系統(tǒng)性風險預警模型和測度方法研究綜述

摘要：防范和化解系統(tǒng)性風險是當前金融機構和監(jiān)管當局工作任務的重心，文章主要梳理了國內外學者關于系統(tǒng)性風險的預警模型和測度方法，指出了已有研究模型和方法的不足之處：（1）受限于模型自身嚴苛的假設條件，不能處理非線性問題；（2）有效風險指標不足，不能全面反應金融體系的風險狀態(tài)；（3）受歷史原始數(shù)據(jù)序列長度的限制，難以建立符合國情的系統(tǒng)性風險預警系統(tǒng)；（4）受限于人的知識領域和經(jīng)驗，依賴人工建模和特征設計，因此與實際結果存在很大的誤差。最后，文章還為防范和化解系統(tǒng)性風險提出了政策建議。

關鍵詞：系統(tǒng)性風險；預警模型；測度方法；人工智能

一、 引言

2007-2009年的金融危機再次引起各國對系統(tǒng)性風險的關注。不同于傳統(tǒng)意義上的貨幣或者銀行危機等單體風險，此次金融危機背后隱含著全局性和綜合性的系統(tǒng)性風險。對于系統(tǒng)性風險的理解，金融穩(wěn)定委員會（FSB）（2009）認為系統(tǒng)性風險是指經(jīng)濟周期、宏觀經(jīng)濟政策變動和外部金融沖擊等風險因素使得一國金融體系發(fā)生動蕩，因而“對國際金融體系和全球實體經(jīng)濟都會產生巨大的負外部性效應”。二十國集團（G20）（2009）認為系統(tǒng)性風險會導致金融服務流程受損，并可能對實體經(jīng)濟造成嚴重的負面影響。Billio等（2010）將系統(tǒng)性風險定義為“任何威脅到金融系統(tǒng)穩(wěn)定或公眾信心的環(huán)境”。歐洲中央銀行（ECB）（2010）認為系統(tǒng)性風險會導致金融體系的不穩(wěn)定，阻礙經(jīng)濟增長和損害社會福利等金融體系的功能，并且危害范圍十分廣泛。此外，全球經(jīng)濟失衡、風險敞口、信息中斷、資產泡沫和風險傳染等也是對系統(tǒng)性風險的“代名詞”。系統(tǒng)性金融風險具有傳染性特征，涉及一系列相互關聯(lián)的金融機構，一旦流動性不足、資不抵債或虧損發(fā)生，風險將會在金融危機期間迅速傳播。因此，建立實時性和前瞻性的系統(tǒng)性金融風險預警模型不僅是金融機構和監(jiān)管當局工作任務的重心，也是學術界研究的焦點。

二、 系統(tǒng)性風險預警模型研究

綜觀國內外文獻，系統(tǒng)性風險的預警模型主要包括早期預警模型、指標預警模型和人工智能預警模型，具體研究如下。

1. 早期預警模型。Frankel和Rose（1996）提出了FR概率模型，是預測未來發(fā)生危機概率的一種早期預警模型，即P{Y=1}=F（X，），P{Y=0}=1-F（X，），其中X為引發(fā)危機爆發(fā)的因素，也即解釋變量，為X的參數(shù)，可用于計算引發(fā)危機因素的聯(lián)合概率；被解釋變量Y代表危機是否發(fā)生，若發(fā)生則為1，否則為0。基于該模型，F(xiàn)rankel和Rose利用1971年～1992年105個發(fā)展中國家的面板數(shù)據(jù)進行貨幣危機預警，結果此模型雖然樣本內能夠顯著的預測，但對樣本外金融危機的預測卻不穩(wěn)定。Sachs等（1996）提出了橫截面回歸模型，即STV模型，利用20個新興市場國家的橫截面數(shù)據(jù)，進行線性回歸，并解釋了由于1994年墨西哥金融危機傳染而引起相關國家的金融危機。Kaminsky等（1998）提出KLR信號預警模型，該模型對一些表現(xiàn)異常并可能引發(fā)危機的指標進行監(jiān)測，并根據(jù)指標數(shù)據(jù)的分布設置閾值，如果指標超過閾值，則預警信號表示在接下來的24個月內將發(fā)生貨幣危機。KLR信號預警模型也是目前最為流行的預警模型之一。

