系統(tǒng)性金融風(fēng)險(xiǎn)早期預(yù)警指數(shù)的構(gòu)建及實(shí)證運(yùn)用

摘要：加強(qiáng)系統(tǒng)性金融風(fēng)險(xiǎn)監(jiān)測(cè)、評(píng)估與預(yù)警能力，對(duì)防范化解金融風(fēng)險(xiǎn)和維護(hù)金融穩(wěn)定具有重大意義。本文以歐央行國(guó)內(nèi)系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)（d-SRI）的構(gòu)建方法為基礎(chǔ)，結(jié)合我國(guó)金融系統(tǒng)的實(shí)際，通過(guò)增加“構(gòu)建FSI識(shí)別金融高壓力期”“運(yùn)用AUROC確定脆弱期”等關(guān)鍵步驟，制定我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)早期預(yù)警指數(shù)構(gòu)建方法，由此擬合出我國(guó)的早期預(yù)警指數(shù)，并運(yùn)用該指數(shù)對(duì)我國(guó)各期金融風(fēng)險(xiǎn)進(jìn)行預(yù)警分析。研究表明，本文構(gòu)建的預(yù)警指數(shù)平均提早22個(gè)月對(duì)高壓力期發(fā)出預(yù)警信息，能為宏觀審慎管理提供及時(shí)有益的參考；預(yù)警指數(shù)預(yù)測(cè)我國(guó)本輪金融系統(tǒng)高壓力狀態(tài)將持續(xù)至2024年初；居民部門杠桿率較長(zhǎng)時(shí)間過(guò)度上漲是導(dǎo)致我國(guó)金融系統(tǒng)壓力攀升的最基本因素。

關(guān)鍵詞：系統(tǒng)性金融風(fēng)險(xiǎn)；早期預(yù)警；狀態(tài)空間模型；AUROC性能評(píng)估；損失函數(shù)；相對(duì)有效性

中圖分類號(hào)：F832.5" " " " 文獻(xiàn)標(biāo)識(shí)碼：A" " " " 文章編號(hào)：1007-0753（2024）10-0018-13

一、引言

黨中央、國(guó)務(wù)院高度重視系統(tǒng)性金融風(fēng)險(xiǎn)防范化解工作。習(xí)近平總書(shū)記強(qiáng)調(diào)，防范化解金融風(fēng)險(xiǎn)，特別是防止發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)，是金融工作的根本任務(wù)，也是金融工作的永恒主題。要把主動(dòng)防范化解系統(tǒng)性金融風(fēng)險(xiǎn)放在更加重要的位置，早識(shí)別、早預(yù)警、早發(fā)現(xiàn)、早處置，著力防范化解重點(diǎn)領(lǐng)域風(fēng)險(xiǎn)，著力完善金融安全防線和風(fēng)險(xiǎn)應(yīng)急處置機(jī)制。黨的二十大報(bào)告明確提出，“守住不發(fā)生系統(tǒng)性風(fēng)險(xiǎn)底線”。防范系統(tǒng)性金融風(fēng)險(xiǎn)已成為我國(guó)金融監(jiān)管部門和國(guó)家宏觀調(diào)控部門的一項(xiàng)重要課題，而及早對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行預(yù)警是防范系統(tǒng)性金融風(fēng)險(xiǎn)的前提，也是中央銀行維護(hù)金融穩(wěn)定的一項(xiàng)重要任務(wù)。

歷史發(fā)展表明，系統(tǒng)性金融風(fēng)險(xiǎn)可能演變成系統(tǒng)性金融危機(jī)和金融動(dòng)蕩，給經(jīng)濟(jì)增長(zhǎng)和社會(huì)福利帶來(lái)不利后果。Hoggarth 等（2002）發(fā)現(xiàn)，平均而言，危機(jī)時(shí)期導(dǎo)致的累計(jì)產(chǎn)出損失達(dá)到GDP的15%—20%。Laeven和 Valencia （2012）對(duì)全球大量國(guó)家抽樣估計(jì)后發(fā)現(xiàn)，過(guò)去的銀行業(yè)危機(jī)中，產(chǎn)出損失平均達(dá)到GDP的23%。Lo Duca等（2017）估計(jì)，歐盟國(guó)家在系統(tǒng)性金融危機(jī)期間的產(chǎn)出損失平均達(dá)到GDP的8%。人民銀行黨委書(shū)記潘功勝在2020金融街論壇年會(huì)上表示，維護(hù)系統(tǒng)性金融穩(wěn)定，需要彌補(bǔ)微觀審慎監(jiān)管的不足，防范金融體系順周期變化以及風(fēng)險(xiǎn)跨機(jī)構(gòu)、跨市場(chǎng)、跨部門和跨境傳染帶來(lái)的系統(tǒng)性金融風(fēng)險(xiǎn)，并盡可能提前采取針對(duì)性措施。為了防止系統(tǒng)性金融危機(jī)或減輕其對(duì)未來(lái)的影響，建立系統(tǒng)性風(fēng)險(xiǎn)早期預(yù)警體系至關(guān)重要。早期預(yù)警體系提前識(shí)別未來(lái)可能發(fā)生的系統(tǒng)性金融風(fēng)險(xiǎn)，可以為決策者提供足夠的應(yīng)對(duì)時(shí)間，采取反周期行動(dòng)和宏觀審慎政策，從而避免對(duì)金融和經(jīng)濟(jì)造成嚴(yán)重沖擊。

二、文獻(xiàn)綜述

（一）關(guān)于金融壓力指數(shù)的研究

系統(tǒng)性金融風(fēng)險(xiǎn)監(jiān)管的前提是能夠?qū)︼L(fēng)險(xiǎn)進(jìn)行度量。Illing和Liu（2006）首次提出“金融壓力指數(shù)”，選取能反映市場(chǎng)特性的指標(biāo)并加權(quán)合成單一指數(shù)來(lái)衡量市場(chǎng)壓力，其是學(xué)術(shù)界較為認(rèn)可的衡量金融風(fēng)險(xiǎn)的方法。通過(guò)梳理相關(guān)文獻(xiàn)發(fā)現(xiàn)，關(guān)于金融壓力指數(shù)的文獻(xiàn)主要集中于指標(biāo)權(quán)重設(shè)定方面。設(shè)定方法主要可以分為五大類：一是等權(quán)重法，采用每個(gè)指標(biāo)相同權(quán)重的賦權(quán)方式（Lall等，2011；朱莎和裴沛，2018）。二是主成分分析法（劉鳳根等，2021）。三是相關(guān)系數(shù)法，通過(guò)動(dòng)態(tài)相關(guān)系數(shù)矩陣賦權(quán)（許滌龍和陳雙蓮，2015；Hollo等，2012；李敏波和梁爽，2021）。四是CRITIC賦權(quán)法（丁嵐等，2019；覃小兵等，2022）。五是借助狀態(tài)空間模型計(jì)算出指標(biāo)的時(shí)變權(quán)重（孫攀峰，2019；柴建等，2022）。

（二）關(guān)于系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警的研究

準(zhǔn)確預(yù)測(cè)是實(shí)現(xiàn)監(jiān)管系統(tǒng)性金融風(fēng)險(xiǎn)工作的首要任務(wù)。國(guó)內(nèi)外學(xué)者對(duì)于系統(tǒng)性金融風(fēng)險(xiǎn)的預(yù)警方法主要可以分為以下五類：一是FR模型（Frankel和Rose，1996）。二是STV跨國(guó)回歸模型（Sachs等，1996）。三是復(fù)雜網(wǎng)絡(luò)模型（Zhang等，2011；任英華，2022）。此類模型的局限在于拓?fù)涮卣鳠o(wú)法代表整個(gè)關(guān)聯(lián)網(wǎng)絡(luò)，僅能反映部分信息。四是Kaminsky等（1997）提出的信號(hào)分析法。該模型中的閾值難以準(zhǔn)確設(shè)定，因此可能出現(xiàn)僅能識(shí)別安全時(shí)期誤發(fā)的預(yù)警信號(hào)或者最嚴(yán)重的金融危機(jī)問(wèn)題（蘇冬蔚和肖志興，2011）。Lang等（2019）提出了一種新的國(guó)內(nèi)周期性系統(tǒng)風(fēng)險(xiǎn)指標(biāo)（d-SRI），該指標(biāo)對(duì)金融市場(chǎng)高壓力下金融危機(jī)發(fā)生的可能性和嚴(yán)重程度具有預(yù)測(cè)能力。五是機(jī)器學(xué)習(xí)法。采用圖神經(jīng)網(wǎng)絡(luò)（GNN）（Balmaseda等，2023）、梯度提升決策樹(shù)（Yu和Zhao，2020）和支持向量機(jī)（Kou等，2019；覃小兵等，2022）等技術(shù)手段，實(shí)現(xiàn)對(duì)金融市場(chǎng)風(fēng)險(xiǎn)的有效預(yù)測(cè)和及時(shí)預(yù)警。

