款用途、还款记录等。
为了保证数据的准确性和可靠性，需要将数据进行清洗、筛选、转换等处理。
2.特征选择在数据准备的过程中，需要对数据进行特征选择，提取出与贷款违约相关的关键特征。
一般来说，常用的特征选择方法包括卡方检验、信息增益、主成分分析等。
3.模型建立模型的建立主要包括训练数据集和测试数据集的划分、模型的选择和建立。
在模型的选择和建立方面，通常会采用逻辑回归、神经网络、支持向量机等方法进行建模。
4.模型评估模型的评估主要是评估模型的准确率、精度、召回率等性能指标，并通过比较不同模型的性能指标，选择最优模型。
5.模型优化模型的优化是指通过参数调整、特征选择、数据增强等方法对模型进行进一步优化，提高模型预测的准确度和可靠性。
中国宏观经济混频数据模型应用_基于MIDAS模型的实证研究
经济科学·2010年第5期中国宏观经济混频数据模型应用∗——基于MIDAS模型的实证研究刘金全 刘 汉 印 重（吉林大学数量经济研究中心吉林长春 130012）摘 要：传统宏观计量模型需要利用加总或插值等方法将混频数据统一到同频数据再应用于宏观经济模型中。
而混频数据模型是直接利用混频数据构建模型，避免了因数据加总或插值导致的信息损失和人为信息的虚增，充分利用了现有高频数据的信息，改进了宏观计量模型估计的有效性和预测的精度。
混频数据抽样模型（MIDAS）是混频数据模型的一种，它使用参数控制的滞后权重多项式函数对高频滞后数据进行有权重的加总并构建模型，再通过数值优化和非线性的方法估计混频数据模型中的最优参数。
MIDAS模型是攫取现有高频数据的全样本信息用于宏观经济和金融的分析与预测的有效方法，本文基于该模型的实证研究探寻混频数据在中国宏观经济应用中的有效性。
关键词：混频数据 MIDAS模型宏观经济有效性一、引言宏观经济中有诸多能反映当前宏观经济状态和未来宏观经济走势的经济数据，如季度GDP数据、月度CPI和PPI数据、金融市场收益的日数据、股票市场波动的日内数据等等。
这些数据受到经济个体、企业、组织和国家，甚至是国际社会的广泛关注，人们试图使用不同的数据处理方法和构建各种模型从这些纷繁复杂的数据中攫取信息，以便得出当期宏观经济的准确预报和未来一段时间内宏观经济走势的精确预测。
然而，在构建宏观计量模型时却经常出现数据抽样的频率高低有别的问题，而大多数宏观计量模型都要求模型等式两边的数据频率一致，因此要想利用传统的宏观计量模型去估计、预报和预测宏观经济就必须对混频数据进行处理，有的采用加总或替代的方法将高频数据处理为低频数据（Silvestrini和Veredas，2008），有的采用插值法将低频数据处理为高频数据（Chow和Lin，1971；1976、赵进文和薛艳，2009），但是这两种方法经常受到质疑，人们认为加总或替代法在数据处理过程中忽视了高频数据中部分样本信息，抹杀了高频数据的波动，在一定*基金项目：国家自然科学基金项目“非线性随机波动模型估计方法及应用研究”（70971055）；教育部人文社会科学重点研究基地2008年度重大项目“我国经济周期波动态势与宏观经济总量内在关联机制的动态计量研究”（08JJD790133）；吉林大学“211工程”和“985工程”建设项目资助。
我国商业银行不良贷款率的影响因素研究基于宏观季度数据的实证分析
我国商业银行不良贷款率的影响因素研究基于宏观季度数据的实证分析一、概述本文以我国商业银行的不良贷款率为研究对象，通过收集2010年至2020年的宏观季度数据，运用统计分析方法和计量经济学模型，深入探讨了影响不良贷款率的主要因素以及各因素之间的关系。
宏观经济环境、政策调整、金融市场稳定性和银行自身经营管理水平是影响不良贷款率的关键因素。
在宏观经济环境方面，本研究分析了国内生产总值（GDP）增长率、通货膨胀率、固定资产投资增速等经济指标对不良贷款率的影响。
经济的平稳增长有利于降低不良贷款率，而经济增长放缓则可能加大银行风险暴露。
在政策调整方面，本研究特别关注了货币政策、财政政策和监管政策的变化对银行资产质量的影响。
宽松的货币政策有助于稳定经济增长，从而降低不良贷款率；而紧缩的财政政策和严格的监管政策可能会加大银行风险，导致不良贷款率上升。
在金融市场稳定程度方面，本研究考察了金融市场波动对银行信贷资产质量的影响。
实证结果表明，金融市场的稳定性与不良贷款率之间存在显著的负相关关系，金融市场的动荡往往会导致银行不良贷款增加。
在银行自身经营管理水平方面，本研究分析了银行资本充足率、不良贷款拨备覆盖率、盈利能力等内部经营管理指标对不良贷款率的影响。
研究结果显示，银行良好的盈利能力有助于降低不良贷款率，而资本充足率和不良贷款拨备覆盖率等指标与不良贷款率之间存在一定的负相关性。
本文的研究结果对于理解和应对我国商业银行不良贷款问题具有重要的参考价值。
1.1 研究背景与意义随着全球经济的日益融合和我国金融市场的不断深化，商业银行面临的不良贷款风险逐渐成为全社会关注的焦点。
不良贷款不仅直接影响银行的资产质量和盈利能力，还可能对整个金融体系的稳定带来不利影响。
深入研究不良贷款的产生原因及其影响因素，对于提升商业银行风险管理水平、维护金融稳定具有重要意义。
我国政府和金融监管部门高度重视金融风险的防范和化解工作，采取了一系列措施来降低不良贷款率。
贷款情况下的不良贷款的预测模型研究
贷款情况下的不良贷款的预测模型研究随着金融市场的发展，贷款已经成为了人们日常生活中不可或缺的一部分。
无论是个人还是企业，都可能需要贷款来满足资金需求，但随之而来的风险也是不可避免的。
如果无法按时偿还贷款，就有可能面临不良贷款的问题。
为了解决这个问题，研究人员不断探索新的方法来预测不良贷款的风险，其中数学模型是一个重要的工具。
贷款风险评估模型是根据客户的资产、收入、负债、征信等信息，使用数学模型算法来计算其还款能力及风险水平，并对客户进行分类，以此判断其是否有偿还贷款的能力，是防范不良贷款的基础。
