苗子清 張卓群

一、引言

防范化解系統(tǒng)性金融風(fēng)險(xiǎn)，關(guān)系到我國(guó)金融安全甚至是經(jīng)濟(jì)安全，是金融工作的重中之重，核心關(guān)鍵是對(duì)風(fēng)險(xiǎn)進(jìn)行有效監(jiān)測(cè)和預(yù)警。然而，當(dāng)前不同金融市場(chǎng)聯(lián)動(dòng)不斷增強(qiáng)，金融機(jī)構(gòu)業(yè)務(wù)交叉日趨密切，金融產(chǎn)品創(chuàng)新層出不窮，金融體系復(fù)雜性愈加凸顯。面對(duì)種類更加繁雜、體量更加巨大且彼此關(guān)聯(lián)的宏微觀金融數(shù)據(jù)，僅使用傳統(tǒng)統(tǒng)計(jì)和計(jì)量方法對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行準(zhǔn)確監(jiān)測(cè)和及時(shí)預(yù)警面臨越來(lái)越大的挑戰(zhàn)。隨著計(jì)算機(jī)并行運(yùn)算能力和數(shù)據(jù)科學(xué)的發(fā)展，大數(shù)據(jù)前沿技術(shù)逐漸滲透到各個(gè)領(lǐng)域，對(duì)現(xiàn)代金融業(yè)也帶來(lái)革命性的變革。同時(shí)，因大數(shù)據(jù)分析具備及時(shí)性、精準(zhǔn)性、高顆粒度、大樣本量等一系列優(yōu)勢(shì)（張濤和劉寬斌，2018）[1]，使其能夠很好地勝任金融領(lǐng)域的數(shù)據(jù)分析和信息處理，進(jìn)一步豐富了監(jiān)測(cè)預(yù)警系統(tǒng)性金融風(fēng)險(xiǎn)的手段和工具。

本文詳細(xì)歸納了系統(tǒng)性金融風(fēng)險(xiǎn)的形成原因，并以此為基礎(chǔ)建立了系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)體系，通過(guò)隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等大數(shù)據(jù)方法構(gòu)建模型對(duì)中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行預(yù)警，利用混淆矩陣、ROC 曲線及動(dòng)態(tài)預(yù)警分析，比較了不同模型的預(yù)警效果，并識(shí)別出了中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)的先導(dǎo)指標(biāo)。

二、文獻(xiàn)綜述

（一）系統(tǒng)性金融風(fēng)險(xiǎn)的形成原因

2008 年國(guó)際金融危機(jī)爆發(fā)后，系統(tǒng)性金融風(fēng)險(xiǎn)得到前所未有的重視和討論，國(guó)內(nèi)外學(xué)者進(jìn)行了大量的研究。就系統(tǒng)性金融風(fēng)險(xiǎn)的形成原因來(lái)說(shuō)，主要包括內(nèi)部因素和外部因素兩方面。

內(nèi)部因素方面，金融體系具有內(nèi)在的不穩(wěn)定性，這主要由金融脆弱性、市場(chǎng)主體非理性、金融資產(chǎn)關(guān)聯(lián)性、金融市場(chǎng)存在道德風(fēng)險(xiǎn)等因素導(dǎo)致。一是金融脆弱性。在早期研究中，費(fèi)雪、馬克思、凱恩斯各自從債務(wù)的清償、銀行信用制度和貨幣的職能特征等不同角度對(duì)金融脆弱性進(jìn)行過(guò)深入闡釋。在現(xiàn)代研究中，Minsky（1992）的“金融不穩(wěn)定假說(shuō)”[2]、Stiglitz and Weiss（1981）的信貸市場(chǎng)信息不對(duì)稱模型[3]、Kregel（1997）的“安全邊界說(shuō)”[4]、Diamond and Dybvig（2000）的“銀行擠兌理論”[5]打下了金融脆弱性理論的基礎(chǔ)。二是金融創(chuàng)新不當(dāng)、監(jiān)管缺失以及過(guò)度使用金融高杠桿。尚福林（2014）指出，過(guò)度的金融創(chuàng)新及其風(fēng)險(xiǎn)管理滯后是釀成金融危機(jī)的重要原因[6]。張明（2009）指出，2008年國(guó)際金融危機(jī)便是由美國(guó)金融監(jiān)管缺失導(dǎo)致[7]。張曉樸（2010）認(rèn)為，金融機(jī)構(gòu)過(guò)度使用高杠桿帶來(lái)了金融體系的脆弱性[8]。三是金融機(jī)構(gòu)之間業(yè)務(wù)和資產(chǎn)負(fù)債的相互關(guān)聯(lián)以及風(fēng)險(xiǎn)同質(zhì)化。馬君潞等（2007）認(rèn)為，金融機(jī)構(gòu)相互間直接業(yè)務(wù)或資金往來(lái)以及資產(chǎn)負(fù)債的相互關(guān)聯(lián)易引發(fā)系統(tǒng)性金融風(fēng)險(xiǎn)[9]。四是市場(chǎng)主體的非理性。凱恩斯曾提出“動(dòng)物精神”（主要指人們“想要采取行動(dòng)的沖動(dòng)”）是導(dǎo)致經(jīng)濟(jì)波動(dòng)和危機(jī)的根本原因。阿克洛夫和希勒（2009）發(fā)現(xiàn)動(dòng)物精神的各個(gè)方面會(huì)推動(dòng)經(jīng)濟(jì)朝著不同方向運(yùn)行，在政府不進(jìn)行干預(yù)的情況下，經(jīng)濟(jì)會(huì)發(fā)生巨大擺動(dòng)，金融體系也會(huì)陷入混亂[10]。五是金融體系內(nèi)部廣泛存在道德風(fēng)險(xiǎn)，市場(chǎng)缺乏自律。Krugman（1999）認(rèn)為道德風(fēng)險(xiǎn)和過(guò)度投資相互交織，導(dǎo)致了金融系統(tǒng)性風(fēng)險(xiǎn)的產(chǎn)生[11]。De Larosière Group（2009）認(rèn)為金融機(jī)構(gòu)的短期冒險(xiǎn)行為和不負(fù)責(zé)任是美國(guó)次貸危機(jī)的重要推手[12]。

