資本流動(dòng)風(fēng)險(xiǎn)主要預(yù)警模型述評(píng)

張帥

摘 要：通過對(duì)常用的資本流動(dòng)風(fēng)險(xiǎn)評(píng)價(jià)模型，如KLR模型、FR概率模型、STV模型、神經(jīng)網(wǎng)絡(luò)模型、馬爾科夫區(qū)制轉(zhuǎn)換模型及其他模型進(jìn)行分析發(fā)現(xiàn)，不同的預(yù)警模型均存在著預(yù)警效果的優(yōu)勢(shì)與不足。未來的預(yù)警模型構(gòu)建需要注意以下幾點(diǎn)：一是預(yù)警指標(biāo)的選擇范圍要廣，指標(biāo)閾值的確定需根據(jù)不同國家的國情來設(shè)定；二是在考慮預(yù)警指標(biāo)之間線性關(guān)系的同時(shí)，重視風(fēng)險(xiǎn)發(fā)生的非線性關(guān)系；三是關(guān)注危機(jī)爆發(fā)的連續(xù)性、傳染性及時(shí)滯性。

關(guān) 鍵 詞：資本流動(dòng)風(fēng)險(xiǎn)預(yù)警；KLR模型；FR概率模型；STV模型；神經(jīng)網(wǎng)絡(luò)模型

中圖分類號(hào)：F733 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-2517（2017）02-0071-08

Review of Warning Models of Capital Flow Risks

Zhang Shuai

（Xinjiang University of Finance and Economics， Urumqi 830012， China）

Abstract： By analyzing commonly used capital flow risk evaluation models such as KLR model， FR probability model， STV model， Neural Network model， Markov model， and other types of models， the paper discovered that there exists advantage and disadvantage in different types of waning models. The establishment of future of warning models should highlight the following three points. Firstly， the selection of warning indicators should cover a wide range and index threshold should be based on situation of different countries. Secondly， non-linear relation in the occurrence of risks should also be watched while considering the linear relations. Thirdly， the continuity， contagion and delay of the outbreak of crisis should be watched out.

Key words： early warning of capital flow risk； KLR model； FR probability model； STV model； Neural Network model

關(guān)于國際資本流動(dòng)的研究由來已久， 但在20世紀(jì)80年代以前， 資本流動(dòng)通常是伴隨實(shí)體經(jīng)濟(jì)而運(yùn)作的， 因此很少產(chǎn)生危機(jī)。20世紀(jì)80年代后，以拉美債務(wù)危機(jī)為起點(diǎn)，國際資本流動(dòng)開始頻繁地對(duì)東道國產(chǎn)生沖擊， 并引發(fā)一系列的危機(jī)，資本流動(dòng)風(fēng)險(xiǎn)理論開始引起學(xué)者的關(guān)注并得到蓬勃發(fā)展， 在此背景下衍生了眾多風(fēng)險(xiǎn)預(yù)警方法。國內(nèi)外學(xué)者關(guān)于資本流動(dòng)風(fēng)險(xiǎn)評(píng)價(jià)模型的研究主要體現(xiàn)在資本異常流動(dòng)引發(fā)金融危機(jī)的預(yù)警模型構(gòu)建方面， 且已經(jīng)逐漸形成一套基本的分析框架，其中主要的預(yù)警模型有KLR模型、FR概率模型、STV模型、 神經(jīng)網(wǎng)絡(luò)模型及馬爾科夫區(qū)制轉(zhuǎn)換模型。本文將對(duì)這些主要方法的預(yù)警原理、預(yù)警效果及優(yōu)缺點(diǎn)進(jìn)行梳理，為后續(xù)學(xué)者選擇合理的預(yù)警模型提供有價(jià)值的參考與借鑒。

一、KLR模型

KLR模型是由Kaminsky等（1998）選取15個(gè)月度指標(biāo)而構(gòu)建的信號(hào)預(yù)警模型，指出當(dāng)預(yù)警指標(biāo)超過事先確定的臨界值時(shí)，就認(rèn)為發(fā)出了危機(jī)信號(hào)，而危機(jī)信號(hào)越多，則說明國家爆發(fā)危機(jī)的機(jī)率就越大[1]。Kaminsky等在1999年對(duì)KLR模型進(jìn)行了完善， 拓展了預(yù)警指標(biāo)的選擇范圍， 同時(shí)考慮了銀行危機(jī)和貨幣危機(jī)的影響因素。由于不同指標(biāo)測算出來的危機(jī)概率存在差異，從而降低了預(yù)警結(jié)果的可信度，Kaminskiy等通過對(duì)預(yù)警指標(biāo)進(jìn)行合成處理，并對(duì)合成指標(biāo)進(jìn)行危機(jī)信號(hào)的判斷，從而提高了預(yù)警效果的準(zhǔn)確性[2]。合成指標(biāo)主要包括四種：

第一種是信號(hào)的簡單加總，即：I■■=■Zit。其中Zit是單一指標(biāo)i在t時(shí)期發(fā)出的預(yù)警信號(hào)。

第二種是信號(hào)加總并賦予簡單權(quán)重，即：I■■=■（Z■■+2Z■■）。其中Z■■、Z■■分別是弱勢(shì)指標(biāo)與強(qiáng)勢(shì)指標(biāo)在t時(shí)期發(fā)出的預(yù)警信號(hào)。

第三種是信號(hào)水平時(shí)期加總， 即I■■=■Z■■。其中Z■■是單一指標(biāo)i在t-m時(shí)期到t時(shí)期發(fā)出的預(yù)警信號(hào)情況。

第四種是信號(hào)加總并賦予不同權(quán)重，即：I■■=■■。其中Zit是單一指標(biāo)i在t時(shí)期發(fā)出的預(yù)警信號(hào)，wi是指標(biāo)的噪音信號(hào)比。

Kaminskiy研究發(fā)現(xiàn)合成指標(biāo)的預(yù)警能力較單一指標(biāo)有很大的提升，且四種合成指標(biāo)在預(yù)警效果方面也存在顯著差異。國內(nèi)外學(xué)者采用KLR信號(hào)模型做了廣泛的預(yù)警研究。

