，

(成都理工大學(xué) 商學(xué)院，四川 成都 610059)

1 引言

推進(jìn)供給側(cè)結(jié)構(gòu)性改革是適應(yīng)和引領(lǐng)中國(guó)經(jīng)濟(jì)發(fā)展新常態(tài)的重大創(chuàng)新，但與此同時(shí)，推進(jìn)供給側(cè)結(jié)構(gòu)性改革也將不可避免地帶來債務(wù)違約率上升、銀行壞賬增加等一系列風(fēng)險(xiǎn)沖擊，甚至還會(huì)引發(fā)系統(tǒng)性金融風(fēng)險(xiǎn)，從而使得中國(guó)金融安全面臨更大的威脅與挑戰(zhàn)[1,2]。正因?yàn)槿绱耍糯笠詠?，中?guó)政府反復(fù)強(qiáng)調(diào)，健全金融監(jiān)管體系，守住不發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)(systemic risk)的底線。由此可見，在當(dāng)前供給側(cè)結(jié)構(gòu)性改革背景下，如何構(gòu)建科學(xué)有效的預(yù)警模型，維護(hù)國(guó)家金融安全與穩(wěn)定，就成為金融市場(chǎng)主體必須高度重視和亟待解決的重要問題。

值得一提的是，自亞洲金融危機(jī)以來，金融風(fēng)險(xiǎn)預(yù)警就成了學(xué)術(shù)界關(guān)注的熱點(diǎn)[3～6]。迄今為止，國(guó)內(nèi)外學(xué)者已運(yùn)用距離判別分析(distance discriminant analysis，DDA)、邏輯(Logit)回歸、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)等模型對(duì)金融風(fēng)險(xiǎn)進(jìn)行了預(yù)警研究，取得了較好的研究效果[7,8]。但供給側(cè)結(jié)構(gòu)性改革的推進(jìn)增加了系統(tǒng)性金融風(fēng)險(xiǎn)特征指標(biāo)的復(fù)雜性，從而可能造成訓(xùn)練樣本的維度升高，并極大增加處理數(shù)據(jù)的難度，如果仍然使用上述模型進(jìn)行風(fēng)險(xiǎn)預(yù)警，不僅會(huì)存在條件過于苛刻、過擬合、欠擬合等問題，而且極容易會(huì)陷入局部極小和維數(shù)災(zāi)難的結(jié)果，進(jìn)而造成供給側(cè)結(jié)構(gòu)性改革背景下的系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警出現(xiàn)嚴(yán)重偏誤，最終導(dǎo)致風(fēng)險(xiǎn)預(yù)警的失敗。然而，隨著計(jì)算機(jī)科學(xué)技術(shù)的突飛猛進(jìn)，人工智能領(lǐng)域中支持向量機(jī)(support vector machine，SVM)的出現(xiàn)[9]，為解決上述模型在預(yù)警研究中的缺陷提供了有效途徑。它能夠借助核函數(shù)有效地處理高維數(shù)據(jù)，從而克服了維數(shù)災(zāi)難等問題，并具有更加優(yōu)越的泛化推廣性能[10～12]，因此，本文引入SVM人工智能模型對(duì)當(dāng)前供給側(cè)結(jié)構(gòu)性改革期間中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)展開預(yù)警研究。

在對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的刻畫問題上，盡管金融危機(jī)早前預(yù)警指標(biāo)(early warning index，EWI)能夠刻畫一國(guó)發(fā)生金融危機(jī)的可能性，但無法對(duì)整個(gè)金融市場(chǎng)系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行識(shí)別[13,14]。然而，金融壓力指數(shù)(financial stress index, FSI)能夠?qū)Πy行、股票、債券等眾多金融市場(chǎng)的風(fēng)險(xiǎn)壓力進(jìn)行綜合測(cè)度，在系統(tǒng)性金融風(fēng)險(xiǎn)識(shí)別上較EWI有更為突出的優(yōu)勢(shì)[15,16]，而且IMF[17]也提議，由聯(lián)系最為密切子市場(chǎng)計(jì)算出的金融市場(chǎng)FSI可以作為衡量發(fā)展中國(guó)家系統(tǒng)性金融風(fēng)險(xiǎn)的主要依據(jù)。鑒于此，本文采用FSI對(duì)供給側(cè)結(jié)構(gòu)性改革期間系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行識(shí)別，從而為預(yù)警模型的構(gòu)建奠定堅(jiān)實(shí)的基礎(chǔ)。