外部因素方面，宏觀經(jīng)濟(jì)周期和政策調(diào)控失誤是導(dǎo)致系統(tǒng)性金融風(fēng)險(xiǎn)的兩個(gè)主要原因。宏觀經(jīng)濟(jì)周期的影響體現(xiàn)在：首先，經(jīng)濟(jì)進(jìn)入衰退時(shí)期企業(yè)易發(fā)生財(cái)務(wù)狀況惡化，金融機(jī)構(gòu)資產(chǎn)質(zhì)量隨之下降，投資者對(duì)金融體系信心不足，則會(huì)出現(xiàn)資產(chǎn)恐慌性拋售引發(fā)系統(tǒng)性金融風(fēng)險(xiǎn)（張曉樸，2010）[8]。其次，由于金融系統(tǒng)存在順周期性（體現(xiàn)在資本充足率監(jiān)管、貸款損失準(zhǔn)備等方面），強(qiáng)化了經(jīng)濟(jì)周期波動(dòng)，助推了金融危機(jī)發(fā)展（謝平和鄒傳偉，2010）[13]。同時(shí)，宏觀政策調(diào)控失誤也被認(rèn)為是導(dǎo)致系統(tǒng)性風(fēng)險(xiǎn)的重要原因。IMF（2009）相關(guān)報(bào)告指出，2008年金融危機(jī)的爆發(fā)便是由美國(guó)長(zhǎng)期的低利率政策導(dǎo)致[14]。

結(jié)合中國(guó)實(shí)際，中國(guó)發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)的可能成因除了以上所述的內(nèi)、外部因素外，影子銀行和房地產(chǎn)領(lǐng)域也是重要因素。王兆星（2020）指出，影子銀行和房地產(chǎn)市場(chǎng)的金融化、泡沫化是引發(fā)系統(tǒng)性金融風(fēng)險(xiǎn)和嚴(yán)重金融危機(jī)最重要的原因[15]。

（二）系統(tǒng)性金融風(fēng)險(xiǎn)的監(jiān)測(cè)與預(yù)警方法

在早期研究中，F(xiàn)rankel and Rose（1995）的FR 概率模型[16]、Sachs et al.（1996）的STV 模型[17]以及Kaminsky et al.（1998）的KLR 信號(hào)分析法[18]是比較有影響的研究成果。

2008 年全球金融危機(jī)爆發(fā)前后，系統(tǒng)性金融風(fēng)險(xiǎn)的監(jiān)測(cè)與預(yù)警方法主要有：一是綜合指數(shù)法。主要是指基于宏觀經(jīng)濟(jì)和金融市場(chǎng)指標(biāo)，利用各種統(tǒng)計(jì)學(xué)加總方法，構(gòu)建可用于實(shí)時(shí)監(jiān)測(cè)金融體系風(fēng)險(xiǎn)狀況的綜合指數(shù)。例如，加拿大金融壓力指數(shù)（FSI）（Illing and Liu，2006）[19]、圣路易斯金融壓力指數(shù)（STLFSI）（Kliesen and Smith，2010）[20]等。二是邏輯回歸法。Kumar et al.（2002）提出用Simple Logit 模型對(duì)貨幣危機(jī)進(jìn)行預(yù)警[21]。三是研究風(fēng)險(xiǎn)傳遞和金融部門系統(tǒng)性聯(lián)系的方法。IMF(2009)提出網(wǎng)絡(luò)分析法等定量分析方法[14]。四是測(cè)算金融機(jī)構(gòu)系統(tǒng)違約概率的方法。如邊際期望損失法、在險(xiǎn)價(jià)值法等。五是全球范圍內(nèi)廣泛采用的金融風(fēng)險(xiǎn)壓力測(cè)試法。例如，歐美央行普遍采用的壓力測(cè)試框架。

