毛瑞豐

摘要： 2008年國際金融危機爆發(fā)以來，世界各國應對金融危機的經(jīng)驗表明，構(gòu)建金融體系風險預警機制是必要且可行的。本文通過借鑒國內(nèi)外關(guān)于建立金融風險預警指標體系的既有研究成果，綜合運用模糊聚類分析、BP神經(jīng)網(wǎng)絡建模等，提出符合中國特色的區(qū)域金融風險預警體系框架，在此基礎上對安徽省區(qū)域金融風險狀況進行預測分析并提出相關(guān)建議。

關(guān)鍵詞： 金融風險；預警；模糊聚類；神經(jīng)網(wǎng)絡

一、引言

2014年中央經(jīng)濟工作會議明確提出要“高度重視財政金融領(lǐng)域存在的風險隱患，堅決守住不發(fā)生系統(tǒng)性和區(qū)域性金融風險的底線”。2008年國際金融危機爆發(fā)以來，世界各國應對金融危機的經(jīng)驗表明，構(gòu)建金融體系風險預警機制是必要且可行的。相對于整體金融風險而言，區(qū)域性金融風險具有更強的外部傳導性和可控性，且一般早于整體金融風險爆發(fā)，在某種程度上可被視為整體金融風險的預警信號，因此，作為金融監(jiān)管的有效補充，研究區(qū)域性金融風險早期預警體系并進行預警分析將對金融風險管控具有重要意義。

國外學者對于早期風險預警體系的研究較為系統(tǒng)和成熟，且已有一些金融監(jiān)管部門建立了早期預警模型，如美聯(lián)儲的SEER評級模型、美國聯(lián)邦存款保險公司的SCOR模型、法國銀行業(yè)委員會的預期損失模型、國際貨幣基金組織的宏觀審慎評估模型等。受國際金融危機的影響，近年來國內(nèi)學者在早期金融風險預警和管理方面的研究也越來越多，但由于預警指標選擇、風險狀態(tài)劃分及臨界值選擇等均不盡相同，因此建立的預警模型也有所差異。本文通過借鑒國內(nèi)外對金融風險預警指標體系的既有研究成果，綜合運用模糊聚類分析、BP神經(jīng)網(wǎng)絡建模等計量分析方法，構(gòu)建區(qū)域金融風險預警體系，以期對區(qū)域性金融風險的評估和防范提供客觀性依據(jù)。

二、總體分析框架及模型構(gòu)建

本文構(gòu)建的區(qū)域金融風險早期預警體系由三部分組成：首先結(jié)合安徽區(qū)域特點，構(gòu)建包括經(jīng)濟因素、財政因素、金融因素、房地產(chǎn)發(fā)展、企業(yè)經(jīng)營狀況等的區(qū)域性金融風險指標體系；其次利用模糊聚類分析對研究樣本進行分類，確定BP神經(jīng)網(wǎng)絡預警模型的分割點，為區(qū)域性金融風險水平的劃分提供一種新思路；最后采用人工神經(jīng)網(wǎng)絡來預測未來金融危機發(fā)生的可能性。

（一）區(qū)域性金融風險指標體系

區(qū)域性金融風險指標選擇既要考慮金融風險因素的普遍性，更要體現(xiàn)區(qū)域經(jīng)濟金融發(fā)展特點。指標選取原則：一是全面性，所選指標盡可能全面反映區(qū)域金融風險；二是可得性，所選數(shù)據(jù)要容易獲得，且期間口徑未作調(diào)整；三是匹配性，數(shù)據(jù)收集成本與模型預測的經(jīng)濟實用性相匹配。