總體來(lái)看，在風(fēng)險(xiǎn)衡量和風(fēng)險(xiǎn)預(yù)警方面，國(guó)內(nèi)外文獻(xiàn)已取得一定成果，但仍存在進(jìn)一步發(fā)展和完善的空間：一是在金融壓力指數(shù)的權(quán)重設(shè)定方面，目前國(guó)內(nèi)外文獻(xiàn)多采用固定值，但在政策變化、外界沖擊等多重因素的影響下，我國(guó)的金融結(jié)構(gòu)不斷地發(fā)生變化，傳統(tǒng)的固定權(quán)重已經(jīng)無(wú)法準(zhǔn)確反映各子市場(chǎng)以及各基礎(chǔ)指標(biāo)對(duì)金融壓力指數(shù)的時(shí)變性影響。二是現(xiàn)有的金融風(fēng)險(xiǎn)預(yù)警方法多為即期預(yù)測(cè)，即利用歷史數(shù)據(jù)對(duì)下期數(shù)據(jù)進(jìn)行預(yù)測(cè)，未能體現(xiàn)出中長(zhǎng)期的風(fēng)險(xiǎn)狀況趨勢(shì)。

因此，本文的創(chuàng)新主要在于：一是以歐央行國(guó)內(nèi)系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)（d-SRI）的構(gòu)建方法為基礎(chǔ)，結(jié)合我國(guó)金融系統(tǒng)實(shí)際，通過(guò)增加“構(gòu)建FSI識(shí)別金融高壓力期”“運(yùn)用AUROC確定脆弱期”等關(guān)鍵步驟，制訂了我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)早期預(yù)警指數(shù)構(gòu)建方法。二是通過(guò)運(yùn)用狀態(tài)空間模型動(dòng)態(tài)賦權(quán)和GRACH模型擬合波動(dòng)率，構(gòu)建能反映實(shí)時(shí)金融風(fēng)險(xiǎn)的金融壓力指數(shù)，識(shí)別金融高壓力期。三是將機(jī)器學(xué)習(xí)法中常用的AUROC性能評(píng)價(jià)法運(yùn)用于金融預(yù)警研究，通過(guò)該方法來(lái)識(shí)別金融高壓力階段的最佳脆弱期以及評(píng)價(jià)單變量預(yù)警指標(biāo)的預(yù)警性能。四是借鑒Sarlin（2013）提出的基于政策制定者損失函數(shù)的相對(duì)有效性度量法，通過(guò)Python編程對(duì)單變量預(yù)警指標(biāo)進(jìn)行迭代計(jì)算來(lái)評(píng)估指標(biāo)預(yù)警性能。

三、早期預(yù)警指數(shù)的構(gòu)建方法

（一）系統(tǒng)性風(fēng)險(xiǎn)早期預(yù)警指數(shù)的構(gòu)建思路

歐央行《2018年金融穩(wěn)定報(bào)告》公布了d-SRI指數(shù)，運(yùn)用季度數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)兩到三年的金融風(fēng)險(xiǎn)。該指數(shù)由Lang等（2019）在歐央行工作報(bào)告文件中提出，主要運(yùn)用歐央行危機(jī)數(shù)據(jù)庫(kù)來(lái)確定危機(jī)時(shí)間，采用AUROC性能評(píng)價(jià)及基于損失函數(shù)的相對(duì)有效性方法選取最優(yōu)單變量預(yù)警指標(biāo)，最后線性聚合得出d-SRI指數(shù)。本文主要基于歐央行的研究思路，并且考慮到我國(guó)缺乏官方權(quán)威危機(jī)數(shù)據(jù)庫(kù)以及數(shù)據(jù)期限較短的問(wèn)題，對(duì)歐央行方法進(jìn)行改進(jìn)后，形成如下具體操作步驟：

第一步，構(gòu)建我國(guó)金融壓力指數(shù)與確定金融高壓力期。本文運(yùn)用綜合指數(shù)法和狀態(tài)空間模型，構(gòu)建一個(gè)金融壓力指數(shù)來(lái)衡量我國(guó)的系統(tǒng)性金融風(fēng)險(xiǎn)，識(shí)別不同金融高壓力時(shí)期，為構(gòu)建金融風(fēng)險(xiǎn)早期預(yù)警體系（指數(shù)）提供預(yù)警“對(duì)象”。

第二步，選取一套與系統(tǒng)性金融風(fēng)險(xiǎn)相關(guān)的指標(biāo)體系。根據(jù)歐洲系統(tǒng)性風(fēng)險(xiǎn)委員會(huì)（ESRB）在逆周期資本緩沖背景下監(jiān)測(cè)周期性系統(tǒng)性風(fēng)險(xiǎn)的建議，結(jié)合我國(guó)國(guó)情及數(shù)據(jù)可得性，將分別從五大類別選擇單變量預(yù)警指標(biāo)。

第三步，選擇最優(yōu)脆弱期。脆弱期即金融高壓力期時(shí)間節(jié)點(diǎn)開(kāi)始之前的指定窗口期，在這個(gè)窗口期單變量預(yù)警指標(biāo)能提前預(yù)警到金融高壓力期。本文使用AUROC性能評(píng)價(jià)法選擇最優(yōu)脆弱期。

第四步，篩選最優(yōu)單變量預(yù)警指標(biāo)。運(yùn)用AUROC性能評(píng)價(jià)法和基于政策制定者損失函數(shù)的相對(duì)有效性評(píng)估單變量指標(biāo)預(yù)警性能。根據(jù)預(yù)警性能排名確定每個(gè)類別的最優(yōu)單變量預(yù)警指標(biāo)。

第五步，擬合預(yù)警曲線。使用Lang等（2019）的方法，通過(guò)Logistic回歸計(jì)算單變量指標(biāo)權(quán)重，并線性聚合成系統(tǒng)性金融風(fēng)險(xiǎn)早期預(yù)警指數(shù)。

（二）金融壓力指數(shù)構(gòu)建方法

1.基于綜合指數(shù)法的金融壓力指數(shù)構(gòu)建

本文借鑒Morales和Estrada（2010）的綜合指數(shù)構(gòu)建方法對(duì)金融壓力進(jìn)行衡量，通過(guò)計(jì)算各個(gè)基礎(chǔ)指標(biāo)對(duì)其長(zhǎng)期趨勢(shì)值的偏離程度，來(lái)評(píng)估金融壓力狀況。

2.基于狀態(tài)空間模型的權(quán)重設(shè)定

在確定基礎(chǔ)指標(biāo)權(quán)重時(shí)，采用狀態(tài)空間模型的動(dòng)態(tài)賦權(quán)法來(lái)反映金融市場(chǎng)的動(dòng)態(tài)變化特征。本文借鑒Goodhart和Hofmann（2001）的簡(jiǎn)化總需求方程構(gòu)建狀態(tài)空間模型，對(duì)時(shí)變系數(shù)進(jìn)行歸一化和加權(quán)平均處理后，可得到各基礎(chǔ)指標(biāo)構(gòu)建我國(guó)金融壓力指數(shù)FSI的時(shí)變權(quán)重。

3.基于GRACH模型擬合波動(dòng)率

金融指標(biāo)的波動(dòng)情況能實(shí)時(shí)反映各金融子市場(chǎng)的風(fēng)險(xiǎn)狀況，所以在構(gòu)建金融壓力指數(shù)時(shí)，需重點(diǎn)考慮各指標(biāo)的波動(dòng)率。本文借鑒李敏波和梁爽（2021）的方法，運(yùn)用GRACH模型來(lái)擬合各指標(biāo)的波動(dòng)率。