2. 指標預警模型。沈悅和亓莉（2008）構建了銀行系統(tǒng)性風險預警指標體系，利用層次分析法（AHP）對指標進行賦權，再根據(jù)指標體系的臨界值確定了指標預警界限，基于此運用該指標體系進行實時監(jiān)測分析。Alessi和Detken（2009）選取了一系列金融變量作為總資產價格繁榮或蕭條周期的預警指標，采用了一種信號預警方法分析了1970年～2007年期間18個經(jīng)合組織國家的數(shù)據(jù)，對資產價格進行預測。Claudio（2009）基于金融不穩(wěn)定的內生循環(huán)觀點，使用房地產價格、股票價格和信貸缺口三個指標構建了宏觀經(jīng)濟預警機制，用于預測由于金融不穩(wěn)定引發(fā)了銀行業(yè)危機。周宏等（2012）選取美國的M2/GDP序列，通過自激勵門限自回歸（Self-Exciting Threshold AutoRegressive，SETAR）模型設定預警閾值變量，構建的中國國際金融風險預警指標體系。楊霞和吳林（2015）選取度量銀行系統(tǒng)性風險的指標進行主成分分析，得出系統(tǒng)性風險水平與各指標間的線性關系，以此作為被解釋變量，利用回歸模型的擬合值設定閾值，構建系統(tǒng)性風險預警模型。

3. 人工智能預警模型。Kim等（2004）基于1997年經(jīng)濟危機期間韓國KOSPI數(shù)據(jù)，分別使用logistic、決策樹、支持向量機、模糊神經(jīng)模型和人工神經(jīng)網(wǎng)絡算法進行分類訓練，預測了1994年～2001年韓國的經(jīng)濟運行狀態(tài)，最終得出人工神經(jīng)網(wǎng)絡能夠對經(jīng)濟危機進行較好地預警。Fioramanti（2008）利用1980年～2004年主權債務相關數(shù)據(jù)，對比了人工神經(jīng)網(wǎng)絡模型與傳統(tǒng)的參數(shù)和非參數(shù)模型，結果顯示人工神經(jīng)網(wǎng)絡能夠及時預測危機事件，因此人工神經(jīng)網(wǎng)絡模型進一步完善了早期預警系統(tǒng)。Yu等（2010）提出了基于經(jīng)驗模態(tài)分解法（EMD）的多量程神經(jīng)網(wǎng)絡模型，分別以韓元和泰銖對美元的匯率作為代表經(jīng)濟波動水平的指標，通過EMD將單個匯率分解成多個本征模式分量，作為BP神經(jīng)網(wǎng)絡的輸入，實證結果顯示相比于傳統(tǒng)神經(jīng)網(wǎng)絡模型，該模型可以顯著的改善泛化性能，并且具有較高的預測精度。因此該模型是預測貨幣危機的一個相當有有效的方法。陳秋玲等（2009）利用BP人工神經(jīng)網(wǎng)絡構建金融風險預警模型，對1993年～2007年中國金融風險指標數(shù)據(jù)進行訓練，并預測出2008年中國金融的運行現(xiàn)狀。甘敬義等（2011）選取衡量中國金融風險的18個指標數(shù)據(jù)，利用主成分分析法將中國金融風險狀態(tài)劃分為四個等級，通過BP神經(jīng)網(wǎng)絡進行訓練學習，對中國金融運行的風險狀態(tài)進行預測。樓文高和喬龍（2011）基于金融風險預警指標提出了BPNN風險預警模型，對1994年～2010年期間中國金融風險狀況進行預測，實證結果與中國金融實際運行情況高度吻合。Khandani等（2010）通過某商業(yè)銀行在2005年1月-2009年4月的客戶交易和信用數(shù)據(jù)，使用機器學習技術構建了消費者信用風險預警模型，并將賬戶數(shù)量加總進行了總體預測，將客戶總體的拖欠比率用作消費貸款的系統(tǒng)性風險指標。Li等（2013）以中國銀行業(yè)數(shù)據(jù)為例，基于主成分分析法和支持向量機提出了銀行系統(tǒng)性風險預警模型，實驗結果表明該模型能夠有效地預測銀行系統(tǒng)性風險。