常见的评估模型有基于专家系统的评估、基于统计学的评估和基于机器学习的评估等。
其中，基于机器学习的贷款风险评估模型已经逐渐成为了主流。
基于机器学习的贷款风险评估模型采用大数据、人工智能等方法，利用历史数据来训练模型，从而预测贷款客户的违约概率。
其优点是可以自动学习和优化模型，且不受主观因素的影响，能够更准确地预测不良贷款的风险。
下面，我们将介绍基于机器学习的贷款风险评估模型中最常用的方法——逻辑回归模型。
逻辑回归模型是一种用于建立分类模型的统计学方法，其主要目的是将一组输入投影到一个二元输出（0或1）上。
在贷款风险评估中，输入变量可以包括客户的年龄、性别、婚姻状况、收入、信用历史、职业等因素，输出变量则是“违约”或“不违约”两种情况。
首先，我们需要将数据分成训练集和测试集。
通过训练集来拟合逻辑回归模型，并通过测试集来检验模型的预测能力。
训练集和测试集的划分比例一般是70%和30%左右。
在建立模型时，我们需要先进行特征选择，即筛选出对结果影响最大的因素。
除了上述输入变量，在特征选择中还可以考虑添加一些新的因素，比如客户所在地区的经济状况、政策环境等。
但注意不能添加过多的因素，否则会导致模型过于复杂，影响预测的准确性。
接着，我们需要选择适当的优化算法来拟合模型。
目前常用的优化算法有牛顿法和梯度下降法。
牛顿法是基于二阶导数的优化算法，具有收敛速度快和精度高等优点。
金融不良贷款预测模型研究
金融不良贷款预测模型研究随着经济的快速发展，金融业也不断迎来新的机遇和挑战。
一些金融机构为了增加收益，往往会放宽对于借款人的审核条件，从而导致一些不良贷款的产生。
不良贷款不仅会给金融机构带来巨大的损失，更会对整个金融体系造成严重的风险。
因此，金融机构必须更加关注和预估不良贷款的产生，及时采取有效的对策。
针对不良贷款的预测问题，很多学者和金融机构都制定了各种预测模型。
其中，最为常用和有效的是三种：Logistic回归模型、神经网络模型和支持向量机模型。
Logistic回归模型是预测不良贷款最常用的统计工具。
该模型通过对不良贷款和良好贷款两种样本之间的特征参数进行分析，建立分类模型，从而实现不良贷款的预测。
在预测模型的构建过程中，需要进行多元回归分析，包括回归分析的变量选择、解释变量的标准化、统计学验证等一系列工作。
Logistic回归模型在实践中的精度很高，具有广泛的应用前景。
神经网络模型是借鉴神经元网络的思想，通过计算建立数据之间的非线性关系，并利用误差反传的方法进行模型的训练。
神经网络模型相较于传统统计方法，更适合处理高维、非线性的数据分析问题。
在不良贷款的预测中，神经网络模型具有更好的效果，同时也能够应对一些特殊情况，如数据噪声干扰、模型参数调整等问题。
支持向量机模型是一种新型的分类算法，该模型能够通过寻找分类超平面，以最大化两类数据之间的间隔，从而达到分类的目的。
支持向量机模型具有优秀的泛化能力，对于非线性数据的分割也具有天然的优势。
不良贷款的预测也是一种适合支持向量机模型的问题。
但是，在数据集较大的情况下，支持向量机模型计算量较大，训练时间也较长。
不良贷款的预测模型的使用需要根据实际情况灵活选择，并且应用前需要进行数据的整理、选择变量和模型评估等一系列工作。
同时，预测模型还需要不断地进行优化和改进，以期在实践中取得更好的效果。
除了不良贷款预测模型，信用评估模型也是金融机构需要并且经常使用的一种预测工具。
贷款违约预测模型构建与分析方法研究
贷款违约预测模型构建与分析方法研究1. 引言贷款是金融机构的核心业务之一，而贷款违约对金融机构来说是一个重大风险。
因此，构建合适的贷款违约预测模型对金融机构的风险管理和业务决策至关重要。
本文将对贷款违约预测模型的构建与分析方法进行研究。
2. 数据准备在构建贷款违约预测模型之前，首先需要收集和准备相关的数据。
常见的数据包括贷款申请人的个人信息、贷款类型、贷款金额、还款记录等。
特别是还款记录是贷款违约预测的重要依据。
3. 特征选择在建立贷款违约预测模型时，我们需要从大量特征中选择出最具预测能力的特征。
常用的特征选择方法有相关系数分析、信息增益、主成分分析等。
这些方法能够帮助我们提取与贷款违约相关的特征，提高模型的预测精度。
4. 模型选择和建立在贷款违约预测中，常用的模型包括逻辑回归、决策树、支持向量机、随机森林等。
每种模型都有其优势和劣势，可根据实际情况选择合适的模型。
模型的建立需要利用历史数据对模型进行训练，并进行参数调优。
5. 模型评估和选择建立好贷款违约预测模型后，需要对模型进行评估和选择。
常见的评估指标包括准确率、召回率、精确率、F1值等。
通过与实际情况进行比对，选择表现最佳的模型进行后续分析和应用。
6. 模型解释和分析贷款违约预测模型不仅可以用于预测，还可以用于解释违约的原因和风险因素的影响程度。
通过特征的系数和权重可以了解到哪些因素对违约风险的影响最大，帮助金融机构采取相应的风险管理措施。
7. 模型优化和改进贷款违约预测模型可以根据实际情况进行优化和改进。
常见的优化方法包括特征工程、模型集成、交叉验证等。
优化后的模型能够提高预测精度和稳定性，提供更准确的违约预测结果。
8. 模型应用和推广贷款违约预测模型不仅适用于金融机构，也适用于其他行业对违约预测的需求。
例如，电商平台可以利用贷款违约预测模型对商家进行信用评估，提高风险管理能力和交易安全性。
9. 结论本文研究了贷款违约预测模型的构建与分析方法，对利用历史数据进行预测和风险管理具有重要意义。
不良贷款预测的深度学习模型
不良贷款预测的深度学习模型随着金融科技的发展，银行业务的数字化已经成为了一种趋势。
其中，不良贷款及风险控制是银行业务中最为重要的一环。