Cipollini等（2003）首先構(gòu)建了金融危機(jī)評(píng)價(jià)指標(biāo)體系， 并采用主成分分析法對(duì)指標(biāo)進(jìn)行顯著性檢驗(yàn)，從而確定預(yù)警指標(biāo)， 最后采用KLR模型對(duì)亞洲金融危機(jī)蔓延的動(dòng)態(tài)因素進(jìn)行了研究[3]。史建平等（2009） 采用新興市場國家發(fā)生危機(jī)的歷史數(shù)據(jù)進(jìn)行了相關(guān)研究， 分析表明KLR模型的危機(jī)預(yù)警效果明顯優(yōu)于其他模型，能夠用于后續(xù)危機(jī)預(yù)警的研究當(dāng)中[4]。譚福梅（2010）采用KLR模型對(duì)美國等15個(gè)國家的銀行危機(jī)進(jìn)行了樣本外檢驗(yàn)和樣本內(nèi)檢驗(yàn)，結(jié)果顯示該模型對(duì)銀行危機(jī)具有較好的預(yù)警能力[5]。

在我國有學(xué)者對(duì)KLR預(yù)警指標(biāo)體系進(jìn)行了完善，使之能適應(yīng)我國金融危機(jī)預(yù)警的要求。徐道宣（2007）在現(xiàn)有危機(jī)預(yù)警指標(biāo)體系的基礎(chǔ)上，結(jié)合我國的經(jīng)濟(jì)發(fā)展現(xiàn)狀， 對(duì)KLR模型的預(yù)警指標(biāo)進(jìn)行了完善，從而提高該模型在我國金融危機(jī)預(yù)警效果的準(zhǔn)確度[6]。楊雪萊等（2012）通過構(gòu)建兼具覆蓋性、可獲得性和可操作性的中國金融風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，并且確定了預(yù)警指標(biāo)的閾值，采用信號(hào)分析方法對(duì)我國的金融風(fēng)險(xiǎn)進(jìn)行預(yù)警研究，發(fā)現(xiàn)我國面臨的最大風(fēng)險(xiǎn)來源于國內(nèi)外經(jīng)濟(jì)失衡、外部沖擊的影響[7]。張安軍（2015）從先導(dǎo)性與免疫性兩大維度構(gòu)建了后金融危機(jī)時(shí)代國家金融安全預(yù)警指標(biāo)體系，通過運(yùn)用KLR信號(hào)分析法對(duì)我國不同時(shí)期的金融安全進(jìn)行測度，分析認(rèn)為我國金融風(fēng)險(xiǎn)處于逐漸下降的過程[8]。

KLR信號(hào)分析法的優(yōu)點(diǎn)在于構(gòu)建了金融危機(jī)預(yù)警的指標(biāo)體系及相應(yīng)閾值，明確了系統(tǒng)的監(jiān)測范圍及警戒區(qū)間， 從根源上揭示了危機(jī)爆發(fā)的原因，對(duì)構(gòu)建金融危機(jī)預(yù)警系統(tǒng)具有重要的應(yīng)用價(jià)值。該模型的缺點(diǎn)主要是預(yù)警指標(biāo)閾值的確定通常依據(jù)歷史數(shù)據(jù)進(jìn)行定量設(shè)定， 缺乏有效的定性分析，而不同國家對(duì)于預(yù)警指標(biāo)閾值的設(shè)定可能存在差異性，從而使得該模型在不同國家檢驗(yàn)得出的預(yù)警效果差異較大。該模型把不同指標(biāo)作為獨(dú)立個(gè)體進(jìn)行信號(hào)檢驗(yàn)，缺乏從整體結(jié)構(gòu)上的把握，忽略了預(yù)警指標(biāo)相互之間的動(dòng)態(tài)影響，從而降低了預(yù)警效果的準(zhǔn)確性。

二、FR概率模型

FR概率模型是由Frankel等（1996）針對(duì)新興市場國家設(shè)計(jì)的危機(jī)預(yù)警模型，該模型依據(jù)概率分布函數(shù)來判斷危機(jī)是否發(fā)生[9]。假設(shè)Y代表危機(jī)變量，其取值為0代表并無危機(jī)爆發(fā)，取值為1代表危機(jī)爆發(fā)，Xi則反映對(duì)危機(jī)產(chǎn)生影響的其他變量。其原理如下：

Yi=？琢1X1i+？琢2X2i+…+？琢kXki+？滋i，其向量形式為：

Yi=X■■？琢+？滋i

則E（Yi）=1×P（Yi=1）+0×P（Yi=0）=P（Yi=1）=

X■■？琢，其中P表示危機(jī)發(fā)生的概率，？琢表示模型的估計(jì)參數(shù)。離散模型一般采用OLS進(jìn)行估計(jì)，但考慮到異方差問題，通常選擇加權(quán)OLS法進(jìn)行測算，為了保證預(yù)測值在（0，1）內(nèi)變化的限制，通常進(jìn)行如下變化：

假設(shè)存在變量Y*滿足Y*=X■■？琢+？滋■■，且

Yi=1，Y*>00，Y*≤0，則可得到：

P（Yi=1|Xi，？琢）=P（Y■■>0）=P（？滋■■>-X■■？琢）

=1-F（-X■■？琢）=F（Xi，？琢i）

P（Yi=0|Xi，？琢）=P（Y■■≤0）=P（？滋■■≤-X■■？琢）

=F（-X■■？琢）=1-F（Xi，？琢i）

于是，P（Y=1）=F（Xi，？琢i）P（Y=0）=1-F（Xi，？琢i），F(xiàn)表示聯(lián)合概率分布函數(shù)。通過選擇具體的概率分布函數(shù)便可測算出危機(jī)發(fā)生的概率，其中概率分布函數(shù)為連續(xù)函數(shù)且單調(diào)遞增。

由于分布函數(shù)類型存在差異性，F(xiàn)R概率模型又可分為Logit模型（邏輯分布）和Probit模型（標(biāo)準(zhǔn)正態(tài)分布）。若模型的估計(jì)系數(shù)為正，則表示危機(jī)發(fā)生概率與變量之間存在正相關(guān)關(guān)系；反之，若系數(shù)為負(fù)，則說明危機(jī)發(fā)生概率與變量之間存在負(fù)相關(guān)關(guān)系。

