榮夢杰

（武漢華夏理工學(xué)院 信息工程學(xué)院）

一、引言

2019年2月22日下午，習(xí)近平總書記在中共中央政治局第十三次集體學(xué)習(xí)時指出“防范化解金融風(fēng)險特別是防止發(fā)生系統(tǒng)性金融風(fēng)險，是金融工作的根本性任務(wù)”，因此及時、準(zhǔn)確地掌握有效的金融風(fēng)險信息是金融監(jiān)管工作的重中之重。隨著大數(shù)據(jù)時代的到來，金融市場也萌發(fā)了新跡象——互聯(lián)網(wǎng)金融，互聯(lián)網(wǎng)金融在極大地促進(jìn)金融市場發(fā)展的同時，也帶來了新的挑戰(zhàn)，使得金融市場風(fēng)險形式與傳導(dǎo)機(jī)制更加復(fù)雜，金融風(fēng)險呈現(xiàn)復(fù)雜的非線性特征。根據(jù)以往研究，金融風(fēng)險測度方法主要可以分為三大類：信號法、綜合評價法和模型法。信號法主要依賴于歷史經(jīng)驗所得，并不適用于我國。雖然針對金融風(fēng)險測度的模型已有很多，例如，基于期望損失理論的邊際期望損失（MES）法、系統(tǒng)性期望損失（SES）法、系統(tǒng)性風(fēng)險度量（SRISK）法等，基于條件在險價值理論的CoVaR和Co-Risk模型，基于Black-Sholes期權(quán)定價理論的未定權(quán)益分析（CCA）法[1]，但這些經(jīng)典模型都是針對傳統(tǒng)金融市場而言，無法準(zhǔn)確刻畫現(xiàn)如今的金融市場。綜合評價法被廣泛用在金融風(fēng)險測度方面，因為該方法靈活、多變、適應(yīng)性強(qiáng)，其中權(quán)重的確定方法有很多，常用的有等方差權(quán)重法[2,3]、主成分分析法[4]、信用加權(quán)法[5]等，針對當(dāng)今金融市場風(fēng)險特征，這些加權(quán)方法已不足以充分刻畫金融風(fēng)險，因此本文采用能夠進(jìn)行非線性建模的隨機(jī)森林模型來確定權(quán)重[6]，最終進(jìn)行綜合評價，力求更加及時、準(zhǔn)確地刻畫出金融風(fēng)險狀況。

二、隨機(jī)森林算法

隨機(jī)森林通過決策樹對樣本進(jìn)行分類，最早由Leo Breiman和Adele Cutler提出，該分類器通過Bagging算法，隨機(jī)抽取樣本，重復(fù)構(gòu)建決策樹，最終給出分類結(jié)果，其算法如圖1。

圖1 隨機(jī)森林算法流程圖

三、基于隨機(jī)森林模型的區(qū)域金融風(fēng)險測度

（一）數(shù)據(jù)來源

本文選取三大經(jīng)濟(jì)區(qū)域所包含的18個省區(qū)市作為研究對象①，觀察時段為2000年到2020年，相應(yīng)的指標(biāo)數(shù)據(jù)來源于各省、市統(tǒng)計年鑒，其中，證券交易額數(shù)據(jù)來自各省、市的《國民經(jīng)濟(jì)和社會發(fā)展統(tǒng)計公報》。為消除量綱的影響，將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，并對地區(qū)生產(chǎn)總值增長率指標(biāo)進(jìn)行倒數(shù)正向化處理。

（二）區(qū)域金融風(fēng)險指標(biāo)體系構(gòu)建

隨著區(qū)域金融一體化進(jìn)程的持續(xù)推進(jìn)，不同區(qū)域之間的金融業(yè)務(wù)往來愈加頻繁，也就意味著區(qū)域間的風(fēng)險連帶效應(yīng)增強(qiáng)，區(qū)域內(nèi)部金融市場機(jī)制與區(qū)域外部環(huán)境的相互作用、相互制約對本區(qū)域的金融市場穩(wěn)定都起著同等重要的作用。因此，想要準(zhǔn)確評價區(qū)域金融風(fēng)險水平就要從多個維度、不同空間進(jìn)行綜合考慮，不能只考慮金融市場內(nèi)部環(huán)境，外部環(huán)境同樣是影響區(qū)域金融風(fēng)險的重要因素[7]。結(jié)合我國環(huán)渤海、長三角和泛珠三角區(qū)域的區(qū)域特征，從金融市場內(nèi)部和外部兩個維度出發(fā)，構(gòu)建的區(qū)域金融風(fēng)險指標(biāo)體系如表1所示。

