摘要：防范和化解系統(tǒng)性風(fēng)險(xiǎn)是當(dāng)前金融機(jī)構(gòu)和監(jiān)管當(dāng)局工作任務(wù)的重心，文章主要梳理了國(guó)內(nèi)外學(xué)者關(guān)于系統(tǒng)性風(fēng)險(xiǎn)的預(yù)警模型和測(cè)度方法，指出了已有研究模型和方法的不足之處：（1）受限于模型自身嚴(yán)苛的假設(shè)條件，不能處理非線性問題；（2）有效風(fēng)險(xiǎn)指標(biāo)不足，不能全面反應(yīng)金融體系的風(fēng)險(xiǎn)狀態(tài)；（3）受歷史原始數(shù)據(jù)序列長(zhǎng)度的限制，難以建立符合國(guó)情的系統(tǒng)性風(fēng)險(xiǎn)預(yù)警系統(tǒng)；（4）受限于人的知識(shí)領(lǐng)域和經(jīng)驗(yàn)，依賴人工建模和特征設(shè)計(jì)，因此與實(shí)際結(jié)果存在很大的誤差。最后，文章還為防范和化解系統(tǒng)性風(fēng)險(xiǎn)提出了政策建議。

關(guān)鍵詞：系統(tǒng)性風(fēng)險(xiǎn)；預(yù)警模型；測(cè)度方法；人工智能

一、 引言

2007-2009年的金融危機(jī)再次引起各國(guó)對(duì)系統(tǒng)性風(fēng)險(xiǎn)的關(guān)注。不同于傳統(tǒng)意義上的貨幣或者銀行危機(jī)等單體風(fēng)險(xiǎn)，此次金融危機(jī)背后隱含著全局性和綜合性的系統(tǒng)性風(fēng)險(xiǎn)。對(duì)于系統(tǒng)性風(fēng)險(xiǎn)的理解，金融穩(wěn)定委員會(huì)（FSB）（2009）認(rèn)為系統(tǒng)性風(fēng)險(xiǎn)是指經(jīng)濟(jì)周期、宏觀經(jīng)濟(jì)政策變動(dòng)和外部金融沖擊等風(fēng)險(xiǎn)因素使得一國(guó)金融體系發(fā)生動(dòng)蕩，因而“對(duì)國(guó)際金融體系和全球?qū)嶓w經(jīng)濟(jì)都會(huì)產(chǎn)生巨大的負(fù)外部性效應(yīng)”。二十國(guó)集團(tuán)（G20）（2009）認(rèn)為系統(tǒng)性風(fēng)險(xiǎn)會(huì)導(dǎo)致金融服務(wù)流程受損，并可能對(duì)實(shí)體經(jīng)濟(jì)造成嚴(yán)重的負(fù)面影響。Billio等（2010）將系統(tǒng)性風(fēng)險(xiǎn)定義為“任何威脅到金融系統(tǒng)穩(wěn)定或公眾信心的環(huán)境”。歐洲中央銀行（ECB）（2010）認(rèn)為系統(tǒng)性風(fēng)險(xiǎn)會(huì)導(dǎo)致金融體系的不穩(wěn)定，阻礙經(jīng)濟(jì)增長(zhǎng)和損害社會(huì)福利等金融體系的功能，并且危害范圍十分廣泛。此外，全球經(jīng)濟(jì)失衡、風(fēng)險(xiǎn)敞口、信息中斷、資產(chǎn)泡沫和風(fēng)險(xiǎn)傳染等也是對(duì)系統(tǒng)性風(fēng)險(xiǎn)的“代名詞”。系統(tǒng)性金融風(fēng)險(xiǎn)具有傳染性特征，涉及一系列相互關(guān)聯(lián)的金融機(jī)構(gòu)，一旦流動(dòng)性不足、資不抵債或虧損發(fā)生，風(fēng)險(xiǎn)將會(huì)在金融危機(jī)期間迅速傳播。因此，建立實(shí)時(shí)性和前瞻性的系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警模型不僅是金融機(jī)構(gòu)和監(jiān)管當(dāng)局工作任務(wù)的重心，也是學(xué)術(shù)界研究的焦點(diǎn)。