國內(nèi)外學(xué)者分別采用Logit模型和Probit模型進(jìn)行了大量的風(fēng)險(xiǎn)預(yù)警研究。Andrew等（1999）利用東南亞國家爆發(fā)金融危機(jī)的經(jīng)驗(yàn)數(shù)據(jù)， 對(duì)FR概率模型的預(yù)警效果進(jìn)行實(shí)證檢驗(yàn)，研究表明該模型預(yù)警的準(zhǔn)確度在不同國家存在明顯的差異性，模型預(yù)測的可靠性需要進(jìn)一步來檢驗(yàn)[10]。Asli等（1997）通過構(gòu)建多元Logit模型對(duì)發(fā)達(dá)國家和發(fā)展中國家的樣本數(shù)據(jù)進(jìn)行預(yù)警分析， 結(jié)果顯示：若一個(gè)國家存在較低的經(jīng)濟(jì)增長速度及較嚴(yán)重的通貨膨脹時(shí)則更容易發(fā)生危機(jī)[11]。陳守東等（2006）、張德鴻（2016）分別采用Logit模型對(duì)我國的系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行了預(yù)警分析，結(jié)果顯示我國爆發(fā)貨幣危機(jī)的可能性較小[12]-[13]。傅強(qiáng)等（2015）通過對(duì)19個(gè)樣本國家的主要金融經(jīng)濟(jì)指標(biāo)進(jìn)行指標(biāo)篩選，分別建立了基于靜態(tài)Logit方法和動(dòng)態(tài)Logit方法的金融危機(jī)預(yù)警模型， 經(jīng)過樣本內(nèi)檢驗(yàn)和樣本外檢驗(yàn)，結(jié)果顯示動(dòng)態(tài)Logit預(yù)警模型優(yōu)于靜態(tài)Logit預(yù)警模型[14]。馬德功等（2009）通過構(gòu)建因子-Logistic預(yù)警模型對(duì)我國貨幣危機(jī)的可能性進(jìn)行分析，結(jié)果顯示該模型具有較高的預(yù)測正確率[15]。胡援成（2013）基于新興市場國家主權(quán)債務(wù)危機(jī)數(shù)據(jù)， 使用Logit方法和支持向量機(jī)方法構(gòu)建危機(jī)預(yù)警系統(tǒng)， 結(jié)果顯示，該系統(tǒng)在預(yù)警準(zhǔn)確率、一類錯(cuò)誤率和二類錯(cuò)誤率上具有比較優(yōu)勢(shì)，且支持向量機(jī)方法在提高預(yù)測準(zhǔn)確率方面也有較明顯的優(yōu)勢(shì)[16]。

Andrew等（1999）首先利用KLR信號(hào)法篩選出有效的危機(jī)預(yù)警指標(biāo)，然后通過構(gòu)建Probit模型進(jìn)行危機(jī)的預(yù)測[17]。Cipollini等（2009）首先采用統(tǒng)計(jì)方法對(duì)預(yù)測經(jīng)濟(jì)風(fēng)險(xiǎn)的評(píng)價(jià)指標(biāo)體系進(jìn)行篩選，然后通過構(gòu)建Probit模型對(duì)經(jīng)濟(jì)危機(jī)爆發(fā)的概率進(jìn)行檢驗(yàn)[18]。朱鈞鈞等（2012）提出了一種混合Gibbs取樣和Griddy-Gibbs取樣的MCMC估計(jì)方法，同時(shí)考慮債務(wù)危機(jī)在各國之間的傳染效應(yīng)，構(gòu)建了空間Probit面板模型，并以巴西、阿根廷、土耳其和尼日利亞為例說明該模型具有較好的預(yù)警效果[19]。顏建暉等（2014）采用52個(gè)國家的樣本數(shù)據(jù)，加入危機(jī)傳染性變量，構(gòu)建了基于Probit面板模型的主權(quán)債務(wù)危機(jī)預(yù)警模型，結(jié)果顯示除了宏觀經(jīng)濟(jì)變量的惡化會(huì)對(duì)本國主權(quán)債務(wù)危機(jī)的爆發(fā)產(chǎn)生積極影響外，其他國家危機(jī)的發(fā)生也會(huì)明顯提高本國債務(wù)危機(jī)爆發(fā)的概率[20]。

FR概率模型能夠直接測算出危機(jī)發(fā)生的概率，直觀地顯示預(yù)警指標(biāo)對(duì)危機(jī)的影響，同時(shí)能夠有效地監(jiān)測當(dāng)指標(biāo)超過閾值后，危機(jī)爆發(fā)前后的連續(xù)變化情況， 克服了KLR模型存在的不連續(xù)性缺陷。該模型的不足是隨著預(yù)警指標(biāo)數(shù)量的增加將產(chǎn)生多重共線性問題，同時(shí)建立在大數(shù)定理基礎(chǔ)上的假設(shè)在一定程度上限制了該模型的應(yīng)用范圍。

三、STV截面回歸模型

STV模型是由Sachs等（1996）構(gòu)建的，用來檢驗(yàn)新興市場國家在1994～1995年間發(fā)生的貨幣危機(jī)[21]。由于采用了20個(gè)新興市場國家的截面數(shù)據(jù)及線性回歸方法，因此該模型被稱為STV截面回歸模型。該模型的表達(dá)方式如下：

IND=？琢0+？琢1 RER+？琢2 LB+？琢3 DLR RER+？琢4 DLR LB+

？琢5 DWF RER+？琢6 DWF LB+？著

其中，IND為金融危機(jī)指數(shù)， 采用匯率變動(dòng)率與外匯儲(chǔ)備變動(dòng)率的加權(quán)平均值來衡量；RER為實(shí)際匯率的變動(dòng)率；LB為國內(nèi)信貸規(guī)模水平，采用銀行對(duì)私有部門的債權(quán)與GDP的比值來衡量；采用廣義貨幣（M2）與外匯儲(chǔ)備的比值作為衡量外匯儲(chǔ)備豐度的標(biāo)準(zhǔn)。DWF、DLR為虛擬變量，DWF=0表示該國具有穩(wěn)定的經(jīng)濟(jì)環(huán)境，此時(shí)銀行信貸變動(dòng)在最低四分位，而匯率變動(dòng)在最高四分位，否則DWF=1，表示該國具有脆弱的經(jīng)濟(jì)環(huán)境；DLR=0表示該國具有較多的外匯儲(chǔ)備，此時(shí)外匯儲(chǔ)備豐度處于樣本最高四分位。

當(dāng)DWF=0且DLR=0時(shí)，說明該國具有較穩(wěn)定的經(jīng)濟(jì)環(huán)境和充足的外匯儲(chǔ)備，？琢1和？琢2反映了經(jīng)濟(jì)環(huán)境對(duì)金融危機(jī)的影響，根據(jù)理論分析，此時(shí)應(yīng)有？琢1=0、？琢2=0。

當(dāng)DWF=0且DLR=1時(shí)，說明該國具有較穩(wěn)定的經(jīng)濟(jì)環(huán)境和較低的外匯儲(chǔ)備，？琢1+？琢3與？琢2+？琢4反映了經(jīng)濟(jì)環(huán)境對(duì)金融危機(jī)的影響，根據(jù)理論分析，此時(shí)應(yīng)有？琢1+？琢3=0、？琢2+？琢4=0。

