基于大數(shù)據(jù)方法的大連系統(tǒng)性金融風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警

李艷玲 陳丹丹

（大連財(cái)經(jīng)學(xué)院,遼寧 大連 116622）

1 緒論

1.1 研究背景及意義

黨的二十大報(bào)告指出，防范金融風(fēng)險(xiǎn)還須解決許多重大問(wèn)題。要強(qiáng)化金融穩(wěn)定保障體系，守住不發(fā)生系統(tǒng)性風(fēng)險(xiǎn)底線。這為新時(shí)代處置重大金融風(fēng)險(xiǎn)、維護(hù)人民財(cái)產(chǎn)安全提供了重要遵循和根本指南。大連是東北地區(qū)對(duì)外開放的窗口，經(jīng)濟(jì)不斷發(fā)展，不同金融市場(chǎng)之間的聯(lián)動(dòng)逐漸加強(qiáng)，金融機(jī)構(gòu)之間的業(yè)務(wù)交叉日趨密切，金融產(chǎn)品創(chuàng)新不斷涌現(xiàn)，金融體系的復(fù)雜性變得更加突出。因此，加強(qiáng)對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的監(jiān)管變得尤為重要。

大數(shù)據(jù)前沿技術(shù)逐漸滲透到各個(gè)領(lǐng)域，引發(fā)了現(xiàn)代金融業(yè)革命性的變革。苗子清等（2020）研究指出，大數(shù)據(jù)方法因具備及時(shí)性、精準(zhǔn)性、高顆粒度、大樣本量等優(yōu)勢(shì)[1]，能夠很好地完成金融領(lǐng)域的數(shù)據(jù)分析和信息處理，進(jìn)一步豐富了監(jiān)測(cè)預(yù)警系統(tǒng)性金融風(fēng)險(xiǎn)的手段和工具。將大數(shù)據(jù)方法應(yīng)用在監(jiān)測(cè)預(yù)警大連系統(tǒng)性金融風(fēng)險(xiǎn)中，一方面可以降低監(jiān)管成本，另一方面能夠及早發(fā)現(xiàn)危機(jī)信號(hào)，采取有效措施，從而進(jìn)行有效治理，對(duì)維護(hù)大連經(jīng)濟(jì)健康具有重要的現(xiàn)實(shí)意義。

1.2 國(guó)內(nèi)外研究現(xiàn)狀

國(guó)外大數(shù)據(jù)技術(shù)在金融監(jiān)管領(lǐng)域的應(yīng)用較為成熟，主要有以下方面：一是綜合指數(shù)法，此方法基于宏觀經(jīng)濟(jì)和金融市場(chǎng)指標(biāo)，采用各種統(tǒng)計(jì)學(xué)加總方法，構(gòu)建可用于實(shí)時(shí)監(jiān)測(cè)金融體系風(fēng)險(xiǎn)狀況的綜合指數(shù)，例如Illing等（2006）提出的加拿大金融壓力指數(shù)[2]。二是邏輯回歸法，例如Kumar等（2002）提出的Simple Logit模型用于貨幣危機(jī)預(yù)警[3]。三是研究風(fēng)險(xiǎn)傳遞和金融行業(yè)系統(tǒng)性關(guān)聯(lián)的方法，如Nyman等（2021）利用大數(shù)據(jù)分析法對(duì)系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行評(píng)估[4]。

我國(guó)學(xué)者借鑒國(guó)外方法，結(jié)合中國(guó)特色，創(chuàng)造性地建立了中國(guó)的系統(tǒng)性金融風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警模型。李夢(mèng)雨（2012）利用BP神經(jīng)網(wǎng)絡(luò)打造金融風(fēng)險(xiǎn)預(yù)警系統(tǒng)[5]；劉曉星等（2012）為了更加全面測(cè)度我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)，構(gòu)建了一個(gè)完備的金融壓力指數(shù)測(cè)度模型體系[6]；李敏波等（2021）通過(guò)馬爾可夫區(qū)制轉(zhuǎn)換模型，對(duì)金融市場(chǎng)壓力狀態(tài)進(jìn)行辨識(shí)[7]。綜上所述，國(guó)內(nèi)研究學(xué)者都是基于國(guó)家層面來(lái)使用大數(shù)據(jù)方法對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行監(jiān)測(cè)預(yù)警，但對(duì)區(qū)域系統(tǒng)性金融風(fēng)險(xiǎn)的監(jiān)測(cè)預(yù)警也應(yīng)同樣重視。所以本文選擇大連這一區(qū)域，使用大數(shù)據(jù)方法對(duì)其系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行監(jiān)測(cè)預(yù)警。

