李辰穎

一、 引言

金融危機(jī)讓人們意識(shí)到風(fēng)險(xiǎn)的全球性和系統(tǒng)性，風(fēng)險(xiǎn)的傳播是牽一發(fā)而動(dòng)全身。近年來(lái)，金融系統(tǒng)仍然處于風(fēng)險(xiǎn)易發(fā)、多發(fā)期，多種不健康現(xiàn)象和不確定因素(例如國(guó)際國(guó)內(nèi)經(jīng)濟(jì)政策的動(dòng)態(tài)調(diào)整、金融機(jī)構(gòu)內(nèi)控機(jī)制的不健全、違法違規(guī)金融行為時(shí)有發(fā)生等)都可能對(duì)金融體系造成沖擊，導(dǎo)致金融發(fā)展環(huán)境不穩(wěn)定。金融風(fēng)險(xiǎn)具有傳染性和突發(fā)性，且其在經(jīng)濟(jì)中具有核心地位，一旦產(chǎn)生系統(tǒng)性金融風(fēng)險(xiǎn)，就會(huì)嚴(yán)重影響經(jīng)濟(jì)社會(huì)發(fā)展，危害性極強(qiáng)。因此，防范威脅金融系統(tǒng)穩(wěn)定的“黑天鵝”和“灰犀牛”事件具有重要意義。習(xí)近平主席強(qiáng)調(diào)，金融安全是國(guó)家安全的重要組成部分，準(zhǔn)確判斷風(fēng)險(xiǎn)隱患是保障金融安全的前提。黨的十九大明確提出將防范化解系統(tǒng)性金融風(fēng)險(xiǎn)作為三大攻堅(jiān)戰(zhàn)的首要任務(wù)。

銀行業(yè)作為我國(guó)金融系統(tǒng)中至關(guān)重要的子系統(tǒng)，其資產(chǎn)規(guī)模占金融資產(chǎn)總量的80%以上，在經(jīng)濟(jì)改革與發(fā)展中具有舉足輕重的地位。在經(jīng)濟(jì)環(huán)境不穩(wěn)定、銀行不良資產(chǎn)反彈壓力較大的情況下，銀行業(yè)運(yùn)作與發(fā)展面臨的隱患也隨之?dāng)U大。如何使銀行在動(dòng)態(tài)變化的環(huán)境中及時(shí)準(zhǔn)確地識(shí)別風(fēng)險(xiǎn)因素，并盡早做出應(yīng)對(duì)之策，從而降低風(fēng)險(xiǎn)帶來(lái)的損失與影響，是保證銀行系統(tǒng)穩(wěn)定運(yùn)行的關(guān)鍵所在。因此，從我國(guó)宏觀環(huán)境與銀行系統(tǒng)的實(shí)際出發(fā)，選取一套行之有效的銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，并構(gòu)建預(yù)警模型，是輔助銀行識(shí)別風(fēng)險(xiǎn)，提高事前防范能力，加強(qiáng)事中控制水平，強(qiáng)化事后反饋機(jī)制的重要手段。只有做到了對(duì)系統(tǒng)性風(fēng)險(xiǎn)的防范與控制，才能保障銀行系統(tǒng)穩(wěn)健運(yùn)行，進(jìn)而為金融系統(tǒng)的安全與穩(wěn)定奠定基礎(chǔ)。

本文的結(jié)構(gòu)安排為：首先回顧了銀行系統(tǒng)性風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)和評(píng)價(jià)方法，并進(jìn)行總結(jié)與述評(píng)，得出進(jìn)一步研究的方向。其次，在總結(jié)文獻(xiàn)并結(jié)合本文研究?jī)?nèi)容的基礎(chǔ)上，構(gòu)建銀行系統(tǒng)性風(fēng)險(xiǎn)度量指標(biāo)體系，采用方差閾值法對(duì)指標(biāo)進(jìn)行初步篩選，并提出了基于孤立森林法的指標(biāo)選取方法，進(jìn)一步篩選指標(biāo)，其目的是對(duì)指標(biāo)進(jìn)行降維，篩選出與銀行系統(tǒng)性風(fēng)險(xiǎn)相關(guān)度高的指標(biāo)，為銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別奠定基礎(chǔ)。再次，通過(guò)多種異常檢測(cè)算法相結(jié)合的方法，構(gòu)建銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別模型，對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行識(shí)別。接著，采用DeepAR模型分別預(yù)測(cè)入選指標(biāo)，構(gòu)建銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警模型。最后，對(duì)本文研究進(jìn)行總結(jié)，并得出結(jié)論及給出建議。

本文研究?jī)?nèi)容與其他研究的主要區(qū)別有：(1)在銀行系統(tǒng)性風(fēng)險(xiǎn)度量指標(biāo)的選取上完全以數(shù)據(jù)為驅(qū)動(dòng)，避免了人為主觀因素的干擾，在指標(biāo)篩選中提出了一種基于隨機(jī)森林法的適用于無(wú)監(jiān)督學(xué)習(xí)的指標(biāo)篩選方法；(2)采用Soft-DTW來(lái)度量銀行股票回報(bào)率相似度，間接衡量銀行系統(tǒng)傳染性，該方法可以在不關(guān)注時(shí)間序列先后關(guān)系及是否存在壓縮的情況下，獲取兩條時(shí)間序列的最佳匹配路徑，非常適合銀行回報(bào)率的相關(guān)性度量；(3)在銀行系統(tǒng)性風(fēng)險(xiǎn)的度量上，提出了多種異常檢測(cè)算法相結(jié)合的風(fēng)險(xiǎn)識(shí)別方法，避免了指標(biāo)結(jié)合過(guò)程中給指標(biāo)權(quán)重賦值這一難點(diǎn)；(4)在 指標(biāo)的預(yù)測(cè)中，將指標(biāo)看做時(shí)間序列，采用了DeepAR對(duì)指標(biāo)進(jìn)行預(yù)測(cè)，不但避免了預(yù)測(cè)指標(biāo)時(shí)對(duì)其他數(shù)據(jù)的收集，而且相較其他方法提高了預(yù)測(cè)精度。

二、 文獻(xiàn)綜述

(一) 銀行系統(tǒng)性風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)

由于金融系統(tǒng)安全與穩(wěn)定的重要性，以及其影響因素的復(fù)雜性，國(guó)內(nèi)外政府機(jī)構(gòu)和一些學(xué)者均針對(duì)這一問(wèn)題進(jìn)行了研究，下面分別對(duì)政府機(jī)構(gòu)與學(xué)者構(gòu)建的銀行風(fēng)險(xiǎn)評(píng)價(jià)或預(yù)警指標(biāo)體系進(jìn)行回顧。

政府機(jī)構(gòu)的預(yù)警指標(biāo)體系具有代表性的是美國(guó)金融管理當(dāng)局的CAMELs評(píng)級(jí)體系，該體系是對(duì)商業(yè)銀行的業(yè)務(wù)經(jīng)營(yíng)、信用狀況等制定的綜合等級(jí)評(píng)定制度，從資本充足率(Capital adequacy)、資產(chǎn)質(zhì)量(Asset quality)、管理水平(Management ability)、盈利狀況(Earning performance)和流動(dòng)性(Liquidity)5個(gè)方面來(lái)評(píng)價(jià)商業(yè)銀行風(fēng)險(xiǎn)。CAMELs評(píng)價(jià)方法因其有效性被世界上大多數(shù)國(guó)家所采用。目前國(guó)際上對(duì)商業(yè)銀行評(píng)價(jià)基本與CAMELs評(píng)級(jí)體系一致，也主要包括這5個(gè)方面。

我國(guó)銀監(jiān)會(huì)結(jié)合我國(guó)經(jīng)濟(jì)、金融環(huán)境的特點(diǎn)，制定了更具體的“CARPALs”監(jiān)管體系，該體系包括7方面，加上有限自由裁量，共計(jì)8個(gè)方面：資本充足性、撥備覆蓋、貸款質(zhì)量、大額風(fēng)險(xiǎn)集中度、附屬機(jī)構(gòu)、流動(dòng)性和案件防控。與CAMELs體系相比，CARPALs同樣重視資本充足率、資產(chǎn)質(zhì)量和流動(dòng)性，在此基礎(chǔ)上監(jiān)管指標(biāo)對(duì)集中度風(fēng)險(xiǎn)、操作風(fēng)險(xiǎn)均有所體現(xiàn)，強(qiáng)化了對(duì)大型銀行集團(tuán)跨境、跨業(yè)風(fēng)險(xiǎn)的并表監(jiān)管。

在CAMELs評(píng)級(jí)體系的基礎(chǔ)上，學(xué)者們也開(kāi)展了具體的研究。Kaminsky和Reinhart(2000)[1]研究發(fā)現(xiàn)銀行危機(jī)爆發(fā)的影響因素包括匯率、利率、債券價(jià)格、貨幣乘數(shù)以及實(shí)體經(jīng)濟(jì)發(fā)展情況。Demirgü?-Kunt和Detragiache(2002)[2]從宏觀經(jīng)濟(jì)、制度環(huán)境、金融體系三個(gè)方面構(gòu)建了影響銀行安全的指標(biāo)體系。宏觀經(jīng)濟(jì)層面考慮了GDP增長(zhǎng)、利率、通貨膨脹率、貨幣政策等；金融體系因素有M2(廣義貨幣)、外匯儲(chǔ)備率、公共部門(mén)信貸規(guī)模等；制度環(huán)境因素是經(jīng)濟(jì)發(fā)展水平。

我國(guó)學(xué)者孫強(qiáng)和崔光華(2017)[3]、劉松林等(2018)[4]、趙丹丹和丁建臣(2019)[5]同樣是從這三個(gè)方面選擇了預(yù)警指標(biāo)，如反映宏觀經(jīng)濟(jì)環(huán)境的國(guó)民生產(chǎn)總值增長(zhǎng)率、居民消費(fèi)價(jià)格指數(shù)增長(zhǎng)率和廣義貨幣增長(zhǎng)率等；反映微觀銀行經(jīng)營(yíng)狀況的資本充足率、不良貸款率、撥備覆蓋率、存貸比、凈資產(chǎn)收益率和資產(chǎn)負(fù)債率等；在此基礎(chǔ)上均考慮了行業(yè)沖擊，用固定資產(chǎn)投資額增長(zhǎng)率、房地產(chǎn)投資增長(zhǎng)率、國(guó)房景氣指數(shù)來(lái)衡量。孫強(qiáng)和崔光華(2017)[3]還增加了銀行間同業(yè)拆借利率，趙丹丹和丁建臣(2019)[5]增加了國(guó)際經(jīng)濟(jì)環(huán)境指標(biāo)，包括經(jīng)常賬戶(hù)差額/GDP、外匯儲(chǔ)備增長(zhǎng)率、進(jìn)出口額增長(zhǎng)率等。

除了上述研究普遍采用的宏微觀指標(biāo)外，還有學(xué)者將指標(biāo)選取重點(diǎn)放在上市銀行的股市收益率，通過(guò)上市銀行在股市上的表現(xiàn)來(lái)預(yù)測(cè)銀行系統(tǒng)性風(fēng)險(xiǎn)，例如肖璞等(2012)[6]、陳忠陽(yáng)和劉志洋(2013)[7]、田海山等(2017)[8]、蔣海和張錦意(2018)[9]、吳敏靈(2018)[10]則主要利用上市銀行微觀數(shù)據(jù)來(lái)度量銀行系統(tǒng)性風(fēng)險(xiǎn)，選取了銀行系統(tǒng)收益率、股市收益率、股市波動(dòng)率等指標(biāo)，在此基礎(chǔ)上加入了一些銀行特征數(shù)據(jù)，如銀行的杠桿率、規(guī)模，同時(shí)也考慮了宏觀經(jīng)濟(jì)GDP增長(zhǎng)率、國(guó)房景氣指數(shù)等。Patro等(2013)[11]利用金融機(jī)構(gòu)的股票收益率相關(guān)性和CDS的違約率相關(guān)性來(lái)衡量系統(tǒng)性風(fēng)險(xiǎn)。高國(guó)華和潘英麗(2013)[12]、王琳和沈沛龍(2017)[13]、毛昌梅等(2020)[14]利用上市銀行收益率兩兩間的時(shí)變相關(guān)系數(shù)構(gòu)建了銀行體系風(fēng)險(xiǎn)聯(lián)動(dòng)的預(yù)警指標(biāo)。

