聶瑞華，石洪波

(1.山西財(cái)經(jīng)大學(xué) 統(tǒng)計(jì)學(xué)院，山西 太原 030006；2.山西財(cái)經(jīng)大學(xué) 信息與管理學(xué)院，山西 太原 030006)*

一、引言

隨著2008年全球金融危機(jī)以及近年來(lái)證券市場(chǎng)上違規(guī)操作、信用違約的不斷發(fā)生，風(fēng)險(xiǎn)管理成為了金融行業(yè)特別是證券行業(yè)重點(diǎn)關(guān)注的問(wèn)題。證券公司的風(fēng)險(xiǎn)管控水平不但影響著證券公司的經(jīng)營(yíng)效益和投資者的利益，也關(guān)系著證券行業(yè)乃至整個(gè)資本市場(chǎng)的穩(wěn)定發(fā)展。 2016年12月30日證券業(yè)協(xié)會(huì)發(fā)布《證券公司全面風(fēng)險(xiǎn)管理規(guī)范》，要求證券公司建立健全與自身發(fā)展相適應(yīng)的全面風(fēng)險(xiǎn)管理體系。全面風(fēng)險(xiǎn)管理指證券公司全員參與，對(duì)經(jīng)營(yíng)中面臨的各類風(fēng)險(xiǎn)進(jìn)行識(shí)別、評(píng)估、監(jiān)控、應(yīng)對(duì)的全程管理。對(duì)各類風(fēng)險(xiǎn)的識(shí)別和預(yù)警是構(gòu)建全面風(fēng)險(xiǎn)管理的起點(diǎn)，特別在十八大以后，在相應(yīng)國(guó)務(wù)院簡(jiǎn)政放權(quán)的政策下，中國(guó)證監(jiān)會(huì)加強(qiáng)了事中及事后監(jiān)管，事前監(jiān)管則需依靠各證券公司的自律，這進(jìn)一步提升了對(duì)各證券公司風(fēng)險(xiǎn)預(yù)警的要求。

截至2017年6月，我國(guó)共有證券公司128家，其中上市公司37家，已有實(shí)證顯示我國(guó)金融保險(xiǎn)類上市公司風(fēng)險(xiǎn)厭惡程度較高[1]，證券公司作為金融類公司，其經(jīng)營(yíng)狀況和市場(chǎng)價(jià)值受風(fēng)險(xiǎn)影響較大。因此，對(duì)上市證券公司風(fēng)險(xiǎn)狀況進(jìn)行預(yù)判和預(yù)警，有利于證券市場(chǎng)投資者研判上市證券公司的投資價(jià)值。因此，無(wú)論是從證券業(yè)監(jiān)管角度，還是證券公司自我監(jiān)督以及投資者研判投資價(jià)值角度，上市證券公司風(fēng)險(xiǎn)測(cè)度及預(yù)警都意義重要。

為此，本文首先依據(jù)證券業(yè)協(xié)會(huì)最新提出的風(fēng)險(xiǎn)管理指標(biāo)及相關(guān)研究，提出上市證券公司風(fēng)險(xiǎn)指標(biāo)體系。在此基礎(chǔ)上，利用貝葉斯網(wǎng)絡(luò)建立風(fēng)險(xiǎn)預(yù)警模型，并在實(shí)證中針對(duì)上市證券公司的不平衡數(shù)據(jù)特征，用 SMOTE抽樣對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，通過(guò)和傳統(tǒng)的多項(xiàng)logit方法以及支持向量機(jī)、隨機(jī)森林等其他機(jī)器學(xué)習(xí)方法在平均預(yù)測(cè)正確率及標(biāo)準(zhǔn)差上作對(duì)比，對(duì)貝葉斯網(wǎng)絡(luò)方法應(yīng)用于證券公司風(fēng)險(xiǎn)預(yù)警方面展開(kāi)研究。

