關(guān)于大數(shù)據(jù)在中央銀行監(jiān)管應(yīng)用的文獻(xiàn)綜述

劉曉鑫 景祥云 葉駿驊 金 博 畢文祥

（中國人民銀行長春中心支行，吉林長春 130051）

2008年全球金融危機(jī)爆發(fā)以來，隨著國際金融監(jiān)管改革的深化和拓展，如何有效使用快速增長的金融數(shù)據(jù)成為擺在各國中央銀行面前的一項重要課題。由于大數(shù)據(jù)技術(shù)能夠有效提升數(shù)據(jù)挖掘和使用的效率，并通過提供更完整、即時和詳細(xì)的資料作為“傳統(tǒng)”宏觀經(jīng)濟(jì)指標(biāo)的補(bǔ)充，從而增強(qiáng)分析能力，以便做出更好的決策，因此大數(shù)據(jù)分析工具得到了各國央行的高度重視。在此背景下，本文重點搜集了央行應(yīng)用大數(shù)據(jù)方法的相關(guān)文獻(xiàn)，探索大數(shù)據(jù)為央行制定和執(zhí)行經(jīng)濟(jì)政策提供的支持，尤其是如何改善統(tǒng)計信息、宏觀經(jīng)濟(jì)分析和預(yù)測、金融市場監(jiān)測和金融風(fēng)險評估。

從央行應(yīng)用大數(shù)據(jù)的領(lǐng)域來看，大數(shù)據(jù)可以在提高經(jīng)濟(jì)分析和金融管理等方面發(fā)揮重要作用。國際貨幣基金組織正在研究大數(shù)據(jù)模型，將大數(shù)據(jù)作為衡量經(jīng)濟(jì)指標(biāo)的一種新方法，如分析價格、勞動力市場狀況、住房市場、商業(yè)情緒等（Hammer等，2017年）。許多央行目前正在研究如何利用金融大數(shù)據(jù)集的特點來執(zhí)行其任務(wù)（Coeuré，2017）。大數(shù)據(jù)在細(xì)節(jié)、靈活性、及時性和效率方面具有許多優(yōu)勢（Nymand Andersen，2016）。中央銀行有興趣開發(fā)各種試點項目，以更好地理解新的數(shù)據(jù)集和技術(shù)，評估其與傳統(tǒng)方法相比的附加值，并開發(fā)具體的“用例”（IFC，2015）。

一、信息渠道拓展與統(tǒng)計實效的提升

大數(shù)據(jù)可以成為改進(jìn)官方統(tǒng)計機(jī)構(gòu)的有用手段。首先，它可以成為支持目前官方統(tǒng)計數(shù)據(jù)編制的新來源，使人們能夠獲得更廣泛的數(shù)據(jù)集。這些數(shù)據(jù)通常不是為特定的統(tǒng)計目的而收集或設(shè)計，而是其他活動的副產(chǎn)品（Groves，2011）。它們的范圍相當(dāng)大，包括交易數(shù)據(jù)（如在線記錄的價格）、其他的數(shù)據(jù)（如社交媒體帖子、互聯(lián)網(wǎng)上顯示的產(chǎn)品評論），以及各種商業(yè)、財務(wù)和行政指標(biāo)，如克強(qiáng)指數(shù)①克強(qiáng)指數(shù)是三種經(jīng)濟(jì)指標(biāo)（工業(yè)用電量新增、鐵路貨運(yùn)量新增和銀行中長期貸款新增）來評估GDP的增長。。

數(shù)據(jù)可以用來加強(qiáng)現(xiàn)有的統(tǒng)計工作，特別是在現(xiàn)有的統(tǒng)計體系難以完全覆蓋的情況下。例如，在一些發(fā)達(dá)經(jīng)濟(jì)體在線零售商價格數(shù)據(jù)的直接網(wǎng)絡(luò)抓取可以用來更好地衡量通貨膨脹的某些特定組成部分。在極端情況下這些數(shù)據(jù)可以取代官方統(tǒng)計系統(tǒng)不發(fā)達(dá)的國家的傳統(tǒng)指標(biāo)。正如美國麻省理工學(xué)院的Roberto Rigobon所開展的“十億價格項目”研究，該項目允許為缺乏官方或綜合指數(shù)的國家構(gòu)建通脹指數(shù)。