我國(guó)學(xué)者參考國(guó)外的研究方法，結(jié)合中國(guó)實(shí)際，建立了我國(guó)的系統(tǒng)性金融風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警模型。唐旭和張偉(2002)比較了FR 等國(guó)外預(yù)警模型的優(yōu)劣，構(gòu)建了中國(guó)金融危機(jī)的預(yù)警系統(tǒng)[22]。陳守東等（2006）通過(guò)因子分析探究了影響我國(guó)金融風(fēng)險(xiǎn)的主要因素，并建立邏輯回歸模型對(duì)金融市場(chǎng)風(fēng)險(xiǎn)進(jìn)行了預(yù)警[23]。李夢(mèng)雨（2012）借助BP 神經(jīng)網(wǎng)絡(luò)建立了中國(guó)金融風(fēng)險(xiǎn)預(yù)警系統(tǒng)[24]。許滌龍和陳雙蓮（2015）采用CRITIC 法構(gòu)建金融壓力指數(shù)來(lái)測(cè)度系統(tǒng)性金融風(fēng)險(xiǎn)[25]。陶玲和朱迎（2016）從金融機(jī)構(gòu)、股票市場(chǎng)等七個(gè)維度構(gòu)造出監(jiān)測(cè)系統(tǒng)性金融風(fēng)險(xiǎn)的綜合指數(shù)，并建立馬爾科夫區(qū)制轉(zhuǎn)移模型，識(shí)別和判斷風(fēng)險(xiǎn)指標(biāo)的狀態(tài)和拐點(diǎn)[26]。淳偉德和肖楊（2018）從股票、債券、保險(xiǎn)等金融子市場(chǎng)中選取特征指標(biāo)構(gòu)成金融壓力指數(shù)，運(yùn)用4種核函數(shù)的SVM 模型構(gòu)建了中國(guó)的系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警模型[27]。清華大學(xué)國(guó)家金融研究院金融與發(fā)展研究中心課題組（2019）選取金融子市場(chǎng)基礎(chǔ)指標(biāo)，采用動(dòng)態(tài)賦權(quán)法，構(gòu)建了中國(guó)系統(tǒng)性壓力指數(shù)（CISS），識(shí)別和監(jiān)測(cè)系統(tǒng)性金融風(fēng)險(xiǎn)[28]。

表1 衡量中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)體系

總體來(lái)看，目前在各種系統(tǒng)性金融風(fēng)險(xiǎn)的預(yù)警方法中，傳統(tǒng)統(tǒng)計(jì)方法和建立計(jì)量經(jīng)濟(jì)學(xué)模型是較為常見的做法，采用大數(shù)據(jù)方法對(duì)中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行分析和預(yù)警仍然較少。與現(xiàn)有文獻(xiàn)相比，本文貢獻(xiàn)在于將大數(shù)據(jù)技術(shù)運(yùn)用于系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警，提供了系統(tǒng)性金融風(fēng)險(xiǎn)研究的新思路和新方法，初步探索了大數(shù)據(jù)方法在中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)研究的應(yīng)用和實(shí)踐。

三、指標(biāo)分析和模型構(gòu)建

（一）指標(biāo)分析

本文結(jié)合中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)的可能成因，在借鑒國(guó)內(nèi)外研究成果的基礎(chǔ)上，從金融機(jī)構(gòu)、債券市場(chǎng)、股票市場(chǎng)、外匯市場(chǎng)、貨幣市場(chǎng)、宏觀經(jīng)濟(jì)、影子銀行、房地產(chǎn)市場(chǎng)、政策干預(yù)等九個(gè)維度，構(gòu)建衡量中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)的指標(biāo)體系。詳細(xì)指標(biāo)及其經(jīng)濟(jì)含義如表1。

本文數(shù)據(jù)來(lái)自中國(guó)國(guó)家統(tǒng)計(jì)局官網(wǎng)、CEIC DATA數(shù)據(jù)庫(kù)等渠道，數(shù)據(jù)樣本區(qū)間為2007年1月至2020 年8 月，均采用月度數(shù)據(jù)，主要反映2008年國(guó)際金融危機(jī)爆發(fā)至今的情況。

（二）大數(shù)據(jù)方法選擇

1.隨機(jī)森林。隨機(jī)森林（Random Forest）是目前應(yīng)用較為廣泛的大數(shù)據(jù)機(jī)器學(xué)習(xí)方法之一，擅長(zhǎng)于處理各種類型的預(yù)測(cè)問(wèn)題。隨機(jī)森林實(shí)際上是決策樹的集成，通常采用bagging 方法進(jìn)行訓(xùn)練。其中，決策樹是利用樹型結(jié)構(gòu)進(jìn)行決策的一種算法，由一個(gè)根節(jié)點(diǎn)、若干個(gè)葉節(jié)點(diǎn)和內(nèi)部節(jié)點(diǎn)組成，一個(gè)葉節(jié)點(diǎn)代表一個(gè)決策結(jié)果，而其他每個(gè)節(jié)點(diǎn)則代表一個(gè)屬性測(cè)試。隨機(jī)森林是由多個(gè)決策樹組成，通過(guò)對(duì)每個(gè)決策樹的決策結(jié)果進(jìn)行投票來(lái)確定最佳的決策結(jié)果。隨機(jī)森林算法的基本思想：利用bootstrap法有放回的抽樣從原始訓(xùn)練集抽取k個(gè)樣本，每個(gè)樣本的樣本容量都與原始訓(xùn)練集一樣；對(duì)k 個(gè)樣本分別建立k 個(gè)決策樹模型，得到k種分類結(jié)果；根據(jù)k種分類結(jié)果對(duì)每個(gè)記錄進(jìn)行投票決定其最終分類。其示意圖見圖1。

