使用ARIMA模型和指数平滑技术对沙特银行业稳定性进行建模与预测
《Frontiers in Artificial Intelligence》:Modeling and forecasting Saudi banking stability using ARIMA and exponential smoothing technique
【字体:
大
中
小
】
时间:2026年02月14日
来源:Frontiers in Artificial Intelligence 4.7
编辑推荐:
本研究通过开发一个最优的逐步线性回归模型,来探讨影响沙特银行财务稳定性的关键因素。研究使用了2014年至2021年间从11家沙特银行收集的财务数据。模型中包含了六个关键绩效指标(KPI)类别,包括盈利能力、流动性、资产质量、资本充足率、银行规模和经济增长。所有稳定性指标的因变量均
本研究通过开发一个最优的逐步线性回归模型,来探讨影响沙特银行财务稳定性的关键因素。研究使用了2014年至2021年间从11家沙特银行收集的财务数据。模型中包含了六个关键绩效指标(KPI)类别,包括盈利能力、流动性、资产质量、资本充足率、银行规模和经济增长。所有稳定性指标的因变量均采用Z分数。在所有选项中,应选择标准误差最低且调整后R平方值最高的模型作为最佳解释模型。研究结果表明,所选模型的标准误差最低(约为7.209),调整后R平方值最高(71.3%)。研究发现,NII1比率和资本充足率指标以及银行资产规模(资产的对数)对稳定性有积极影响,而当银行使用投资比率指标或贷款损失比率指标时,稳定性会下降。经济增长(GDP)对稳定性没有显著影响。研究的第二阶段采用了ARIMA和指数平滑模型来预测2030年的Z分数。选定的预测验证指标包括RMSE、MAE、MAPE和E-square。标准化的预测结果使得银行之间可以相互比较。财务绩效数据显示出不同的趋势。研究表明,阿拉伯国家银行和国家商业银行将提供稳定的财务表现;沙特投资银行和Al-Jazira银行的趋势较为平稳,预测精度较高;Al-Rajhi银行、Samba金融集团和沙特英国银行则持续稳定运营。这些实证发现为利益相关者和监管机构在决策过程中提供了支持,有助于实现2030年愿景的目标。
1. 引言
银行是促进经济增长的关键组成部分,因为它们充当了资金充裕者和资金短缺者之间的中介。由于银行对经济具有重大影响,因此被视为最有效的金融机构。银行的稳定性是其成功的关键决定因素,因为稳定的银行更能抵御冲击并保持持续发展,从而惠及整个银行业乃至整个经济。学术研究已经证明,银行的效率得分与其他因素(如流动性、管理效率、成本效率和资本充足率)之间存在显著关联(Hewaidy等人,2020年;Al-Najjar和Assous,2021年;Assous,2022年)。2008年股市崩盘后的几年里,银行稳定性问题受到了广泛关注。尽管如此,关于银行稳定性对整个经济重要性的研究仍然不多。近年来,金融稳定性已成为中央银行和其他金融监管机构的首要关注点(Mabkhot和Al-Wesabi,2022年)。沙特阿拉伯是全球第九大经济体,也是主要的石油生产国。该国还是G20成员国,地理位置优越,处于连接三大洲的重要经济通道上。凭借丰富的自然资源和前瞻性的经济政策,沙特阿拉伯为企业发展提供了众多机会。沙特2030年愿景涉及多项经济改革,这些改革利用了该国的战略资产,已经创造了新的商业前景。最终目标是使沙特阿拉伯成为吸引各行业投资者的理想投资目的地,从而促进经济发展和多元化(Al-Najjar和Assous,2021年;Al-Najjar,2022年)。过去40年来,沙特阿拉伯的金融体系一直保持稳定。然而,银行业面临诸多挑战,包括最近的COVID-19疫情、经济衰退、全球金融市场的不稳定性和波动以及全球金融危机(Assous等人,2020年;Assous和Al-Najjar,2021年;Assous,2022年)。尽管面临这些挑战,沙特的金融机构仍保持了相对优势,并建立了强大的资本基础,从而避免了严重的金融动荡。目前,沙特的银行在资本充足率、资产质量和技术基础设施方面处于有利地位,能够在国际和地区金融市场中发挥关键作用。作为海湾合作委员会(GCC)最大的银行业之一,截至2021年底,沙特有11家上市公司;随着国家商业银行与Samba集团的合并,截至2022年底,上市公司数量减少到10家。不过,近年来沙特银行业迎来了大量外国银行分支机构的涌入,预计未来这一数字还会增加。这得益于沙特领导人最近采取的一系列经济和金融改革(Assous和Al-Najjar,2021年)。另一方面,沙特银行也面临诸多障碍。这些挑战始于2008年次贷危机后的油价飙升,并因2010年末中东和北非地区的政治动荡而加剧,这些动荡迅速蔓延至也门、叙利亚、埃及和利比亚。此外,2019年底的COVID-19大流行带来了高通胀率和利率剧烈波动等严重后果。上述挑战对沙特阿拉伯的经济表现和全球增长轨迹产生了显著影响(Mabkhot和Al-Wesabi,2022年)。各国央行每年都会发布金融稳定性报告,以维护银行系统和金融机构的稳健性。近年来,经济增长放缓影响了沙特阿拉伯和其他海湾合作委员会(GCC)国家,股市在2016年初跌至低点,当时油价约为每桶30美元。鉴于石油收入在国民经济中的重要地位,原油价格与宏观金融稳定之间存在密切联系。油价下跌可能引发一系列金融系统问题,包括流动性问题和资产质量下降(国际货币基金组织,2015年)。这些发展凸显了银行稳定性和债务资本市场的重要性,尤其是在经济越来越依赖它们的情况下。然而,沙特阿拉伯的债务资本市场相对不发达。改善国内资本市场将有助于更有效地分配资本,提高私营部门基础设施项目的融资能力(国际货币基金组织,2018年)。尽管关于银行稳定性的文献越来越多,但目前针对沙特阿拉伯和整个海湾合作委员会的研究主要集中在跨国比较或短期措施上,往往忽视了银行层面的异质性和长期稳定性的过程(Mabkhot和Al-Wesabi,2022年;Ghassan和Fachin,2016年)。很少有实证研究将伊斯兰银行和传统银行合并到一个统一的分析模型中(Nosheen和Rashid,2020年;Bourkehis和Nabi,2013年),也很少有研究同时运用计量经济学分析和前瞻性预测(如2030年愿景改革)(Al-Najjar,2022年;Assous,2022年)。本研究旨在通过使用Z分数模型(Borio,2006年;Goodhart,2006年)系统地研究沙特阿拉伯银行稳定性的决定因素,填补这一空白。分析中高度重视资本充足率、盈利能力、银行规模、资产质量、流动性、投资强度和经济增长等变量(Kamran等人,2019年;Sufian和Chong,2008年;Regehr和Sengupta,2016年;Ghenimi等人,2017年;Sulji? Nikola等人,2022年)。研究采用了一组时间序列外推方法来预测2030年的稳定性情景(Assous等人,2020年;Assous和Al-Najjar,2021年),从而提供了一个全面的、面向未来的观点,有助于了解金融行业的健康状况并制定相应的政策目标。