此外，還有研究從風(fēng)險(xiǎn)角度選取指標(biāo)。陸靜和王捷(2012)[15]依據(jù)巴塞爾協(xié)議從銀行面臨的信用風(fēng)險(xiǎn)、市場(chǎng)風(fēng)險(xiǎn)、操作風(fēng)險(xiǎn)、流動(dòng)性風(fēng)險(xiǎn)四個(gè)方面逐層去尋找關(guān)鍵風(fēng)險(xiǎn)的誘因指標(biāo)，指標(biāo)中包含了宏觀經(jīng)濟(jì)指標(biāo)，也包括了具體的銀行操作指標(biāo)。汪冬華等(2013)[16]基于銀行面臨的信用風(fēng)險(xiǎn)、市場(chǎng)風(fēng)險(xiǎn)、操作風(fēng)險(xiǎn)，選取了上市商業(yè)銀行的財(cái)務(wù)數(shù)據(jù)和金融市場(chǎng)公開(kāi)數(shù)據(jù)來(lái)研究銀行系統(tǒng)性風(fēng)險(xiǎn)。方意(2016)[17]通過(guò)構(gòu)建銀行資產(chǎn)負(fù)債表直接關(guān)聯(lián)網(wǎng)絡(luò)模型，計(jì)算了銀行脆弱性和傳染性指標(biāo)，研究了銀行系統(tǒng)性風(fēng)險(xiǎn)的四種傳染渠道以及各渠道對(duì)風(fēng)險(xiǎn)影響程度的差異，并得出“常態(tài)”系統(tǒng)性風(fēng)險(xiǎn)由杠桿率驅(qū)動(dòng)，而“危機(jī)”系統(tǒng)性風(fēng)險(xiǎn)由銀行關(guān)聯(lián)性驅(qū)動(dòng)。吳念魯?shù)?2017)[18]在利用銀行同業(yè)數(shù)據(jù)建立銀行同業(yè)網(wǎng)絡(luò)的基礎(chǔ)上構(gòu)建銀行機(jī)構(gòu)網(wǎng)絡(luò)模擬模型，研究不同沖擊下銀行同業(yè)間流動(dòng)性風(fēng)險(xiǎn)的傳染機(jī)制和后果。趙越和韓永輝(2016)[19]在研究流動(dòng)性風(fēng)險(xiǎn)和傳染性風(fēng)險(xiǎn)時(shí)采用銀行兩兩之間的同業(yè)交易頭寸，構(gòu)建風(fēng)險(xiǎn)頭寸矩陣。吳衛(wèi)星等(2016)[20]采用銀行流動(dòng)資產(chǎn)總量與同業(yè)存款之比來(lái)作為衡量流動(dòng)性風(fēng)險(xiǎn)的指標(biāo)，用CoVaR 度量銀行間風(fēng)險(xiǎn)溢出效應(yīng)。

通過(guò)上述銀行系統(tǒng)性風(fēng)險(xiǎn)指標(biāo)的總結(jié)可以得出，評(píng)價(jià)指標(biāo)可以大致分為三類(lèi)：第一類(lèi)是從宏觀經(jīng)濟(jì)環(huán)境、微觀銀行財(cái)務(wù)數(shù)據(jù)來(lái)選取指標(biāo)；第二類(lèi)是側(cè)重通過(guò)反映銀行業(yè)在股市上表現(xiàn)的指標(biāo)來(lái)預(yù)測(cè)風(fēng)險(xiǎn)；第三類(lèi)是從銀行面臨的風(fēng)險(xiǎn)出發(fā)逐層尋找誘因指標(biāo)。

(二) 銀行系統(tǒng)性風(fēng)險(xiǎn)評(píng)價(jià)方法

針對(duì)這三類(lèi)評(píng)價(jià)指標(biāo)，評(píng)價(jià)方法也可以歸為三大類(lèi)。

第一類(lèi)從宏觀經(jīng)濟(jì)環(huán)境、微觀銀行財(cái)務(wù)數(shù)據(jù)來(lái)選取指標(biāo)預(yù)測(cè)風(fēng)險(xiǎn)，最關(guān)鍵的問(wèn)題是如何確定權(quán)重以及如何找到核心指標(biāo)。劉松林等(2018)[4]采用變異系數(shù)法、熵值法和拉開(kāi)檔次法進(jìn)行賦權(quán)，然后采用相對(duì)熵法對(duì)三種方法求出的權(quán)重進(jìn)行綜合賦權(quán)，確定商業(yè)銀行預(yù)警指標(biāo)的權(quán)重。楊霞和吳林(2015)[21]、謝賢芬和王斌會(huì)(2017)[22]運(yùn)用主成分分析法進(jìn)行賦權(quán)，構(gòu)建了銀行宏觀安全狀態(tài)指數(shù)，然后建立Logit模型識(shí)別預(yù)警銀行宏觀安全狀態(tài)的關(guān)鍵性指標(biāo)。孫強(qiáng)和崔光華(2017)[3]采用FR概率模型構(gòu)建了我國(guó)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)壓力指數(shù)。Li等(2013)[23]、趙丹丹和丁建臣(2019)[5]采用支持向量機(jī)(SVM)和核主成分分析法構(gòu)建了中國(guó)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)預(yù)警模型。

第二類(lèi)主要是基于股票收益指標(biāo)來(lái)建立預(yù)警模型，主要的方法有條件在險(xiǎn)價(jià)值法(CoVaR)、系統(tǒng)性期望損失(SES)、DIP(Distress Insurance Premium)和Shapley Value。Adrian和Brunnermeier(2016)[24]提出的ΔCoVaR是具有代表性的系統(tǒng)性風(fēng)險(xiǎn)測(cè)度方法，該方法以銀行處于危機(jī)或正常狀態(tài)下的CoVaR之差作為其所承擔(dān)的系統(tǒng)性風(fēng)險(xiǎn)度量。肖璞等(2012)[6]、陳忠陽(yáng)和劉志洋(2013)[7]采用CoVaR方法，運(yùn)用我國(guó)上市商業(yè)銀行的股票收益率數(shù)據(jù)，對(duì)我國(guó)上市銀行的系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行了評(píng)價(jià)。田海山等(2017)[8]結(jié)合廣義雙曲線分布族與Copula函數(shù)擴(kuò)展系統(tǒng)性風(fēng)險(xiǎn)測(cè)度CoVaR的方法，并用該方法對(duì)我國(guó)商業(yè)銀行系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行了測(cè)度。

Acharya等(2017)[25]提出的SES(Systemic Expected Shortfall)將整個(gè)金融系統(tǒng)資本不足時(shí)，某一單個(gè)銀行的預(yù)期資本短缺定義為該銀行的SES，并將其作為對(duì)系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)，用每日邊際期望損失(Marginal Expected Shortfall,MES)表示某一單個(gè)銀行對(duì)金融系統(tǒng)ES(Expected Shortfall)的邊際貢獻(xiàn)。吳敏靈(2018)[10]首先估算了上市銀行MES，然后利用MES的可加性，以每家銀行的月度總資產(chǎn)賬面價(jià)值的份額為權(quán)重，對(duì)各銀行月度平均MES進(jìn)行加權(quán)平均，計(jì)算出總邊際期望損失，對(duì)銀行整體系統(tǒng)性風(fēng)險(xiǎn)預(yù)警。

高國(guó)華和潘英麗(2013)[12]采用多元GARCH-BEKK測(cè)算銀行收益率的動(dòng)態(tài)相關(guān)系數(shù)，應(yīng)用Markov區(qū)制轉(zhuǎn)換模型來(lái)識(shí)別和判斷銀行系統(tǒng)性風(fēng)險(xiǎn)狀態(tài)。王琳和沈沛龍(2017)[13]利用DCC-GARCH測(cè)算上市銀行收益率兩兩間的時(shí)變相關(guān)系數(shù)，研究了銀行間的風(fēng)險(xiǎn)聯(lián)動(dòng)關(guān)系。毛昌梅等(2020)[14]采用多元GARCH-BEKK構(gòu)建波動(dòng)溢出網(wǎng)絡(luò)，并通過(guò)分析網(wǎng)絡(luò)拓?fù)渲笜?biāo)研究了銀行網(wǎng)絡(luò)的溢出效應(yīng)。

第三類(lèi)是基于銀行面臨的風(fēng)險(xiǎn)選取指標(biāo)進(jìn)行評(píng)價(jià)。相應(yīng)的風(fēng)險(xiǎn)度量方法包括：陸靜和王捷(2012)[15]通過(guò)構(gòu)建商業(yè)銀行風(fēng)險(xiǎn)的拓?fù)浣Y(jié)構(gòu)，度量了各類(lèi)指標(biāo)對(duì)全面風(fēng)險(xiǎn)的貢獻(xiàn)。汪冬華等(2013)[16]采用風(fēng)險(xiǎn)因子模型來(lái)構(gòu)建市場(chǎng)和信用風(fēng)險(xiǎn)敞口回報(bào)的邊際分布，用損失分布法來(lái)構(gòu)建操作風(fēng)險(xiǎn)敞口回報(bào)邊際分布，然后基于Copula理論的整體風(fēng)險(xiǎn)度量法，度量我國(guó)商業(yè)銀行整體風(fēng)險(xiǎn)。李楠等(2014)[26]在度量商業(yè)銀行的市場(chǎng)風(fēng)險(xiǎn)時(shí)提出了基于組合權(quán)重偽似然函數(shù)的半?yún)?shù)方法。戴麗娜(2017)[27]基于非參數(shù)方法估計(jì)了商業(yè)銀行操作風(fēng)險(xiǎn)。方意(2016)[17]、吳念魯?shù)?2017)[18]通過(guò)構(gòu)建基于銀行資產(chǎn)負(fù)債表的關(guān)聯(lián)網(wǎng)絡(luò)模型研究了系統(tǒng)性風(fēng)險(xiǎn)的傳染渠道和后果。

(三) 文獻(xiàn)評(píng)述

通過(guò)對(duì)現(xiàn)有文獻(xiàn)中銀行系統(tǒng)性風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)及評(píng)價(jià)方法的回顧與總結(jié)，發(fā)現(xiàn)評(píng)價(jià)指標(biāo)主要有三種類(lèi)型。第一類(lèi)是從宏觀經(jīng)濟(jì)環(huán)境、微觀銀行財(cái)務(wù)數(shù)據(jù)去尋找指標(biāo)；第二類(lèi)是從銀行的市場(chǎng)表現(xiàn)上尋找指標(biāo)；第三類(lèi)是從銀行面臨的風(fēng)險(xiǎn)誘因中尋找指標(biāo)。這三類(lèi)指標(biāo)各有優(yōu)劣。第一類(lèi)指標(biāo)涉及的方面眾多，優(yōu)點(diǎn)是可以從多方面、多角度去識(shí)別引發(fā)風(fēng)險(xiǎn)的因素，但缺點(diǎn)是指標(biāo)眾多時(shí)很難及時(shí)識(shí)別風(fēng)險(xiǎn)。第二類(lèi)指標(biāo)重點(diǎn)依賴(lài)于銀行的市場(chǎng)表現(xiàn)，優(yōu)點(diǎn)是市場(chǎng)指標(biāo)更新較快，可以及時(shí)發(fā)現(xiàn)風(fēng)險(xiǎn)，但缺點(diǎn)是市場(chǎng)表現(xiàn)會(huì)受到眾多因素的干擾，可能并不源于銀行自身的風(fēng)險(xiǎn)。第三類(lèi)指標(biāo)直接從銀行面臨的各類(lèi)風(fēng)險(xiǎn)著手，層層分解地尋找指標(biāo)，優(yōu)點(diǎn)是識(shí)別出的風(fēng)險(xiǎn)因素更具體、更直接，但缺點(diǎn)是這樣的風(fēng)險(xiǎn)識(shí)別方式更適合于事后的原因分析，而對(duì)于風(fēng)險(xiǎn)預(yù)測(cè)則較不適用。不適用的原因有兩點(diǎn)：一是某一因素出現(xiàn)問(wèn)題可能并不會(huì)引發(fā)系統(tǒng)性風(fēng)險(xiǎn)；二是要隨時(shí)去識(shí)別與關(guān)注這些細(xì)小因素的變動(dòng)不符合成本效益原則。

關(guān)于方法的選擇，則是根據(jù)評(píng)價(jià)指標(biāo)的不同，適用的評(píng)價(jià)方法也不同。針對(duì)第一類(lèi)指標(biāo)常用的方法有信號(hào)分析模型、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、熵值法和主成分分析法等；第二類(lèi)指標(biāo)常用方法有條件在險(xiǎn)價(jià)值法、系統(tǒng)性期望損失、DIP、Shapley Value和GARCH-BEKK等；第三類(lèi)指標(biāo)常用方法有貝葉斯網(wǎng)絡(luò)、風(fēng)險(xiǎn)因子模型、資產(chǎn)負(fù)債表的關(guān)聯(lián)網(wǎng)絡(luò)模型和損失分布法等。