2 大連系統(tǒng)性金融風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警模型構(gòu)建

2.1 指標(biāo)選擇原則

王克達(dá)（2019）認(rèn)為針對(duì)不同金融風(fēng)險(xiǎn)的成因、影響范圍和監(jiān)管機(jī)構(gòu)等因素，在建立風(fēng)險(xiǎn)預(yù)警指標(biāo)體系時(shí)需要選取不同的具體指標(biāo)[8]。雖然各指標(biāo)的選擇方式不相同，但是要保證指標(biāo)體系的科學(xué)性與完整性，還必須遵守科學(xué)性、典型性和可得性原則。

2.2 構(gòu)建大連系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警指標(biāo)體系

本文構(gòu)建的大連系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警指標(biāo)體系在遵循以上預(yù)警指標(biāo)選取原則的基礎(chǔ)上，參考了相關(guān)的金融監(jiān)管機(jī)構(gòu)的監(jiān)管指標(biāo)，并結(jié)合國(guó)內(nèi)外學(xué)者的研究成果。在指標(biāo)選擇過(guò)程中，充分考慮了各種因素，并綜合考慮其實(shí)際操作性和數(shù)據(jù)獲取難易程度，最終以外部經(jīng)濟(jì)、大連宏觀經(jīng)濟(jì)和大連金融機(jī)構(gòu)這3個(gè)維度作為一級(jí)指標(biāo)，并在此基礎(chǔ)上選擇了相應(yīng)的10個(gè)二級(jí)指標(biāo)。同時(shí)，本文借鑒相關(guān)文獻(xiàn)的風(fēng)險(xiǎn)等級(jí)臨界參數(shù)，設(shè)定劃分指標(biāo)內(nèi)的預(yù)警界限，各指標(biāo)具體的預(yù)警界限如表1所示。

表1 大連系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)預(yù)警界限

3 基于徑向基神經(jīng)網(wǎng)絡(luò)的大連系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警實(shí)證

3.1 模型數(shù)據(jù)的處理和期望值確定

本文樣本選擇2005—2020年的年度數(shù)據(jù)，選擇的原因是數(shù)據(jù)的可得和全面。數(shù)據(jù)來(lái)源于歷年《中國(guó)統(tǒng)計(jì)年鑒》、歷年《大連統(tǒng)計(jì)年鑒》和萬(wàn)方數(shù)據(jù)庫(kù)等。由于所選指標(biāo)的計(jì)量單位不同，無(wú)法直接進(jìn)行指標(biāo)間的比較。另外，在數(shù)據(jù)分析過(guò)程中，需考慮徑向基（RBF）神經(jīng)網(wǎng)絡(luò)的收斂問(wèn)題。為消除數(shù)據(jù)量級(jí)和量綱對(duì)分析過(guò)程的影響，本文先對(duì)各指標(biāo)的原始數(shù)據(jù)進(jìn)行了處理。接下來(lái)，本文確定了輸出節(jié)點(diǎn)和期望輸出值，主要在Jupyter Notebook中使用python對(duì)10個(gè)輸入樣本進(jìn)行主成分分析。

3.1.1 數(shù)據(jù)的處理

首先對(duì)指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，從而使選出的指標(biāo)可以相互比較。將收集到的原始指標(biāo)數(shù)據(jù)導(dǎo)入Jupyter Notebook中，使用StandardScaler函數(shù)對(duì)數(shù)據(jù)進(jìn)行歸一化處理，并返回歸一化后的結(jié)果。StandardScaler是Sklearn庫(kù)中提供的歸一化函數(shù)，它能夠?qū)?shù)據(jù)中的每個(gè)特征轉(zhuǎn)化為均值為0、方差為1的標(biāo)準(zhǔn)正態(tài)分布的數(shù)據(jù)。

3.1.2 主成分分析

主成分分析（PCA）的核心思想是利用數(shù)據(jù)降維，對(duì)多個(gè)指數(shù)進(jìn)行線性變換，得到若干不相干的綜合指數(shù)。各主元分量均為原變量線性合成，各主元分量間無(wú)相關(guān)性。用這種方法得到的主要元素?fù)碛懈玫男阅埽兞磕芨玫刈プ?wèn)題的本質(zhì)，從而簡(jiǎn)化了系統(tǒng)結(jié)構(gòu)。在PCA中，需要確定的是特征值大于1并且累積方差貢獻(xiàn)率大于85%的前n個(gè)主成分。經(jīng)過(guò)分析，本文前三個(gè)主成分滿足這些要求，這三個(gè)主成分的方差貢獻(xiàn)率分別為0.650 35、0.160 04和0.081 99。通過(guò)三個(gè)主成分的方差貢獻(xiàn)率，可以得到整體金融風(fēng)險(xiǎn)情況F的得分，具體如表2所示。

