基于文本挖掘和網(wǎng)絡(luò)爬蟲技術(shù)度量我國系統(tǒng)性金融風(fēng)險

吳寅愷 陳清萍

摘要：我們利用文本挖掘和網(wǎng)絡(luò)爬蟲技術(shù)從報刊文章中提取有關(guān)我國系統(tǒng)性金融風(fēng)險的信息，構(gòu)建了用于度量我國系統(tǒng)性金融風(fēng)險水平的系統(tǒng)性金融風(fēng)險指數(shù)。該指數(shù)與金融形勢指數(shù)相比，能夠更準確地刻畫近年來我國金融市場的風(fēng)險變化。在對我國系統(tǒng)性金融風(fēng)險的來源進行分析后發(fā)現(xiàn)2015年和2016年我國系統(tǒng)性金融風(fēng)險主要來源于銀行部門和股票市場，而2017年金融風(fēng)險的主要來源轉(zhuǎn)移到了銀行部門和房地產(chǎn)市場。此外，2015—2017年，我國互聯(lián)網(wǎng)金融風(fēng)險呈現(xiàn)出不斷上漲的趨勢，需要引起重視。

關(guān)鍵詞：文本挖掘；網(wǎng)絡(luò)爬蟲；系統(tǒng)性金融風(fēng)險；金融風(fēng)險指數(shù)；風(fēng)險來源

中圖分類號：F832.5；F832.59 文獻標志碼：A 文章編號：1001-862X（2018）05-0070-006

一、引 言

2017年習(xí)總書記在十九大報告中指出要“健全金融監(jiān)管體系，守住不發(fā)生系統(tǒng)性金融風(fēng)險的底線”。當(dāng)前我國經(jīng)濟形勢穩(wěn)中有變，打好防范和化解金融風(fēng)險攻堅戰(zhàn)已經(jīng)上升為國家戰(zhàn)略，因此，構(gòu)建合理的系統(tǒng)性金融風(fēng)險指數(shù)，對于觀測、預(yù)警和防范我國發(fā)生系統(tǒng)性金融風(fēng)險有著重要的作用。

目前度量金融風(fēng)險的方法主要是綜合指數(shù)法，該方法是通過構(gòu)建一套合理的指標體系，在選取合適的統(tǒng)計數(shù)據(jù)的基礎(chǔ)上，利用數(shù)理統(tǒng)計方法生成一個綜合指數(shù)，用于反映金融風(fēng)險水平的變化。具有代表性的這類指數(shù)有金融形勢指數(shù)（FCI）和金融壓力指數(shù)（FSI）。然而，近年來隨著數(shù)據(jù)的類型和體量呈爆發(fā)式的增長，統(tǒng)計數(shù)據(jù)這類結(jié)構(gòu)化的數(shù)據(jù)無法體現(xiàn)出諸如政策變化、戰(zhàn)爭及自然災(zāi)害等定性信息，因此統(tǒng)計數(shù)據(jù)不能涵蓋金融市場中所有的信息，這導(dǎo)致綜合指數(shù)法構(gòu)建的金融風(fēng)險指數(shù)難以準確刻畫出金融市場的風(fēng)險變化。而非結(jié)構(gòu)化的數(shù)據(jù)，例如大數(shù)據(jù)，所涵蓋的信息面更廣，收集渠道更多元化，因此能夠相對更全面地描述和分析金融風(fēng)險的變化。然而，不同于傳統(tǒng)的結(jié)構(gòu)化數(shù)據(jù)，非結(jié)構(gòu)化數(shù)據(jù)一般儲存在文本、文檔、圖片或者報表中，這就需要利用各種數(shù)據(jù)采集、分析方法，例如文本挖掘和網(wǎng)絡(luò)爬蟲技術(shù)，提取相關(guān)信息和數(shù)據(jù)。

本文將利用文本挖掘和網(wǎng)絡(luò)爬蟲技術(shù)，從國內(nèi)發(fā)行量較大、知名度較高的報刊文章中采集與我國金融市場風(fēng)險相關(guān)的信息和數(shù)據(jù)，并在此基礎(chǔ)上構(gòu)建出系統(tǒng)性金融風(fēng)險指數(shù)，用于度量我國系統(tǒng)性金融風(fēng)險并分析其來源和產(chǎn)生因素。

