基于ＢＰ神經網絡的金融危機預警

摘要：金融危機是一個非線性的復雜過程，而人工神經網絡因良好的特性能較精確地預測其發生與否。文章將BP神經網絡運用于金融危機預警，以東南亞金融危機為研究對象，構建了一套危機預警系統。通過數據的分析，該模型具有明顯的預測精確度和優越性，有助于提升預測金融危機發生的正確率。

關鍵詞：金融危機；預警系統；神經網絡

一、引言

由于各國經濟結構不盡相同，以往的研究是否能夠精確預測金融危機。的確值得再作探討。本文引進已于金融機構及公司財務危機預警領域卓有成效的類神經網絡中的倒傳遞神經網絡，以東南亞金融危機為研究對象，構建了一套危機預警系統。這無論從思想上。還是技術上都是對傳統經濟預警系統都是一種拓寬和突破，解決了傳統預警模型難以處理高度非線性模型，克服缺少自適應能力、信息和知識獲取的間接、費時、效率低等困難，從而為預警走向實用化奠定了基礎。

二、人工神經網絡模型的建立

近年來，人工神經網絡，因其理論簡明，學習精確度高，且具有監督功能，在財務金融上的應用日漸普遍，如債券評等、期貨交易、破產倒閉預測等。人工神經網絡的基本架構如圖1。包括：(1)輸入層：表示類神經網絡的輸入變量。處理單元數目隨問題需要而定。(2)隱藏層：表現處理單元間的交互影響。其處理單元數目并無標準法則，大多以試驗方式做抉擇。且使用非線性轉換函數。隱藏層之層數沒有限制，但已有研究發現，至多三層隱藏層，即可解決任何復雜的分類問題。(3)輸出層：表示類神經網絡的輸出變量。處理單元的數目隨問題而定，用非線性轉換函數。

三、基于人工神經網絡的東南亞金融危機預警

1 研究對象、資料來源及預警變量。文章選擇研究的對象為東南亞九個國家和地區：日本、臺灣、香港、南韓、印度尼西亞、馬來西亞、菲律賓、泰國與新加坡。考慮到金融危機的發生時點，本文選取了這些國家在1995年-1999年五年問的宏觀經濟季度數據。

資料的獲得主要依賴于國際貨幣基金組織發行的國際金融統計(IFS)、世界銀行發布的世界發展報告(WDR)、國際統計年鑒、國際經濟信息。中國金融年鑒、中國統計年鑒、中國人民銀行統計月報等資料，并從中國經濟信息網、數據中華等下載了大量的電子數據。

本文在參考Gonzalez—Hermosillo，Pazarbasioglu andBillings(1997)，Demirguc—Kunt and Detragiache(1998)，以及Kaminsky，Lizondo and Reinhart(1998)研究的基礎上，選取了包含匯率、利率、貨幣供給量、外匯儲備、國內生產總值、物價指數、股價、進出口及存款保險制度等與一國整體經濟狀況相關的共27個變量，并計算綜合性指標作為判斷是否發生金融危機的標準。其中除存款保險制度為虛擬變量外，其他26個為一般總體經濟變量。并且根據每個變量對金融危機的影響，賦予其正負號。當被給予負號的變量數值越大時，金融危機的狀況會越嚴重，而被給予正號的變量數值越大時，就越能消除金融危機的狀況。各變量的代號、名稱、說明與正負號如表1所示。

2 預警變量選擇分析。

(1)離位者分析。問題國家在發生金融危機之前。其總體經濟狀況必異于正常國家，因此以相關各國的總體經濟狀況進行比較，便能從而判定何者為問題國家。離位者分析便是由這個觀點切入，從這27個變量的綜合分析里找出研究樣本中離位者的存在，以決定數據中的成功樣本與失敗樣本。

先進行累積統計量的計算。步驟是首先把虛擬變量V27刪除之后，將變量V1至V26的數據進行標準化，并依其對金融危機的影響給予小同的符號，會促進金融危機發生的變量給予負號，反之則給予正號。其次，每筆數據各自將26個變量依此原則進行加總計算，每筆資料加總而得的值稱為累積統計量，可視為一國在該時點時金融整體表現的總分。求出累積統計量的分布后，取其中位數將樣本區分為正常者和離位者，則成功樣本與失敗樣本便可判定。同時依據累積統計量的中位數。將各變量的數據分為：G無惡化為金融危機可能的群體和B可能惡化為金融危機的群體。以累積統計量的分群結果，選取出G、B兩個群體中存在明顯差異的變量。為了顯示預測的實用性和可操作性，本文以危機發生前半年的數據變化為觀測重點。