二、 系統(tǒng)性風(fēng)險(xiǎn)預(yù)警模型研究

綜觀國(guó)內(nèi)外文獻(xiàn)，系統(tǒng)性風(fēng)險(xiǎn)的預(yù)警模型主要包括早期預(yù)警模型、指標(biāo)預(yù)警模型和人工智能預(yù)警模型，具體研究如下。

1. 早期預(yù)警模型。Frankel和Rose（1996）提出了FR概率模型，是預(yù)測(cè)未來發(fā)生危機(jī)概率的一種早期預(yù)警模型，即P{Y=1}=F（X，），P{Y=0}=1-F（X，），其中X為引發(fā)危機(jī)爆發(fā)的因素，也即解釋變量，為X的參數(shù)，可用于計(jì)算引發(fā)危機(jī)因素的聯(lián)合概率；被解釋變量Y代表危機(jī)是否發(fā)生，若發(fā)生則為1，否則為0?；谠撃Ｐ停現(xiàn)rankel和Rose利用1971年～1992年105個(gè)發(fā)展中國(guó)家的面板數(shù)據(jù)進(jìn)行貨幣危機(jī)預(yù)警，結(jié)果此模型雖然樣本內(nèi)能夠顯著的預(yù)測(cè)，但對(duì)樣本外金融危機(jī)的預(yù)測(cè)卻不穩(wěn)定。Sachs等（1996）提出了橫截面回歸模型，即STV模型，利用20個(gè)新興市場(chǎng)國(guó)家的橫截面數(shù)據(jù)，進(jìn)行線性回歸，并解釋了由于1994年墨西哥金融危機(jī)傳染而引起相關(guān)國(guó)家的金融危機(jī)。Kaminsky等（1998）提出KLR信號(hào)預(yù)警模型，該模型對(duì)一些表現(xiàn)異常并可能引發(fā)危機(jī)的指標(biāo)進(jìn)行監(jiān)測(cè)，并根據(jù)指標(biāo)數(shù)據(jù)的分布設(shè)置閾值，如果指標(biāo)超過閾值，則預(yù)警信號(hào)表示在接下來的24個(gè)月內(nèi)將發(fā)生貨幣危機(jī)。KLR信號(hào)預(yù)警模型也是目前最為流行的預(yù)警模型之一。

2. 指標(biāo)預(yù)警模型。沈悅和亓莉（2008）構(gòu)建了銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，利用層次分析法（AHP）對(duì)指標(biāo)進(jìn)行賦權(quán)，再根據(jù)指標(biāo)體系的臨界值確定了指標(biāo)預(yù)警界限，基于此運(yùn)用該指標(biāo)體系進(jìn)行實(shí)時(shí)監(jiān)測(cè)分析。Alessi和Detken（2009）選取了一系列金融變量作為總資產(chǎn)價(jià)格繁榮或蕭條周期的預(yù)警指標(biāo)，采用了一種信號(hào)預(yù)警方法分析了1970年～2007年期間18個(gè)經(jīng)合組織國(guó)家的數(shù)據(jù)，對(duì)資產(chǎn)價(jià)格進(jìn)行預(yù)測(cè)。Claudio（2009）基于金融不穩(wěn)定的內(nèi)生循環(huán)觀點(diǎn)，使用房地產(chǎn)價(jià)格、股票價(jià)格和信貸缺口三個(gè)指標(biāo)構(gòu)建了宏觀經(jīng)濟(jì)預(yù)警機(jī)制，用于預(yù)測(cè)由于金融不穩(wěn)定引發(fā)了銀行業(yè)危機(jī)。周宏等（2012）選取美國(guó)的M2/GDP序列，通過自激勵(lì)門限自回歸（Self-Exciting Threshold AutoRegressive，SETAR）模型設(shè)定預(yù)警閾值變量，構(gòu)建的中國(guó)國(guó)際金融風(fēng)險(xiǎn)預(yù)警指標(biāo)體系。楊霞和吳林（2015）選取度量銀行系統(tǒng)性風(fēng)險(xiǎn)的指標(biāo)進(jìn)行主成分分析，得出系統(tǒng)性風(fēng)險(xiǎn)水平與各指標(biāo)間的線性關(guān)系，以此作為被解釋變量，利用回歸模型的擬合值設(shè)定閾值，構(gòu)建系統(tǒng)性風(fēng)險(xiǎn)預(yù)警模型。