二、研究綜述

(一)證券公司風(fēng)險(xiǎn)預(yù)警研究

證券公司具有交易、托管結(jié)算、支付、融資和投資五大功能，面臨的風(fēng)險(xiǎn)可分為：市場(chǎng)風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)、流動(dòng)性風(fēng)險(xiǎn)和操作風(fēng)險(xiǎn)。國(guó)內(nèi)學(xué)者偏重于利用計(jì)量和統(tǒng)計(jì)模型測(cè)度證券公司所面臨的各類風(fēng)險(xiǎn)：市場(chǎng)風(fēng)險(xiǎn)方面，姚德權(quán)、魯志軍(2013)利用主成分分析法從證券公司十四項(xiàng)財(cái)務(wù)指標(biāo)中提取出六個(gè)主成分，運(yùn)用改進(jìn)后的Logistic模型建立市場(chǎng)風(fēng)險(xiǎn)預(yù)警模型，準(zhǔn)確率達(dá)到80%[2]。南夙蘭(2007)建立馬爾柯夫狀態(tài)轉(zhuǎn)移概率矩陣來(lái)預(yù)測(cè)各種風(fēng)險(xiǎn)狀態(tài)的灰色隸屬度，用灰色熵和模糊熵來(lái)判斷風(fēng)險(xiǎn)價(jià)值的不確定性[3]。信用風(fēng)險(xiǎn)方面，Logit模型及Probit模型等計(jì)量模型常被用于定量研究信用違約[4，5]。程天笑和聞岳春(2016)在對(duì)比了Probit、Logistic和Extreme Value等模型對(duì)證券公司融資融券業(yè)務(wù)個(gè)人客戶違約概率計(jì)量后，發(fā)現(xiàn)Extreme Value模型的準(zhǔn)確性及擬合度最好[6]。流動(dòng)性風(fēng)險(xiǎn)方面，壓力測(cè)試被巴塞爾委員會(huì)認(rèn)定為管控流動(dòng)性風(fēng)險(xiǎn)的重要方法，它通過(guò)預(yù)設(shè)遭遇風(fēng)險(xiǎn)時(shí)的場(chǎng)景，計(jì)量證券公司由流動(dòng)性風(fēng)險(xiǎn)造成的損失，實(shí)現(xiàn)定量判斷公司的流動(dòng)性風(fēng)險(xiǎn)狀況[7]。此外，吳萬(wàn)華(2009)通過(guò)模型化集合資產(chǎn)的變現(xiàn)過(guò)程以實(shí)現(xiàn)對(duì)證券公司集合資產(chǎn)管理計(jì)劃流動(dòng)性風(fēng)險(xiǎn)的控制，并提出應(yīng)當(dāng)從投資組合中的股票資產(chǎn)流動(dòng)性及投資組合中流動(dòng)性資產(chǎn)兩個(gè)角度加強(qiáng)流動(dòng)性風(fēng)險(xiǎn)管理[8]。操作風(fēng)險(xiǎn)方面，針對(duì)現(xiàn)有操作風(fēng)險(xiǎn)數(shù)據(jù)庫(kù)的不完整現(xiàn)狀，姚德權(quán)、魯志軍(2011)提出把風(fēng)險(xiǎn)分為可識(shí)別部分和不可識(shí)別部分，其中不可識(shí)別部分風(fēng)險(xiǎn)即操作風(fēng)險(xiǎn)可由總體風(fēng)險(xiǎn)減去可識(shí)別風(fēng)險(xiǎn)得到，據(jù)此借助收入模型衡量證券公司的操作風(fēng)險(xiǎn)，實(shí)證結(jié)果表明該模型具備一定的風(fēng)險(xiǎn)預(yù)警功能[9]。此外，建立案例數(shù)據(jù)庫(kù)[10]以及利用非參數(shù)方法[11]在近來(lái)受到學(xué)者的關(guān)注?？傮w風(fēng)險(xiǎn)方面，畢秋香等構(gòu)建了證券公司總體風(fēng)險(xiǎn)得分體系，以實(shí)現(xiàn)全面預(yù)警證券公司總體風(fēng)險(xiǎn)[12]。李建平等(2012)從風(fēng)險(xiǎn)即收益的不確定性這一思想出發(fā)，利用財(cái)務(wù)報(bào)表中的不同風(fēng)險(xiǎn)所導(dǎo)致的不同損益信息，實(shí)現(xiàn)對(duì)證券公司各類風(fēng)險(xiǎn)及整體風(fēng)險(xiǎn)的度量[13]。

隨著大數(shù)據(jù)時(shí)代的到來(lái)，具備較弱的模型假定和大規(guī)模數(shù)據(jù)處理能力的機(jī)器學(xué)習(xí)方法受到了國(guó)外學(xué)者關(guān)注。諸如神經(jīng)網(wǎng)絡(luò)、決策樹(shù)、支持向量機(jī)等機(jī)器學(xué)習(xí)方法被大量應(yīng)用于信用風(fēng)險(xiǎn)預(yù)警[14，15]。Odom和Sharda(1990)將神經(jīng)網(wǎng)絡(luò)應(yīng)用于財(cái)務(wù)困境風(fēng)險(xiǎn)預(yù)警，用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)險(xiǎn)預(yù)警管理的探索[16]。E.Nur Ozkan-Gunay、Mehmed Ozkan(2007)在對(duì)土耳其的破產(chǎn)銀行進(jìn)行風(fēng)險(xiǎn)預(yù)警時(shí)用到了人工神經(jīng)網(wǎng)絡(luò)[17]。

貝葉斯網(wǎng)絡(luò)方法在貝葉斯統(tǒng)計(jì)思想下，利用變量之間的條件相關(guān)性預(yù)判不確定性對(duì)象的發(fā)生與否，面對(duì)小樣本數(shù)據(jù)和先驗(yàn)信息時(shí)顯示出更高的預(yù)測(cè)準(zhǔn)確度及穩(wěn)定性[18]。預(yù)警模型的本質(zhì)是利用過(guò)去數(shù)據(jù)推斷目標(biāo)未來(lái)的狀態(tài)，符合貝葉斯統(tǒng)計(jì)思想；此外，我國(guó)現(xiàn)有證券公司相關(guān)數(shù)據(jù)較小，故本文提出利用貝葉斯網(wǎng)絡(luò)方法建立證券公司風(fēng)險(xiǎn)預(yù)警模型。