二、文獻綜述

早期對金融風(fēng)險的度量方法主要是對各國可能發(fā)生的金融風(fēng)險進行預(yù)測，如Frankel和Rose（1996）的FR概率模型以及Kaminsky等（1998）構(gòu)建的KLR模型。在2008年金融危機之前，政府和金融機構(gòu)用于對風(fēng)險的測度主要是通過評估系統(tǒng)性金融風(fēng)險損失數(shù)額和損失概率的方法，代表人物有Baumol（1963），他提出了風(fēng)險價值模型（VaR）。此外，對于金融風(fēng)險的度量較為普遍的方法為綜合指數(shù)法，該方法是通過構(gòu)建經(jīng)濟金融風(fēng)險指標體系，計算出能夠反應(yīng)金融風(fēng)險水平的金融風(fēng)險指數(shù)。具有代表性的就是Illing和Liu（2002）的金融壓力指數(shù)和Goodhart和Hofmann（2001）的金融形勢指數(shù)。金融壓力指數(shù)是通過因子分析，信用權(quán)重等方法，將各類指標數(shù)據(jù)合成一個可以反映國家或地區(qū)金融體系壓力的指數(shù)，當(dāng)金融風(fēng)險越大時壓力越大，越容易發(fā)生金融危機。2008年國際金融危機發(fā)生后，Hakkio和Keeton（2009）以及Cardarelli等（2009）在Illing和Liu的基礎(chǔ)上進一步完善了金融壓力指數(shù)，用于衡量系統(tǒng)性金融風(fēng)險的程度。此外，各國央行和金融監(jiān)管機構(gòu)也嘗試構(gòu)建一些能夠反映金融市場風(fēng)險程度的指標，例如，歐洲央行采用的系統(tǒng)壓力綜合指數(shù)（CISS），該指數(shù)反映了5個金融市場組合對系統(tǒng)性金融風(fēng)險的綜合效應(yīng)。許悅（2017） 對系統(tǒng)壓力綜合指數(shù)、金融形勢指數(shù)、金融壓力指數(shù)等指數(shù)進行效果分析，發(fā)現(xiàn)系統(tǒng)性壓力綜合指數(shù)對美國金融風(fēng)險有較好的監(jiān)測能力。

國內(nèi)對度量金融風(fēng)險的研究成果也頗為豐厚，王玉玲等（2006）比較了VaR和CVaR兩種方法對金融風(fēng)險度量的優(yōu)劣。沈悅和閔亮（2007）構(gòu)建了外匯壓力指數(shù)用于研究單個金融市場的風(fēng)險。賴娟和呂林江（2010）首次選擇期限利差、銀行業(yè)風(fēng)險利差、股票市場波動性和EMPI合成指數(shù)四個變量構(gòu)建了中國2002年1月至2009年12月的金融壓力指數(shù)。許滌龍和陳雙蓮（2015）通過銀行、地產(chǎn)等4個金融市場的18個二級指標，采用CRITIC法構(gòu)建了我國的金融壓力指數(shù)。韓心靈和韓保江（2017）利用5個二級指標和22個三級指標加權(quán)后得到了我國系統(tǒng)性金融風(fēng)險壓力指數(shù)。毛建林和張紅偉（2015）利用CCA模型對我國系統(tǒng)性金融風(fēng)險進行了測度。此外，武鵬和胡海峰（2016）在金融形勢指數(shù)的基礎(chǔ)上選取了短期利率、房地產(chǎn)價格等指標構(gòu)建了金融風(fēng)險指數(shù)用于衡量我國金融風(fēng)險水平。桂預(yù)風(fēng)和李?。?017）選取了宏觀維度、銀行與貨幣維度等17個指標，運用動態(tài)因子方法構(gòu)建了我國金融風(fēng)險指數(shù)。