银行业务人员希望能够找到一种适合自己业务的方法来预测不良贷款。
而深度学习模型则成为了银行专业人士们越来越受关注的研究方向之一。
1.深度学习模型的发展背景深度学习是一种基于神经网络的技术，它可以通过对数据的学习得到有效的模型。
这种技术通常用于图像识别、语音识别、自然语言处理等领域基于模型的预测。
近年来，深度学习模型已经被广泛应用于银行信用风险预测领域。
深度学习模型可以结合大量的数据和强大的算法，在风险预测领域中发挥重要作用。
2.基于深度学习的不良贷款预测模型银行在贷款时需要对借款人进行信用评估，评估分数过低可能导致不良贷款。
传统的预测模型，通常使用决策树、逻辑回归等方法进行预测。
由于这些模型通常只能识别简单的风险元素，并不能处理复杂的信用风险问题。
而基于深度学习的模型则可以对复杂的信用风险问题进行良好的预测。
对于不良贷款，银行可以将客户的个人信用情况、年龄、行业、公司经营情况等数据整合为一个综合评估指标，然后将这些指标输入到深度学习模型中进行训练。
3.不良贷款预测模型的优点和缺点深度学习模型具有许多优点，如：（1）较高的准确率：深度学习模型通过对大量数据的学习，可以准确地预测不良贷款。
（2）自动特征提取：深度学习模型能够自动学习特征，无需繁琐的手动设计。
（3）适应多样化数据：深度学习模型能够应对各种类型和来源的数据。
虽然深度学习模型具有很多的优点，但是也存在以下缺点：（1）数据量和质量要求较高：深度学习模型需要大量的数据来训练，对数据质量的要求也很高。
（2）计算资源消耗大：深度学习模型通常需要非常强大的计算资源和时间来训练。
这也意味着需要相应的投入。
（3）黑盒子：深度学习模型通常无法解释为何会做出某个决策，这会降低银行对风险预测结果的可信度。
4.总结尽管深度学习模型存在一些缺点，但是其具有无法比拟的优势，特别是在大数据时代。
微型企业贷款风险识别和控制
0.00%
无信贷记录 信贷记录1-2笔 信贷记录3笔以上
12
最大股东（个人）的认定原则
对企业股东结构较为复杂的（如实际控股股东透过其控制的其它企业间接 持有该企业股份），应按直接和间接合计持有的股份，认定企业的最大股 东。如按此原则认定的最大股东（含直接和间接持股）为非个人的，不适 用于本评级体系。
自然人甲（持股100%）
例4：贷款申请 企业为A，自 然人甲直接持 有A企业股份 20% ， 并 间 接
自然人乙（持股45%） 通 过 B 企 业 持 有 A 企 业 35% 的股份，其总
的持有份额为 55% ， 应 将 自 然人甲作为评 级对象。
15
目录
一、 二、 三、 四、 五、
简介 微型企业客户评级体系介绍 评级体系应用的相关要求和工作安排 微型企业贷款的风险识别与控制 附：中国经济周期分析
复核人员和尽责人员对于相关信息项的准确性、一致性存在不同意见 的，以尽责人员的意见为准。
根据经尽责人员签字确认后的相关信息所完成的客户评级结果，原则 上不得更改。
19
职责分工
客户评级结果有效期原则上为3个月。但如审批或放款审核人员认为企 业或其最大股东信用状况出现重大变化的，即使客户评级结果在有效 期内，也应重新发起客户评级。
有申请复议或者复议结果对本人不利的 其它不予准入的情形，由总行个人金融总部根据具体情况设定及更改
10
个人信用评价工具解读
个人信用评价部分所使用的客户评分卡模型与我行现使用 的（住房贷款、汽车贷款、信用卡等）申请评分卡的异同
共同点：均是基于我行历史数据，在建立统计模型的基础上得到的 不同点：
✓ 个人贷款客户信用评价工具使用的信息项为客户基本信息（性 别、年龄、学历等）、征信信息，在不使用具体贷款信息的情 况下，对客户在任一一个贷款品种上的违约概率进行预测，主 要用于对客户的信用状况进行分层，其中只将征信情况最差的 极少数客户自动拒绝，无自动通过
不良贷款风险度量模型的建立与应用
不良贷款风险度量模型的建立与应用随着金融市场的不断发展，银行业务的多元化越来越突出，其中贷款业务是银行最主要的盈利来源。
在贷款业务中，不良债务风险是银行面临的一种常见风险。
银行为了规避不良债务风险，需要在授信前对客户进行风险评估，并在授信后不断进行风险监控。
因此，建立一套科学、完备的不良贷款风险度量模型对于银行的业务管理具有重要意义。
一、不良贷款风险度量模型的概念不良贷款风险度量模型，简称风险度量模型，是指对银行授信对象信用风险的度量方法和工具，其主要用途是评估银行维持风险管理标准所需的资本水平。
风险度量模型可帮助银行确定收益和风险之间的平衡点，从而实现银行的利润最大化。
同时，风险度量模型还有助于银行增强资本管理能力，控制不良贷款风险，提高资产质量。
二、不良贷款风险度量模型的建立原则1. 适应性原则不良贷款风险度量模型应考虑到银行业务的多样性和风险特征的差异性，以及银行的市场地位和经营范围，在实际应用中要具有一定的适应性。
2. 可行性原则不良贷款风险度量模型应考虑到数据的可获得性和模型的可操作性，以及传统的模型框架和制度环境的限制，确保模型具有可行性。
3. 准确性原则不良贷款风险度量模型需要具有预测准确性和稳健性，能够在不同的市场环境和银行业务条件下保持稳定的预测能力。
三、不良贷款风险度量模型的应用不良贷款风险度量模型主要应用在银行的风险管理和资本管理过程中。
在风险管理过程中，银行可以利用不良贷款风险度量模型对客户的信用风险进行评估，并采取相应的风险控制措施，从而降低不良贷款的风险。
在资本管理过程中，银行可以根据不良贷款风险度量模型的结果确定保证金水平，并计算相应的资本占用费用，以达到合理配置资本的目的。
四、不良贷款风险度量模型存在的问题1. 信用评估方面存在一定的主观性和不确定性，可能导致模型出现误差。
2. 模型对历史数据的依赖性较强，难以应对新兴产业或新兴市场数据的不确定性，还需要不断更新和固化模型。