基于上述分析，本文先從保險(xiǎn)、股票、債券、外匯、銀行中選取最能反映該市場(chǎng)風(fēng)險(xiǎn)情況的指標(biāo)作為系統(tǒng)性金融風(fēng)險(xiǎn)特征指標(biāo)；然后通過累計(jì)分布函數(shù)(cumulative distribution function，CDF)加總權(quán)重法計(jì)算金融市場(chǎng)FSI；最后構(gòu)建不同核函數(shù)下的SVM預(yù)警模型并進(jìn)行模型之間性能分析，從而為金融風(fēng)險(xiǎn)管理部門防范和化解系統(tǒng)性金融風(fēng)險(xiǎn)，提供充分有效的決策支持與借鑒。

迄今為止，馮志峰[18]和蔡昉[19]圍繞供給側(cè)結(jié)構(gòu)性改革期間中國(guó)的經(jīng)濟(jì)和社會(huì)問題開展了大量的定性研究，并取得了良好的效果，但令人遺憾的是，他們并沒有對(duì)供給側(cè)結(jié)構(gòu)性改革中潛在的金融風(fēng)險(xiǎn)進(jìn)行定量化研究。而另一些學(xué)者，如Li等[14]，Louzis 和Vouldis[15]，Luca和Peltonen[20]，許滌龍和陳雙蓮[16]運(yùn)用了EWI、FSI等定量化方法對(duì)金融風(fēng)險(xiǎn)進(jìn)行了測(cè)度研究，但他們并沒有進(jìn)一步對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)開展預(yù)警研究。而也有一部分學(xué)者，如林宇等[21]基于RU-SMOTE-SVM模型對(duì)金融風(fēng)險(xiǎn)展開了預(yù)警研究，但他們并沒有將預(yù)警研究納入供給側(cè)結(jié)構(gòu)性改革的背景框架之下，甚至也沒有針對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)開展預(yù)警研究工作。

與已有的研究文獻(xiàn)相比，本文的貢獻(xiàn)在于，不僅將供給側(cè)結(jié)構(gòu)性改革的背景納入到金融風(fēng)險(xiǎn)預(yù)警當(dāng)中，從而為金融風(fēng)險(xiǎn)預(yù)警研究提供了新視角，而且在運(yùn)用FSI測(cè)度系統(tǒng)性金融風(fēng)險(xiǎn)的基礎(chǔ)上，還進(jìn)一步引入人工智能領(lǐng)域的SVM預(yù)警模型來對(duì)供給側(cè)結(jié)構(gòu)性改革背景下的系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行了定量化研究，從而豐富了系統(tǒng)性金融風(fēng)險(xiǎn)研究?jī)?nèi)容，創(chuàng)新了系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警方法。

2 研究方法

2.1 系統(tǒng)性金融風(fēng)險(xiǎn)的SVM預(yù)警方法

SVM預(yù)警模型的構(gòu)建需要特征指標(biāo)和狀態(tài)指標(biāo)，因而本文使用狀態(tài)指標(biāo)y(t)=sgn(f(x))來表示t時(shí)期金融市場(chǎng)的系統(tǒng)性金融風(fēng)險(xiǎn)狀況，其中“+1”代表存在系統(tǒng)性金融風(fēng)險(xiǎn)，“-1”代表不存在系統(tǒng)性金融風(fēng)險(xiǎn)。而每個(gè)時(shí)期都包括n維特征指標(biāo)，即x(t)=(x1,x2,…,xn)。于是特征指標(biāo)和狀態(tài)指標(biāo)就構(gòu)成一組樣本點(diǎn)(x(t),y(t))。