總的看來，度量系統(tǒng)性金融風(fēng)險的方法多種多樣，其中利用綜合指數(shù)法構(gòu)建金融風(fēng)險指數(shù)應(yīng)用較為廣泛，然而這種方法也存在著一些不足：首先，綜合指數(shù)法在構(gòu)建金融風(fēng)險指數(shù)的過程中對于指標體系的選取沒有一個統(tǒng)一的標準：過多的指標不僅增加了運算成本，而且會增加冗余的信息干擾最終結(jié)果；而指標過少會導(dǎo)致重要的信息被遺漏。其次，綜合指數(shù)法構(gòu)建的金融風(fēng)險指數(shù)大多是基于結(jié)構(gòu)化的統(tǒng)計數(shù)據(jù)，然而隨著大數(shù)據(jù)時代的來臨，結(jié)構(gòu)化的數(shù)據(jù)有時候已經(jīng)無法全面反映的金融市場的變化。趙麗麗（2012）認為實際觀測到的統(tǒng)計數(shù)據(jù)只能分析價格、利潤等定量的信息，而經(jīng)濟政策變化、自然災(zāi)害、戰(zhàn)爭等定性信息很難在數(shù)據(jù)中體現(xiàn)出來，而互聯(lián)網(wǎng)的財經(jīng)新聞中就包含了大量的這種定性信息。Wuthrich等（1998）認為在報紙文章中的財經(jīng)新聞不僅闡述了市場表現(xiàn)的結(jié)果，而且包含了其來源和產(chǎn)生原因等潛在信息。

綜上所述，我們認為利用文本挖掘和網(wǎng)絡(luò)爬蟲技術(shù)從報刊、新聞中提取的非結(jié)構(gòu)化數(shù)據(jù)能夠涵蓋更多的信息，能夠更加全面地描述和分析我國金融市場的變化。在此基礎(chǔ)上構(gòu)建出的金融風(fēng)險指數(shù)對我國系統(tǒng)性金融風(fēng)險應(yīng)具有更強的解釋能力。

三、金融風(fēng)險指數(shù)的構(gòu)建

1.網(wǎng)絡(luò)爬蟲和文本挖掘技術(shù)

文本挖掘（textual mining）是從海量的、無結(jié)構(gòu)的文本信息中挖掘出潛在的、有價值的知識和信息的一種計算機處理技術(shù)。文本挖掘能夠利用一些智能算法并結(jié)合文字處理技術(shù)，分析大量的非結(jié)構(gòu)化文本源，如網(wǎng)頁、電子表格、報刊文章、電子郵件等，提取或標記關(guān)鍵字，并對文本內(nèi)容進行分類處理，從而獲取有用的信息。

網(wǎng)絡(luò)爬蟲（web crawler）是一個能夠自動提取網(wǎng)頁信息的技術(shù)，它通過模仿瀏覽器訪問網(wǎng)絡(luò)資源，從而獲取用戶需要的信息。例如，人們在日常瀏覽網(wǎng)頁過程中，經(jīng)常會看到一些好看的圖片或者一些有用的數(shù)據(jù)，如果想保存這些圖片或者數(shù)據(jù)，通常的方法就是選中想要的照片和數(shù)據(jù)，然后逐個進行保存，但是如果圖片或者數(shù)據(jù)量比較大（比如想保存1萬張圖片），那么以上的方法將耗費巨大的時間和精力。而網(wǎng)絡(luò)爬蟲技術(shù)可以快速高效地下載并保存所需要的圖片或者數(shù)據(jù)。

我們將兩種技術(shù)相結(jié)合，利用網(wǎng)絡(luò)爬蟲技術(shù)批量下載讀取網(wǎng)站中的文章，然后利用文本挖掘技術(shù)，使用預(yù)先準備好的詞庫采集文章中的重要信息，最后對所得到的數(shù)據(jù)進行處理和分析。

Baker等（2015）通過人工閱讀的方式提取報刊文章中的信息，構(gòu)建了“經(jīng)濟政策不確定性指數(shù)”，他們認為在一段時間內(nèi)，如果報刊的文章中頻繁提及“經(jīng)濟、政策不確定性”等相關(guān)詞語，說明此時政府經(jīng)濟政策的影響和效果不確定性增加。本文中，我們借鑒了Baker的理論觀點，提出了一個新的方法構(gòu)建我國金融風(fēng)險指數(shù)：我們利用文本挖掘和網(wǎng)絡(luò)爬蟲技術(shù)，在全國各大報紙中選取有關(guān)我國金融風(fēng)險的文章和報道，計算出一段時間內(nèi)與“金融風(fēng)險”相關(guān)的詞語在文章中出現(xiàn)的頻率，用于衡量金融風(fēng)險的大小。換句話說，在一段時間內(nèi)，如果報刊的文章中頻繁提及“金融風(fēng)險”等相關(guān)的詞語，說明政府和公眾對金融風(fēng)險的關(guān)注度較高，這在一定程度上反映了此時市場中的金融風(fēng)險較大，反之則表明金融市場的風(fēng)險較小。

