區(qū)域性金融風(fēng)險(xiǎn)早期預(yù)警體系研究

呂燕軍+謝麗強(qiáng)

【摘要】 2008年國際金融危機(jī)爆發(fā)以來，世界各國應(yīng)對金融危機(jī)的經(jīng)驗(yàn)表明，構(gòu)建金融體系風(fēng)險(xiǎn)預(yù)警機(jī)制是必要且可行的。本文通過借鑒國內(nèi)外關(guān)于建立金融風(fēng)險(xiǎn)預(yù)警指標(biāo)體系的既有研究成果，綜合運(yùn)用模糊聚類分析、BP神經(jīng)網(wǎng)絡(luò)建模等，提出符合中國特色的區(qū)域金融風(fēng)險(xiǎn)預(yù)警體系框架，在此基礎(chǔ)上對安徽省區(qū)域金融風(fēng)險(xiǎn)狀況進(jìn)行預(yù)測分析并提出相關(guān)建議。

【關(guān)鍵詞】 金融風(fēng)險(xiǎn)；預(yù)警；模糊聚類；神經(jīng)網(wǎng)絡(luò)

一、引言

2014年中央經(jīng)濟(jì)工作會議明確提出要“高度重視財(cái)政金融領(lǐng)域存在的風(fēng)險(xiǎn)隱患，堅(jiān)決守住不發(fā)生系統(tǒng)性和區(qū)域性金融風(fēng)險(xiǎn)的底線”。2008年國際金融危機(jī)爆發(fā)以來，世界各

國應(yīng)對金融危機(jī)的經(jīng)驗(yàn)表明，構(gòu)建金融體系風(fēng)險(xiǎn)預(yù)警機(jī)制是必要且可行的。相對于整體金融風(fēng)險(xiǎn)而言，區(qū)域性金融風(fēng)險(xiǎn)具有更強(qiáng)的外部傳導(dǎo)性和可控性，且一般早于整體金融風(fēng)險(xiǎn)爆發(fā)，在某種程度上可被視為整體金融風(fēng)險(xiǎn)的預(yù)警信號，因此，作為金融監(jiān)管的有效補(bǔ)充，研究區(qū)域性金融風(fēng)險(xiǎn)早期預(yù)警體系并進(jìn)行預(yù)警分析將對金融風(fēng)險(xiǎn)管控具有重要意義。

國外學(xué)者對于早期風(fēng)險(xiǎn)預(yù)警體系的研究較為系統(tǒng)和成熟，且已有一些金融監(jiān)管部門建立了早期預(yù)警模型，如美聯(lián)儲的SEER評級模型、美國聯(lián)邦存款保險(xiǎn)公司的 SCOR 模型、法國銀行業(yè)委員會的預(yù)期損失模型、國際貨幣基金組織的宏觀審慎評估模型等。受國際金融危機(jī)的影響，近年來國內(nèi)學(xué)者在早期金融風(fēng)險(xiǎn)預(yù)警和管理方面的研究也越來越多，但由于預(yù)警指標(biāo)選擇、風(fēng)險(xiǎn)狀態(tài)劃分及臨界值選擇等均不盡相同，因此建立的預(yù)警模型也有所差異。本文通過借鑒國內(nèi)外對金融風(fēng)險(xiǎn)預(yù)警指標(biāo)體系的既有研究成果，綜合運(yùn)用模糊聚類分析、BP 神經(jīng)網(wǎng)絡(luò)建模等計(jì)量分析方法，構(gòu)建區(qū)域金融風(fēng)險(xiǎn)預(yù)警體系，以期對區(qū)域性金融風(fēng)險(xiǎn)的評估和防范提供客觀性依據(jù)。

二、總體分析框架及模型構(gòu)建

本文構(gòu)建的區(qū)域金融風(fēng)險(xiǎn)早期預(yù)警體系由三部分組成：首先結(jié)合安徽區(qū)域特點(diǎn)，構(gòu)建包括經(jīng)濟(jì)因素、財(cái)政因素、金融因素、房地產(chǎn)發(fā)展、企業(yè)經(jīng)營狀況等的區(qū)域性金融風(fēng)險(xiǎn)指標(biāo)體系；其次利用模糊聚類分析對研究樣本進(jìn)行分類，確定BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型的分割點(diǎn)，為區(qū)域性金融風(fēng)險(xiǎn)水平的劃分提供一種新思路；最后采用人工神經(jīng)網(wǎng)絡(luò)來預(yù)測未來金融危機(jī)發(fā)生的可能性。