(二)證券公司風(fēng)險(xiǎn)指標(biāo)體系研究

隨著我國(guó)證券市場(chǎng)的不斷發(fā)展完善，針對(duì)證券公司的風(fēng)險(xiǎn)指標(biāo)體系構(gòu)建逐漸受到學(xué)者們的關(guān)注。畢秋香、何榮天(2002)在證監(jiān)會(huì)對(duì)證券公司的風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系上增加了對(duì)證券公司內(nèi)部的風(fēng)險(xiǎn)管理指標(biāo)體系，以實(shí)現(xiàn)對(duì)證券公司整體風(fēng)險(xiǎn)的度量評(píng)價(jià)，該指標(biāo)體系由一級(jí)指標(biāo)和二級(jí)指標(biāo)組成。一級(jí)指標(biāo)將公司整體風(fēng)險(xiǎn)狀況分為財(cái)務(wù)風(fēng)險(xiǎn)、市場(chǎng)風(fēng)險(xiǎn)、流動(dòng)性風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)。二級(jí)指標(biāo)則根據(jù)證券公司的具體經(jīng)營(yíng)指標(biāo)，同一級(jí)指標(biāo)相對(duì)應(yīng)[12]。劉增學(xué)、王雅鵬和張欣(2004)指出證券公司的風(fēng)險(xiǎn)預(yù)警指標(biāo)體系應(yīng)當(dāng)由制度與管理風(fēng)險(xiǎn)監(jiān)測(cè)指標(biāo)、資本風(fēng)險(xiǎn)監(jiān)測(cè)指標(biāo)、流動(dòng)性風(fēng)險(xiǎn)指標(biāo)、經(jīng)營(yíng)風(fēng)險(xiǎn)控制指標(biāo)、違規(guī)風(fēng)險(xiǎn)和利潤(rùn)風(fēng)險(xiǎn)監(jiān)測(cè)指標(biāo)構(gòu)成。在經(jīng)營(yíng)風(fēng)險(xiǎn)控制指標(biāo)下根據(jù)投行業(yè)務(wù)、經(jīng)濟(jì)業(yè)務(wù)、自營(yíng)業(yè)務(wù)來(lái)設(shè)立風(fēng)險(xiǎn)指標(biāo)，計(jì)算各指標(biāo)的預(yù)警系數(shù)和風(fēng)險(xiǎn)預(yù)警總系數(shù)Z，根據(jù)Z值大小來(lái)做出風(fēng)險(xiǎn)預(yù)警[19]。南夙蘭(2007)指出由于證券公司風(fēng)險(xiǎn)由很多因素組成，它源于人們對(duì)事物認(rèn)知的主觀局限性和事物發(fā)展的不確定性，所以，在評(píng)價(jià)風(fēng)險(xiǎn)時(shí)應(yīng)該結(jié)合隨機(jī)熵、模糊熵和灰色熵的大小進(jìn)行多層次的評(píng)價(jià)，建立馬爾柯夫狀態(tài)轉(zhuǎn)移概率矩陣來(lái)預(yù)測(cè)各種風(fēng)險(xiǎn)狀態(tài)的灰色隸屬度，用灰色熵和模糊熵來(lái)判斷風(fēng)險(xiǎn)價(jià)值的不確定性[3]。李建平等(2012)在構(gòu)建證券公司風(fēng)險(xiǎn)指標(biāo)體系時(shí)，將損益表上的各項(xiàng)與證券公司市場(chǎng)風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)、流動(dòng)性風(fēng)險(xiǎn)、運(yùn)營(yíng)風(fēng)險(xiǎn)建立了對(duì)應(yīng)關(guān)系。他們認(rèn)為手續(xù)費(fèi)收入、營(yíng)業(yè)稅金及業(yè)務(wù)管理費(fèi)等的變動(dòng)來(lái)源于日常經(jīng)營(yíng)活動(dòng)，將其和運(yùn)營(yíng)風(fēng)險(xiǎn)相對(duì)應(yīng)。利息收入和公允價(jià)值變動(dòng)損益等受到利率風(fēng)險(xiǎn)和市場(chǎng)價(jià)格波動(dòng)的影響，則和市場(chǎng)相對(duì)應(yīng)。而資產(chǎn)減值損失中的壞賬損失與證券公司的信用管理有關(guān)，將其與信用風(fēng)險(xiǎn)相對(duì)應(yīng)[13]。谷雨(2015)提出以“凈資本/各類風(fēng)險(xiǎn)準(zhǔn)備之和”“凈資本/負(fù)債”和“凈資產(chǎn)/負(fù)債”為核心的風(fēng)險(xiǎn)控制指標(biāo)體系以衡量證券公司風(fēng)險(xiǎn)。他們認(rèn)為之前證券監(jiān)管機(jī)構(gòu)以凈資本為監(jiān)控的核心指標(biāo)是考慮到它可以使證券公司的業(yè)務(wù)公開(kāi)化、透明化，但是凈資本不能反映公司的凈資本覆蓋公司各類風(fēng)險(xiǎn)資產(chǎn)的能力。證券公司近幾年把業(yè)務(wù)活動(dòng)集中在固定收益證券業(yè)務(wù)、衍生金融資產(chǎn)的高杠桿業(yè)務(wù)中，用“凈資本/負(fù)債”和“凈資產(chǎn)/負(fù)債”能夠很好地反映證券公司的財(cái)務(wù)杠桿，可從宏觀上監(jiān)控其業(yè)務(wù)規(guī)模[20]。