基于以上理論，我們選取了《光明日報》和《中國經(jīng)營報》兩家報紙作為文本挖掘和網(wǎng)絡(luò)爬蟲的對象。之所以選擇這兩家報紙，一是這兩家報紙在國內(nèi)發(fā)行量較大、傳播較廣，具有一定的影響力。《光明日報》作為中宣部主管的中央黨報、中共中央機關(guān)報之一，其內(nèi)容具有一定的權(quán)威性；而《中國經(jīng)營報》的主管單位是中國社會科學(xué)院，該報是中國最早發(fā)行的經(jīng)濟類報刊之一，也是全國發(fā)行量最大、版面最多的經(jīng)濟類報紙。二是這兩家報紙都提供多媒體數(shù)字報刊平臺以便于網(wǎng)絡(luò)爬蟲技術(shù)下載所需要的文章。（1）

我們選取了自2015年1月到2017年12月的《光明日報》和《中國經(jīng)營報》所有數(shù)字版報刊作為分析對象。系統(tǒng)性金融風(fēng)險指數(shù)的編制過程如下：

（1）我們在2015年至2017年兩家報刊中選取各50篇有關(guān)金融市場風(fēng)險的文章和報道，利用人工閱讀的方式了解報刊文章都有哪些經(jīng)常用于描述“金融風(fēng)險”的詞匯，即風(fēng)險詞。根據(jù)風(fēng)險詞，我們建立了用于網(wǎng)絡(luò)爬蟲和文本挖掘的“系統(tǒng)性金融風(fēng)險詞庫”，其中包括了“（系統(tǒng)性）金融風(fēng)險”、“系統(tǒng)性風(fēng)險”、“重大風(fēng)險”、“區(qū)域性風(fēng)險”、“房地產(chǎn)風(fēng)險”、“匯率風(fēng)險”、“債務(wù)風(fēng)險”等在內(nèi)的37個風(fēng)險詞。由于《中國經(jīng)營報》為經(jīng)濟類報紙，專業(yè)性更強，用于描述金融風(fēng)險的詞匯也更多，因此《中國經(jīng)營報》的詞庫是在《光明日報》詞庫的基礎(chǔ)上附加了一組詞庫，具體的詞庫如下：

（2）我們利用Python軟件編制網(wǎng)絡(luò)爬蟲代碼，將2015至2017年的所有電子報刊按照月度的分類爬取到PC終端，在每月發(fā)行的報刊中隨機選取一定數(shù)量的文章（2），計算出“系統(tǒng)性金融風(fēng)險詞庫”中的風(fēng)險詞在選取文章中出現(xiàn)的頻率，整理為月度數(shù)據(jù)后，以此作為該報刊的系統(tǒng)性金融風(fēng)險指數(shù)：

綜上所述，如果詞庫中的風(fēng)險詞在文章內(nèi)頻繁出現(xiàn)，這說明了此時政府和公眾提高了對金融風(fēng)險的關(guān)注度，意識到了金融風(fēng)險在不斷地累積，而此時我們構(gòu)建出的金融風(fēng)險指數(shù)也會隨之升高；反之，金融風(fēng)險指數(shù)則會降低。

（3）每年的兩會等重要的會議期間，會頻繁提及防范金融風(fēng)險等會議事項，使得詞庫中風(fēng)險詞出現(xiàn)頻率劇增，從而導(dǎo)致指數(shù)失真。為了避免會議對指數(shù)造成的影響，我們將報刊中的“兩會特刊”、“十九大特刊”等版面的文章剔除在外，在這些重要的會議期間提取其他版面文章的風(fēng)險詞，并計算其頻率。

（4）基于不同的報刊，我們構(gòu)建了“光明日報金融風(fēng)險指數(shù)”和“中國經(jīng)營報金融風(fēng)險指數(shù)”，然后將兩個指數(shù)算術(shù)平均后得到一個“系統(tǒng)性金融風(fēng)險指數(shù)”。

