陳慶婉 張品一
摘 要:本文通過SSA-BP神經網絡模型對系統(tǒng)性金融風險進行研究,并對中國的系統(tǒng)性金融風險進行評估和預警。第一,本文選取我國2008—2022年18個金融指標的月度數據構建了初始金融指標體系,在此基礎上運用主成分分析和K-均值聚類將金融風險劃分為四類。第二,基于SSA-BP神經網絡模型建立我國金融風險預警模型,并通過2022年的數據對2023年的金融系統(tǒng)性風險狀態(tài)進行仿真預測。結果顯示,2023年的金融系統(tǒng)風險處于警戒狀態(tài)或危險狀態(tài),值得重點關注。
關鍵詞:SSA-BP神經網絡模型;系統(tǒng)性金融風險預警;主成分分析;聚類分析;仿真預測
本文索引:陳慶婉,張品一.<變量 2>[J].中國商論,2023(16):-119.
中圖分類號:F830.9 文獻標識碼:A 文章編號:2096-0298(2023)08(b)--04
全球經濟一體化推進了世界各國之間的經濟聯(lián)系,在資本加深開放程度的進程中,金融系統(tǒng)面臨的風險沖擊隨之加大。20世紀90年代后,全球各地區(qū)先后爆發(fā)了經濟危機,進而引發(fā)了全球金融危機。隨著經濟的快速發(fā)展,我國金融體系安全也有新的要求?!笆奈濉睍r期,我國明確提出建立財稅金融體制、完善現(xiàn)代金融監(jiān)管體系;黨的二十大報告中也提出,加強和完善現(xiàn)代金融監(jiān)管、強化金融穩(wěn)定保障體系。因此,如何有效防范金融風險的爆發(fā)、避免金融危機的產生一直是國內外學者重點關注的領域。
國外方面,Nag&Mitra(1999)、Al-Kazemi等(2002)、Melek Acar(2009)先后使用神經網絡模型對金融風險預警進行了研究。國內方面,王志宇等(2000)、李夢雨(2012)、曾昭法和游悅(2020)、韓喜昆和馬德功(2021)、張品一和薛京京(2022)等學者也通過不同的神經網絡模型對系統(tǒng)性金融風險進行了研究,BP神經網絡模型在金融風險預警的應用已經非常成熟。但是,目前單獨使用BP神經網絡模型對金融風險進行研究已不具有價值,因此本文擬對BP神經網絡引入一個優(yōu)化算法——麻雀搜索算法(SSA),進而得到一個精確度更高的金融風險預警模型。本文使用麻雀搜索算法對BP神經網絡進行優(yōu)化,通過主成分分析法和K-均值聚類算法將金融系統(tǒng)劃分為四類風險狀態(tài),構建金融風險預警模型,并通過2022年的數據對2023年的金融風險狀態(tài)進行預測。
1 模型建立與分析
BP神經網絡是一種常見的人工神經網絡,其正向傳播方向為“輸入層→隱含層→輸出層”。在訓練過程中,輸入樣本通過多層神經元層進行處理,最終得到網絡輸出值。當期望值與輸出值之間存在誤差時,神經網絡需要對其進行自我糾正,在誤差反向傳播的過程中,調整權值和閾值以最小化誤差,并滿足性能要求。梯度下降算法通常用于對每個神經元的權值和閾值進行調整,完成信息提取和訓練。BP神經網絡模型拓撲結構如圖1所示。
BP神經網絡在預測方面應用廣泛,具有非線性映射、自適應學習和泛化能力。然而,BP神經網絡的算法本質上是梯度下降法,需要優(yōu)化復雜的目標函數,效率較低。此外,BP神經網絡是一種局部搜索優(yōu)化方法,容易陷入局部極值,并導致權值收斂到局部極小點。
麻雀搜索算法主要是受麻雀覓食行為和反捕食行為的啟發(fā)而提出的,該算法比較新穎,具有尋優(yōu)能力強、收斂速度快的優(yōu)點。針對BP神經網絡模型存在的算法效率低下、容易陷入局部最優(yōu)、不能做到全局尋優(yōu)等問題,本文引進SSA算法對BP神經網絡模型的初始權重和閾值進行優(yōu)化處理,從而提出SSA-BP神經網絡模型。