通過(guò)文獻(xiàn)回顧與總結(jié)，結(jié)合本文研究目的，銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警主要需要解決三個(gè)方面的問(wèn)題：一是采用哪些指標(biāo)來(lái)度量銀行系統(tǒng)性風(fēng)險(xiǎn)；二是如何識(shí)別銀行業(yè)是否有風(fēng)險(xiǎn)；三是采用什么方法對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行預(yù)警。對(duì)于第一個(gè)問(wèn)題，風(fēng)險(xiǎn)預(yù)警指標(biāo)不一定是越多越好，指標(biāo)越多越不具有預(yù)警性，只有把握關(guān)鍵性指標(biāo)，才能使預(yù)警具有可行性、符合成本效益原則、及時(shí)有效，因此在綜合考慮三類(lèi)指標(biāo)優(yōu)缺點(diǎn)的基礎(chǔ)上，首先選擇將第一類(lèi)和第二類(lèi)指標(biāo)融合，然后利用適用于指標(biāo)降維的方差閾值法初步篩選指標(biāo)，接著提出了基于孤立森林法的指標(biāo)篩選方法，進(jìn)一步篩選出與系統(tǒng)性風(fēng)險(xiǎn)具有密切關(guān)系的指標(biāo)。對(duì)于第二個(gè)問(wèn)題，首先采用局部線性嵌入法(Locally Linear Embedding,LLE)[28]對(duì)指標(biāo)進(jìn)行降維，然后提出了基于角度的離群點(diǎn)檢測(cè)法(Angle-based Outlier Detector,ABOD)[29]、孤立森林(Isolation Forest,IF)[30][31]和局部異常因子法(Local Outlier Factor,LOF)[32]相結(jié)合的銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別模型。對(duì)于第三個(gè)問(wèn)題，把度量指標(biāo)看作時(shí)間序列，采用DeepAR[33]方法基于歷史數(shù)據(jù)對(duì)未來(lái)數(shù)據(jù)進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果作為銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別模型的輸入，對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行預(yù)警。下面就這三方面問(wèn)題分別進(jìn)行闡述。

三、 構(gòu)建銀行系統(tǒng)性風(fēng)險(xiǎn)度量指標(biāo)

(一) 銀行系統(tǒng)性風(fēng)險(xiǎn)度量指標(biāo)的提出

在銀行系統(tǒng)層面，通過(guò)分析具有權(quán)威性的銀行系統(tǒng)性風(fēng)險(xiǎn)評(píng)價(jià)體系“CAMELs”，并結(jié)合我國(guó)銀監(jiān)會(huì)的“CARPALs”監(jiān)管體系，可以得出，對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)的度量應(yīng)涵蓋銀行資本充足性、資產(chǎn)質(zhì)量、盈利情況、流動(dòng)性和對(duì)風(fēng)險(xiǎn)的抵抗能力等方面。因此，本文在選擇評(píng)價(jià)指標(biāo)的時(shí)候也盡量涵蓋這些方面。在參照前人研究的基礎(chǔ)上從宏觀經(jīng)濟(jì)和銀行系統(tǒng)兩個(gè)層面進(jìn)行了指標(biāo)選取。

1.宏觀經(jīng)濟(jì)指標(biāo)的選取。

在宏觀經(jīng)濟(jì)層面，總結(jié)已有文獻(xiàn)并結(jié)合本文的研究?jī)?nèi)容進(jìn)行指標(biāo)選取。銀行業(yè)的收入主要來(lái)源于利息收入、中間業(yè)務(wù)收費(fèi)和投資收益等等，國(guó)家經(jīng)濟(jì)狀況、各行各業(yè)的經(jīng)營(yíng)狀況、國(guó)民收入及消費(fèi)水平等都會(huì)影響銀行業(yè)的經(jīng)營(yíng)狀況，因此選取反映國(guó)家整體經(jīng)濟(jì)狀況的GDP增長(zhǎng)率、反映工業(yè)企業(yè)和銀行業(yè)經(jīng)營(yíng)狀態(tài)和發(fā)展趨勢(shì)的景氣指數(shù)及企業(yè)家和銀行家信心指數(shù)、反映市場(chǎng)變動(dòng)情況的中采制造業(yè)采購(gòu)經(jīng)理指數(shù)、反映房地產(chǎn)業(yè)發(fā)展變化趨勢(shì)和變化程度的國(guó)房景氣指數(shù)、反映民眾消費(fèi)情況的居民消費(fèi)價(jià)格同比漲跌幅及消費(fèi)者預(yù)期指數(shù)。

2.銀行系統(tǒng)指標(biāo)的選取。

銀行系統(tǒng)方面，主要從商業(yè)銀行的財(cái)務(wù)數(shù)據(jù)和市場(chǎng)數(shù)據(jù)兩個(gè)方面選取指標(biāo)。指標(biāo)大部分都有公認(rèn)的計(jì)算方法，因此只介紹指標(biāo)的選取，只有銀行股票回報(bào)相關(guān)性屬于復(fù)雜合成指標(biāo)，單獨(dú)介紹其計(jì)算方法。

(1)銀行財(cái)務(wù)數(shù)據(jù)指標(biāo)。

參照楊霞和吳林(2015)[21]、孫強(qiáng)和崔光華(2017)[3]、劉松林等(2018)[4]、趙丹丹和丁建臣(2019)[5]、胡歷芳和劉紀(jì)鵬(2019)[34]的研究，從銀行的財(cái)務(wù)表現(xiàn)，選取了反映資本充足性的資本充足率、反映銀行業(yè)市場(chǎng)資金價(jià)格和狀態(tài)的銀行間同業(yè)拆借利率、反映風(fēng)險(xiǎn)抵抗能力的撥備覆蓋率、反映資產(chǎn)質(zhì)量的不良貸款率、反映收益能力的資產(chǎn)利潤(rùn)率與資本利潤(rùn)率、反映流動(dòng)性的流動(dòng)性比例。

考慮到由于銀行同業(yè)業(yè)務(wù)而形成的銀行關(guān)聯(lián)性，進(jìn)而引發(fā)銀行之間的傳染性，參照方意(2016)[17]、趙越和韓永輝(2016)[19]、吳念魯?shù)?2017)[18]的研究，選擇反映銀行間關(guān)聯(lián)性的同業(yè)負(fù)債關(guān)聯(lián)度指標(biāo)，該指標(biāo)是銀行負(fù)債中的同業(yè)負(fù)債與總資產(chǎn)的比值。首先選取上市銀行季度報(bào)告數(shù)據(jù)，計(jì)算單家銀行的同業(yè)負(fù)債與總資產(chǎn)的比值，然后求取當(dāng)季度所有銀行該比值的平均值，最后采用線性插值法轉(zhuǎn)化為月度數(shù)據(jù)。該指標(biāo)的值越大表明銀行之間的關(guān)聯(lián)度越高，同時(shí)從系統(tǒng)整體來(lái)看，該值越大說(shuō)明流動(dòng)性缺口也越大。

(2)銀行市場(chǎng)數(shù)據(jù)指標(biāo)。

從銀行的市場(chǎng)表現(xiàn)選取評(píng)價(jià)風(fēng)險(xiǎn)的指標(biāo)，通過(guò)收益率及波動(dòng)率等來(lái)度量銀行的市場(chǎng)表現(xiàn)，但由于單個(gè)企業(yè)的日數(shù)據(jù)不適合與宏觀經(jīng)濟(jì)指標(biāo)以及銀行系統(tǒng)的其他指標(biāo)進(jìn)行結(jié)合研究，因此選用可以反映商業(yè)銀行整體市場(chǎng)表現(xiàn)的月度數(shù)據(jù)——中證銀行指數(shù)的月度收益率來(lái)與其他指標(biāo)結(jié)合研究。

由于傳染性是系統(tǒng)性風(fēng)險(xiǎn)產(chǎn)生的重要原因，因此單獨(dú)選取衡量銀行傳染性的指標(biāo)。當(dāng)一家銀行遭遇危機(jī)，由于銀行間的關(guān)聯(lián)性，危機(jī)會(huì)傳染給系統(tǒng)中的其他銀行，通過(guò)市場(chǎng)股價(jià)數(shù)據(jù)可以推導(dǎo)投資者對(duì)于銀行的風(fēng)險(xiǎn)預(yù)期，這種沖擊的速度和程度最終會(huì)體現(xiàn)為各家銀行收益回報(bào)的同向變動(dòng)。參照Patro等(2013)[11]、高國(guó)華和潘英麗(2013)[12]、王琳和沈沛龍(2017)[13]、毛昌梅等(2020)[14]的研究，采用上市銀行股票收益率的相關(guān)性衡量銀行系統(tǒng)傳染性(指標(biāo)命名為銀行股票回報(bào)相關(guān)性)。

在對(duì)銀行傳染性風(fēng)險(xiǎn)指標(biāo)選取及度量方法文獻(xiàn)總結(jié)與分析的基礎(chǔ)上，提出了選用銀行股票回報(bào)率數(shù)據(jù)，采用Soft-DTW[35]來(lái)度量銀行股票回報(bào)率相似度，間接衡量銀行系統(tǒng)傳染性的方法。由于該指標(biāo)屬于復(fù)雜合成指標(biāo)，下面單獨(dú)對(duì)其生成過(guò)程進(jìn)行介紹：

第一步是指標(biāo)特征分析。銀行回報(bào)率存在如下特征：(1)某一事件的沖擊，可能影響某些銀行的回報(bào)率，而如果事件持續(xù)作用或由于銀行間的傳導(dǎo)作用，則可能影響其他銀行，也即其時(shí)間存在先后關(guān)系；(2)事件的沖擊對(duì)某些銀行回報(bào)率影響大，而有些影響弱，即幅值存在大小問(wèn)題；(3)事件的沖擊對(duì)某些銀行的影響時(shí)間長(zhǎng)，而對(duì)有些影響時(shí)間短，即持續(xù)時(shí)間存在長(zhǎng)短問(wèn)題(也即是否存在壓縮)。

第二步是研究方法選擇。采用銀行股票回報(bào)相關(guān)性來(lái)度量傳染性，關(guān)鍵是選取相關(guān)性分析方法。相關(guān)性分析常見(jiàn)的主要方法有皮爾遜相關(guān)系數(shù)、時(shí)間滯后互相關(guān)法(TLCC)、動(dòng)態(tài)時(shí)間規(guī)整法(DTW)和瞬時(shí)相位法等。其中皮爾遜相關(guān)系數(shù)的優(yōu)點(diǎn)是簡(jiǎn)單明了，但一般來(lái)說(shuō)無(wú)法體現(xiàn)時(shí)間序列的先后順序；TLCC法和瞬時(shí)相位法可以處理時(shí)間序列的前后關(guān)系，但對(duì)于壓縮扭曲的時(shí)間序列分析效果相對(duì)較差；DTW是通過(guò)計(jì)算兩條時(shí)間序列的相似度來(lái)判斷其相關(guān)度，可以在不關(guān)注時(shí)間序列先后關(guān)系，是否存在壓縮的情況下，獲取兩條時(shí)間序列的最佳匹配路徑。綜合考慮銀行回報(bào)率的特征及DTW法的優(yōu)勢(shì)，選擇DTW法計(jì)算銀行回報(bào)率相似度。DTW雖然能夠較好地計(jì)算兩條時(shí)間序列相似度，但也存在一些問(wèn)題，其中之一便是損失函數(shù)不可微，Soft-DTW正是為了解決這一問(wèn)題提出的，故本文采用Soft-DTW計(jì)算銀行系統(tǒng)傳染性。

第三步是指標(biāo)的計(jì)算。在計(jì)算中選取了2012年1月到2018年12月所有上市銀行的回報(bào)率日數(shù)據(jù)。假設(shè)共有m家銀行，以計(jì)算第n月的銀行系統(tǒng)傳染性為例，步驟如下：首先，采用soft-DTW方法，分別計(jì)算第i家銀行月回報(bào)率和其他銀行相似度，得到m-1個(gè)值，求取平均值，得到該銀行對(duì)其他銀行平均相似度；其次，計(jì)算完所有銀行相對(duì)于其他銀行的平均相似度后得到m個(gè)平均值，對(duì)這m個(gè)平均值再求平均值，得到該月相似度平均值，也即該月銀行股票回報(bào)相關(guān)性；最后，計(jì)算完所有月份的銀行股票回報(bào)相關(guān)性，得到該階段銀行股票回報(bào)相關(guān)性。計(jì)算得到的銀行股票回報(bào)相關(guān)性部分統(tǒng)計(jì)特征如表1所示。

表1 銀行股票回報(bào)相關(guān)性部分統(tǒng)計(jì)特征

從以上統(tǒng)計(jì)特征可以得出，銀行之間回報(bào)率曲線是比較相似的，相似度的分布是比較集中的，這反映出銀行之間聯(lián)系比較緊密，傳染性較高。

