肖艷麗 向有濤

摘? ?要：隨著經(jīng)濟全球化發(fā)展和國內(nèi)金融市場的逐步開放，中國金融市場也遭受著來自國外金融風險的威脅與挑戰(zhàn)。充分考量中國金融市場部分特征化事實，結(jié)合中國的現(xiàn)實情況，以中國金融市場為研究對象，選取了13個代表性指標，利用2005年1月—2021年6月的數(shù)據(jù)構(gòu)建了中國金融市場風險指數(shù)，并且通過事件匹配方法檢驗指數(shù)識別作用的有效性。進一步，運用XGBoost模型預測中國金融市場極端風險，采用多種評價指標將其與傳統(tǒng)的SVM、GBRT、RF和MLP模型進行比較研究，并利用配對樣本T檢驗和弗里德曼檢驗對各個模型預測效果的差異進行顯著性檢驗。最后結(jié)合SHAP和LIME方法展示了不同特征指標對中國金融市場風險的貢獻度。實證結(jié)果表明：（1）所構(gòu)建的指數(shù)較好地符合了我國金融市場風險變化的實際情況;（2）XGBoost預測模型對于極端金融風險樣本識別能力較強、準確性較高，與其余模型相比，其預測性能更加優(yōu)異，而且具有明顯的統(tǒng)計檢驗意義。（3）利用Shapley和LIME方法挖掘出了影響中國金融市場風險的主要因素及其時變特征，且閾值效應的發(fā)現(xiàn)有利于金融部門對金融市場風險進行針對性的審慎監(jiān)管。

關鍵詞：金融市場風險;壓力指數(shù);極端風險預測模型;極端梯度提升樹;Shapley值;可解釋性

中圖分類號：F832.5? 文獻標識碼：B? 文章編號：1674-2265（2022）03-0008-10

DOI：10.19647/j.cnki.37-1462/f.2022.03.002

一、引言

自20世紀以來，世界金融市場一直處于動蕩發(fā)展中，連續(xù)不斷的金融危機給有關國家及世界經(jīng)濟帶來了嚴重影響。我國正處于向經(jīng)濟高質(zhì)量發(fā)展的轉(zhuǎn)型階段，金融系統(tǒng)與實體經(jīng)濟存在結(jié)構(gòu)性矛盾問題，因此，中國金融市場安全面臨來自內(nèi)部的壓力和外部環(huán)境的沖擊（郭娜等，2020）[1]。在全球金融一體化和數(shù)字信息技術的不斷發(fā)展下，國際經(jīng)濟和金融環(huán)境愈發(fā)復雜、面臨更大的不確定性，金融風險和危機的傳染性增強。在錯綜復雜的外部環(huán)境和內(nèi)部條件下，對我國過去十幾年的金融風險演變過程、波動情況進行評價分析，測度金融市場風險和構(gòu)建可靠有效的極端風險預測方法，具有重要的現(xiàn)實價值和意義。

從國內(nèi)外研究來看，在金融市場風險的度量上，主要采取三種方法：第一種是模型法，主要通過DD（銀行擠兌）模型、GARCH（廣義自回歸條件異方差）模型和NN（神經(jīng)網(wǎng)絡）等方法對金融市場風險進行刻畫，評估一個國家發(fā)生金融風險的可能性（范小云等，2013）[2]。第二種是早期的信號法，借助已經(jīng)發(fā)生過金融危機的國家的經(jīng)濟形勢來研究風險發(fā)生的共同信號指標，但信號法作為一種借鑒他國的經(jīng)驗而建立的風險識別與預警方法，具有一定的片面性，難以適用中國這種沒有真正爆發(fā)金融危機的國家（許滌龍和陳雙蓮，2015）[3]。第三種是金融壓力指數(shù)（FSI）法，最早由Illing和Liu（2006）[4]提出，該指數(shù)通過度量給定時期內(nèi)金融壓力來分析市場風險的相對水平，可以克服指數(shù)時滯問題，綜合反映金融市場的風險情況。如Manamperi（2015）[5]通過對不同的FSI的比較研究，發(fā)現(xiàn)所有指數(shù)均能夠比較好地描述金融市場風險的變化狀況。馬勇和黃科（2019）[6]從貨幣、債券、股票、外匯和銀行部門選取了10個代表性指標構(gòu)建了FSI，結(jié)果顯示其對宏觀經(jīng)濟周期具有良好的預測能力。另外，丁嵐等（2019）[7]結(jié)合CRITIC和標準差倒數(shù)權重法構(gòu)建靜態(tài)和動態(tài)權重的中國FSI。與前兩種方法相比，金融壓力指數(shù)法能夠?qū)Πy行、股票和債券等在內(nèi)眾多金融市場進行綜合測度，具有計算方法靈活和計算結(jié)果直觀的特點，在金融市場風險狀態(tài)的識別上具有比較明顯的優(yōu)勢（Louzis和Vouldis，2012）[8]。