圖1描述的是《光明日報》和《中國經(jīng)營報》金融風(fēng)險指數(shù)的走勢圖，其中實線代表的是《光明日報》金融風(fēng)險指數(shù)，虛線代表的是《中國經(jīng)營報》金融風(fēng)險指數(shù)。從圖中可以看出，這兩個金融風(fēng)險指數(shù)走勢較為接近，兩者的相關(guān)系數(shù)也達到了0.5。在2015年的“股災(zāi)”之前，兩個指數(shù)一直在相對低位徘徊，而在“股災(zāi)”過后的大部分時間里，指數(shù)都在相對高位波動，說明了在“股災(zāi)”過后，我國的系統(tǒng)性風(fēng)險水平顯著增加。值得關(guān)注的是，近年來我國出現(xiàn)了4次系統(tǒng)性金融風(fēng)險指數(shù)較高的時段，一是2015年6月到8月的“股災(zāi)”期間，短短3個月上證指數(shù)跌幅超過30%，流動性風(fēng)險加劇，迫使以證金和券商為主的“國家隊”開始維穩(wěn)救市。二是2016年1月由于實施熔斷新政，新年開市后的兩個交易日內(nèi)股市遭遇4次熔斷，兩次提前休市，四天時間內(nèi)，上證指數(shù)下跌了13.8%，一周時間A股市值蒸發(fā)逾6萬億。三是2016年年底人民幣兌美元大幅貶值并伴隨著房地產(chǎn)市場泡沫的加?。?016年全年人民幣兌美元貶值近7%，與此同時，2016年前三季度房價大幅上漲，9月份“深圳6平米88萬天價房” 更是讓房價過高的輿論矛盾進一步激化。國慶節(jié)后17個城市先后出臺“限購”、“限價”等政策抑制房價過快上漲，欲遏制房地產(chǎn)市場風(fēng)險增加。四是2017年5月債券市場迎來了償債高峰期，各類債券償還總規(guī)模超過2.6萬億元，為2000年以來的次高峰，在部分地區(qū)經(jīng)濟增長下滑、財政收入減少的情況下，政府的償債壓力增大，債務(wù)風(fēng)險增加。

雖然兩個金融風(fēng)險指數(shù)走勢大致相同，但也存在著一些區(qū)別。例如，《光明日報》金融風(fēng)險指數(shù)在2015年“股災(zāi)”期間的數(shù)值最高達到了1.03，而在2016年“熔斷”期間該數(shù)值達到了峰值1.47。而《中國經(jīng)營報》金融風(fēng)險指數(shù)在 “股災(zāi)”期間最高達到了2.08的數(shù)值，在熔斷期間該數(shù)值為1.39。這說明相對于《光明日報》金融風(fēng)險指數(shù)，《中國經(jīng)營報》金融風(fēng)險指數(shù)認為“股災(zāi)”期間的金融風(fēng)險水平相對“熔斷”期間的更高。

為了避免單個指數(shù)在編制過程中造成的數(shù)值偏差，導(dǎo)致指數(shù)的失真，我們將上述兩個金融風(fēng)險指數(shù)平均后得到了綜合的系統(tǒng)性金融風(fēng)險指數(shù)（如圖2所示）。可以看出，綜合后的指數(shù)與兩家報紙的金融指數(shù)一樣，可以清晰地刻畫出近年來我國幾次系統(tǒng)性金融風(fēng)險事件集中爆發(fā)的時段。

2.系統(tǒng)性金融風(fēng)險指數(shù)的評估

為了評估我們構(gòu)建的系統(tǒng)性金融風(fēng)險指數(shù)的可靠性和適用性，我們將該指數(shù)與金融形勢指數(shù)進行了比較。本文中，我們選取了高盛中國金融形勢指數(shù)作為參考指標，數(shù)據(jù)來源于彭博（Bloomberg）數(shù)據(jù)庫網(wǎng)站。金融形勢指數(shù)是由實際短期利率、實際有效匯率、房地產(chǎn)價格指數(shù)和股票價格指數(shù)等變量通過加權(quán)平均構(gòu)建得到，在一定程度上能夠反映金融風(fēng)險的程度，因此，一些國家和央行以這項指標作為貨幣政策制定和金融風(fēng)險衡量的重要參考指標。