（二）風險評估的模糊聚類分析

在分析一個時間序列的區(qū)域金融風險時，我們可以把指標相似程度高的樣本聚集在一起，作為一個整體進行分析，以達到簡化的效果。傳統(tǒng)的聚類分析是一種“硬劃分”，即把每個待識別的對象嚴格劃分到某類中，具有“非此即彼”的性質(zhì)，這種分類的類別界限也是分明的。然而，在大多數(shù)情況下，風險類別可能并沒有嚴格的界定，其類屬性方面存在中介性，適合進行“軟劃分”。模糊集理論為這種劃分提供了強有力且有效的分析工具，采用相應的模糊聚類模型，可以取得較好的分類效果。“模糊聚類”概念最早由Ruspini提出，之后人們利用這一概念提出了多種模糊聚類算法。本文運用神經(jīng)網(wǎng)絡來進行模糊聚類，其優(yōu)勢在于神經(jīng)網(wǎng)絡的并行處理結(jié)構(gòu)。

（三）基于人工神經(jīng)網(wǎng)絡的早期預警體系

人工神經(jīng)網(wǎng)絡ANN）是一種在生物神經(jīng)網(wǎng)絡啟示下建立的數(shù)據(jù)處理模型，其具有強大的模式識別和數(shù)據(jù)擬合能力，最為可貴的是神經(jīng)網(wǎng)絡還有自學習和自適應性。自適應性是指一個系統(tǒng)能夠改變自身的性能以適應環(huán)境變化的能力，當環(huán)境發(fā)生變化時，相當于給神經(jīng)網(wǎng)絡輸入新的訓練樣本，網(wǎng)絡能夠自動調(diào)整結(jié)構(gòu)參數(shù)，改變映射關(guān)系，從而對特定的輸入產(chǎn)生相應的期望輸出。人工神經(jīng)網(wǎng)絡包括很多種，不同類型的神經(jīng)網(wǎng)絡適用于解決不同的問題，其中最為常用的一種就是BP神經(jīng)網(wǎng)絡，它是一種多層前向神經(jīng)網(wǎng)絡，其權(quán)值調(diào)整采用反向傳播學習算法。而自組織競爭神經(jīng)網(wǎng)絡則使用了與前向神經(jīng)網(wǎng)絡完全不同的思路，采取競爭學習的思想，網(wǎng)絡的輸出神經(jīng)元之間相互競爭，同一時刻只有一個輸出神經(jīng)元獲勝，因此自組織神經(jīng)網(wǎng)絡主要用于解決分類、聚類問題。鑒于此，本文在進行區(qū)域金融風險評估時，運用自組織競爭神經(jīng)網(wǎng)絡進行模糊聚類分析，得出各樣本的風險類別；而在構(gòu)建區(qū)域風險早期預警體系時，采用BP神經(jīng)網(wǎng)絡進行分析和預測。

三、區(qū)域性金融風險早期預警的實證分析

（一）區(qū)域性金融風險監(jiān)測指標的選取與標準化

金融風險是一個綜合性、系統(tǒng)性的概念，單純選用個別指標不足以反映其真實水平。因此，根據(jù)客觀性、完備性、科學性、實用性、重要性原則，同時借鑒國內(nèi)外研究成果，本文選取了經(jīng)濟、財政、金融、房地產(chǎn)、企業(yè)經(jīng)營等方面的17個金融風險評價指標，樣本區(qū)間為2009年至2014年一季度的安徽省季度數(shù)據(jù)，并根據(jù)指標與金融風險的正負相關(guān)性對其進行標準化。

（二）基于自組織競爭神經(jīng)網(wǎng)絡的模糊聚類分析

本文運用MatlabR2014a）的神經(jīng)網(wǎng)絡工具箱，導入21組樣本數(shù)據(jù)，使用自組織特征映射網(wǎng)絡的工具箱函數(shù)selforgmap創(chuàng)建網(wǎng)絡，并確定將區(qū)域性金融風險劃分為五類，即安全第1類）、基本安全第2類）、風險較低第3類）、警惕第4類）、危險第5類）。值得注意的是，聚類完成時，分為同一類的樣本被賦予相同的分類標簽1-5的任意整數(shù)），但不同類別使用什么數(shù)字作為分類標簽則是隨機的。因此，為了得到正確的結(jié)果，需要統(tǒng)計每個聚類類別特征向量數(shù)值的均值，由于樣本數(shù)據(jù)已進行標準化處理，數(shù)值越低代表風險越低，進而判斷不同類別的風險級別，各時點風險水平如表所示。