鑒于上述，本文采用FSI對我國金融市場風險進行刻畫和識別，進而為下文金融市場極端風險預測模型的構(gòu)建奠定基礎。極端金融風險預測一直都是學術界關注的焦點與熱點，到目前為止，國內(nèi)外學者已經(jīng)運用Logit（邏輯回歸）、NN和SVM（支持向量機）等對極端金融風險進行了有關預測研究（Chatzis等，2018）[9]，并取得了不錯的效果。但是也存在著假設條件苛刻、過擬合和易陷入局部最小等問題。其中SVM模型具有優(yōu)越的泛化能力，被廣泛運用于風險預測研究中，取得了良好的預測效果（溫廷新和孔祥博，2020）[10]。Ahn等（2011）[11]通過實證研究發(fā)現(xiàn)，SVM模型在金融市場風險預測效果上要優(yōu)于NN模型。然而，如果將其用來預測金融市場極端風險狀態(tài)，可能存在預測效果較差的問題。原因在于SVM模型在面對極端金融風險這種非平衡樣本時，其決策分類超平面會偏向少數(shù)樣本，導致模型容易出現(xiàn)預測失誤（王鵬和黃迅，2018）[12]，而XGBoost（極端梯度提升樹）作為一種高效的集成學習方法，能夠有效地構(gòu)建增強樹和并行運算，與SVM相比，其模型效果和運行效率更好（肖艷麗和向有濤，2021）[13]。目前，已有文獻多以SVM、NN及其改進方法為主，并且關于XGBoost模型的研究主要集中于用戶分析、價格預測和信用評估等，沒有發(fā)現(xiàn)將其應用于極端金融風險預測的實證研究。所以，本文引入XGBoost模型作為極端金融風險預測模型，以克服傳統(tǒng)方法在極端風險預測中的不足，進而為中國金融監(jiān)管部門和有關機構(gòu)防范金融市場風險提供一種應用方法。

第一，本文基于前人的研究，結(jié)合我國金融市場的特點，從銀行、債券、股票、外匯、保險和房地產(chǎn)等市場，選取13個代表性指標，結(jié)合CDF轉(zhuǎn)換、等權重和主成分分析等方法綜合得到了FSI，并通過事件識別方法，驗證了其識別作用，其應用能夠為中國金融市場風險狀況的分析提供依據(jù)，對金融市場風險水平情況進行相應判斷。第二，在運用FSI度量中國金融市場風險的基礎之上，進一步構(gòu)建了金融市場極端風險XGBoost預測模型，對整體金融市場風險進行了定量研究，并采用總體分類準確率TR、幾何平均正確率G和少數(shù)類度量值F等多種評價指標，將其與其余模型進行比較研究，全面反映了XGBoost預測模型對于金融市場極端風險的預測能力，從而豐富了有關我國金融市場風險的研究內(nèi)容和極端金融風險的預測方法。第三，引入Shapley和LIME解釋模型對本文提出的XGBoost模型的預測結(jié)果進行分析，采用Shapley和LIME方法提煉出了特征指標對于中國金融市場極端風險的貢獻度，加深了對金融市場風險時間變化特征以及指標閾值效應的認識。

二、金融市場極端風險狀態(tài)預測模型設定

（一）XGBoost模型

XGBoost是一種開源的高度可擴展的梯度提升的集成學習方法（Chen和Guestrin，2016）[14]，已經(jīng)在各個領域中得到了廣泛應用（He等，2018）[15]。與GBRT（傳統(tǒng)梯度提升樹）相比，兼具線性規(guī)模求解器和樹學習算法。XGBoost通過將正則項引入損失函數(shù)中，且對損失函數(shù)進行了二階泰勒展開，能夠較好地權衡模型自身的復雜程度和損失函數(shù)的下降程度，從而可以更好地處理和控制過擬合問題的產(chǎn)生和提高模型的求解效率。

設數(shù)據(jù)樣本為：

[S=（xi，yi），i=1，2，3，…，n，xi∈Rm，yi∈R]? （1）

其中，[m]為數(shù)據(jù)樣本的維數(shù)，[n]為樣本個數(shù)。假設有[h]個決策樹（[h=1，2，3，…，t]），則定義損失函數(shù)如下：

[Objective（t）=i=1nl（yi，y（t）i）+h=1tΩ（fh）] （2）

其中[y（t）i=h=1tfh（xi）=y（t-1）i+ft（xi），fh∈E]，E為回歸樹的集合空間，[fh]為回歸樹，[xi]為第i個數(shù)據(jù)的特征向量，[yi]為真實值，[y（t）i]表示預測值。此外，為了控制模型出現(xiàn)過擬合的現(xiàn)象，加入正則項①。結(jié)合上式，對損失函數(shù)進行泰勒展開可得：