由于本文研究的是系統(tǒng)性金融風(fēng)險(xiǎn)的預(yù)警方法，即通過當(dāng)前的特征指標(biāo)變量預(yù)測(cè)下一時(shí)期的狀態(tài)指標(biāo)變量，則由t-1個(gè)不同時(shí)期的樣本點(diǎn)就構(gòu)成了一個(gè)樣本數(shù)據(jù)集(x(k),y(k+1))，k=1,2,3,…，t-1,k代表了t時(shí)期前的某個(gè)時(shí)期。

在構(gòu)造樣本數(shù)據(jù)集的基礎(chǔ)上，將樣本數(shù)據(jù)集中一個(gè)時(shí)間長(zhǎng)度m的樣本數(shù)據(jù)(x(i),y(i+1))作為訓(xùn)練集,i=1,2,3,…,m,m≤k,另一部分作為測(cè)試集。然后，運(yùn)用SVM對(duì)其進(jìn)行訓(xùn)練，就可以得到如下系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警模型

y(i)=sgn(f(x))

(1)

其中sgn為符號(hào)函數(shù)，f(x)是以特征指標(biāo)為變量的決策函數(shù)。當(dāng)金融市場(chǎng)存在系統(tǒng)性金融風(fēng)險(xiǎn)時(shí)，y(i)=sgn(f(x))=+1，反之，則為-1。

使用SVM方法在訓(xùn)練集上尋找最優(yōu)分類函數(shù)(即(1)式代表的系統(tǒng)性金融風(fēng)險(xiǎn)的預(yù)警模型)時(shí)，就需要把尋找最優(yōu)函數(shù)轉(zhuǎn)化為尋求超平面(hyper plane)之間最大分類間隔問題

為了求解(2)式的最優(yōu)化問題，需要利用拉格朗日乘子(lagrange multiplier)法，將上述問題轉(zhuǎn)化為對(duì)偶(dual)問題，由計(jì)算得出

(5)

其中α為拉格朗日乘子，(x(i),y(i+1))為α的一個(gè)正分量所對(duì)應(yīng)的αi的樣本點(diǎn)，K(xi,xj)為核函數(shù)。引入核函數(shù)將數(shù)據(jù)映射到高維空間(high-dimensional space)是為了解決低維(low dimension)線性不可分問題，同時(shí)又可以利用核函數(shù)內(nèi)積(inner product)的性質(zhì)來解決維數(shù)災(zāi)難問題。在構(gòu)建的SVM預(yù)警模型過程中，由于核函數(shù)種類千差萬別，不同核函數(shù)的SVM預(yù)警有著不同的性能。但在目前研究中，由于線性、多項(xiàng)式、Gauss徑向基和二層神經(jīng)網(wǎng)絡(luò)所構(gòu)建的SVM模型有著優(yōu)異的預(yù)警性能。因此，本文選擇這四種核函數(shù)。

(1)線性(linear)核函數(shù)

K(xj,xi)=〈xj,xi〉

(6)

(2)多項(xiàng)式(polynomial)核函數(shù)

K(xj,xi)=[a〈xj,xi〉+b]d

(7)

其中a,b,d為參數(shù)。

(3)Gauss徑向基(radial basis)核函數(shù)

(8)

其中σ為參數(shù)。

(4)二層神經(jīng)網(wǎng)絡(luò)(sigmoid)核函數(shù)

K(xj,xi)=tanh(a〈xj,xi〉+b)

(9)

其中a,b為參數(shù)。進(jìn)而，通過運(yùn)用核函數(shù)到SVM中求解(4)式的對(duì)偶問題，結(jié)果如下

y(i)=sgn((w*x(i))+b*)

(10)

其中

(11)