2 指標選取和數據處理
基于目前我國的金融穩(wěn)定狀況及面臨的主要金融風險,本文選取2008—2022年的經濟數據進項分析,并結合外部風險沖擊,共選取18個與金融風險累積的相關指標,將選取的風險指標劃分為:(1)宏觀經濟總體指標,包括GDP增長率(X1)、通貨膨脹率(X2)、M2增長率(X3)、固定資產投資增長率(X4);(2)銀行壞賬累積性風險指標,包括資本充足率(X5)、不良貸款率(X6)、資產收益率(X7)、流動性比率(X8);(3)泡沫經濟風險指標,包括股市平均市盈率(X9)、股票流通市值/GDP(X10)、房價增長率(X11);(4)債務風險指標,包括財政赤字(X12)、外債總額(X13)、短期外債(X14);(5)外幣沖擊風險指標,包括實際匯率(X15)、外匯儲備(X16)、外商投資(X17)、經常項目差額/GDP(X18)。
首先,本文使用主成分分析法處理指標數據來提高模型的訓練效率。先對選取的數據指標是否能適用于主成分分析進行檢驗,利用KMO檢驗和巴特利特球體檢驗對初始特征指標進行分析。KMO檢驗結果顯示,KMO的統(tǒng)計量為0.717,表示原始指標相關性較強;巴特利特球體檢驗結果顯示,巴特利特球形度檢驗顯著性,為0.00,拒絕原假設,表示原始指標具有顯著相關性,可以做因子分析。其次,依據特征值大于1的基本原則,提取5個與金融風險密切相關的主因子F1、F2、F3、F4、F5,方差貢獻率分別為37.580%、14.418%、11.234%、10.454%、8.864%,累計方差貢獻率為82.550%,即5個主因子載荷了系統(tǒng)性金融風險的大部分信息。
通過荷載因子矩陣可以得出各因子的因子得分,結合5個主因子的方差貢獻率進行如式
計算,構造能夠體現(xiàn)各年份金融變量的Ft,通過Ft的取值范圍進行所屬年份的風險狀態(tài)劃分。采用K-均值聚類的方法,將Ft劃分為四個等級,即安全、基本安全、警戒狀態(tài)和危險狀態(tài)。采用“極值—均值”劃定金融風險狀態(tài)的臨界值,即安全為A(-∞,-0.448]、基本安全為B(-0.448,0.326]、警戒狀態(tài)為C(0.326,0.762]、危險狀態(tài)為D(0.762,+∞),得到Ft預警模型的完整編碼如表1所示。
結果顯示,主成分分析法所劃分的風險狀態(tài)分類基本上能反映我國金融系統(tǒng)的穩(wěn)定情況。2008年美國次貸危機爆發(fā),給我國金融系統(tǒng)帶來了巨大的外部風險沖擊;2010年以來,歐美國家在應對金融危機中對我國經濟的影響也不容忽視,但是針對這一外部沖擊,國家及時做出調整,政府出臺了一系列防范金融風險的政策;2014年以來,我國金融系統(tǒng)出現(xiàn)多次金融風險,“影子銀行”爆發(fā)式增長,股市也出現(xiàn)跌停、停牌的動蕩趨勢;2019年底,新冠疫情席卷全球,金融市場受到了極大影響。
3 實證分析
基于主成分分析法及通過聚類后得到的風險類別的劃分,本文選取2008—2021年的5個主成分公因子作為神經網絡的輸入神經元,因子綜合得分Ft最為輸出神經元,logsig函數為隱含層神經元的傳遞函數,purelin函數為輸出層神經元的傳遞函數,trainlm為訓練函數,學習率設定為0.1。網絡最大訓練次數為1000,目標誤差為0.0001。根據Kolomgorov 定理與試錯過程,設隱含層神經元個數為12,因此本文的神經網絡結構為5-12-1,即輸入層數為5層,隱含層數為12層,輸出層數為1層,上述編程及實證過程均通過MATLAB R2017b完成。
