區域性金融風險早期預警體系研究

毛瑞豐

摘要： 2008年國際金融危機爆發以來，世界各國應對金融危機的經驗表明，構建金融體系風險預警機制是必要且可行的。本文通過借鑒國內外關于建立金融風險預警指標體系的既有研究成果，綜合運用模糊聚類分析、BP神經網絡建模等，提出符合中國特色的區域金融風險預警體系框架，在此基礎上對安徽省區域金融風險狀況進行預測分析并提出相關建議。

關鍵詞： 金融風險；預警；模糊聚類；神經網絡

一、引言

2014年中央經濟工作會議明確提出要“高度重視財政金融領域存在的風險隱患，堅決守住不發生系統性和區域性金融風險的底線”。2008年國際金融危機爆發以來，世界各國應對金融危機的經驗表明，構建金融體系風險預警機制是必要且可行的。相對于整體金融風險而言，區域性金融風險具有更強的外部傳導性和可控性，且一般早于整體金融風險爆發，在某種程度上可被視為整體金融風險的預警信號，因此，作為金融監管的有效補充，研究區域性金融風險早期預警體系并進行預警分析將對金融風險管控具有重要意義。

國外學者對于早期風險預警體系的研究較為系統和成熟，且已有一些金融監管部門建立了早期預警模型，如美聯儲的SEER評級模型、美國聯邦存款保險公司的SCOR模型、法國銀行業委員會的預期損失模型、國際貨幣基金組織的宏觀審慎評估模型等。受國際金融危機的影響，近年來國內學者在早期金融風險預警和管理方面的研究也越來越多，但由于預警指標選擇、風險狀態劃分及臨界值選擇等均不盡相同，因此建立的預警模型也有所差異。本文通過借鑒國內外對金融風險預警指標體系的既有研究成果，綜合運用模糊聚類分析、BP神經網絡建模等計量分析方法，構建區域金融風險預警體系，以期對區域性金融風險的評估和防范提供客觀性依據。

二、總體分析框架及模型構建

本文構建的區域金融風險早期預警體系由三部分組成：首先結合安徽區域特點，構建包括經濟因素、財政因素、金融因素、房地產發展、企業經營狀況等的區域性金融風險指標體系；其次利用模糊聚類分析對研究樣本進行分類，確定BP神經網絡預警模型的分割點，為區域性金融風險水平的劃分提供一種新思路；最后采用人工神經網絡來預測未來金融危機發生的可能性。

（一）區域性金融風險指標體系

區域性金融風險指標選擇既要考慮金融風險因素的普遍性，更要體現區域經濟金融發展特點。指標選取原則：一是全面性，所選指標盡可能全面反映區域金融風險；二是可得性，所選數據要容易獲得，且期間口徑未作調整；三是匹配性，數據收集成本與模型預測的經濟實用性相匹配。

（二）風險評估的模糊聚類分析

在分析一個時間序列的區域金融風險時，我們可以把指標相似程度高的樣本聚集在一起，作為一個整體進行分析，以達到簡化的效果。傳統的聚類分析是一種“硬劃分”，即把每個待識別的對象嚴格劃分到某類中，具有“非此即彼”的性質，這種分類的類別界限也是分明的。然而，在大多數情況下，風險類別可能并沒有嚴格的界定，其類屬性方面存在中介性，適合進行“軟劃分”。模糊集理論為這種劃分提供了強有力且有效的分析工具，采用相應的模糊聚類模型，可以取得較好的分類效果。“模糊聚類”概念最早由Ruspini提出，之后人們利用這一概念提出了多種模糊聚類算法。本文運用神經網絡來進行模糊聚類，其優勢在于神經網絡的并行處理結構。

（三）基于人工神經網絡的早期預警體系

人工神經網絡ANN）是一種在生物神經網絡啟示下建立的數據處理模型，其具有強大的模式識別和數據擬合能力，最為可貴的是神經網絡還有自學習和自適應性。自適應性是指一個系統能夠改變自身的性能以適應環境變化的能力，當環境發生變化時，相當于給神經網絡輸入新的訓練樣本，網絡能夠自動調整結構參數，改變映射關系，從而對特定的輸入產生相應的期望輸出。人工神經網絡包括很多種，不同類型的神經網絡適用于解決不同的問題，其中最為常用的一種就是BP神經網絡，它是一種多層前向神經網絡，其權值調整采用反向傳播學習算法。而自組織競爭神經網絡則使用了與前向神經網絡完全不同的思路，采取競爭學習的思想，網絡的輸出神經元之間相互競爭，同一時刻只有一個輸出神經元獲勝，因此自組織神經網絡主要用于解決分類、聚類問題。鑒于此，本文在進行區域金融風險評估時，運用自組織競爭神經網絡進行模糊聚類分析，得出各樣本的風險類別；而在構建區域風險早期預警體系時，采用BP神經網絡進行分析和預測。

三、區域性金融風險早期預警的實證分析

（一）區域性金融風險監測指標的選取與標準化

金融風險是一個綜合性、系統性的概念，單純選用個別指標不足以反映其真實水平。因此，根據客觀性、完備性、科學性、實用性、重要性原則，同時借鑒國內外研究成果，本文選取了經濟、財政、金融、房地產、企業經營等方面的17個金融風險評價指標，樣本區間為2009年至2014年一季度的安徽省季度數據，并根據指標與金融風險的正負相關性對其進行標準化。

（二）基于自組織競爭神經網絡的模糊聚類分析

本文運用MatlabR2014a）的神經網絡工具箱，導入21組樣本數據，使用自組織特征映射網絡的工具箱函數selforgmap創建網絡，并確定將區域性金融風險劃分為五類，即安全第1類）、基本安全第2類）、風險較低第3類）、警惕第4類）、危險第5類）。值得注意的是，聚類完成時，分為同一類的樣本被賦予相同的分類標簽1-5的任意整數），但不同類別使用什么數字作為分類標簽則是隨機的。因此，為了得到正確的結果，需要統計每個聚類類別特征向量數值的均值，由于樣本數據已進行標準化處理，數值越低代表風險越低，進而判斷不同類別的風險級別，各時點風險水平如表所示。