表1 區(qū)域金融風(fēng)險指標(biāo)體系

（三）k-means聚類確定類別標(biāo)簽

確定了衡量三大經(jīng)濟(jì)區(qū)域金融風(fēng)險的主要因素以后，需要進(jìn)一步確定各個因素對區(qū)域金融風(fēng)險的影響程度，進(jìn)而確定出各個因素的權(quán)重。在確定權(quán)重之前，需要先量化各個因素對區(qū)域金融風(fēng)險的影響程度。運(yùn)用Rstudio對原始數(shù)據(jù)進(jìn)行整體聚類，發(fā)現(xiàn)聚類結(jié)果欠佳，觀察發(fā)現(xiàn)以2008年為分界點，此節(jié)點前后數(shù)據(jù)波動變化呈現(xiàn)明顯不同，因此以2008年為分割點，將原始數(shù)據(jù)劃分為兩個部分，進(jìn)行分段聚類。為獲得每一部分的類別標(biāo)簽，先運(yùn)用層次聚類法確定每個部分的最佳聚類數(shù)，再進(jìn)行k-means聚類，最終給出樣本的類別標(biāo)簽。為確定k-means聚類的結(jié)果是否準(zhǔn)確，因此需要驗證聚類結(jié)果的現(xiàn)實意義，表2列出了2000年-2008年時間段內(nèi)的頻數(shù)統(tǒng)計結(jié)果，表中只顯示了各類別中出現(xiàn)頻率較高的地區(qū)。

表2 k-means聚類結(jié)果統(tǒng)計②

一般而言，地區(qū)的金融風(fēng)險水平與其經(jīng)濟(jì)實力是成正比的，可根據(jù)地區(qū)的經(jīng)濟(jì)發(fā)展?fàn)顩r初步推斷地區(qū)的金融風(fēng)險水平。從下表2可以看出，分在第二類的北京、廣東、上海等地區(qū)為經(jīng)濟(jì)較為發(fā)達(dá)、金融市場發(fā)展較為成熟的地區(qū)，分在第三類的河北、安徽、江西等地區(qū)為經(jīng)濟(jì)、金融發(fā)展相對落后的地區(qū)，分在第一類的大部分地區(qū)的經(jīng)濟(jì)發(fā)展處于中等水平，二分在第二類的地區(qū)多為經(jīng)濟(jì)發(fā)達(dá)區(qū)域。可以看出，k-means最終的聚類結(jié)果與實際的經(jīng)濟(jì)實力水平相符，確實對各個地區(qū)的風(fēng)險水平進(jìn)行了有效區(qū)分。

（四）隨機(jī)森林構(gòu)建

將上文中確定的類別標(biāo)簽作為目標(biāo)監(jiān)督值進(jìn)行隨機(jī)森林構(gòu)建，通過對已知類別的學(xué)習(xí)過程來確定各個指標(biāo)的重要性程度。把含有類別標(biāo)簽的全樣本分為訓(xùn)練集和測試集，比例為3:1，確定決策樹的合適個數(shù)n，進(jìn)行隨機(jī)森林搭建，得到如下圖2、圖3所示的誤差收斂圖.2000-2008年數(shù)據(jù)段，n在數(shù)值200附近誤差開始趨于平緩，因此n取200，2009-2020年數(shù)據(jù)段，n在數(shù)值300附近誤差開始趨于平緩，因此n取300。

圖2 2000-2008年隨機(jī)森林過程的誤差收斂圖

圖3 2009-2020年隨機(jī)森林過程的誤差收斂圖

為確定各個指標(biāo)的權(quán)重值，構(gòu)建上述隨機(jī)森林模型，輸 出IncNodePurity指 標(biāo)，IncNodePurity指標(biāo)越大，指標(biāo)對目標(biāo)值越重要，各指標(biāo)的IncNodePurity值如下表3所示，本文用各個變量在全部變量中的IncNodePurity值占比來表示各指標(biāo)對于測度金融風(fēng)險的權(quán)重，加權(quán)求和計算出區(qū)域金融風(fēng)險。