縱觀國(guó)內(nèi)相關(guān)研究，證券公司風(fēng)險(xiǎn)指標(biāo)體系的構(gòu)建基本上以凈資本為核心，并根據(jù)證券公司的整體風(fēng)險(xiǎn)狀況劃分為財(cái)務(wù)風(fēng)險(xiǎn)、市場(chǎng)風(fēng)險(xiǎn)、流動(dòng)性風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)。依據(jù)證券公司具體業(yè)務(wù)可劃分為承銷業(yè)務(wù)風(fēng)險(xiǎn)、經(jīng)濟(jì)業(yè)務(wù)風(fēng)險(xiǎn)、自營(yíng)業(yè)務(wù)風(fēng)險(xiǎn)、資產(chǎn)管理業(yè)務(wù)風(fēng)險(xiǎn)、資金營(yíng)運(yùn)業(yè)務(wù)風(fēng)險(xiǎn)，并分設(shè)指標(biāo)以實(shí)時(shí)監(jiān)控證券公司總體及各類別風(fēng)險(xiǎn)。這就在宏觀和微觀層面同時(shí)監(jiān)控證券公司整體，以及各個(gè)部門(mén)風(fēng)險(xiǎn)狀況的變化，能夠及時(shí)調(diào)整和彌補(bǔ)公司內(nèi)部風(fēng)險(xiǎn)管理的不足。

三、證券公司風(fēng)險(xiǎn)指標(biāo)體系的建立

證券市場(chǎng)是高風(fēng)險(xiǎn)的市場(chǎng)，證券公司的經(jīng)營(yíng)活動(dòng)會(huì)面臨各種風(fēng)險(xiǎn)。證券公司從事業(yè)務(wù)的復(fù)雜性決定了證券公司面臨的風(fēng)險(xiǎn)也是多樣化的，因此對(duì)證券公司整體風(fēng)險(xiǎn)要用多個(gè)指標(biāo)度量，運(yùn)用層次化結(jié)構(gòu)度量證券公司的風(fēng)險(xiǎn)。本文在對(duì)證券公司進(jìn)行風(fēng)險(xiǎn)度量時(shí)，不僅結(jié)合已有關(guān)于證券公司風(fēng)險(xiǎn)指標(biāo)體系的構(gòu)建研究，而且著重參考了證監(jiān)會(huì)2016年6月16日頒布的《關(guān)于修改〈證券公司風(fēng)險(xiǎn)控制指標(biāo)管理辦法〉的決定》確定的證券公司風(fēng)險(xiǎn)指標(biāo)，該指標(biāo)體系在原有基礎(chǔ)上新加了風(fēng)險(xiǎn)覆蓋率、資本杠桿率、流動(dòng)性覆蓋率和凈穩(wěn)定資金率，完善并形成了以凈資本和流動(dòng)性為核心的風(fēng)險(xiǎn)控制指標(biāo)。本文使用的證券公司風(fēng)險(xiǎn)指標(biāo)體系即借鑒了證監(jiān)會(huì)《決定》中提到的指標(biāo)，具體指標(biāo)如表1所示。

表1 證券公司風(fēng)險(xiǎn)指標(biāo)體系

注：資料來(lái)源：證監(jiān)會(huì)網(wǎng)站。

該指標(biāo)體系由兩項(xiàng)一級(jí)指標(biāo)、九項(xiàng)二級(jí)指標(biāo)構(gòu)成，風(fēng)險(xiǎn)預(yù)警由總體風(fēng)險(xiǎn)預(yù)警和二級(jí)指標(biāo)預(yù)警組成，總體風(fēng)險(xiǎn)預(yù)警由機(jī)器學(xué)習(xí)方法給出，二級(jí)指標(biāo)的預(yù)警線則參考證券協(xié)會(huì)要求。本體系重點(diǎn)考慮了凈資本，但沒(méi)有單獨(dú)將凈資本作為二級(jí)指標(biāo)，目的在于方便不同證券公司在不同年份橫向及縱向?qū)Ρ?。在證券行業(yè)發(fā)展過(guò)程中，證券公司對(duì)自身風(fēng)險(xiǎn)的管控從以資產(chǎn)規(guī)模為核心發(fā)展到以凈資本為核心。該指標(biāo)體系的多項(xiàng)二級(jí)指標(biāo)計(jì)算涉及凈資本，故符合證券市場(chǎng)發(fā)展的監(jiān)管要求。