如圖3所示，圖中虛線為金融形勢指數(shù)（FCI），實線為我國系統(tǒng)性金融風(fēng)險指數(shù)（FRI）。可以看出，在一些時期內(nèi)系統(tǒng)性金融風(fēng)險指數(shù)和金融形勢指數(shù)走勢較為接近（兩者相關(guān)系數(shù)達到了0.4），特別是在金融風(fēng)險事件集中爆發(fā)的階段，兩個指數(shù)都能較好地反映金融風(fēng)險水平的增加。但是，兩個指數(shù)也存在一些差別，例如，F(xiàn)CI在2015年年初的數(shù)值相對較高，而FRI則較低；FCI對外匯波動及房地產(chǎn)價格上漲帶來的金融風(fēng)險的增加更為敏感，該指數(shù)在2016年12月曾一度達到過最高峰105.59，這個數(shù)值甚至超過了 “股災(zāi)”期間 “熔斷”期間的數(shù)值。同時，F(xiàn)CI對于債券市場風(fēng)險的變化較為不敏感。例如， 2017年5月的債市償債高峰期，F(xiàn)RI大幅升高，而與此同時FCI卻是下降的。

造成兩個指數(shù)走勢不完全一致的因素是多方面的。首先，金融形勢指數(shù)在構(gòu)建的過程中沒有涵蓋如債券收益率等與債券市場相關(guān)的指標，因此該指數(shù)相比系統(tǒng)性金融風(fēng)險指數(shù)缺少對債券市場中債務(wù)風(fēng)險和違約風(fēng)險水平的衡量，在一定程度上低估了債務(wù)風(fēng)險和違約風(fēng)險水平。其次，金融形勢指數(shù)的構(gòu)建過程中包含了股票、房地產(chǎn)等各類價格指數(shù)，雖然這類指標與金融風(fēng)險有很高的動態(tài)相關(guān)性，但是單純價格上漲并不完全代表著金融風(fēng)險的升高，因此相較于我們構(gòu)建的系統(tǒng)性金融風(fēng)險指數(shù)，金融形勢指數(shù)在一定程度上高估了由價格上漲帶來的金融風(fēng)險。綜上可以看出，系統(tǒng)性金融風(fēng)險指數(shù)相較于金融形勢指數(shù)能夠更全面地反映我國金融市場風(fēng)險水平的變化。

3.金融風(fēng)險的來源分類

為了分析我國系統(tǒng)性金融風(fēng)險的來源和產(chǎn)生因素，我們將“系統(tǒng)性金融風(fēng)險詞庫”進一步細化分類，將風(fēng)險的來源區(qū)分為銀行等金融機構(gòu)部門風(fēng)險、房地產(chǎn)市場風(fēng)險、股票市場風(fēng)險、債券市場風(fēng)險、外匯市場風(fēng)險和互聯(lián)網(wǎng)金融風(fēng)險等6個維度，爬取《中國經(jīng)營報》中的文章（3），計算各類風(fēng)險詞出現(xiàn)的次數(shù)，從而了解近年來我國系統(tǒng)性金融風(fēng)險來源的主要因素及其變化。

從表1中可以看出，2015年和2016年我國系統(tǒng)性金融風(fēng)險主要來源于銀行部門的風(fēng)險和股票市場的風(fēng)險。這是由于這兩年中我國股票市場出現(xiàn)了劇烈的波動，在先后經(jīng)歷了“股災(zāi)”和“熔斷”后，股市的劇烈波動對銀行業(yè)系統(tǒng)造成了一定的沖擊。這種沖擊包括銀行持有的上市公司的股票因為股價的大幅下滑而對銀行業(yè)績造成的直接影響，同時股市的劇烈波動也對股票質(zhì)押貸款、投資以及與股票掛鉤的銀行業(yè)務(wù)等產(chǎn)生了間接影響，一定程度上增加了銀行部門的風(fēng)險。而在采取了及時的救市措施之后，股票市場的風(fēng)險在2017有所下降，從而避免了經(jīng)濟危機的發(fā)生。與此同時，伴隨著近年來房地產(chǎn)價格的大幅上漲，2017年我國系統(tǒng)性金融風(fēng)險主要來源從銀行部門和股票市場的風(fēng)險轉(zhuǎn)換到了銀行部門和房地產(chǎn)市場的風(fēng)險?？梢钥闯觯?017年報刊文章提及“樓市泡沫”、“房地產(chǎn)風(fēng)險”等風(fēng)險詞的數(shù)量為2016年的4倍，是2015年的30多倍。