[Objective（t）≈i=1n12wif2t（xi）+gift（xi）+Ω（ft）+C]? （3）

其式（3）中[gi]和[wi]分別定義為[αy（t-1）l（yi，y（t-1））]和[α2y（t-1）l（yi，y（t-1））]。

（二）基于FSI的金融市場風險狀態(tài)識別方法

FSI的主要作用是度量金融市場潛在風險，及時發(fā)現(xiàn)金融市場的運行情況，其在定量研究金融風險水平上具有明顯優(yōu)勢：一方面，其計算出來的壓力指數(shù)會與金融風險水平同步變化，能夠為金融不穩(wěn)定提供早期預警信號;另一方面，其可以對因金融體系的不確定性而承受的總體風險水平進行反映和刻畫。目前，多數(shù)研究者和金融相關部門都采用它來度量金融市場風險的變化情況（淳偉德和肖楊，2018）[16]。FSI的構(gòu)建方法主要有四種：等方差權重法，等權重法，因子分析法和CDF轉(zhuǎn)換法。其中CDF轉(zhuǎn)換法消除量綱和正態(tài)分布假定對指數(shù)的影響，不同于等方差權重法需要金融指標滿足正態(tài)分布的要求。FSI的計算公式如下：

[FSIt=i=1nXitwit]? [（3）]

其中，[FSIt]為t期的金融壓力指數(shù)，[Xit]為第i個子市場在[t]時期的值，[wit]是指在[t]時期子市場所對應的權重。

在FSI的建立過程中，首先，利用經(jīng)驗累積分布函數(shù)對基礎指標進行轉(zhuǎn)換（Hollo等，2012）[17]，從而保證所構(gòu)建指數(shù)的可靠性。其次，對每個子市場已經(jīng)完成轉(zhuǎn)化的基礎指標進行算術平均，進而合成子市場的風險壓力指數(shù)[Xit=1sj=1sxi，j，t]，其中[s]為第[i]個子市場中指標的個數(shù)。最后，由于金融壓力可以被視為影響各子市場壓力指數(shù)共同變動的主要因子（陳忠陽和許悅，2016）[18]，所以本文采用主成分分析法對子市場指數(shù)的主要成分進行提取，從而確定子市場指數(shù)的權重[wit]。

基于上述，計算出來FSI后，需要對其進行識別，以確定金融市場是否存在極端風險。

（三）金融市場風險識別模型性能評價

為了對金融市場極端風險預測模型的綜合性能進行更加全面地評價，不僅要評估模型的預測精度是否優(yōu)越，還要對模型的穩(wěn)健性進行考察。先運用TR和AUC對預測模型的整體情況進行評價。然后，采用針對不均衡樣本的評估指標對金融市場極端風險預測模型預測精度進行評估（G和F）。其中，G值綜合分析了預測模型對極端風險類與非極端風險類樣本的預測效果，若G較大，則說明模型預測兩類樣本的精度都較高，反之，模型精度越小;而少數(shù)類樣本的F主要考察了模型對負樣本（金融市場極端風險類樣本）的預測性能，若F較大，說明模型對金融極端風險類樣本的預測性能更優(yōu)，反之亦反之。

設TP和TN分別表示對金融市場非極端風險樣本和極端風險樣本預測正確的數(shù)量，F(xiàn)N和FP分別表示預測錯誤的數(shù)量?；煜仃嚤硎灸Ｐ皖A測分類的結(jié)果（見表1）。根據(jù)表1中混淆矩陣的結(jié)果，可分別計算出TR、AUC、G和F，具體計算過程見表2。

三、實證研究與結(jié)果分析

（一）數(shù)據(jù)選取與處理

FSI不僅能夠反映金融市場本身的脆弱性，而且可以體現(xiàn)來自外部的沖擊所造成的風險和不確定性。金融市場是一個完整的系統(tǒng)，主要包括證券市場、銀行信貸體系和國際金融市場等子金融市場?？紤]到我國金融市場體系和監(jiān)管的條件，各個市場之間存在一定分割，所以先通過構(gòu)建各個子金融市場的壓力指數(shù)，然后采用PCA法合成FSI。目前，指標主要來源于銀行、保險、證券和外匯等市場（丁嵐等，2019）[7]，可以及時提供金融市場風險信息（包括信用風險、流動性風險和市場風險等），且指標包含的信息具有互補性，在金融市場風險較強時又具有相關性，其中銀行市場體系是關注的重點（孫蕾，2016）[19]。此外，考慮到房地產(chǎn)市場在我國經(jīng)濟發(fā)展中的重要地位和作用，結(jié)合我國金融市場的實際特點，本文最終選取銀行、股票、保險、債券、外匯和房地產(chǎn)等六大子金融市場中的13個特征指標用以構(gòu)建我國FSI。