（一）區(qū)域性金融風(fēng)險(xiǎn)指標(biāo)體系

區(qū)域性金融風(fēng)險(xiǎn)指標(biāo)選擇既要考慮金融風(fēng)險(xiǎn)因素的普遍性，更要體現(xiàn)區(qū)域經(jīng)濟(jì)金融發(fā)展特點(diǎn)。指標(biāo)選取原則：一是全面性，所選指標(biāo)盡可能全面反映區(qū)域金融風(fēng)險(xiǎn)；二是可得性，所選數(shù)據(jù)要容易獲得，且期間口徑未作調(diào)整；三是匹配性，數(shù)據(jù)收集成本與模型預(yù)測的經(jīng)濟(jì)實(shí)用性相匹配。

（二）風(fēng)險(xiǎn)評估的模糊聚類分析

在分析一個(gè)時(shí)間序列的區(qū)域金融風(fēng)險(xiǎn)時(shí)，我們可以把指標(biāo)相似程度高的樣本聚集在一起，作為一個(gè)整體進(jìn)行分析，以達(dá)到簡化的效果。傳統(tǒng)的聚類分析是一種“硬劃分”，即把每個(gè)待識別的對象嚴(yán)格劃分到某類中，具有“非此即彼”的性質(zhì)，這種分類的類別界限也是分明的。然而，在大多數(shù)情況下，風(fēng)險(xiǎn)類別可能并沒有嚴(yán)格的界定，其類屬性方面存在中介性，適合進(jìn)行“軟劃分”。模糊集理論為這種劃分提供了強(qiáng)有力且有效的分析工具，采用相應(yīng)的模糊聚類模型，可以取得較好的分類效果。“模糊聚”概念最早由 Ruspini提出，之后人們利用這一概念提出了多種模糊聚類算法。本文運(yùn)用神經(jīng)網(wǎng)絡(luò)來進(jìn)行模糊聚類，其優(yōu)勢在于神經(jīng)網(wǎng)絡(luò)的并行處理結(jié)構(gòu)。

（三）基于人工神經(jīng)網(wǎng)絡(luò)的早期預(yù)警體系

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種在生物神經(jīng)網(wǎng)絡(luò)啟示下建立的數(shù)據(jù)處理模型，其具有強(qiáng)大的模式識別和數(shù)據(jù)擬合能力，最為可貴的是神經(jīng)網(wǎng)絡(luò)還有自學(xué)習(xí)和自適應(yīng)性。自適應(yīng)性是指一個(gè)系統(tǒng)能夠改變自身的性能以適應(yīng)環(huán)境變化的能力，當(dāng)環(huán)境發(fā)生變化時(shí)，相當(dāng)于給神經(jīng)網(wǎng)絡(luò)輸入新的訓(xùn)練樣本，網(wǎng)絡(luò)能夠自動調(diào)整結(jié)構(gòu)參數(shù)，改變映射關(guān)系，從而對特定的輸入產(chǎn)生相應(yīng)的期望輸出。人工神經(jīng)網(wǎng)絡(luò)包括很多種，不同類型的神經(jīng)網(wǎng)絡(luò)適用于解決不同的問題，其中最為常用的一種就是 BP 神經(jīng)網(wǎng)絡(luò)，它是一種多層前向神經(jīng)網(wǎng)絡(luò)，其權(quán)值調(diào)整采用反向傳播學(xué)習(xí)算法。而自組織競爭神經(jīng)網(wǎng)絡(luò)則使用了與前向神經(jīng)網(wǎng)絡(luò)完全不同的思路，采取競爭學(xué)習(xí)的思想，網(wǎng)絡(luò)的輸出神經(jīng)元之間相互競爭，同一時(shí)刻只有一個(gè)輸出神經(jīng)元獲勝，因此自組織神經(jīng)網(wǎng)絡(luò)主要用于解決分類、聚類問題。鑒于此，本文在進(jìn)行區(qū)域金融風(fēng)險(xiǎn)評估時(shí)，運(yùn)用自組織競爭神經(jīng)網(wǎng)絡(luò)進(jìn)行模糊聚類分析，得出各樣本的風(fēng)險(xiǎn)類別；而在構(gòu)建區(qū)域風(fēng)險(xiǎn)早期預(yù)警體系時(shí)，采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分析和預(yù)測。