表2 各主成分得分及綜合得分表

從表2數(shù)據(jù)可以看出，大連的系統(tǒng)性金融風(fēng)險(xiǎn)一直在降低。20世紀(jì)90年代大連經(jīng)濟(jì)飛速發(fā)展，雖然從2000年開始大連GDP增速有所減緩，但前期經(jīng)濟(jì)高速發(fā)展使其金融體系變得不穩(wěn)定，2005—2008年雖然系統(tǒng)性金融風(fēng)險(xiǎn)一直降低，但仍處于較大風(fēng)險(xiǎn)狀態(tài)。而到2008年以后，國(guó)家宏觀經(jīng)濟(jì)增速放緩，大連的系統(tǒng)性金融風(fēng)險(xiǎn)也逐漸降低，到2012年進(jìn)入相對(duì)安全狀態(tài)。本文使用SPSS對(duì)上述數(shù)據(jù)進(jìn)行了聚類分析，根據(jù)數(shù)據(jù)之間的相似度對(duì)它們進(jìn)行分類，結(jié)果如圖1所示。經(jīng)過(guò)聚類分析，將數(shù)據(jù)分為四類：“較大風(fēng)險(xiǎn)”“警惕”“相對(duì)安全”以及“安全”。

圖1 數(shù)據(jù)擬合圖

圖1 各主成分及綜合得分聚類分析結(jié)果圖

通過(guò)分析得出，本文將大連系統(tǒng)性金融風(fēng)險(xiǎn)閾值劃分為較大風(fēng)險(xiǎn)（-∞,-0.8]、警惕（-0.8,0.006]、相對(duì)安全（0.006,1.2]和安全（1.2,+∞）。

3.2 徑向基神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練與測(cè)試

徑向基神經(jīng)網(wǎng)絡(luò)（RBFNN）是一種非線性模型，它基于神經(jīng)網(wǎng)絡(luò)，具備出色的逼近能力和泛化能力。它的工作原理是將輸入數(shù)據(jù)映射到高維空間中，然后使用線性模型進(jìn)行分類或回歸等任務(wù)。RBFNN的結(jié)構(gòu)包含三個(gè)部分：輸入層、隱含層和輸出層。輸入層接收原始數(shù)據(jù)，并將其傳遞到隱含層。隱含層由一組徑向基函數(shù)組成，這些函數(shù)將輸入數(shù)據(jù)映射到高維空間中。徑向基函數(shù)通常是高斯函數(shù)或者多項(xiàng)式函數(shù)等。隱含層的每個(gè)神經(jīng)元都代表一個(gè)徑向基函數(shù)，其輸出值是輸入數(shù)據(jù)與該函數(shù)中心點(diǎn)之間的距離。隱含層的輸出被送到輸出層，通過(guò)權(quán)重矩陣和偏置項(xiàng)進(jìn)行線性組合，得到最終的輸出結(jié)果。本文主要基于徑向基神經(jīng)網(wǎng)絡(luò)模型，來(lái)對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)達(dá)到預(yù)警目的。在Jupyter Notebook中使用randperm()函數(shù)，從2005—2020年的數(shù)據(jù)樣本中隨機(jī)選取了13年的數(shù)據(jù)作為訓(xùn)練集，剩下3年的數(shù)據(jù)則作為測(cè)試集。這樣能夠保證模型的公正性與有效性，提高訓(xùn)練結(jié)果在實(shí)證中的可靠性。