至此，系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警模型的SVM方法已經(jīng)構(gòu)建完畢。下文將構(gòu)建金融壓力指數(shù)，并用計(jì)算的金融市場(chǎng)壓力指數(shù)來識(shí)別系統(tǒng)性金融風(fēng)險(xiǎn)。

2.2 基于金融壓力指數(shù)的系統(tǒng)性金融風(fēng)險(xiǎn)識(shí)別方法

金融壓力指數(shù)(FSI)一方面能夠較好地反映整個(gè)金融體系由于不確定性和預(yù)測(cè)損失變化所承受的總體風(fēng)險(xiǎn)壓力水平，而另一方面金融壓力指數(shù)與系統(tǒng)性金融風(fēng)險(xiǎn)又同向變化，從而通過計(jì)算金融壓力指數(shù)來判斷系統(tǒng)性金融風(fēng)險(xiǎn)變化的方向，具有定量化研究的優(yōu)勢(shì)，因此大多數(shù)學(xué)者運(yùn)用FSI來識(shí)別系統(tǒng)性金融風(fēng)險(xiǎn)[15～17,22]。本文運(yùn)用CDF信用加總權(quán)重法計(jì)算金融市場(chǎng)金融壓力指數(shù)，公式如下

(12)

其中FSI即金融市場(chǎng)t時(shí)期的金融壓力指數(shù)，mit為t時(shí)期第i個(gè)子市場(chǎng)的壓力指數(shù)，通過對(duì)該市場(chǎng)的指標(biāo)標(biāo)準(zhǔn)化后運(yùn)用標(biāo)準(zhǔn)差倒數(shù)權(quán)重法加總而成，而wit為相對(duì)應(yīng)金融子市場(chǎng)經(jīng)濟(jì)總量占整個(gè)金融市場(chǎng)經(jīng)濟(jì)總量的比例?；谏鲜接?jì)算出的金融市場(chǎng)FSI，借鑒已有國(guó)內(nèi)外金融風(fēng)險(xiǎn)壓力指數(shù)的研究，超過金融市場(chǎng)壓力指數(shù)歷史均值的2倍標(biāo)準(zhǔn)差時(shí)，即存在系統(tǒng)性金融風(fēng)險(xiǎn)[2,16]。

(13)

其中MEAN、STDV分別表示均值和標(biāo)準(zhǔn)差。當(dāng)FSIP與0比較，判斷是否為存在系統(tǒng)性金融風(fēng)險(xiǎn)的時(shí)期，從而為SVM系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建提供狀態(tài)指標(biāo)支持。

至此，SVM預(yù)警模型和狀態(tài)指標(biāo)確定的方法構(gòu)建完畢，下文將進(jìn)一步介紹預(yù)警模型的評(píng)價(jià)方法。

2.3 系統(tǒng)性金融風(fēng)險(xiǎn)SVM預(yù)警模型性能的評(píng)價(jià)

為了更加全面地評(píng)價(jià)模型預(yù)警性能，本文采用綜合的性能評(píng)估指標(biāo)，具體方法闡述如下：

設(shè)TP和TN分別為把金融危險(xiǎn)狀態(tài)和金融安全狀態(tài)預(yù)測(cè)正確的樣本數(shù)量，F(xiàn)N和FP分別為把金融危險(xiǎn)狀態(tài)和金融安全狀態(tài)預(yù)測(cè)錯(cuò)誤的樣本數(shù)量。混淆矩陣(confusion matrix)表示劃分的結(jié)果。

表1 金融狀態(tài)指標(biāo)的混淆矩陣

通過下面3個(gè)公式得出精確率(Precision)、召回率(Recall)、F1-Score性能評(píng)價(jià)指標(biāo)

(14)

(15)

(16)

其中F1-Score是Precision和Recall加權(quán)調(diào)和平均，綜合了Precision和Recall的結(jié)果，當(dāng)F1-Score較高時(shí)說明預(yù)警模型的性能更為優(yōu)異。