3.指標(biāo)匯總與數(shù)據(jù)來(lái)源。

所有指標(biāo)按照類(lèi)型分為宏觀經(jīng)濟(jì)指標(biāo)和銀行系統(tǒng)指標(biāo)兩類(lèi)，共計(jì)24個(gè)指標(biāo)。樣本區(qū)間選擇2012年1月到2018年12月。指標(biāo)名稱(chēng)如表2所示。數(shù)據(jù)來(lái)源于國(guó)家統(tǒng)計(jì)局網(wǎng)站、中經(jīng)網(wǎng)統(tǒng)計(jì)數(shù)據(jù)庫(kù)、中國(guó)人民銀行網(wǎng)站、國(guó)泰安數(shù)據(jù)庫(kù)和銀監(jiān)會(huì)網(wǎng)站等。

表2 銀行系統(tǒng)性風(fēng)險(xiǎn)度量指標(biāo)

(二) 銀行系統(tǒng)性風(fēng)險(xiǎn)度量指標(biāo)的篩選

由于初步提出的銀行系統(tǒng)性風(fēng)險(xiǎn)的度量指標(biāo)有24個(gè)，而數(shù)據(jù)樣本數(shù)為84個(gè)，也即樣本數(shù)較少，而維度較大，如果不對(duì)樣本進(jìn)行篩選，主要可能會(huì)造成以下后果：一是指標(biāo)之間可能有相關(guān)性，導(dǎo)致后續(xù)用于銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別的異常檢測(cè)算法結(jié)果不穩(wěn)定；二是容易導(dǎo)致異常檢測(cè)算法和各指標(biāo)時(shí)間序列預(yù)測(cè)算法過(guò)擬合；三是不利于結(jié)果的分析和結(jié)論的得出。因此，必須對(duì)指標(biāo)進(jìn)行合理的篩選。

在指標(biāo)的篩選過(guò)程中首先采用方差閾值法對(duì)指標(biāo)進(jìn)行初步篩選，然后提出了基于孤立森林法的指標(biāo)選取方法，對(duì)剩余指標(biāo)進(jìn)行進(jìn)一步篩選，得到最終的度量指標(biāo)。

1.基于方差閾值法的指標(biāo)篩選。

方差閾值法的原理是首先估計(jì)各指標(biāo)的方差，然后根據(jù)閾值對(duì)指標(biāo)進(jìn)行篩選。采取該方法的主要原因是：文中采用的是基于多種異常檢測(cè)相結(jié)合的方法，對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行識(shí)別和判斷，如果一個(gè)指標(biāo)的方差較小，則說(shuō)明該指標(biāo)的整體波動(dòng)較小，也即對(duì)異常的貢獻(xiàn)較少，可以較為安全地刪除該指標(biāo)。計(jì)算步驟如下：(1)對(duì)樣本數(shù)據(jù)標(biāo)準(zhǔn)化；(2)對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)計(jì)算各指標(biāo)方差；(3)根據(jù)閾值篩選指標(biāo)。得到的計(jì)算結(jié)果如表 3所示。

表3 方差閾值法計(jì)算結(jié)果

若將閾值取為各指標(biāo)方差均值0.6，那么篩選出11個(gè)指標(biāo)，分別為銀行指數(shù)月波動(dòng)率、銀行間同業(yè)拆借加權(quán)平均利率、銀行股票回報(bào)相關(guān)性、資本充足率、工業(yè)企業(yè)家信心指數(shù)、銀行指數(shù)月收益率、居民消費(fèi)價(jià)格同比漲跌幅、商業(yè)銀行存貸比、消費(fèi)者預(yù)期指數(shù)、工業(yè)企業(yè)景氣指數(shù)和商業(yè)銀行流動(dòng)性比例。

2.基于孤立森林法的指標(biāo)篩選。

經(jīng)過(guò)閾值篩選法得到了11個(gè)備選指標(biāo)，備選指標(biāo)個(gè)數(shù)仍相對(duì)較多，需要進(jìn)一步篩選。指標(biāo)的選擇即特征選擇，常用的特征選擇方法有過(guò)濾法、包裹法和嵌入法，除過(guò)濾法的一些算法外，其他方法的多種算法一般用于監(jiān)督學(xué)習(xí)，而本文所研究的銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別問(wèn)題，不易事先得到樣本所屬類(lèi)別，屬于無(wú)監(jiān)督學(xué)習(xí)，故大部分特征選擇方法均不適用。本文對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別采用的是異常檢測(cè)算法，因此可以利用異常檢測(cè)算法的結(jié)果構(gòu)造一個(gè)度量值來(lái)篩選指標(biāo)，這樣既可以提高異常檢測(cè)算法的準(zhǔn)確度，又可以對(duì)指標(biāo)進(jìn)行篩選，降低數(shù)據(jù)維度。

基于以上分析提出了基于孤立森林法的指標(biāo)篩選方法。下面先給出該方法的步驟，然后對(duì)應(yīng)用這些步驟的原因及結(jié)果進(jìn)行分析。

基于孤立森林的指標(biāo)篩選方法主要步驟為：(1)隨 機(jī)選取備選指標(biāo)的子集；(2)對(duì)子集指標(biāo)數(shù)據(jù)標(biāo)準(zhǔn)化；(3)采用局部線性嵌入法對(duì)標(biāo)準(zhǔn)化后的子集指標(biāo)數(shù)據(jù)降維；(4)對(duì)降維后的數(shù)據(jù)采用孤立森林法進(jìn)行異常檢測(cè)，得到每個(gè)樣本點(diǎn)的得分；(5)重復(fù)步驟(4)10次，求取每個(gè)樣本點(diǎn)的平均得分；(6)分別求取子集中每個(gè)異常樣本點(diǎn)到正常樣本中心的歐氏距離，并求取所有歐式距離的中位數(shù)；(7)重復(fù)n次步驟(1)～(6)得到n個(gè)歐式距離中位數(shù)，歐式距離中位數(shù)最大者所對(duì)應(yīng)的子集即為最佳子集。

步驟(2)中對(duì)子集數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，是因?yàn)榈?6)步中要求取異常樣本到正常樣本中心的歐式距離，如果不進(jìn)行標(biāo)準(zhǔn)化，那么歐式距離受子集指標(biāo)數(shù)值大者影響較大，不能正確反映兩者之間的關(guān)系，而且標(biāo)準(zhǔn)化后也有利于局部線性嵌入法的降維。

步驟(3)中采用了局部線性嵌入法對(duì)數(shù)據(jù)進(jìn)行降維。局部線性嵌入法是一種流形學(xué)習(xí)，它能夠在局部保持樣本之間的幾何關(guān)系，因而在降維的過(guò)程中相較于其他降維方法更有可能保持鄰近樣本之間的關(guān)系，能夠盡量避免將異常點(diǎn)塌縮到正常樣本點(diǎn)中，或?qū)⒄｜c(diǎn)映射到異常樣本中，而且降維之后也有助于孤立森林法檢測(cè)異常值。

步驟(4)中采用孤立森林法的原因是：孤立森林法一般用于結(jié)構(gòu)化數(shù)據(jù)的異常檢測(cè)，其核心思想是隨機(jī)選擇超平面對(duì)數(shù)據(jù)空間進(jìn)行切割，處于低密度區(qū)域的點(diǎn)和較高密度區(qū)域的點(diǎn)就容易被孤立起來(lái)，把孤立起來(lái)的點(diǎn)作為異常值，就可以完成異常檢測(cè)任務(wù)。孤立森林法已被證明是一種有效的異常檢測(cè)算法，而且可以對(duì)每個(gè)樣本點(diǎn)進(jìn)行評(píng)分，故而采用孤立算法對(duì)指標(biāo)進(jìn)行篩選。

步驟(5)中重復(fù)10次求取平均值是為了減少孤立森林算法隨機(jī)因素的干擾，使算法更穩(wěn)健。

步驟(6)中采用中位數(shù)可以更好地避免極端異常值給算法帶來(lái)的影響。

3.指標(biāo)篩選結(jié)果及分析。

鑒于備選指標(biāo)只有11個(gè)，綜合考慮計(jì)算量和時(shí)間成本，可以采用窮舉法選取所有的子集，并計(jì)算所有子集每個(gè)異常樣本點(diǎn)到正常樣本中心歐氏距離的中位數(shù)，歐式距離中位數(shù)最大者所對(duì)應(yīng)的指標(biāo)子集為：銀行指數(shù)月波動(dòng)率、銀行間同業(yè)拆借加權(quán)平均利率、商業(yè)銀行流動(dòng)性比例以及銀行指數(shù)月收益率。歐式距離中位數(shù)最大的前5個(gè)子集如表 4所示。

表4 孤立森林法篩選出的歐式距離最大的5個(gè)子集

從篩選結(jié)果可得：入選的4個(gè)指標(biāo)商業(yè)銀行流動(dòng)性比例、銀行間同業(yè)拆借加權(quán)平均利率、銀行指數(shù)月收益率、銀行指數(shù)月波動(dòng)率，均屬于銀行系統(tǒng)指標(biāo)，而沒(méi)有宏觀經(jīng)濟(jì)指標(biāo)。這其中可能的原因有：(1)銀 行是否有系統(tǒng)風(fēng)險(xiǎn)，與宏觀經(jīng)濟(jì)指標(biāo)相比，銀行業(yè)自身的指標(biāo)更為重要；(2)宏觀經(jīng)濟(jì)指標(biāo)一般都屬于長(zhǎng)周期指標(biāo)，而本文所選取的數(shù)據(jù)量可能不足以觀察到明顯的宏觀經(jīng)濟(jì)指標(biāo)對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)的影響；(3)相對(duì)于銀行業(yè)自身的指標(biāo)，宏觀經(jīng)濟(jì)指標(biāo)波動(dòng)較小，異常值也較少，對(duì)異常的貢獻(xiàn)相對(duì)較少；(4)我國(guó)經(jīng)濟(jì)長(zhǎng)期處于快速發(fā)展中，整個(gè)經(jīng)濟(jì)和金融業(yè)總體處于上升趨勢(shì)，并且銀行業(yè)也沒(méi)有發(fā)生過(guò)大規(guī)模系統(tǒng)性風(fēng)險(xiǎn)，這可能也是宏觀經(jīng)濟(jì)指標(biāo)影響較小的一個(gè)原因。

入選指標(biāo)中商業(yè)銀行流動(dòng)性比例和銀行間同業(yè)拆借加權(quán)平均利率均是反映商業(yè)銀行流動(dòng)性風(fēng)險(xiǎn)的重要指標(biāo)，而流動(dòng)性風(fēng)險(xiǎn)是商業(yè)銀行所面臨的重要風(fēng)險(xiǎn)之一。商業(yè)銀行的經(jīng)營(yíng)特點(diǎn)(以存放貸)使其天生存在發(fā)生流動(dòng)性風(fēng)險(xiǎn)的可能。隨著金融改革的深入和宏觀經(jīng)濟(jì)的調(diào)整，銀行業(yè)流動(dòng)性風(fēng)險(xiǎn)長(zhǎng)期化、結(jié)構(gòu)化趨勢(shì)日益明顯，并成為重要的風(fēng)險(xiǎn)來(lái)源，該風(fēng)險(xiǎn)一旦發(fā)生會(huì)給金融系統(tǒng)造成災(zāi)難性后果。2008年爆發(fā)的國(guó)際金融危機(jī)，使國(guó)際銀行業(yè)都意識(shí)到了流動(dòng)性風(fēng)險(xiǎn)管理的重要性，強(qiáng)化對(duì)金融機(jī)構(gòu)流動(dòng)性風(fēng)險(xiǎn)的監(jiān)管成為國(guó)際監(jiān)管改革的重要內(nèi)容。因此，這兩個(gè)指標(biāo)的入選也較為符合現(xiàn)實(shí)情況。

銀行指數(shù)月收益率和月波動(dòng)率是銀行的市場(chǎng)表現(xiàn)，可以反映上市銀行總體股價(jià)變動(dòng)和走勢(shì)，通過(guò)該指標(biāo)可以反映出銀行經(jīng)營(yíng)的盈利狀況和收益的穩(wěn)定情況，而銀行穩(wěn)定的盈利是其持續(xù)經(jīng)營(yíng)與發(fā)展的重要基礎(chǔ)。因此，從理論上分析可以得出這兩個(gè)入選指標(biāo)也對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)的預(yù)警至關(guān)重要。

