收稿日期：2007-10-15

作者簡介：馬德功，男，四川大學(xué)經(jīng)濟學(xué)院金融工程系教授，

經(jīng)濟學(xué)博士，碩士生導(dǎo)師;

張暢，男，四川大學(xué)經(jīng)濟學(xué)院，金融學(xué)專業(yè)碩士研究生;

馬敏捷，男，四川大學(xué)數(shù)學(xué)學(xué)院，應(yīng)用數(shù)學(xué)專業(yè)本科生。

摘要：概率模型#65380;STV模型#65380;KLR信號分析模型#65380;DCSD預(yù)警模型#65380;ANN模型等是國際上最有影響的貨幣危機預(yù)警模型。FR 概率模型的準確性#65380;非差異性及所提供的樣本數(shù)據(jù)受到置疑;STV模型克服了FR概率模型非差異性缺陷，但難于找到相似的樣本國;KLR模型預(yù)測準確率較高，缺陷在于非結(jié)構(gòu)化的經(jīng)濟模型;DCSD模型綜合了FR Probit和KLR特征，但其檢驗并非純粹的樣本外檢驗;ANN模型在定量分析方法上有進展，但也存在系數(shù)估計等缺陷。綜合比較與分析，F(xiàn)R模型基礎(chǔ)上的因子-Logistic貨幣危機預(yù)警模型比較適用于中國。

關(guān)鍵詞：貨幣危機;預(yù)警模型;因子-Logistic回歸模型

中圖分類號：F821文獻標識碼：A文章編號：1006-1428(2007)12-0010-04

一#65380;主要貨幣危機預(yù)警模型

目前國際上最有影響的預(yù)警模型大致可以分為計量模型和非計量模型兩類，前者有STV橫截面回歸模型#65380;ARCH模型#65380;VAR模型#65380;主成分分析法#65380;相關(guān)性分析法#65380;判別分析法模型等，后者有KLR信號分析法#65380;受限因變量的Probit模型或Logit模型#65380;DCSD模型#65380;ANN模型等。

1．FR概率模型，即Probit模型或Logit模型。該模型由Frankel和Rose于1996年創(chuàng)立，這一模型特別檢驗了資本流入特征與貨幣貶值之間存在聯(lián)系的假定。它假設(shè)金融事件是離散且有限的，而貨幣危機的發(fā)生則是由多種因素引發(fā)的。這些因素包括GDP增長率#65380;外國利率#65380;國內(nèi)信貸增長率#65380;政府預(yù)算赤字/GDP#65380;實際匯率高估程度#65380;經(jīng)常項目/GDP#65380;國際儲備/進口額#65380;外債總額等等。如果用Y表示貨幣危機這個離散變量，向量X表示引發(fā)因素，β是相應(yīng)的參數(shù)變量，那么貨幣危機發(fā)生的可能性就可以用X的聯(lián)合概率P來衡量了，具體用公式表示為

2．STV橫截面回歸模型。Sachs，Tornell和Velasco建立了STV橫截面回歸模型考慮了國別差異因素，一定程度上克服了FR模型的局限性。因為該模型使用的數(shù)據(jù)為橫截面數(shù)據(jù)，或稱面板數(shù)據(jù)，然后對這些數(shù)據(jù)作線性回歸，因此稱之為橫截面回歸模型。該模型在實際回歸模擬時，將自變量設(shè)置為6個，包括實際匯率貶值幅度#65380;國內(nèi)私人貸款增長率和兩個虛擬變量與實際匯率貶值幅度#65380;私人增長率兩兩組合形成的4個新變量，加上截距項，共有7個參數(shù)需要估計。關(guān)于因變量，該模型將其定義為危機指數(shù)，用國際儲備減少的百分比表示。通過一組樣本數(shù)據(jù)，可估出模型中的7個參數(shù)，如果檢驗通過，模型可以建立。然后將引發(fā)因素的取值代入模型，就可計算相應(yīng)的危機指數(shù)。

3．KLR信號分析模型。KLR信號分析模型是由Kaminsky#65380;Lizondo和Reinhart創(chuàng)建的一種重要的預(yù)警理論，現(xiàn)在幾乎成為經(jīng)濟預(yù)警中的標準模型了。其核心思想是，選擇一系列指標并根據(jù)其歷史數(shù)據(jù)確定其閾值，當某個指標在某個時點或某段時間偏離均值的程度超過其閾值，就意味著該指標發(fā)出了一個危機信號;危機信號發(fā)出越多，表示某一個國家在未來24個月內(nèi)爆發(fā)危機的可能性就越大。其中，一個時期內(nèi)指標預(yù)測危機的能力被稱為信號水平時期，這個時期就被定義為危機前的24個月。一個信號顯示后在24個月內(nèi)出現(xiàn)危機的信號稱為一個好信號，在24個月之內(nèi)未出現(xiàn)危機的信號則稱為一個壞信號或噪聲。實際發(fā)出的壞信號的份額除以實際發(fā)出的好信號的份額即為噪聲—信號比率，閾值則被定義為最小化的噪聲—信號比率。預(yù)警指標發(fā)出危機信號之后，最直接的處理辦法就是將各個預(yù)警指標發(fā)出的信號數(shù)簡單加總。假設(shè)共有n個預(yù)警指標，第I個指標在第t期發(fā)出信號與否用Sit表示，則簡單加總合成指標可表示為