商业银行不良贷款率的变化趋势与对策研究
《商业银行不良贷款率的变化趋势与对策研究》2023-10-26•引言•商业银行不良贷款率的变化趋势•商业银行不良贷款率对业务经营的影响•降低商业银行不良贷款率的对策研究目•结论与展望•参考文献录01引言金融市场的稳定对于国家经济的健康发展至关重要，而商业银行作为金融市场的重要组成部分，其运营状况直接影响到金融市场的稳定。
不良贷款率是衡量商业银行运营状况的重要指标，对于防范金融风险、保障经济安全具有重要意义。
随着全球经济的不断变化和国内经济结构的调整，商业银行不良贷款率的变化趋势及应对策略成为当前研究的热点问题。
研究背景与意义通过对商业银行不良贷款率的变化趋势进行分析，为商业银行降低不良贷款率、提高资产质量提供参考。
研究目的采用定性与定量相结合的方法，通过对历史数据的整理和分析，对不良贷款率的变化趋势进行深入探讨，并提出相应的对策建议。
研究方法研究目的与方法研究内容本文将对商业银行不良贷款率的变化趋势进行深入分析，从宏观经济环境、行业发展趋势、银行内部管理等多个角度探讨影响不良贷款率的因素。
结构安排本文将分为五个部分，第一部分为引言，介绍研究背景与意义、目的和方法；第二部分为商业银行不良贷款率的变化趋势分析；第三部分为影响因素分析；第四部分为对策建议；第五部分为结论与展望。
研究内容与结构02商业银行不良贷款率的变化趋势不良贷款率定义不良贷款率是指商业银行不良贷款余额与各项贷款余额之比。
不良贷款率计算公式不良贷款率 = （次级类贷款 + 可疑类贷款 + 损失类贷款）/各项贷款余额 × 100%。
不良贷款率的定义与计算方法2008年金融危机前，我国商业银行不良贷款率基本控制在较低水平，大约在2%左右。
2008年金融危机后，我国商业银行不良贷款率开始上升，至2012年达到峰值，约为5%。
之后几年，我国商业银行不良贷款率开始逐渐下降，至2018年降至最低点，约为1.8%。
我国商业银行不良贷款率的历史变化趋势当经济处于下行期时，企业还款能力下降，商业银行不良贷款率容易上升。
不良贷款风险评估模型研究与应用
不良贷款风险评估模型研究与应用第一章绪论1.1 研究背景与意义不良贷款是银行信贷业务中的风险之一，对银行的健康发展和社会经济稳定有着重要的影响。
因此，构建一个可靠的不良贷款风险评估模型，在银行风险管理和决策中具有重要的意义。
1.2 研究现状目前不良贷款风险评估模型研究主要包括基于统计方法、基于机器学习方法、基于混合方法等多个方向。
其中基于机器学习方法较为流行，但各种方法均有其优缺点。
1.3 研究内容与方法本研究旨在构建一种可靠的不良贷款风险评估模型，并通过实证研究检验其有效性。
本研究采用的方法主要包括数据分析、模型构建和实证检验等。
第二章不良贷款风险评估模型理论基础2.1 不良贷款概述不良贷款是指银行借款人不履行其还款义务或无力偿还贷款本息的贷款。
它是银行信贷风险中最为严重的问题之一。
2.2 不良贷款风险评估概述不良贷款风险评估是将银行授信的借款人进行分类及评估，判断其信用等级、信用风险，以提供对于该借款人的信贷决策支持，从而有效控制不良贷款风险。
2.3 不良贷款风险评估模型不良贷款风险评估模型是对开展风险评估的数据和方法的运用，通过建立不良贷款风险评估模型，来预测借款人的还款能力和风险水平，进而确定贷款风险，以便更好地掌握和控制贷款风险。
第三章不良贷款风险评估模型构建3.1 数据收集与预处理本研究选取一家商业银行的个人贷款数据作为研究对象。
为了保证数据的可靠性，首先对数据进行了筛选和清洗处理，以确保模型的精度和可靠性。
3.2 特征工程通过数据分析和统计技术，对贷款数据中的特征进行挖掘和选取，筛选出具有预测不良贷款风险的重要特征。
3.3 模型构建本研究采用了基于机器学习的不良贷款风险评估模型，其中包括了逻辑回归、决策树、随机森林、支持向量机等多种方法，通过比较不同模型的表现，最终确定了相对优秀的模型。
第四章不良贷款风险评估模型实证检验4.1 样本选择与评估指标本研究选取的数据样本来自一家商业银行的个人贷款数据，通过评估指标（如准确率、召回率、F1值等）来检验模型的有效性。
企业小额贷款风险评估模型的研究与应用
企业小额贷款风险评估模型的研究与应用近年来，随着金融科技的发展和政府政策的支持，小微企业逐渐成为经济发展的重要力量。
然而，由于小微企业的风险较大，传统的信贷评估模型往往难以准确评估其信用风险。
因此，研发一种适用于小微企业的贷款风险评估模型显得尤为重要。
企业小额贷款风险评估模型的研究与应用意味着对多个关键要素的综合考量，包括企业信息、行业信息、金融信息等。
在构建模型时，一方面需要选择适当的数据和指标，另一方面需要采用合理的建模方法。
以下将对这些要素进行更详细的讨论。
首先，企业信息是构建风险评估模型的基础。
其中，企业的基本信息、财务信息、经营状况以及资产负债信息是评估风险的重要指标。
借助现代信息技术，通过大数据分析方法可以更准确地获取这些信息。
例如，从企业的财务报表中，可以提取的指标包括营业收入增长率、净利润率、资产负债率等。
除此之外，企业的行业竞争情况、市场份额等也对风险评估模型具有重要影响。
其次，行业信息的考量在风险评估模型中也占据重要地位。
行业的特点、发展状况以及未来趋势都会对企业的风险产生影响。
可通过对行业的市场研究、竞争环境的评估，以及政府相关政策的分析，加强对企业风险的预测能力。
同时，行业信息也可以通过构建行业模型来补充企业信息的不足之处。
因为不同行业的风险特点和经济环境各不相同，将行业信息融入模型有助于提高评估的准确性。
金融信息则是评估企业贷款风险不可或缺的要素。
金融信息包括企业的融资历史、信贷记录、借款行为等。
这些信息可以作为衡量企业信用风险的重要指标。
近年来，中国金融行业积极推动使用互联网金融技术，不仅提供了便利的借贷服务，也为风险评估模型的建立提供了更多的数据来源。