受試者工作特征曲線(receiver operating characteristic curve，ROC)由在不同分類閾值(threshold)下將危險(xiǎn)狀態(tài)正確劃分的概率(true positive rate，TPR)和將安全狀態(tài)錯(cuò)誤劃分為危險(xiǎn)狀態(tài)的概率(false positive rate，F(xiàn)PR)兩個(gè)變量組成

(17)

(18)

表1中TP+FP和FN+TN分別表示預(yù)測(cè)為危險(xiǎn)狀態(tài)和安全狀態(tài)的樣本數(shù)量，TP+FN和FP+TN分別表示實(shí)際上為危險(xiǎn)狀態(tài)和安全狀態(tài)的樣本數(shù)量。目前有些金融領(lǐng)域?qū)W者使用ROC下的面積(area under curve，AUC)來評(píng)價(jià)模型的預(yù)測(cè)性能的優(yōu)劣，并且取得了良好的研究效果[21]。因而本文采用ROC曲線這一方法用于預(yù)警模型進(jìn)行性能評(píng)價(jià)，更為綜合地評(píng)價(jià)了預(yù)警模型性能的好壞。

3 實(shí)證分析

3.1 樣本選取

本文選取保險(xiǎn)、股票、債券、外匯、銀行五大金融子市場(chǎng)在2002.01.01～2016.12.31的樣本作為研究的對(duì)象，這既能反映金融市場(chǎng)整體的運(yùn)行情況，也同時(shí)能反映系統(tǒng)性金融壓力變化，具有對(duì)整個(gè)市場(chǎng)良好的代表性，而選擇2002.01～2016.12作為研究的時(shí)間段，這是因?yàn)橹袊?guó)金融市場(chǎng)不僅經(jīng)歷了經(jīng)濟(jì)全球化帶來的金融影響，而且也能反映中國(guó)金融市場(chǎng)從發(fā)展緩慢到高速發(fā)展期間的系統(tǒng)性金融風(fēng)險(xiǎn)，同時(shí)也包括了中國(guó)供給側(cè)結(jié)構(gòu)性改革期間金融壓力狀況的變化。

3.2 系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警的特征指標(biāo)選取

為了準(zhǔn)確地從五個(gè)子市場(chǎng)中選取出最為合適的指標(biāo)作為系統(tǒng)性金融風(fēng)險(xiǎn)的特征指標(biāo)，而又考慮到在供給側(cè)結(jié)構(gòu)性改革施行期間，金融市場(chǎng)受到了“三去一降一補(bǔ)”政策的重要影響，這就要選擇既能反映子市場(chǎng)自身壓力變化的指標(biāo)，又要選擇體現(xiàn)一些改革帶來影響的指標(biāo)。通過借鑒相關(guān)文獻(xiàn)[1,2,16～18]，本文從保險(xiǎn)、股票、債券、外匯、銀行五大金融子市場(chǎng)當(dāng)中，選取最為合適的12個(gè)指標(biāo)作為系統(tǒng)性金融風(fēng)險(xiǎn)的特征指標(biāo)，見表2。其中特征指標(biāo)為2002.01～2016.12的月度數(shù)據(jù)，本文依據(jù)變量的性質(zhì)把測(cè)度的指標(biāo)分為正向和負(fù)向兩類指標(biāo)，正向指標(biāo)指該指標(biāo)數(shù)值越大，金融壓力數(shù)值越大，負(fù)向指標(biāo)反之。

表2 五大金融子市場(chǎng)的12個(gè)特征指標(biāo)

續(xù)表2

3.3 系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警的狀態(tài)指標(biāo)確定

狀態(tài)指標(biāo)是進(jìn)行風(fēng)險(xiǎn)預(yù)警的關(guān)鍵，其劃分正確與否關(guān)系到整個(gè)預(yù)警工作的成敗，因而下文依據(jù)FSI方法，先對(duì)所構(gòu)建的金融壓力指數(shù)進(jìn)行分析，再對(duì)金融市場(chǎng)FSI劃分出的FSIP進(jìn)行分析，進(jìn)而論證系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警中狀態(tài)指標(biāo)劃分的正確性。

