基于RNN循環(huán)神經(jīng)網(wǎng)絡(luò)的金融風(fēng)險預(yù)警研究
——以安徽省為例

夏佳佳，姜 濤

(安徽商貿(mào)職業(yè)技術(shù)學(xué)院 財務(wù)金融系，安徽 蕪湖 241002)

2020年是我國經(jīng)濟遭受新冠疫情嚴(yán)重沖擊的一年，也是三大攻堅戰(zhàn)收官之年，我國總體金融風(fēng)險呈現(xiàn)收斂趨勢. 截止年底，全年處置銀行不良資產(chǎn)達(dá)到3.02萬億元，P2P機構(gòu)數(shù)量減至零，系統(tǒng)性金融風(fēng)險基本得到有效控制[1]. 但是，在受新冠疫情影響的經(jīng)濟新常態(tài)下，我國金融發(fā)展仍然面臨巨大的挑戰(zhàn)，存量風(fēng)險和新增風(fēng)險不容忽視. 此外，隨著金融科技的發(fā)展及人工智能技術(shù)的廣泛應(yīng)用，新興領(lǐng)域風(fēng)險增大，監(jiān)管難度遞增[2]，面對經(jīng)濟新常態(tài)市場的波動，金融風(fēng)險不確定性增加. 因此，如何構(gòu)建合理的風(fēng)險預(yù)警指標(biāo)，預(yù)測和防范新常態(tài)下的金融風(fēng)險，對我國金融和經(jīng)濟穩(wěn)定有著舉足輕重的作用.

1 文獻(xiàn)綜述

如何有效應(yīng)對金融風(fēng)險對于任何國家來說都很重要，國內(nèi)外學(xué)者對該領(lǐng)域研究絡(luò)繹不絕，總體來說主要集中在模型的選擇以及指標(biāo)體系建立兩個方面.

1.1 國外研究現(xiàn)狀

Nag和Mirtra[3]建立BP神經(jīng)網(wǎng)絡(luò)模型研究貨幣危機預(yù)警系統(tǒng)，提出了非線性回歸方法，打破傳統(tǒng)線性擬合方法，利用黑盒子捕捉高維影響因素，實驗證明此模型更具效力. Dieter Gramlinch[4]利用金融風(fēng)險動態(tài)預(yù)警模型分析全球金融危機發(fā)生原因，研究表明金融體系的脆弱性是最終導(dǎo)致危機最重要的影響因素；Sevim等[5]建立ANN、決策樹和Logistic模型回歸分析土耳其貨幣危機，通過回歸比較分析各回歸模型的利弊. Kumar、Moorthy和Perraudin[6]創(chuàng)新提出金融風(fēng)險的產(chǎn)生應(yīng)當(dāng)包括出口下降、國際儲備及虛弱的實體經(jīng)濟幾個重要變量，豐富了金融風(fēng)險預(yù)警體系.

1.2 國內(nèi)研究現(xiàn)狀

張安軍[7]構(gòu)建我國省域金融風(fēng)險動態(tài)預(yù)警指標(biāo)體系和金融風(fēng)險壓力指數(shù)，結(jié)合TAR門限自回歸模型和Ologit概率模型對浙江省金融風(fēng)險狀況進行實證分析，結(jié)果顯示通貨膨脹率與出口增長對金融風(fēng)險水平呈負(fù)相關(guān)，動態(tài)Ologit預(yù)警模型預(yù)測能力及模型擬合能力都要優(yōu)于靜態(tài)預(yù)警模型. 游悅[8]建立神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法與分位數(shù)回歸相結(jié)合模型，預(yù)測我國金融風(fēng)險運行狀況，結(jié)果顯示運用深度神經(jīng)網(wǎng)絡(luò)更為有效，2018年第三季度和2019年第一季度金融風(fēng)險處于高風(fēng)險狀態(tài)，2019年第二季度和第三季度金融風(fēng)險處于危險邊緣. 楊曉葉[9]建立綠色供應(yīng)鏈金融風(fēng)險評價指標(biāo)體系，比較分析Logit模型與BP神經(jīng)網(wǎng)絡(luò)模型進行評估綠色供應(yīng)鏈金融風(fēng)險，結(jié)果表明Logit模型相對于BP神經(jīng)網(wǎng)絡(luò)模型更有效，所建立的綠色供應(yīng)鏈金融風(fēng)險評價指標(biāo)體系可以較為準(zhǔn)確地評估風(fēng)險狀況. 王玲玲[10]從房地產(chǎn)金融角度考察金融風(fēng)險，利用BP神經(jīng)網(wǎng)絡(luò)評估分析房地產(chǎn)市場金融風(fēng)險，結(jié)果表明所建立預(yù)警風(fēng)險模型可以較好地擬合和預(yù)測，且對2017年度房地產(chǎn)金融風(fēng)險進行了預(yù)測.