除理論分析可以說(shuō)明入選指標(biāo)與銀行系統(tǒng)性風(fēng)險(xiǎn)具有重要關(guān)系外，已有文獻(xiàn)的研究結(jié)論也能證明這一點(diǎn)。吳衛(wèi)星等(2016)[20]認(rèn)為由于銀行同業(yè)拆借市場(chǎng)化程度高，使其更能真實(shí)反映銀行的流動(dòng)性狀況；孫強(qiáng)和崔光華(2017)[3]選取的銀行系統(tǒng)壓力指數(shù)指標(biāo)包含流動(dòng)性比例、銀行同業(yè)拆借利率；趙丹丹和丁建臣(2019)[5]選取“中證銀行”股票指數(shù)的波動(dòng)率度量中國(guó)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)等級(jí)。從計(jì)算結(jié)果和以上分析可得：入選的指標(biāo)在一定程度上可以反映銀行的系統(tǒng)性風(fēng)險(xiǎn)，指標(biāo)具有可解釋性。

4.入選指標(biāo)與系統(tǒng)性風(fēng)險(xiǎn)的邏輯關(guān)系(參見(jiàn)圖1)。

銀行之間由于同業(yè)業(yè)務(wù)的普遍存在，使流動(dòng)性風(fēng)險(xiǎn)在銀行系統(tǒng)內(nèi)傳染很快且后果嚴(yán)重(吳念魯?shù)龋?017[18])。銀行間同業(yè)拆借關(guān)系是銀行間傳染風(fēng)險(xiǎn)形成的主要渠道之一，使銀行系統(tǒng)中的任何一家銀行都難以獨(dú)善其身。流動(dòng)性短缺銀行會(huì)選擇流動(dòng)性過(guò)剩銀行作為潛在債權(quán)人，然后從中選擇同業(yè)拆借利率低的流動(dòng)性過(guò)剩銀行進(jìn)行同業(yè)拆借，如果一家銀行無(wú)法滿(mǎn)足其拆借需求，則會(huì)按照利率從低到高的排序進(jìn)行逐家拆借，直到流動(dòng)性短缺銀行的流動(dòng)性需求獲得滿(mǎn)足為止；而流動(dòng)性過(guò)剩銀行如果無(wú)法滿(mǎn)足所有向其申請(qǐng)貸款銀行的需求，則會(huì)按照一定的原則進(jìn)行篩選，例如按照貸款銀行的凈資產(chǎn)進(jìn)行篩選，直至流動(dòng)性分配完成(李智和牛曉健，2017[36])。拆借完成后相關(guān)銀行的資產(chǎn)負(fù)債結(jié)構(gòu)發(fā)生了相應(yīng)變化，銀行的資產(chǎn)中出現(xiàn)了同業(yè)資產(chǎn)，而負(fù)債中也出現(xiàn)了同業(yè)負(fù)債，這樣的過(guò)程循環(huán)往復(fù)，形成銀行間同業(yè)拆借關(guān)系，輔助整個(gè)銀行系統(tǒng)維持持續(xù)的流動(dòng)性，使其得以正常運(yùn)轉(zhuǎn)。

銀行間相互存款具有流動(dòng)性重新分配的作用，當(dāng)銀行系統(tǒng)流動(dòng)性充足時(shí)，銀行關(guān)聯(lián)對(duì)流動(dòng)性轉(zhuǎn)移的作用占主導(dǎo)，使流動(dòng)性分布更均衡，銀行間關(guān)聯(lián)有助于保持系統(tǒng)穩(wěn)定；若系統(tǒng)中流動(dòng)性短缺，則風(fēng)險(xiǎn)傳染作用會(huì)占主導(dǎo)，且銀行關(guān)聯(lián)可能加速流動(dòng)性風(fēng)險(xiǎn)的傳染(鄧晶等，2013[37])。如果出現(xiàn)超額流動(dòng)性沖擊，銀行普遍流動(dòng)性緊張，無(wú)法滿(mǎn)足所有銀行的流動(dòng)性需求，基于貨幣資金的供求關(guān)系，當(dāng)需求大于供給時(shí)，價(jià)格會(huì)上漲，表現(xiàn)為資金成本的增加，也即同業(yè)拆借利率的上升。

圖1 入選指標(biāo)與銀行系統(tǒng)性風(fēng)險(xiǎn)的邏輯關(guān)系

銀行系統(tǒng)整體流動(dòng)性下降，同業(yè)拆借利率上升，都意味著銀行系統(tǒng)資金的緊張，而資金是銀行的血液，當(dāng)部分流動(dòng)性短缺銀行的流動(dòng)性需求未能得到滿(mǎn)足，因缺血而陷入流動(dòng)性困境，可能出現(xiàn)銀行間信用違約，而被迫將資產(chǎn)進(jìn)行折價(jià)拋售(吳念魯?shù)龋?017[18])。銀行系統(tǒng)又由于同業(yè)拆借、同業(yè)存單和同業(yè)理財(cái)?shù)韧瑯I(yè)業(yè)務(wù)形成直接關(guān)聯(lián)而交織成的網(wǎng)絡(luò)，使彼此之間聯(lián)系緊密，當(dāng)某家或某些銀行陷入困境，勢(shì)必會(huì)對(duì)與之關(guān)聯(lián)的銀行(例如債權(quán)、債務(wù)方)造成負(fù)面的溢出效應(yīng)。

銀行系統(tǒng)除了因關(guān)聯(lián)業(yè)務(wù)而形成的直接傳染外，還有因經(jīng)營(yíng)“同質(zhì)化”而面臨相似風(fēng)險(xiǎn)敞口產(chǎn)生的間接傳染，例如當(dāng)外部沖擊或內(nèi)部影響較為嚴(yán)重，引發(fā)極端風(fēng)險(xiǎn)，陷入流動(dòng)性困境的銀行會(huì)通過(guò)資產(chǎn)折價(jià)拋售來(lái)滿(mǎn)足資金需求，使銀行系統(tǒng)面臨資產(chǎn)價(jià)格下跌的風(fēng)險(xiǎn)。與風(fēng)險(xiǎn)生成銀行高度關(guān)聯(lián)的銀行也成為風(fēng)險(xiǎn)承受銀行(方意和鄭子文，2016[38])，這些銀行債權(quán)受損，壞賬增加，資產(chǎn)規(guī)模和權(quán)益縮減，這時(shí)受傳染的銀行也可能出售資產(chǎn)以貯存流動(dòng)性。銀行間關(guān)聯(lián)以及當(dāng)流動(dòng)性沖擊出現(xiàn)時(shí)銀行間采取的一致性行動(dòng)，加速了風(fēng)險(xiǎn)的傳染(李曉偉和宗計(jì)川，2018[39])。

由于資本市場(chǎng)信息的不對(duì)稱(chēng)，投資者難以得知所有銀行的實(shí)際經(jīng)營(yíng)情況，從眾心理和恐慌情緒使投資者容易出現(xiàn)“羊群效應(yīng)”。投資者恐慌情緒的蔓延，使銀行流動(dòng)性風(fēng)險(xiǎn)的傳染范圍、概率和速度顯著提升(沈沛龍和李志楠，2020[40])。某家或某些銀行的負(fù)面信息，可能使投資者爭(zhēng)相收回銀行投資和存款，反映到銀行股收益率的大幅波動(dòng)，進(jìn)而引起銀行股收益率的下跌。在我國(guó)優(yōu)質(zhì)上市企業(yè)較為稀缺，因此銀行股一直受到投資者的追捧，可以看到上市銀行股的收益率普遍較高也較為穩(wěn)定。但一旦銀行股收益率下降、波動(dòng)率提高，說(shuō)明投資者對(duì)銀行業(yè)失去信心，如果這種情緒迅速蔓延，大規(guī)模的撤資會(huì)引發(fā)銀行業(yè)“擠兌”現(xiàn)象，使銀行資金更加緊缺，加劇銀行系統(tǒng)的流動(dòng)性風(fēng)險(xiǎn)。同業(yè)拆借市場(chǎng)連接了各個(gè)商業(yè)銀行，使銀行間交織成的巨大網(wǎng)絡(luò)成為流動(dòng)性風(fēng)險(xiǎn)傳染的重要渠道(吳衛(wèi)星等，2016[20])。

當(dāng)銀行間傳染性持續(xù)增強(qiáng)、流動(dòng)性持續(xù)惡化，陷入流動(dòng)性危機(jī)的銀行會(huì)逐漸增加，銀行系統(tǒng)的穩(wěn)定受到威脅，破產(chǎn)銀行出現(xiàn)，債務(wù)違約產(chǎn)生連鎖反應(yīng)，引發(fā)“多米諾骨牌”效應(yīng)，更多的銀行和金融機(jī)構(gòu)受到影響，風(fēng)險(xiǎn)的傳染最終引發(fā)系統(tǒng)性風(fēng)險(xiǎn)。通過(guò)分析可知，流動(dòng)性沖擊極易演變成系統(tǒng)性風(fēng)險(xiǎn)，而銀行間的直接和間接關(guān)聯(lián)產(chǎn)生的一致性行動(dòng)又會(huì)加速與放大流動(dòng)性風(fēng)險(xiǎn)的傳染速度。流動(dòng)性比例、銀行同業(yè)拆借利率、銀行股收益率和波動(dòng)率的變化在整個(gè)過(guò)程中的重要地位，使得綜合監(jiān)控這四個(gè)指標(biāo)的表現(xiàn)和變化趨勢(shì)有助于銀行系統(tǒng)性風(fēng)險(xiǎn)的預(yù)警。

四、 銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別

對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行識(shí)別是銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警的前提，對(duì)銀行風(fēng)險(xiǎn)進(jìn)行識(shí)別不僅可以對(duì)歷史數(shù)據(jù)是否有風(fēng)險(xiǎn)進(jìn)行標(biāo)注，而且還可以對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警結(jié)果進(jìn)行評(píng)價(jià)。

(一) 銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別模型

為了對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行識(shí)別，本文提出了多種異常檢測(cè)算法相結(jié)合的方法。將多種異常檢測(cè)算法相結(jié)合的優(yōu)點(diǎn)是：(1)一般來(lái)說(shuō)，不同的異常檢測(cè)算法對(duì)不同的異常值點(diǎn)關(guān)注程度是不一樣的，例如有的異常檢測(cè)算法較為關(guān)注全局異常點(diǎn)，有的檢測(cè)算法更關(guān)注數(shù)據(jù)的密度等，把不同的檢測(cè)方法結(jié)合起來(lái)，就更可能利用每種檢測(cè)算法的優(yōu)勢(shì)；(2)本文所采用的樣本點(diǎn)數(shù)較少，采用多種檢測(cè)算法相結(jié)合的方式，在一定程度上有利于降低過(guò)擬合。

在構(gòu)建銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別方法中主要有以下三個(gè)問(wèn)題需要解決：(1)采取哪幾種異常檢測(cè)算法；(2)如何將多種算法進(jìn)行結(jié)合；(3)異常點(diǎn)的比例如何選取。

對(duì)于問(wèn)題(1)，常用的異常檢測(cè)算法有單類(lèi)支持向量機(jī)(One-class SVM)[41]、孤立森林(IF)、局部異常因子法(LOF)、基于角度的離群點(diǎn)檢測(cè)法(ABOD)和Feature Bagging[42]等。單類(lèi)支持向量機(jī)嚴(yán)格來(lái)說(shuō)屬于新奇檢測(cè)(Novelty Detection)，即訓(xùn)練數(shù)據(jù)不能包含異常值，本文所用數(shù)據(jù)訓(xùn)練時(shí)無(wú)法區(qū)分正常值和異常值，因而不適用于該算法。Feature Bagging是一種集成方法，其基學(xué)習(xí)器可以相同也可以不同，是一種優(yōu)秀的異常檢測(cè)算法，但對(duì)本數(shù)據(jù)集來(lái)說(shuō)，單獨(dú)采用該算法的結(jié)果與單獨(dú)采用其他算法的結(jié)果相比，差異較大，而且結(jié)果難于解釋?zhuān)什徊捎迷撍惴ā＝?jīng)計(jì)算孤立森林法、基于角度的離群點(diǎn)檢測(cè)法和局部異常因子法較為適用本數(shù)據(jù)集，故采用以上3種方法。

對(duì)于問(wèn)題(2)，常用的結(jié)合方法[43]有平均值法(Average)、中位數(shù)法(Median)、最大值法(Maximization)、Average of Maximum (AOM)和Maximum of Average (MOA)[44]法等。本文所需要結(jié)合的異常檢測(cè)算法只有3種，不適宜采用AOM和MOA方法。綜合考慮最終結(jié)果的穩(wěn)定性，排除最大值法，而平均值法和中位數(shù)法差異不大，最后采用平均值法。