3. 人工智能預(yù)警模型。Kim等（2004）基于1997年經(jīng)濟(jì)危機(jī)期間韓國(guó)KOSPI數(shù)據(jù)，分別使用logistic、決策樹、支持向量機(jī)、模糊神經(jīng)模型和人工神經(jīng)網(wǎng)絡(luò)算法進(jìn)行分類訓(xùn)練，預(yù)測(cè)了1994年～2001年韓國(guó)的經(jīng)濟(jì)運(yùn)行狀態(tài)，最終得出人工神經(jīng)網(wǎng)絡(luò)能夠?qū)?jīng)濟(jì)危機(jī)進(jìn)行較好地預(yù)警。Fioramanti（2008）利用1980年～2004年主權(quán)債務(wù)相關(guān)數(shù)據(jù)，對(duì)比了人工神經(jīng)網(wǎng)絡(luò)模型與傳統(tǒng)的參數(shù)和非參數(shù)模型，結(jié)果顯示人工神經(jīng)網(wǎng)絡(luò)能夠及時(shí)預(yù)測(cè)危機(jī)事件，因此人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)一步完善了早期預(yù)警系統(tǒng)。Yu等（2010）提出了基于經(jīng)驗(yàn)?zāi)B(tài)分解法（EMD）的多量程神經(jīng)網(wǎng)絡(luò)模型，分別以韓元和泰銖對(duì)美元的匯率作為代表經(jīng)濟(jì)波動(dòng)水平的指標(biāo)，通過EMD將單個(gè)匯率分解成多個(gè)本征模式分量，作為BP神經(jīng)網(wǎng)絡(luò)的輸入，實(shí)證結(jié)果顯示相比于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型，該模型可以顯著的改善泛化性能，并且具有較高的預(yù)測(cè)精度。因此該模型是預(yù)測(cè)貨幣危機(jī)的一個(gè)相當(dāng)有有效的方法。陳秋玲等（2009）利用BP人工神經(jīng)網(wǎng)絡(luò)構(gòu)建金融風(fēng)險(xiǎn)預(yù)警模型，對(duì)1993年～2007年中國(guó)金融風(fēng)險(xiǎn)指標(biāo)數(shù)據(jù)進(jìn)行訓(xùn)練，并預(yù)測(cè)出2008年中國(guó)金融的運(yùn)行現(xiàn)狀。甘敬義等（2011）選取衡量中國(guó)金融風(fēng)險(xiǎn)的18個(gè)指標(biāo)數(shù)據(jù)，利用主成分分析法將中國(guó)金融風(fēng)險(xiǎn)狀態(tài)劃分為四個(gè)等級(jí)，通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，對(duì)中國(guó)金融運(yùn)行的風(fēng)險(xiǎn)狀態(tài)進(jìn)行預(yù)測(cè)。樓文高和喬龍（2011）基于金融風(fēng)險(xiǎn)預(yù)警指標(biāo)提出了BPNN風(fēng)險(xiǎn)預(yù)警模型，對(duì)1994年～2010年期間中國(guó)金融風(fēng)險(xiǎn)狀況進(jìn)行預(yù)測(cè)，實(shí)證結(jié)果與中國(guó)金融實(shí)際運(yùn)行情況高度吻合。Khandani等（2010）通過某商業(yè)銀行在2005年1月-2009年4月的客戶交易和信用數(shù)據(jù)，使用機(jī)器學(xué)習(xí)技術(shù)構(gòu)建了消費(fèi)者信用風(fēng)險(xiǎn)預(yù)警模型，并將賬戶數(shù)量加總進(jìn)行了總體預(yù)測(cè)，將客戶總體的拖欠比率用作消費(fèi)貸款的系統(tǒng)性風(fēng)險(xiǎn)指標(biāo)。Li等（2013）以中國(guó)銀行業(yè)數(shù)據(jù)為例，基于主成分分析法和支持向量機(jī)提出了銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警模型，實(shí)驗(yàn)結(jié)果表明該模型能夠有效地預(yù)測(cè)銀行系統(tǒng)性風(fēng)險(xiǎn)。

