基于機器學(xué)習(xí)的證券公司風(fēng)險預(yù)測模型對比研究

李雅坤

上市證券公司的風(fēng)險預(yù)警模型能夠為政府監(jiān)管、證券公司穩(wěn)健發(fā)展以及投資者研判提供模型依據(jù)。本文在公司風(fēng)險管理指標(biāo)體系的基礎(chǔ)上，利用已有的決策樹、隨機森林、支持向量機和貝葉斯網(wǎng)絡(luò)等機器學(xué)習(xí)方法，構(gòu)建多個風(fēng)險預(yù)警模型并同傳統(tǒng)的計量模型進行比較。

隨著2008年全球金融危機以及近年來證券市場上違規(guī)操作、信用違約的不斷發(fā)生，風(fēng)險管理成為了金融行業(yè)特別是證券行業(yè)重點關(guān)注的問題，證券公司的風(fēng)險管控水平不但影響著證券公司的經(jīng)營效益和投資者的利益，也關(guān)系著證券行業(yè)乃至整個資本市場的穩(wěn)定發(fā)展。

2016年12月30日證券業(yè)協(xié)會發(fā)布《證券公司全面風(fēng)險管理規(guī)范》，要求證券公司建立健全與自身發(fā)展相適應(yīng)的全面風(fēng)險管理體系。全面風(fēng)險管理指證券公司全員參與，對經(jīng)營中面臨的各類風(fēng)險進行識別、評估、監(jiān)控、應(yīng)對的全程管理。因此，對各類風(fēng)險的識別和預(yù)警是構(gòu)建全面風(fēng)險管理的起點。十八大以后，在相應(yīng)國務(wù)院簡政放權(quán)的政策下，中國證監(jiān)會加強了事中及事后監(jiān)管，事前監(jiān)管則需依靠各證券公司的自律，這進一步提升了對各證券公司風(fēng)險預(yù)警的要求。截止2017年6月，我國共有證券公司128家，證券公司作為金融類公司，其經(jīng)營狀況和市場價值受風(fēng)險影響較大，預(yù)判和預(yù)警上市證券公司風(fēng)險狀況有利于證券市場投資者研判上市證券公司的投資價值。

無論是從證券業(yè)監(jiān)管角度，還是證券公司自我監(jiān)督以及投資者研判投資價值方面，上市證券公司風(fēng)險測度及預(yù)警都有著現(xiàn)實意義。

一、數(shù)據(jù)來源

現(xiàn)行的風(fēng)險指標(biāo)體系是證監(jiān)會2016年6月16日頒布的新的風(fēng)險指標(biāo)體系，各個證券公司在2016年的年報中均采用了新的指標(biāo)體系，并在2015的財務(wù)數(shù)據(jù)基礎(chǔ)上按新的指標(biāo)體系公布了各項的風(fēng)險指標(biāo)值。本文使用的指標(biāo)體系部分指標(biāo)即來源于證券協(xié)會最新頒布的指標(biāo)體系。

二、描述性統(tǒng)計

2015、2016年各上市證券公司的二級指標(biāo)均符合證券協(xié)會要求，即在二級指標(biāo)體系方面不存在預(yù)警狀況。此外根據(jù)證券業(yè)協(xié)會公布的證券公司分類標(biāo)準(zhǔn)，共有A、B、C、D、E 5個大類，A、B、C類表示證券公司能夠正常經(jīng)營，但風(fēng)險管理水平遞減，D和E類表示該證券公司面臨的風(fēng)險可能超過其承載能力。本文以該分類結(jié)果作為總體風(fēng)險參考，考察預(yù)警模型的正確率。

2015年33家上市證券公司被證券業(yè)協(xié)會評為A級，4家上市證券公司被評為B級，2016年只有19家上市證券公司被評為A級，16家被評為B級，2家被評為C級，共有17家上市公司評級下調(diào)，表明上市證券公司從2015年到2016年風(fēng)險狀況總體呈下滑趨勢，各證券公司應(yīng)當(dāng)加強風(fēng)險管理水平。

三、機器學(xué)習(xí)建模

本文以構(gòu)建的上市證券公司風(fēng)險指標(biāo)作為特征變量，證券業(yè)協(xié)會公布的證券公司分類作為類標(biāo)簽。構(gòu)建的風(fēng)險指標(biāo)體系依據(jù)2016年證監(jiān)會2016年6月16日頒布新的風(fēng)險指標(biāo)體系，從數(shù)據(jù)的可得性角度考慮，僅有2016年及調(diào)整后的2015年上市證券公司年報可提供數(shù)據(jù)。證券公司分類旨在綜合考量證券公司的風(fēng)險管理能力、市場競爭力及合規(guī)管理能力，是證券業(yè)協(xié)會對各證券公司提升風(fēng)控和合規(guī)能力的監(jiān)督措施，在一段時間內(nèi)標(biāo)準(zhǔn)不宜變動，故2015年及2016年的類標(biāo)簽有可比性，因此本文將2015年、2016年上市證券公司樣本合為一個樣本，以增大樣本量。本文構(gòu)建的證券公司風(fēng)險指標(biāo)均為相對指標(biāo)，不受通貨膨脹等因素影響，且在建模前的預(yù)處理階段均采用歸一化處理，因此在不同年間有可比性，綜上，本文的建模樣本較為合理。為了比較不同機器學(xué)習(xí)方法的優(yōu)劣性，本文首先采用十折交叉驗證方式得到各方法的正確率，在此基礎(chǔ)上，再各自計算10次取平均得到各方法下的正確率，為了同傳統(tǒng)計量方法作對比，還加入了多項logit回歸，以上操作均在WEKA3.8.1上實現(xiàn)，最終結(jié)果見表：

總體上，由于樣本容量較小，各方法的正確率均不夠高，但都大于33%，說明各模型均有一定的預(yù)測能力，各機器學(xué)習(xí)方法明顯優(yōu)于多項logit回歸。隨機森林的正確率最高，說明集成學(xué)習(xí)方法在建立上市證券公司風(fēng)險預(yù)警模型時，正確率最高，適用性最好。

四、結(jié)論及不足

通過理論討論及對不同機器學(xué)習(xí)方法在構(gòu)建預(yù)警模型的實證比較，本文發(fā)現(xiàn)機器學(xué)習(xí)方法適用于證券公司風(fēng)險預(yù)警模型的構(gòu)建，并且在預(yù)判正確率方面好于傳統(tǒng)的logit回歸方法，本文的研究成果為進一步研究上市證券公司風(fēng)險預(yù)警模型提供了參考。此外，信用風(fēng)險及操作風(fēng)險的預(yù)警程度不夠，缺少各證券公司的客戶數(shù)據(jù)及交易操作數(shù)據(jù)，導(dǎo)致在衡量證券公司整體風(fēng)險時缺乏來自各證券公司客戶行為及交易操作的信息，將來自客戶層面和公司層面的相關(guān)風(fēng)險指標(biāo)結(jié)合在一起，所構(gòu)建的風(fēng)險指標(biāo)體系可能會更加合理、全面，也將有利于進一步建立動態(tài)風(fēng)險預(yù)警模型。（作者單位為山西財經(jīng)大學(xué)信息管理學(xué)院）