鑒于數(shù)據(jù)可得性和統(tǒng)計期限的約束，本文選取2005年1月—2021年6月的特征指標數(shù)據(jù)作為研究對象，能夠比較全面地反映金融市場風險的變化。本文數(shù)據(jù)來源于國泰安數(shù)據(jù)庫、中經(jīng)網(wǎng)數(shù)據(jù)庫、中國人民銀行網(wǎng)站、中國統(tǒng)計局網(wǎng)站、中國銀保監(jiān)會網(wǎng)站和中央國債登記結(jié)算有限責任公司網(wǎng)站，部分缺失數(shù)據(jù)采用插值法補齊，部分季度數(shù)據(jù)使用Eviews轉(zhuǎn)換為月度數(shù)據(jù)。

（二）金融市場風險狀態(tài)評價

金融市場風險狀態(tài)的準確劃分是進行準確預測的前提和關鍵，所以，須對已經(jīng)構(gòu)建的FSI進行分析，并與金融市場實際情況進行比較，進而討論該指數(shù)對金融市場風險狀態(tài)劃分的合理性和有效性。本文構(gòu)建的FSI樣本區(qū)間為2005年1月—2021年6月，如圖1所示。此外，本文還提供了經(jīng)過Hodrick-Prescott濾波方法處理后得到的FSI趨勢項。

在圖1中，F(xiàn)SI能夠比較準確地刻畫和描述金融體系的實際運行情況，其主要事件壓力大小反映在了指數(shù)的走勢變化上?？梢源笾掳l(fā)現(xiàn)中國金融市場經(jīng)歷了以下幾個發(fā)展階段：第一階段為2006年1月—2008年2月，F(xiàn)SI出現(xiàn)持續(xù)震蕩上行的趨勢，并在2008年到達了峰值。這主要是受美國次貸危機所引起的全球性金融危機和國內(nèi)股市泡沫破滅的影響。隨著2008年11月中國政府擴大內(nèi)需、刺激經(jīng)濟增長的十項措施出臺，市場信心得到恢復，降低了中國金融市場風險壓力水平。第二階段為2009—2011年，中國金融市場風險開始上升，出現(xiàn)了較大的波動變化。此時段內(nèi)，2009年底以希臘債務危機為開端的歐債危機爆發(fā)并于2011年下半年全面爆發(fā)，加之國內(nèi)采取了緊縮的貨幣政策導致流動性減弱，這都導致了中國金融市場風險壓力的增大。第三階段為2014年6月—2015年6月，2014年下半年我國金融市場風險水平出現(xiàn)上升趨勢，主要源于我國經(jīng)濟面臨下行壓力使得金融市場不確定性增加。緊接著2015年“股災”導致股市出現(xiàn)較大震蕩，F(xiàn)SI明顯上升，出現(xiàn)相對高點。第四階段為2018年3月—2019年4月，2018年中美貿(mào)易摩擦出現(xiàn)，并呈現(xiàn)越演越烈的趨勢，對中國國際貿(mào)易和外匯市場造成了一定的沖擊，引起FSI走高，指數(shù)出現(xiàn)階段性高點。

（三）金融市場極端風險預測

通過以上對事件與指數(shù)的描述性分析，可以比較直觀地發(fā)現(xiàn)FSI在不同時期的特征存在差異。此外，由于無法直接觀察到整個金融市場是否處于極端風險狀態(tài)，而Du Mouchel（1983）[20]選擇10%左右的樣本數(shù)據(jù)作為極端風險樣本進行研究，取得了比較好的研究效果。所以，本文選取FSI最高的10%的樣本作為金融市場極端風險樣本（這些樣本對應的FSI均在0.67026以上），即極值尾部，其他90%的數(shù)據(jù)作為非極端風險樣本。根據(jù)極值理論，運用 EVT 對尾部建模主要有兩種極值模型，即傳統(tǒng)的分塊樣本最大值模型（BMM）和超越門限模型（POT），其中對于充分高的門檻值，超過門檻值的樣本數(shù)據(jù)近似服從廣義帕累托分布（GPD）簇。GPD的形式可以用下式表示：

[Gβ，γx=1-（1+γxβ）1γ，γ≠01-exp（-xβ），γ=0]? ?（4）

其中[γ]為形狀參數(shù)，[β]為規(guī)模參數(shù)。因此，本文對極值尾部樣本使用“偽極大似然估計方法（QMLE）”估計GPD簇分布函數(shù)的參數(shù)，從而獲得尾部GPD分布曲線與經(jīng)驗分布的擬合結(jié)果。從圖2可以直觀地看出，GPD分布與經(jīng)驗分布的擬合效果較好，表明本文設定的金融市場極端風險樣本的門檻值是合適的。另外，本文采用前一期（t-1期）的特征指標預測當前（t期）中國金融市場的極端風險狀態(tài)（0或1）。