三、 系統(tǒng)性風(fēng)險(xiǎn)測(cè)度方法研究

1. 壓力測(cè)試法。Illing和Liu（2003，2006）提出了金融壓力指數(shù)法（FSI）的概念，并根據(jù)加拿大銀行業(yè)、股票市場(chǎng)、外匯市場(chǎng)等數(shù)據(jù)，構(gòu)建了加拿大銀行業(yè)綜合金融壓力指數(shù)。Hakkio和Keeton（2009）提出了堪薩斯州金融壓力指數(shù)（KCFSI），該指數(shù)已經(jīng)正式用于監(jiān)測(cè)美國(guó)的系統(tǒng)性風(fēng)險(xiǎn)狀況。劉曉星和方磊（2012）從銀行、股票、外匯和保險(xiǎn)四大市場(chǎng)選取風(fēng)險(xiǎn)指標(biāo)，利用CDF-信用加總權(quán)重法確定各指標(biāo)權(quán)重，構(gòu)建了我國(guó)金融壓力指數(shù)測(cè)度模型。王春麗和胡玲（2014）從外匯市場(chǎng)、銀行業(yè)以及股票市場(chǎng)選取金融風(fēng)險(xiǎn)預(yù)警指標(biāo)合成金融壓力指數(shù)，基于馬爾科夫區(qū)制轉(zhuǎn)移模型對(duì)我國(guó)2014年～2015年的金融風(fēng)險(xiǎn)狀態(tài)進(jìn)行預(yù)測(cè)。許滌龍和陳雙蓮（2015）基于CRITIC賦權(quán)法構(gòu)建了測(cè)度系統(tǒng)性金融風(fēng)險(xiǎn)的金融壓力指數(shù)，并對(duì)我國(guó)2005年1月～2013年12月金融發(fā)展?fàn)顩r進(jìn)行預(yù)測(cè)，結(jié)果較為吻合。Alfaro和Drehmann（2009）基于GDP增長(zhǎng)的自回歸模型提出了一種簡(jiǎn)單的宏觀經(jīng)濟(jì)壓力測(cè)試方法，這種模型僅依賴于過去GDP增長(zhǎng)的行為。

2. 網(wǎng)絡(luò)分析法。Schrder和Schüler（2003）利用二元GARCH模型對(duì)兩家歐洲銀行股票指數(shù)之間的條件相關(guān)性進(jìn)行估計(jì)，試圖對(duì)歐洲銀行業(yè)的系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行評(píng)估。Adrian和Brunnermeier（2009）基于在險(xiǎn)值（Value at Risk，VaR）方法提出了測(cè)度系統(tǒng)性金融風(fēng)險(xiǎn)的條件在險(xiǎn)值（CoVaR）方法，該方法通過VaR測(cè)度單個(gè)金融機(jī)構(gòu)陷入困境時(shí)對(duì)其他金融機(jī)構(gòu)尾部風(fēng)險(xiǎn)的影響，將系統(tǒng)性風(fēng)險(xiǎn)和在險(xiǎn)價(jià)值聯(lián)系起來。IMF（2009）考察了不同金融機(jī)構(gòu)CDS之間的相互關(guān)系，提出了一種與CoVaR結(jié)構(gòu)相似的Co-Risk指標(biāo)。該指標(biāo)基于分位數(shù)回歸的方法，能夠準(zhǔn)確地估計(jì)風(fēng)險(xiǎn)因素之間的非線性關(guān)系。Chan-lau等（2009）提出評(píng)估銀行間風(fēng)險(xiǎn)的網(wǎng)絡(luò)模型，該模型通過跟蹤信用事件或整個(gè)系統(tǒng)的流動(dòng)性緊縮數(shù)據(jù)，評(píng)估銀行破產(chǎn)的網(wǎng)絡(luò)外部性，為金融機(jī)構(gòu)應(yīng)對(duì)金融危機(jī)引發(fā)的多米諾效應(yīng)提供重要的措施。Acharya等（2010）基于期望損失（Expected Shortfall，ES）的思想，提出了度量系統(tǒng)性金融風(fēng)險(xiǎn)的系統(tǒng)性期望損失（Systemic Expected Shortfall，SES）模型，即每個(gè)金融機(jī)構(gòu)對(duì)系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)可由SES來測(cè)度，并通過實(shí)證研究了2007年～2009年金融危機(jī)時(shí)期新興市場(chǎng)的風(fēng)險(xiǎn)狀況。Billio等（2010）利用主成分分析法和格蘭杰因果檢驗(yàn)分析對(duì)沖基金、銀行、經(jīng)紀(jì)人和保險(xiǎn)公司月收益之間的相互聯(lián)系，發(fā)現(xiàn)這四個(gè)行業(yè)在過去10年里均高度相關(guān)，從而增加了金融和保險(xiǎn)業(yè)系統(tǒng)性風(fēng)險(xiǎn)的水平。Giesecke和Kim（2011）根據(jù)違約率制定了違約強(qiáng)度模型，該模型旨在捕捉金融機(jī)構(gòu)間的系統(tǒng)關(guān)聯(lián)性和區(qū)制依賴行為對(duì)違約率的影響。Dong和Andrew（2013）基于高維協(xié)方差矩陣動(dòng)態(tài)建模和一般時(shí)變分布的思想，提出了度量系統(tǒng)性風(fēng)險(xiǎn)的動(dòng)態(tài)copula模型，并應(yīng)用該模型研究了2006年～2012年期間美國(guó)100家企業(yè)信用違約掉期的日度數(shù)據(jù)，仿真結(jié)果顯示自2008金融危機(jī)以來，雖然單個(gè)企業(yè)違約概率大大減小，但是企業(yè)聯(lián)合違約概率相比危機(jī)前的時(shí)期提高了。

