陳 杰

（中國人民銀行重慶營業(yè)管理部，重慶渝北 401147）

重要經(jīng)濟金融指標數(shù)據(jù)的準確預測是決策者判斷和制定相應政策的重要參考依據(jù)。存貸款數(shù)據(jù)是金融統(tǒng)計工作中的基礎性指標，也是分析金融運行環(huán)境的關鍵性指標，在很大程度上會反映金融自身的“造血”能力以及對實體經(jīng)濟的支持力度，在國民經(jīng)濟金融統(tǒng)計中有著極其重要的地位。因此，對存貸款指標數(shù)據(jù)進行預測，可以為各級政府部門、金融監(jiān)管部門的前瞻性調控奠定基礎，也可以引導金融市場合理預期，對進一步完善各項金融工作、合理引導市場預期等具有重要的理論意義和現(xiàn)實意義。

一、文獻回顧

金融預測指運用數(shù)據(jù)挖掘的方法對金融市場的大量歷史數(shù)據(jù)進行處理和分析，以此預測市場的未來發(fā)展趨勢。金融指標歷史數(shù)據(jù)屬于時間序列數(shù)據(jù)，通常存在非平穩(wěn)現(xiàn)象，若根據(jù)時間序列本身的趨勢變化來預測，最常用的預測方法可采用簡單平均法、移動平均法、指數(shù)平滑法等構建預測模型，也可采用自回歸模型（AR模型）等進行預測分析；若時間序列包含可觀測影響因素，一般采用回歸方法構建模型，如一般線性回歸、自回歸滑動平均模型（ARMA模型）等。

機器學習是人工智能研究發(fā)展到一定階段的必然產(chǎn)物，隨著機器學習理論與實現(xiàn)算法的不斷進步和發(fā)展，機器學習將在未來改變經(jīng)濟學的研究方式，并對經(jīng)濟學的研究和發(fā)展產(chǎn)生深遠影響。

機器學習大致可以分為四類：有監(jiān)督機器學習、無監(jiān)督機器學習、半監(jiān)督機器學習和強化機器學習。有監(jiān)督機器學習主要解決預測問題，擁有輸入變量（自變量）和輸出變量（因變量），使用被標注過的樣本數(shù)據(jù)，通過學習特征與標簽值間的對應關系，構建最優(yōu)模型進行預測，常用方法包括回歸樹、支持向量機、神經(jīng)網(wǎng)絡等方法。無監(jiān)督學習主要解決聚類問題，只有輸入變量，沒有相關的輸出變量，通過樣本集合中的特征，來發(fā)現(xiàn)和識別出代表性特征，并對預測數(shù)據(jù)進行聚類，常用于視頻、圖像和文本數(shù)據(jù)領域。半監(jiān)督機器學習使用大量的未標記數(shù)據(jù)，以及同時使用標記數(shù)據(jù)，來進行模式識別，常用的包括協(xié)同訓練、轉向支持向量機等方法。強化機器學習主要應用到人工智能領域，它并不只是使用已知固定的數(shù)據(jù)進行訓練，而是通過大量試錯練習，尋找最佳路徑選擇。

機器學習在經(jīng)濟金融領域尚未大量展開，在部分領域進行了初步探索，還處于起步階段。在經(jīng)濟領域，Chalfin et al（2016）利用教師的知識水平、教學方式，以及學校教學評估的大量信息，用機器學習方法預測個人的勞動生產(chǎn)率。Peysakhovich & Naecker（2017）研究了人們在面對金融市場風險時的選擇行為，預測效果較為準確。在金融領域，大部分是對股票市場的預測。Gu et al（2018）使用美國3萬多只股票在1957-2016年間的數(shù)據(jù)來預測股票的未來收益，作者發(fā)現(xiàn)，在預測具有高流動性的股票或投資組合的未來收益時，機器學習方法比傳統(tǒng)的預測方法更加有效。在國內，孫存一（2017）以機器學習視角研究了利率定價機制，研究表明，大數(shù)據(jù)機器學習方法對相當時期的利率變動能夠精準地預測。景秋玉（2018）結合機器學習方法，基于PCA-SVM-GARCH模型建立股價預測模型，梁成（2018）基于小波核支持向量機回歸方法建立股指期貨價格預測模型，均取得較好預測效果。

本文將機器學習方法從股票高頻數(shù)據(jù)運用到存貸款低頻數(shù)據(jù)，是對人工智能技術在金融預測領域的創(chuàng)新性嘗試；同時與以往傳統(tǒng)方法相比，機器學習又具有諸多優(yōu)點，能夠自動搜尋符合預測要求的自變量最優(yōu)交互項組合，這是傳統(tǒng)方法無法做到的。

二、支持向量機學習方法

有監(jiān)督機器學習方法的出發(fā)點是構建一個損失函數(shù)，基于該損失函數(shù)，通過代入訓練數(shù)據(jù)來選擇最優(yōu)的預測模型，這與傳統(tǒng)最小二乘法類似。但與傳統(tǒng)計量經(jīng)濟學方法不同的是，比如在一般線性回歸模型框架下，機器學習算法能夠允許損失函數(shù)忽略掉模型輸入與真實輸出之間很小的偏差，也能自動搜尋自變量最優(yōu)交互項組合以滿足模型的更多需求。支持向量機方法是最常用的有監(jiān)督學習算法之一，在各個預測領域被廣泛應用，它有多方面的優(yōu)點：一是支持向量機使用結構風險最小化準則在特征空間尋找最優(yōu)分類超平面，模型通過二次型進行優(yōu)化，能夠獲得全局而不僅僅是局部最優(yōu)解。二是支持向量機是基于有限樣本求取有限信息下的最優(yōu)解，在處理小樣本問題也具有很好的效果。三是對于線性不可分問題，模型將低維空間數(shù)據(jù)變換為高維特征向量，通過非線性轉換將非線性問題轉變?yōu)楦呔S空間中的線性問題，然后在高維特征空間構造最優(yōu)分類超平面，很好地解決了高維數(shù)據(jù)的非線性分類問題。四是支持向量機模型中引入核函數(shù)理論，簡化高維空間中特征向量內積的計算，解決了在擴維引發(fā)的維數(shù)災難問題。