（三）單變量預(yù)警指標(biāo)預(yù)警性能評(píng)價(jià)方法

要構(gòu)建系統(tǒng)性風(fēng)險(xiǎn)早期預(yù)警指標(biāo)，最重要的是最優(yōu)單變量預(yù)警的選擇。本文借鑒Lang等（2019）的方法，通過(guò)AUROC性能評(píng)價(jià)法和基于政策制定者損失函數(shù)的相對(duì)有效性度量法，選取預(yù)警效果最優(yōu)的單變量指標(biāo)。具體方法介紹如下：

1.AUROC性能評(píng)價(jià)法

本文使用機(jī)器學(xué)習(xí)中常用的AUROC評(píng)價(jià)法來(lái)識(shí)別各預(yù)警指標(biāo)的預(yù)警性能，其評(píng)價(jià)過(guò)程大體如下：

在“發(fā)生風(fēng)險(xiǎn)”“未發(fā)生風(fēng)險(xiǎn)”的二分類任務(wù)下，將預(yù)測(cè)結(jié)果與真實(shí)情況進(jìn)行比較，可形成四種不同的組合關(guān)系，即構(gòu)成一個(gè)混淆矩陣。將預(yù)警指標(biāo)“由小到大”進(jìn)行排序，依次作為閾值，每設(shè)定一個(gè)閾值都可得出一組真陽(yáng)性率TPR值和偽陽(yáng)性率FPR值。以FPR為橫軸，TPR為縱軸，每一個(gè)閾值對(duì)應(yīng)坐標(biāo)軸一個(gè)（FPR，TPR）點(diǎn)，當(dāng)閾值從最小值到最大值遍歷時(shí)，便可繪制出ROC曲線。AUROC（Area Under the Receiver Operating Characteristic Curve，接受者操作特征曲線下面積），是指處于ROC曲線下方的那部分面積大小。AUROC的取值范圍在0到1之間，越接近1表示單變量預(yù)警指標(biāo)性能越好。AUROC作為數(shù)值可以直觀地評(píng)價(jià)不同單變量預(yù)警指標(biāo)的好壞。

2.基于政策制定者損失函數(shù)的相對(duì)有效性度量法

Sarlin（2013）提出了基于政策制定者損失函數(shù)的相對(duì)有效性度量法，用于評(píng)估預(yù)警系統(tǒng)的預(yù)警性能。本文借鑒這種度量法，來(lái)評(píng)價(jià)單變量預(yù)警指標(biāo)的預(yù)警性能。具體如下：

將金融壓力狀態(tài)用二元狀態(tài)變量來(lái)表示：Ij（t）∈（0，1）（其中觀測(cè)值j =1，2，…， N）。為了能夠提前采取政策行動(dòng)，防止金融壓力的進(jìn)一步積累，監(jiān)測(cè)重點(diǎn)應(yīng)集中在金融高壓力期峰值前的一段時(shí)間。本文將金融高壓力期峰值前的一個(gè)指定窗口期設(shè)定為脆弱期，其他時(shí)期均為平靜期。那么可將金融壓力狀態(tài)轉(zhuǎn)換為金融壓力指標(biāo)Ij（h），Ij（h）在脆弱期等于1，在平靜期等于0。

預(yù)警指標(biāo)設(shè)為Y，若預(yù)警指標(biāo)值超過(guò)指定的預(yù)警閾值λ，則發(fā)出預(yù)警信號(hào)，沒(méi)有超過(guò)則不發(fā)出預(yù)警信號(hào)。Yj和Ij之間的對(duì)應(yīng)關(guān)系可以構(gòu)成一個(gè)混淆矩陣。

政策制定者損失函數(shù)L（μ）表示為：

L（ μ） = μT1P1 + （1- μ）T2P2" " " " " " " " " " " " " " " " " （1）

其中，L（μ）為政策制定者使用預(yù)警系統(tǒng)時(shí)的損失；μT1P1為漏報(bào)損失，即沒(méi)有發(fā)出危機(jī)預(yù)警但實(shí)際發(fā)生危機(jī)的損失；（1- μ）T2P2為錯(cuò)報(bào)損失，即發(fā)出危機(jī)預(yù)警但實(shí)際未發(fā)生危機(jī)的損失。

P1為金融體系實(shí)際處于高壓力狀態(tài)（即金融壓力指標(biāo)處于脆弱期）的概率：

P1 = P（Ij（h） =1） = （TP + FN ）/（TP + FP + FN + TN ）

（2）

P2為金融體系實(shí)際沒(méi)有處于高壓力狀態(tài)（金融壓力指標(biāo)處于平靜期）的概率：

P2 = P（Ij（h） = 0） = （FP + TN ）/（TP + FP + FN + TN ）

（3）

T1為漏報(bào)概率，即金融體系實(shí)際處于高壓力狀態(tài)但單變量預(yù)警指標(biāo)并沒(méi)有發(fā)出預(yù)警信號(hào)的概率：

T1 = P（Yj≤λ | Ij（h） = 1） = FN /（TP + FN ）" " " " " "（4）

T2為錯(cuò)報(bào)概率，即金融體系實(shí)際沒(méi)有處于高壓力狀態(tài)但單變量預(yù)警指標(biāo)發(fā)出了預(yù)警信號(hào)的概率：

T2 = P（Yj≤λ | Ij（h） = 0） = FP /（FP + TN ）" " " " " "（5）

μ為政策制定者對(duì)錯(cuò)過(guò)危機(jī)的相對(duì)偏好，1-μ為政策制定者對(duì)虛假預(yù)警的相對(duì)偏好，μ∈（0，1）。TP、FN、FP、TN為AUROC混淆矩陣內(nèi)的四種結(jié)果，分別代表真陽(yáng)性、假陰性、假陽(yáng)性和真陰性。

根據(jù)損失函數(shù)L（μ），可以求出絕對(duì)有效性Ua（μ）。絕對(duì)有效性Ua（μ）為不使用預(yù)警系統(tǒng)時(shí)的損失min{uP1，（1- μ）P2}減去使用預(yù)警系統(tǒng)時(shí)的損失L（μ），具體公式如下：

Ua（μ） = min{uP1，（1- μ）P2} - L（μ）" " " " " " " " " " "（6）

根據(jù)絕對(duì)有效性Ua（μ），可以進(jìn)一步求出相對(duì)有效性Ur（μ）。Ur（μ）為絕對(duì)有效性占不使用預(yù)警系統(tǒng)時(shí)的損失min{uP1，（1- μ）P2}的比重，具體公式如下：

Ur（μ） =" " " " " " " " " " " " " " " " "（7）

預(yù)警指標(biāo)的相對(duì)有效性越高，預(yù)警性能越好。

四、構(gòu)建我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)早期預(yù)警指數(shù)

（一）我國(guó)金融壓力指數(shù)構(gòu)建與金融高壓力期識(shí)別

1.基礎(chǔ)指標(biāo)選取

考慮到利差和波動(dòng)率能實(shí)時(shí)反映金融市場(chǎng)壓力狀態(tài)，而部分宏觀指標(biāo)對(duì)市場(chǎng)壓力的反映存在一定的滯后性，本文在借鑒李敏波和梁爽（2021）、黃啟才和王世杰（2021）的研究的基礎(chǔ)上，從貨幣、債券、股票、外匯和房地產(chǎn)等5個(gè)子市場(chǎng)選取了10個(gè)基礎(chǔ)指標(biāo)來(lái)合成我國(guó)金融壓力指數(shù)，詳見(jiàn)表1。指標(biāo)方向?yàn)檎硎九c金融壓力正相關(guān)；負(fù)向則反之。擬合時(shí)對(duì)負(fù)向指標(biāo)取相反數(shù)，以實(shí)現(xiàn)所有指標(biāo)與金融壓力的同向化。

本文數(shù)據(jù)期限為2007年1月至2022年12月，數(shù)據(jù)頻率為月度。部分季度數(shù)據(jù)使用線性插值計(jì)算得出，部分日頻數(shù)據(jù)通過(guò)求月平均值計(jì)算得出，同時(shí)使用X-12對(duì)部分?jǐn)?shù)據(jù)進(jìn)行季節(jié)性調(diào)整。