3. 其他方法。Gray等（2006）提出使用未定權(quán)益分析法（Contingent Claims Analysis，CCA）測(cè)度市場(chǎng)潛在預(yù)期損失帶來的系統(tǒng)性風(fēng)險(xiǎn)，并直接應(yīng)用于政府隱性或有負(fù)債的分析。CCA方法是根據(jù)期權(quán)定價(jià)理論（Option Pricing Theory，OPT）拓展而來的一般化形式。Segoviano和Goodhart（2009）基于銀行體系的多元密度（BSMD）方程提出了一種系統(tǒng)性風(fēng)險(xiǎn)測(cè)度方法，該方法將銀行體系定義為銀行的一種投資組合，并根據(jù)所提出的措施估計(jì)其多元密度。BSMD以銀行投資組合的單個(gè)和聯(lián)合資產(chǎn)價(jià)值變動(dòng)為特征，通過最小交叉熵方法來估計(jì)。Huang等（2009，2012）根據(jù)公司股權(quán)價(jià)格和CDS差價(jià)，將銀行體系發(fā)生困境時(shí)的總損失超過銀行負(fù)債總額的15%的損失假設(shè)為一種保費(fèi)溢價(jià)，提出了一種困境保險(xiǎn)溢價(jià)（Distressed Insurance Premium，DIP），并將其作為事前系統(tǒng)性風(fēng)險(xiǎn)的一種測(cè)度方法。

四、 文獻(xiàn)評(píng)述

通過文獻(xiàn)梳理，以上系統(tǒng)性風(fēng)險(xiǎn)預(yù)警模型和測(cè)度方法雖然在很大程度上均發(fā)揮了監(jiān)測(cè)作用，但是部分仍存在不足。首先，受限于模型自身嚴(yán)苛的假設(shè)條件，不能處理非線性問題，無(wú)法識(shí)別錯(cuò)綜復(fù)雜的金融市場(chǎng)信息。其次，有效風(fēng)險(xiǎn)指標(biāo)不足，不能全面反應(yīng)金融體系的風(fēng)險(xiǎn)狀態(tài)，因此缺乏對(duì)整個(gè)金融體系金融壓力的研究。再次，受歷史原始數(shù)據(jù)序列長(zhǎng)度的限制，難以建立符合國(guó)情的系統(tǒng)性風(fēng)險(xiǎn)預(yù)警系統(tǒng)。最后，以上模型和方法受限于人的知識(shí)領(lǐng)域和經(jīng)驗(yàn)，它們依賴人工建模和特征設(shè)計(jì)，因此與實(shí)際結(jié)果存在很大的誤差。因此如何建立更加具有前瞻性、有效性和簡(jiǎn)便性的預(yù)警系統(tǒng)，對(duì)于宏觀審慎監(jiān)管具有重要的實(shí)踐價(jià)值和現(xiàn)實(shí)意義。