圖1 隨機(jī)森林分類示意圖

2.神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)即人工神經(jīng)網(wǎng)絡(luò)（Arti?ficial Neural Networks），是模擬生物神經(jīng)網(wǎng)絡(luò)行為特征實(shí)現(xiàn)對(duì)信息深度分析處理的一種算法模型。該模型使用非線性函數(shù)逼近工具來(lái)測(cè)試解釋變量和被解釋變量之間的關(guān)系。該方法考慮一組人工神經(jīng)元，并使用一定的連接方法處理與之相關(guān)的信息，其中網(wǎng)絡(luò)單元通過(guò)信息流連接起來(lái)。在學(xué)習(xí)階段，模型的結(jié)構(gòu)會(huì)根據(jù)在網(wǎng)絡(luò)中流動(dòng)的外部或內(nèi)部信息而變化。一般來(lái)說(shuō)，人工神經(jīng)網(wǎng)絡(luò)一般由三個(gè)不同的層組成，即輸入層、中間層和輸出層。如圖2所示，輸入層由輸入的外部信息和數(shù)據(jù)組成，輸入的數(shù)據(jù)乘以連接權(quán)重則形成由隱藏單元組成的中間層，在中間層通過(guò)激活函數(shù)形成線性組合并將其轉(zhuǎn)換為0到1之間的值，這些值乘以權(quán)重則可以得到輸出層。神經(jīng)網(wǎng)絡(luò)模型算法繁多，包括多層感知機(jī)（multi-layer perceptron,mlp）、誤差逆?zhèn)鞑ツＰ?、ART 模型、玻爾茲曼機(jī)等神經(jīng)網(wǎng)絡(luò)，本文運(yùn)用多層感知機(jī)神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)警模型。

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3.支持向量機(jī)。支持向量機(jī)（Support Vector Machine,SVM）是一種強(qiáng)大、靈活的有監(jiān)督學(xué)習(xí)算法，其原理是尋找一個(gè)最優(yōu)超平面，對(duì)數(shù)據(jù)進(jìn)行二元分類。支持向量機(jī)的基本模型如下：

支持向量機(jī)就要是找到滿足以上條件能夠準(zhǔn)確劃分訓(xùn)練樣本的“最大間隔”超平面，其原理示意圖見圖3。

圖3 支持向量機(jī)分類原理示意圖

本文將主要運(yùn)用隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等大數(shù)據(jù)方法，構(gòu)建中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警模型。同時(shí)為比較大數(shù)據(jù)方法與已有風(fēng)險(xiǎn)預(yù)警傳統(tǒng)統(tǒng)計(jì)計(jì)量方法在估計(jì)結(jié)果和預(yù)警效率上的差異，本文建立邏輯回歸模型進(jìn)行建模和效果比對(duì)。

（三）模型評(píng)估

評(píng)價(jià)模型好壞，需要進(jìn)行性能度量，即設(shè)計(jì)評(píng)價(jià)標(biāo)準(zhǔn)對(duì)模型泛化能力進(jìn)行衡量。在大數(shù)據(jù)分類任務(wù)中，常用的性能度量方法包括混淆矩陣和ROC曲線。

其中，混淆矩陣主要根據(jù)真實(shí)值與預(yù)測(cè)值是否相同對(duì)預(yù)測(cè)樣本進(jìn)行分類，是較為全面反映模型評(píng)估結(jié)果的一種表示方法?；煜仃嚨囊恍杏脕?lái)表示樣本的真實(shí)類別，一列用來(lái)表示樣本的模型預(yù)測(cè)類別。當(dāng)樣本預(yù)測(cè)類別與樣本真實(shí)類別相同時(shí)，說(shuō)明模型預(yù)測(cè)樣本分類正確，當(dāng)樣本預(yù)測(cè)類別與樣本真實(shí)類別不同時(shí)，說(shuō)明模型預(yù)測(cè)樣本分類錯(cuò)誤。

四、中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警

（一）數(shù)據(jù)處理

1.單位根檢驗(yàn)。本文首先選取2007 年1 月至2017 年12 月的中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)月度數(shù)據(jù)，構(gòu)造衡量系統(tǒng)性金融風(fēng)險(xiǎn)水平的風(fēng)險(xiǎn)預(yù)警變量。為避免出現(xiàn)偽回歸問(wèn)題，將指標(biāo)體系中30 個(gè)指標(biāo)變量進(jìn)行ADF 平穩(wěn)性檢驗(yàn)（結(jié)果見表3）。將不平穩(wěn)的11 個(gè)指標(biāo)變量去掉，所以解釋變量為剩下平穩(wěn)的19個(gè)指標(biāo)。

2.主成分分析。在平穩(wěn)性檢驗(yàn)之后，運(yùn)用主成分分析法對(duì)19 個(gè)指標(biāo)數(shù)據(jù)進(jìn)行降維、去噪處理。在主成分分析前，先對(duì)與系統(tǒng)性金融風(fēng)險(xiǎn)呈反向變化的指標(biāo)進(jìn)行正向化處理（取倒數(shù)）。對(duì)于兩個(gè)雙向指標(biāo)“金融機(jī)構(gòu)資產(chǎn)利潤(rùn)率”“金融機(jī)構(gòu)資本利潤(rùn)率”，分別取兩個(gè)指標(biāo)的平均值作為基準(zhǔn)值，與基準(zhǔn)值偏離度越大風(fēng)險(xiǎn)指數(shù)越高。按照特征根大于1的原則，分析得到6個(gè)主要成分的累計(jì)貢獻(xiàn)率為74.93%，說(shuō)明基本能夠荷載原始指標(biāo)的大部分信息，因此也認(rèn)為是系統(tǒng)性金融風(fēng)險(xiǎn)的主要來(lái)源。

然后，將每個(gè)主要成分的數(shù)值和對(duì)應(yīng)的方差貢獻(xiàn)率進(jìn)行運(yùn)算，可以得到用來(lái)衡量金融體系整體風(fēng)險(xiǎn)水平的變量Ft：