當(dāng)DWF=1且DLR=1時(shí)，說明該國具有較差的經(jīng)濟(jì)環(huán)境和較低的外匯儲(chǔ)備，？琢1+？琢3+？琢5與？琢2+？琢4+？琢6反映了經(jīng)濟(jì)環(huán)境對(duì)金融危機(jī)的影響，根據(jù)理論分析，此時(shí)應(yīng)有？琢1+？琢3+？琢5<0、？琢2+？琢4+？琢6>0。

后有學(xué)者使用該模型做了大量預(yù)警研究。Berg（1999） 通過采用東南亞和拉美國家危機(jī)爆發(fā)的歷史數(shù)據(jù)， 分別對(duì)KLR、STV及FR模型的預(yù)警效果進(jìn)行檢驗(yàn)， 研究表明：KLR模型的預(yù)警能力明顯優(yōu)于其他兩種模型， 而FR概率模型的預(yù)警效果最差；STV模型在不同國家的預(yù)警效果存在差異性，對(duì)于韓國和印度尼西亞的預(yù)測結(jié)果較差，而對(duì)于泰國和馬來西亞的預(yù)測效果則較好。針對(duì)現(xiàn)有研究關(guān)于東南亞國家預(yù)警指標(biāo)存在的差異以及KLR模型、FR模型存在的不能解釋危機(jī)傳染性的缺陷，Nitithanprapas等（2000）在STV模型的基礎(chǔ)上，不僅考慮匯率變動(dòng)及外匯儲(chǔ)備因素，同時(shí)添加了能夠反映資本流動(dòng)及經(jīng)常賬戶的復(fù)合變量，對(duì)20世紀(jì)90年代爆發(fā)的金融危機(jī)進(jìn)行了影響因素的分析[22]。張?jiān)迹?003）利用我國的經(jīng)驗(yàn)數(shù)據(jù)，分別采用KLR、STV模型對(duì)我國金融危機(jī)爆發(fā)的概率進(jìn)行分析，表面上看兩種模型的預(yù)警結(jié)果是矛盾的，實(shí)際上STV模型與KLR模型是相互聯(lián)系的， 兩種模型分別從內(nèi)源性風(fēng)險(xiǎn)、外源性風(fēng)險(xiǎn)兩個(gè)不同的角度來對(duì)金融危機(jī)進(jìn)行預(yù)警[23]。

STV模型考慮到了國別之間的差異，是在KLR模型及FR模型基礎(chǔ)上的改進(jìn)。但是該模型對(duì)于變量間線性關(guān)系的要求過于嚴(yán)格，而對(duì)金融危機(jī)影響因素的選擇過少，預(yù)警結(jié)果受不同國家個(gè)體差異的影響較大。 很多金融危機(jī)存在著復(fù)雜的非線性關(guān)系，并不能用線性回歸模型來分析。該模型主要用于檢驗(yàn)一個(gè)國家是否會(huì)發(fā)生金融危機(jī)及判斷危機(jī)的傳染性，但并不能預(yù)測何時(shí)發(fā)生危機(jī)。

四、BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)模型的主要思想是通過網(wǎng)絡(luò)學(xué)習(xí)，利用實(shí)際輸出與目標(biāo)輸出的誤差來不斷修正網(wǎng)絡(luò)模型中的權(quán)重，從而使實(shí)際輸出的誤差平方和最小化。BP神經(jīng)網(wǎng)絡(luò)模型算法通常由誤差反向傳播及信息正向傳播構(gòu)成，信息首先通過輸入層進(jìn)行逐層傳導(dǎo)，神經(jīng)元狀態(tài)的變化只受上一層神經(jīng)元沖擊的影響， 而與其他層次神經(jīng)元的狀態(tài)特征無關(guān)，從而得到實(shí)際輸出與目標(biāo)輸出之間的誤差大小。若輸出層最后存在較大的誤差，則開始進(jìn)行誤差的反向傳播， 反向傳播路徑與網(wǎng)絡(luò)中正向傳播路徑相反，通過誤差信號(hào)的反向傳導(dǎo)，以達(dá)到修改網(wǎng)絡(luò)權(quán)重的目的，從而使模型得到優(yōu)化。

神經(jīng)網(wǎng)絡(luò)模型是由Nag等（1999）首次引入到金融危機(jī)的預(yù)警研究當(dāng)中，通過采用泰國、馬來西亞及印度尼西亞的樣本數(shù)據(jù)進(jìn)行實(shí)證檢驗(yàn)，結(jié)果顯示該模型的預(yù)警效果明顯優(yōu)于傳統(tǒng)模型[24]。Lin（2008）將模型推理模型與BP網(wǎng)絡(luò)模型相結(jié)合構(gòu)建了貨幣危機(jī)預(yù)警模型，分析結(jié)果表明，該模型在危機(jī)預(yù)警的精度方面能夠達(dá)到理想的效果，同時(shí)能夠?qū)㈩A(yù)警變量之間的因果關(guān)系直觀地展現(xiàn)出來[25]。南旭光等（2008）以東南亞國家為研究對(duì)象，構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)危機(jī)預(yù)警系統(tǒng)， 研究認(rèn)為該模型具有明顯的預(yù)測精確度，能夠提升金融危機(jī)預(yù)警的準(zhǔn)確率[26]。胡援成等（2010）構(gòu)建了主權(quán)債務(wù)危機(jī)神經(jīng)網(wǎng)絡(luò)預(yù)警模型， 并對(duì)54個(gè)發(fā)展中國家的樣本數(shù)據(jù)進(jìn)行檢驗(yàn)， 研究得出該模型與二元Logit模型在預(yù)警效果上具有相對(duì)優(yōu)勢(shì)[27]。胡燕京等（2003）、陳秋玲等（2009）、樓文高等（2011）、李夢(mèng)雨（2012）則分別構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型對(duì)我國的金融風(fēng)險(xiǎn)進(jìn)行預(yù)警分析，研究認(rèn)為，不同時(shí)期我國的金融風(fēng)險(xiǎn)水平存在較明顯的差異[28]-[31]。

神經(jīng)網(wǎng)絡(luò)模型能夠通過自主學(xué)習(xí)不斷調(diào)整權(quán)值，快速適應(yīng)外部環(huán)境的變化，使系統(tǒng)得到不斷優(yōu)化，有效處理非線性問題。然而神經(jīng)網(wǎng)絡(luò)模型只是一種局部探索的分析方法， 當(dāng)遇到非線性系統(tǒng)時(shí)，它將要求解高階非線性方程的全局解，這將導(dǎo)致算法陷入局部分析的循環(huán)中。