在构建小额贷款风险评估模型时，评估方法是一个关键因素。
常见的评估方法包括传统的统计分析方法和机器学习方法。
统计分析方法通过对历史数据的分析，从中提取规律和关系，并依据这些规律和关系预测未来风险。
而机器学习方法则通过训练模型，让模型自动从数据中学习，并做出预测。
我国不良贷款违约损失率计量模型研究
我国不良贷款违约损失率计量模型研究一、内容概览本文旨在深入探讨我国不良贷款违约损失率的计量模型，通过对当前国内外的研究现状进行系统性梳理，构建适合我国国情的不不良贷款违约损失率计量模型，并对该模型的应用效果进行实证分析。
本文首先介绍了研究背景与意义，接着对国内外相关研究进行了综述，在此基础上，详细阐述了本研究的内容安排和方法设计。
本文的研究成果将有助于提高我国不良贷款违约损失率的计量准确性，为金融风险管理和监管提供科学依据。
1. 全球金融业的发展和不良贷款问题的严峻性随着全球金融业的不断发展和创新，金融市场在全球经济中扮演着越来越重要的角色。
随着金融市场的发展，不良贷款问题也日益严峻。
这个问题不仅影响到了金融机构的稳定发展，也对整个经济体系带来了严重的潜在风险。
在过去的几十年里，全球金融业经历了高速发展，信贷规模不断扩大。
在这一过程中，不良贷款的积累也逐渐成为一个严重的问题。
由于金融市场的不确定性和风险性，一些借款人在面临经济困境时无法按时偿还贷款，从而导致金融机构的不良贷款率上升。
不良贷款问题的严峻性不仅体现在对金融机构的直接冲击上，还表现在对金融体系的稳健性和经济可持续性的影响上。
不良贷款的增加会导致金融机构的资本充足率下降，进而影响到其偿债能力和稳健运营。
不良贷款问题还会导致银行信贷资源的浪费，甚至可能引发金融风险的传导和扩散。
更为严重的是，不良贷款问题还可能对经济体系产生负面影响。
不良贷款的增加会导致银行业务收入的减少，进而影响到企业的投资和发展。
不良贷款问题还会降低社会的信任度，增加金融市场的不确定性，从而影响到整体经济的健康发展。
针对不良贷款问题的研究和应对显得尤为重要。
通过深入研究不良贷款的形成机理、计量模型以及风险管理策略，可以为金融机构提供有效的工具和方法来降低不良贷款率，保障金融体系的稳健运行和经济的持续增长。
2. 不良贷款违约损失率的定义及其重要性不良贷款违约损失率是指在银行贷款业务中，借款人无法按照合同约定履行还款义务，从而导致银行无法收回全部本金和利息的损失比例。
基于宏观压力测试的我国商业银行信用风险评估
基于宏观压力测试的我国商业银行信用风险评估陈宜成【摘要】We research the impact of macro economic fluctuation on credit risk of commercial banks by the macro stress test model .We choose Non-performing loans in commercial bank as the measurement of creditrisk .Use Logit equation transferring it into an intermediate indicator which could reflect the default probability of banking system.And then establish linear regression model with kinds of macroeconomic variables and the each vector autoregression analysis with macroeconomic variables .At last.We get the distribution of Non-performing Loans rate under macroeco-nomic stocks through scenario analysis and Monte Carlo stimulation method .The results show that these macroeconomic have significant impacts on the Non-performing Loans of commercialbanks.Meanwhile the Non-performing Loans of commercial have increased with different extents under the given scenario pressure.%通过构建宏观压力测试模型，研究宏观经济波动对商业银行信用风险的影响。
信息不对称下银行对中小微企业的最优信贷策略研究--基于Logistic回归的违约率测算模型
一、引言 中小微企业是我国构建现代化经济体系、推动经 济高质量发展的重要基础，是扩大就业、改善民生 的重要支撑。中小微企业融资问题一直是我国信贷 政策关注的重点，近年来国家出台了很多推进中小 微企业信贷业务的优惠政策，但中小微企业融资难 问题一直没有从根本上得到解决。 （一） 文献综述 学术界对中小微企业融资难问题的关注和研究由 来已久。学者们普遍认为，中小微企业抵押担保能 力差、信用水平低、贷前调查和贷后管理成本高等 原因，导致银行对其授信的积极性不高，影响了信 贷政策的实施效果。其背后的深层次根源则是在信 息不对称情况下银行的理性选择。在银行提供信贷 服务的过程中，信息的收集、处理和交流至关重要 （Goetzmann 等，2013）[1]，造成中小企业融资难的很
Zscore（总毛利率）
-13.605 7.499 1 .070
Zscore（2020 年毛利率）
52.876 31.538 1 .094