2.壓力指數(shù)的構(gòu)建

本文使用上述10個(gè)基礎(chǔ)指標(biāo)與國(guó)內(nèi)生產(chǎn)總值GDP構(gòu)建狀態(tài)空間模型。同時(shí)，為了能夠更加客觀地反映各基礎(chǔ)指標(biāo)對(duì)GDP的貢獻(xiàn)，將GDP的關(guān)鍵影響因素——投資和進(jìn)出口作為控制變量納入量測(cè)方程。構(gòu)建的量測(cè)方程如下：

ln（GDP） = c（1） + sv1 × ln（GDP）（-1） +

sv2 × FJD（-1） +" sv3 × GFB（-1） +

sv4 × GPB（-1） + sv5 × GZB（-1） +

sv6 × GZLC（-1） + sv7 × HLB（-1） +

sv8 × HLC（-1） + sv9 × LLB（-1） +

sv10 × SZD（-1） + sv11 × ZYLC（-1） +

sv12 × ln（JCK）（-1） + sv13 ×

ln（TZE）（-1） + [var = exp（c（2））]" " " （8）

對(duì)應(yīng)的狀態(tài)方程如下：

sv1 = sv1（-1）

sv2 = sv2（-1）

sv3 = sv3（-1）" " " " " " " " " " " " " " " " " " " " " " " " " "（9）

…

sv13 = sv13（-1）

量測(cè)方程式（8）中，GDP、FJD、GFB、GPB、

GZB、GZLC、HLB、HLC、LLB、SZD、ZYLC、JCK、TZE分別代表國(guó)內(nèi)生產(chǎn)總值、房?jī)r(jià)漲跌幅、國(guó)房景氣指數(shù)波動(dòng)率、股票波動(dòng)率、國(guó)債收益波動(dòng)率、國(guó)債期限利差、匯率波動(dòng)率、匯率差值、利率波動(dòng)率、上證綜指月漲跌幅、流動(dòng)性溢價(jià)指標(biāo)、進(jìn)出口差額和固定資產(chǎn)投資完成額。

通過(guò)狀態(tài)空間模型和卡爾曼濾波算法就能估計(jì)出時(shí)變系數(shù)sv1，sv2 ，… ，sv13，然后對(duì)各基礎(chǔ)指標(biāo)的時(shí)變系數(shù)值進(jìn)行歸一化處理和加權(quán)平均，由此得到各基礎(chǔ)指標(biāo)構(gòu)建我國(guó)金融壓力指數(shù)FSI的時(shí)變權(quán)重。

3.金融高壓力期的識(shí)別

將10個(gè)基礎(chǔ)指標(biāo)和對(duì)應(yīng)的權(quán)重合成金融壓力指數(shù)FSI。將金融壓力指數(shù)進(jìn)行HP濾波處理，得到FSI-HP曲線（見(jiàn)圖1）。通過(guò)該曲線可以發(fā)現(xiàn)自2008年以來(lái)，我國(guó)金融市場(chǎng)的高壓力狀態(tài)主要體現(xiàn)在以下6個(gè)時(shí)期：

（1）國(guó)際金融危機(jī)階段（2008—2009年）。受到國(guó)際金融危機(jī)的影響，加之國(guó)內(nèi)股市暴漲暴跌、房市大跌，致使金融風(fēng)險(xiǎn)加速積聚，金融壓力指數(shù)急速攀升，于2009年4月達(dá)到近十幾年來(lái)的最高值。從具體指標(biāo)看，匯率波動(dòng)率、上證綜指月漲跌幅和房?jī)r(jià)漲跌幅三個(gè)基礎(chǔ)指標(biāo)短期內(nèi)快速上漲。

（2）“錢荒”階段（2012—2013年）。國(guó)外歐債危機(jī)暴發(fā)，國(guó)內(nèi)銀行間市場(chǎng)流動(dòng)性緊張導(dǎo)致“錢荒”，致使金融壓力指數(shù)持續(xù)向上，于2013年6月達(dá)到波峰。從具體指標(biāo)看，最主要是利率波動(dòng)率劇烈上漲。

（3）“股災(zāi)”階段（2014年末—2016年初）。2014年末和2015年6月A股經(jīng)歷兩輪大漲，股市泡沫日益膨脹，2016年初股市遭遇熔斷，投資者出現(xiàn)恐慌情緒。在此期間金融市場(chǎng)表現(xiàn)出一定程度的動(dòng)蕩，金融壓力指數(shù)持續(xù)上行，于2016年6月達(dá)到波峰。從具體指標(biāo)看，該階段利率波動(dòng)率、股票波動(dòng)率明顯高于大部分其他時(shí)期。

（4）各類系風(fēng)險(xiǎn)暴露階段（2017年底—2018年）?！懊魈煜怠薄鞍舶钕怠薄叭A信系”等金融集團(tuán)的風(fēng)險(xiǎn)逐步暴露，外匯市場(chǎng)和利率市場(chǎng)不確定性增大，金融壓力指數(shù)出現(xiàn)較為明顯的上升態(tài)勢(shì)，于2018年8月達(dá)到波峰。從具體指標(biāo)看，該階段匯率波動(dòng)率、利率波動(dòng)率大幅快速上漲。得益于黨中央果斷采取了防范化解金融風(fēng)險(xiǎn)攻堅(jiān)戰(zhàn)，金融風(fēng)險(xiǎn)始終保持在可控范圍內(nèi)，所以該階段峰值明顯小于其他金融高壓力期。

（5）新冠疫情階段（2020年）。國(guó)內(nèi)發(fā)生新冠疫情，我國(guó)一季度工業(yè)生產(chǎn)恢復(fù)不及預(yù)期，經(jīng)濟(jì)總產(chǎn)出下降及商貿(mào)經(jīng)濟(jì)下滑；與此同時(shí)，全球經(jīng)濟(jì)發(fā)展受到疫情沖擊，外部市場(chǎng)風(fēng)險(xiǎn)傳染至國(guó)內(nèi)。這些導(dǎo)致金融壓力指數(shù)急速上漲，于2020年11月達(dá)到了波峰。

（6）三重壓力階段（2022年至今）。俄烏沖突、中美貿(mào)易摩擦加劇，導(dǎo)致我國(guó)面臨需求收縮、供給沖擊、預(yù)期轉(zhuǎn)弱等三重壓力，金融壓力指數(shù)也隨之開(kāi)始上升，上升態(tài)勢(shì)至2022年12月仍未出現(xiàn)拐點(diǎn)。從具體指標(biāo)看，匯率波動(dòng)率、上證綜合指數(shù)漲跌幅明顯擴(kuò)大。

本文將這6個(gè)金融高壓力期的峰值時(shí)點(diǎn)，設(shè)定為預(yù)警“對(duì)象”，具體為：2009年4月、2013年6月、2016年6月、2018年8月、2020年11月、2022年12月。

（二）我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)早期預(yù)警指數(shù)構(gòu)建

1.預(yù)警指標(biāo)選取與數(shù)據(jù)集劃分

本文采取歐洲系統(tǒng)性風(fēng)險(xiǎn)委員會(huì)（ESRB）在逆周期資本緩沖背景下監(jiān)測(cè)周期性系統(tǒng)性風(fēng)險(xiǎn)時(shí)的建議，將指標(biāo)分為五大類別，并根據(jù)我國(guó)國(guó)情以及數(shù)據(jù)可得性，選取每個(gè)類別中的單變量預(yù)警基礎(chǔ)指標(biāo)，共計(jì)23個(gè)（見(jiàn)表2）。對(duì)每個(gè)單變量預(yù)警基礎(chǔ)指標(biāo)進(jìn)行各種單位轉(zhuǎn)換，如12個(gè)月變化、18個(gè)月變化、24個(gè)月變化等，形成新的單變量預(yù)警指標(biāo)。最終形成了83個(gè)待評(píng)估的單變量預(yù)警指標(biāo)。

為了能夠驗(yàn)證預(yù)警效果，本文將數(shù)據(jù)集（2007—2022年）劃分為兩個(gè)部分：第一部分為試驗(yàn)集，即前5個(gè)金融高壓力期，時(shí)間段為2007年1月—2019年11月，用來(lái)篩選最優(yōu)單變量預(yù)警指標(biāo)和確定指標(biāo)權(quán)重，并擬合系統(tǒng)性風(fēng)險(xiǎn)早期預(yù)警指數(shù)；第二部分為驗(yàn)證集，即最后一個(gè)金融高壓力期，時(shí)間段為2019年12月—2022年12月，用來(lái)驗(yàn)證根據(jù)試驗(yàn)集確定的早期預(yù)警指數(shù)的預(yù)警性能。