五、馬爾科夫區(qū)制轉(zhuǎn)換模型

馬爾科夫區(qū)制轉(zhuǎn)換模型自Hamilton（1990）將其引入到經(jīng)濟(jì)學(xué)中以來， 便被廣泛應(yīng)用于經(jīng)濟(jì)周期、金融波動(dòng)等領(lǐng)域的研究中[32]。Hamilton在模型中引入狀態(tài)變量，通過計(jì)算狀態(tài)變換概率，考察經(jīng)濟(jì)變量在不同狀態(tài)下的轉(zhuǎn)變特征。一般的馬爾科夫過程如下：

Yt=a■■+■a■■Xi+■a■■Yt-j+？著■■，？著■■～NID（0，？滓■■）。

其中，Sk、k分別代表不同的區(qū)制狀態(tài)及區(qū)制個(gè)數(shù)，n1、n2分別表示自變量個(gè)數(shù)及自回歸滯后階數(shù)。Sk服從離散狀態(tài)下的馬爾科夫隨機(jī)過程，其轉(zhuǎn)換概率遵循：

Pij=Pr（St+1=i|St=j），其中■Pij=1，（i，j=1，2，…，k）。

Pij表示從狀態(tài)j到狀態(tài)i的狀態(tài)轉(zhuǎn)換概率，其變化由前一期的狀態(tài)決定。

Peria（2002）、Abiad（2003）通過采用馬爾科夫區(qū)制轉(zhuǎn)換模型分別對(duì)歐洲地區(qū)、東南亞地區(qū)進(jìn)行了檢驗(yàn)，研究均認(rèn)為該方法在危機(jī)預(yù)警方面優(yōu)于以往的預(yù)警模型[33]-[34]。張偉（2004）在Abiad（2003） 的模型基礎(chǔ)上加入了因變量的一階自回歸過程，并采用東南亞和拉美國家發(fā)生金融危機(jī)的樣本數(shù)據(jù)進(jìn)行模型的檢驗(yàn)，結(jié)果表明，改進(jìn)的模型在不同國家的預(yù)警效果存在差異性，但是模型整體上的預(yù)警能力得到提升[35]。

Cerra等（2002）通過構(gòu)建時(shí)變馬爾科夫模型對(duì)印度尼西亞金融危機(jī)爆發(fā)的影響因素進(jìn)行實(shí)證檢驗(yàn)，是對(duì)一般馬爾科夫模型的改進(jìn)[36]。Arias等（2004）將最大似然估計(jì)法引入馬爾科夫區(qū)制轉(zhuǎn)換模型使模型轉(zhuǎn)換概率更加準(zhǔn)確，增加了長期預(yù)警效果的穩(wěn)定性[37]。由于極大似然估計(jì)法存在收斂于局部極值的缺陷，朱鈞鈞等（2010）采用馬爾科夫鏈蒙特卡羅估計(jì)（MCMC）完善了馬爾科夫區(qū)制轉(zhuǎn)換模型，同時(shí)采用Griddy-Gibbs取樣法對(duì)多個(gè)馬爾科夫模型進(jìn)行估計(jì)，研究認(rèn)為該模型相對(duì)于信號(hào)模型具備一系列的優(yōu)勢(shì)， 通過MS-GARCH模型能揭示匯率波動(dòng)的更多特性[38]。Brunetti等（2008）通過將馬爾科夫區(qū)制轉(zhuǎn)換模型與GARCH模型相結(jié)合構(gòu)建了金融危機(jī)預(yù)警模型，對(duì)東南亞國家金融危機(jī)進(jìn)行了影響因素的分析[39]。

陳守東等（2009）、周華等（2013）分別對(duì)貨幣市場、 銀行市場及資產(chǎn)價(jià)格構(gòu)建了MS-VAR金融風(fēng)險(xiǎn)預(yù)警模型，來描述我國近年來金融風(fēng)險(xiǎn)變化的區(qū)制特點(diǎn)，結(jié)果顯示，風(fēng)險(xiǎn)的劃分及預(yù)警信號(hào)的發(fā)出時(shí)機(jī)較符合我國的現(xiàn)實(shí)情況[40]-[41]。李繼偉等（2010）運(yùn)用具有馬爾科夫區(qū)制轉(zhuǎn)換的向量自回歸模型，構(gòu)建了面向資本項(xiàng)目開放的貨幣危機(jī)預(yù)警模型，研究結(jié)果表明，預(yù)警發(fā)出風(fēng)險(xiǎn)信號(hào)的時(shí)機(jī)比較符合我國的現(xiàn)實(shí)情況[42]。

馬爾科夫區(qū)制轉(zhuǎn)移模型通過采用連續(xù)變量進(jìn)行危機(jī)的預(yù)警，能夠有效克服KLR模型及FR概率模型采用離散變量所帶來的信息損失，通過變量信息的動(dòng)態(tài)變化達(dá)到準(zhǔn)確識(shí)別危機(jī)爆發(fā)時(shí)點(diǎn)的目的，從而避免“偽危機(jī)”情況的發(fā)生。該模型的缺點(diǎn)是受到危機(jī)影響變量的限制， 如果變量選擇過少，不能綜合反映出風(fēng)險(xiǎn)的狀態(tài)水平； 如果變量選擇過多，則會(huì)導(dǎo)致模型計(jì)算過程的倍增，從而降低模型預(yù)警結(jié)果的準(zhǔn)確性。

六、其他預(yù)警模型

馬威等（2014）采用結(jié)構(gòu)方程模型建立了金融危機(jī)預(yù)警指標(biāo)體系，該模型將金融風(fēng)險(xiǎn)發(fā)生的內(nèi)在本質(zhì)與外在表象相結(jié)合，為風(fēng)險(xiǎn)預(yù)警的研究提供了新的路徑[43]。牟曉云等（2010）利用結(jié)構(gòu)方程模型中的MIMIC模型構(gòu)建了我國金融危機(jī)預(yù)警系統(tǒng)，通過將樣本外數(shù)據(jù)代入模型中便可得到危機(jī)強(qiáng)度預(yù)測值，當(dāng)該數(shù)值達(dá)到一定的門限值時(shí)，可認(rèn)為將會(huì)發(fā)生金融危機(jī)[44]。該模型對(duì)于金融危機(jī)預(yù)警指標(biāo)的篩選具有特殊的優(yōu)勢(shì)，但該模型不能解決定類變量問題。