為了讓實證結(jié)果更加可靠和準確，本文利用K折交叉驗證（K-fold cross-validation）方法對金融市場極端風險預測模型進行研究。已有研究表明，k在取5時對模型的預測效果影響不顯著（崔少澤等，2021）[21]，所以本文將k值確定為5。首先，5折交叉驗證將所有樣本集劃分成5個大小相同的樣本子集;其次，依次遍歷5個樣本子集，每次將當前子集j作為模型的測試集，其余樣本子集作為交叉驗證的訓練集;最后，當5個樣本子集遍歷完成后，把5次模型評估指標的平均值作為最終的評估指標，用于考察XGBoost預測模型的有效性。

此外，以AUC最大化作為模型參數(shù)選擇的目標，結(jié)合5折交叉驗證和隨機搜索法（Random Search，RS）對XGBoost模型的核心參數(shù)進行優(yōu)化選擇，有利于提高參數(shù)選取的效率和準確性，回避樣本抽樣的隨機性對預測模型性能的影響，其最優(yōu)參數(shù)如表4所示。

對本文所提出的XGBoost預測模型和其他模型分別繪制ROC曲線如圖3所示?？v軸是Sensitivity，橫軸是Specificity。XGBoost模型的ROC曲線明顯包住了其余模型，表明XGBoost預測模型的預測能力要顯著優(yōu)于RF、SVM和K最近鄰等方法。

為了對模型的預測精度進行更加全面地分析，進一步計算XGBoost預測模型的TR、AUC、G和F的評價指標值，且結(jié)合其他方法模型進行相應地比較研究，實驗對比結(jié)果如表5所示。在表5中，加粗的數(shù)字為各個指標得分的最大值，結(jié)果顯示XGBoost模型在預測金融市場極端風險狀態(tài)的效果顯著，其在各個指標上的表現(xiàn)突出，均優(yōu)于其余模型方法，從而說明XGBoost預測模型能夠有效提升我國金融市場極端風險的預測精度。另外，可以看出，RF、決策樹和K最近鄰的G和F值都較低，表明非對稱樣本對這幾類方法的預測能力有比較嚴重的影響，而XGBoost模型為93.96%和68.58%，相比次優(yōu)模型Logit分別提升了12.23%和50.72%，表明XGBoost在處理非平衡樣本上具有良好性能，可以顯著提高金融市場極端風險（少數(shù)類樣本）的分類準確率。究其原因可能在于傳統(tǒng)RF、SVM、決策樹、K最近鄰和GBRT沒有對非極端風險樣本和極端風險樣本所造成的嚴重的非均衡樣本的特征進行很好的考慮和處理，將許多極端風險樣本錯位判斷為正常樣本。

上述實驗結(jié)果僅從各評估指標的數(shù)值大小上對模型的預測性能進行了分析，為驗證結(jié)果在統(tǒng)計上的嚴謹性與可靠性，本文在表5結(jié)果的基礎上，對預測結(jié)果進行配對樣本T檢驗和弗里德曼檢驗，用以分析討論各個模型的預測效果是否存在顯著差異，檢驗結(jié)果見表6和表7。結(jié)果顯示，XGBoost與其他模型在TR和AUC上的T檢驗顯著，即表明XGBoost模型與其余7個模型的預測效果具有顯著差異。進一步地，從少數(shù)類樣本度量值F看，XGBoost與其他比較模型在10%的顯著性水平上存在顯著的差異性。需要注意的是，將極端風險樣本預測為非極端風險樣本所帶來的影響和危害要大于將非極端風險樣本預測為極端風險樣本（吳慶賀等，2020）[22]，所以在F值上的優(yōu)勢更能體現(xiàn)XGBoost模型在金融市場極端風險預測中的性能。綜上可知，XGBoost金融市場極端風險預測模型可以有效提升對于非平衡樣本的學習能力，比較好地識別和預測我國金融市場極端風險，從而為金融風險監(jiān)管部門和金融機構(gòu)應對和防范金融市場極端風險提供了有效的操作工具和方法。

（四）模型的可解釋性

除了XGBoost模型的預測精度和穩(wěn)定性，可解釋性也是評價金融市場極端風險預測模型的另一重要指標。具有良好可解釋性的預警模型可以克服傳統(tǒng)機器學習方法“黑箱”的局限性。因此，本文采用SHAP和LIME方法來對中國金融市場極端風險的影響因素進行解釋分析，讓復雜的XGBoost模型具備可解釋性。