2. 文献综述与假设构建
本节概述了通过Z分数表达的稳定性,确定了决定稳定性的主要因素,并构建了理论框架和相应的假设。
2.1 稳定性概述
本节介绍了Z分数方法,并比较了传统银行业和伊斯兰银行业在财务稳定性方面的表现。
2.1.1 Z分数模型
国际货币基金组织(IMF)列出了一套评估银行机构稳健性、可靠性和稳定性的关键指标。这些指标包括盈利能力(通过资产回报率ROA衡量)、资产质量(通过不良贷款比率NPLs与总贷款比率衡量)以及资本充足率(通过资本充足率衡量,Pointer和Khoi,2019年;Nugroho等人,2020年)。理论和实证研究(Borio,2006年;Goodhart,2006年;Di Giorgio和Rotondi,2011年)表明,金融不稳定性的影响不仅限于金融系统内部,还会波及股市、债务市场、银行机构以及支付和结算机制,并可能对实体经济造成严重干扰。这些干扰通常表现为各种金融价格和成本的突然波动。金融系统内部的意外冲击会扰乱经济的稳定发展,损害个人和企业的信心,并阻碍财富的有效分配。此外,金融系统可能在风险分配或再分配方面存在不足(Ghassan和Fachin,2016年)。金融系统的稳定性体现在负责价格确定、资本分配和风险管理的工具能够正常运作,从而促进经济增长。一个健全稳定的金融系统能够抵御负面冲击,同时确保系统的整体稳定性和韧性(Rashid和Jabeen,2016年;Ajizah和Widarjono,2023年)。金融稳定性主要关注影响金融机构而非非金融机构的不稳定性和波动性问题(Issing,2003年)。基于此,Mabkhot和Al-Wesabi(2022年)将金融稳定性定义为金融机构抵御经济冲击、承受金融危机后果以及评估和控制风险的能力。正如Allen和Wood(2006年)所指出的,可以通过与不稳定性的特征对比来解释银行稳定性。在这方面,银行稳定性可以理解为没有显著不稳定性的时期。同样,金融稳定性也体现了包括银行、其他金融机构、金融市场及其支持基础设施在内的金融体系抵御冲击和金融危机的能力(Nosheen和Rashid,2020年)。银行Z分数模型是一种常用的方法,用于评估银行的整体健康状况、稳定性、信用状况和破产风险。多项研究表明这种方法行之有效。Bourkehis和Nabi(2013年)解释说,Z分数将银行的资产市场价值与其负债账面价值进行比较,是衡量违约风险的一种方法。为了有效评估伊斯兰银行业的财务健康状况,他们使用Z分数方法:Z分数越高,银行破产的概率越低,整体稳定性越高。许多著名研究采用了Z分数,该方法通过将资产回报率(ROA)与权益比率相加,再除以资产回报率的标准差来衡量银行的财务稳定性。这一公式是评估银行稳健性的关键工具(Fiordelisi和Mare,2014年;González等人,2017年)。Z分数衡量银行能够承受的ROA标准差变化次数,直到其资本保护机制失效。实际上,它衡量了银行的权益缓冲能够在违约前吸收损失的能力。因此,较高的Z分数表示银行违约的概率较低(Miah和Uddin,2017)。
2.1.2 伊斯兰银行与传统银行及金融稳定性的比较
在金融稳定性的相关文献中,越来越多地提到伊斯兰银行与传统银行共存的现象,尤其是在像沙特阿拉伯这样的双银行体系中。传统银行依赖基于利息的中介服务,而伊斯兰银行则受伊斯兰教法约束,禁止高利贷,并优先考虑利润与损失共享、资产支持融资和风险分担协议。这些结构上的差异影响了银行的风险状况、资本结构、流动性管理和收入稳定性(?ihák和Hesse,2010;Beck等人,2013;Bourkhis和Nabi,2013)。尽管存在制度差异,实证研究表明,伊斯兰银行和传统银行受到类似因素的影响,这些因素包括资本充足性(提高银行的损失吸收能力)、盈利能力(产生内部资本)以及较大的银行规模(带来多元化的好处),所有这些都有助于提高两种类型的银行的稳定性(Rajhi和Hassairi,2013;Miah和Uddin,2017;Adusei,2015)。相反,资产质量的下降加上流动性风险的增加与破产的可能性增加相关,无论银行体系是在合同制度下运作还是其他情况下(Ghenimi等人,2017;Zaghdoudi,2019;Kharabsheh和Gharaibeh,2022)。因此,Z分数被广泛认为是衡量银行稳定性的一个指标,可以应用于伊斯兰银行和传统银行。它通过结合盈利能力、资本充足性和收益波动性来评估破产风险,而不使用基于利息的指标(?ihák和Hesse,2010;Karim等人,2018;Kumar,2022)。在沙特阿拉伯这样的背景下,这种综合方法尤为重要,因为伊斯兰银行和传统银行在同一监管和监督框架下共存,并面临相同的宏观经济因素(Ghassan和Taher,2013;Mabkhot和Al-Wesabi,2022)。
2.2 稳定的关键决定因素
2.2.1 银行的财富
利用规模经济,大型银行可以将固定成本分摊到更多的资产上,从而降低平均成本并提高盈利能力(Regehr和Sengupta,2016)。银行的Z分数受到其总资产和资本充足率(CAR)的显著影响,这些变量的高值可能提高银行的稳定性。因此,银行需要加强资产管理,以履行支持公共经济增长的金融中介角色(Widarjono,2020)。这些结论与Ajizah和Widarjono(2023)以及Rajhi和Hassairi(2013)的研究结果一致。Slimen等人(2021)表明,银行规模仅对短期稳定性有显著正面影响,而Beck(2008)发现银行规模与L-Z分数衡量的银行稳定性之间存在正相关关系。Rahim等人(2012)对2005年至2010年间马来西亚银行的研究也证实了银行规模与银行稳定性之间的正相关关系。此外,?ihák和Hesse(2010)的研究发现,治理实践和银行规模都对金融稳定性有积极影响。
2.2.2 资产质量