3.2.1 模型構(gòu)建和參數(shù)設(shè)置

靠近地平線的太陽(yáng)，像一團(tuán)快要熄滅的火球，幾乎被那些混混沌沌的濃霧同蒸氣遮沒了，讓你覺得它好像是什么密密團(tuán)團(tuán)，然而輪廓模糊、不可捉摸的東西。這個(gè)人單腿立著休息，掏出了他的表，現(xiàn)在是四點(diǎn)鐘，在這種七月底或者八月初的季節(jié)里——他說(shuō)不出一兩個(gè)星期之內(nèi)的確切的日期——他知道太陽(yáng)大約是在西北方。他瞧了瞧南面，知道在那些荒涼的小山后面就是大熊湖；同時(shí)，他還知道在那個(gè)方向，北極圈的禁區(qū)界線深入到加拿大凍土地帶之內(nèi)。他所站的地方，是銅礦河的一條支流，銅礦河本身則向北流去，通向加冕灣和北冰洋。他從來(lái)沒到過(guò)那兒，但是，有一次，他在赫德森灣公司的地圖上曾經(jīng)瞧見過(guò)那地方。

模型的構(gòu)建需要確定輸入層、隱含層以及輸出層的節(jié)點(diǎn)數(shù)。對(duì)數(shù)據(jù)進(jìn)行聚類獲得徑向基函數(shù)的寬度向量、輸出層的連接權(quán)值以及閾值進(jìn)行隨機(jī)初始化，模型初始化完成。本文將模型的隱含層節(jié)點(diǎn)數(shù)設(shè)置為8，輸入層節(jié)點(diǎn)數(shù)設(shè)置為3，輸出層節(jié)點(diǎn)數(shù)為1，最大訓(xùn)練次數(shù)為1 000，停止迭代訓(xùn)練條件0.000 8，學(xué)習(xí)率為0.01。

3.2.2 模型的訓(xùn)練和測(cè)試

為了訓(xùn)練模型，需要將模型的輸出結(jié)果與前面的數(shù)據(jù)進(jìn)行比較，并計(jì)算兩者之間的誤差值。在此基礎(chǔ)上，對(duì)輸入層、隱含層、輸出層三個(gè)層次的連接權(quán)值進(jìn)行了調(diào)整。這個(gè)過(guò)程需要重復(fù)進(jìn)行，直到整個(gè)樣本的誤差值符合預(yù)先設(shè)定的準(zhǔn)確度要求。通過(guò)這種迭代循環(huán)的方式，能夠得到更加準(zhǔn)確、穩(wěn)定以及實(shí)用的預(yù)測(cè)模型。當(dāng)?shù)揭欢ù螖?shù)，損失值變化不明顯，優(yōu)化成功。

根據(jù)訓(xùn)練結(jié)果，保存更新的權(quán)值和偏置，模型訓(xùn)練結(jié)束。將保存好的權(quán)值和偏置代入訓(xùn)練好的模型，使用測(cè)試集來(lái)核驗(yàn)?zāi)Ｐ偷恼_性。將2005—2020年的訓(xùn)練集與測(cè)試集的模型輸出值與相應(yīng)年度的真實(shí)值進(jìn)行對(duì)比得到圖1，從圖1可以看出，模型輸出數(shù)據(jù)與真實(shí)數(shù)據(jù)擬合基本一致。

3.3 大連系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)測(cè)

4 結(jié)論

本文運(yùn)用主成分分析、徑向基神經(jīng)網(wǎng)絡(luò)模型和聚類分析這三種大數(shù)據(jù)方法對(duì)大連系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警進(jìn)行了實(shí)證研究，選取了10個(gè)指標(biāo)構(gòu)建大連系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，對(duì)大連系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)進(jìn)行了判定。結(jié)果顯示，大連在2005—2008年處于較大風(fēng)險(xiǎn)狀態(tài)；2009—2011年處于警惕狀態(tài)；從2012年開始大連進(jìn)入相對(duì)安全狀態(tài)?；谟?xùn)練測(cè)試完畢的徑向基神經(jīng)網(wǎng)絡(luò)模型輸入大連2021年的指標(biāo)數(shù)據(jù)對(duì)大連2022年的系統(tǒng)性金融風(fēng)險(xiǎn)做出了預(yù)測(cè)，結(jié)果顯示2022年大連系統(tǒng)性金融風(fēng)險(xiǎn)為安全狀態(tài)。總體來(lái)說(shuō)，大數(shù)據(jù)技術(shù)在系統(tǒng)性金融風(fēng)險(xiǎn)研究中的應(yīng)用，可以幫助金融機(jī)構(gòu)更加準(zhǔn)確地識(shí)別風(fēng)險(xiǎn)因素，并進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)和決策，更好地實(shí)現(xiàn)風(fēng)險(xiǎn)監(jiān)測(cè)和控制，從而降低金融風(fēng)險(xiǎn)的發(fā)生概率和影響程度，其應(yīng)用前景將會(huì)越來(lái)越廣闊。