第二，大數(shù)據(jù)分析模型可以更加高效便捷地獲取和分析除官方數(shù)據(jù)以外的海量數(shù)據(jù)，消除傳統(tǒng)意義上的統(tǒng)計時間差。由各種網(wǎng)絡(luò)和電子設(shè)備（如搜索查詢）即時生成的信息提供了高頻指標(biāo)，有助于當(dāng)局更及時地跟蹤當(dāng)前的經(jīng)濟(jì)發(fā)展。實際上，“十億價格項目”的另一個目標(biāo)是以更高的頻率提供包括發(fā)達(dá)經(jīng)濟(jì)體在內(nèi)的許多國家的通貨膨脹的先行信息，例如消費者物價指數(shù)（CPI）是每天而不是每月一次。在實體經(jīng)濟(jì)方面，如新西蘭銀行的Tugrul Vehbi提出的一些指標(biāo)現(xiàn)在可以通過使用基于網(wǎng)絡(luò)的信息和機(jī)器學(xué)習(xí)算法來提前估計，大數(shù)據(jù)源的高速運(yùn)行有助于提供更及時的信息，這在危機(jī)期間尤為重要。

第三，大數(shù)據(jù)分析提供新類型的統(tǒng)計數(shù)據(jù)能夠“補(bǔ)充”傳統(tǒng)統(tǒng)計數(shù)據(jù)集。一方面，數(shù)字化文本信息的可用性大大增加，這使得人們能夠從社交媒體數(shù)據(jù)中得出諸如經(jīng)濟(jì)主體的情緒和預(yù)期等有用信息?；诨ヂ?lián)網(wǎng)的資源可以涵蓋更廣泛的主題，例如宏觀經(jīng)濟(jì)金融形勢特別是系統(tǒng)性風(fēng)險發(fā)生的概率。另一方面，一個重要因素是增加使用大顆粒數(shù)據(jù)集來改進(jìn)宏觀經(jīng)濟(jì)總量的匯編，從而更好地了解其分散性（IFC，2016）——這類分布信息在國民賬戶體系（SNA）中普遍缺失。李紅艷等（2013）提出新型國民經(jīng)濟(jì)核算體系的概念，對全社會經(jīng)濟(jì)活動，即每一個產(chǎn)品或服務(wù)（存款、或貸款）從其產(chǎn)生到被消費（消亡）的全過程進(jìn)行動態(tài)跟蹤記錄，對每個經(jīng)濟(jì)主體的每次經(jīng)濟(jì)活動和經(jīng)濟(jì)關(guān)聯(lián)活動進(jìn)行跟蹤記錄，2013年末我國國家統(tǒng)計局就與百度、阿里巴巴等多家企業(yè)簽署的《大數(shù)據(jù)戰(zhàn)略合作框架協(xié)議》以及2020年人民銀行成立的金融基礎(chǔ)數(shù)據(jù)中心使得這一構(gòu)想成為可能。

二、使用大數(shù)據(jù)方法進(jìn)行宏觀經(jīng)濟(jì)預(yù)測

許多國家的中央銀行已經(jīng)在使用大數(shù)據(jù)集進(jìn)行宏觀經(jīng)濟(jì)預(yù)測。例如，Per Nymand-Andersen（ECB）展示了如何利用Google-Trends數(shù)據(jù)編制歐元區(qū)汽車銷售預(yù)估的短期預(yù)測；英格蘭銀行的Eleni Kalamara等將文本信息與有監(jiān)督的機(jī)器學(xué)習(xí)技術(shù)相結(jié)合，改進(jìn)了對宏觀經(jīng)濟(jì)變量（包括GDP、通貨膨脹和失業(yè)）的預(yù)測。從統(tǒng)計學(xué)視角來看，有些指標(biāo)在預(yù)測國內(nèi)生產(chǎn)總值時可能效果良好，但在預(yù)測其未來發(fā)展時可能效果不佳。事實上，一些基于網(wǎng)絡(luò)的指標(biāo)在即時預(yù)測中的效果可能不如傳統(tǒng)的商業(yè)信心調(diào)查。

鑒于這些注意事項，并考慮到可能獲得的大量數(shù)據(jù)，遵循結(jié)構(gòu)化的過程可能是有用的。泰國銀行的Paphatsorn Sawaengsuksant建議，在選擇諸如因特網(wǎng)搜索查詢等感興趣的指標(biāo)時采用系統(tǒng)方法。例如，Google-Trends數(shù)據(jù)中的關(guān)鍵詞可以根據(jù)其通用程度、受歡迎程度（即記錄的搜索次數(shù)）、敏感性（即對微小語義變化的敏感度）、預(yù)測值（即與宏觀指標(biāo)的相關(guān)性）來選擇關(guān)鍵詞，從經(jīng)濟(jì)學(xué)的角度來看，被測試的關(guān)系是否有意義。