二#65380;危機預(yù)警模型的比較與分析

預(yù)警模型將貨幣危機定義為名義或?qū)嶋H匯率在短期內(nèi)發(fā)生大幅度變動。這樣的定義容易識別出貨幣危機的發(fā)生，有利于貨幣危機樣本的確定。由于Probit模型考慮的樣本眾多，同時把大量可能引起金融危機的經(jīng)濟#65380;金融指標作為解釋變量納入模型，捕捉了更多的共性。Probit模型或Logit模型能夠很容易預(yù)測出危機的概率，能夠同時考慮到所有變量，但是這一優(yōu)點又使其很難識別出單個預(yù)警指標的影響。此外，貨幣危機的爆發(fā)點正是從穩(wěn)定走向混亂的分叉點，預(yù)警指標在過去超出其閾值的表現(xiàn)將不會得到“延續(xù)”，如果系統(tǒng)穩(wěn)定，那么外推可能會是有效的;如果系統(tǒng)是不穩(wěn)定的，或者穩(wěn)定的系統(tǒng)演化到了臨近分叉結(jié)點的附近，那么無論預(yù)測模型對歷史數(shù)據(jù)擬合得多好，外推總是不可靠的。

Probit模型或Logit模型的局限性表現(xiàn)在：(1)對銀行危機及其傳染效應(yīng)的影響難于識別，從而影響了該模型的預(yù)警效果。(2)“三重估計”導(dǎo)致“信息過度使用”，降低了模型預(yù)測的準確性。(3)沒有考慮國別差異性。單純以名義匯率貶值程度確定危機發(fā)生與否，沒有考慮通貨膨脹，通貨膨脹程度不同，各國名義匯率無法比較。在確定引發(fā)因素#65380;樣本數(shù)據(jù)方面對不同的國家沒有區(qū)別對待。(4)模型僅預(yù)警貨幣危機，研究范圍狹窄限制了模型的應(yīng)用范圍。

STV模型優(yōu)點是克服了FR Probit概率模型沒有考慮國別差異的缺陷，其不足則表現(xiàn)為，(1)該模型的應(yīng)用要求找到一系列相似的樣本國，操作上很難做到;(2)該模型考慮因素范圍過于狹窄，只考慮匯率#65380;國內(nèi)私人貸款#65380;國際儲備與廣義貨幣比率等因素;(3)該模型在危機指數(shù)定義方面有失偏頗，綜合考慮銀行危機#65380;貨幣危機和外債危機，卻將危機指數(shù)僅僅用國際儲備減少的百分比來表示。

KLR信號分析法較之前兩種方法較為完善，操作性較強，預(yù)警準確性也較高。首先，該模型給出了投機性攻擊的定義，不僅包括成功的攻擊也包括失敗的攻擊。同時，該模型還針對通貨膨脹的問題選擇了不同的方法，在高通貨膨脹時期(即連續(xù)六個月通貨膨脹高于150%)使用了不同的標準來定義貨幣危機。其次，KLR信號分析模型選擇了較多的指標，特別需要指出的是，經(jīng)過Kaminsky的完善，增加了引發(fā)銀行業(yè)危機的一些指標，綜合考慮了貨幣危機與銀行業(yè)危機的預(yù)警問題。此外，在預(yù)警模型建立方面，信號分析模型更具說服力，特別是合成指標將干擾/信號比率作為權(quán)重，更能反映單個指標對危機發(fā)生的作用程度。

KLR信號分析模型的局限性體現(xiàn)在：(1)主要以宏觀經(jīng)濟環(huán)境為背景，沒有考慮到政治性事件與一些外生事件對貨幣危機爆發(fā)時間選擇的影響。(2)通常都無法獲得反映金融機構(gòu)特征的高頻月度數(shù)據(jù)，如銀行資本的充足性與銀行監(jiān)管的力度等，從而該模型不能表明引發(fā)貨幣或銀行業(yè)危機的長遠因素。(3)該模型不是一個結(jié)構(gòu)化的經(jīng)濟模型，而是一個不精確的#65380;簡化形式的關(guān)系式，從而不能獲得為什么或如何影響危機概率的信息。如在貨幣危機發(fā)生前通常會出現(xiàn)匯率的過度高估，但我們并不知道這一匯率高估是由于為了穩(wěn)定通貨膨脹而實施的匯率計劃還是由于私人資本流入量劇增所導(dǎo)致。(4)盡管信號分析模型可以預(yù)測出一個國家(地區(qū))在未來24個月內(nèi)發(fā)生危機的可能性，但這并不代表在未來24個月內(nèi)發(fā)生危機的可能性一成不變。實際情況是某幾個月發(fā)生危機的可能性比預(yù)測的要大，而另外幾個月發(fā)生危機的可能性要比預(yù)測的小。