此外，2017年我國債務(wù)風(fēng)險也相較于2015年和2016年有所提高，這與2017年5月債券大量集中到期有關(guān)。在外匯市場風(fēng)險方面，盡管人民幣匯率在近年有一定程度的波動，但是從表格中可以看出，我國外匯市場的風(fēng)險在近3年中相對平穩(wěn)，基本沒有受到人民幣幣值波動的影響。值得注意的是互聯(lián)網(wǎng)金融風(fēng)險，在2015年底“e租寶”事件發(fā)生過后，在近年出現(xiàn)了上漲的趨勢，需要引起極大的重視。

四、結(jié)論及政策建議

我們利用網(wǎng)絡(luò)爬蟲和文本挖掘技術(shù)，對2015年至2017年的《光明日報》和《中國經(jīng)營報》的文章信息進行了提取，構(gòu)建了我國系統(tǒng)性金融風(fēng)險指數(shù)用于度量我國系統(tǒng)性金融風(fēng)險。該指數(shù)清晰地刻畫了近三年來我國四次金融風(fēng)險水平較高的時段，在與中國金融形勢指數(shù)比較后我們發(fā)現(xiàn)系統(tǒng)性金融風(fēng)險指數(shù)能夠更好更全面地反映我國系統(tǒng)性金融風(fēng)險的水平。

此外，我們分析了近年來我國系統(tǒng)性金融風(fēng)險的來源及產(chǎn)生因素，發(fā)現(xiàn)了2015年和2016年我國系統(tǒng)性金融風(fēng)險主要來源于銀行部門和股票市場的風(fēng)險，而2017年我國系統(tǒng)性金融風(fēng)險轉(zhuǎn)換到了銀行部門和房地產(chǎn)市場的風(fēng)險，特別是2016年在股市波動和房地產(chǎn)價格大幅上漲的雙重壓力情況下，我國銀行部門的風(fēng)險急劇增加。此外，值得注意的是，在2015年“e租寶事件”過后，我國互聯(lián)網(wǎng)金融風(fēng)險在近年出現(xiàn)了不斷上漲的趨勢。

當(dāng)前，在國務(wù)院機構(gòu)改革的背景下，銀監(jiān)會和保監(jiān)會合并組建中國銀行保險監(jiān)督委員會，原來的分業(yè)監(jiān)管模式逐漸向分業(yè)和統(tǒng)一的監(jiān)管方式轉(zhuǎn)變，監(jiān)管機構(gòu)能夠更加全面地對金融市場進行監(jiān)管，有效彌補監(jiān)管漏洞，有利于統(tǒng)籌協(xié)調(diào)金融發(fā)展。在新的金融監(jiān)管構(gòu)架下，結(jié)合文章所得結(jié)論，我們給出了如下政策建議：

1.加強資產(chǎn)管理行業(yè)監(jiān)管。近年來我國銀行部門、股票市場以及房地產(chǎn)市場風(fēng)險的高企，與資產(chǎn)管理行業(yè)規(guī)模不斷擴大有著緊密的關(guān)系。各類資管產(chǎn)品相互投資、重復(fù)投資等多層嵌套問題日益嚴重，這加大了金融體系的脆弱性。例如，近年來保險行業(yè)利用萬能險、投連險大量吸收社會資金，頻頻在股市舉牌，擾亂市場秩序，或者以通道、嵌套等方式開展股權(quán)投資計劃，使得資金又大量流入了風(fēng)險較大的房地產(chǎn)領(lǐng)域，進一步推高了房地產(chǎn)泡沫，加大了房地產(chǎn)市場風(fēng)險。銀監(jiān)會和保監(jiān)會的合并，有利于部門間的溝通和監(jiān)管協(xié)作，覆蓋監(jiān)管空白，彌補監(jiān)管漏洞，新組建的銀保監(jiān)會需要加強對資管行業(yè)的監(jiān)管。