五、 政策建議

防范和化解系統(tǒng)性風(fēng)險(xiǎn)是強(qiáng)化宏觀審慎金融監(jiān)管、建設(shè)現(xiàn)代化經(jīng)濟(jì)體系和維護(hù)國(guó)家金融安全和穩(wěn)定的重要舉措和堅(jiān)實(shí)保障。因此，為了防范和化解系統(tǒng)性風(fēng)險(xiǎn)，應(yīng)該注意以下幾點(diǎn)：

1. 著力防范化解重點(diǎn)領(lǐng)域風(fēng)險(xiǎn)，解決源頭性問題。對(duì)于當(dāng)前金融風(fēng)險(xiǎn)集中的幾個(gè)領(lǐng)域，都采取針對(duì)性的政策措施，防止單體、局部風(fēng)險(xiǎn)轉(zhuǎn)化為系統(tǒng)性風(fēng)險(xiǎn)。深化國(guó)有企業(yè)改革，推動(dòng)國(guó)有企業(yè)去杠桿，處置“僵尸企業(yè)”，改變舉債企業(yè)的效益遞減問題，化解商業(yè)銀行的信貸風(fēng)險(xiǎn)。進(jìn)一步轉(zhuǎn)換財(cái)稅體制和政府職能，避免地方政府的債務(wù)風(fēng)險(xiǎn)。規(guī)范政府的運(yùn)作模式，平衡財(cái)政收支，化解居民債務(wù)杠桿問題和房地產(chǎn)存量風(fēng)險(xiǎn)。

2. 建立科學(xué)有效的系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警機(jī)制。建立不同區(qū)域系統(tǒng)、不同市場(chǎng)以及不同經(jīng)濟(jì)金融部門的全方位、多層次的金融風(fēng)險(xiǎn)預(yù)警系統(tǒng)，不斷完善金融信息共享體系，建立暢通的信息交流渠道。及時(shí)、準(zhǔn)確地披露我國(guó)經(jīng)濟(jì)數(shù)據(jù)和金融信息，確保建立實(shí)時(shí)有效地金融預(yù)警系統(tǒng)。

3. 加強(qiáng)和完善我國(guó)“雙支柱調(diào)控框架”。一方面，以貨幣政策為核心，繼續(xù)推進(jìn)利率市場(chǎng)化進(jìn)程，穩(wěn)定物價(jià)，保證金融市場(chǎng)流動(dòng)性整體平穩(wěn)，加強(qiáng)政策利率的信號(hào)作用，有效地引導(dǎo)市場(chǎng)利率。另一方面，強(qiáng)化宏觀審慎管理，加強(qiáng)逆周期調(diào)節(jié)，抑制資產(chǎn)價(jià)格的過度波動(dòng)，遏制跨市場(chǎng)風(fēng)險(xiǎn)傳染，維護(hù)金融安全和穩(wěn)定，進(jìn)一步深化供給側(cè)結(jié)構(gòu)性改革，防范和化解系統(tǒng)性金融風(fēng)險(xiǎn)，促進(jìn)實(shí)體經(jīng)濟(jì)發(fā)展。

4. 重視金融科技（FinTech）和監(jiān)管科技（RegTech）的發(fā)展。建立金融科技行業(yè)監(jiān)管規(guī)則，進(jìn)行“穿透式監(jiān)管”，實(shí)現(xiàn)風(fēng)險(xiǎn)監(jiān)管的全覆蓋。采取開放的“監(jiān)管沙盒”，促進(jìn)金融科技融合。加大對(duì)金融風(fēng)險(xiǎn)監(jiān)測(cè)模型的研發(fā)投入，利用大數(shù)據(jù)、人工智能、云計(jì)算等技術(shù)開發(fā)金融風(fēng)險(xiǎn)預(yù)警模型，提高金融監(jiān)管的準(zhǔn)確性、科學(xué)性和有效性。

參考文獻(xiàn)：

[1] Board F S.Guidance to assess the systemic importance of financial institutions， markets and instruments：initial considerations[J].Report to G20 finance ministers and governors，2009.