2.選擇最優(yōu)脆弱期

從經(jīng)濟(jì)金融失衡的出現(xiàn)、積累和加劇，到金融風(fēng)險(xiǎn)逐漸顯現(xiàn)，是一個(gè)較為長(zhǎng)期的過(guò)程。在金融風(fēng)險(xiǎn)開(kāi)始暴露前，金融體系處于逐步加壓狀態(tài)，其脆弱性不斷上升，此時(shí)間段即為本文的脆弱期。根據(jù)上文所述金融壓力指標(biāo)在脆弱期取值為1，平靜期取值為0。脆弱期的差異會(huì)直接影響單變量預(yù)警指標(biāo)的預(yù)警效果，因此脆弱期的設(shè)置非常重要。本文對(duì)所有單變量預(yù)警指標(biāo)在不同脆弱期下進(jìn)行AUROC評(píng)估，以此選出最優(yōu)脆弱期。具體操作如下：

首先，設(shè)定不同的脆弱期區(qū)間。本文借鑒歐央行Lang等（2019）和Sarlin（2013）的研究，結(jié)合我國(guó)數(shù)據(jù)實(shí)際，選定了7個(gè)不同的脆弱期進(jìn)行測(cè)算，分別為金融高壓力期峰值前6—24個(gè)月、12—24個(gè)月、15—30個(gè)月、18—30個(gè)月、15—36個(gè)月、18—36個(gè)月、24—36個(gè)月。

然后，評(píng)估83個(gè)單變量預(yù)警指標(biāo)在不同脆弱期下的AUROC性能表現(xiàn)。評(píng)估結(jié)果顯示：當(dāng)脆弱期設(shè)置為“金融高壓力期峰值前15—36個(gè)月”時(shí)，AUROC值達(dá)到0.65以上的指標(biāo)數(shù)最多。此外，歐央行Lang等（2019）最終選定的脆弱期也是危機(jī)發(fā)生前的5—12季度。

因此，本文選取“金融高壓力期峰值前15—36個(gè)月”為最優(yōu)脆弱期，即預(yù)警信號(hào)會(huì)在高壓力期峰值前的15—36個(gè)月內(nèi)發(fā)出，意味著政策制定者有足夠的時(shí)間采取宏觀審慎行動(dòng)進(jìn)行應(yīng)對(duì)。

3.選定最優(yōu)單變量預(yù)警指標(biāo)

本文根據(jù)AUROC性能評(píng)價(jià)法和基于政策制定者損失函數(shù)的相對(duì)有效性度量法對(duì)各個(gè)單變量預(yù)警指標(biāo)的預(yù)警性能進(jìn)行評(píng)估。借鑒Lang等（2019）的做法，將AUROC賦予三分之二的權(quán)重，相對(duì)有效性賦予三分之一的權(quán)重，通過(guò)加權(quán)平均計(jì)算各單變量預(yù)警指標(biāo)的預(yù)警性能，并根據(jù)各指標(biāo)預(yù)警性能的最終排名，確定每個(gè)類別的最優(yōu)單變量預(yù)警指標(biāo)。AUROC性能評(píng)估使用SPSS進(jìn)行，相對(duì)有效性性能評(píng)估的相關(guān)計(jì)算由Python編程實(shí)現(xiàn)。

此外，根據(jù)歐洲系統(tǒng)性風(fēng)險(xiǎn)委員會(huì)（ESRB）監(jiān)測(cè)周期性系統(tǒng)性風(fēng)險(xiǎn)時(shí)的建議，基于信貸類別歷來(lái)在推動(dòng)金融高壓力上扮演著重要角色，信貸類別選取2個(gè)最優(yōu)單變量預(yù)警指標(biāo)，其余類別各選擇1個(gè)最優(yōu)單變量預(yù)警指標(biāo)。根據(jù)AUROC性能評(píng)價(jià)法和基于政策制定者損失函數(shù)的相對(duì)有效性度量法的評(píng)估結(jié)果，選定6個(gè)最優(yōu)單變量預(yù)警指標(biāo)（見(jiàn)表3）。

4.擬合系統(tǒng)性金融風(fēng)險(xiǎn)早期預(yù)警指標(biāo)

將Logistic模型計(jì)算得出的自變量系數(shù)進(jìn)行歸一化處理，再將最小自變量系數(shù)賦權(quán)5%，其余自變量系數(shù)對(duì)剩余的95%進(jìn)行加權(quán)平均，最終得出6個(gè)最優(yōu)單變量預(yù)警指標(biāo)的權(quán)重：19.51%、6.79%、40.08%、6.52%、5.00%、22.09%。

對(duì)最優(yōu)單變量預(yù)警指標(biāo)數(shù)據(jù)減去中位數(shù)并除以標(biāo)準(zhǔn)差進(jìn)行標(biāo)準(zhǔn)化處理后，再根據(jù)權(quán)重進(jìn)行線性聚合便可得到系統(tǒng)性金融風(fēng)險(xiǎn)早期預(yù)警指數(shù)，即系統(tǒng)性金融風(fēng)險(xiǎn)早期預(yù)警曲線（SRI），如圖2中的實(shí)線所示。

在試驗(yàn)集內(nèi)，系統(tǒng)性金融風(fēng)險(xiǎn)早期預(yù)警曲線共有四段曲線呈現(xiàn)上升趨勢(shì)，分別為：2007年1月—10月、2009年5月—2010年12月、2012年10月—2014年7月、2015年9月—2017年2月。也就是說(shuō)，這四段上升趨勢(shì)預(yù)示著幾年之后將有相對(duì)應(yīng)的金融高壓力期出現(xiàn)。

五、早期預(yù)警指數(shù)的分析與運(yùn)用

（一）早期預(yù)警指數(shù)平均提早22個(gè)月對(duì)高壓力期發(fā)出預(yù)警信號(hào)

為了檢驗(yàn)預(yù)警指數(shù)的預(yù)警效果，本文用試驗(yàn)集樣本擬合的系統(tǒng)性金融風(fēng)險(xiǎn)早期預(yù)警曲線與FSI曲線進(jìn)行對(duì)比分析。

圖2中的虛線為實(shí)時(shí)金融壓力指數(shù)FSI的HP濾波平滑曲線，實(shí)線為系統(tǒng)性金融風(fēng)險(xiǎn)早期預(yù)警曲線。本文根據(jù)前文最優(yōu)脆弱期的評(píng)估結(jié)果，設(shè)定當(dāng)預(yù)警指數(shù)至少出現(xiàn)連續(xù)15個(gè)月以上的攀升時(shí)①，代表著對(duì)未來(lái)金融高壓力發(fā)出預(yù)警信號(hào)。實(shí)線上的數(shù)字表示預(yù)警指數(shù)第幾次發(fā)出預(yù)警信號(hào)，虛線上的數(shù)字表示與其相對(duì)應(yīng)的金融高壓力期。

對(duì)比兩條曲線可以發(fā)現(xiàn)，除了新冠疫情以外，系統(tǒng)性金融風(fēng)險(xiǎn)早期預(yù)警指數(shù)能在金融高壓力期暴發(fā)之前的較長(zhǎng)一段時(shí)間內(nèi)發(fā)出預(yù)警信號(hào)，為宏觀審慎管理提供較充足的時(shí)間。新冠疫情屬于突發(fā)公共衛(wèi)生事件，該時(shí)期暴發(fā)的金融壓力并不是經(jīng)濟(jì)金融系統(tǒng)失衡導(dǎo)致的，因此未發(fā)出預(yù)警信號(hào)。具體預(yù)警對(duì)應(yīng)時(shí)間如表4所示。

1.大約提前18個(gè)月對(duì)國(guó)際金融危機(jī)階段發(fā)出預(yù)警信號(hào)