DCSD預(yù)警模型綜合了FR方法與KLR方法的優(yōu)點，同時相互抵消了一部分各自的不足之處，利用月度數(shù)據(jù)來確定哪些變量決定了未來24個月內(nèi)發(fā)生危機的可能性，并通過運用類似FR的經(jīng)濟框架中的方法，DCSD模型最大程度地利用了KLR模型提供的月度預(yù)警指標的預(yù)測能力。該模型優(yōu)點表現(xiàn)為：(1)考慮到不同變量之間的相關(guān)性，模型可以更好地將不同變量整合為一個綜合概率;(2)該模型允許危機風險相對預(yù)測變量線性增長;(3)從樣本外預(yù)測績效的角度來分析，DCSD模型的樣本外表現(xiàn)明顯較好。

較之前面四種方法，ANN模型具有大規(guī)模并行處理#65380;自適應(yīng)自組織#65380;聯(lián)想記憶功能及容錯和穩(wěn)健性等特點因此它在貨幣危機預(yù)警系統(tǒng)中的應(yīng)用，無論是從思想上還是從技術(shù)上都是對傳統(tǒng)貨幣危機預(yù)警系統(tǒng)的一種拓寬和突破，解決了傳統(tǒng)模型難以處理高度非線性的#65380;關(guān)系不明確的#65380;復(fù)雜的以至于難以用數(shù)學(xué)模型描述的問題。ANN模型的主要優(yōu)勢是其靈活的規(guī)則和捕捉變量間復(fù)雜的相互關(guān)系的能力。然而，這種靈活性也可能成為一種缺陷，在數(shù)據(jù)數(shù)目較多和需要一定的網(wǎng)絡(luò)層數(shù)來模擬數(shù)據(jù)的前提下，這種方法會比其他方法有更大的過度適應(yīng)的風險。該模型的另一缺陷是，ANN模型的“黑箱”特性。因為無法進行系數(shù)估計，而且變量間的相互關(guān)系非常復(fù)雜，就很難確定哪一個指標出現(xiàn)異常及指標的預(yù)測能力。此外，ANN模型在應(yīng)用過程中容易陷入局部最優(yōu)，從而也會在一定程度上影響評價結(jié)果的準確性。

三#65380;我國貨幣危機預(yù)警模型設(shè)計

比較上述各類模型的優(yōu)缺點及其在我國的可適用性，本文選擇在FR Logit模型基礎(chǔ)上嘗試構(gòu)建我國的貨幣危機預(yù)警模型——因子-Logistic預(yù)警模型。

通常把貨幣危機發(fā)生的情況定義為Y =1，貨幣危機未發(fā)生的情況定義為Y =0，這樣取值為0#65380;1 的因變量可以寫為：

其中，是與諸因素xi無關(guān)的常數(shù)項，是回歸系數(shù)行列的轉(zhuǎn)換，它表示諸因素xi對p的貢獻量。即我們只需用因子得分作自變量進行回歸。這樣既解決了多重共線性問題，又不過多損失有關(guān)信息。

參考文獻：

[1]FrankelJeffrey and Andrew Rose． Currency Crashes in Emerging Markets：An Empirical Treatment[J]． Journal of International Economics，1996，（41）： 351-368．

[2]Sachs，Tornell and Velasco． The Mexican Peso crises： Sudden death or death foretold﹖． Journal of International Economics，1996，（41）： 265-283

[3]Kaminsky，G． S． Lizondo and M． Reinhart． Leading Indicators of Currency Crises[z]． IMF Working Papers，1998，45 （1）： 1-48

[4]Berg Andrew，Eduardo Borensztein and Catherine Pattillo． Assessing Early Warning Systems：How Have They Worked in Pratice﹖[Z]． IMF Working Papers，2004，52

[5]胡燕京，高會麗，徐建峰． 金融風險預(yù)警——基于BP人工神經(jīng)網(wǎng)絡(luò)的一種分析[J]． 青島大學(xué)學(xué)報，2002(12)：28-34

[6]唐旭，張偉． 論建立中國金融危機預(yù)警系統(tǒng)[J]． 經(jīng)濟學(xué)動態(tài)，2002，（6）：7-12

(責任編輯：姜天鷹)

“本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文”