黃益紹等（2004）在現(xiàn)有金融危機(jī)預(yù)警指標(biāo)體系的基礎(chǔ)上，采用層次分析法（APH）對(duì)預(yù)警指標(biāo)的重要性進(jìn)行排序， 以明確各指標(biāo)的預(yù)警作用，并結(jié)合幾次重大金融危機(jī)爆發(fā)前期主要指標(biāo)的惡化程度， 證明了APH分析法對(duì)預(yù)警指標(biāo)所做排序的合理性[45]。任碧云等（2015）通過構(gòu)建金融系統(tǒng)性風(fēng)險(xiǎn)預(yù)警指標(biāo)評(píng)價(jià)體系，并采用APH-DEA方法對(duì)我國的金融系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行了預(yù)警分析，評(píng)價(jià)結(jié)果同我國的實(shí)際情況較為符合[46]。然而層次分析法主要以定性判斷為主，缺少定量分析的準(zhǔn)確性；當(dāng)指標(biāo)數(shù)據(jù)較多時(shí)，指標(biāo)權(quán)重的設(shè)置則難以確定。

陳衛(wèi)華等（2007）構(gòu)建了基于“可能-滿意度”法的金融危機(jī)預(yù)警系統(tǒng)， 并采用1997年中國的相關(guān)數(shù)據(jù)及東南亞國家爆發(fā)金融危機(jī)的歷史數(shù)據(jù)進(jìn)行了實(shí)證檢驗(yàn)，結(jié)果顯示泰國的“可能-滿意度”最差，最先成為投機(jī)攻擊的目標(biāo)，而我國的總評(píng)價(jià)值相對(duì)較好[47]。該模型的缺陷是主觀性太強(qiáng)，預(yù)警效果缺乏檢驗(yàn)，同時(shí)預(yù)警指標(biāo)的選擇有待擴(kuò)充，預(yù)警等級(jí)的劃分有待完善。

汪瑩（2003）在現(xiàn)有研究的基礎(chǔ)上建立了“五系統(tǒng)加權(quán)法”危機(jī)預(yù)警模型，并采用AHP及專家賦權(quán)法對(duì)系統(tǒng)內(nèi)評(píng)價(jià)指標(biāo)進(jìn)行權(quán)重的測算，對(duì)我國發(fā)生金融危機(jī)的可能性進(jìn)行預(yù)警分析[48]。該模型的不足是對(duì)于指標(biāo)權(quán)重的設(shè)置主要采用主觀賦權(quán)方法，缺乏客觀依據(jù)，同時(shí)缺少對(duì)實(shí)際危機(jī)發(fā)生樣本的檢驗(yàn)。

南旭光等（2007）利用31個(gè)樣本國家的數(shù)據(jù)構(gòu)建了等比例危機(jī)預(yù)警模型， 通過對(duì)預(yù)測期間17個(gè)測試國進(jìn)行的模型預(yù)警效果檢驗(yàn)，認(rèn)為該模型預(yù)警能力較佳[49]。當(dāng)然該模型尚不能對(duì)所有金融危機(jī)國家做出準(zhǔn)確預(yù)警，模型的預(yù)警精度有待提高。

沈沛龍等（2011）以51個(gè)國家的樣本數(shù)據(jù)為基礎(chǔ)，通過構(gòu)建馬田系統(tǒng)，在確保預(yù)警模型精度的前提下，能夠有效減少預(yù)警指標(biāo)數(shù)量，對(duì)于提高模型的預(yù)測水平和減少前期數(shù)據(jù)收集工作具有重要意義[50]。該模型主要用于預(yù)警指標(biāo)數(shù)量的篩選，并未涉及到風(fēng)險(xiǎn)預(yù)警的分析。

還有學(xué)者通過構(gòu)造風(fēng)險(xiǎn)指數(shù)的方式進(jìn)行相關(guān)預(yù)警研究，如Hagen（2007）提出并構(gòu)建了貨幣市場壓力指數(shù)，研究發(fā)現(xiàn)貨幣市場壓力指數(shù)法能夠有效識(shí)別出銀行危機(jī)的爆發(fā)。荊中博等（2012）修正了Hagen（2007）的貨幣市場壓力指數(shù)，并采用66個(gè)國家銀行危機(jī)的樣本數(shù)據(jù)進(jìn)行實(shí)證檢驗(yàn)， 結(jié)果顯示，采用整體樣本標(biāo)準(zhǔn)差構(gòu)建的貨幣市場壓力指數(shù)使用范圍更廣、識(shí)別精度更高，能夠達(dá)到很好的預(yù)警效果[51]。欒彥（2013） 通過功效系數(shù)法對(duì)我國的主權(quán)債務(wù)安全預(yù)警指數(shù)進(jìn)行了測算， 研究認(rèn)為亞洲金融危機(jī)以后，我國存在較大的主權(quán)債務(wù)風(fēng)險(xiǎn)[52]。許滌龍等（2015）采用CRITIC賦權(quán)法構(gòu)建了金融壓力指數(shù)， 并對(duì)我國面臨的金融壓力進(jìn)行綜合測度，整體來看該方法的測度結(jié)果較好地吻合了我國的經(jīng)濟(jì)發(fā)展?fàn)顩r[53]。風(fēng)險(xiǎn)指數(shù)模型在預(yù)警方面有著特殊的優(yōu)勢(shì)，能夠綜合多方面的影響因素， 有效地反映出風(fēng)險(xiǎn)級(jí)別高低。 但指標(biāo)選擇的合理性決定著預(yù)警結(jié)果的準(zhǔn)確性， 指標(biāo)選擇過多會(huì)造成信息的重復(fù)，影響重要指標(biāo)權(quán)重的設(shè)置；而指標(biāo)選擇過少，又不能充分反映危機(jī)涉及的所有領(lǐng)域。