[2] Gerlach S.Defining and measuring systemic risk[J]，2009.

[3] Billio M，Getmansky M，Lo A W，et al.Econometric measures of systemic risk in the finance and insurance sectors[R].National Bureau of Economic Research，2010.

[4] European Central Bank （ECB），2010，F(xiàn)inancial networks and financial stability，F(xiàn)inancial Stability Review，2010：155-160.

[5] Frankel J A，Rose A K.Currency crashes in emerging markets：An empirical treatment[J].Journal of international Economics，1996，41（3）：351-366.

[6] Sachs J，Tornell A，Velasco A.The Mexican peso crisis： Sudden death or death foretold？[J].Journal of international economics，1996，41（3）：265-283.

[7] Kaminsky G，Lizondo S，Reinhart C M.Leading indicators of currency crises[J].Staff Papers，1998，45（1）：1-48.

[8] 沈悅，亓莉.中國(guó)商業(yè)銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警指標(biāo)體系設(shè)計(jì)及監(jiān)測(cè)分析[J].西南大學(xué)學(xué)報(bào)：社會(huì)科學(xué)版，2008，34（4）：139-143.

[9] Alessi L，Detken C.'Real time'early warning indicators for costly asset price boom/bust cycles：a role for global liquidity[J]，2009.

[10] Claudio B.The Macro-prudential Approach to Regulation and Supervision[J].Bank for International Settlement，2009.

[11] 周宏，李遠(yuǎn)遠(yuǎn)，官冰.中國(guó)國(guó)際金融風(fēng)險(xiǎn)預(yù)警的理論問題研究[J].統(tǒng)計(jì)研究，2012，（1）：49-54.

[12] 楊霞，吳林.我國(guó)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)預(yù)警研究[J]. 統(tǒng)計(jì)與決策，2015，（10）：147-150.

[13] 陳秋玲，薛玉春，肖璐.金融風(fēng)險(xiǎn)預(yù)警：評(píng)價(jià)指標(biāo)、預(yù)警機(jī)制與實(shí)證研究[J].上海大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2009，16（5）：127-144.

[14] 甘敬義，黃明和，袁晶.基于BP人工神經(jīng)網(wǎng)絡(luò)的中國(guó)金融風(fēng)險(xiǎn)預(yù)警模型分析[J].商業(yè)時(shí)代，2011， （27）：65-66.

[15] 樓文高，喬龍.基于神經(jīng)網(wǎng)絡(luò)的金融風(fēng)險(xiǎn)預(yù)警模型及其實(shí)證研究[J].金融論壇，2011，16（11）：52-61.

[16] 劉曉星，方磊.金融壓力指數(shù)構(gòu)建及其有效性檢驗(yàn)——基于中國(guó)數(shù)據(jù)的實(shí)證分析[J].管理工程學(xué)報(bào)，2012，（3）：1-6.

[17] 王春麗，胡玲.基于馬爾科夫區(qū)制轉(zhuǎn)移模型的中國(guó)金融風(fēng)險(xiǎn)預(yù)警研究[J].金融研究，2014，（9）：99-114.

[18] 許滌龍，陳雙蓮.基于金融壓力指數(shù)的系統(tǒng)性金融風(fēng)險(xiǎn)測(cè)度研究[J].經(jīng)濟(jì)學(xué)動(dòng)態(tài)，2015，（4）：69-78.

[19] Huang X，Zhou H，Zhu H.Assessing the systemic risk of a heterogeneous portfolio of banks during the recent financial crisis[J].Journal of Financial Stability，2012，8（3）：193-205.

作者簡(jiǎn)介：趙丹丹（1986-），女，漢族，山東省菏澤市人，對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué)金融學(xué)院博士生，研究方向?yàn)橄到y(tǒng)性金融風(fēng)險(xiǎn)與金融監(jiān)管。