三、 系統(tǒng)性風險測度方法研究

1. 壓力測試法。Illing和Liu（2003，2006）提出了金融壓力指數(shù)法（FSI）的概念，并根據(jù)加拿大銀行業(yè)、股票市場、外匯市場等數(shù)據(jù)，構建了加拿大銀行業(yè)綜合金融壓力指數(shù)。Hakkio和Keeton（2009）提出了堪薩斯州金融壓力指數(shù)（KCFSI），該指數(shù)已經(jīng)正式用于監(jiān)測美國的系統(tǒng)性風險狀況。劉曉星和方磊（2012）從銀行、股票、外匯和保險四大市場選取風險指標，利用CDF-信用加總權重法確定各指標權重，構建了我國金融壓力指數(shù)測度模型。王春麗和胡玲（2014）從外匯市場、銀行業(yè)以及股票市場選取金融風險預警指標合成金融壓力指數(shù)，基于馬爾科夫區(qū)制轉移模型對我國2014年～2015年的金融風險狀態(tài)進行預測。許滌龍和陳雙蓮（2015）基于CRITIC賦權法構建了測度系統(tǒng)性金融風險的金融壓力指數(shù)，并對我國2005年1月～2013年12月金融發(fā)展狀況進行預測，結果較為吻合。Alfaro和Drehmann（2009）基于GDP增長的自回歸模型提出了一種簡單的宏觀經(jīng)濟壓力測試方法，這種模型僅依賴于過去GDP增長的行為。

2. 網(wǎng)絡分析法。Schrder和Schüler（2003）利用二元GARCH模型對兩家歐洲銀行股票指數(shù)之間的條件相關性進行估計，試圖對歐洲銀行業(yè)的系統(tǒng)性風險進行評估。Adrian和Brunnermeier（2009）基于在險值（Value at Risk，VaR）方法提出了測度系統(tǒng)性金融風險的條件在險值（CoVaR）方法，該方法通過VaR測度單個金融機構陷入困境時對其他金融機構尾部風險的影響，將系統(tǒng)性風險和在險價值聯(lián)系起來。IMF（2009）考察了不同金融機構CDS之間的相互關系，提出了一種與CoVaR結構相似的Co-Risk指標。該指標基于分位數(shù)回歸的方法，能夠準確地估計風險因素之間的非線性關系。Chan-lau等（2009）提出評估銀行間風險的網(wǎng)絡模型，該模型通過跟蹤信用事件或整個系統(tǒng)的流動性緊縮數(shù)據(jù)，評估銀行破產的網(wǎng)絡外部性，為金融機構應對金融危機引發(fā)的多米諾效應提供重要的措施。Acharya等（2010）基于期望損失（Expected Shortfall，ES）的思想，提出了度量系統(tǒng)性金融風險的系統(tǒng)性期望損失（Systemic Expected Shortfall，SES）模型，即每個金融機構對系統(tǒng)性風險的貢獻可由SES來測度，并通過實證研究了2007年～2009年金融危機時期新興市場的風險狀況。Billio等（2010）利用主成分分析法和格蘭杰因果檢驗分析對沖基金、銀行、經(jīng)紀人和保險公司月收益之間的相互聯(lián)系，發(fā)現(xiàn)這四個行業(yè)在過去10年里均高度相關，從而增加了金融和保險業(yè)系統(tǒng)性風險的水平。Giesecke和Kim（2011）根據(jù)違約率制定了違約強度模型，該模型旨在捕捉金融機構間的系統(tǒng)關聯(lián)性和區(qū)制依賴行為對違約率的影響。Dong和Andrew（2013）基于高維協(xié)方差矩陣動態(tài)建模和一般時變分布的思想，提出了度量系統(tǒng)性風險的動態(tài)copula模型，并應用該模型研究了2006年～2012年期間美國100家企業(yè)信用違約掉期的日度數(shù)據(jù)，仿真結果顯示自2008金融危機以來，雖然單個企業(yè)違約概率大大減小，但是企業(yè)聯(lián)合違約概率相比危機前的時期提高了。