四、貝葉斯網(wǎng)絡(luò)方法

(一)貝葉斯網(wǎng)絡(luò)概念

貝葉斯網(wǎng)絡(luò)(Bayesian Network, BN)是由貝葉斯方法和圖形理論相結(jié)合的一種圖形化建模工具，最早由Judea Pearl于1988年明確提出，該方法在不確定推理方面發(fā)揮了很大的優(yōu)勢(shì)。貝葉斯網(wǎng)絡(luò)由網(wǎng)絡(luò)結(jié)構(gòu)圖和局部概率分布組成，前者表征定性特征、后者表征定量特征，針對(duì)這兩部分，貝葉斯網(wǎng)絡(luò)方法建模一般由兩步組成，即結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)。結(jié)構(gòu)學(xué)習(xí)指建立符合已有數(shù)據(jù)特征的網(wǎng)絡(luò)結(jié)構(gòu)圖，學(xué)習(xí)方法有基于約束的、基于評(píng)分的以及二者混合的；參數(shù)學(xué)習(xí)指利用已學(xué)習(xí)好的結(jié)構(gòu)和先驗(yàn)信息確定各節(jié)點(diǎn)的概率表。貝葉斯網(wǎng)絡(luò)方法一經(jīng)提出，就被廣泛地應(yīng)用于解決分類預(yù)測(cè)問(wèn)題。

(二)貝葉斯網(wǎng)絡(luò)表示

p(c|x1,x2,…,xn)=(p(c)p(x1,x2,…,

xn|c)-p(x1,x2,…,xn))=

(1)

五、數(shù)據(jù)說(shuō)明及預(yù)處理

(一)數(shù)據(jù)來(lái)源

現(xiàn)行的風(fēng)險(xiǎn)指標(biāo)體系由證監(jiān)會(huì)于2016年6月16日頒布，各個(gè)證券公司在2016年的年報(bào)中均采用了新的指標(biāo)體系，并在2015年的財(cái)務(wù)數(shù)據(jù)基礎(chǔ)上按新的指標(biāo)體系公布了各項(xiàng)的風(fēng)險(xiǎn)指標(biāo)值。本文使用的指標(biāo)即來(lái)源于證券協(xié)會(huì)最新頒布的指標(biāo)體系。截至2017年6月，我國(guó)共有128家證券公司，其中上市公司37家，因非上市公司年報(bào)無(wú)法從公開(kāi)場(chǎng)合獲取，因此，本文獲取的樣本由2015年、2016年上市證券公司組成。上市證券公司各指標(biāo)數(shù)據(jù)來(lái)源于東方財(cái)富網(wǎng)37家上市證券公司的2015年及2016年年報(bào)，因證監(jiān)會(huì)在每年8月份公布該年度各證券公司風(fēng)險(xiǎn)評(píng)級(jí)，其依據(jù)應(yīng)為各公司上一年度年報(bào)，故選用2017年和2016年的證監(jiān)會(huì)風(fēng)險(xiǎn)評(píng)級(jí)分別作為2016年及2015年各證券公司的類標(biāo)簽。各年度上市證券公司風(fēng)險(xiǎn)評(píng)級(jí)數(shù)據(jù)取自證監(jiān)會(huì)網(wǎng)站。

(二)樣本合成及缺失值處理

本文以構(gòu)建的上市證券公司風(fēng)險(xiǎn)指標(biāo)作為特征變量，證券業(yè)協(xié)會(huì)公布的證券公司分類作為類標(biāo)簽。構(gòu)建的風(fēng)險(xiǎn)指標(biāo)體系依據(jù)證監(jiān)會(huì)2016年6月16日頒布的新風(fēng)險(xiǎn)指標(biāo)體系，從數(shù)據(jù)的可得性角度考慮，僅有2016年及調(diào)整后的2015年上市證券公司年報(bào)可得。截至2017年6月，我國(guó)上市證券公司共37家，單獨(dú)使用2016年或2015年樣本，會(huì)造成機(jī)器學(xué)習(xí)方法學(xué)習(xí)不夠充分，產(chǎn)生較大錯(cuò)判率。在應(yīng)用2016年樣本比較不同機(jī)器學(xué)習(xí)方法時(shí)，錯(cuò)判率高達(dá)50%左右，因此，將2015年、2016年上市證券公司樣本合為一個(gè)樣本，以增大樣本量。我們可以合理假設(shè)證券業(yè)協(xié)會(huì)對(duì)證券公司的分類標(biāo)準(zhǔn)在2015年及2016年間沒(méi)有變化，證券公司分類旨在綜合評(píng)價(jià)證券公司的風(fēng)險(xiǎn)管理能力、市場(chǎng)競(jìng)爭(zhēng)力及合規(guī)管理能力，是證券業(yè)協(xié)會(huì)對(duì)各證券公司提升風(fēng)控和合規(guī)能力的監(jiān)督措施，在一段時(shí)間內(nèi)標(biāo)準(zhǔn)不宜變動(dòng)，故2015年及2016年的類標(biāo)簽有可比性。本文構(gòu)建的上市證券公司風(fēng)險(xiǎn)指標(biāo)均為相對(duì)指標(biāo)，不受通貨膨脹等因素影響，且在建模前的預(yù)處理階段均采用標(biāo)準(zhǔn)化處理，因此，在不同年間有可比性。綜上，合成樣本的做法較為合理。此外，根據(jù)公布的上市證券公司年報(bào)，風(fēng)險(xiǎn)覆蓋率有兩個(gè)缺失值，本文采用同類指標(biāo)取平均的方式填補(bǔ)。