正如Ledhem和Mekidiche(2020)所指出的,资产质量是决定伊斯兰银行稳定性的关键因素。高质量的资产与较高的盈利能力和金融稳定性相关,通常通过检查不良贷款占总贷款的比例来评估。Kumar(2022)证明,可以使用NPL比率有效衡量银行贷款组合的质量。较高的NPL比率会增加银行的脆弱性,从而增加银行系统的风险,因为这可能导致银行资本枯竭。Sulji? Nikola等人(2022)建议应处理不良贷款,以减少其对银行业的负面影响,因为它们会对银行表现产生不利影响并且是不必要的成本。Chai等人(2022)研究了2009年至2020年间不同类型风险对15家巴基斯坦银行稳定性的影响,结果显示信用风险和流动性风险与银行稳定性之间存在负相关关系,而融资风险对稳定性没有统计学上的显著影响。Maritsa和Widarjono(2021)证实,持续存在的不良贷款会对伊斯兰银行业造成重大损失。Adusei(2015)使用2009年至2013年的季度数据发现,加纳的信用风险与银行业稳定性之间存在非常显著的负相关关系。Ghenimi等人(2017)通过对2006年至2013年间49个国家的样本研究得出结论,信用风险是银行不稳定的重要来源。Zaghdoudi(2019)基于突尼斯传统银行业的数据提供了证据,表明信用风险对稳定性有负面影响。Kharabsheh和Gharaibeh(2022)发现信用风险对约旦商业银行的稳定性有显著负面影响。Prima Sakti和Mohamad(2018)认为,伊斯兰银行表现出更高的资产质量,这归因于多个因素,包括较低的贷款损失准备金和较少的不良贷款。Ajizah和Widarjono(2023)表明,不良贷款对印度尼西亚伊斯兰银行的业绩有负面影响。
2.2.3 流动性
银行的流动性可以通过计算流动资产与总资产的比例来评估(Younes,2022)。然而,Ledhem(2022)指出,流动性风险会削弱伊斯兰银行的金融稳定性。这是因为较高的中介费用可能会对中央银行的稳定性产生不利影响。Sun等人(2017)指出,如果流动性风险迫使伊斯兰银行选择更高的中介费用作为补偿,这种情况可能会发生,这可能会提高其他伊斯兰银行或sukuk市场的借贷成本。他们进一步指出,流动性风险的存在可能对稳定性有害,因为它可能促使银行选择更高的中介费用作为补偿方式,尤其是在现金不足且面临来自其他银行或金融市场债务风险时。因此,预计流动性风险会对伊斯兰机构的金融稳定性产生负面影响。
2.2.4 盈利能力
Ledhem和Mekidiche(2020)发现资产质量与盈利能力之间存在相关性,良好的资产质量与较高的盈利能力和稳健的金融稳定性相关。Jiménez等人(2013)观察到盈利能力、稳定性和竞争力之间存在联系,并指出随着美国银行竞争的加剧,冒险倾向也在增加。实际上,在激烈的竞争环境下,银行会承担更大的风险,从而降低盈利能力并可能损害金融稳定性。同时,Ledhem(2022)还报告称,资产增长对盈利能力有负面影响,这可能会进一步降低伊斯兰银行的稳定性。Peura和Keppo(2006)指出,盈利能力和经济增长是决定可持续银行系统的基本因素,这对中东和北非(MENA)地区的商业银行稳定性有积极影响。Sun等人(2017)发现管理质量与机构稳定性之间存在反比关系,表明高质量的管理实践可能会降低利润水平,从而降低金融稳定性。Elsayed等人(2023)认为,伊斯兰银行使用的融资来源既补充了利润也增强了韧性,使这些机构能够在经济动荡期间吸收损失。
2.2.5 资本化
Beck等人(2013)认为,银行稳定性的概念已经通过各种定量指标得到了形式化,特别是Z分数。他们发现传统银行和伊斯兰银行之间存在显著差异,特别是在全球抵押贷款危机期间,伊斯兰银行的强劲资本化与其相对良好的表现和韧性有关。Ghassan和Taher(2013)报告称,较高的Z分数与银行破产的可能性降低相关,随着资本化的增加,该指数也会增加。根据Ledhem和Mekidiche(2020)的说法,资本充足率是通过将一级资本和二级资本总额除以风险加权资产来计算的。较高的比率表明伊斯兰银行的资本相对于其风险敞口是充足的,从而提高了其稳定性。Ledhem和Mekidiche(2020)以及Karim等人(2018)都报告称,资本充足率对伊斯兰银行的金融稳定性有积极影响。Kassem(2022)通过采用的模型证明,资本要求与银行稳定性之间存在统计学上显著的正面关系。此外,该研究还记录了Basel II和Basel III虚拟变量之间的显著正面联系,表明更严格的资本要求可以作为抵御意外损失的缓冲。Albaity等人(2021)和Beck等人(2013)发现,资本监管的实施提高了银行稳定性。Kharabsheh和Gharaibeh(2022)使用2011年至2018年的年度数据研究了影响约旦商业银行稳定性的因素,并得出结论,中小企业融资和充足的资本对稳定性有积极且显著的影响。Kamran等人(2019)分析2007年至2016年的巴基斯坦数据后发现,资本充足率的提高改善了商业银行的稳定性,尽管过高的CAR会对稳定性产生不利影响。Daoud和Kammoun(2020)在研究22个国家的数据时也发现资本充足率对银行稳定性有积极影响。
2.2.6 经济增长
经济增长的概念可以通过Robinson(1952)的需求跟随假设来理解。银行业与经济增长之间的关系表明,随着经济的发展,对银行服务的需求增加,从而导致更多的银行业活动。因此,这种增长可以增加贷款量和客户存款,从而增强银行的盈利能力和稳定性(Sufian和Chong,2008)。因此,Ledhem和Mekidiche(2020)确认了经济增长与伊斯兰银行金融稳定性之间的正相关关系。由此可以推断,随着经济增长,伊斯兰银行的金融稳定性也会提高。Kassem(2022)认为,以ΔGDP衡量的经济增长与商业银行的稳定性之间存在显著正相关关系。许多关于金融稳定性的研究表明,银行稳定性与实际GDP之间存在正相关关系(Beck等人,2013;?ihák和Hesse,2010;Ghassan和Fachin,2016;Miah和Uddin,2017;Mabkhot和Al-Wesabi,2022)。Shahid和Abbas(2012)对2006年至2009年巴基斯坦的研究发现,金融稳定性与GDP增长呈正相关。Rahim等人(2012)研究了2005年至2010年间马来西亚金融机构的金融稳定性因素,他们的实证发现表明,银行规模和GDP增长都增强了金融稳定性。Elbadri和Bekta?(2017)研究了2006年至2013年间土耳其的金融稳定性,考虑了内部和外部决定因素,发现金融稳定性受到成本收入比、通货膨胀和GDP增长的积极影响。
2.3 理论框架和概念模型