表2 混淆矩陣示例

表3 各變量的ADF平穩(wěn)性檢驗(yàn)結(jié)果

根據(jù)Ft的取值將每月的金融風(fēng)險(xiǎn)劃分為不同的狀態(tài)。

3.期望輸出值的確定。本文對(duì)系統(tǒng)性風(fēng)險(xiǎn)水平狀態(tài)進(jìn)行劃分，由于人為設(shè)定閾值的方法較為主觀，缺乏科學(xué)合理性，因此采用從時(shí)間序列變量本身取值中找出合適變量閾值的SETAR（自激勵(lì)門限自回歸）方法，得出劃分系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)的虛擬變量。第一步，將Ft序列按照數(shù)值大小進(jìn)行升序排列，去掉排在前15%和后15%的序列數(shù)據(jù)，以消除極端值帶來(lái)的影響，剩余的93 個(gè)值均可以作為可能的閾值；第二步，將每個(gè)原始序列與每個(gè)可能的閾值分別進(jìn)行數(shù)值對(duì)比，若序列數(shù)值大于閾值，則表示“風(fēng)險(xiǎn)”狀態(tài)，預(yù)警虛擬變量值設(shè)定為1，否則表示“正?！睜顟B(tài)，預(yù)警虛擬變量值設(shè)定為為0；第三步，用每一列虛擬變量建立最小二乘回歸模型，模型形式為：

表4 主成分分析結(jié)果

表5 四類模型靜態(tài)預(yù)警準(zhǔn)確率和召回率結(jié)果

選取AIC 和SC 值最小時(shí)所對(duì)應(yīng)的虛擬變量序列作為預(yù)警虛擬變量。通過(guò)Eviews 9計(jì)量軟件計(jì)算出AIC和SC值最小分別為-0.4160和-0.3283，此時(shí)所對(duì)應(yīng)的虛擬變量序列即是預(yù)警模型的期望輸出值。

（二）預(yù)警效果評(píng)價(jià)

本文將2007 年1 月至2016 年12 月中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)體系中的30 個(gè)指標(biāo)變量作為預(yù)警模型的輸入，把由主成分分析和SETAR 方法得到的風(fēng)險(xiǎn)預(yù)警虛擬變量序列作為模型期望輸出，在支持Python 語(yǔ)言的Jupyter Notebook 中分別構(gòu)建邏輯回歸、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)四類系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警模型。表5顯示了四類模型靜態(tài)預(yù)警在查準(zhǔn)率和查全率兩個(gè)預(yù)測(cè)評(píng)價(jià)指標(biāo)上的具體表現(xiàn)。傳統(tǒng)邏輯回歸模型的預(yù)警效果不論在訓(xùn)練集還是在測(cè)試集上均不如隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型的預(yù)警效果，其在訓(xùn)練集上的查準(zhǔn)率和查全率分別為0.80和0.78，其在測(cè)試集上的查準(zhǔn)率和查全率只有0.72和0.73。神經(jīng)網(wǎng)絡(luò)模型的預(yù)警效果在查準(zhǔn)率和查全率兩個(gè)評(píng)價(jià)指標(biāo)上的表現(xiàn)是四類模型當(dāng)中最好的，在訓(xùn)練集上查準(zhǔn)率和查全率達(dá)到1.00，在測(cè)試集上查準(zhǔn)率和查全率均為0.90。隨機(jī)森林模型的預(yù)警效果在查準(zhǔn)率和查全率兩個(gè)評(píng)價(jià)指標(biāo)上也有較好表現(xiàn)，在訓(xùn)練集上查準(zhǔn)率和查全率達(dá)到1.00，在測(cè)試集上查準(zhǔn)率和查全率分別為0.88和0.87。支持向量機(jī)模型的預(yù)警效果比隨機(jī)森林模型和神經(jīng)網(wǎng)絡(luò)模型稍差，在訓(xùn)練集上查準(zhǔn)率和查全率雖然也達(dá)到1.00，但在測(cè)試集上查準(zhǔn)率和查全率均為0.87。

圖4 隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、邏輯回歸預(yù)警模型ROC曲線

從ROC 曲線和AUC 值（見圖4）上看，隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等模型的預(yù)警效果均優(yōu)于傳統(tǒng)邏輯回歸模型。邏輯回歸模型相較于隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型，其ROC曲線更遠(yuǎn)離坐標(biāo)系左上角，說(shuō)明模型預(yù)測(cè)在召回率高的情況下，其假正率也較高，其AUC 值為0.910。神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型要優(yōu)于隨機(jī)森林模型，兩個(gè)模型的ROC 曲線較隨機(jī)森林模型更靠近坐標(biāo)系左上角，AUC 值分別為0.968 和0.968。隨機(jī)森林模型的ROC 曲線較邏輯回歸模型更靠近坐標(biāo)系左上角，AUC值為0.944。