由于金融風(fēng)險受到地域性影響，因此需要選擇某一特定地區(qū)進行具體實證分析. 近年來，安徽省作為長三角地區(qū)成員之一，利用其自身地理優(yōu)勢承接長三角地區(qū)部分產(chǎn)業(yè)轉(zhuǎn)移，隨著經(jīng)濟飛速發(fā)展，金融服務(wù)實體經(jīng)濟的需求也日趨旺盛，隨之而來的金融風(fēng)險也不斷增加. 因此，本文以安徽省金融市場作為研究對象，以便更好地構(gòu)建金融風(fēng)險預(yù)警模型.

2 安徽省金融風(fēng)險現(xiàn)狀

2.1 經(jīng)濟復(fù)蘇態(tài)勢向好，信用風(fēng)險尚存

在新常態(tài)形勢下，安徽省實現(xiàn)了經(jīng)濟穩(wěn)定發(fā)展. 2020年國民生產(chǎn)總值總量為38 680億元，名義增長率為4.98%，超過全國經(jīng)濟增長平均水平，經(jīng)濟實力得到大幅提升[11]. 與此同時，由疫情因素帶來的影響仍然存在. 在疫情沖擊下，部分中小企業(yè)無法按期償還金融機構(gòu)貸款，金融機構(gòu)采取增加授信額度及進行授信展期等方法以緩解金融風(fēng)險，扶持中小企業(yè)[12]. 這些舉措雖然緩釋了目前風(fēng)險，但部分金融風(fēng)險存在后期爆發(fā)的可能，即金融風(fēng)險滯后性，金融機構(gòu)不良貸款率在未來一段時間內(nèi)存在一定上升壓力.

2.2 宏觀杠桿率保持穩(wěn)定，房地產(chǎn)監(jiān)管持續(xù)強化

為抵抗疫情的影響，安徽省2020年上半年出臺了房地產(chǎn)扶持政策，讓市場快速恢復(fù). 下半年房地產(chǎn)調(diào)控政策不再將其作為短期刺激經(jīng)濟手段，行業(yè)監(jiān)管持續(xù)強化，對房價上漲較快的城市升級調(diào)控政策，保持杠桿率的基本穩(wěn)定. 房產(chǎn)企業(yè)加大營銷力度，加速回款速度，銷售業(yè)績持續(xù)提升，市場回歸理性[13].

2.3 數(shù)字金融創(chuàng)新持續(xù)發(fā)展，影子銀行等領(lǐng)域風(fēng)險不容忽視

安徽省為長三角地區(qū)的成員之一，長三角一體化的紅利為其特別是合肥市帶來了更多科技發(fā)展機會. 以科大訊飛、新東方等為代表的高科技企業(yè)飛速發(fā)展，各類國家實驗室、國家級大科學(xué)裝置相繼落戶為安徽省金融科技的發(fā)展提供充分支持. 2020年安徽省區(qū)域合作五個“區(qū)塊鏈接”，已籌備成立安徽省區(qū)塊鏈技術(shù)產(chǎn)業(yè)應(yīng)用協(xié)會，力圖推動“區(qū)塊鏈+數(shù)字經(jīng)濟”深度融合發(fā)展[13]. 影子銀行、P2P網(wǎng)貸雖然得到控制，但是隨著金融科技的發(fā)展，重塑的金融業(yè)業(yè)態(tài)將帶來市場壟斷、數(shù)據(jù)權(quán)屬不清等問題，一些新興領(lǐng)域的風(fēng)險隱患將逐步顯現(xiàn)，一些新興領(lǐng)域的風(fēng)險隱患將逐步顯現(xiàn)[14].