七、結(jié)論

資本流動(dòng)風(fēng)險(xiǎn)預(yù)警模型的選擇決定著預(yù)警效果的準(zhǔn)確性，然而通過對(duì)現(xiàn)有資本流動(dòng)風(fēng)險(xiǎn)預(yù)警模型的分析可以看出，不同的預(yù)警模型均存在著預(yù)警效果的優(yōu)勢(shì)與不足。KLR信號(hào)分析法通過監(jiān)測指標(biāo)體系是否超過相應(yīng)閾值的原理進(jìn)行風(fēng)險(xiǎn)預(yù)警，但忽略了預(yù)警指標(biāo)相互之間的動(dòng)態(tài)影響，同時(shí)預(yù)警指標(biāo)閾值的確定缺乏有效的定性分析。FR概率模型通過測算危機(jī)發(fā)生的概率，直觀地顯示預(yù)警指標(biāo)在危機(jī)爆發(fā)前后的連續(xù)變化情況， 克服了KLR模型的缺陷， 但該模型對(duì)于預(yù)警指標(biāo)數(shù)量有一定的限制。STV模型考慮到了國別差異，是對(duì)KLR模型及FR模型的改進(jìn)，但該模型對(duì)于變量間線性關(guān)系的要求過于嚴(yán)格， 很多金融危機(jī)存在著復(fù)雜的非線性關(guān)系，并不能用線性回歸模型來分析。神經(jīng)網(wǎng)絡(luò)模型能夠有效處理復(fù)雜的非線性問題， 彌補(bǔ)了STV模型的不足， 然而該模型是一種局部探索的分析方法，當(dāng)遇到高階復(fù)雜的系統(tǒng)時(shí)，將導(dǎo)致算法陷入局部分析的循環(huán)中。馬爾科夫區(qū)制轉(zhuǎn)移模型能夠克服KLR信號(hào)模型和FR概率模型采用離散變量所造成的信息損失，但同樣受到影響因素?cái)?shù)量選擇的限制。而其他預(yù)警模型雖然在預(yù)警結(jié)果的精度方面取得了一定的進(jìn)步， 但同樣存在著各種不同的缺陷，且并沒有得到廣泛的推廣與應(yīng)用。結(jié)合各種預(yù)警模型存在的優(yōu)勢(shì)與不足，我們提出未來預(yù)警模型構(gòu)建所需關(guān)注的問題：第一，預(yù)警指標(biāo)的選擇范圍要廣，指標(biāo)閾值的確定需根據(jù)不同國家的國情來設(shè)定；第二，在考慮預(yù)警指標(biāo)之間線性關(guān)系的同時(shí)，應(yīng)重視風(fēng)險(xiǎn)發(fā)生的非線性關(guān)系；第三，必須關(guān)注危機(jī)爆發(fā)的連續(xù)性、傳染性及時(shí)滯性。

參考文獻(xiàn)：

[1]KAMINSHY G，LIZONDO S，REINBART C M. Leading Indicators of Currency Crises[J]. IMF Staff Papers， 1998（45）.

[2]KAMINSKY G L，REINHART C M. The Twin Crises：The Causes of Banking and Balance-of-Payments Problem[J]. International Finance Discussion Papers， 1999（3）.

[3]CIPOLLINI A，KAPETANIOS G. Dynamic Factor Analysis of Financial Contagion in Asia[R]. Queen Mary University of London Working Paper，2003.

[4]史建平，高宇. KLR金融危機(jī)預(yù)警模型研究：對(duì)現(xiàn)階段新興市場國家金融危機(jī)的實(shí)證檢驗(yàn)[J]. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2009（3）.

[5]譚福梅. 次貸危機(jī)能被預(yù)測嗎——基于KLR金融危機(jī)預(yù)警模型[J]. 開發(fā)研究，2010（1）.

[6]徐道宣，石璋銘. 一種改進(jìn)的KLR信號(hào)分析法應(yīng)用研究[J]. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2007（11）.

[7]楊雪萊，許傳華. 中國金融風(fēng)險(xiǎn)預(yù)警指標(biāo)的最優(yōu)閾值及預(yù)測績效分析[J]. 廣東金融學(xué)院學(xué)報(bào)，2012（3）.

[8]張安軍. 國家金融安全動(dòng)態(tài)預(yù)警比較分析（1992-2011年）[J]. 世界經(jīng)濟(jì)研究，2015（4）.

[9]FRANKEL J A，ROSE A K. Currency Crashes in Emerging Markets：An Empirical Treatment[J]. Journal of International Economics，1996（41）.

[10]ANDREW B，CATHERINE P. Are Currency Crises Predictable？ A Test[J]. IMF Economic Review， 1999，46（2）.

[11]ASLI D K，ENRICA D. The Determinants of Banking Crises：Evidence from Developing and Developed Countries[J]. Policy Research Working Paper，1997，45（1）.

[12]陳守東，楊瑩，馬輝. 中國金融風(fēng)險(xiǎn)預(yù)警研究[J]. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2006（7）.

[13]張德鴻. 基于Logistic模型的系統(tǒng)性金融風(fēng)險(xiǎn)研究[J]. 重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2016（4）.

[14]傅強(qiáng)，陳園園，劉軍等. 基于面板數(shù)據(jù)和動(dòng)態(tài)Logit方法的金融危機(jī)預(yù)警模型[J]. 中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2015（1）.

[15]馬德功，李夢(mèng)斐. 我國貨幣危機(jī)預(yù)警模型及實(shí)證分析——基于因子-Logistic回歸模型的修正與運(yùn)營[J]. 山西大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2009（5）.

[16]胡援成，康鴻. 主權(quán)債務(wù)危機(jī)預(yù)警系統(tǒng)的構(gòu)建——基于新興市場國家數(shù)據(jù)的研究[J]. 現(xiàn)代財(cái)經(jīng)，2013（6）.

[17]ANDREW B，CATHERINE P. Predicting Currency Crises：The Indicators Approach and Analternative[J]. Journal of International Money and Finance，1999，18（4）.

[18]CIPOLLINI A，KAPETANIOS G. Forecasting Financial Crises and Contagion in Asia Using Dynamic Factor Analysis[J]. Journal of Empirical Finance，2009，16（2）.

[19]朱鈞鈞，謝識(shí)予，許祥云. 基于空間Probit面板模型的債務(wù)危機(jī)預(yù)警方法[J]. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2012（10）.

[20]顏建暉，楊小玄，殷琳. 主權(quán)債務(wù)危機(jī)預(yù)警模型及跨國傳染效應(yīng)——基于Probit面板估計(jì)[J]. 浙江社會(huì)科學(xué)，2014（12）.

[21]SACHS J，TORNELL A，VELASCO A. Financial Crises in Emerging Markets：The Lessons from 1995[J]. Brookings Papers on Economic Activity，1996（1）.

[22]NITITHANPRAPAS E，WILLETT T D. A Currency Crises Model That Works：A Payments Disequilibrium Approach[R]. Claremont Colleges Working Papers in Economics，2000.

[23]張?jiān)?，孫剛. 金融危機(jī)預(yù)警系統(tǒng)的理論透析與實(shí)證分析[J]. 國際金融研究，2003（10）.