對(duì)于問(wèn)題(3)，Du-Mouchel(1983)[45]經(jīng)過(guò)試驗(yàn)統(tǒng)計(jì)，選擇了10%左右的數(shù)據(jù)作為金融風(fēng)險(xiǎn)樣本，林宇等(2016)[46]通過(guò)回顧總結(jié)前人研究成果，選擇總體樣本的9%作為金融風(fēng)險(xiǎn)樣本。因而本文選擇總樣本數(shù)的10%作為銀行系統(tǒng)性風(fēng)險(xiǎn)較大的樣本，其個(gè)數(shù)為9個(gè)，也即異常樣本點(diǎn)個(gè)數(shù)為9個(gè)。

基于角度的離群點(diǎn)檢測(cè)法、孤立森林法和局部異常因子法相結(jié)合的銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別模型的步驟為：首先對(duì)選取出的4個(gè)指標(biāo)數(shù)據(jù)進(jìn)行Z-score標(biāo)準(zhǔn)化；然后采用局部線性嵌入法(LLE)對(duì)指標(biāo)進(jìn)行降維；接著將降維后的數(shù)據(jù)分別輸入到3個(gè)異常值檢測(cè)算法中：基于角度的離群點(diǎn)檢測(cè)法、孤立森林法和局部異常因子法，得到3種算法對(duì)每一個(gè)樣本點(diǎn)的評(píng)分，采用簡(jiǎn)單的平均值法，得到每個(gè)樣本點(diǎn)的最終評(píng)分，評(píng)分越高越有可能是異常點(diǎn)；最后根據(jù)異常點(diǎn)占比10%得到異常點(diǎn)，即銀行系統(tǒng)性風(fēng)險(xiǎn)較大的點(diǎn)。為了降低隨機(jī)因素的影響，增強(qiáng)魯棒性，重復(fù)10次，求取平均值。

(二) 識(shí)別結(jié)果及分析

采用上述方法得到9個(gè)異常點(diǎn)如表 5所示。4個(gè)指標(biāo)銀行指數(shù)月波動(dòng)率，銀行間同業(yè)拆借加權(quán)平均利率，商業(yè)銀行流動(dòng)性比例以及銀行指數(shù)月收益率曲線如圖2所示，其中銀行間同業(yè)拆借加權(quán)平均利率和商業(yè)銀行流動(dòng)性比例縱軸為百分比，同時(shí)圖2中標(biāo)注了識(shí)別出的風(fēng)險(xiǎn)較大點(diǎn)的位置。

表5 銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別結(jié)果

從銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別結(jié)果來(lái)看，整體上異常點(diǎn)基本分布在曲線的波峰或波谷，這個(gè)結(jié)果是符合實(shí)際情況的，如一般認(rèn)為指數(shù)月波動(dòng)率、月收益率大幅波動(dòng)時(shí)，系統(tǒng)性風(fēng)險(xiǎn)較大；而銀行間同業(yè)拆借加權(quán)平均利率處于高位或大幅上升時(shí)銀行業(yè)也面臨較大風(fēng)險(xiǎn)；商業(yè)銀行流動(dòng)比例較低或處于一段時(shí)期內(nèi)相對(duì)低位時(shí)，銀行系統(tǒng)性風(fēng)險(xiǎn)較其他時(shí)期高。

具體到異常點(diǎn)來(lái)看，2012年1月的銀行指數(shù)月波動(dòng)率較大，且銀行間同業(yè)拆借加權(quán)平均利率處于高位；2012年12月銀行指數(shù)月收益率急劇升高；而2013年6月銀行指數(shù)月收益率大幅下跌，銀行間同業(yè)拆借加權(quán)平均利率處于最高點(diǎn)，同時(shí)商業(yè)銀行流動(dòng)比例處于低位；2014年12月和2015年1月銀行指數(shù)月收益率大幅變化，銀行指數(shù)月波動(dòng)率增大，商業(yè)銀行流動(dòng)比例也有明顯滑坡；2015年7月、2015年8月和2016年1月銀行指數(shù)月收益率大幅下降，銀行指數(shù)月波動(dòng)率處于最高值附近，且商業(yè)銀行流動(dòng)比例處于一段時(shí)期內(nèi)的低位；而2018年10月銀行指數(shù)月波動(dòng)率是近兩年來(lái)的最大值，其他指標(biāo)較為正常，這一點(diǎn)也能從其異常程度的得分體現(xiàn)出來(lái)。

圖2 指標(biāo)曲線及異常點(diǎn)

從銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別結(jié)果的得分來(lái)看，風(fēng)險(xiǎn)最高的9個(gè)時(shí)點(diǎn)分別是2012年1月、12月，2013年6月，2014年12月，2015年1月、7月、8月，2016年1月和2018年10月。通過(guò)歷史事件回顧，可發(fā)現(xiàn)在這9個(gè)時(shí)點(diǎn)，確實(shí)發(fā)生過(guò)對(duì)銀行系統(tǒng)造成影響的典型事件。

2011年在通貨膨脹逐步走高的背景下，央行采取了持續(xù)緊縮的貨幣政策。2011年第一、二季度，央行數(shù)次上調(diào)準(zhǔn)備金率并加息。該政策的影響是銀行體系的超儲(chǔ)率下跌，可用資金減少，2011年6月超儲(chǔ)率下滑至0.8%，創(chuàng)歷史新低。2011年的“錢(qián)荒”問(wèn)題貫穿了整個(gè)2011年，所以2012年1月銀行系統(tǒng)性風(fēng)險(xiǎn)比較高。

2013年6月份由于美聯(lián)儲(chǔ)退出QE引發(fā)的恐慌以及我國(guó)多家金融機(jī)構(gòu)的期限錯(cuò)配造成了短期流動(dòng)性不足，“錢(qián)荒”問(wèn)題再次出現(xiàn)，銀行間7天回購(gòu)利率在6月20日創(chuàng)歷史新高。資金價(jià)格的飆升使流動(dòng)性風(fēng)險(xiǎn)升高，從而引發(fā)系統(tǒng)性風(fēng)險(xiǎn)的上升，這次的黑天鵝事件使銀行系統(tǒng)受到極大沖擊。

2014年11月美國(guó)正式結(jié)束量化寬松政策，中國(guó)人民銀行11月22日起逐步推進(jìn)新的改革，包括下調(diào)貸款和存款基準(zhǔn)利率、推進(jìn)利率市場(chǎng)化、調(diào)高存款利率浮動(dòng)區(qū)間的上限等，這些行為都可能放大銀行的風(fēng)險(xiǎn)。因此，2014年12月也是銀行系統(tǒng)的高風(fēng)險(xiǎn)點(diǎn)。

2015年，中國(guó)經(jīng)濟(jì)繼續(xù)深化“新常態(tài)”，國(guó)內(nèi)經(jīng)濟(jì)下行、GDP增速持續(xù)下滑、人民幣快速貶值、房地產(chǎn)投資增速回落，同時(shí)國(guó)際經(jīng)濟(jì)政治環(huán)境的變化也對(duì)中國(guó)經(jīng)濟(jì)提出了巨大的挑戰(zhàn)。同年銀行業(yè)也發(fā)生了很多變革，顯性存款保險(xiǎn)體制使存款利率高低成為儲(chǔ)戶(hù)選擇銀行的唯一標(biāo)準(zhǔn)，銀行為圖高回報(bào)，而放大經(jīng)營(yíng)風(fēng)險(xiǎn)；商業(yè)銀行法修訂，將存貸比不得超過(guò)75%的指標(biāo)刪除，將存貸比由法定監(jiān)管指標(biāo)轉(zhuǎn)為流動(dòng)性監(jiān)測(cè)指標(biāo)，商業(yè)銀行獲得了更大信貸投放空間，同時(shí)也放大了風(fēng)險(xiǎn)。2015年5月11日起再次降息，存款利率浮動(dòng)區(qū)間擴(kuò)至1.5倍。2015年6月份，中國(guó)股市出現(xiàn)了一次“股災(zāi)”，2015年7月中國(guó)股市繼續(xù)大跌，2015年8月后，資本外流問(wèn)題更加嚴(yán)重。2015年年初至2015年，第三季度末，我國(guó)銀行業(yè)不良貸款率持續(xù)攀升，撥備覆蓋率持續(xù)下降，因此在2015年識(shí)別出三個(gè)銀行系統(tǒng)性風(fēng)險(xiǎn)比較高的點(diǎn)。

2016年1月1日證監(jiān)會(huì)正式實(shí)施指數(shù)熔斷相關(guān)規(guī)定，政策出臺(tái)的目的是穩(wěn)定股市，然而熔斷機(jī)制出臺(tái)的短期內(nèi)，引起大規(guī)?？只?，造成證券市場(chǎng)大跌。2016年1月4日，A股遇到史上首次“熔斷”；2016年1月7日，滬深300指數(shù)再度觸發(fā)熔斷線。為維護(hù)市場(chǎng)穩(wěn)定，指數(shù)熔斷機(jī)制自1月8日起暫停實(shí)施。2016年1月股市的持續(xù)動(dòng)蕩也影響了銀行系統(tǒng)的穩(wěn)定。

2018年下半年，國(guó)際國(guó)內(nèi)潛在風(fēng)險(xiǎn)的集中釋放，使金融市場(chǎng)產(chǎn)生高波動(dòng)。上證綜指一度下探至2449點(diǎn)，為2015年中以來(lái)最低值；美元兌人民幣匯率突破6.97，創(chuàng)10年來(lái)新低；中美貿(mào)易摩擦，美國(guó)在9月正式對(duì)原產(chǎn)中國(guó)的商品加征10%的進(jìn)口關(guān)稅。金融行業(yè)強(qiáng)監(jiān)管和去杠桿利好長(zhǎng)期經(jīng)濟(jì)發(fā)展，但短期內(nèi)可能使得潛在風(fēng)險(xiǎn)集中釋放，例如商業(yè)銀行不良貸款率同比上升有所上升，銀行風(fēng)險(xiǎn)也升高，但相對(duì)來(lái)講，2018年10月的銀行系統(tǒng)性風(fēng)險(xiǎn)較小，從表5中的得分也可以看出來(lái)。

總體來(lái)說(shuō)，銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別方法的檢測(cè)結(jié)果可以合理解釋?zhuān)菊_地檢測(cè)出了異常點(diǎn)。

五、 銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建

銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建主要有以下三種思路：

第一種思路是將銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別結(jié)果看作已知標(biāo)簽，那么預(yù)警模型構(gòu)建問(wèn)題可以轉(zhuǎn)換成為監(jiān)督學(xué)習(xí)問(wèn)題，可以采用多種監(jiān)督學(xué)習(xí)方法建模。但這一思路面臨三個(gè)主要難點(diǎn)：一是銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別結(jié)果是由另外的方法推斷得來(lái)的，本身可能并不準(zhǔn)確。二是有風(fēng)險(xiǎn)的樣本點(diǎn)明顯少于無(wú)風(fēng)險(xiǎn)的樣本點(diǎn)，屬于類(lèi)別不平衡學(xué)習(xí)。雖然有多種解決類(lèi)別不平衡的方法可供選擇，但樣本異常有不同的原因，對(duì)于本研究來(lái)說(shuō)，從數(shù)據(jù)空間來(lái)看，異常樣本點(diǎn)可能稀散地分布于數(shù)據(jù)空間，表示不充分，解決類(lèi)別不平衡的方法難于奏效。三是樣本數(shù)據(jù)偏少，不利于監(jiān)督學(xué)習(xí)。

第二種思路是構(gòu)建銀行系統(tǒng)性風(fēng)險(xiǎn)指數(shù)，用指數(shù)來(lái)衡量銀行系統(tǒng)的風(fēng)險(xiǎn)程度，再通過(guò)預(yù)測(cè)指數(shù)或和指數(shù)相關(guān)的其它量，對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行預(yù)警。這種方法面臨的難點(diǎn)有：一是怎樣選取指標(biāo)構(gòu)建指數(shù)；二是怎樣將指標(biāo)合成指數(shù)；三是如何預(yù)測(cè)指數(shù)或其相關(guān)變量；四是如何判斷風(fēng)險(xiǎn)。

第三種思路是將銀行系統(tǒng)性風(fēng)險(xiǎn)分解為信用、市場(chǎng)、操作風(fēng)險(xiǎn)和流動(dòng)性風(fēng)險(xiǎn)，然后從這四類(lèi)風(fēng)險(xiǎn)出發(fā)，運(yùn)用邏輯推理去推導(dǎo)出引發(fā)風(fēng)險(xiǎn)的原因，構(gòu)建銀行系統(tǒng)性風(fēng)險(xiǎn)的拓?fù)浣Y(jié)構(gòu)，然后去檢驗(yàn)各節(jié)點(diǎn)的風(fēng)險(xiǎn)概率，建立預(yù)警信號(hào)燈。這種預(yù)警思路面臨的難點(diǎn)：一是難以窮盡所有因素；二是如何給各風(fēng)險(xiǎn)點(diǎn)設(shè)置風(fēng)險(xiǎn)臨界值；三是難以判斷某一或某些節(jié)點(diǎn)出現(xiàn)問(wèn)題能否引發(fā)系統(tǒng)風(fēng)險(xiǎn)。