2.4 金融服務(wù)實體經(jīng)濟效果較好，保險機構(gòu)對金融機構(gòu)風(fēng)險緩釋效應(yīng)不明顯

農(nóng)業(yè)銀行安徽省分行、徽商銀行中國銀行安徽省分行、光大銀行合肥分行、工商銀行安徽省分行、交通銀行安徽省分行、國元信托、華安證券、國元證券、省股權(quán)托管交易中心等26家金融機構(gòu)服務(wù)實體經(jīng)濟發(fā)展評價為“優(yōu)秀”，中信銀行合肥分行、民生銀行合肥分行、新安銀行、浙商銀行合肥分行、建設(shè)銀行安徽省分行、省農(nóng)業(yè)信貸融資擔(dān)保公司、省信用擔(dān)保集團等16家金融機構(gòu)服務(wù)地方實體經(jīng)濟發(fā)展評價為“良好”[15]. 但是在金融機構(gòu)支持實體過程中出現(xiàn)了對抵押物過度依賴的現(xiàn)象，這將增加區(qū)域內(nèi)金融機構(gòu)信用風(fēng)險，保險機構(gòu)對商業(yè)銀行信貸服務(wù)過程中提供的保險服務(wù)比重仍然較低，無法實現(xiàn)風(fēng)險緩釋功能[16].

3 RNN循環(huán)神經(jīng)網(wǎng)絡(luò)模型

RNN即循環(huán)神經(jīng)網(wǎng)絡(luò)，與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)及CNN神經(jīng)網(wǎng)絡(luò)有所區(qū)別，主要對具有時間序列特性的數(shù)據(jù)預(yù)測效率較高，可以挖掘數(shù)據(jù)中的時序信息. 因此，目前多被應(yīng)用于語言模型、機器翻譯及時序分析等問題. 結(jié)構(gòu)如圖1所示，包括輸入層、輸出層及隱藏層. 其中輸入層記為{x0，x1，…xt，xt+1，…}，輸出層記為{o0，o1，…ot，ot+1，…}，隱藏層記為{s0，s1，…st，st+1，…}.U表示輸出層到隱藏層權(quán)重矩陣，V表示隱藏層到輸出層的權(quán)重矩陣，W表示隱藏層之間的權(quán)重矩陣. 在t時刻，由st-1和當(dāng)前的xt作為輸入，得到計算結(jié)果ot為輸出且傳遞給t+1時刻. 由此得到RNN網(wǎng)絡(luò)具備較強的記憶性，利用相連接的隱藏層，將前一時刻的狀態(tài)傳至下一時刻[17]. 在金融風(fēng)險預(yù)警模型中，將2006—2019年時間序列數(shù)據(jù)作為輸入，可將預(yù)測日某一時刻信息傳至下一時刻，體現(xiàn)了預(yù)測數(shù)據(jù)間的時間相關(guān)性. 因此，較于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，RNN神經(jīng)網(wǎng)絡(luò)可以降低預(yù)測誤差.

4 基于RNN循環(huán)神經(jīng)網(wǎng)絡(luò)的安徽省金融風(fēng)險預(yù)警模型構(gòu)建

金融風(fēng)險受到主觀、微觀等多方面因素影響，具有動態(tài)性、復(fù)雜性及非線性等特征，難以找到某個確定的線性函數(shù)進行刻畫，因此神經(jīng)網(wǎng)絡(luò)可以較好地將各因素映射預(yù)測. 此外，金融風(fēng)險影響因素具備時序特征，前一年風(fēng)險發(fā)展對后一年金融風(fēng)險狀況有一定影響，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)忽略了風(fēng)險發(fā)展過程中的時序性，而RNN神經(jīng)網(wǎng)絡(luò)具有較好的記憶能力，能夠自動刻畫某一時刻對于后續(xù)時刻的影響，特別適用于處理需要考慮時間相關(guān)因素的問題，且具備非線性、記憶性、適應(yīng)性等特點. 因此，本文選擇RNN循環(huán)神經(jīng)網(wǎng)絡(luò)模型研究金融風(fēng)險[18].

4.1 指標(biāo)及樣本選擇

本文借鑒前輩學(xué)者研究成果，以系統(tǒng)性、完整性及數(shù)據(jù)可得性為依據(jù)，構(gòu)建安徽省金融風(fēng)險預(yù)警體系，共有11個指標(biāo)構(gòu)成[19]. 指標(biāo)數(shù)據(jù)主要來自銀保監(jiān)會、安徽省統(tǒng)計局、安徽省證監(jiān)局、中國人民銀行、國民經(jīng)濟和社會發(fā)展統(tǒng)計公報及EPS數(shù)據(jù)庫.