本研究使用了一个金融稳定性模型,其中金融稳定性通过Z分数来衡量,取决于特定银行因素和宏观经济变量。假设对稳定性有积极影响的因素包括资本充足性(H1)、盈利能力(H2)和银行规模(H3),这些因素可以通过提高损失吸收能力、收入生成能力和多元化效益来解释。另一方面,资产质量风险(H4)和投资强度(H5)预计会对稳定性产生负面影响,因为高水平的信用风险和有限的流动性缓冲会增加破产风险。经济增长(H6)理论上预计会通过提高借款人的还款能力以及改善整体宏观经济状况来增强银行稳定性。该框架假设这些决定因素与银行稳定性之间存在单向因果关系。
2.4 假设发展
本研究利用已建立的学术成果,使用Z分数模型来提出关于沙特银行稳定性的假设。实证研究通过关注六个广泛认可的决定因素来考察沙特银行的稳定性,这些因素包括银行的财富、资产质量、流动性、盈利能力、资本充足率和经济增长。这些假设基于学术研究结果,这些结果揭示了银行行业中正面和负面因素之间稳定性影响的模式。H1:银行的财富对沙特银行业稳定性有显著且积极的影响。银行的总资产或规模是提高财务稳定性的关键决定因素。首先,大规模运营的银行能够从降低成本、更广泛的投资机会和多种融资渠道中受益。Regehr和Sengupta(2016年)以及Ajizah和Widarjono(2023年)的研究表明,由于它们强大的收入流和广泛的财务缓冲,财务稳定性可以通过总资产和银行规模来预测。在沙特阿拉伯银行业中,较富裕的银行表现出更好的稳定性和运营韧性。H2:资产质量对沙特银行业稳定性有显著且负面的影响。一个实体的财务稳健性在很大程度上取决于其资产质量,这通过不良贷款(NPL)比率来评估。高NPL比率的存在表明资产价值低于平均水平,并增加了违约概率,从而导致银行倒闭和盈利能力下降。Ledhem和Mekidiche(2020年)以及Kumar(2022年)和Ghenimi等人(2017年)的研究表明,资产质量的恶化作为信用风险上升的标志,会降低银行稳定性。地区性和全球性的研究都预测了沙特银行资产质量差与其较低的Z分数之间的相关性,这是不稳定性的指标。H3:较低的流动性(高投资强度)对沙特银行业稳定性有显著且负面的影响。银行的绩效受到流动性相关风险的强烈影响。银行中不足的现金储备使它们容易受到市场波动的影响,同时增加了融资成本。Sun等人(2017年)、Ledhem(2022年)和Younes(2022年)发现,当流动性风险达到高水平时,银行不稳定性会增加,尤其是在没有足够的最后贷款人支持的情况下,这会影响伊斯兰银行系统。该假设表明,沙特阿拉伯不充分的流动性管理会削弱财务稳定性,因为高流动性在Z分数分析中具有负面影响。H4:盈利能力对沙特银行业稳定性有显著且积极的影响。盈利能力水平保护金融机构免受损失,并提供了关于管理有效性的证据。Peura和Keppo(2006年)、Elsayed等人(2023年)以及Jiménez等人(2013年)的研究表明,银行业与银行业盈利能力之间存在显著的正相关关系。沙特阿拉伯的银行通常能够在其盈利能力依赖于石油依赖的经济周期的情况下生存下来。H5:资本充足率对沙特银行业稳定性有显著且积极的影响。资本充足率通过资本充足率(CAR)来评估银行的损失韧性。资本充足的银行面临财务崩溃的可能性较小。Beck等人(2013年)、Kassem(2022年)和Kamran等人(2019年)的文档显示,各种银行系统表明,机构稳定性与强大的资本基础之间存在正相关关系。因此,该假设认为沙特银行内部的高资本水平通过增强对冲击的抵抗力来提高财务稳定性。H6:经济增长(GDP)对沙特银行业稳定性没有统计学上的显著影响。经济增长是金融部门健康状况的宏观经济决定因素。经济增长导致对银行服务的需求增加,贷款表现更好,存款水平上升。Kassem(2022年)、Sufian和Chong(2008年)以及Beck等人(2013年)的实证研究证明了银行的稳定性与GDP增长呈正相关。在沙特阿拉伯的情况下,由于“愿景2030”计划下的经济多元化计划,预计经济活动的增长将有助于银行业系统的稳定性。这六个假设为分析沙特阿拉伯银行业稳定性的决定因素提供了分析基础,从而有助于评估Z分数作为综合风险指标在各种财务维度上的实证稳健性。
3 研究方法
3.1 数据和描述
本工作的首要目标是考察影响沙特阿拉伯银行稳定性的关键决定因素,并确定哪种线性回归方法最为合适。本文最后选择了ARIMA和指数平滑方法来预测直到2030年的Z分数。这些数据来自2014年至2021年期间十一家沙特银行的年度财务报表。由于Samba银行与National Commercial Bank的合并,2021年的Samba银行财务数据被排除在外。缺失的数据通过线性插值和季节性调整程序进行处理,这是金融时间序列分析中的标准技术。这种方法保留了数据的时间结构,同时最小化了估计偏差,并防止了Z分数序列的人为波动。所解释的变量是通过银行Z分数来识别的,这是一个全球范围内广泛使用的与银行业相关的指数。本研究将主要决定因素分为不同的组别,包括银行的财富、资产质量、流动性、盈利能力、资本充足率和经济增长。研究方法分为三个阶段:首先,将获取沙特银行的重要财务绩效指标。接下来将进行逐步回归分析,以确定沙特银行稳定性的主要贡献因素。最后,将选择ARIMA和指数平滑模型来预测直到2030年的Z分数。表1展示了本研究中使用的变量的操作定义。银行稳定性是因变量,而Z分数(Z Score)是银行业文献中广泛使用的指标,用于衡量破产的距离,作为财务稳定性的广泛指标。Z分数总结了盈利能力、杠杆率和波动性的累积效应,因此它提供了对银行机构总体稳定性的有力衡量。表1
表1. 操作定义。自变量包括重要的银行特定和宏观经济稳定因素。银行的规模通过总资产的自然对数(AssetsLn)来表示,这是衡量银行财富和运营规模的标准。资产质量通过不良贷款(NPL)比率来表示,从而显示了信用风险暴露程度。投资与总资产的比例(InvTA)被用作流动性的代理指标,表明了流动资产的程度。盈利能力通过净利息收入比率(NII1)来衡量,而资本充足率(CAR)则是衡量银行对抗财务标准和监管要求的韧性。此外,经济增长以国内生产总值增长率(GDP)来量化,这是考虑整体经济条件对银行稳定性影响的一个宏观经济控制变量。
3.2 使用ARIMA模型预测Z分数
在这一步中,研究旨在预测2030年之前十一家主要沙特银行的Z分数稳定性。为此,我们使用了时间序列预测技术,特别是ARIMA(自回归积分滑动平均)模型,并结合了不同的指数平滑技术,每种技术都根据我们在个别银行的Z分数轨迹中观察到的特定特征进行了校准。建模和预测的过程使用IBM的应用软件包,即IBM的统计软件包(SPSS)Expert Modeler来实现,该软件包提供了根据数据属性和适应规则自动选择最合适模型的功能。ARIMA(自回归积分滑动平均)模型被广泛认为是经济和金融时间序列预测的一部分,因为它能够灵活处理平稳和非平稳序列。它能够检测历史观测值中存在的自相关性,有助于做出正确的短期到中期预测。在时间序列具有趋势和季节性的情况下,统计软件包和系统(SPSS)中的Expert Modeler模块可能会建议使用指数平滑方法,例如Holt线性趋势或简单指数平滑。这些方法在数据具有线性趋势或随时间相对稳定的情况下被证明是有益的。