1.? 模型預測結(jié)果的全局解釋。（1）總體影響因素分析。XGBoost與隨機森林一樣，只能反映出特征的重要程度，無法用單一的方程關系來表征各個變量的重要程度，難以分析特征變量對預測結(jié)果的具體影響程度，即不能衡量變量影響程度的大小以及作用程度的正負性。且對于單一樣本來說，各個特征變量x映射至預測變量y的關系無法被解釋。為了解決上述問題，增強模型的可解釋性，本文將利用SHAP方法解釋XGBoost模型的預測結(jié)果。SHAP解釋模型的基礎是Shapley于1953年提出的Shapley值法，該方法將模型中所有特征變量都定義為對模型結(jié)果的貢獻者，某一個特征變量的Shapley值就是該特征對模型預測值的邊際貢獻。

圖4直觀地展示了每個特征Shapley值的分布，根據(jù)影響金融市場極端風險因素的重要性進行排序。該圖右側(cè)顯示各個特征變量映射到Shapley值后的取值范圍和大小，表示變量對模型預測值的作用。與此同時，結(jié)合圖5的變量重要性排序來看，雖然二者排名的變量順序不完全相同，但影響金融市場是否會發(fā)生極端風險的關鍵因素包括TS、BBI、IMV、SMV和ERMV，其中IMV、BBI、TS和SMV在兩種變量重要性度量方法上均位于前5名，可見這四個因素是影響金融市場是否會發(fā)生極端風險最關鍵的因素，表明中國金融市場極端風險主要來源于銀行、保險和股票等市場。此外，IMV、TS、SMV和BBI主要對金融市場極端風險產(chǎn)生正向影響，即這些變量值越高，Shapley值越大，對應的金融市場發(fā)生極端風險的概率越大。

為了研究各個變量的Shapely值如何隨著時間變化，本文使用Shapley值法對中國2005年2月—2021年6月期間的金融市場風險值進行拆解，并將各個特征指標相應的Shapley值用折線圖的形式呈現(xiàn)。圖6直觀地展現(xiàn)了在不同時點下不同特征指標對中國金融市場極端風險發(fā)生概率的貢獻度。首先，BBI是拉高2007—2008年和2010—2011年中國金融市場風險水平的主要因素，對風險變動最為敏感，2007年的風險貢獻度達到最大（3.2）。其次，2012年以前ERMV和REIC也是推動中國金融市場風險水平的重要因素，ERMV的Shapley值由2011年4月的0.27上升至9月的0.41，與REIC相比，ERMV對風險的敏感度更強。最后，2012年6月后各個特征指標對中國金融市場極端風險的貢獻度均出現(xiàn)下降，尤其是BBI由最初推動中國金融市場極端風險的主要因素變?yōu)榻档惋L險的主要因素。

（2）單變量影響因素與閾值效應分析。為進一步解釋不同特征變量隨著特征值的變化對中國金融市場極端風險水平的影響，本文將特征值及其對應的Shapley值的關系以散點圖的形式進行呈現(xiàn)（見圖7）。本文選擇了三個比較有代表性的變量值散點圖，可以發(fā)現(xiàn)BBI、ERMV和LRU對中國金融市場極端風險具有重大影響，尤其是存在一種閾值效應。當BBI超過0.75后，其對中國金融市場極端風險的貢獻會由0上升至1.5左右，即超過閾值后BBI對中國金融市場極端風險的拉動作用會急劇增加，說明當銀行業(yè)發(fā)展過熱時會加劇風險的積累，導致整個金融市場極端風險水平的上升。另外，ERMV、LRU和SMV也存在這種閾值效應，其他指標并未表現(xiàn)出對中國金融市場極端風險的顯著影響。

2.? 模型預測結(jié)果的局部解釋。SHAP法運用于本模型還存在一定的缺陷，表現(xiàn)為解釋具有一定的局限性，所以本文選擇LIME可解釋方法對模型解釋性進行補充分析（Ribeiro等，2016）[23]。具體而言，在樣本集中各選取1個具有代表性的金融市場極端風險和非極端風險樣本點，進一步解釋特征指標對于單個樣本分類貢獻率，哪些特征與之沖突以及這些特征如何影響預測結(jié)果，以便更好地挖掘影響金融市場極端風險的關鍵因素。

如圖8所示，左側(cè)的圖表示在2013年6月，模型以99%的置信水平預測為正常狀態(tài)，即金融市場沒有產(chǎn)生極端風險。其中柱狀體的長度代表該變量的權重，具體地，負數(shù)表示該特征對預測結(jié)果產(chǎn)生負向作用，正數(shù)則相反。當金融市場未發(fā)生極端風險時，IMV、TS、ERMV和SMV等9個特征對模型預測為正常狀態(tài)起積極作用，其余指標起阻礙作用。其中，特征變量IMV會在0.263和0.5之間，對極端風險的產(chǎn)生產(chǎn)生抑制作用（-0.038），降低金融市場發(fā)生極端風險的概率。總體而言，模型預測為正常狀態(tài)的權重比預測為極端風險狀態(tài)的權重更大，即大于0的貢獻值的總和大于小于0的貢獻值絕對值的總和，所以最后的預測結(jié)果為正常狀態(tài)。該方法的應用不僅有利于金融監(jiān)管部門分析該預測模型的有效性，而且有助于預測模型的改進以及理解模型預測背后的原理。此外，本文還提供了其他10個樣本的特征變量對個體樣本預測結(jié)果的影響（見圖9）。