本文的思路是用歷史數(shù)據(jù)對(duì)指標(biāo)進(jìn)行預(yù)測(cè)，然后再采用銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別模型對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行預(yù)警，這種思路的關(guān)鍵點(diǎn)在于指標(biāo)的預(yù)測(cè)和異常檢測(cè)算法。因?yàn)楸疚乃鶚?gòu)建的銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別指標(biāo)只有4個(gè)，同時(shí)還構(gòu)建了基于3種異常檢測(cè)算法相結(jié)合的銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別模型，而這一模型也可用于銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警，所以采用這種思路構(gòu)建銀行預(yù)警模型具有可行性。由于銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警中的風(fēng)險(xiǎn)識(shí)別模型已構(gòu)建完成，下面主要介紹4個(gè)度量指標(biāo)的預(yù)測(cè)方法。

(一) 度量指標(biāo)預(yù)測(cè)模型的構(gòu)建

由于4個(gè)度量指標(biāo)的值都存在時(shí)間先后關(guān)系，可以將度量指標(biāo)看作時(shí)間序列。建模中可以采用的技術(shù)路徑主要有兩種：一種是收集其他銀行業(yè)指標(biāo)、宏觀經(jīng)濟(jì)指標(biāo)和其他相關(guān)指標(biāo)，將這些指標(biāo)作為輸入，采用某種預(yù)測(cè)方法，可以同時(shí)預(yù)測(cè)所有度量指標(biāo)或其中的某幾個(gè)度量指標(biāo)；另一種路徑是只通過(guò)度量指標(biāo)的歷史數(shù)據(jù)預(yù)測(cè)未來(lái)數(shù)據(jù)。這兩種路徑各有優(yōu)劣，在都能完成任務(wù)的前提下，本文選擇第二種路徑。

1.誤差度量方法的選擇。

常用的預(yù)測(cè)模型誤差度量方法有：均方誤差(Mean Square Error,MSE)、均方根誤差(Root Mean Square Error,RMSE)、平均絕對(duì)誤差(Mean Absolute Error,MAE)、中位數(shù)絕對(duì)誤差(Median Absolute Error,MAE)、平均絕對(duì)百分比誤差(Mean Absolute Percentage Error,MAPE)、Mean Relative Absolute Error (MRAE)等。Hyndman和Koehler(2006)[47]分析了多種誤差度量方法的優(yōu)劣，提出并推薦采用平均絕對(duì)標(biāo)準(zhǔn)化誤差(Mean Absolute Scaled Error,MASE)來(lái)度量預(yù)測(cè)誤差，同時(shí)該方法也是M4-competition采用的誤差度量方法之一。因而本文也采用MASE來(lái)度量模型誤差。

2.預(yù)測(cè)模型的回顧。

時(shí)間序列建模方法主要有如下幾種：

(1)傳統(tǒng)時(shí)序建模方法，包括差分整合移動(dòng)平均自回歸模型(Autoregressive Integrated Moving Average model,ARIMA)、自回歸條件異方差模型(Autoregressive Conditional Heteroskedasticity model,ARCH)和動(dòng)態(tài)線性回歸模型(Dynamic Linear Regression models)等，這類(lèi)方法主要適用于小規(guī)模、單變量的預(yù)測(cè)。

(2)基于時(shí)間序列分解的方法。這類(lèi)方法先將時(shí)間序列按照一定的方法分解為幾部分，然后分別對(duì)分解后的序列進(jìn)行建模，最后重構(gòu)組合并預(yù)測(cè)，按照分解方法的不同，主要又分為：

STH分解[48]，即將時(shí)間序列分解為周期項(xiàng)(Season)、趨勢(shì)項(xiàng)(Trend)、節(jié)假日項(xiàng)(Holiday)。這種方法有許多成功的應(yīng)用，但主要的問(wèn)題在于周期的確定，趨勢(shì)改變點(diǎn)的檢測(cè)，需要預(yù)先知道節(jié)假日等。

將時(shí)間序列看作信號(hào)按信號(hào)分析的方法來(lái)處理，主要分解方法有傅里葉分解(Fourier Transformation,FT)、小波分解(Wavelet Decomposition,WD)、經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)[49]和變分模態(tài)分解(Variational Mode Decomposition,VMD)[50]等。在實(shí)際應(yīng)用中EMD可能存在模態(tài)混疊現(xiàn)象，分離后的信號(hào)包含多個(gè)頻率，影響精度；VMD的主要局限性是邊界效應(yīng)和突發(fā)信號(hào)，長(zhǎng)期模態(tài)會(huì)隨著時(shí)間的推移而急劇變化并且會(huì)在全局范圍內(nèi)重疊，以及需要預(yù)先定義模態(tài)數(shù)等。

LN分解，即將時(shí)間序列數(shù)據(jù)分為線性項(xiàng)(L)和非線性項(xiàng)(N)。

(3)機(jī)器學(xué)習(xí)模型。一般將問(wèn)題轉(zhuǎn)化為監(jiān)督學(xué)習(xí)，通常采用Extreme Gradient Boosting (XGBoost)[51]、Support Vector Regression (SVR)、隨機(jī)森林(Random Forest)等方法：這類(lèi)方法一般需要進(jìn)行特征選擇及提取，有著較廣泛的應(yīng)用。

(4)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型。用于時(shí)間序列預(yù)測(cè)的典型模型有長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)[52]、循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)、門(mén)控循環(huán)神經(jīng)網(wǎng)絡(luò)(Gated Recurrent Unit,GRU)和時(shí)間卷積網(wǎng)絡(luò)(Temporal Convolutional Networks,TCN)[53]等。近期熱門(mén)的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)有LSTNet[54]、TPA-LSTM[55]和Memory Time-series Network (MTNet)[56]等?；谏窠?jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的時(shí)間序列預(yù)測(cè)模型越來(lái)越受到學(xué)者的重視，是近幾年的研究熱點(diǎn)。

(5)基于圖模型的時(shí)間序列預(yù)測(cè)。應(yīng)用較多的是隱馬爾科夫模型(Hidden Markov Model,HMM)，一般來(lái)說(shuō)對(duì)于沒(méi)有復(fù)雜記憶的時(shí)間序列，HMM可以較好地進(jìn)行預(yù)測(cè)，如果時(shí)間序列是復(fù)雜歷史依賴(lài)的，HMM預(yù)測(cè)結(jié)果可能變差。

3.預(yù)測(cè)模型的構(gòu)建。

基于預(yù)測(cè)模型回顧總結(jié)，結(jié)合本文研究的內(nèi)容，采用DeepAR方法對(duì)4個(gè)度量指標(biāo)(銀行指數(shù)月收益率，銀行指數(shù)月波動(dòng)率，銀行間同業(yè)拆借加權(quán)平均利率以及商業(yè)銀行流動(dòng)性比例)進(jìn)行預(yù)測(cè)。

DeepAR是亞馬遜于2017年提出的基于自回歸循環(huán)神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)方法，該方法相較于其他方法的優(yōu)點(diǎn)有：(1)僅需要少量的特征工程；(2)采 用蒙特卡洛進(jìn)行概率預(yù)測(cè)；(3)通過(guò)相似數(shù)據(jù)的學(xué)習(xí)，可以對(duì)僅有一點(diǎn)歷史數(shù)據(jù)或者根本沒(méi)有歷史數(shù)據(jù)的項(xiàng)目進(jìn)行預(yù)測(cè)；(4)不一定是通過(guò)高斯噪聲實(shí)現(xiàn)，允許用戶(hù)選擇一個(gè)適合數(shù)據(jù)統(tǒng)計(jì)特性的似然函數(shù)。正是由于以上優(yōu)點(diǎn)，特別是優(yōu)點(diǎn)(1)和(3)非 常適合本文研究的數(shù)據(jù)，故選擇該方法建模。

本文分別對(duì)4個(gè)度量指標(biāo)采用DeepAR方法進(jìn)行建模，在建模中將2012年1月到2018年6月的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，將2018年7月到12月的數(shù)據(jù)作為測(cè)試數(shù)據(jù)，進(jìn)行單步預(yù)測(cè)，也即每次僅預(yù)測(cè)一個(gè)月的數(shù)值?？紤]到數(shù)據(jù)為月度數(shù)據(jù)，對(duì)時(shí)效性要求相對(duì)不高，為提高預(yù)測(cè)結(jié)果的準(zhǔn)確度，在預(yù)測(cè)測(cè)試集第二個(gè)月的數(shù)據(jù)時(shí)，將第一個(gè)月的真實(shí)值放入訓(xùn)練集，重新訓(xùn)練模型，再預(yù)測(cè)第二個(gè)月的數(shù)值，直到最后一個(gè)測(cè)試集數(shù)據(jù)。DeepAR中的循環(huán)神經(jīng)網(wǎng)絡(luò)采用LSTM網(wǎng)絡(luò)，主要超參數(shù)的確定采用網(wǎng)格搜索，概率分布采用學(xué)生氏分布。

4.預(yù)測(cè)結(jié)果及分析。

采用DeepAR方法對(duì)4個(gè)指標(biāo)進(jìn)行建模，預(yù)測(cè)結(jié)果如圖3所示，其中銀行間同業(yè)拆借加權(quán)平均利率和商業(yè)銀行流動(dòng)性比例縱軸為百分比。圖3給出了4個(gè)指標(biāo)的真實(shí)值(只給出了2018年1月到2018年12月部分)和預(yù)測(cè)值曲線圖，豎線是訓(xùn)練集與測(cè)試集的分割線，深色陰影部分代表50%的預(yù)測(cè)區(qū)間，淺色陰影部分代表90%的預(yù)測(cè)區(qū)間，預(yù)測(cè)值采用中位數(shù)。從圖中可以得出預(yù)測(cè)值基本反映了真實(shí)值的走勢(shì)。

為了對(duì)比分析還采用了MQ-CNN(Multi-Horizon forecasting with a Convolutional Neural Network(CNN)as an encoder)、MQ-RNN[57]、Non-Parametric Time Series Forecaster(NPTS)[58]、ARIMA、指數(shù)平滑法(ETS)和多層感知器(Multi-Layer Perceptron,MLP)6種方法分別對(duì)4個(gè)指標(biāo)進(jìn)行預(yù)測(cè)，得到測(cè)試集的MASE如表 6到表 9所示。其中：NPTS采用指數(shù)核(Exponential Kernel)函數(shù)；ARIMA自回歸過(guò)程階數(shù)p，差分階數(shù)d，移動(dòng)平均階數(shù)q采用Hyndman(2008)[59]的方法確定；ETS誤差項(xiàng)(Error)、趨勢(shì)項(xiàng)(Trend)、周期項(xiàng)(Seasonal)為無(wú)、乘性或加性，由Hyndman等(2008)[60]給出的算法自動(dòng)選擇；MLP有2個(gè)隱藏層，每層40個(gè)單元。每種方法均計(jì)算10次，求取平均值，減少隨機(jī)因素影響。

圖3 采用DeepAR方法預(yù)測(cè)結(jié)果

表 6至表 9給出了上述7種方法在4個(gè)指標(biāo)測(cè)試集(2018年7月至2018年12月)的MASE及其平均值，通過(guò)比較所有預(yù)測(cè)時(shí)間MASE的平均值可得，DeepAR方法在銀行指數(shù)月收益率、銀行指數(shù)月波動(dòng)率和銀行間同業(yè)拆借加權(quán)平均利率3個(gè)指標(biāo)的預(yù)測(cè)中，優(yōu)于其他6種方法，而在商業(yè)銀行流動(dòng)性比例指標(biāo)的預(yù)測(cè)中DeepAR與MQ-CNN和ARIMA方法性能相當(dāng)。

表6 銀行指數(shù)月收益率測(cè)試集的MASE

表7 銀行指數(shù)月波動(dòng)率測(cè)試集的MASE

表8 銀行間同業(yè)拆借加權(quán)平均利率測(cè)試集的MASE

表9 商業(yè)銀行流動(dòng)性比例測(cè)試集的MASE

(二) 預(yù)警模型的構(gòu)建與結(jié)果分析

依據(jù)本文思路，銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警模型的主要任務(wù)是通過(guò)各指標(biāo)的歷史數(shù)據(jù)來(lái)判斷未來(lái)一段時(shí)期是否有風(fēng)險(xiǎn)。這里主要有兩個(gè)問(wèn)題需要解決：一是構(gòu)建指標(biāo)；二是依據(jù)歷史數(shù)據(jù)判斷風(fēng)險(xiǎn)。本文之前依次解決了指標(biāo)選取問(wèn)題、銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別問(wèn)題和指標(biāo)預(yù)測(cè)問(wèn)題，構(gòu)建銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警模型的步驟則為：首先依據(jù)歷史數(shù)據(jù)，采用DeepAR模型分別預(yù)測(cè)4個(gè)指標(biāo)下一月的預(yù)測(cè)值，然后將預(yù)測(cè)值連同一段區(qū)間的歷史數(shù)據(jù)輸入到銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別模型中，由風(fēng)險(xiǎn)識(shí)別模型判斷下一個(gè)月是否有銀行系統(tǒng)性風(fēng)險(xiǎn)。