（三）指標(biāo)重要性分析

隨機(jī)森林模型可根據(jù)每個(gè)指標(biāo)變量對(duì)預(yù)警模型的貢獻(xiàn)給出變量的重要性排序（參見圖5），從而識(shí)別出中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)的先導(dǎo)指標(biāo)。本文結(jié)合每個(gè)指標(biāo)經(jīng)濟(jì)含義及其重要性順序情況做進(jìn)一步分析。從圖5可以看到，重要性排名前十的指標(biāo)變量依次為商品房銷售單價(jià)同比增長(zhǎng)率、政府債務(wù)/財(cái)政收入、房地產(chǎn)投資同比增長(zhǎng)率、不良貸款率、金融機(jī)構(gòu)資產(chǎn)利潤(rùn)率、5年國(guó)債與3 個(gè)月國(guó)債到期收益率利差、上交所市盈率倍數(shù)同比增長(zhǎng)率、上市公司總市值同比增速/GDP 同比增速、出口總額同比增長(zhǎng)率、上證綜指同比增長(zhǎng)率。其中，商品房銷售單價(jià)同比增長(zhǎng)率、房地產(chǎn)投資同比增長(zhǎng)率為房地產(chǎn)市場(chǎng)維度的指標(biāo)變量，重要性指標(biāo)值分別為0.0812和0.0581，相較于其他指標(biāo)變量重要性排名靠前，說(shuō)明房?jī)r(jià)高企和房地產(chǎn)投資增速過(guò)快往往預(yù)示著未來(lái)會(huì)發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)。政府債務(wù)/財(cái)政收入為政策干預(yù)維度的的指標(biāo)變量，在其他指標(biāo)變量中重要性排名第二，重要性指標(biāo)值為0.0719。政府債務(wù)規(guī)模相較于財(cái)政收入過(guò)快擴(kuò)張容易造成政府信用風(fēng)險(xiǎn)和財(cái)政風(fēng)險(xiǎn)，同時(shí)政府債務(wù)多與銀行信貸相互關(guān)聯(lián)，所以易引發(fā)系統(tǒng)性金融風(fēng)險(xiǎn)。不良貸款率、金融機(jī)構(gòu)資產(chǎn)利潤(rùn)率為金融機(jī)構(gòu)維度的指標(biāo)變量，重要性指標(biāo)值分別為0.0509和0.0491，說(shuō)明金融機(jī)構(gòu)內(nèi)在不穩(wěn)定性仍然是系統(tǒng)性金融風(fēng)險(xiǎn)的重要來(lái)源，不良貸款率越高、金融機(jī)構(gòu)資產(chǎn)利潤(rùn)率越偏離基準(zhǔn)水平，未來(lái)發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)的可能性越大。上交所市盈率倍數(shù)同比增長(zhǎng)率、上市公司總市值同比增速/GDP 同比增速和上證綜指同比增長(zhǎng)率為股票市場(chǎng)維度的的指標(biāo)變量，重要性指標(biāo)值分別為0.0403、0.0389 和0.0323，說(shuō)明股票市場(chǎng)相較于實(shí)體經(jīng)濟(jì)過(guò)快增長(zhǎng)也是未來(lái)發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)的重要原因。

圖5 中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)的預(yù)警指標(biāo)重要性排序

值得注意的是，GDP 增長(zhǎng)率、通貨膨脹率等宏觀經(jīng)濟(jì)維度指標(biāo)變量以及1周和1年期期限SHI?BOR利差、銀行間市場(chǎng)7天回購(gòu)平均利率等貨幣市場(chǎng)維度指標(biāo)變量重要性排名較為靠后，說(shuō)明系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警應(yīng)更關(guān)注金融體系本身及金融體系中長(zhǎng)期影響，關(guān)注宏觀經(jīng)濟(jì)和金融體系短期影響指標(biāo)的效果較差。

（四）動(dòng)態(tài)預(yù)警分析

為進(jìn)一步驗(yàn)證所構(gòu)建模型的監(jiān)測(cè)預(yù)警能力，在一致的條件下，分別使用邏輯回歸、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)預(yù)警模型進(jìn)行動(dòng)態(tài)預(yù)警分析。本文以一年作為預(yù)警期，并將構(gòu)建模型所使用數(shù)據(jù)以外的2007 年1 月至2019 年8 月的數(shù)據(jù)作為輸入樣本集，來(lái)預(yù)測(cè)2008年1月至2020年8月的中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)情況。