3.2.1 模型拟合和验证
为了测试预测的可靠性和稳健性,本研究选定的模型使用了几个拟合优度指标进行了测试。这些指标帮助选择了在模型的简洁性和每个银行的准确性之间取得平衡的模型,具体如下:
• E平方(误差平方和):衡量观测值和预测值之间的总平方偏差。
• RMSE(均方根误差):表示残差的标准偏差,提供了关于模型预测准确性的见解。
• MAPE(平均绝对百分比误差):提供平均百分比误差,有助于实际应用中的解释。
• MAE(平均绝对误差):衡量观测值和预测值之间的平均绝对差异。
3.2.2 预测范围和实施
这一建模阶段旨在为直到2030年的银行Z分数制定预测,以解释沙特阿拉伯银行稳定性的预期表现。预测过程需要很长时间,并涉及严格的验证程序,以确保满足重要标准,如减少残差自相关性、避免过拟合以及参数的稳定性。在预测生成过程中,每个迭代步骤都会重新估计预测,从而在自适应建模框架中动态调整预测。这种方法增加了模型的灵活性,并减少了预测误差的逐步累积。使用标准化的Z分数度量来比较不同银行机构的预测结果,并消除异方差性的影响。标准化程序定义了一个统一的尺度,从而能够更精确地评估不同层级机构的性能。该方法针对银行数据的独特特征采取了特定于模型的方法,从而产生了针对每个金融机构单独校准的准确长期Z分数预测。基于这种方法的预测旨在帮助利益相关者做出数据驱动的决策,以提高沙特银行业的可持续性,同时该国朝着“愿景2030”中概述的目标发展。
4 分析与结果讨论
4.1 独立变量和因变量的数据分析
表2提供了关于分析沙特银行业稳定性的数据集的关键统计信息。共有87个观测值包含了七个稳定性因素,包括资本充足率(CART1)、不良贷款与总权益比率(LLTE)、净利息收入与总资产比率(NII1)、总资产的自然对数(AssetsLn)、投资与总资产比率(InvTA)、GDP增长率(GDP)和Z分数。这些统计数据提供了对沙特银行业表现中每个影响因素的常规模式和分布以及极端点的理解。表2
表2. 描述性统计。计算出的平均资本充足率(CART1)值为19.63,表明参与的银行超过了国际监管资本要求。资本充足率的范围从14.05到27.48,表明所有银行都符合资本充足要求,但一些机构拥有较大的缓冲能力。沙特阿拉伯银行业资本充足率的测量显示出适度的波动性,因为标准差为2.37。贷款损失与总股本比率(LLTE)的波动性比其他风险测量指标更大,因为它衡量了银行的信用风险敞口。该变量表明金融机构之间的贷款损失与总股本存在显著差异,其平均值为10.60,标准差为4.18。贷款损失与总股本的最大值和最小值之间的极端差异表明,各银行在降低信用风险方面采取了不同的方法,最高值为22.05,最低值为2.12。净利息收入(NII1)的测量显示银行的盈利能力较为均匀,其平均值为2.66,标准差为0.47。银行需要这一指标来评估其从总资产中产生利润的有效性。由于行业标准做法和整个行业的利率惯例,大多数银行的运营盈利能力保持在1.46到4.28之间。通过对资产取自然对数(AssetsLn)的计算,得出的银行规模在对数单位中为12.07。银行规模数据显示出一些波动,范围在10.7到13.7之间,标准差为0.64,表明规模差异并不极端。对数据进行对数转换有助于减少规模测量中的非正态分布模式,为回归和时间序列分析做准备。投资与总资产比率(InvTA)显示出最大的波动性和最高的变异度,为7.26。各银行的投资比率平均为20.13,最低值为5.76,最高值为35.36。银行根据其核心投资理念的不同,对资产配置风险的容忍度也有所不同。金融机构投资策略的差异可以归因于一些银行倾向于投资于流动性更强、风险较低的资产,而一些银行则试图通过投资于风险较高的项目来实现更高的回报。GDP增长率是宏观经济指标的一部分,了解这一指标对于了解影响该国银行业运营的条件非常重要。1.85%的增长率表示经济适度扩张;而降至-4.34%则表明可能出现经济衰退,这可能是由于油价冲击或世界经济整体动荡造成的。标准差小于2.67的经济波动性对金融结果有重大影响。作为主要分析指标的Z分数在研究期间变化很大。分布分析显示得分在10.00到64.00之间,平均值为24.93,标准差为15.55。这种高离散度表明个别银行的破产风险存在显著差异。不同机构之间存在非标准的安全缓冲措施,这也强调了进行特定风险评估和监管干预的必要性。描述性统计综合表明,银行机构拥有强大的资本结构,并表现出盈利的运营表现,同时它们在脆弱性、投资策略和运营稳定性方面也存在差异。许多银行需要不同的模型来支持使用ARIMA预测技术。
4.2 相关性分析
表3中的相关性分析显示了影响沙特阿拉伯银行业稳定性的关键因素,这些因素通过Z分数来衡量。根据数据探索结果,拥有较高资本储备(CART1)的金融机构表现出更强的稳定性。更好的财务资源使银行能够更好地应对不利的经济条件。测量到的正向且统计上显著的相关性证实,银行需要充足的资本储备作为其整体稳定性的关键因素。然而,当我们研究贷款损失与总股本(LLTE)时,情况则相反。Z分数之间的强烈负相关是合乎逻辑的,因为这一发现是预期之中的。不良贷款导致的损失会减少银行资本水平,并使投资者对该机构失去信心。信用风险的增加会自动降低银行的运营稳定性。实证数据表明,风险管理是定义银行韧性的重要现实。
表3. 相关性矩阵。稳定性与银行盈利能力(通过净利息收入NII衡量)之间存在统计上显著的正相关关系。贷款活动产生的收入反映了高效的银行业务,从而提高了应对意外损失的能力。利润的赚取既用于投资者回报,也在不利情况下为银行提供了财务缓冲。业务资产(AssetsLn)与Z分数指标之间的关联度最高。由于规模较大和产品线多样化,银行获得了稳定性优势。稳定性与投资与总资产(InvTA)之间的负相关模式较弱,但尚未提供足够的证据来得出最终结论。特别是当投资集中在高风险资产上时,可能会降低银行稳定性。GDP增长与Z分数之间的关联度令人失望,因为结果既不显著也不具有统计学意义。经济繁荣与银行业稳定性之间缺乏相关性令人惊讶,因为通常情况下,经济增长会惠及银行业。标准差小于2.67的经济波动性对金融结果有重大影响。作为主要分析指标的Z分数在研究期间变化很大。分布分析显示得分在10.00到64.00之间,平均值为24.93,标准差为15.55。这种高离散度表明个别银行的破产风险存在显著差异。不同机构之间存在非标准的安全缓冲措施,这也强调了进行特定风险评估和监管干预的必要性。描述性统计综合表明,银行业机构具有强大的资本结构,并表现出盈利的运营表现,同时它们在脆弱性、投资策略和运营稳定性方面也存在差异。多个银行业机构需要不同的模型,这些模型为应用ARIMA预测技术提供了基础。