依據(jù)上述步驟，將4個(gè)指標(biāo)測(cè)試集的預(yù)測(cè)值連同訓(xùn)練集數(shù)據(jù)逐步輸入到預(yù)警模型，為了對(duì)比分析，將真實(shí)值也輸入到同一模型，得到結(jié)果如表 10所示。

表10 銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警模型結(jié)果

通過(guò)表10結(jié)合表 5可得出，雖然是逐月分別將真實(shí)值和預(yù)測(cè)值輸入識(shí)別模型，但兩者都識(shí)別出2018年10月這一風(fēng)險(xiǎn)相對(duì)較大的點(diǎn)，這與表 5中一次性輸入全部真實(shí)數(shù)據(jù)得到的結(jié)果是一致的。預(yù)警模型依據(jù)預(yù)測(cè)值，正確地識(shí)別出了有風(fēng)險(xiǎn)的數(shù)據(jù)，說(shuō)明本文構(gòu)建的銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警模型能夠在一定程度上對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行預(yù)警。

六、 總結(jié)與建議

(一) 總結(jié)

本文構(gòu)建了銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警模型，在構(gòu)建中主要解決了三個(gè)方面的問(wèn)題：(1)預(yù)警指標(biāo)的構(gòu)建問(wèn)題。在文獻(xiàn)回顧的基礎(chǔ)上，結(jié)合本文的研究?jī)?nèi)容，選取了宏觀經(jīng)濟(jì)指標(biāo)和銀行業(yè)相關(guān)指標(biāo)兩方面的24個(gè)度量指標(biāo)，然后采用方差閾值法篩選出11個(gè)指標(biāo)，最后提出了基于孤立森林法的指標(biāo)篩選方法，篩選出最終的4個(gè)度量指標(biāo)：銀行指數(shù)月波動(dòng)率、銀行間同業(yè)拆借加權(quán)平均利率、商業(yè)銀行流動(dòng)性比例以及銀行指數(shù)月收益率，對(duì)篩選結(jié)果進(jìn)行解釋?zhuān)?duì)入選指標(biāo)與銀行系統(tǒng)性風(fēng)險(xiǎn)的邏輯關(guān)系進(jìn)行了分析。(2)銀 行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別問(wèn)題。在銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警模型構(gòu)建中需要對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行識(shí)別，此問(wèn)題可以轉(zhuǎn)換為異常檢測(cè)問(wèn)題，即數(shù)據(jù)異常程度越大，說(shuō)明風(fēng)險(xiǎn)越高。在識(shí)別模型的構(gòu)建中首先采用Z-score法和LLE法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，接著提出了一種基于角度的離群點(diǎn)檢測(cè)法、孤立森林法和局部異常因子法相結(jié)合的異常檢測(cè)方法，對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行識(shí)別，并將識(shí)別結(jié)果與歷史事件進(jìn)行對(duì)照解釋。(3)指標(biāo)預(yù)測(cè)問(wèn)題。本文將4個(gè)指標(biāo)看作時(shí)間序列，采用DeepAR方法分別對(duì)指標(biāo)進(jìn)行預(yù)測(cè)，為了比較預(yù)測(cè)結(jié)果，還采用了MQ-CNN、ARIMA等6種方法分別對(duì)4個(gè)指標(biāo)進(jìn)行預(yù)測(cè)，并對(duì)預(yù)測(cè)結(jié)果進(jìn)行比較和分析。

在以上三方面工作的基礎(chǔ)上，構(gòu)建了銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警模型，并將預(yù)測(cè)值的預(yù)警結(jié)果、真實(shí)值的預(yù)警結(jié)果以及一次性輸入全部真實(shí)數(shù)據(jù)的風(fēng)險(xiǎn)識(shí)別結(jié)果相比較，三種情況下識(shí)別出的高風(fēng)險(xiǎn)點(diǎn)是一致的，證明銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警模型在一定程度上能夠有效對(duì)風(fēng)險(xiǎn)進(jìn)行預(yù)警。

(二) 建議

1.通過(guò)銀行流動(dòng)性風(fēng)險(xiǎn)的大小來(lái)窺測(cè)全面風(fēng)險(xiǎn)。

企業(yè)破產(chǎn)的重要原因之一是資金鏈斷裂，只要資金鏈能夠維持，則短期的盈利能力下降或營(yíng)運(yùn)能力降低等均不會(huì)危及企業(yè)的生存。銀行也屬于企業(yè)，同樣具有該特性，雖然銀行面臨眾多風(fēng)險(xiǎn)，但在各風(fēng)險(xiǎn)中流動(dòng)性風(fēng)險(xiǎn)是重中之重。除流動(dòng)性比例能夠直接反映銀行的流動(dòng)性風(fēng)險(xiǎn)外，銀行同業(yè)拆借利率由于能夠直接反映銀行獲取資金的成本，間接反映銀行獲取資金的難易程度，其高低也可以衡量銀行的流動(dòng)性風(fēng)險(xiǎn)。

流動(dòng)性是決定銀行能否正常運(yùn)轉(zhuǎn)的重要因素，銀行是否具有流動(dòng)性取決于其是否能夠隨時(shí)以合理價(jià)格獲得滿(mǎn)足客戶(hù)提取的資金。銀行間同業(yè)業(yè)務(wù)(例如同業(yè)拆借)在流動(dòng)性的不均衡中發(fā)揮了調(diào)節(jié)作用，使銀行系統(tǒng)能夠正常運(yùn)轉(zhuǎn)，而當(dāng)系統(tǒng)中流動(dòng)性不足，則會(huì)有部分銀行流動(dòng)性需求無(wú)法滿(mǎn)足。當(dāng)通過(guò)負(fù)債不能以適當(dāng)成本獲取資金時(shí)，解決方法只能是通過(guò)出售資產(chǎn)以滿(mǎn)足流動(dòng)性資金需求。銀行同業(yè)直接和間接的關(guān)聯(lián)使銀行間流動(dòng)性風(fēng)險(xiǎn)具有較強(qiáng)的傳染性，銀行解決流動(dòng)性需求的各種行為在銀行網(wǎng)絡(luò)間互相影響，若沒(méi)有強(qiáng)有力的第三方介入(例如中央銀行等)，資產(chǎn)折價(jià)拋售可能會(huì)演變?yōu)橐恢滦孕袨?，進(jìn)而使資產(chǎn)迅速變現(xiàn)能力下降、資產(chǎn)減值。流動(dòng)性短缺的加劇促使信用違約發(fā)生，負(fù)面效應(yīng)外溢，進(jìn)一步傳染到資本市場(chǎng)，使投資者產(chǎn)生恐慌、信心受挫，對(duì)系統(tǒng)中的銀行產(chǎn)生不信任，可能會(huì)采取提款、撤資等應(yīng)對(duì)行為，當(dāng)這一風(fēng)險(xiǎn)在各銀行間同時(shí)發(fā)生，出現(xiàn)“擠兌”，流動(dòng)性風(fēng)險(xiǎn)和傳染性風(fēng)險(xiǎn)交織上升，進(jìn)一步演化為流動(dòng)性危機(jī)，極易引發(fā)銀行系統(tǒng)性風(fēng)險(xiǎn)，因此系統(tǒng)性風(fēng)險(xiǎn)預(yù)警應(yīng)該重點(diǎn)關(guān)注流動(dòng)性風(fēng)險(xiǎn)以及與之相隨的傳染性風(fēng)險(xiǎn)。銀行資金鏈的張弛有度，也即單個(gè)銀行和整體銀行系統(tǒng)的適度的流動(dòng)性是持續(xù)發(fā)展的關(guān)鍵所在，因此可以重點(diǎn)關(guān)注流動(dòng)性風(fēng)險(xiǎn)，通過(guò)流動(dòng)性風(fēng)險(xiǎn)的變化及時(shí)預(yù)警銀行系統(tǒng)性風(fēng)險(xiǎn)。

2.通過(guò)上市銀行市場(chǎng)表現(xiàn)及時(shí)預(yù)測(cè)風(fēng)險(xiǎn)可能性。

在我國(guó)的金融結(jié)構(gòu)里，商業(yè)銀行和證券市場(chǎng)(包括股市與債市)作為主要的融資機(jī)構(gòu)，相互之間具有聯(lián)動(dòng)性，尤其是在現(xiàn)代資本市場(chǎng)聯(lián)系越來(lái)越緊密的情況下，一方的變化會(huì)促進(jìn)或制約另外一方。例如，當(dāng)商業(yè)銀行信貸擴(kuò)張，則資本市場(chǎng)資金充裕，股市也會(huì)上漲，反過(guò)來(lái)股市的繁榮又能夠給商業(yè)銀行“補(bǔ)血”，商業(yè)銀行獲得充足的資本金后，又能夠繼續(xù)擴(kuò)充信貸，循環(huán)往復(fù)使兩者之間形成良好的共生關(guān)系。同時(shí)，二者之間又會(huì)相互制約，一方的不景氣會(huì)傳播與影響另一方，例如股市下跌會(huì)影響商業(yè)銀行收益，商業(yè)銀行信貸收縮會(huì)影響股市的上漲。

銀行股的表現(xiàn)也是股市漲跌的風(fēng)向標(biāo)，銀行指數(shù)直接反映銀行業(yè)股票的整體價(jià)格水平，間接反映銀行經(jīng)營(yíng)狀況，而經(jīng)營(yíng)狀況決定了銀行的持續(xù)發(fā)展能力。因此，關(guān)注銀行股指數(shù)的表現(xiàn)和變化，可以盡早發(fā)現(xiàn)風(fēng)險(xiǎn)的高低。

3.通過(guò)內(nèi)部風(fēng)險(xiǎn)管理和外部風(fēng)險(xiǎn)監(jiān)管防范風(fēng)險(xiǎn)。

銀行系統(tǒng)由各家銀行共同組成，每家銀行的健康發(fā)展對(duì)于整個(gè)銀行系統(tǒng)的安全都有重要作用。推動(dòng)銀行承擔(dān)起風(fēng)險(xiǎn)防控的主體責(zé)任，守好風(fēng)險(xiǎn)防控第一道防線非常重要。風(fēng)險(xiǎn)控制的程度對(duì)銀行經(jīng)營(yíng)的短期利益和長(zhǎng)期利益有著不同的影響，短期放松監(jiān)管能加快銀行擴(kuò)大規(guī)模、增加利潤(rùn)，但長(zhǎng)期卻埋下了風(fēng)險(xiǎn)隱患，對(duì)銀行長(zhǎng)期發(fā)展不利。風(fēng)險(xiǎn)管理是商業(yè)銀行安身立命的基石，它的作用尤其是在經(jīng)濟(jì)衰退時(shí)尤為凸顯，因此商業(yè)銀行應(yīng)將銀行各項(xiàng)主要風(fēng)險(xiǎn)全部納入統(tǒng)一管理框架，進(jìn)行積極主動(dòng)的風(fēng)險(xiǎn)管理，加強(qiáng)風(fēng)險(xiǎn)監(jiān)測(cè)、人員管理、合規(guī)教育，制定適度的風(fēng)險(xiǎn)承擔(dān)目標(biāo)。

銀監(jiān)會(huì)作為銀行的主要監(jiān)管機(jī)構(gòu)，2000年以后出臺(tái)了多項(xiàng)監(jiān)管指引，使銀行的經(jīng)營(yíng)日益規(guī)范，但宏觀環(huán)境日趨復(fù)雜，監(jiān)管當(dāng)局仍須不斷提高監(jiān)管能力，注意風(fēng)險(xiǎn)的隱蔽性和滯后性，注重風(fēng)險(xiǎn)管理的前瞻性和計(jì)量化，通過(guò)銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警來(lái)及時(shí)發(fā)現(xiàn)危機(jī)，提高對(duì)風(fēng)險(xiǎn)的應(yīng)對(duì)能力，以此來(lái)適應(yīng)外部不斷變化的環(huán)境，保障銀行系統(tǒng)的穩(wěn)健發(fā)展，維護(hù)國(guó)家金融安全。