在危機發生前半年，V2匯率變動率、V5貨幣供給量I B、V6、V7貨幣供給量Ⅱ、V11貨幣供給量/國際準備、V13國內生產總值、V14國內生產總值成長率、V15消費者物價指數、V20股價變動率和V27存款保險制度。的顯著性小于0.05，代表這10個變量的群體存在明顯的差異性。

(2)因素分析。將通過離位檢定的變量進行因素分析，以決定模型的變量。其中V27為虛擬變量，先予以排除，不參與因素分析。本文采用SPSS統計軟件進行因素分析。先進行BartlettSphericity Test。以判斷所選定之自變量間是否存在共同變異。若KMO值大于0.5，且Bartlett檢定之統計值達到顯著水平，代表這些變量確有進行因素分析的必要。接著以主成分方法進行萃取主要因素的工作，藉由Kaiser標準保留特征值大于一的共同因素，決定由哪幾個成分來代表所有因素。同時由累積解釋變異，察看這些萃取出來的成分解釋能力有多少。最后再透過直交轉軸中之最大變異法求取因素負荷量，并以各成分內因素負荷量最大的因素為解釋變量以代表該成分，如此便可挑選出模型的變量。

在危機發生前半年，剔除掉虛擬變量V27后通過檢定的10個變量中，特征值大于一的因素有四個。其累積解釋變異高達84，86％。且四個成分內因素負荷量最大的變量分別為V6、V7、V14和V15，因此以該四個變量作為四個成分的解釋變量。

3 實證研究。本文使用Neural Works Professional軟件進行模型的建立與推算，模型所用變量是根據因素分析結果而來，為V2匯率變動率、V7貨幣供給量Ⅱ、V13國內生產總值與V27存款保險制度虛擬變量共四個。對于神經網絡，我們預先設定：(1)學習次數：即以訓練范例乘以一百倍；(2)慣性因子：0.4；(3)學習速率：隱藏層0.3、輸出層0.15；(4)學習法則：Delta-Rule(5)轉換函數：Tanh。

危機發生前半年：建立模型的變量為經因素分析篩選出的V6、V7、V14、V15和Y27共五個。由表2可以看出，估計樣本所架構的模型預測金融危機發生的正確率有87.34％，型I與型Ⅱ誤差分別為13.89％與11.43％。保留樣本帶人之后亦有73.61％的正確率，型I誤差偏高，為52.78％，型Ⅱ誤差則控制為0.00％。而以未經因素分析篩檢的27個原始變量所架構之模型其預測能力如表3。估計樣本所架構的模型預測金融危機發生的正確率可以達到95.75％，型I與型Ⅱ誤差分別為2.78％與5.71％。而保留樣本帶入之后亦有83.52％正確率的表現。型I與型Ⅱ誤差則為19.44％與13.51％。這樣的數據表明該模型具有明顯的預測優越性。

四、小結

BP神經網絡模型應用于金融危機預警系統，具有明顯的預測精確度和優越性。其預測能力很高，并且在型I誤差與型Ⅱ誤差上，有較低的錯誤率。就型I與型Ⅱ誤差而言，型I誤差的意義是“會發生金融危機卻沒被預測出來”。型Ⅱ誤差則是“不會發生金融危機卻被預測為發生金融危機”。對一國或地區政府而言，總是希望這類政策工具能夠具有預測并避免金融危機的作用，因此，站在能夠事先預防的立場上，較低的型I誤差相比之下是較為重要的。就危機發生前半年而言。經因素分析篩選變量的BP神經網絡模型對于估計樣本部分，其型I誤差為13.89％，未經因素分析篩選采用原始變量的BP神經網絡模型更只有2.78％，錯誤率很低。因此，將BP神經網絡引進金融危機預警領域之后，的確會有優于傳統計量方法模型的表現。可以將此方法持續應用于建構機制更精密或其他地區的金融危機預警系統，當有助于提升預測金融危機發生的正確率。