四、結(jié)論與啟示

本文基于2005年1月—2021年6月的金融市場數(shù)據(jù)，為中國構(gòu)建了FSI。該指數(shù)基于銀行市場、債券市場、股票市場、保險市場、房地產(chǎn)市場和外匯市場所包含的13個金融市場基礎指標計算，采用CDF轉(zhuǎn)換法對原始指標進行處理，隨后使用等權重法和主成分分析法分別為各子市場的指數(shù)和整個金融市場的指數(shù)進行賦權，最終合成了中國FSI。此外，通過事件匹配方法檢驗了其識別作用，結(jié)果顯示，該指數(shù)走勢與樣本區(qū)間內(nèi)實際經(jīng)濟事件發(fā)展趨勢情況大致相同，其識別出的金融市場風險較高的階段基本吻合了重要的壓力事件，可以較好地監(jiān)測我國金融市場的風險變化狀況，為后文的金融市場極端風險預測提供了依據(jù)。進一步，依據(jù)該指數(shù)構(gòu)建了中國金融市場極端風險預測模型，為了讓模型實驗結(jié)果更加準確可靠，本文運用5折交叉驗證法和隨機搜索法對預測模型進行實證研究，并采用多種評估指標與其余7種模型的預測性能進行比較分析，運用配對T檢驗和F檢驗對各模型預測結(jié)果的差異性進行統(tǒng)計檢驗。最后，采用SHAP和LIME法發(fā)掘出特征指標對金融市場極端風險的定量影響，提升了我們對主要影響因素的時間變化認識和指標閾值效應的理解。實驗結(jié)果顯示：第一，極端風險XGBoost預測模型能夠反映金融市場風險狀態(tài)變化情況，與RF、SVM、MLP和GBRT等模型相比，XGBoost預測模型不僅在預測精度上顯著優(yōu)于其余模型，而且具有明顯的統(tǒng)計檢驗意義，其嚴謹性和可信性更強。第二，XGBoost預測模型具有更好綜合預測能力和非均衡樣本的學習能力，即AUC和F值較高，遠遠優(yōu)于其他模型。第三，結(jié)合SHAP和LIME方法，以可視化的方式清晰地展示了不同特征指標對于金融市場極端風險的貢獻度，提升了我們對于主要影響因素的時變特征和指標閾值效應的理解。

依據(jù)以上實證研究結(jié)果，本文所構(gòu)建的能夠反映金融市場整體風險情況的綜合指數(shù)，可以比較有效地監(jiān)測我國金融市場風險變化狀況，為政府監(jiān)管部門進行科學調(diào)控和審慎管理提供有效的前瞻性信息。另外，XGBoost模型能夠有效地預測我國金融市場是否會發(fā)生極端風險，具有一定的實踐價值。對金融監(jiān)管當局而言，可以運用預測模型提前分析潛在風險，預防和防范金融市場風險的發(fā)生，從而維護金融市場的穩(wěn)定健康發(fā)展。對于金融企業(yè)而言，可以利用XGBoost模型的預測結(jié)果評估發(fā)生極端金融風險的可能性，及時制定和實施風險管理措施，優(yōu)化投資組合，提高自身抵抗市場風險的能力。對于投資者而言，可以運用該模型對金融產(chǎn)品的極端風險進行預判，提前發(fā)現(xiàn)可能存在的風險，及時地調(diào)整金融產(chǎn)品投資策略，做出正確的投資決策，從而減少或者避免相關投資損失。

注：

①[Ω（fh）=γT+12λω2]，[λ]為葉子權重懲罰系數(shù)，[γ]為葉子樹懲罰系數(shù)，[T]和[ω]分別為樹葉子節(jié)點數(shù)目和葉子權重值。

參考文獻：

[1]郭娜，祁帆，李金勝.中國系統(tǒng)性金融風險度量與貨幣政策影響機制分析 [J].金融論壇，2020，25（04）.

[2]范小云，方意，王道平.我國銀行系統(tǒng)性風險的動態(tài)特征及系統(tǒng)重要性銀行甄別——基于CCA與DAG相結(jié)合的分析 [J].金融研究，2013，（11）.

[3]許滌龍，陳雙蓮.基于金融壓力指數(shù)的系統(tǒng)性金融風險測度研究 [J].經(jīng)濟學動態(tài)，2015，（04）.

[4]Illing M，Liu Y. 2006. Measuring Financial Stress in a Developed Country：An Application to Canada [J].Journal of Financial Stability，2（3）.