4.3 基于线性回归模型的Z分数
为了简洁起见,仅报告了逐步模型中的最佳模型,如表4所示。逐步回归分析确定模型5是最有效的模型,因为它能够最好地解释Z分数的变化,而Z分数是衡量沙特银行业稳定性的指标。在测试的五个模型中,模型5显示出最合适的拟合度。所选模型使用了资本充足率(CART1)、银行规模(AssetsLn)、贷款损失与总股本(LLTE)、净利息收入(NII1)和投资与总资产(InvTA)作为主要预测变量。根据调整后的R2值0.713,这五个变量有效解释了71.3%的Z分数变化。该模型表现出强大的拟合能力,因为它考虑了影响银行业稳定性的大多数因素。7.21的标准误差表明该模型的预测精度较高,因为预期误差较低。分析中包含了Durbin-Watson统计量,以确保残差(误差)是随机分布的,这是稳健回归模型的前提条件。残差或误差的自相关系数为1.778,处于1.5–2.5的可接受范围内,表明没有显著偏差。
表4. 模型摘要。F统计量在1%的水平上具有统计学意义,从而确认整个回归模型提供了超出随机变化的实质性结果。稳定性预测因子对沙特银行的重要性得到了证实,而开发的模型为未来的预测工作奠定了坚实的基础。表5显示,回归模型在统计上具有显著性,F值为38.837,p值为0.000,确认了模型的整体有效性。较大的回归平方和(10,091.62)与残差(3,689.81)相比,表明该模型解释了Z分数的大部分方差。这支持了所选变量的强大预测能力。
表5. 方差分析(ANOVA)。基于之前的相关性矩阵结果,使用了VIF(方差膨胀因子)过滤逐步回归方法来评估自变量之间的多重共线性。模型包括了所有VIF值低于10的变量,以防止最终分析中的多重共线性问题。模型5需要深入分析,因为它包含了五个非常稳健的指标:资本充足率(CART1)、银行规模(AssetsLn)、资产质量(LLTE)、盈利能力(NII1)和投资比率(InvTA),这些指标对Z分数的评估做出了重要贡献。表6中的VIF值均低于10,从而确认这些变量几乎没有多重共线性问题。t值和p值确认了所有影响银行业稳定性的预测因子在5%或更低的水平上具有显著性。结果表明,AssetsLn是影响银行稳定性的最重要因素(Beta = 0.571,p < 0.001),因为它对财务韧性有重要影响。LLTE和InvTA变量产生了负面结果。这一发现加强了高信用风险和过度投资会损害银行盈利能力的观点。该模型包含了一个截距值-81.656,以正确调整回归线,使其符合所包含变量的实际影响。这个精炼的模型在减少多重共线性方面提供了统计严谨性和可解释性,使其适合用于预测沙特阿拉伯的银行业稳定性及政策影响。盈利能力是银行稳定性的关键因素;高利润代表有效的管理表现,通常伴随着公司股价的上涨。从财富最大化的角度来看,这种增长是有益的,这是期望稳定性的一个基本方面。此外,银行收入的增加可以提高运营结果的利润率,从而增强银行稳定性。我们的分析支持NII1对增强银行稳定性的积极且显著影响的替代假设,这与Ledhem和Mekidiche(2020)、Peura和Keppo(2006)、Sun等人(2017)以及Elsayed等人(2023)的研究结果一致,表明盈利能力在促进稳定性方面的重要性。流动性是指银行利用短期资产满足短期财务承诺的能力。总投资的增加导致利息收入减少,从而降低了利润率,最终降低了稳定性得分。这一结果与Sun等人(2017)的研究结果一致,他们强调了流动性对银行稳定性的负面影响。资本充足率(CAR)对银行稳定性有积极影响。较高的CAR比率意味着更高的效率和稳定性,因为它降低了破产风险和履行财务义务的能力。高CAR比率表明伊斯兰银行拥有足够的资本来应对其风险状况,因此具有稳定性。我们的结果显示资本比率对银行稳定性有积极且显著的影响,这与Ghassan和Taher(2013)、Ledhem和Mekidiche(2020)、Karim等人(2018)、Albaity等人(2021)、Beck等人(2013)、Kharabsheh和Gharaibeh(2022)、Kamran等人(2019)以及Daoud和Kammoun(2020)的研究结果一致。
表6. 线性回归模型系数。考虑到贷款占银行资产组合的很大比例,资产质量和贷款发放受到了学术界的广泛关注。当资产风险较高时,它们在市场上的价值可能会急剧贬值。因此,资产质量主要涉及银行对贷款组合的管理,以最大化收入并减少不良贷款的发生。不良贷款有可能影响银行的财务状况和整个银行业的稳定性。我们的实证发现显示,较高的贷款损失与银行稳定性之间存在显著负相关,这与Kumar(2022)、Sulji? Nikola等人(2022)、Chai等人(2022)、Maritsa和Widarjono(2021)、Adusei(2015)、Ghenimi等人(2017)、Zaghdoudi(2019)、Kharabsheh和Gharaibeh(2022)、Prima Sakti和Mohamad(2018)以及Ajizah和Widarjono(2023)的研究结果一致。最后,从银行财富的角度来看,规模较大的银行更能抵御金融冲击。资金雄厚的银行可以利用其较大的资产基础来分摊固定成本,从而通过规模经济优势降低平均支出并增加利润。这表明银行财富水平的提高可以增强其运营稳定性。我们的分析支持另一种假设,即AssetsLn对提高银行稳定性有积极且显著的影响,这与Regehr和Sengupta(2016年)、Widarjono(2020年)、Ajizah和Widarjono(2023年)、Rajhi和Hassairi(2013年)、Beck(2008年)、Slimen等人(2021年)、Rahim等人(2012年)以及?ihák和Hesse(2010年)的研究结果一致。最后,GDP没有产生显著效应的原因可能归结于以下对沙特经济几个结构性支柱的影响:
- 以石油为基础的经济:沙特的GDP极易受到全球油价变化的影响,因为石油是政府收入的主要来源,相比之下,银行业务所占比例较小。
- 监管框架:沙特银行受到沙特中央银行(SAMA)严格监管政策的约束,例如完善的资本充足率和流动性要求。这种监管强度使银行能够抵御短期内的微观经济波动。
- 政府支持与2030愿景计划:沙特政府通过高水平的投资计划间接支持银行业,从而确保银行不会在短期内过度依赖经济增长。