三、大數(shù)據(jù)模型改進(jìn)金融市場監(jiān)測效率

與宏觀經(jīng)濟(jì)領(lǐng)域一樣，大數(shù)據(jù)模型在監(jiān)測金融市場發(fā)展方面也很有價值，這是央行的一個關(guān)鍵領(lǐng)域。例如，香港金融管理局的調(diào)查報告顯示，一些新興的主權(quán)債券市場的回報可以用各種技術(shù)交易規(guī)則和機(jī)器學(xué)習(xí)技術(shù)來預(yù)測，評估其穩(wěn)健性與特定外國（如美國貨幣政策）和國內(nèi)因素的相對影響；許偉（2016）通過在基于網(wǎng)絡(luò)情感和搜索行為（谷歌搜索）的數(shù)據(jù)挖掘集成模型中加入房地產(chǎn)價格指數(shù)時間序列的滯后項，運(yùn)用支持向量回歸模型對房地產(chǎn)價格指數(shù)進(jìn)行了更好的預(yù)測。

其他類型的項目是在尋找非結(jié)構(gòu)化的數(shù)據(jù)。例如，印度尼西亞銀行的Okiriza Wibisono（2018）描述了如何使用文本挖掘算法來監(jiān)測公眾對印度尼西亞利率走向的預(yù)期。已有多家央行的經(jīng)驗表明，新的大數(shù)據(jù)來源也有助于監(jiān)測金融市場的發(fā)展，并預(yù)測其潛在的未來方向。就日本央行而言，高頻數(shù)據(jù)的使用有助于監(jiān)測政府債券市場的流動性和因此有可能導(dǎo)致的價格風(fēng)險。英格蘭銀行也制定了具體的項目，以監(jiān)測外匯市場動態(tài)和在市場大幅波動時的流動性。

四、使用大數(shù)據(jù)方法識別系統(tǒng)性風(fēng)險

大數(shù)據(jù)方法還可以提升金融當(dāng)局識別金融風(fēng)險的效果——無論是負(fù)責(zé)微觀金融監(jiān)管的機(jī)構(gòu)，還是宏觀審慎監(jiān)管的機(jī)構(gòu)（Tissot，2019）。在該領(lǐng)域早期的研究包括：Nag & Mitra（1999）首次將人工神經(jīng)網(wǎng)絡(luò)引入預(yù)警模型，之后很多學(xué)者利用人工神經(jīng)網(wǎng)絡(luò)對系統(tǒng)性風(fēng)險進(jìn)行分析，結(jié)果表示神經(jīng)網(wǎng)絡(luò)的樣本外預(yù)測能力明顯優(yōu)于KLR模型。陳秋玲等（2009）基于bp人工神經(jīng)網(wǎng)絡(luò)計算了2008年中國國家綜合金融風(fēng)險，財政貿(mào)易風(fēng)險，宏觀經(jīng)濟(jì)風(fēng)險等預(yù)警等級，與實際情況基本符合。Yu et al.（2010）提出了基于經(jīng)驗?zāi)B(tài)分解法（EMD）的多量程神經(jīng)網(wǎng)絡(luò)模型，提高了預(yù)測精度，改善了泛化性能，結(jié)果優(yōu)于其它分類方法和bp神經(jīng)網(wǎng)絡(luò)。但是對于小型數(shù)據(jù)集而言，支持向量機(jī)有著更好的精度；林宇等（2013）將隨機(jī)欠采樣 (RU) 、合成少數(shù)類過采樣 (SMOTE) 與傳統(tǒng)支持向量機(jī) (SVM) 相結(jié)合, 提出一種改進(jìn)的SVM模型，具有更高的預(yù)測精度和性能。但是神經(jīng)網(wǎng)絡(luò)算法雖然預(yù)測結(jié)果精確但是計算量很大，計算速度也隨著數(shù)據(jù)量的增加指數(shù)級增長，對設(shè)備要求較高且參數(shù)很多不易解釋（李欣海，2013）。