表3 隨機(jī)森林構(gòu)架過程的IncNodePurity指標(biāo)

對表3中指標(biāo)數(shù)據(jù)進(jìn)行加權(quán)求和，求出三大經(jīng)濟(jì)區(qū)域2000年到2020年間的金融風(fēng)險平均水平，并繪制出各個區(qū)域的金融風(fēng)險演變趨勢折線圖，如圖4所示。

圖4 三大經(jīng)濟(jì)區(qū)域金融風(fēng)險水平演變趨勢

由三大經(jīng)濟(jì)區(qū)域金融風(fēng)險水平演變趨勢圖可以看出，整體來看，2000年到2020年間三大經(jīng)濟(jì)區(qū)域金融風(fēng)險呈現(xiàn)此起彼伏的循環(huán)變化趨勢，期間的金融風(fēng)險波動幅度相近，三大經(jīng)濟(jì)區(qū)域風(fēng)險明顯增大、風(fēng)險明顯相對穩(wěn)定的時間區(qū)間大致重合，主要由于三大經(jīng)濟(jì)區(qū)域的經(jīng)濟(jì)、金融都相對完善、成熟，業(yè)務(wù)往來較為密切，導(dǎo)致區(qū)域之間的風(fēng)險聯(lián)動性更為明顯，促使三大區(qū)域的金融市場波動變化同步、風(fēng)險相依性較強(qiáng)。

2000年到2020年間，2008年的金融危機(jī)對我國金融市場產(chǎn)生的影響巨大，本文基于隨機(jī)森林模型測度出的三大經(jīng)濟(jì)區(qū)域金融風(fēng)險水平，相較于2000到2020年間的其他年份，確實都在2008年附近產(chǎn)生了較大波動，說明本文的風(fēng)險測度方法選取較為合適，能刻畫出相對真實的金融市場風(fēng)險現(xiàn)狀。三大經(jīng)濟(jì)區(qū)域的金融風(fēng)險水平除了受金融危機(jī)影響在2008年前后出現(xiàn)幅度較大的異常波動外，其他觀察期內(nèi)整體的金融風(fēng)險波動幅度和水平都較為穩(wěn)定。金融危機(jī)過后，自2010年以來，金融風(fēng)險水平整體在平緩發(fā)展中略有下降，整體波動也趨于平緩。

四、結(jié)論與建議

本文以三大經(jīng)濟(jì)區(qū)域為研究對象，對2000年到2020年間18個地區(qū)的面板數(shù)據(jù)進(jìn)行分析，建立隨機(jī)森林模型測度出三大經(jīng)濟(jì)區(qū)域的金融風(fēng)險水平，得出以下結(jié)論并給出相應(yīng)建議：

（1）2000-2020年間三大經(jīng)濟(jì)區(qū)域金融風(fēng)險的聯(lián)動效應(yīng)明顯。

金融監(jiān)管部門可通過區(qū)域間的聯(lián)動效應(yīng)整體把握三大經(jīng)濟(jì)區(qū)域的金融風(fēng)險狀況，可通過其中一個區(qū)域的風(fēng)險演變趨勢有效預(yù)判其他區(qū)域的風(fēng)險走勢與變化。

（2）自2010年以來，我國金融市場平均風(fēng)險水平明顯下降，風(fēng)險波動也趨于平緩。

金融監(jiān)管部門除持續(xù)穩(wěn)定金融市場的當(dāng)前狀態(tài)外，應(yīng)有針對性地加強(qiáng)三大經(jīng)濟(jì)區(qū)域外部環(huán)境穩(wěn)定性的維護(hù)，減少外部環(huán)境因素對內(nèi)部金融市場穩(wěn)定性的牽制強(qiáng)度與力度，以實現(xiàn)三大經(jīng)濟(jì)區(qū)域金融市場內(nèi)部與外部系統(tǒng)的“良性有效循環(huán)”，推動三大經(jīng)濟(jì)區(qū)域金融市場穩(wěn)定、高效運(yùn)行。

【注釋】

①環(huán)渤海區(qū)域：北京、天津、河北、遼寧、山東；長三角區(qū)域：上海、江蘇、浙江、安徽；泛珠三角區(qū)域：廣東、福建、江西、湖南、廣西、海南、四川、貴州、云南。

②括號內(nèi)為同一地區(qū)在同一類中出現(xiàn)的頻數(shù)。