如圖3，預(yù)警曲線在2007年1月—10月處于上升階段，并于2007年10月達(dá)到峰值；FSI曲線在2008年1月—2009年4月處于上升階段，并于2009年4月達(dá)到峰值。通過(guò)峰值對(duì)比，可以發(fā)現(xiàn)預(yù)警曲線大約提前18個(gè)月對(duì)國(guó)際金融危機(jī)階段的高壓力狀態(tài)發(fā)出預(yù)警信號(hào)。

從圖3可以看出，2007年1月—10月，上海證券綜合指數(shù)24個(gè)月增長(zhǎng)率、70個(gè)大中城市二手住宅價(jià)格12個(gè)月增長(zhǎng)率等兩個(gè)單變量預(yù)警指標(biāo)波動(dòng)較大，這主要是因?yàn)楫?dāng)時(shí)股市、樓市暴漲，加速了金融風(fēng)險(xiǎn)的累積，外加上美國(guó)次貸危機(jī)傳導(dǎo)至國(guó)內(nèi)，致使2008年—2009年4月上證綜指月漲跌幅和房?jī)r(jià)漲跌幅等兩個(gè)基礎(chǔ)指標(biāo)增長(zhǎng)率分別達(dá)2 229.79%、6 523.08%，進(jìn)而導(dǎo)致金融壓力急劇攀升。

2.大約提前30個(gè)月對(duì)“錢荒”階段發(fā)出預(yù)警信號(hào)

圖2中，預(yù)警曲線在2009年5月—2010年12月處于持續(xù)上升階段，并在2010年12月達(dá)到峰值；FSI曲線于2012年1月—2013年6月持續(xù)上升，并于2013年6月達(dá)到峰值。通過(guò)峰值對(duì)比，可以發(fā)現(xiàn)預(yù)警曲線大約提前30個(gè)月對(duì)“錢荒”階段的高壓力狀態(tài)發(fā)出預(yù)警信號(hào)。

從圖3可以看出，2009年5月—2010年12月，居民部門杠桿率24個(gè)月變化、非金融企業(yè)部門信貸占GDP的百分比12個(gè)月變化、70個(gè)大中城市二手住宅價(jià)格12個(gè)月增長(zhǎng)率等三個(gè)預(yù)警指標(biāo)顯著上升，反映“4萬(wàn)億計(jì)劃”導(dǎo)致信貸激增、貨幣供應(yīng)迅速增加、資金流入房市以及資產(chǎn)價(jià)格快速上漲。信貸過(guò)量催生金融泡沫，銀行資金緊張，市場(chǎng)流動(dòng)性短缺，“錢荒”顯現(xiàn)，具體表現(xiàn)為2012—2013年利率波動(dòng)率指標(biāo)增長(zhǎng)率達(dá)33.33%，進(jìn)而導(dǎo)致金融壓力加大，F(xiàn)SI曲線上升。

3.提前23個(gè)月對(duì)“股災(zāi)”階段發(fā)出預(yù)警信號(hào)

在圖2中，預(yù)警曲線在2012年10月—2014年7月處于上升階段，并在2014年7月達(dá)到峰值；FSI曲線在2014年9月—2016年6月處于上升階段，并于2016年6月達(dá)到峰值。通過(guò)峰值對(duì)比，可以發(fā)現(xiàn)預(yù)警曲線提前23個(gè)月對(duì)“股災(zāi)”階段的金融高壓力狀態(tài)發(fā)出預(yù)警信號(hào)。

圖3顯示，2012—2014年，居民部門杠桿率24個(gè)月變化、國(guó)際收支總差額占GDP的比例24個(gè)月變化、居民信貸總額占GDP的百分比24個(gè)月變化等三個(gè)指標(biāo)漲幅明顯。這歸因于經(jīng)濟(jì)加杠桿，銀行資產(chǎn)規(guī)?？焖贁U(kuò)張，同時(shí)外匯儲(chǔ)備高位，外匯占款增加了貨幣供給。貨幣量的增加導(dǎo)致資金流入牛市股市，造成證券市場(chǎng)的過(guò)度繁榮，致使2016年股票波動(dòng)率達(dá)75%，進(jìn)而引發(fā)整個(gè)金融體系壓力攀升。

4.提前18個(gè)月對(duì)各類系風(fēng)險(xiǎn)暴露階段發(fā)出預(yù)警信號(hào)

在圖2中，預(yù)警曲線在2015年9月—2017年2月處于上升階段，并在2017年2月達(dá)到第一波峰值；FSI曲線在2017年10月—2018年8月處于上升階段，并于2018年8月達(dá)到峰值。通過(guò)峰值對(duì)比，可以發(fā)現(xiàn)預(yù)警曲線提前18個(gè)月對(duì)各類系風(fēng)險(xiǎn)暴露階段的高壓力狀態(tài)發(fā)出預(yù)警信號(hào)。

從圖3可以看出，2015年9月—2017年2月，居民部門杠桿率24個(gè)月變化、國(guó)際收支總差額占GDP的比例24個(gè)月變化、70個(gè)大中城市二手住宅價(jià)格12個(gè)月增長(zhǎng)率等三個(gè)指標(biāo)大幅上升。這是受當(dāng)時(shí)房地產(chǎn)市場(chǎng)繁榮、國(guó)際收支增加和居民杠桿上升的驅(qū)動(dòng)，預(yù)警曲線上升。在上述背景下，2015—2017年資金大量流入，2018年外匯和利率市場(chǎng)不確定性增加，匯率和利率波動(dòng)率大幅上升，進(jìn)而金融系統(tǒng)壓力FSI明顯上升，但得益于我國(guó)積極采取風(fēng)險(xiǎn)攻堅(jiān)戰(zhàn)等措施，金融系統(tǒng)的壓力得到了有效緩解，各類系風(fēng)險(xiǎn)暴露階段整體壓力相對(duì)較小。

（二）早期預(yù)警指數(shù)預(yù)測(cè)三重壓力階段將持續(xù)至2024年

1.預(yù)警指數(shù)至少提前21個(gè)月對(duì)三重壓力階段發(fā)出預(yù)警信號(hào)

為了驗(yàn)證由試驗(yàn)集數(shù)據(jù)確定參數(shù)而構(gòu)建的預(yù)警指數(shù)的穩(wěn)健性，本文用驗(yàn)證集的數(shù)據(jù)對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)早期預(yù)警指數(shù)的預(yù)警性能進(jìn)行檢驗(yàn)，觀察預(yù)警指數(shù)能否提前對(duì)2022年開(kāi)始的三重壓力階段發(fā)出預(yù)警信號(hào)。

對(duì)比圖4中兩條曲線，在分界線之前為試驗(yàn)集區(qū)間，分界線之后為驗(yàn)證集區(qū)間。在驗(yàn)證集區(qū)間，預(yù)警曲線在2019年12月—2021年3月處于上升階段，并于2021年3月達(dá)到峰值。FSI曲線從2022年1月—2022年12月處于持續(xù)上升階段，12月仍未出現(xiàn)拐點(diǎn)?？梢钥闯觯A(yù)警曲線對(duì)三重壓力階段至少提前21個(gè)月發(fā)出預(yù)警信號(hào)，進(jìn)一步驗(yàn)證了早期預(yù)警指數(shù)具有良好的預(yù)測(cè)預(yù)警性能。

2.預(yù)警指數(shù)預(yù)測(cè)三重壓力階段可能至少延續(xù)到2024年初

根據(jù)15—36個(gè)月的脆弱期設(shè)定，本文的預(yù)警指數(shù)最長(zhǎng)可對(duì)36個(gè)月后的風(fēng)險(xiǎn)發(fā)出預(yù)警信號(hào)。圖4中驗(yàn)證集的預(yù)警曲線在2021年3月達(dá)到波峰，按15—36個(gè)月推算，金融壓力上升態(tài)勢(shì)將于2022年6月—2024年3月間達(dá)到峰值。由于俄烏沖突、中美貿(mào)易摩擦的國(guó)際背景并未改變，因此可以預(yù)測(cè)，如果我國(guó)不采取適當(dāng)?shù)膽?yīng)對(duì)措施，金融壓力上升態(tài)勢(shì)將很可能持續(xù)至2024年3月。