圖6 邏輯回歸模型預(yù)警風(fēng)險(xiǎn)概率圖

圖7 隨機(jī)森林模型預(yù)警風(fēng)險(xiǎn)概率圖

圖8 神經(jīng)網(wǎng)絡(luò)模型預(yù)警風(fēng)險(xiǎn)概率圖

圖9 支持向量機(jī)模型預(yù)警風(fēng)險(xiǎn)概率圖

2008年1月至2020年8月的中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)變動(dòng)趨勢(shì)可大致分為五個(gè)階段：第一階段（2008 年1 月至2009 年12 月）。2008 年初至9 月，由于受到2007 年國(guó)內(nèi)市場(chǎng)流動(dòng)性泛濫導(dǎo)致資產(chǎn)價(jià)格泡沫（主要體現(xiàn)在房市、股市）和全球金融危機(jī)沖擊雙重影響，系統(tǒng)性金融風(fēng)險(xiǎn)激增，金融體系面臨較大壓力水平。為應(yīng)對(duì)金融危機(jī)對(duì)國(guó)內(nèi)經(jīng)濟(jì)影響，2008 年10 月政府出臺(tái)“四萬(wàn)億”投資計(jì)劃，并在宏觀政策調(diào)控和防范系統(tǒng)性風(fēng)險(xiǎn)方面取得顯著成效，2009 年系統(tǒng)性金融風(fēng)險(xiǎn)逐漸緩和、金融壓力水平回歸合理區(qū)間。第二階段（2010年1月至2012 年12 月）。2010—2011 年，歐債危機(jī)爆發(fā)，我國(guó)經(jīng)濟(jì)受到較大影響，出口貿(mào)易萎縮，人民幣匯率大幅波動(dòng)，中國(guó)對(duì)外投資風(fēng)險(xiǎn)加大。同時(shí)，國(guó)家前期實(shí)施的“四萬(wàn)億”刺激經(jīng)濟(jì)計(jì)劃副作用開始顯現(xiàn)，包括產(chǎn)能過(guò)剩、國(guó)內(nèi)流動(dòng)性寬松和通脹壓力較大等問(wèn)題，系統(tǒng)性金融風(fēng)險(xiǎn)又開始抬頭。面對(duì)復(fù)雜多變的國(guó)內(nèi)外形勢(shì)，政府提高宏觀調(diào)控政策的針對(duì)性和靈活性，引導(dǎo)貨幣條件向常態(tài)回歸，2012 年經(jīng)濟(jì)穩(wěn)中有進(jìn)、股市較為平穩(wěn)，利率進(jìn)入下行通道，外匯儲(chǔ)備增加，系統(tǒng)性金融風(fēng)險(xiǎn)水平開始下降。第三階段（2013年1月至2015年12月）。2013年6月，銀行業(yè)同業(yè)拆借利率高企，市場(chǎng)流動(dòng)性短缺，導(dǎo)致發(fā)生“錢荒”事件，金融壓力驟升。2014 年四季度，存貸款基準(zhǔn)利率和存款準(zhǔn)備金率下降，但實(shí)體經(jīng)濟(jì)不景氣導(dǎo)致大量資本流向股市。2015年6月至8月，股票市場(chǎng)發(fā)生“股災(zāi)”，經(jīng)歷了牛市之后的股價(jià)暴跌和股市泡沫的驟然破滅，系統(tǒng)性金融風(fēng)險(xiǎn)在高位運(yùn)行。第四階段（2016年1月至2017年12月）。此階段政府逐步推進(jìn)金融體制改革，明確“不發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)”的底線，把“加強(qiáng)金融監(jiān)管、防范金融風(fēng)險(xiǎn)”作為金融工作的基本主題，監(jiān)管層面“強(qiáng)監(jiān)督、強(qiáng)監(jiān)管”各項(xiàng)政策措施落地，金融風(fēng)險(xiǎn)得到控制，中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)呈下降趨勢(shì)。第五階段（2018 年1 月至2020 年8 月）。2018年3 月，美國(guó)主動(dòng)挑起“貿(mào)易戰(zhàn)”，中美貿(mào)易摩擦不斷，加之國(guó)內(nèi)經(jīng)濟(jì)供給側(cè)結(jié)構(gòu)性矛盾并未徹底解決，經(jīng)濟(jì)較為疲軟，匯市、股市等不確定性增加，人民兌美元匯率多次突破7.0 關(guān)口，股市暴跌至歷史新低，中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)處于累積上升期。2020 年1 月新冠疫情爆發(fā)，經(jīng)濟(jì)陷入停滯，系統(tǒng)性風(fēng)險(xiǎn)上升，但之后政府實(shí)施危機(jī)應(yīng)對(duì)和救助措施效果顯現(xiàn)，金融風(fēng)險(xiǎn)水平呈現(xiàn)緩和態(tài)勢(shì)。

圖6、圖7、圖8、圖9分別為邏輯回歸、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)四類預(yù)警模型估計(jì)得到的系統(tǒng)性金融風(fēng)險(xiǎn)發(fā)生概率曲線圖，從四類預(yù)警模型的預(yù)測(cè)結(jié)果看，隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)模型的預(yù)警表現(xiàn)均明顯優(yōu)于傳統(tǒng)邏輯回歸模型。邏輯回歸預(yù)警模型僅對(duì)“2010 年歐債危機(jī)”和“2013 年錢荒事件”時(shí)期的高風(fēng)險(xiǎn)狀態(tài)作出了響應(yīng)，未能預(yù)測(cè)到2008 年、2015 年和2018-2019 年中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)處于較高水平。神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、支持向量機(jī)模型預(yù)警“風(fēng)險(xiǎn)”狀態(tài)的次數(shù)較能準(zhǔn)確反映中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)的真實(shí)情況。其中，神經(jīng)網(wǎng)絡(luò)預(yù)警模型在“2008年金融危機(jī)”“2010年歐債危機(jī)”“2013年錢荒事件”“2015 年股災(zāi)”“2018—2019 年中美貿(mào)易爭(zhēng)端”時(shí)期均準(zhǔn)確預(yù)測(cè)到中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)處于較高水平，估計(jì)得出在2008 年1 月、2009 年10月 至2009 年12 月、2010 年2 月、2013 年1 月至2013 年7 月、2015 年1 月至2015 年5 月、2018 年9月至2019 年1 月、2019 年6 月至2019 年11 月等時(shí)間段發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)的概率較高。隨機(jī)森林預(yù)警模型除未能預(yù)測(cè)到“2018—2019 年中美貿(mào)易爭(zhēng)端”時(shí)期的高風(fēng)險(xiǎn)狀態(tài)，其他時(shí)期的高風(fēng)險(xiǎn)狀態(tài)均作出響應(yīng)。支持向量機(jī)預(yù)警模型預(yù)測(cè)除遺漏了“2008 年金融危機(jī)”高風(fēng)險(xiǎn)時(shí)期，其他時(shí)期的高風(fēng)險(xiǎn)狀態(tài)也均作出了響應(yīng)。