GDP增長率 該指標(biāo)反映某地區(qū)經(jīng)濟增長情況. 當(dāng)經(jīng)濟增長迅速，企業(yè)投資動力充足，金融機構(gòu)放貸意愿增強，企業(yè)融資渠道通暢，社會信用處于寬松狀態(tài)，信用違約概率降低，金融風(fēng)險相對減弱.

固定資產(chǎn)投資增長率 該指標(biāo)反映社會固定資產(chǎn)更新、改建、擴建、新建等活動. 固定資產(chǎn)投資增長迅速，表示社會處于生產(chǎn)擴張狀態(tài)，社會投資意愿明顯，投融資環(huán)境優(yōu)良，有利于降低金融風(fēng)險.

居民消費價格指數(shù)增長率 該指標(biāo)反映居民購買消費商品變動情況，在一定程度上反映了通貨膨脹或緊縮程度. 通過對國民經(jīng)濟核算的調(diào)控，從而影響金融風(fēng)險.

房地產(chǎn)供需比 該指標(biāo)由商品房竣工面積與商品房銷售面積的比率表示，反映了房地產(chǎn)供求關(guān)系. 比率越大表示供大于求，反之求大于供，促進房價上升. 房價的大幅上漲或下跌都將影響我國金融風(fēng)險狀況，如房價上漲過快導(dǎo)致居民借貸買房信貸投放增加，銀行體系受房地產(chǎn)泡沫破滅的潛在損失增加，居民債務(wù)負(fù)擔(dān)加重提供了房價下跌時抵押貸款違約可能性.

公共財政預(yù)算收入增速 該指標(biāo)可以體現(xiàn)某一地區(qū)經(jīng)濟活力和質(zhì)量的好壞，稅收收入體現(xiàn)了該地區(qū)企業(yè)發(fā)展質(zhì)量. 預(yù)算收入增速越快表明該地區(qū)企業(yè)發(fā)展質(zhì)量良好，發(fā)生信用違約風(fēng)險的可能性降低.

信貸增速適度率 該指標(biāo)用各項貸款增速與GDP增速比值來表示，反映信貸規(guī)模擴張與經(jīng)濟增長匹配程度. 比率過大表明貸款增速超過了適度程度，為金融體系帶來風(fēng)險.

不良貸款率 該指標(biāo)表明金融機構(gòu)資產(chǎn)質(zhì)量. 不良貸款率越大表明金融機構(gòu)資產(chǎn)質(zhì)量較差，發(fā)生風(fēng)險概率較大，不良貸款率越小則表明金融機構(gòu)資產(chǎn)質(zhì)量較好，信用違約概率較小.

撥備覆蓋率 該指標(biāo)反映銀行貸款可能發(fā)生壞賬準(zhǔn)備金使用比率. 撥備覆蓋率越高說明銀行抵抗風(fēng)險能力越強，是衡量銀行財務(wù)是否穩(wěn)健的重要指標(biāo).

證券交易額占GDP比率 該指標(biāo)用證券公司代理買賣證券交易成交金額與GDP比率來表示，反映資本市場活躍程度與經(jīng)濟發(fā)展的匹配程度. 比率越大表示該地區(qū)資本市場越活躍，直接融資需求越大，該指標(biāo)過高或過低都將造成金融風(fēng)險的增加.

保險深度 該指標(biāo)用保費收入與GDP比率表示，反應(yīng)保險在經(jīng)濟中的貢獻(xiàn)程度. 比率越高說明保險投入比率越大，對于風(fēng)險緩沖能力越強.

影子銀行貸款比率 該指標(biāo)用小額貸款公司發(fā)放貸款余額與銀行業(yè)各項貸款余額的比率表示，反映影子銀行發(fā)達(dá)程度. 影子銀行過度發(fā)展將帶來較大的金融風(fēng)險，因此需要對其實施嚴(yán)格的監(jiān)管.

由于本文涉及數(shù)據(jù)較多，變量維數(shù)較為復(fù)雜，變量之間也可能存在一定的聯(lián)系，包含的信息可能存在部分重復(fù). 在RNN循環(huán)神經(jīng)網(wǎng)絡(luò)中，如果變量過多會降低網(wǎng)絡(luò)模型訓(xùn)練效率，因此需要利用主成分分析減少指標(biāo)維數(shù)，提升訓(xùn)練效率，本文對上述11個指標(biāo)進行主成分分析[20]. 但是由于各指標(biāo)數(shù)據(jù)存在量綱不統(tǒng)一的問題，需要進行標(biāo)準(zhǔn)化處理，然后利用Python 3.8進行數(shù)據(jù)分析處理.