3. 其他方法。Gray等（2006）提出使用未定權益分析法（Contingent Claims Analysis，CCA）測度市場潛在預期損失帶來的系統(tǒng)性風險，并直接應用于政府隱性或有負債的分析。CCA方法是根據(jù)期權定價理論（Option Pricing Theory，OPT）拓展而來的一般化形式。Segoviano和Goodhart（2009）基于銀行體系的多元密度（BSMD）方程提出了一種系統(tǒng)性風險測度方法，該方法將銀行體系定義為銀行的一種投資組合，并根據(jù)所提出的措施估計其多元密度。BSMD以銀行投資組合的單個和聯(lián)合資產價值變動為特征，通過最小交叉熵方法來估計。Huang等（2009，2012）根據(jù)公司股權價格和CDS差價，將銀行體系發(fā)生困境時的總損失超過銀行負債總額的15%的損失假設為一種保費溢價，提出了一種困境保險溢價（Distressed Insurance Premium，DIP），并將其作為事前系統(tǒng)性風險的一種測度方法。

四、 文獻評述

通過文獻梳理，以上系統(tǒng)性風險預警模型和測度方法雖然在很大程度上均發(fā)揮了監(jiān)測作用，但是部分仍存在不足。首先，受限于模型自身嚴苛的假設條件，不能處理非線性問題，無法識別錯綜復雜的金融市場信息。其次，有效風險指標不足，不能全面反應金融體系的風險狀態(tài)，因此缺乏對整個金融體系金融壓力的研究。再次，受歷史原始數(shù)據(jù)序列長度的限制，難以建立符合國情的系統(tǒng)性風險預警系統(tǒng)。最后，以上模型和方法受限于人的知識領域和經(jīng)驗，它們依賴人工建模和特征設計，因此與實際結果存在很大的誤差。因此如何建立更加具有前瞻性、有效性和簡便性的預警系統(tǒng)，對于宏觀審慎監(jiān)管具有重要的實踐價值和現(xiàn)實意義。

五、 政策建議

防范和化解系統(tǒng)性風險是強化宏觀審慎金融監(jiān)管、建設現(xiàn)代化經(jīng)濟體系和維護國家金融安全和穩(wěn)定的重要舉措和堅實保障。因此，為了防范和化解系統(tǒng)性風險，應該注意以下幾點：

1. 著力防范化解重點領域風險，解決源頭性問題。對于當前金融風險集中的幾個領域，都采取針對性的政策措施，防止單體、局部風險轉化為系統(tǒng)性風險。深化國有企業(yè)改革，推動國有企業(yè)去杠桿，處置“僵尸企業(yè)”，改變舉債企業(yè)的效益遞減問題，化解商業(yè)銀行的信貸風險。進一步轉換財稅體制和政府職能，避免地方政府的債務風險。規(guī)范政府的運作模式，平衡財政收支，化解居民債務杠桿問題和房地產存量風險。

2. 建立科學有效的系統(tǒng)性金融風險預警機制。建立不同區(qū)域系統(tǒng)、不同市場以及不同經(jīng)濟金融部門的全方位、多層次的金融風險預警系統(tǒng)，不斷完善金融信息共享體系，建立暢通的信息交流渠道。及時、準確地披露我國經(jīng)濟數(shù)據(jù)和金融信息，確保建立實時有效地金融預警系統(tǒng)。

3. 加強和完善我國“雙支柱調控框架”。一方面，以貨幣政策為核心，繼續(xù)推進利率市場化進程，穩(wěn)定物價，保證金融市場流動性整體平穩(wěn)，加強政策利率的信號作用，有效地引導市場利率。另一方面，強化宏觀審慎管理，加強逆周期調節(jié)，抑制資產價格的過度波動，遏制跨市場風險傳染，維護金融安全和穩(wěn)定，進一步深化供給側結構性改革，防范和化解系統(tǒng)性金融風險，促進實體經(jīng)濟發(fā)展。