Zscore（2020 年毛利率同比增长率） -49.76 30.2828 1 .100
常量
-13.495 6.261 1 .031
OR 值 .003 .000 170.436 .000 9.197×1022 .000 .000
3. SPSS 的最终处理。经过前两次数据处理，共 取得 16 项企业有关指标，分别是“是否违约（Yi ）” “信用评级（ Gi ）”“企业性质（ Qi ）”“进项价税合计 （ Tin_i ）”“销项价税合计（ Tout_i ）”“进项有效发票数 （ Ninv_i ）”“销项有效发票数（ Noutv_i ）”“进项作废发票 数（ Ninc_i ）”“销项作废发票数（ Noutc_i ）”“最大资金缺 口（ Gapmax_i ）”“ 总 毛 利 率（ Ri ）”“2017 年 毛 利 率 （ R2017i ）”“2018 年毛利率（ R2018i ）”“2019 年毛利率 （ R2019i ）”“2020 年毛利率（ R2020i ）”“2020 年毛利率同
信用风险评估应对不良贷款的关键工具
信用风险评估应对不良贷款的关键工具在金融领域中，信用风险评估是一个至关重要的领域。
对于银行和其他金融机构来说，不良贷款是一项限制其业务和发展的因素。
因此，开发和应用适当的信用风险评估工具对于防范和管理不良贷款至关重要。
一、信用风险评估概述信用风险评估是一种通过分析借款人的信用状况和还款能力，评估其贷款违约风险的方法。
它是一种预测模型，通过收集和分析大量的数据，包括个人、企业和市场数据等，来评估借款人是否有能力按时还款。
根据评估结果，金融机构可以制定相应的贷款政策，减少不良贷款的风险。
二、信用风险评估的关键工具1. 过去表现评估：过去的表现往往是预测未来的一个重要指标。
通过分析借款人在过去的还款纪录和信用记录，金融机构可以评估其还款能力和信用状况。
例如，借款人过去的违约记录和逾期还款情况可以反映其贷款偿还的风险。
2. 个人信用报告：个人信用报告是评估借款人信用状况的重要依据。
个人信用报告包含借款人的个人信息、贷款记录、信用卡记录、逾期还款情况等。
金融机构可以通过分析个人信用报告，评估借款人的信用风险。
3. 收入和负债比率：收入和负债比率是评估借款人还款能力的重要指标。
通过比较借款人的收入和负债情况，金融机构可以评估借款人是否有能力按时偿还贷款。
如果借款人的负债过重，其还款能力可能会受到影响，增加了贷款违约的风险。
4. 市场和行业分析：市场和行业分析可以提供对借款人的违约风险的更深入的理解。
金融机构可以通过对借款人所在行业的研究和分析，评估其所面临的风险和机遇。
市场和行业因素对借款人的还款能力和信用风险有重要的影响。
三、信用风险评估的优势和局限性信用风险评估作为应对不良贷款的关键工具，具有以下优势：1. 提高风险管理效率：通过应用信用风险评估工具，金融机构可以更快速和准确地评估借款人的信用风险。
这有助于金融机构提高贷款审核和风险管理的效率。
2. 减少不良贷款风险：信用风险评估可以帮助金融机构识别高风险借款人，从而减少不良贷款的发生。
不良贷款率影响因素的实证分析_基于2005_2014年省级面板数据_邹克_
等（2015）[15]利用 Granger 方法检验了不良贷款率对 信贷需求较大，银行会相对放松信贷准入条件，持续
银行业的影响，得出不良贷款率对资本利润率、净利 的信贷高增长，会导致信贷膨胀，产生经济泡沫；当
差、资本充足率有单向格兰杰因果关系等结论。
经济转入调整时期，信贷投放速度放缓，企业负债率
上述研究从多个角度对不良贷款（率）进行了研 较高，经营状况恶化，一旦向银行再融资出现困难，
此，从现实意义看，十分有必要加强对不良贷款率进 行研究，分析不良贷款率的影响因素，找出有效控制 不良贷款率继续上升的方法，化解系统性风险，维护 金融稳定与保持经济可持续发展。
已有研究主要从某一方面研究不良贷款率或者 贷款质量，如基于经济周期理论研究宏观经济环境 与不良贷款之间的关系、经济政策对不良贷款率的 影响以及基于商业银行内部视角进行研究。从研究 数量看，国外对不良贷款率或者贷款质量研究得较 多，国内则相对较少，且多以定性分析为主。这与中 国不良贷款率变化特征存在一定的关系，由于 2008 年以前，受前期累积的影响，商业银行的不良贷款率 普遍较高，通过回归模型难以准确衡量其与经济增 长、信贷增速等因素之间的关系。在已有的定量分 析文献中，较多的研究基于时间序列数据利用 VAR 模型研究不良贷款与宏观经济、不良贷款与信贷增 速之间相互冲击的影响，较少利用区域不良贷款率
学者均进行了深入的研究。从宏观经济角度出发， 响实体企业的信贷成本，持续较长的经济下行期导
一般认为，不良贷款后面的信用风险具有亲经济周 致实体企业难以偿还贷款，影响银行的不良贷款水
期性（Williamson，1985）[2]，经济繁荣使得商业银行信 平。在此基础上，Bernanke 和 Gertle（r 1989）[10]提出的
央行“言行”偏差与金融市场间长期动态相关性——基于混频DCC-MIDAS模型
央行“言行”偏差与金融市场间长期动态相关性——基于混频DCC-MIDAS模型张旭;杨华莲【期刊名称】《经济与管理》【年(卷),期】2024(38)1【摘要】运用自然语言处理方法构建央行政策操作偏离指数来衡量央行“言行”偏差的程度,并基于混频DCC-MIDAS模型对金融市场间长期动态相关性展开研究。
实证结果如下:央行政策操作偏离指数对债券市场收益率波动产生负向影响,其影响主要来源于意外的货币政策紧缩;对股票市场、外汇市场收益率波动具有非对称性影响。