下文將依據(jù)壓力指數(shù)值，繪制出金融市場(chǎng)壓力走勢(shì)圖，進(jìn)而通過對(duì)壓力指數(shù)圖進(jìn)行分析，驗(yàn)證FSI方法對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)識(shí)別的合理性。

圖1 金融市場(chǎng)壓力走勢(shì)

從金融市場(chǎng)來說，在圖1中，金融市場(chǎng)FSI能準(zhǔn)確地刻畫金融體系運(yùn)行情況，第一階段2002年6月至2005年1月期間，金融市場(chǎng)FSI平穩(wěn)而較為緩和，其大部分圍繞均值波動(dòng)，振幅較小。第二階段2007年3月至2008年5月期間，金融市場(chǎng)FSI劇烈波動(dòng)，出現(xiàn)了有史以來最高峰值(0.5)，反映出全球金融危機(jī)對(duì)中國(guó)金融體系造成巨大的沖擊。第三階段2011年6月至2012年5月期間，歐債危機(jī)加劇了“影子銀行”、“錢荒”等問題產(chǎn)生的金融壓力，使得這段時(shí)間金融市場(chǎng)FSI大幅波動(dòng)。第四階段2014年6月至2016年7月期間，銀行壞賬、債務(wù)違約、“股災(zāi)”等問題造成金融市場(chǎng)FSI逐漸走高。由此可見，所構(gòu)建的金融壓力指數(shù)對(duì)中國(guó)金融市場(chǎng)發(fā)生的大事件有較好的反映，且體現(xiàn)了供給側(cè)結(jié)構(gòu)性改革期間金融市場(chǎng)FSI變化。

在計(jì)算出的金融市場(chǎng)FSI的基礎(chǔ)上，進(jìn)一步獲得金融市場(chǎng)運(yùn)行的狀態(tài)FSIP，見圖2，其中當(dāng)FSIP大于0時(shí)，為存在系統(tǒng)性金融風(fēng)險(xiǎn)的時(shí)期，F(xiàn)SIP小于等于0時(shí)，為不存在系統(tǒng)性金融風(fēng)險(xiǎn)的時(shí)期。

圖2 系統(tǒng)性金融壓力時(shí)期識(shí)別

一方面，從圖2的走勢(shì)可以觀察得出和金融市場(chǎng)FSI指數(shù)走勢(shì)基本一致，因此可以驗(yàn)證運(yùn)用金融市場(chǎng)FSI劃分的金融市場(chǎng)壓力時(shí)期較為合理。另一方面，從圖2可以發(fā)現(xiàn)雖然中國(guó)金融市場(chǎng)處于安全時(shí)期數(shù)量遠(yuǎn)遠(yuǎn)多于危險(xiǎn)時(shí)期數(shù)量，總體來說中國(guó)金融市場(chǎng)的運(yùn)行是處于較為安全的狀態(tài)，但是仍要仔細(xì)對(duì)待中國(guó)的系統(tǒng)性金融風(fēng)險(xiǎn)，因?yàn)橄到y(tǒng)性金融風(fēng)險(xiǎn)有導(dǎo)致金融危機(jī)的可能，會(huì)在金融市場(chǎng)上引發(fā)劇烈的連鎖反應(yīng)，使經(jīng)濟(jì)和就業(yè)遭受重大沖擊。下文將探索出最優(yōu)的系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警模型。