2001年，Breiman等人在貝爾實驗室（Ho,1995, 1998）所提出的隨機(jī)決策森林 (random decision forests)的基礎(chǔ)上創(chuàng)造了隨機(jī)森林算法，選用隨機(jī)化特征和數(shù)據(jù)建立決策樹來降低計算量，運(yùn)用建立多棵樹形成一片森林最后匯總結(jié)果投票選出最佳結(jié)果的方法來保證預(yù)測精度（Breiman,2001a）。在風(fēng)險預(yù)警方面如Joy et al.（2015）分析1970-2010年36個發(fā)達(dá)經(jīng)濟(jì)體銀行和貨幣危機(jī)爆發(fā)前的經(jīng)濟(jì)、金融和結(jié)構(gòu)狀況，通過隨機(jī)森林確定了銀行業(yè)危機(jī)的短期先兆是凈息差較低，收益率曲線較淺，或是倒掛，長期先兆是高房價通脹；而貨幣危機(jī)則可由國內(nèi)短期利率和匯率作為短期預(yù)測因素。Xu et al.（2018）結(jié)合Wavelet變化和隨機(jī)森林模型度貨幣危機(jī)進(jìn)行預(yù)測，實證表示在16-32個月的時間范圍內(nèi)衡量的實際匯率升值是影響最大的因子。Takuji（2019）利用隨機(jī)森林和DWT變換結(jié)合，建立了貨幣危機(jī)預(yù)測模型，對危機(jī)預(yù)測具有較高的精度，并證明了月度實際匯率和外匯儲備凈國DWT變換之后可以作為可靠的預(yù)測指標(biāo)。

王克達(dá)（2019）基于1970—2011年全球各國金融危機(jī)數(shù)據(jù)對系統(tǒng)性銀行危機(jī)、貨幣危機(jī)和主權(quán)債務(wù)危機(jī)的預(yù)警進(jìn)行了實證研究表示隨機(jī)森林預(yù)測精度最優(yōu)，最能識別先導(dǎo)指標(biāo)。蕭超武等（2014）建立了基于隨機(jī)森林組合分類算法的個人信用評估模型，實證表示該模型具有較好的預(yù)測精度和穩(wěn)定性。葉曉楓和魯亞會（2017）將樸素貝葉斯與隨機(jī)森林模型融合建立信用評估模型，實證表示具有更高的預(yù)測準(zhǔn)確度。還有企業(yè)信用及其破產(chǎn)研究，如盛夏等（2016）年比較隨機(jī)森林和adaboost對中國上市公司的信用評級變動的預(yù)測顯示隨機(jī)森林具有更好的預(yù)測精度。信用卡風(fēng)險評估如方匡南等（2010）對信用卡風(fēng)險實證研究表明隨機(jī)森林比logistic回歸和支持向量機(jī)具有更好的預(yù)測性能。

五、主要結(jié)論與思考

2008年以來，全球主要國家央行高度重視微觀金融數(shù)據(jù)基礎(chǔ)設(shè)施的建設(shè)，大量顆粒度較高的微觀金融數(shù)據(jù)被源源不斷地匯聚到中央銀行的數(shù)據(jù)信息系統(tǒng)中。這對于央行的數(shù)據(jù)存儲和分析能力提出了巨大挑戰(zhàn)。如何開發(fā)適合央行特性的金融大數(shù)據(jù)系統(tǒng)，探索金融大數(shù)據(jù)分析方法，已經(jīng)成為各國央行亟待解決的重要問題。一般而言，可供央行借鑒和使用的大數(shù)據(jù)分析方法主要包括機(jī)器學(xué)習(xí)、文本挖掘以及網(wǎng)絡(luò)分析等方法。中央銀行借助大數(shù)據(jù)分析方法，能夠進(jìn)一步拓展信息渠道、提升統(tǒng)計時效，改善宏觀經(jīng)濟(jì)預(yù)測效果，改進(jìn)金融市場監(jiān)測效率，并進(jìn)一步強(qiáng)化宏觀審慎監(jiān)管職能。當(dāng)然，央行在使用大數(shù)據(jù)方法履職時，也面臨一系列的問題和挑戰(zhàn)，包括在設(shè)立和運(yùn)行新的大數(shù)據(jù)組織的過程中如何契合現(xiàn)有的央行文化與組織機(jī)制，如何更加有效地對大數(shù)據(jù)方法和傳統(tǒng)的計量和統(tǒng)計方法進(jìn)行融合創(chuàng)新，以及如何解決在數(shù)據(jù)設(shè)備投資和數(shù)字人才培養(yǎng)等方面的挑戰(zhàn)等等。顯然，中央銀行探索大數(shù)據(jù)模型和方法的應(yīng)用，還有相當(dāng)長一段路要走。