(三)不平衡數(shù)據(jù)處理

合成樣本容量為74，其中A類樣本40個(gè)，B類樣本29個(gè)，C類樣本僅有5個(gè)，因此，合成樣本是一個(gè)不平衡樣本，如不處理會(huì)造成模型對(duì)C類樣本的錯(cuò)判。處理不平衡樣本一般有兩大類方法，一是過(guò)抽樣，二是欠抽樣。過(guò)抽樣的思想是復(fù)制少數(shù)類個(gè)體入樣以增加少數(shù)類占比，欠抽樣的思想是對(duì)多數(shù)類抽取一部分入樣以減少多數(shù)類占比。欠抽樣損失了樣本信息，且考慮到樣本容量較小，如舍棄部分樣本會(huì)進(jìn)一步加大模型學(xué)習(xí)難度，故這里宜使用過(guò)抽樣方法。SMOTE(Synthetic Minority Oversampling Technique)抽樣是一種過(guò)抽樣方法，其思想是利用少數(shù)類樣本人工合成數(shù)據(jù)加入到樣本中。具體做法是首先依據(jù)不平衡狀況確定少數(shù)類的抽樣比例之后，按照合成函數(shù)合成新的少數(shù)類樣本，最終增加少數(shù)類樣本占比，解決樣本不平衡問(wèn)題，其少數(shù)類樣本的合成算法如下：

(1)根據(jù)不平衡狀況確定需要人工抽樣的少數(shù)類個(gè)數(shù)m。

(2)對(duì)于每個(gè)少數(shù)類樣本點(diǎn)xi，利用歐式距離計(jì)算它和其他同類樣本點(diǎn)間的距離，得到k近鄰，從中任選m個(gè)近鄰點(diǎn)xij(j=1,2,…,m)。

(3)隨機(jī)產(chǎn)生0到1之間的數(shù)，由rand(0,1)表示。

(4)按照分別合成m個(gè)新的少數(shù)類樣本，xnew,j=xi+rand(0,1)×(xi-xij)，其中：j=1,2,…,m。

經(jīng)過(guò)反復(fù)比較，最終選擇SMOTE抽樣將C類樣本數(shù)擴(kuò)充為40，使得合成樣本中各類占比差距較小，最終得到的建模樣本容量為109。各指標(biāo)標(biāo)準(zhǔn)化后的描述性統(tǒng)計(jì)見(jiàn)表2。

表2 樣本標(biāo)準(zhǔn)化處理結(jié)果

注：資料來(lái)源：weka3.6.10。

六、實(shí)證結(jié)果及分析

(一)描述性統(tǒng)計(jì)

2015年、2016年各上市證券公司的二級(jí)指標(biāo)均符合證券協(xié)會(huì)要求，即在二級(jí)指標(biāo)體系方面不存在風(fēng)險(xiǎn)。根據(jù)證券業(yè)協(xié)會(huì)公布的證券公司分類標(biāo)準(zhǔn)，共有A、B、C、D、E 五個(gè)大類。A、B、C類表示證券公司能夠正常經(jīng)營(yíng)，但風(fēng)險(xiǎn)管理水平遞減。D和E類表示該證券公司面臨的風(fēng)險(xiǎn)可能超過(guò)其承載能力。本文以該分類結(jié)果作為總體風(fēng)險(xiǎn)參考，考察預(yù)警模型的正確率。

如表3所示，2015年19家上市證券公司被證券業(yè)協(xié)會(huì)評(píng)為A級(jí)，16家上市證券公司被評(píng)為B級(jí)，2家被評(píng)為C級(jí)；2016年有21家上市證券公司被評(píng)為A級(jí)，13家被評(píng)為B級(jí)，3家被評(píng)為C級(jí)，其中8家上市公司評(píng)級(jí)上調(diào)，5家上市公司評(píng)級(jí)下調(diào)。總體上上市證券公司從2015年到2016年風(fēng)險(xiǎn)狀況有小步改善，但部分公司風(fēng)險(xiǎn)管理水平有所下降。