三、區(qū)域性金融風(fēng)險(xiǎn)早期預(yù)警的實(shí)證分析

（一）區(qū)域性金融風(fēng)險(xiǎn)監(jiān)測指標(biāo)的選取與標(biāo)準(zhǔn)化

金融風(fēng)險(xiǎn)是一個(gè)綜合性、系統(tǒng)性的概念，單純選用個(gè)別指標(biāo)不足以反映其真實(shí)水平。因此，根據(jù)客觀性、完備性、科學(xué)性、實(shí)用性、重要性原則，同時(shí)借鑒國內(nèi)外研究成果，本文選取了經(jīng)濟(jì)、財(cái)政、金融、房地產(chǎn)、企業(yè)經(jīng)營等方面的17個(gè)金融風(fēng)險(xiǎn)評價(jià)指標(biāo)，樣本區(qū)間為2009年至2014年一季度的安徽省季度數(shù)據(jù)，并根據(jù)指標(biāo)與金融風(fēng)險(xiǎn)的正負(fù)相關(guān)性對其進(jìn)行標(biāo)準(zhǔn)化。

（二）基于自組織競爭神經(jīng)網(wǎng)絡(luò)的模糊聚類分析

本文運(yùn)用Matlab（R2014a）的神經(jīng)網(wǎng)絡(luò)工具箱，導(dǎo)入21組樣本數(shù)據(jù)，使用自組織特征映射網(wǎng)絡(luò)的工具箱函數(shù) selforg-map 創(chuàng)建網(wǎng)絡(luò)，并確定將區(qū)域性金融風(fēng)險(xiǎn)劃分為五類，即安全（第1類）、基本安全（第2類）、風(fēng)險(xiǎn)較低（第3類）、警惕（第4類）、危險(xiǎn)（第5類）。值得注意的是，聚類完成時(shí)，分為同一類的樣本被賦予相同的分類標(biāo)簽（1-5的任意整數(shù)），但不同類別使用什么數(shù)字作為分類標(biāo)簽則是隨機(jī)的。因此，為了得到正確的結(jié)果，需要統(tǒng)計(jì)每個(gè)聚類類別特征向量數(shù)值的均值，由于樣本數(shù)據(jù)已進(jìn)行標(biāo)準(zhǔn)化處理，數(shù)值越低代表風(fēng)險(xiǎn)越低，進(jìn)而判斷不同類別的風(fēng)險(xiǎn)級別。（三）基于BP神經(jīng)網(wǎng)絡(luò)的區(qū)域性金融風(fēng)險(xiǎn)預(yù)測本文采取將上一季度的指標(biāo)變量作為輸入層，下一季度的區(qū)域性金融風(fēng)險(xiǎn)等級作為輸出層，共有20個(gè)樣本，并隨機(jī)抽取18個(gè)作為訓(xùn)練樣本，另外2個(gè)作為檢驗(yàn)樣本。利用Matlab 神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)feedforwardnet創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)，隱含層使用默認(rèn)值10，訓(xùn)練函數(shù)為 hrainlm。經(jīng)過訓(xùn)練和仿真，建立模型共耗時(shí)0.384秒，經(jīng)6步迭代達(dá)到訓(xùn)練精度要求。用隨機(jī)抽取的2個(gè)樣本檢驗(yàn)BP神經(jīng)網(wǎng)絡(luò)，準(zhǔn)確率達(dá)100%，說明訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)模型可作為區(qū)域性金融風(fēng)險(xiǎn)預(yù)測預(yù)警的參考方法之一。