基于機器學習的證券公司風險預測模型對比研究

李雅坤

上市證券公司的風險預警模型能夠為政府監管、證券公司穩健發展以及投資者研判提供模型依據。本文在公司風險管理指標體系的基礎上，利用已有的決策樹、隨機森林、支持向量機和貝葉斯網絡等機器學習方法，構建多個風險預警模型并同傳統的計量模型進行比較。

隨著2008年全球金融危機以及近年來證券市場上違規操作、信用違約的不斷發生，風險管理成為了金融行業特別是證券行業重點關注的問題，證券公司的風險管控水平不但影響著證券公司的經營效益和投資者的利益，也關系著證券行業乃至整個資本市場的穩定發展。

2016年12月30日證券業協會發布《證券公司全面風險管理規范》，要求證券公司建立健全與自身發展相適應的全面風險管理體系。全面風險管理指證券公司全員參與，對經營中面臨的各類風險進行識別、評估、監控、應對的全程管理。因此，對各類風險的識別和預警是構建全面風險管理的起點。十八大以后，在相應國務院簡政放權的政策下，中國證監會加強了事中及事后監管，事前監管則需依靠各證券公司的自律，這進一步提升了對各證券公司風險預警的要求。截止2017年6月，我國共有證券公司128家，證券公司作為金融類公司，其經營狀況和市場價值受風險影響較大，預判和預警上市證券公司風險狀況有利于證券市場投資者研判上市證券公司的投資價值。

無論是從證券業監管角度，還是證券公司自我監督以及投資者研判投資價值方面，上市證券公司風險測度及預警都有著現實意義。

一、數據來源

現行的風險指標體系是證監會2016年6月16日頒布的新的風險指標體系，各個證券公司在2016年的年報中均采用了新的指標體系，并在2015的財務數據基礎上按新的指標體系公布了各項的風險指標值。本文使用的指標體系部分指標即來源于證券協會最新頒布的指標體系。

二、描述性統計

2015、2016年各上市證券公司的二級指標均符合證券協會要求，即在二級指標體系方面不存在預警狀況。此外根據證券業協會公布的證券公司分類標準，共有A、B、C、D、E 5個大類，A、B、C類表示證券公司能夠正常經營，但風險管理水平遞減，D和E類表示該證券公司面臨的風險可能超過其承載能力。本文以該分類結果作為總體風險參考，考察預警模型的正確率。

2015年33家上市證券公司被證券業協會評為A級，4家上市證券公司被評為B級，2016年只有19家上市證券公司被評為A級，16家被評為B級，2家被評為C級，共有17家上市公司評級下調，表明上市證券公司從2015年到2016年風險狀況總體呈下滑趨勢，各證券公司應當加強風險管理水平。

三、機器學習建模

本文以構建的上市證券公司風險指標作為特征變量，證券業協會公布的證券公司分類作為類標簽。構建的風險指標體系依據2016年證監會2016年6月16日頒布新的風險指標體系，從數據的可得性角度考慮，僅有2016年及調整后的2015年上市證券公司年報可提供數據。證券公司分類旨在綜合考量證券公司的風險管理能力、市場競爭力及合規管理能力，是證券業協會對各證券公司提升風控和合規能力的監督措施，在一段時間內標準不宜變動，故2015年及2016年的類標簽有可比性，因此本文將2015年、2016年上市證券公司樣本合為一個樣本，以增大樣本量。本文構建的證券公司風險指標均為相對指標，不受通貨膨脹等因素影響，且在建模前的預處理階段均采用歸一化處理，因此在不同年間有可比性，綜上，本文的建模樣本較為合理。為了比較不同機器學習方法的優劣性，本文首先采用十折交叉驗證方式得到各方法的正確率，在此基礎上，再各自計算10次取平均得到各方法下的正確率，為了同傳統計量方法作對比，還加入了多項logit回歸，以上操作均在WEKA3.8.1上實現，最終結果見表：

總體上，由于樣本容量較小，各方法的正確率均不夠高，但都大于33%，說明各模型均有一定的預測能力，各機器學習方法明顯優于多項logit回歸。隨機森林的正確率最高，說明集成學習方法在建立上市證券公司風險預警模型時，正確率最高，適用性最好。

四、結論及不足

通過理論討論及對不同機器學習方法在構建預警模型的實證比較，本文發現機器學習方法適用于證券公司風險預警模型的構建，并且在預判正確率方面好于傳統的logit回歸方法，本文的研究成果為進一步研究上市證券公司風險預警模型提供了參考。此外，信用風險及操作風險的預警程度不夠，缺少各證券公司的客戶數據及交易操作數據，導致在衡量證券公司整體風險時缺乏來自各證券公司客戶行為及交易操作的信息，將來自客戶層面和公司層面的相關風險指標結合在一起，所構建的風險指標體系可能會更加合理、全面，也將有利于進一步建立動態風險預警模型。（作者單位為山西財經大學信息管理學院）