表3 依據(jù)證券業(yè)協(xié)會(huì)的上市證券公司分類

注：資料來(lái)源：證券業(yè)協(xié)會(huì)網(wǎng)站。

如表4、表5所示，比較2015和2016年上市證券公司平均風(fēng)險(xiǎn)指標(biāo)，得到表6，表中九項(xiàng)指標(biāo)中有八項(xiàng)較2015年有不同程度提升。這表明，2016年新頒布的風(fēng)險(xiǎn)指標(biāo)體系促進(jìn)了證券公司風(fēng)險(xiǎn)管理水平的提高。不同證券公司在流動(dòng)性覆蓋率和凈穩(wěn)定資金率上有較大的標(biāo)準(zhǔn)差，體現(xiàn)不同證券公司對(duì)這兩項(xiàng)指標(biāo)的管控能力差異較大；不同證券公司在資本杠桿率和凈資本/凈資產(chǎn)上的標(biāo)準(zhǔn)差小，說(shuō)明各證券公司在上述兩項(xiàng)指標(biāo)上管控較好。

具體到各證券公司，國(guó)泰君安、招商證券、光大證券、中信建投等大券商連續(xù)兩年在各項(xiàng)風(fēng)險(xiǎn)管理指標(biāo)上表現(xiàn)良好，均被評(píng)為A級(jí)。中信證券、海通證券、廣發(fā)證券等中型券商在風(fēng)險(xiǎn)指標(biāo)上有較大波動(dòng)，導(dǎo)致其風(fēng)險(xiǎn)評(píng)級(jí)被證券業(yè)協(xié)會(huì)下調(diào)。

表4 2015年上市證券公司風(fēng)險(xiǎn)指標(biāo)特征

注：資料來(lái)源：東方財(cái)富網(wǎng)各上市證券公司2015年年報(bào)。

表5 2016年上市證券公司風(fēng)險(xiǎn)指標(biāo)特征

注：資料來(lái)源：東方財(cái)富網(wǎng)各上市證券公司2016年年報(bào)。

(二)貝葉斯網(wǎng)絡(luò)建模及模型比較

1．SMOTE抽樣比例確定。針對(duì)數(shù)據(jù)的不平衡性，建模之前首先采取SMOTE抽樣以達(dá)到平衡數(shù)據(jù)的目的。經(jīng)過(guò)反復(fù)對(duì)比，最終確定SMOTE抽樣比例為700%，對(duì)比過(guò)程如下(對(duì)比結(jié)果見(jiàn)表7)：采用SMOTE抽樣之前，各算法正確率在50%上下，模型預(yù)測(cè)能力較差；針對(duì)C類采取SMOTE抽樣200%及300%后，各模型預(yù)測(cè)效果沒(méi)有提升；當(dāng)SMOTE抽樣達(dá)到400%、500%及700%時(shí)，各模型的預(yù)測(cè)效果不斷提高。以上實(shí)驗(yàn)數(shù)據(jù)表明在應(yīng)用SMOTE抽樣時(shí)，抽樣后少數(shù)類占比和其他類占比有較大差距時(shí)效果不明顯，在少數(shù)類較為接近其他類占比時(shí)抽樣效果較好。為了進(jìn)一步說(shuō)明建模采取了合理的SMOTE抽樣比例，對(duì)比抽樣后各類占比相同的情形(即第7組)，發(fā)現(xiàn)其效果差于抽樣后原少數(shù)類和最多類占比相同且其他類占比不變的做法(第6組)，因此經(jīng)過(guò)反復(fù)比較，最終確認(rèn)了最佳的SMOTE抽樣比例。對(duì)比第6組和第1組，SMOTE抽樣后各方法的正確率均有不同程度提高，貝葉斯網(wǎng)絡(luò)的正確率能夠接近70%，各算法下的標(biāo)準(zhǔn)差除貝葉斯網(wǎng)絡(luò)外均小于SMOTE抽樣前，考慮到貝葉斯網(wǎng)絡(luò)模型的正確率提升近17%，總體而言，SOMTE抽樣較大幅度地提高了各算法的預(yù)測(cè)效果。

表6 各證券公司風(fēng)險(xiǎn)指標(biāo)平均值對(duì)比

注：資料來(lái)源：表3、表4。

2．貝葉斯網(wǎng)絡(luò)建模及模型比較。為了比較不同機(jī)器學(xué)習(xí)方法的優(yōu)劣性，首先采用十折交叉驗(yàn)證方式得到各方法的平均正確率，在此基礎(chǔ)上，各自重復(fù)1000次后取平均得到各方法下的正確率，即針對(duì)每種算法分別進(jìn)行了10000次正確率計(jì)算后取平均。為了同傳統(tǒng)計(jì)量方法及其他機(jī)器學(xué)習(xí)方法作對(duì)比，加入多項(xiàng)Logit回歸及支持向量機(jī)、隨機(jī)森林等方法分別建立模型。其中支持向量機(jī)采用Gauss徑向基函數(shù)；貝葉斯網(wǎng)絡(luò)方法采用K2算法進(jìn)行結(jié)構(gòu)學(xué)習(xí)，經(jīng)過(guò)反復(fù)比較模型正確率及標(biāo)準(zhǔn)差，最終確定貝葉斯網(wǎng)絡(luò)建模中的最大父節(jié)點(diǎn)數(shù)為1，即所建貝葉斯網(wǎng)絡(luò)為樸素貝葉斯網(wǎng)絡(luò)，所有變量的父節(jié)點(diǎn)均為類標(biāo)簽，所建貝葉斯網(wǎng)絡(luò)圖如圖1所示。(以上操作均在WEKA3.6.10上實(shí)現(xiàn)，最終結(jié)果見(jiàn)表7)