2.完善互聯(lián)網(wǎng)金融監(jiān)管體系。雖然銀監(jiān)會和保監(jiān)會的合并有助于改善分業(yè)監(jiān)管效率低下的問題，有利于P2P等網(wǎng)貸業(yè)務(wù)的發(fā)展，但是近年來互聯(lián)網(wǎng)金融風(fēng)險不斷加大，面對復(fù)雜的互聯(lián)網(wǎng)金融的產(chǎn)品創(chuàng)新，還需要完善互聯(lián)網(wǎng)金融的監(jiān)管體系。

注釋：

（1）我們也嘗試挖掘其他例如《人民日報》、《經(jīng)濟日報》等報刊的文章，但是這些報刊的數(shù)字版提供的資源有限，可查詢的報刊日期較少，因此編制出的金融風(fēng)險指數(shù)歷史數(shù)據(jù)較少，缺乏說服力。此外，由于個別數(shù)字報刊網(wǎng)站建立了“反爬蟲”措施，因此無法提取到有效的文字和數(shù)據(jù)。

（2）《光明日報》為日刊，每月選取500篇文章，《中國經(jīng)營報》為周刊，每月選取200篇文章。

（3）此次爬取非隨機選擇文章，而是從頭版、要聞、宏觀、財經(jīng)、銀行、地產(chǎn)、科技等版面選取所有文章，計算詞庫中詞語出現(xiàn)的總次數(shù)。

參考文獻：

[1]Baker S R，Bloom N，Davis S J.Measuring Economic Policy Uncertainty[J].Cep Discussion Papers，2015.

[2]Baumol W J.An Expected Gain-Confidence Limit Criterion for Portfolio Selection[J].Management Science，1963，10（1）：174-182.

[3]Cardarelli R，Elekdag S A，Lall S.Financial Stress，Downturns，and Recoveries[J].Imf Working Papers，2009，09（100）：25-29.

[4]Frankel J A，Rose A K.Currency Erashes in Emerging Markets： An Empirical Treatment[J].International Finance Discussion Papers，1996，41（3-4）：351-366.

[5]Goodhart C，Hofmann B.Asset Prices，F(xiàn)inancial Conditions，and the Transmission of Monetary Policy[J].Proceedings，2001，114（2）：198-230.

[6]Illing M，Liu Y.An Index of Financial Stress for Canada[J].Staff Working Papers，2003，29（03-14）.

[7]Kaminsky G，Lizondo S，Reinhart C M.Leading Indicators of Currency Crises[J].Staff Papers，1998，45（1）：1-48.

[8]桂預(yù)風(fēng)，李巍.基于動態(tài)因子模型的金融風(fēng)險指數(shù)構(gòu)建[J].統(tǒng)計與決策，2017，（20）：150-153.

[9]韓心靈，韓保江.供給側(cè)結(jié)構(gòu)性改革下系統(tǒng)性金融風(fēng)險：生成邏輯、風(fēng)險測度與防控對策[J].財經(jīng)科學(xué)，2017，（6）：1-13.

[10]毛建林，張紅偉.基于CCA模型的我國銀行系統(tǒng)性金融風(fēng)險實證研究[J].宏觀經(jīng)濟研究，2015，（3）：94-102.

[11]沈悅，閔亮.基于外匯市場壓力指數(shù)的貨幣危機界定與識別[J].上海金融，2007，（12）：69-72.

[12]武鵬，胡海峰.中國金融風(fēng)險指數(shù)FRI的構(gòu)建及經(jīng)濟預(yù)測的檢驗[J].統(tǒng)計與決策，2016，（2）：120-123.

[13]王玉玲，王晶.度量金融風(fēng)險的CVaR方法[J].統(tǒng)計與決策，2006，（11）：13-14.

[14]許滌龍，陳雙蓮.基于金融壓力指數(shù)的系統(tǒng)性金融風(fēng)險測度研究[J].經(jīng)濟學(xué)動態(tài)，2015，（4）：69-78.

[15]許悅.系統(tǒng)性壓力綜合指數(shù)的有效性研究[J].統(tǒng)計與決策，2017，（2）：166-170.

[16]趙麗麗.互聯(lián)網(wǎng)財經(jīng)新聞對股市影響的定量分析[D].西南財經(jīng)大學(xué)，2012.

（責(zé)任編輯 吳曉妹）