alm

name	alm
description	ALM（Asset-Liability Management，资产负债管理）引擎专注于银行资产负债表的全方位分析与优化。输入银行资产负债数据（资产规模、负债结构、期限分布），输出完整的缺口分析、风险指标（LCR/NSFR/久期缺口）及优化建议。
version	1.0.0
author	AlphaAgent
license	MIT
layer	L2
capability_domain	["C02","C03","C11"]
industry	financial
metadata	{"raw_title":"ALM - 资产负债管理引擎","auto_generated":true,"auto_generated_at":"2026-06-20"}

ALM - 资产负债管理引擎

概述

ALM（Asset-Liability Management，资产负债管理）引擎专注于银行资产负债表的全方位分析与优化。输入银行资产负债数据（资产规模、负债结构、期限分布），输出完整的缺口分析、风险指标（LCR/NSFR/久期缺口）及优化建议。

功能特性

1. 期限缺口分析

分析 6 个标准期限档位的资产-负债缺口：

• 1个月 / 3个月 / 6个月 / 1年 / 3年 / 5年

缺口 = 资产到期量 - 负债到期量

• 正缺口（+）：资产多于负债，利率上升时有利
• 负缺口（-）：负债多于资产，利率上升时风险暴露

2. LCR（流动性覆盖率）

LCR = 优质流动性资产（HQLA）/ 未来30天净现金流出

监管要求：LCR ≥ 100%

• HQLA 一级资产：国债、央行存款，折算率 100%
• HQLA 二级资产：AA 级以上信用债，折算率 85%
• 现金流出：各类负债 × 流出系数

3. NSFR（净稳定资金比率）

NSFR = 可用稳定资金（ASF）/ 所需稳定资金（RSF）

监管要求：NSFR ≥ 100%

• ASF：各类负债 × ASF 系数（期限越长系数越高）
• RSF：各类资产 × RSF 系数（期限越长/流动性越低系数越高）

4. 久期缺口分析

• 资产久期：资产组合的加权平均久期
• 负债久期：负债组合的加权平均久期
• 久期缺口 = 资产久期 - 负债久期 × (资产/负债)
• 久期缺口为正：利率上升时净资产价值下降

5. 风险预警

根据监管阈值自动生成预警信号：

指标	绿色（正常）	黄色（预警）	红色（超标）
LCR	≥100%	80%~100%	<80%
NSFR	≥100%	80%~100%	<80%
期限缺口率	±20%以内	±20%~±30%	超出±30%

6. 优化建议

基于分析结果，生成三类优化建议：

• 负债结构调整：增加稳定长期资金、压缩短期高成本负债
• 资产配置优化：调整资产期限结构、提升 HQLA 比例
• 衍生品对冲：利率掉期、货币掉期等对冲工具建议

输入数据格式

{
    "total_assets": 500000000000,  # 总资产（元）
    "liability_structure": {
        "demand_deposits": 0.30,      # 活期存款 30%
        "time_deposits": 0.60,        # 定期存款 60%
        "interbank": 0.05,            # 同业负债 5%
        "bond_issuance": 0.03,        # 债券发行 3%
        "other": 0.02                 # 其他负债 2%
    },
    "asset_maturity_profile": {
        # 各期限档位资产占比（相对于总资产）
        "1m": 0.10,   # 1个月内到期 10%
        "3m": 0.12,   # 3个月内到期 12%
        "6m": 0.15,   # 6个月内到期 15%
        "1y": 0.20,   # 1年内到期 20%
        "3y": 0.25,   # 3年内到期 25%
        "5y": 0.18    # 5年内到期 18%
    },
    "liability_maturity_profile": {
        # 各期限档位负债占比
        "1m": 0.25,   # 1个月内到期 25%
        "3m": 0.20,   # 3个月内到期 20%
        "6m": 0.18,   # 6个月内到期 18%
        "1y": 0.22,   # 1年内到期 22%
        "3y": 0.10,   # 3年内到期 10%
        "5y": 0.05    # 5年内到期 5%
    },
    "hqla_composition": {
        # 优质流动性资产构成
        "level1": 0.70,   # 一级资产 70%
        "level2": 0.30    # 二级资产 30%
    },
    "asset_duration": 2.5,    # 资产加权平均久期（年）
    "liability_duration": 1.8  # 负债加权平均久期（年）
}

输出结构

{
    "gap_analysis": {
        "1m": {"asset": ..., "liability": ..., "gap": ..., "gap_ratio": ...},
        "3m": {...},
        "6m": {...},
        "1y": {...},
        "3y": {...},
        "5y": {...}
    },
    "lcr": {
        "hqla": {"level1": ..., "level2": ..., "total": ...},
        "net_cash_outflow": ...,
        "lcr_ratio": ...,
        "status": "green" | "yellow" | "red"
    },
    "nsfr": {
        "available_stable_funding": ...,
        "required_stable_funding": ...,
        "nsfr_ratio": ...,
        "status": "green" | "yellow" | "red"
    },
    "duration_gap": {
        "asset_duration": ...,
        "liability_duration": ...,
        "duration_gap": ...,
        "duration_gap_adjusted": ...,
        "status": "green" | "yellow" | "red"
    },
    "warnings": [
        {"level": "yellow"|"red", "indicator": "...", "message": "...", "suggestion": "..."}
    ],
    "optimization": {
        "liability_adjustment": [...],
        "asset_optimization": [...],
        "derivatives_hedge": [...]
    }
}

CLI 使用方法

python3 scripts/alm_cli.py generate "ALM 资产500亿 定期存款60% 活期30%"
python3 scripts/alm_cli.py generate "ALM 资产1000亿 同业负债15% 债券发行10%"
python3 scripts/alm_cli.py serve --port 8080

集成方式

• Python API：直接调用 ALMEngine 类
• CLI 工具：scripts/alm_cli.py
• 企微机器人：通过 wecom_integration.py 发送卡片消息

依赖

• Python 3.9+
• 无外部金融数据依赖（纯计算引擎）

作者

FinAI集群 AI 团队 · AlphaAgent