3.4 最優(yōu)核函數(shù)SVM預(yù)警模型的確定

首先本文是運(yùn)用滾動(dòng)預(yù)測(cè)的方法，即用一段時(shí)間的樣本作為訓(xùn)練集預(yù)測(cè)這段時(shí)間下一個(gè)時(shí)間的值，再把這個(gè)樣本加入到先前的預(yù)測(cè)樣本中來進(jìn)行預(yù)測(cè)下一個(gè)時(shí)間的值，一直持續(xù)到需要被預(yù)測(cè)期間樣本狀態(tài)指標(biāo)預(yù)測(cè)完結(jié)束。下面將采用2002.01～2011.09，2002.01～2012.09，2002.01～2013.09和2002.01～2014.09期間(以下簡(jiǎn)稱第一、第二、第三和第四段時(shí)間區(qū)間)的樣本作為訓(xùn)練樣本建模。本文主要是使用的Matlab2016a進(jìn)行編程分析，實(shí)證結(jié)果見表3。

表3 不同核函數(shù)對(duì)四個(gè)時(shí)間區(qū)間的預(yù)測(cè)準(zhǔn)確率

在Accuracy方面，用多項(xiàng)式核函數(shù)來構(gòu)建系統(tǒng)性金融風(fēng)險(xiǎn)SVM預(yù)警模型在每個(gè)預(yù)測(cè)時(shí)間段區(qū)間的準(zhǔn)確性都最為優(yōu)秀。同時(shí)，從表3中F1-Score和AUC值可見，多項(xiàng)式核函數(shù)所構(gòu)建的SVM預(yù)警模型評(píng)價(jià)指數(shù)值也高于其他三種核函數(shù)，因此總體上可以證明多項(xiàng)式核函數(shù)下的SVM預(yù)警模型的性能更為優(yōu)異，可以作為最優(yōu)SVM預(yù)警模型來對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)開展研究。

3.5 最優(yōu)SVM模型與其余模型的預(yù)測(cè)性能對(duì)比

雖然通過上述的反復(fù)測(cè)試，得出了最優(yōu)SVM預(yù)警模型，但是，是否較其他模型更具有預(yù)測(cè)的性能優(yōu)勢(shì)，還不得而知。本文接下來需要進(jìn)一步探討SVM預(yù)警模型的有效性。

表4 不同預(yù)警模型的性能對(duì)比

注：產(chǎn)生0值的原因是DDA模型把所有的系統(tǒng)性金融風(fēng)險(xiǎn)樣本都判斷錯(cuò)誤。

由表4可知，Accuracy, F1-Score和 AUC 值為不同預(yù)警模型在四個(gè)時(shí)間區(qū)間的預(yù)測(cè)性能的指數(shù)，但SVM預(yù)警模型每個(gè)預(yù)測(cè)時(shí)間區(qū)間的評(píng)價(jià)指數(shù)都高于其他三種預(yù)警模型，由此說明SVM預(yù)警模型較其他三種預(yù)警模型有更好的預(yù)測(cè)性能。下文將運(yùn)用最優(yōu)的系統(tǒng)性金融風(fēng)險(xiǎn)SVM預(yù)警模型以2012.10～2015.11期間的樣本建立模型來對(duì)供給側(cè)結(jié)構(gòu)性改革2015.12～2016.11這一段期間的風(fēng)險(xiǎn)狀況進(jìn)行預(yù)測(cè)分析。

3.6 最優(yōu)SVM預(yù)警模型對(duì)供給側(cè)結(jié)構(gòu)性改革期間系統(tǒng)性金融風(fēng)險(xiǎn)的預(yù)測(cè)

通過運(yùn)用最優(yōu)SVM預(yù)警模型對(duì)供給側(cè)結(jié)構(gòu)性改革2015.12到2016.11期間進(jìn)行預(yù)測(cè)研究，其預(yù)測(cè)結(jié)果表明模型的預(yù)測(cè)準(zhǔn)確率達(dá)到83.33%，具有優(yōu)秀的預(yù)測(cè)能力，因此可以說明本文探索出的SVM預(yù)警模型對(duì)供給側(cè)結(jié)構(gòu)性改革期間的系統(tǒng)性金融風(fēng)險(xiǎn)有優(yōu)越的預(yù)警性能，能夠?yàn)榻鹑陲L(fēng)險(xiǎn)管理部門防范和化解系統(tǒng)性金融風(fēng)險(xiǎn)，維護(hù)金融安全與穩(wěn)定并保障供給側(cè)結(jié)構(gòu)性改革的順利推進(jìn)提供充分有效的決策支持與借鑒。