首先，進行KMO分析. KMO統(tǒng)計量數(shù)值為0.362，即數(shù)據(jù)間具備相關(guān)性，滿足主成分分析條件. 經(jīng)過變量主成分分析，指標(biāo)貢獻(xiàn)結(jié)果見表1.

表1 指標(biāo)貢獻(xiàn)率

然后，經(jīng)過主成分計算得到因子載荷矩陣. 載荷矩陣代表原始變量與公共因子之間的關(guān)系. 由載荷矩陣可以得到每個主成分的方差貢獻(xiàn)率，代表相應(yīng)主成分在多大程度上反映原來所有信息. 如表1所示，前4個指標(biāo)特征值累計貢獻(xiàn)率達(dá)到85.8%，符合累計貢獻(xiàn)率大于85%的原則，因此可以作為指標(biāo). 此外，原始變量上的載荷值無法由某些公共因子代表變量解釋得到，因此需要進行因子旋轉(zhuǎn)，本文采用最大方差法進行因子旋轉(zhuǎn)(如表2所示).

表2 旋轉(zhuǎn)成分

最后，由表2可以得到，成分1主要荷載了金融機構(gòu)經(jīng)營狀況的3個指標(biāo)，成分2主要荷載了社會融資狀況的2個指標(biāo)，成分3主要荷載了社會供求表現(xiàn)的3個指標(biāo)，成分4主要荷載了區(qū)域風(fēng)險表現(xiàn)的3個指標(biāo)，利用這4個成分構(gòu)造金融風(fēng)險預(yù)警模型，再通過荷載矩陣求得代表安徽省金融風(fēng)險14年的四個因子，安徽省金融風(fēng)險得分見表3.

表3 因子得分

4.2 閾值劃分

對于預(yù)警閾值的劃分，本文參考已有文獻(xiàn)采用3δ檢驗法. 通過點估計計算預(yù)警中心值，再設(shè)定偏離1δ區(qū)間為正常狀態(tài)，偏離均值1δ到2δ低風(fēng)險狀態(tài)，偏離均值2δ以上為高風(fēng)險狀態(tài)，由此形成金融風(fēng)險預(yù)警的5個區(qū)間(如表4所示).

表4 金融風(fēng)險預(yù)警狀態(tài)表

再由因子得分矩陣計算得到各成分均值與標(biāo)準(zhǔn)差，結(jié)合3δ法計算各成分預(yù)警值劃分，結(jié)果見表5.

表5 預(yù)警狀態(tài)判斷表

4.3 RNN循環(huán)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練及評價

本文使用的RNN網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示. 所使用的循環(huán)神經(jīng)網(wǎng)絡(luò)為GRU(門控循環(huán)單元)，該網(wǎng)絡(luò)可以更好地提取序列中相隔較遠(yuǎn)變量間的關(guān)系[21]. 網(wǎng)絡(luò)輸入為2006—2019年樣本數(shù)據(jù)，輸出會被反饋回輸入如此循環(huán)，使用的激活函數(shù)為relu，模型使用一層GRU網(wǎng)絡(luò)，該層RNN有6個輸出，最后輸出的大小為18*1，輸出數(shù)據(jù)即進入了混合模塊，模型訓(xùn)練結(jié)果見圖2. 通過RNN循環(huán)神經(jīng)網(wǎng)絡(luò)的建立，利用仿真計算，將輸出樣本即預(yù)測結(jié)果與實際樣本即實際值進行比較，可以得到該網(wǎng)絡(luò)的預(yù)測效果.

圖2 仿真訓(xùn)練圖

由圖2可以看出，在仿真訓(xùn)練結(jié)果中預(yù)測值與真實值幾乎重合為一條線，表明該模型擬合能力較好，預(yù)測能力較強，結(jié)果見表6反映模型訓(xùn)練情況.