（三）金融高壓力期驅(qū)動(dòng)因素分析

鑒于預(yù)警指數(shù)的線性特征，早期預(yù)警指數(shù)可以進(jìn)一步分解為潛在的驅(qū)動(dòng)因素，這種分解有助于識(shí)別系統(tǒng)性金融風(fēng)險(xiǎn)積累是由廣泛存在的因素，即基本性因素，還是由特定風(fēng)險(xiǎn)因素驅(qū)動(dòng)的，有助于政策制定者進(jìn)行相應(yīng)風(fēng)險(xiǎn)評(píng)估并擬定應(yīng)對(duì)措施。

在圖5中，不同指標(biāo)的面積代表著預(yù)警指數(shù)的貢獻(xiàn)。面積越大，貢獻(xiàn)越大。從整體上來(lái)看，除2007—2008年以外，居民部門杠桿率24個(gè)月變化的面積所占比重始終最大，也就是說(shuō)居民部門杠桿率24個(gè)月變化是驅(qū)動(dòng)我國(guó)金融壓力攀升的最基本因素。圖5中，居民部門杠桿率經(jīng)歷了四段上升。除國(guó)際金融危機(jī)階段外，其余高壓力階段的杠桿率上升趨勢(shì)與預(yù)警指數(shù)上升趨勢(shì)基本同步。究其原因：一是居民債務(wù)過(guò)度擴(kuò)張將透支居民消費(fèi)潛力，抑制未來(lái)消費(fèi)能力；二是居民部門杠桿率上升將降低居民儲(chǔ)蓄率，影響未來(lái)投資和經(jīng)濟(jì)增長(zhǎng)；三是居民債務(wù)過(guò)度擴(kuò)張會(huì)導(dǎo)致過(guò)度消費(fèi)和投資，給樓市和股市帶來(lái)虛假的繁榮。這些因素將使得金融系統(tǒng)潛在風(fēng)險(xiǎn)加速積累。

六、結(jié)論與建議

（一）結(jié)論

本文以歐央行國(guó)內(nèi)系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)（d-SRI）的構(gòu)建方法為基礎(chǔ)，結(jié)合我國(guó)金融系統(tǒng)的實(shí)際情況，通過(guò)增加“構(gòu)建FSI識(shí)別金融高壓力期”“運(yùn)用AUROC確定脆弱期”等關(guān)鍵步驟，制訂了我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)早期預(yù)警指數(shù)構(gòu)建方法。通過(guò)該方法，運(yùn)用我國(guó)數(shù)據(jù)擬合出了我國(guó)的早期預(yù)警指數(shù)，可供宏觀政策制定者參考使用。

本文構(gòu)建的預(yù)警指數(shù)平均提早22個(gè)月對(duì)高壓力期發(fā)出預(yù)警信息。預(yù)警指數(shù)除了遺漏2020年新冠疫情公共衛(wèi)生突發(fā)事件外，分別提前18個(gè)月對(duì)國(guó)際金融危機(jī)階段發(fā)出預(yù)警信號(hào)，提前30個(gè)月對(duì)“錢荒”階段發(fā)出預(yù)警信號(hào)，提前23個(gè)月對(duì)“股災(zāi)”階段發(fā)出預(yù)警信號(hào)，提前18個(gè)月對(duì)各類系風(fēng)險(xiǎn)暴露階段發(fā)出預(yù)警信號(hào)。在金融高壓力期出現(xiàn)之前較長(zhǎng)一段時(shí)間內(nèi)發(fā)出預(yù)警信號(hào)，可以為宏觀審慎管理提供充足的應(yīng)對(duì)時(shí)間。早期預(yù)警指數(shù)在2019年12月—2021年3月處于上升階段，并于2021年3月達(dá)到波峰。考慮到脆弱期為15—36個(gè)月，可以預(yù)測(cè)若不采取適當(dāng)?shù)娘L(fēng)險(xiǎn)應(yīng)對(duì)措施，本輪金融壓力上升態(tài)勢(shì)將持續(xù)至2024年初。本文通過(guò)對(duì)金融風(fēng)險(xiǎn)早期預(yù)警指數(shù)進(jìn)行分解，發(fā)現(xiàn)居民部門杠桿率的上漲是驅(qū)動(dòng)金融高壓力的最基本因素。

（二）政策建議

1.構(gòu)建我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)早期預(yù)警體系，為宏觀審慎管理提供有效信息

設(shè)立金融壓力指數(shù)實(shí)時(shí)反映金融系統(tǒng)整體壓力，一旦發(fā)現(xiàn)金融壓力持續(xù)增大，金融管理部門應(yīng)深入分析原因，采取果斷措施進(jìn)行干預(yù)。加強(qiáng)研究論證，建立系統(tǒng)性金融風(fēng)險(xiǎn)早期預(yù)警機(jī)制，通過(guò)持續(xù)監(jiān)測(cè)綜合預(yù)警指數(shù)及各單變量預(yù)警指標(biāo)的變動(dòng)，及早發(fā)現(xiàn)經(jīng)濟(jì)金融運(yùn)行中的失衡問(wèn)題，并在失衡向危機(jī)轉(zhuǎn)化的過(guò)程中，及時(shí)采取宏觀審慎政策，降低未來(lái)金融高壓力狀態(tài)的峰值，縮短高壓力持續(xù)時(shí)間，防止系統(tǒng)性金融危機(jī)暴發(fā)。

2.做好逆周期調(diào)節(jié)，合理把握信貸投放節(jié)奏

過(guò)熱的經(jīng)濟(jì)將給未來(lái)帶來(lái)隱患，因此在制定宏觀經(jīng)濟(jì)調(diào)控政策時(shí)，要統(tǒng)籌短期發(fā)展和長(zhǎng)期調(diào)控的動(dòng)態(tài)關(guān)系，實(shí)現(xiàn)穩(wěn)增長(zhǎng)和防風(fēng)險(xiǎn)的長(zhǎng)期均衡。面對(duì)發(fā)展過(guò)速，應(yīng)及時(shí)進(jìn)行逆周期調(diào)節(jié)，及時(shí)減輕過(guò)速發(fā)展帶來(lái)的潛在不利影響。信貸供給不合理容易導(dǎo)致資產(chǎn)價(jià)格泡沫或“錢荒”現(xiàn)象，是造成未來(lái)金融壓力加大的重要因素。中國(guó)人民銀行應(yīng)加大調(diào)查研究，通過(guò)對(duì)經(jīng)濟(jì)發(fā)展現(xiàn)狀、信貸市場(chǎng)需求的準(zhǔn)確判斷，合理把控信貸投放對(duì)象、節(jié)奏和規(guī)模，盡量做到精準(zhǔn)“滴灌”。

3.采用增加居民收入的方式來(lái)提升居民消費(fèi)

我國(guó)當(dāng)務(wù)之急是通過(guò)刺激居民消費(fèi)和投資來(lái)擴(kuò)內(nèi)需、促增長(zhǎng)，但過(guò)度的信貸刺激并不是最優(yōu)的方式。居民部門杠桿率長(zhǎng)時(shí)間過(guò)度上漲，在造成股市、樓市虛假繁榮的同時(shí)，將對(duì)未來(lái)消費(fèi)和投資產(chǎn)生較大的擠出效應(yīng)，給金融體系埋下較大的風(fēng)險(xiǎn)隱患。因此，我國(guó)在制定刺激消費(fèi)政策時(shí)，不能僅考慮增加信貸供給，而應(yīng)綜合施策，在保持信貸合理增長(zhǎng)的同時(shí)，注重提升居民的實(shí)際收入水平，如努力提升中低收入人群的收入水平，繼續(xù)實(shí)行減稅讓利政策，減輕企業(yè)和個(gè)人支出壓力等。

4.積極采取應(yīng)對(duì)措施，將三重壓力階段的金融風(fēng)險(xiǎn)控制在合理范圍之內(nèi)