针对金融市场间长期动态相关性影响,央行政策操作偏离指数负向影响债券-外汇市场间的长期相关性,尤其对于国债与外汇市场的长期相关性的影响更为显著;对于股票-外汇市场的长期动态相关性,央行政策操作偏离指数对其具有显著的正向影响,其影响主要来源于央行正向的“言行”偏差;央行政策操作偏离指数对于股票-债券市场的长期相关性影响不显著。
【总页数】9页(P9-17)【作者】张旭;杨华莲【作者单位】南京信息工程大学管理工程学院【正文语种】中文【中图分类】F832.5【相关文献】1.“沪港通”开通前后沪、港股市间信息溢出与动态相关性研究——基于VAR-GARCH-DCC模型的检验2.信息、政策冲击和中国股票、债券及外汇市场一体化——基于AG-DCC模型的金融市场动态相关性分析3.新三板、沪深股市间的波动溢出效应及动态相关性分析——基于BEKK/DCC-MVGARCH模型的实证研究4.经济政策不确定性对"中-美"股市、"中国股市-黄金市场"的长期动态相关性影响研究——基于DCC-MIDAS模型5.经济政策不确定性对股市、债市和基金市场动态相关性的影响——基于DCC-MIDAS实证因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2017年5月当代经济科学May, 2017第 39 卷第 3 期 M odem Econom ic Science Vol. 39 No. 3央行微观调查数据适合作为不良贷款率的预测指标吗基于M IDAS模型的研究张润驰\杜亚斌\薛立国\徐源浩\孙明明13(1.南京大学商学院，江苏南京210093 ;2.中国人民银行连云港中心支行，江苏连云港222000)摘要:相比于传统宏观经济指标，央行的微观调查数据是否更加适合作为我国商业银行不良贷款率的预测指 标？本文首先提出了利用微观调查数据进行预测的相关理论，接着基于适合解决混频数据预测问题的MIDAS模 型进行了实证研究。
研究发现:央行微观指标在平均样本外预测误差等多个方面均优于传统的宏观指标，同时人 民币名义有效汇率指数、基金及理财投资意愿比例、房价过高难以接受比例等指标尤其适合作为预测指标。
本文 的结论是:央行的微观调查数据更加适合作为不良贷款率的预测指标。
关键词：央行微观调查数据;不良贷款率;MIDAS模型;预测;预测指标文献标识码：A 文章编号：1002 -2848 -2017(03) -0001 -11一、引言近年来，我国商业银行的不良贷款率持续攀升，信用风险在商业银行体系内不断积累。
研究并建立 适合于我国发展现状的不良贷款率预测指标体系，有助于及早提供信用风险预警并制定相应对策，对 保证我国银行业健康发展、维持金融业稳定具有重 要作用，对提升企业与居民对中国经济的信心、助力 中国经济走出“L”形周期也具有重要意义。
国外有不少学者对不良贷款率的预测指标进行 了一定的研究。
Messai等人[1]根据意大利、希腊与 西班牙三国在2004 -2008年间的经济发展面板数 据，研究了不良贷款率的解释因素，发现三国的不良 贷款率与GDP增长率、失业率、实际利率有较大关 系。
Beck等人[2]基于全球75个国家过去10年的宏观经济数据，研究了不良贷款率与宏观经济因素 的关系，发现实际GDP增长、股票价格、汇率等宏观 经济指标能够显著影响贷款的质量。
Farh an[3]等人 研究了巴基斯坦银行业不良贷款率问题，结果表明 巴基斯坦银行业的不良贷款率可以被GDP、失业 率、利率、能源危机、通胀、汇率等指标所解释。
Makri[4]等则研究了欧洲银行业在2000 -2008年间 的银行业不良贷款率决定因素，发现GDP、失业率、公共债务等宏观指标的解释力明显。
国内学者相比之下对这一问题的研究较少，谭 劲松[5]等研究了国内某国有商业银行在1988 - 2005年间的全部剥离不良资产数据后发现:政府干 预是银行不良贷款产生的主要原因。
刘妍[6]选取房 地产行业作为研究对象，构建不良贷款率模型以分 析不良贷款率的影响因素。
结果显示不良贷款率同收稿日期=2016-12-13作者简介:张润驰（1990 -)，江苏省南京市人，南京大学商学院博士研究生，研究方向:信用风险管理;杜亚斌（1954 -)，山西省壶关县人，南京大学商学院教授，博士生导师，研究方向:商业银行管理;薛立国（1990 -)，江苏省盐城市人，南京大学商学院博士研究生，研究方向:宏观 经济;徐源浩（1988 -)，贵州省贵阳市人，南京大学商学院博士研究生，研究方向:货币政策与宏观经济;孙明明（1985 -)，山东省临沂市人，南 京大学商学院博士研究生，研究方向:大数据金融。
本干lj网址：http://jjkx. xjtu. edu. cn; 1GDP、房屋销售面积等指标呈负相关，与地产投资 额、CPI等指标呈正相关。
谢冰[7]基于2004 - 2009 年的经济数据，运用相关分析、共线性诊断、主成分 回归分析等方法建立模型，实证发现社会消费品零 售总额、进出口总额对降低商业银行不良贷款的贡献 度最大，宏观经济因素对降低不良贷款有正向促进作 用。
韩笑[8]等则基于VAR模型，就我国宏观经济对 商业银行不良贷款影响进行了实证分析，发现不良贷 款率与货币供应量、社会消费品零售总额存在负相关 关系，与总贷款额存在正相关关系，而国内生产总值 与财政支出的影响结果长短期不一致。
然而，现有国内外研究的共同不足之处在于:① 研究时期大多在2008年金融危机之前。
由于危机 后我国的经济结构、金融监管及银行业经营模式都 发生了很大变化，基于危机前样本的研究结论对当 前的指导意义有待商榷。
②研究指标大多直接选取 宏观经济发展数据，如GDP、M2、CPI、失业率等，缺 乏对微观层面数据的适用性探究。
③大多采用面板 回归、VAR等传统同频计量工具展开研究，缺乏对 混频样本指标信息的深度挖掘。
近年来，中国人民银行通过大范围问卷调查，每 季度公布一系列微观经济金融指数，涵盖了居民收 入与消费、企业经营与贷款、银行放贷审批与信心等 多个领域，其相比于传统宏观经济指标，是否更加适 合于不良贷款率的预测？又有哪些指标的适应性最 高？本文对这一系列问题展开了深入的研究。