根據訓練結果可知,神經網絡的輸出與訓練目標之間的誤差僅為0.000879,可見經過神經網絡訓練后得到的SSA-BP神經網絡模型能夠較好反映金融風險指標與系統(tǒng)性金融風險之間的相關關系。
在使用SSA-BP神經網絡模型進行金融風險預測之前,先對該模型的準確性進行驗證。為了避免時間序列的影響,本文隨機選取12個月的數據樣本作為檢驗樣本,利用經過訓練的SSA-BP神經網絡系統(tǒng)性風險預警模型,運用仿真函數sim計算神經網絡的輸出,并對輸出結果與應用因子分析法得出的結果區(qū)間進行驗證,測試結果如表2所示。
驗證結果顯示,檢驗樣本在SSA-BP神經網絡模型的預測結果和因子分析所得的風險狀態(tài)的區(qū)間基本對應,因此基于SSA-BP神經網絡構建的系統(tǒng)性金融風險預警模型能夠有效地預測系統(tǒng)性金融風險的狀態(tài)。
為了驗證SSA-BP模型預測效果的好壞,本文通過平均絕對誤差(MAE)和均方根誤差(RMSE)對BP神經網絡和SSA-BP神經網絡的預測效果進行對比,對比結果如表3所示。
驗證結果顯示,結合SSA算法建立的SSA-BP神經網絡的均絕對誤差和均方根誤差都要比BP神經網絡的結果小,因此SSA-BP模型相較BP神經網絡模型誤差更小,預測結果的準確度更高。
綜上所述,SSA-BP神經網絡模型具有較高的準確性,能夠有效預測系統(tǒng)性金融風險的狀態(tài),且SSA-BP神經網絡模型相對BP神經網絡模型預測效果誤差更小,精確度更高,因此可以選用SSA-BP神經網絡模型預測我國系統(tǒng)性金融風險狀態(tài)。本文通過輸入2022年月度的樣本數據,對2023年月度的金融風險狀態(tài)進行預測,預測結果如表4所示。
從預測結果來看,我國2023年系統(tǒng)性金融風險狀態(tài)處于警戒狀態(tài)或危險狀態(tài)。從國內來看,經濟恢復基礎尚不牢固,“三重壓力”仍然較大。同時,三年疫情的持續(xù)沖擊,有可能對我國的潛在產出產生一定的抑制效應。從國外來看,以美聯(lián)儲為首的全球主要央行貨幣政策進一步緊縮,會給我國經濟帶來直接或間接的影響,發(fā)達經濟體貨幣集體或將從以金融沖擊為主轉變?yōu)椤敖鹑?實體”的雙重沖擊。
4 結語
本文結合主成分分析法和SSA-BP神經網絡算法構建了我國的系統(tǒng)性金融風險預警模型。通過該模型對2023年月度的金融風險狀態(tài)進行預測,結果顯示2023年中國的金融系統(tǒng)運行情況處于警戒狀態(tài)或危險狀態(tài),值得引起相關部門重視。從長遠來看,中國的金融行業(yè)要想獲得進一步的發(fā)展壯大,就必須繼續(xù)實施分類監(jiān)管模式,加強對各金融機構的監(jiān)管,不斷地深入經濟改革,完善服務體系,提高服務能力。同時,政府應出臺應對金融風險的政策,加強金融系統(tǒng)的安全性,推動金融行業(yè)的穩(wěn)定發(fā)展。
參考文獻
王志宇,許良,張學成.金融危機預警專家系統(tǒng)的建立[J].燕山大學學報,2000(1):84-87+89.
李夢雨.中國金融風險預警系統(tǒng)的構建研究:基于K-均值聚類算法和BP神經網絡[J].中央財經大學學報,2012(10):25-30.
曾昭法,游悅.基于神經網絡分位數回歸的金融風險預警[J].統(tǒng)計與決策,2020,36(14):137-140.
韓喜昆,馬德功.基于AM-BPNN模型的系統(tǒng)性金融風險評估及預警[J].統(tǒng)計與決策,2021,37(4):138-141.
張品一,薛京京.多分形互聯(lián)網金融市場的風險預警模型研究[J].數量經濟技術經濟研究,2022,39(8):162-180.