（五）系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)測(cè)

通過(guò)將2019 年9 月至2020 年8 月的指標(biāo)數(shù)據(jù)代入已訓(xùn)練好的隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)預(yù)警模型可以預(yù)測(cè)從2020 年9 月至2021 年8 月的系統(tǒng)性金融風(fēng)險(xiǎn)。從三類預(yù)警模型的預(yù)測(cè)結(jié)果來(lái)看，未來(lái)一年中國(guó)金融體系維持正常狀態(tài)的概率接近100%，而發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)的概率趨近于0。

五、結(jié)論和政策建議

本文運(yùn)用隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等大數(shù)據(jù)方法構(gòu)建模型對(duì)中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警進(jìn)行了研究，對(duì)比分析了不同模型的預(yù)警效果，同時(shí)比較傳統(tǒng)統(tǒng)計(jì)計(jì)量方法與大數(shù)據(jù)分析方法在模型估計(jì)和結(jié)果預(yù)測(cè)上的差異，并識(shí)別出了中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)的先導(dǎo)指標(biāo)。

研究得出結(jié)論：第一，在各種性能度量指標(biāo)和預(yù)測(cè)結(jié)果上看，隨機(jī)森林等大數(shù)據(jù)方法模型均明顯優(yōu)于邏輯回歸傳統(tǒng)統(tǒng)計(jì)計(jì)量模型?；煜仃嚭蚏OC 曲線模型評(píng)價(jià)結(jié)果均顯示大數(shù)據(jù)方法模型比傳統(tǒng)模型表現(xiàn)更好。大數(shù)據(jù)方法模型基本能夠準(zhǔn)確預(yù)警極端系統(tǒng)性金融風(fēng)險(xiǎn)事件的發(fā)生，而傳統(tǒng)模型對(duì)大部分系統(tǒng)性金融風(fēng)險(xiǎn)未能及時(shí)預(yù)警。第二，利用隨機(jī)森林模型的變量重要性排序，可以識(shí)別出中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)的先導(dǎo)指標(biāo)，金融機(jī)構(gòu)、政策干預(yù)、房地產(chǎn)市場(chǎng)、股票市場(chǎng)維度的指標(biāo)預(yù)警系統(tǒng)性金融風(fēng)險(xiǎn)效果較好。第三，在進(jìn)行系統(tǒng)性金融風(fēng)險(xiǎn)動(dòng)態(tài)預(yù)警時(shí)，神經(jīng)網(wǎng)絡(luò)模型的預(yù)警效果較其他大數(shù)據(jù)方法模型表現(xiàn)更好，對(duì)2008 年以來(lái)歷次極端風(fēng)險(xiǎn)事件都準(zhǔn)確進(jìn)行了響應(yīng)，而隨機(jī)森林和支持向量機(jī)模型對(duì)個(gè)別極端風(fēng)險(xiǎn)事件的響應(yīng)有所遺漏，所以當(dāng)前預(yù)警中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)應(yīng)首選神經(jīng)網(wǎng)絡(luò)模型。第四，大數(shù)據(jù)方法模型預(yù)測(cè)結(jié)果顯示2020 年9 月至2021 年8 月未來(lái)一年中國(guó)發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)的概率較小。

基于上述研究結(jié)論，本文提出政策建議如下：一是不斷優(yōu)化中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警模型。應(yīng)進(jìn)一步優(yōu)化完善系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警模型，結(jié)合經(jīng)濟(jì)金融形勢(shì)變化，構(gòu)建更為科學(xué)的系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)體系，引入深度學(xué)習(xí)、人工智能等更為先進(jìn)的大數(shù)據(jù)分析技術(shù)，不斷提升系統(tǒng)性金融風(fēng)險(xiǎn)監(jiān)測(cè)分析的效率和精度。二是穩(wěn)妥應(yīng)對(duì)疫情沖擊下金融體系不良資產(chǎn)上升風(fēng)險(xiǎn)。2020年新冠疫情對(duì)我國(guó)經(jīng)濟(jì)帶來(lái)沖擊，對(duì)金融體系資產(chǎn)質(zhì)量造成一定下遷壓力，預(yù)計(jì)在今后一段時(shí)期不良貸款逐漸上升將是金融體系面臨的一個(gè)主要風(fēng)險(xiǎn)。監(jiān)管部門和金融機(jī)構(gòu)應(yīng)加強(qiáng)協(xié)調(diào)聯(lián)動(dòng)，積極制定風(fēng)險(xiǎn)應(yīng)對(duì)預(yù)案，妥善處理疫情沖擊下未來(lái)不良貸款上升風(fēng)險(xiǎn)。三是在“十四五”時(shí)期繼續(xù)打好防范化解金融風(fēng)險(xiǎn)攻堅(jiān)戰(zhàn)，確保風(fēng)險(xiǎn)持續(xù)收斂。監(jiān)管部門應(yīng)繼續(xù)鞏固系統(tǒng)性風(fēng)險(xiǎn)得到有效控制的良好態(tài)勢(shì)，持續(xù)加強(qiáng)宏微觀審慎監(jiān)管，守住不發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)的底線，以維護(hù)金融市場(chǎng)穩(wěn)定、促進(jìn)經(jīng)濟(jì)健康發(fā)展。