本文的创新主要在于:①首次对中国人民银行 微观调查数据预测不良贷款率的可行性及适用性进 行研究，这在国内外文献中尚无先例;②使用2008 年金融危机后至今的样本进行研究，研究结论对当 前时期也具有指导意义;③就微观指标在预测不良 贷款率问题中的优势进行了理论猜测;④使用较为 新颖的MIDAS模型展开研究。
MIDAS模型能够处 理混频指标数据，适用于我国不同频度的各项宏微 观指标并存的特征，同时现有研究亦表明其更加适 合研究经济金融领域的预测问题;⑤在验证央行微 观指标是否优于传统宏观指标之外，也对实证结果 进行了详细的经济含义分析。
研究发现:央行微观指标在样本外预测误差等 多个方面均优于传统的宏观指标，同时人民币名义 有效汇率指数、基金及理财投资意愿比例、房价过高 难以接受比例等指标尤其适合作为预测指标。
本文 2的结论是:相比于现有宏观经济指标，央行的微观调 查数据更加适合作为不良贷款率的预测指标。
二、理论分析与研究数据来源(一）理论分析预测指标从规模及性质角度出发，大体可以分 为宏观指标与微观指标两类。
宏观指标主要描述一 国的宏观经济运行情况，如GDP、M2、进出口额等，而微观指标则着重描述某一类经济主体的当前行为 与未来预期，一般通过抽样调查的方式获取相应数 据。
国内外现有关于不良贷款率预测的相关研究，大多仅使用宏观指标。
然而本文认为微观指标至少 在以下两个方面优于宏观指标：(1) 指标关联性。
在过去我国金融体系发展期，居民与企业一般以储蓄的形式将多余资金存入 商业银行，生产及消费融资基本也只能依靠银行贷 款。
然而近年来，随着我国金融体系的不断深化，互 联网金融、普惠金融、消费金融[941]以及股票、债 券、资产证券化市场持续发展，居民消费与企业生产 的融资渠道不断开拓，GDP中包含了更多其它融资 渠道的贡献，因而GDP是否依然能在较大程度上与 商业银行的贷款融资相关联值得商榷。
同时，“货 币迷失”的现象[^13]不断出现也使得M2的调控力度渐渐削弱，有时甚至与央行的调控目的背道而驰，因此，M2与经济发展、不良贷款的直接关系是否依 然密切，亦值得研究。
理论上来说，选择的预测指标应当是能够影响 被预测指标的重要因素，或是这些重要影响因素的 代理变量，从而提高预测的精度。
我国商业银行的 不良贷款率虽然是一个宏观指标，但其在微观层面 却是由借款者行为及银行家决策共同决定。
相比于 使用最直接的微观指标，宏观指标往往因涵盖了大 量与不良贷款率关联性较弱的冗余信息，难免会导 致预测效果不佳。
(2) 信息不对称与微观信息价值。
企业主对未来经济形势的判断、自身经营情况的预期，往往来 自经营过程中获取的第一手资料，能够反映未来市 场发展与整体经济形势的最可能趋势;居民在当期 的收入、物价水平以及对未来预期，决定了当期与未 来的消费、储蓄与投资行为;商业银行作为贷款的发 放主体，尽管在信息不对称的博弈中处于劣势地位，但依然可以根据长期放贷活动积累下的大量经验，结合当前的贷款热度与同业竞争情况，对未来经营 形势进行合理预测。
因此，微观指标往往涵盖了一 些宏观指标不易察觉的信息，具有独特的微观价值。
综上我们认为:就预测我国商业银行不良贷款 率的问题而言，使用恰当的微观指标，预测结果可能 会优于传统的宏观指标。
(二)研究数据来源近年来，为了更好地把握我国经济发展脉络，中国人民银行面向国内企业家、城镇储户、银行家等经 济金融主体，从宏观经济、生产消费、资金供求等多 角度出发，推出了一系列问卷调查，并编制成表在其 官网上公开。
其中，与本文研究关联程度较大的主 要有企业家问卷调查、城镇储户问卷调查及银行家 问卷调查3类。
企业家问卷调查的对象为全国范围内的5000 多户工业企业，调查内容主要包括企业总体生产状 况、生产要素状况、市场需求状况等7个方面，从微 观层面很好地反映了不同企业主体在生产、销售过 程中的负担情况;城镇储户问卷调查，由央行每季度 在全国50个调查城市展开，选择共20000名储户作 为调查对象。
调查内容包括储户对经济运行的总体 判断、储蓄及负债情况、消费情况、储户基本情况等 四个方面，一定程度上较为客观地反映了居民个体 在不同经济状况下的金融行为;银行家问卷调查，则 对我国境内地市级以上的各类银行机构采取全面调 查，Xt农村信用合作社采用分层PPS抽样调查，全国 共调查各类银行机构3100家左右。
调查对象为全 国各类银行机构的总部负责人及其一级、二级分支 机构的行长或主管信贷业务的副行长。
调查具有较 高的权威性与覆盖面，所含信息价值较大。
相比于其他基于微观层面的问卷调查，央行的 上述三类问卷调查具有调查主体的权威性、调查方 法的科学性以及调查对象的广泛性，研究价值较大。
同时，央行统计调查司也根据相应的原始调查数据，归纳总结成指数形式，方便查阅与使用。
因此，本文 选择央行上述三类问卷调查结果中的各类微观指数 展开研究。
三、实证研究(一)研究数据处理本文旨在研究央行的微观调查数据能否作为我 国商业银行不良贷款率的预测指标，因此目标预测变量选择中国银行业监督管理委员会每季度定期公 布的全国商业银行不良贷款率指标。
同时，搜集了 央行调查统计司编纂的各季度银行家问卷调查报 告、企业家问卷调查报告及城镇储户问卷调查报告，从中分别提取相应的微观指标，并剔除诸如银行竞 争力指数、实业投资意愿比例等含缺失值较多的指 标。
此外，参照刘妍[6<等人的做法，我们引入GDP、M2、CPI等现有文献中常用宏观指标作为对 比，宏观指标除GDP与金融机构人民币贷款加权平 均利率为季度数据外，其余均为月度数据。
上述指 标均来自Wind数据库。
最后，对于少数存在缺失 值的指标，采用移动平均法进行填补。