表7 4種算法實(shí)驗(yàn)結(jié)果

注：表格內(nèi)數(shù)值表示對(duì)應(yīng)算法重復(fù)1000次后取平均的正確率，括號(hào)內(nèi)數(shù)值表示方差；第1組為抽樣前：A(40)、B(29)、C(5)，第2組為C類抽樣200%、抽樣后：A(40)、B(29)、C(15)，第3組為C類抽樣300%、抽樣后：A(40)、B(29)、C(20)，第4組為C類抽樣400%、抽樣后：A(40)、B(29)、C(25)，第5組為C類抽樣500%、抽樣后：A(40)、B(29)、C(30)，第6組為C類抽樣700%、抽樣后：A(40)、B(29)、C(40)，第7組為B類抽樣38%且C類抽樣700%、抽樣后：A(40)、B(40)、C(40)。資料來(lái)源：weka3.6.10。

圖1 貝葉斯網(wǎng)絡(luò)結(jié)果圖

對(duì)比第6組各模型的平均預(yù)測(cè)正確率及標(biāo)準(zhǔn)差，貝葉斯網(wǎng)絡(luò)方法所建立模型的平均預(yù)測(cè)正確率最高，比第二高的隨機(jī)森林高出2.38%，標(biāo)準(zhǔn)差和隨機(jī)森林僅差0.02%，綜合考慮正確率和標(biāo)準(zhǔn)差，貝葉斯網(wǎng)絡(luò)好于隨機(jī)森林。同支持向量機(jī)、多項(xiàng)Logit比較可得到相似結(jié)論，因此從實(shí)證角度，貝葉斯網(wǎng)絡(luò)最適于建立證券公司風(fēng)險(xiǎn)預(yù)警模型。

此外，無(wú)論是否使用SMOTE抽樣，多項(xiàng)Logit回歸的正確率均小于各機(jī)器學(xué)習(xí)方法，標(biāo)準(zhǔn)差均大于各機(jī)器學(xué)習(xí)方法，因此，從正確率和標(biāo)準(zhǔn)差兩個(gè)角度看，多項(xiàng)Logit回歸的預(yù)測(cè)效果差于各機(jī)器學(xué)習(xí)方法。特別在采用SMOTE抽樣后機(jī)器學(xué)習(xí)方法中平均正確率最低的支持向量機(jī)比多項(xiàng)Logit回歸高近11.78%，標(biāo)準(zhǔn)差最大的貝葉斯網(wǎng)絡(luò)比多項(xiàng)Logit回歸低0.58%。以上實(shí)證結(jié)果表明，機(jī)器學(xué)習(xí)方法在建立上市證券公司風(fēng)險(xiǎn)預(yù)警模型時(shí)，比傳統(tǒng)計(jì)量方法更為恰當(dāng)。

七、結(jié)論和政策啟示

2016年6月16日證監(jiān)會(huì)頒布的《關(guān)于修改〈證券公司風(fēng)險(xiǎn)控制指標(biāo)管理辦法〉的決定》中明確了證券公司風(fēng)險(xiǎn)指標(biāo)，在此基礎(chǔ)上，本文提出了上市證券公司風(fēng)險(xiǎn)管理指標(biāo)體系。同時(shí)，利用貝葉斯網(wǎng)絡(luò)方法構(gòu)建風(fēng)險(xiǎn)預(yù)警模型并通過(guò)實(shí)證檢測(cè)了該方法，得出的結(jié)論如下：第一，在建立證券公司風(fēng)險(xiǎn)預(yù)警模型時(shí)，貝葉斯網(wǎng)絡(luò)方法優(yōu)于支持向量機(jī)、隨機(jī)森林等其他機(jī)器學(xué)習(xí)方法及傳統(tǒng)的多項(xiàng)Logit方法；第二，建立證券公司風(fēng)險(xiǎn)預(yù)警模型時(shí)如果遇到不平衡數(shù)據(jù)，可以采用SMOTE抽樣方法從平均準(zhǔn)確率和標(biāo)準(zhǔn)差兩個(gè)角度增加算法的預(yù)測(cè)效果。

政策啟示如下：證監(jiān)會(huì)于2016年6月16日頒布的《關(guān)于修改〈證券公司風(fēng)險(xiǎn)控制指標(biāo)管理辦法〉的決定》，在改進(jìn)上市證券公司風(fēng)險(xiǎn)管控水平方面已初見(jiàn)成效，但要進(jìn)一步提升風(fēng)險(xiǎn)預(yù)警能力，監(jiān)管部門(mén)可利用貝葉斯網(wǎng)絡(luò)方法建立證券公司風(fēng)險(xiǎn)預(yù)警模型，為研判上市證券公司風(fēng)險(xiǎn)狀況提供依據(jù)。