早期預(yù)警指數(shù)預(yù)測(cè)，如果不采取適當(dāng)?shù)膽?yīng)對(duì)措施，我國(guó)本輪金融壓力上升態(tài)勢(shì)將持續(xù)至2024年3月。同時(shí)，本文研究也發(fā)現(xiàn)在各類系風(fēng)險(xiǎn)暴露階段，由于我國(guó)采取了防范化解金融風(fēng)險(xiǎn)攻堅(jiān)戰(zhàn)等措施，主動(dòng)化解了金融系統(tǒng)面臨的風(fēng)險(xiǎn)，極大縮短了壓力持續(xù)時(shí)期、降低了壓力程度，保障了我國(guó)金融體系平穩(wěn)健康發(fā)展。因此，針對(duì)我國(guó)金融壓力持續(xù)上升的現(xiàn)狀，應(yīng)認(rèn)真分析風(fēng)險(xiǎn)產(chǎn)生的原因，制定詳細(xì)、可行的宏觀審慎政策和措施，如合理控制信貸增速，促進(jìn)房地產(chǎn)市場(chǎng)平穩(wěn)健康發(fā)展，完善收入分配方式，提升中低收入人群的收入水平等，以減輕前期經(jīng)濟(jì)金融失衡對(duì)我國(guó)的沖擊。同時(shí)，更應(yīng)注重金融風(fēng)險(xiǎn)的防控和化解工作，積極主動(dòng)化解各類風(fēng)險(xiǎn)隱患，切實(shí)做好風(fēng)險(xiǎn)的“早發(fā)現(xiàn)、早預(yù)警、早糾正、早處置”，牢牢守住不發(fā)生系統(tǒng)性風(fēng)險(xiǎn)的底線。

注釋：

① 由于數(shù)據(jù)限制，假定國(guó)際金融危機(jī)階段的早期預(yù)警也滿足連續(xù)15個(gè)月攀升的要求。

參考文獻(xiàn)：

[1] Hoggarth G， Reis R， Saporta V. Costs of banking system instability： Some empirical evidence[J].Journal of Banking amp; Finance，2002，26（05）：825-855.

[2] Laeven L， Valencia F. Systemic banking crises database： An update[R].IMF Working Paper， 2012.

[3] Lo Duca M， Koban A， Basten M， et al. A new database for financial crises in European countries[R]. Occasional Paper Series， 2017.

[4] ILLING M，LIU Y. Measuring financial stress in a developed country：An application to Canada[J]. Journal of Financial Stability，2006，2（03）：243-265.

[5] LALL S，CARDARELLI R，ELEKDAG S. Financial stress，downturns and recoveries[J].Psychiatry amp; Clinical Neurosciences，2011，59（01）：25-29.

[6] 朱莎，裴沛.新時(shí)期中國(guó)金融市場(chǎng)風(fēng)險(xiǎn)狀態(tài)甄別和政策沖擊研究[J].中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2018（11）：24-37.

[7] 劉鳳根，王一丁，張敏，等.納入宏觀經(jīng)濟(jì)因素的中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警研究——基于馬爾科夫區(qū)制轉(zhuǎn)移模型[J].商學(xué)研究，2021，28（05）：59-69.

[8] 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(xiǎn)測(cè)度研究[J].經(jīng)濟(jì)學(xué)動(dòng)態(tài)，2015（04）：69-78.

[9] HOLLO D，KREMER M，LO DUCA M. CISS - A composite indicator of systemic stress in the financial system[R]. European Central Bank Working Paper，2012.

[10] 李敏波，梁爽.監(jiān)測(cè)系統(tǒng)性金融風(fēng)險(xiǎn)——中國(guó)金融市場(chǎng)壓力指數(shù)構(gòu)建和狀態(tài)識(shí)別[J].金融研究，2021

（06）：21-38.

[11] 丁嵐，李鵬濤，劉立新.中國(guó)金融壓力指數(shù)的構(gòu)建與應(yīng)用[J].統(tǒng)計(jì)與信息論壇，2019，34（10）：63-72.

[12] 覃小兵，羅美娟，黃迅，等.我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警研究——基于時(shí)變CRITIC賦權(quán)法和ADASYN-SVM方法[J].金融監(jiān)管研究，2022（09）：93-114.

[13] 孫攀峰.基于狀態(tài)空間模型的中國(guó)金融穩(wěn)定性評(píng)估[J].統(tǒng)計(jì)與信息論壇，2019，34（11）：44-49.

[14] 柴建，王子洋，張鐘毓.新格局下中國(guó)金融穩(wěn)定狀況指數(shù)構(gòu)建及其與美國(guó)貨幣政策間的區(qū)制關(guān)系分析[J].管理評(píng)論，2022，34（08）：3-14.

[15] Frankel J A，Rose A K. Currency crashes in emerging markets：An empirical treatment[J]. Journal of International Economics，1996，41：351-366.

[16] Sachs J D，Tornell A，Velasco A. Financial

crises in emerging markets： The lessons from 1995 [J]. Brookings Papers on Economic Activity， 1996，27（01）：147-215.

[17] Zhang Y， Lee G H T， Wong J C， et al. Will the US economy recover in 2010？ A minimal spanning tree study [J]. Physica A： Statistical Mechanics and its Applications， 2011， 390（11）： 2020-2050.

[18] 任英華，江勁風(fēng)，倪青山.基于圖神經(jīng)網(wǎng)絡(luò)模型的金融危機(jī)預(yù)警研究——全行業(yè)間信息溢出視角[J].統(tǒng)計(jì)研究，2022，39（08）：141-160.

[19] Kaminsky G L， Lizondo S J， Reinhart C M. Leading indicators of currency crises[R]. IMF Working Paper，1997.

[20] 蘇冬蔚，肖志興.基于亞洲六國(guó)宏觀數(shù)據(jù)的我國(guó)金融危機(jī)預(yù)警系統(tǒng)研究[J].國(guó)際金融研究，2011（06）：14-24.

[21] Lang J H，Izzo C，F(xiàn)ahr S， et al. Anticipating the bust： A new cyclical systemic risk indicator to assess the likelihood and severity of financial crises[R].European Central Bank：Occasional Paper Series ，2019.

[22] Balmaseda V，Coronado M， DE Cadenas-Santiago G. Predicting systemic risk in financial systems using deep graph learning[J].Intelligent Systems with Applications，2023（19）：200240.

[23] Yu J，Zhao J. Prediction of systemic risk contagion based on a dynamic complex network model using machine learning algorithm[J].Complexity，2020，2020：1-13.

[24] Kou G，Chao X，Peng Y， et al. Machine learning methods for systemic risk analysis in financial sectors[J].Technological and Economic Development of Economy， 2019， 25（05）：716-742.

[25] Sarlin P. On policymakers' loss function and the evaluation of early warning systems[J]. Economics Leeters， 2013，119（01）：1-7.

[26] MORALES M A， ESTRADA D. A financial stability index for Colombia[J].Annals of Finance，2010，6（04）：

555-581.

[27] GOODHART C，HOFMANN B.Asset prices，financial conditions and the transmission of monetary policy[A]//Paper Presented at the Conference“Asset Prices， Exchange Rates and Monetary Policy”[C]. Stanford University， 2001： 2-25.

[28] 黃啟才，王世杰.中國(guó)金融壓力指數(shù)測(cè)度與金融風(fēng)險(xiǎn)識(shí)別[J].亞太經(jīng)濟(jì)，2021（03）：25-34.

（責(zé)任編輯：張艷妮）

Construction and Empirical Application of an Early Warning Index for Systemic Financial Risk： Based on AUROC Evaluation and Policymaker Loss Functions

CHEN Shuang1， XIANG Yi2， DENG Fang3

（1.People's Bank of China Hunan Provincial Branch; 2.People's Bank of China Huaihua Municipal Branch; 3.People's Bank of China Yongzhou Municipal Branch）

Abstract： Enhancing the capability to monitor， assess， and provide early warnings of systemic financial risks is crucial for preventing and mitigating financial risks and maintaining financial stability. This paper develops a methodology for constructing an early warning index for systemic financial risk in China， based on the European Central Bank's domestic Systemic Risk Indicator （d-SRI）. The methodology is tailored to China's financial system by incorporating key steps such as identifying high-stress periods using the Financial Stress Index （FSI） and determining vulnerability periods through AUROC evaluation. The resulting early warning index is applied to analyze financial risks across different periods in China. The findings indicate that the constructed index provides early warnings of high-stress periods on average 22 months in advance， offering timely and valuable reference for macroprudential management. The index also accurately predicts the current period of high financial system stress in China， with prolonged excessive increases in household leverage identified as the primary factor driving the rise in financial system pressure.

Keywords： Systemic financial risks; Early warning; State space model; AUROC performance evaluation; Loss function; Relative effectiveness