（一）支持向量機基本模型

（2）式即為支持向量機的基本型。為求解，通?？紤]其如下的對偶問題：

求解該式可得到最優(yōu)劃分超平面所對應的模型：

在求解過程中，要將樣本空間映射到更高維特征空間，可采用核函數(shù)升維，常用的核函數(shù)有線性核、多項式核、高斯核、拉普拉斯核、Sigmoid核等。

（二）改進的支持向量機回歸模型

傳統(tǒng)的支持向量機回歸模型只能通過影響因素預測當期數(shù)據(jù)，這并不能充分滿足我們的預測需求。我們對其加以改進，得到改進的支持向量機回歸模型，能夠通過截至期數(shù)據(jù)預測期之后的數(shù)據(jù)，從而達到預測目標。

支持向量機回歸模型與分類模型建?；舅悸芬恢?，但主要解決預測問題。這里，我們采用改進的支持向量機回歸方法。給定一個訓練集，其中，是輸入向量，表示第個觀測值，為輸出變量，通過期及之前的數(shù)據(jù)訓練得出期數(shù)據(jù)，即為預測下一期數(shù)據(jù)。采用方法對數(shù)據(jù)進行訓練學習，支持向量回歸基本優(yōu)化模型如下：

其對偶問題為：

三、預測模型設計和實證分析

（一）預測模型設計

在實體經(jīng)濟金融運行過程中，影響存貸款的因素有很多，從宏觀上看，既受實體經(jīng)濟運行大環(huán)境的影響，也受國家宏觀政策和監(jiān)管政策的指導；從中觀上看，既受金融市場直接融資的影響，也受房地產(chǎn)等行業(yè)發(fā)展階段的影響；微觀上看，既受住戶的消費等個人因素影響，也受企業(yè)自身發(fā)展有效需求的制約。根據(jù)數(shù)據(jù)有效性和可獲得性，選取10個指標作為影響存貸款的主要因素，并且采用月度數(shù)據(jù)進行訓練。其中，由于GDP通常是季度數(shù)據(jù)，采用工業(yè)增加值月度同比數(shù)據(jù)替代，反映實體經(jīng)濟大環(huán)境的基本面情況；M2同比增速、人民幣存款準備金率、短期貸款利率主要反映貨幣政策和貨幣環(huán)境，可部分反映貨幣供給端和需求端的情況，為更直接反映利率對貸款的影響，選取6個月至1年(含)短期貸款利率；股票流通市值、債券市場托管余額可部分反映金融市場對資金的吸引程度，以及直接融資等基本情況；CPI同比增速、70個大中城市新建商品住宅價格指數(shù)同比增速反映普通物價消費情況和房地產(chǎn)市場的冷熱程度；定期存款利率：1年，反映單位和個人存款的獲利程度；外匯儲備，外匯占款會部分在存款中體現(xiàn)（表1）。在存款預測中，影響的主要因素包括序號為1-3，5-10共9個指標；貸款預測中，影響的主要因素包括序號為1-8共8個指標。

表1 影響存貸款的主要因素

（二）實證結果分析

本文采用2015年以來的全國存貸款等公開數(shù)據(jù)進行模擬訓練和實證分析，選擇高斯核函數(shù)，通過對已有截至期的存貸款余額數(shù)據(jù)，對往后期的存貸款余額進行預測，實證中期為2019年2月末，整個實證在python3.7和keras環(huán)境下實現(xiàn)。參數(shù)選擇及實證結果見表2、表3、表4。

從實證結果看，各期預測結果很好，預測值和實際值的絕對誤差較小，相對于各項存款和各項貸款分別約190萬億和150萬億的體量來說，各項絕對誤差相當小，各項存款和各項貸款平均絕對誤差分別為4393億元和3772億元，相對誤差幾乎全部在0.5%以內，有的甚至小于0.1%，各項存款和各項貸款的平均相對誤差也分別僅為0.23%和0.25%?？梢钥闯觯覀兊念A測結果很好地反映了真實情況，具有很強的預測能力，預測值完全可以作為經(jīng)濟金融分析工作的一項重要參考，具有重要的前瞻性指引和實踐指導意義。

表2 預測中參數(shù)值

表3 2019年各項存款預測結果表 單位：億元

表4 2019年各項貸款預測結果表 單位：億元

四、結論

傳統(tǒng)時間序列模型僅從自身歷史數(shù)據(jù)出發(fā)，沒有考慮到宏觀經(jīng)濟與政策等因素影響，導致預測結果出現(xiàn)一定偏差，而一般回歸模型又較難刻畫影響因素之間復雜的內在邏輯關系，傳統(tǒng)的支持向量機回歸模型也只能預測當期數(shù)據(jù)而不能實現(xiàn)“真正”的預測目標。我們通過改進傳統(tǒng)支持向量機回歸模型，在機器學習中創(chuàng)造性的實現(xiàn)了用期數(shù)據(jù)對期數(shù)據(jù)的預測，實證結果顯示，預測結果精度高，預測值的絕對誤差和相對誤差都相當小，能夠滿足各方對金融統(tǒng)計數(shù)據(jù)的前瞻性需求。