[5]Manamperi N. 2015. A Comparative Analysis on US Financial Stress Indicators [J].International Journal of Economics and Financial issues，5（02）.

[6]馬勇，黃科.金融壓力指數(shù)及其政策應用：基于中國的實證分析 [J].金融監(jiān)管研究，2019，（07）.

[7]丁嵐，李鵬濤，劉立新.中國金融壓力指數(shù)的構(gòu)建與應用 [J].統(tǒng)計與信息論壇，2019，34（10）.

[8]Louzis D P，Vouldis A T. 2012. A Methodology for Constructing a Financial Systemic Stress Index：An Application to Greece [J].Economic Modelling，29（4）.

[9]Chatzis SP，Siakoulis V，Petropoulos A，Stavroulakis S，Vlachogiannakis N. 2018. Forecasting Stock Market Crisis Events Using Deep and Statistical Machine Learning Techniques [J].Expert Systems with Applications， 112.

[10]溫廷新，孔祥博.不平衡樣本下的金融市場極端風險預警研究 [J].計算機工程與應用，2020，56（08）.

[11]Ahn J J，Oh K J，Kim T Y，Kim D H. 2011. Usefulness of Support Vector Machine to Develop an Early Warning System for Financial Crisis [J].Expert Systems with Applications，38（4）.

[12]王鵬，黃迅.基于Twin-SVM的多分形金融市場風險的智能預警研究 [J].統(tǒng)計研究，2018，35（02）.

[13]肖艷麗，向有濤.企業(yè)債券違約風險預警——基于GWO-XGBoost方法 [J].上海金融，2021，（10）.

[14]Chen T，Guestrin C. 2016. Xgboost：A Scalable Tree Boosting System [C].Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining.

[15]He H，Zhang W，Zhang S. 2018. A Novel Ensemble Method for Credit Scoring：Adaption of Different Imbalance Ratios [J].Expert Systems with Applications，98.

[16]淳偉德，肖楊.供給側(cè)結(jié)構(gòu)性改革期間系統(tǒng)性金融風險的SVM預警研究 [J].預測，2018，37（05）.

[17]Hollo D，Kremer M，Lo Duca M. 2012. CISS-a Composite Indicator of Systemic Stress in the Financial System [J]. Social Science Electronic Publishing，2012.

[18]陳忠陽，許悅.我國金融壓力指數(shù)的構(gòu)建與應用研究 [J].當代經(jīng)濟科學，2016，38（01）.

[19]孫蕾.基于主成份和灰色預測法的房地產(chǎn)金融風險預警體系研究 [J].金融監(jiān)管研究，2016，（11）.

[20]DuMouchel W H. 1983. Estimating the Stable Index $＼alpha $ in order to Measure Tail Thickness：A Critique[J].the Annals of Statistics，11（4）.

[21]崔少澤，趙森堯，王延章.基于ADASYN-IFA-Stacking的再入院患者風險預測方法 [J].系統(tǒng)工程理論與實踐，2021，41（03）.

[22]吳慶賀，唐曉華，林宇.創(chuàng)業(yè)板上市公司財務危機的識別與預警 [J].財會月刊，2020，（02）.

[23]Ribeiro M T，Singh S，Guestrin C. 2016. "Why should I Trust You？"Explaining the Predictions of any Classifier [C].Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining.

Prediction Model of Extreme Risk State in Chinese Financial Market and its Application

Xiao Yanli/Xiang Youtao

（Hubei Academy of Social Sciences，Wuhan? ?430077，Hubei，China）

Abstract：With the development of economic globalization and the gradual opening of the domestic financial market， China's financial market is also facing threats and challenges from foreign financial risks. This paper fully considers some of the characteristic facts of Chinese financial market，combined with China's realities，China's financial market as the research object，selects 13 representative indicators，and uses data from January，2005 to June，2021 to construct Chinese financial market risks index，and tests the validity of index identification by event matching method. Further，the XGBoost model is used to predict the extreme risk in the Chinese financial market，and multiple evaluation metrics are used to compare it with the traditional SVM，GBRT，RF，and MLP models in a comparative study，and the differences in the predictive effects of each model are tested for significance using paired-samples t-tests and Friedman tests. Finally，the SHAP and LIME methods are combined to show the contribution of different characteristic indicators to the risk of Chinese financial markets. The empirical results show that（1）the constructed index better conforms to the actual situation of risk changes in China's financial market;（2）he XGBoost prediction model has a better ability to identify extreme financial risk samples with higher accuracy，and its prediction performance is superior compared with the rest of the models，and it has obvious statistical test significance;（3）The Shapley and LIME methods are used to uncover the main factors affecting the risk of China's financial market and their time-varying characteristics，and the discovery of threshold effects facilitates the financial sector's targeted prudential supervision of financial market risk.

Key Words：financial market risk，stress index，extreme risk prediction model，XGBoost，Shapley Value，interpretability