- 不断增长的银行收入基础:沙特金融机构通过强劲的零售存款、与政府相关的贷款以及伊斯兰融资模式获得收入,这些收入对GDP的变化不太敏感。尽管经济增长理论上应能带来稳定性,但在本研究中,经济增长在解释沙特银行的稳定性方面并未显示出统计学上的显著性。
4.4 使用ARIMA模型预测Z分数
为了加强模型选择过程并提高其透明度,预测框架中包含了正式的信息标准。特别是使用了赤池信息量准则(AIC)和贝叶斯信息量准则(BIC)作为主要诊断工具,同时还有预测准确性指标,如RMSE、MAE、MAPE和平方误差(E-square)。这些标准确保了模型拟合度与简约性之间的最佳平衡,避免了不必要的复杂性。AIC非常重视样本内的拟合优度,并对估计的参数数量给予适度惩罚。而BIC在处理过参数化问题时更为严格,尤其适用于样本规模较小或中等的情况。作为每个银行机构估计过程的一部分,使用IBM SPSS Expert Modeler估计了多种ARIMA和指数平滑模型;最佳模型是根据最低的AIC和BIC值选出的,同时还需满足合理的残差诊断和预测准确性统计要求。这种双重标准有助于减少过拟合,并在长期内提供统计上有效的预测。用于预测Z分数的模型作为银行稳定性的指标,汇总了十一家主要沙特银行的预测结果,如表7所示。SPSS通过分析银行数据时间序列对选定的预测模型进行了分类,然后根据统计标准确定了最合适的方法。
表7. 所有银行的模型描述。该表揭示了以下信息:
- ARIMA(0,0,0)模型最适合几家银行,包括Al Rajhi Bank、National Commercial Bank、Samba Financial Group、Saudi British Bank和Saudi Investment Bank。ARIMA(0,0,0)在统计上指的是一个具有恒定均值的白噪声平稳过程,不包含显著的自回归、移动平均或差分成分。这一建模结果表明,这些银行的Z分数序列具有较高的随机稳定性,没有领先趋势或季节性结构,时间依赖性较弱。从经济和财务角度来看,这些银行具有坚实的内部风险管理能力、长期资本充足性、稳定的盈利能力和多元化的收入来源。因此,选择ARIMA(0,0,0)并不意味着模型存在弱点,反而证明了这些银行的财务稳定性以及抵御时间依赖性冲击的能力。虽然尝试了更复杂的ARIMA选项,但它们通常会导致更高的AIC和BIC值,表明其解释能力较低。
- Al-Jazira银行的最佳预测结构是简单指数平滑(SES)。SES在以下时间序列条件下理论上是合适的方法:没有显著的时间趋势,具有季节性,围绕一个固定均值波动,并且存在短期随机干扰。基于趋势的指数平滑和ARIMA替代模型都产生了较高的AIC和BIC值,这意味着它们过度参数化且预测能力较弱。因此,选择SES是基于统计最优性和Z分数动态的结构一致性,而不考虑简单模型。
- 对于Alinma银行和Riyad银行,ARIMA(0,1,0)是最合适的模型,因为它们的数据是非平稳的,需要进行一次差分以达到统计平稳。这种结果表明风险暴露和财务表现存在结构性变化,进一步强化了稳定性的稳定性。
- Arab National Bank、Banque Saudi Fransi和Bank AlBilad选择了Holt线性趋势模型,因为它们的Z分数序列显示出一致的线性趋势。相比之下,其他竞争性的ARIMA模型在AIC和BIC值上较低,表明它们过度参数化且预测能力较弱。基于表8和表9中的模型参数分析,ARIMA模型表现出优于指数平滑模型的性能。表8总结了ARIMA模型的参数,Alinma Bank和Riyad Bank的常数(漂移)项在统计上不显著(p > 0.05),这意味着差分序列中没有显著的动态行为。因此,ARIMA模型的结果不可靠,没有对这两家银行进行其他高级分析来验证实证结果的可靠性。多家银行如Al Rajhi Bank、National Commercial Bank、Samba Financial Group、Saudi British Bank和Saudi Investment Bank显示出极高且统计上显著的常数估计值,标准误差非常低,t值也非常显著(均为Sig. = 0.000)。特别是Saudi Investment Bank的表现最为突出,t值为46.378,表明模型具有很强的统计显著性和稳定性。相比之下,表9显示指数平滑模型的结果较弱且统计显著性较低。例如,Arab National Bank和Banque Saudi Fransi的alpha参数不显著,p值分别为0.441和0.675。此外,Gamma(趋势)参数普遍很小且不显著(p值=1.000),表明这些模型未能捕捉到数据中的有意义趋势。只有Al-Jazira银行的alpha估计值略具显著性(p = 0.027),但这在数据集中并不普遍。研究证据表明,ARIMA模型通过展示高解释变量和显著的统计值,在包括Saudi Investment Bank和National Commercial Bank在内的多家银行中取得了更好的结果。ARIMA模型为评估沙特银行的Z分数提供了更好的框架,因为它表现出更高的可靠性和稳健性。
表8. ARIMA模型参数。
表9. 指数平滑模型参数。
图1展示了2014年至2030年间九家沙特银行的Z分数过去和未来趋势,以及上下置信区间。Z分数是衡量破产风险的有效指标,高值表示更好的财务健康状况。图表显示了沙特银行稳定性动态的明显差异。
图1. 银行Z分数值的预测。例如Al Rajhi Bank、National Commercial Bank、Saudi British Bank、Samba Financial Group和Saudi Investment Bank等银行的Z分数路径在历史和预测范围内都非常稳定。它们的预测趋势几乎呈水平方向,这与这些银行采用的ARIMA(0,0,0)模型相符。这一趋势验证了它们较高的结构稳定性、持续的资本缓冲、多元化的收入来源以及较低的周期性风险暴露,表明它们在2030年前具有长期的财务韧性。另一类银行如Arab National Bank、Banque Saudi Fransi和Bank AlBilad则表现出趋势导向的动态,其Holt线性趋势模型也显示了类似的趋势。这些银行的稳定性处于中等水平,但呈现缓慢下降的趋势,反映出长期财务稳健性的逐步增强。