4 結(jié)論與啟示

本文以金融市場(chǎng)為研究對(duì)象，基于四種核函數(shù)探索最優(yōu)核函數(shù)SVM模型，并運(yùn)用FSI方法從保險(xiǎn)、外匯、股票、債券和銀行五大主要金融子市場(chǎng)中選取了對(duì)FSI有重要影響樣本指標(biāo)，并進(jìn)一步劃分出系統(tǒng)性金融風(fēng)險(xiǎn)的狀態(tài)指標(biāo)作為最優(yōu)SVM模型的輸入變量，建立起中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)SVM預(yù)警模型；針對(duì)SVM預(yù)警模型的預(yù)測(cè)能力的優(yōu)劣，使用Logit回歸，BPNN和DDA等模型進(jìn)行對(duì)比分析。實(shí)證結(jié)果表明，系統(tǒng)性金融風(fēng)險(xiǎn)SVM預(yù)警模型能夠反映金融市場(chǎng)風(fēng)險(xiǎn)狀態(tài)變化的情況，同時(shí)與上述模型性能對(duì)比來看，無論是從模型的預(yù)測(cè)準(zhǔn)確性進(jìn)行分析，還是從綜合的預(yù)測(cè)能力評(píng)價(jià)指標(biāo)F值和AUC值分析，系統(tǒng)性金融風(fēng)險(xiǎn)SVM預(yù)警模型在預(yù)測(cè)系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)上都具有優(yōu)越的預(yù)測(cè)性能。

本文的研究表明，金融壓力指數(shù)與SVM相結(jié)合可以較好地監(jiān)測(cè)金融市場(chǎng)風(fēng)險(xiǎn)的變化，并且能有效地預(yù)測(cè)系統(tǒng)性金融風(fēng)險(xiǎn)的狀態(tài)，進(jìn)而幫助金融風(fēng)險(xiǎn)監(jiān)管者和政策制定者及時(shí)準(zhǔn)確地前瞻性評(píng)估潛在發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)的可能性，防范和化解系統(tǒng)性金融風(fēng)險(xiǎn)，避免爆發(fā)金融危機(jī)。但需要指出的是，預(yù)警僅僅是防范風(fēng)險(xiǎn)的第一步，風(fēng)險(xiǎn)管理部門還應(yīng)該關(guān)注應(yīng)對(duì)措施的制定和實(shí)施，由于金融市場(chǎng)之間存在著緊密的相互關(guān)系，所以在供給側(cè)結(jié)構(gòu)性改革推進(jìn)中，可能會(huì)使金融子市場(chǎng)之間的風(fēng)險(xiǎn)傳遞產(chǎn)生連鎖反應(yīng)，而且為了防止金融債務(wù)過高企業(yè)所出現(xiàn)利息負(fù)擔(dān)過重，甚至資不抵債的局面，在運(yùn)用“去杠桿”政策激發(fā)企業(yè)活力的過程中，如果去金融債務(wù)的杠桿不夠精準(zhǔn)，將會(huì)不可避免地帶來債務(wù)違約率上升、銀行壞賬增加等一系列風(fēng)險(xiǎn)沖擊，甚至還會(huì)引發(fā)系統(tǒng)性金融風(fēng)險(xiǎn)，從而使得中國(guó)金融安全面臨更大的威脅與挑戰(zhàn)。因此，在政策推行的過程中，需要考慮到各市場(chǎng)的關(guān)聯(lián)性以及承受力，只有深入分析金融體系的復(fù)雜性特征，才能有效地監(jiān)管風(fēng)險(xiǎn)的擴(kuò)散途徑，把金融風(fēng)險(xiǎn)控制在可承受的范圍之內(nèi)，進(jìn)而守住不發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)的底線。