4. 重視金融科技（FinTech）和監(jiān)管科技（RegTech）的發(fā)展。建立金融科技行業(yè)監(jiān)管規(guī)則，進行“穿透式監(jiān)管”，實現(xiàn)風險監(jiān)管的全覆蓋。采取開放的“監(jiān)管沙盒”，促進金融科技融合。加大對金融風險監(jiān)測模型的研發(fā)投入，利用大數(shù)據(jù)、人工智能、云計算等技術開發(fā)金融風險預警模型，提高金融監(jiān)管的準確性、科學性和有效性。

參考文獻：

[1] Board F S.Guidance to assess the systemic importance of financial institutions， markets and instruments：initial considerations[J].Report to G20 finance ministers and governors，2009.

[2] Gerlach S.Defining and measuring systemic risk[J]，2009.

[3] Billio M，Getmansky M，Lo A W，et al.Econometric measures of systemic risk in the finance and insurance sectors[R].National Bureau of Economic Research，2010.

[4] European Central Bank （ECB），2010，F(xiàn)inancial networks and financial stability，F(xiàn)inancial Stability Review，2010：155-160.

[5] Frankel J A，Rose A K.Currency crashes in emerging markets：An empirical treatment[J].Journal of international Economics，1996，41（3）：351-366.

[6] Sachs J，Tornell A，Velasco A.The Mexican peso crisis： Sudden death or death foretold？[J].Journal of international economics，1996，41（3）：265-283.

[7] Kaminsky G，Lizondo S，Reinhart C M.Leading indicators of currency crises[J].Staff Papers，1998，45（1）：1-48.

[8] 沈悅，亓莉.中國商業(yè)銀行系統(tǒng)性風險預警指標體系設計及監(jiān)測分析[J].西南大學學報：社會科學版，2008，34（4）：139-143.

[9] Alessi L，Detken C.'Real time'early warning indicators for costly asset price boom/bust cycles：a role for global liquidity[J]，2009.

[10] Claudio B.The Macro-prudential Approach to Regulation and Supervision[J].Bank for International Settlement，2009.

[11] 周宏，李遠遠，官冰.中國國際金融風險預警的理論問題研究[J].統(tǒng)計研究，2012，（1）：49-54.

[12] 楊霞，吳林.我國銀行業(yè)系統(tǒng)性風險預警研究[J]. 統(tǒng)計與決策，2015，（10）：147-150.

[13] 陳秋玲，薛玉春，肖璐.金融風險預警：評價指標、預警機制與實證研究[J].上海大學學報（社會科學版），2009，16（5）：127-144.

[14] 甘敬義，黃明和，袁晶.基于BP人工神經(jīng)網(wǎng)絡的中國金融風險預警模型分析[J].商業(yè)時代，2011， （27）：65-66.

[15] 樓文高，喬龍.基于神經(jīng)網(wǎng)絡的金融風險預警模型及其實證研究[J].金融論壇，2011，16（11）：52-61.

[16] 劉曉星，方磊.金融壓力指數(shù)構建及其有效性檢驗——基于中國數(shù)據(jù)的實證分析[J].管理工程學報，2012，（3）：1-6.

[17] 王春麗，胡玲.基于馬爾科夫區(qū)制轉移模型的中國金融風險預警研究[J].金融研究，2014，（9）：99-114.

[18] 許滌龍，陳雙蓮.基于金融壓力指數(shù)的系統(tǒng)性金融風險測度研究[J].經(jīng)濟學動態(tài)，2015，（4）：69-78.

[19] Huang X，Zhou H，Zhu H.Assessing the systemic risk of a heterogeneous portfolio of banks during the recent financial crisis[J].Journal of Financial Stability，2012，8（3）：193-205.

作者簡介：趙丹丹（1986-），女，漢族，山東省菏澤市人，對外經(jīng)濟貿易大學金融學院博士生，研究方向為系統(tǒng)性金融風險與金融監(jiān)管。