总体而言,图1表明沙特阿拉伯银行的未来稳定性并非普遍一致。尽管大型和系统重要的银行保持了良好的韧性,但许多中型银行显示出逐渐增加的财务风险。这些结果为监管机构和政策制定者提供了早期信号,使他们能够在问题出现之前进行干预,并根据2030愿景加强资本和流动性以保护银行系统。图1中的财务稳定性结果显示,2014年至2030年间沙特银行的Z分数存在显著差异。Z分数作为评估破产风险的常用指标,较高的分数表示更好的财务状况,而较低的分数则表示较低的财务健康状况。实际数据与预测值以及上下控制限(UCL和LCL)共同揭示了银行的历史表现和预测演变。Arab National Bank和National Commercial Bank的财务表现在整个观察期内保持稳定趋势。这些银行的预测Z分数在2030年及以后保持稳定,其预测LCL值低于监管机构设定的最低标准。Saudi Investment Bank的t值为46.378,表明其模型具有极强的统计显著性和稳定性。相比之下,表9中的指数平滑模型参数显示出较弱且统计显著性较低的结果。例如,Arab National Bank和Banque Saudi Fransi的alpha参数不显著,p值分别为0.441和0.675。此外,Gamma(趋势)参数普遍很小且不显著(p值=1.000),表明这些模型未能捕捉到数据中的有意义趋势。只有Al-Jazira银行的alpha估计值略具显著性(p = 0.027),但这在数据集中并不普遍。研究表明,ARIMA模型在包括Saudi Investment Bank和National Commercial Bank在内的多家银行中表现出更好的结果,因为它展示了高解释变量和显著的统计值。ARIMA模型为评估沙特银行的Z分数提供了更好的框架,因为它具有更高的可靠性和稳健性。
表8. ARIMA模型参数。
表9. 指数平滑模型参数。
图1展示了2014年至2030年间九家沙特银行的Z分数过去和未来趋势,以及相应的置信区间。Z分数是衡量破产风险的有效指标,高值表示更好的财务健康状况。图表显示了沙特银行稳定性动态的明显差异。预测性数据是利益相关者评估财务运营的重要工具,这将有助于资金决策,并帮助监管机构维持其监督作用。
**5. 结论与启示**
本文的主要目的是找出影响沙特阿拉伯银行稳定性的关键决定因素。为此,采用了逐步线性回归分析方法,使用了2014年至2021年间11家活跃沙特银行的年度报告中的财务数据。解释变量被归类为六个类别:财富、资产质量、流动性、盈利能力、资本充足率和经济增长。稳定性Z分数被定义为因变量,选定的绩效指标作为自变量。模型选择基于五个候选方案,这些方案具有最高的调整后R平方值和最小的标准误差值。实证结果表明,银行稳定性与盈利能力(通过净利息收入与总收入(NII1)比率衡量)、财富(通过总资产的对数衡量)和资本充足率(CAR)显著正相关。相比之下,流动性(投资比率)和资产质量(贷款损失比率)对稳定性Z分数有显著的负面影响。国民经济增长(通过国内生产总值GDP衡量)在预测银行稳定性方面统计上不显著。这些结果与现有文献大体一致,除了经济增长变量外。除了解释框架外,本研究还包括基于时间序列技术的预测维度。使用自回归积分移动平均(ARIMA)模型和指数平滑方法预测了每家银行直到2030年的Z分数。最佳模型规格是通过统计软件包IBM SPSS Expert Modeler选出的,然后根据均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和平方相关系数(E-square)等绩效指标进行了测试。经过标准化比较后,预测结果显示银行业未来的风险趋势存在差异:一些机构(如阿拉伯国家银行、Al Rajhi银行)预计将保持稳定的风险状况,而其他机构则可能面临显著的风险下降。增加预测维度提高了本研究的实证意义,因为它使相关利益相关者能够预测未来的稳定性结果并据此调整行动。本研究的结果对研究人员、股东和政策制定者具有重要的理论和实证价值。高级银行管理人员应采用高效和有效的运营实践,以增强其机构的稳定性,达到可接受的机构门槛。此外,银行领导者应密切关注关键稳定性指标,特别是资本充足率(CAR)、不良贷款(NPL)比率和投资比率,并通过改进信用风险管理、有效的成本管理和收入管理来提高整体稳定性。银行高管应同时关注创造额外收入和降低成本,促进股东财富最大化,并通过增强银行业稳定性来实现这一目标。现有和潜在股东可能会从这项研究中受益,因为他们可以将投资资本注入预计具有更高稳定性的沙特银行。预测指标关注那些具有可靠长期趋势的银行,从而做出符合风险偏好的投资决策。本研究有助于提高银行的整体稳定性,加强监管策略,并支持战略性投资,从而提升沙特银行业的可持续性,符合2030年愿景。此外,沙特中央银行和监管机构的政策制定者可以利用本研究的结果定期评估银行的稳定性指数,并实施前瞻性的监管策略。监管机构(如沙特中央银行)可以通过进行前瞻性压力测试、情景测试和系统监控高风险银行来将这些经验制度化;他们还可以实施补救措施,如提高资本缓冲或提供流动性支持。
**6. 局限性与未来研究**
尽管实证模型的强度以及所使用的计量经济学和预测模型的适用性都很强,但本研究仍存在一些局限性。首先,研究仅基于2014年至2021年间11家沙特银行的样本,尽管这些银行是沙特银行业的核心部分,但横截面范围有限,限制了研究结果对较小金融机构或非上市公司的普遍适用性。其次,8年的时间范围对于使用回归和ARIMA建模来说是足够的,但可能不足以反映所有长期结构周期,特别是油价超级周期和宏观经济制度转变。第三,国家商业银行与Samba金融集团的合并是数据集的一个结构性中断,导致2021年Samba的观测数据缺失,这些数据通过统计插值和季节性调整进行了处理。尽管这是一种合理的方法,但仍可能在回归和预测过程中导致测量偏差和平滑偏差。导致Z分数动态发生如此巨大变化的结构性变化程度无法仅通过统计修改完全再现。第三,研究完全基于公开的年度报告等二次财务报表。与其他基于会计的研究类似,分析可能受到报告延迟、会计判断和监管分类差异的影响,这可能会影响某些财务比率的准确性。第四,预测模型假设在2030年的预测范围内银行行为和监管政策保持结构一致性。然而,意外冲击(如全球金融危机、地缘政治冲突、货币紧缩周期或监管变化)可能会显著改变未来的稳定性模式,降低长期预测的准确性。最后,分析更多地关注银行特定的财务变量和GDP,而忽略了其他可能在分析中起重要作用的变量,例如通货膨胀、利率差、油价波动性和市场竞争力指数。这可能导致回归模型和预测模型中遗漏变量的偏差。未来的研究可以通过扩展时间范围、纳入更多宏观经济和市场变量、通过结构断裂模型研究合并后的动态以及进行海湾合作委员会(GCC)国家的比较研究来克服这些局限性,以提高外部有效性。此外,后续研究还可以探讨哪些因素决定了GCC银行的稳定性。最后,将当前研究中应用的指标应用于其他建模工具(如人工神经网络和机器学习方法)将是明智的,以提高预测的准确性和模型的灵活性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号