[24]NAG A，MITRA A. Neural Networks and Early Warning Indicators of Currency Crisis[J]. Reserve Bank of India Occasional Papers，1999（20）.

[25]LIN C S，KHAN H A，CHANG R Y，et al. A New Approach to Modeling Early Warning Systems for Currency Crises：Can a Machine-Learning Fuzzy Expert System Predict the Currency Crises Effectively？[J]. Journal of International Money and Finance，2008，27（7）.

[26]南旭光，孟衛(wèi)東. 基于BP神經(jīng)網(wǎng)絡(luò)的金融危機(jī)預(yù)警[J]. 現(xiàn)代管理科學(xué)，2008（2）.

[27]胡援成，康鴻. 主權(quán)債務(wù)危機(jī)早起預(yù)警系統(tǒng)研究——基于BP神經(jīng)網(wǎng)絡(luò)方法[J]. 商業(yè)經(jīng)濟(jì)與管理，2010（9）.

[28]胡燕京，高會(huì)麗，許建鋒. BP人工神經(jīng)網(wǎng)絡(luò)：金融風(fēng)險(xiǎn)預(yù)警新視角[J]. 重慶工商大學(xué)學(xué)報(bào)（西部經(jīng)濟(jì)論壇），2003（1）.

[29]陳秋玲，薛玉春，肖璐. 金融風(fēng)險(xiǎn)預(yù)警：評(píng)價(jià)指標(biāo)、預(yù)警機(jī)制與實(shí)證研究[J]. 上海大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2009（5）.

[30]樓文高，喬龍. 基于神經(jīng)網(wǎng)絡(luò)的金融風(fēng)險(xiǎn)預(yù)警模型及其實(shí)證研究[J]. 金融論壇，2011（11）.

[31]李夢(mèng)雨. 中國金融風(fēng)險(xiǎn)預(yù)警系統(tǒng)的構(gòu)建研究——基于K-均值聚類算法和BP神經(jīng)網(wǎng)絡(luò)[J]. 中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2012（10）.

[32]HAMILTON J D. Analysis of Time Series Subject to Changes in Regime[J]. Journal of Econometrics，1990（3）.

[33]PERIA W S M. A Regime-Switching Approach to the Study of Speculative Attacks：A Focus on EMS Crises[J]. Empirical Economics，2002，21（2）.

[34]ABIAD A G. Early Warning Systems：A Survey and a Regime-Switching Approach[J]. Social Science Electronic Publishing，2003，3（32）.

[35]張偉. 體制轉(zhuǎn)換模型能預(yù)測貨幣危機(jī)嗎？[J]. 經(jīng)濟(jì)研究，2004（7）.

[36]CERRA V，SAXENA S C. Contagion，Monsoons，and Domestic Turmoil in Indonesias Currency Crisis[J]. Review of International Economics，2002，10（1）.

[37]ARIAS G，ERLANDSSON U G. Regime Switching as an Alternative Early Warning System of Currency Crises-An Application to South-East Asia[R]. Ulf G Erlandsson，2004.

[38]朱鈞鈞，謝識(shí)予，朱弘鑫等. 基于狀態(tài)轉(zhuǎn)換的貨幣危機(jī)預(yù)警模型——時(shí)變概率馬爾科夫轉(zhuǎn)換模型的Griddy-Gibbs取樣法和應(yīng)用[J]. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2010（9）.

[39]BRUNETTI C，SCOTTI C，MARIANO R S，et al. Augustine H. H. Tan. Markov Switching GARCH Models of Currency Turmoil in Southeast Asia[J]. Emerging Markets Review，2008，9（2）.

[40]陳守東，馬輝，穆春舟. 中國金融風(fēng)險(xiǎn)預(yù)警的MS-VAR模型與區(qū)制狀態(tài)研究[J]. 吉林大學(xué)社會(huì)科學(xué)學(xué)報(bào)，2009（1）.

[41]周華，周暉，劉燦輝. 中國金融風(fēng)險(xiǎn)預(yù)警研究——基于MS-VAR模型的實(shí)證分析[J]. 投資研究，2013（1）.

[42]李繼偉，杜金岷. 資本項(xiàng)目開放中的貨幣危機(jī)預(yù)警研究[J]. 理論研究，2010（12）.

[43]馬威，肖帥. 金融危機(jī)預(yù)警指標(biāo)體系及其結(jié)構(gòu)方程模型構(gòu)建[J]. 中南大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2014（4）.

[44]牟曉云，李黎. 基于結(jié)構(gòu)方程模型的金融危機(jī)預(yù)警方法[J]. 大連海事大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2010（4）.

[45]黃益紹，林都. 金融危機(jī)預(yù)警指標(biāo)排序——層次分析法[J]. 華北工學(xué)院學(xué)報(bào)，2004（4）.

[46]任碧云，武毅. 基于AHP—DEA的中國金融系統(tǒng)性風(fēng)險(xiǎn)預(yù)警指標(biāo)體系研究[J]. 經(jīng)濟(jì)問題，2015（1）.

[47]陳衛(wèi)華，張睿. 基于“可能-滿意度”法的金融危機(jī)預(yù)警系統(tǒng)的構(gòu)建與應(yīng)用[J]. 國際金融研究，2007（4）.

[48]汪瑩. 金融危機(jī)預(yù)警模型的構(gòu)建——“五系統(tǒng)加權(quán)法”預(yù)警模型[J]. 西安石油學(xué)院學(xué)報(bào)（社會(huì)科學(xué)版），2003（1）.

[49]南旭光，孟衛(wèi)東. 基于等比例危機(jī)模型的金融危機(jī)預(yù)警[J]. 重慶大學(xué)學(xué)報(bào)（自然科學(xué)版），2007（5）.

[50]沈沛龍，田菁. 基于馬田系統(tǒng)的金融危機(jī)預(yù)警指標(biāo)選擇研究[J]. 財(cái)貿(mào)經(jīng)濟(jì)，2011（11）.

[51]荊中博，楊海珍，楊曉光. 基于貨幣市場壓力指數(shù)的銀行危機(jī)預(yù)警研究[J]. 金融研究，2012（5）.

[52]欒彥，李鵬. 主權(quán)債務(wù)危機(jī)的預(yù)警與防范[J]. 清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，53（8）.

[53]許滌龍，陳雙蓮. 基于金融壓力指數(shù)的系統(tǒng)性金融風(fēng)險(xiǎn)測度研究[J]. 經(jīng)濟(jì)學(xué)動(dòng)態(tài)，2015（4）.

（責(zé)任編輯：龍會(huì)芳；校對(duì)：李丹）