表6 RNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

由表6可以從數(shù)值角度反映了數(shù)值的預(yù)測結(jié)果，與實際結(jié)果相差較小，結(jié)合金融風(fēng)險預(yù)警狀態(tài)表可以得到，2019年安徽省金融風(fēng)險總體處于正常狀態(tài)，由所得實際值及預(yù)測值可以看出，F(xiàn)1、F2均處于正常狀態(tài)，F(xiàn)3處于高風(fēng)險狀態(tài)，F(xiàn)4處于低風(fēng)險狀態(tài).

金融機構(gòu)經(jīng)營狀況(F1) 2018年為0.472，大于2019的0.3，說明金融機構(gòu)經(jīng)營狀況風(fēng)險趨于減弱，這可能是由于安徽省2019年繼續(xù)深化防范化解金融風(fēng)險舉措，實施全面清退網(wǎng)貸，查處影子銀行，打擊金融犯罪等一系列強有力措施，優(yōu)化了金融機構(gòu)經(jīng)營環(huán)境，維護了省域范圍內(nèi)的金融穩(wěn)定.

社會融資狀況(F2) 2018年為2.77，遠(yuǎn)大于2019年的0.464，表明社會融資狀況由高風(fēng)險轉(zhuǎn)向正常，信貸增速放緩，社會融資趨于合理. 究其原因，主要可能是2019年安徽省地方政府債務(wù)置換導(dǎo)致信貸增速放緩，加大對實體經(jīng)濟支持力度，且直接融資占比有所提高，社會融資風(fēng)險逐步減小.

社會供求表現(xiàn)(F3) 2018年為0.168，遠(yuǎn)小于2019年的2.67，說明社會供求由正常狀態(tài)轉(zhuǎn)入高風(fēng)險，可能是由于2019年國家降杠桿維護金融政策穩(wěn)定的環(huán)境下，安徽省不良貸款率有所下降，居民消費指數(shù)上升，企業(yè)個人投資熱度較高. 但過熱的投資需求可能會提升融資杠桿率，導(dǎo)致金融風(fēng)險的上升.

區(qū)域風(fēng)險(F4) 2018年為-0.278，小于2019年的1.18. 表明安徽省區(qū)域風(fēng)險由正常狀態(tài)轉(zhuǎn)入低風(fēng)險，可能是由于安徽省積極承接產(chǎn)業(yè)轉(zhuǎn)移，2019年發(fā)布多項人才政策，全省多地特別是合肥人口凈流入明顯. 但人口的回流可間接導(dǎo)致房產(chǎn)供需比的傾斜，存在房價快速上升等因素所導(dǎo)致的區(qū)域風(fēng)險上升.

4.4 RNN與BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果對比

為了進一步說明RNN神經(jīng)網(wǎng)絡(luò)對金融風(fēng)險預(yù)警的適用性，本文將BP神經(jīng)網(wǎng)絡(luò)模型與RNN循環(huán)神經(jīng)網(wǎng)絡(luò)模型以2019年數(shù)據(jù)集訓(xùn)練結(jié)果進行對比，結(jié)果見表7.

表7 RNN與BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果對比

可以看出，在RNN網(wǎng)絡(luò)模型回歸結(jié)果中均方誤差、均方根誤差及平均絕對誤差均遠(yuǎn)小于BP神經(jīng)網(wǎng)絡(luò)回歸結(jié)果，因此RNN循環(huán)神經(jīng)網(wǎng)絡(luò)具有更好地預(yù)測效果，預(yù)測準(zhǔn)確度更高.

5 結(jié)語

金融風(fēng)險預(yù)警體系中，指標(biāo)呈現(xiàn)時序特征，因此預(yù)警體系的建立應(yīng)當(dāng)充分考慮到時間影響因素. 區(qū)別于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型，RNN循環(huán)網(wǎng)絡(luò)模型更具時序特性，從而可應(yīng)用于實際金融風(fēng)險預(yù)警. 本文首先對數(shù)據(jù)集進行主成分分析，提取具代表性因子；再對數(shù)據(jù)進行預(yù)處理，以符合實驗操作需要，結(jié)合RNN循環(huán)神經(jīng)網(wǎng)絡(luò)建立更科學(xué)的金融系統(tǒng)風(fēng)險預(yù)警模型；最后以安徽省具體數(shù)據(jù)為樣本，實驗結(jié)果證明該方法具有較高的準(zhǔn)確率，通過實際值和預(yù)測值以及RNN與BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差的對比，驗證了該網(wǎng)絡(luò)具有較高的預(yù)測精度，為金融風(fēng)險預(yù)警體系建立提供了新思路.