資本流動風險主要預警模型述評

張帥

摘 要：通過對常用的資本流動風險評價模型，如KLR模型、FR概率模型、STV模型、神經(jīng)網(wǎng)絡模型、馬爾科夫區(qū)制轉換模型及其他模型進行分析發(fā)現(xiàn)，不同的預警模型均存在著預警效果的優(yōu)勢與不足。未來的預警模型構建需要注意以下幾點：一是預警指標的選擇范圍要廣，指標閾值的確定需根據(jù)不同國家的國情來設定；二是在考慮預警指標之間線性關系的同時，重視風險發(fā)生的非線性關系；三是關注危機爆發(fā)的連續(xù)性、傳染性及時滯性。

關 鍵 詞：資本流動風險預警；KLR模型；FR概率模型；STV模型；神經(jīng)網(wǎng)絡模型

中圖分類號：F733 文獻標識碼：A 文章編號：2096-2517（2017）02-0071-08

Review of Warning Models of Capital Flow Risks

Zhang Shuai

（Xinjiang University of Finance and Economics， Urumqi 830012， China）

Abstract： By analyzing commonly used capital flow risk evaluation models such as KLR model， FR probability model， STV model， Neural Network model， Markov model， and other types of models， the paper discovered that there exists advantage and disadvantage in different types of waning models. The establishment of future of warning models should highlight the following three points. Firstly， the selection of warning indicators should cover a wide range and index threshold should be based on situation of different countries. Secondly， non-linear relation in the occurrence of risks should also be watched while considering the linear relations. Thirdly， the continuity， contagion and delay of the outbreak of crisis should be watched out.

Key words： early warning of capital flow risk； KLR model； FR probability model； STV model； Neural Network model

關于國際資本流動的研究由來已久， 但在20世紀80年代以前， 資本流動通常是伴隨實體經(jīng)濟而運作的， 因此很少產生危機。20世紀80年代后，以拉美債務危機為起點，國際資本流動開始頻繁地對東道國產生沖擊， 并引發(fā)一系列的危機，資本流動風險理論開始引起學者的關注并得到蓬勃發(fā)展， 在此背景下衍生了眾多風險預警方法。國內外學者關于資本流動風險評價模型的研究主要體現(xiàn)在資本異常流動引發(fā)金融危機的預警模型構建方面， 且已經(jīng)逐漸形成一套基本的分析框架，其中主要的預警模型有KLR模型、FR概率模型、STV模型、 神經(jīng)網(wǎng)絡模型及馬爾科夫區(qū)制轉換模型。本文將對這些主要方法的預警原理、預警效果及優(yōu)缺點進行梳理，為后續(xù)學者選擇合理的預警模型提供有價值的參考與借鑒。

一、KLR模型

KLR模型是由Kaminsky等（1998）選取15個月度指標而構建的信號預警模型，指出當預警指標超過事先確定的臨界值時，就認為發(fā)出了危機信號，而危機信號越多，則說明國家爆發(fā)危機的機率就越大[1]。Kaminsky等在1999年對KLR模型進行了完善， 拓展了預警指標的選擇范圍， 同時考慮了銀行危機和貨幣危機的影響因素。由于不同指標測算出來的危機概率存在差異，從而降低了預警結果的可信度，Kaminskiy等通過對預警指標進行合成處理，并對合成指標進行危機信號的判斷，從而提高了預警效果的準確性[2]。合成指標主要包括四種：

第一種是信號的簡單加總，即：I■■=■Zit。其中Zit是單一指標i在t時期發(fā)出的預警信號。

第二種是信號加總并賦予簡單權重，即：I■■=■（Z■■+2Z■■）。其中Z■■、Z■■分別是弱勢指標與強勢指標在t時期發(fā)出的預警信號。

第三種是信號水平時期加總， 即I■■=■Z■■。其中Z■■是單一指標i在t-m時期到t時期發(fā)出的預警信號情況。

第四種是信號加總并賦予不同權重，即：I■■=■■。其中Zit是單一指標i在t時期發(fā)出的預警信號，wi是指標的噪音信號比。

Kaminskiy研究發(fā)現(xiàn)合成指標的預警能力較單一指標有很大的提升，且四種合成指標在預警效果方面也存在顯著差異。國內外學者采用KLR信號模型做了廣泛的預警研究。

Cipollini等（2003）首先構建了金融危機評價指標體系， 并采用主成分分析法對指標進行顯著性檢驗，從而確定預警指標， 最后采用KLR模型對亞洲金融危機蔓延的動態(tài)因素進行了研究[3]。史建平等（2009） 采用新興市場國家發(fā)生危機的歷史數(shù)據(jù)進行了相關研究， 分析表明KLR模型的危機預警效果明顯優(yōu)于其他模型，能夠用于后續(xù)危機預警的研究當中[4]。譚福梅（2010）采用KLR模型對美國等15個國家的銀行危機進行了樣本外檢驗和樣本內檢驗，結果顯示該模型對銀行危機具有較好的預警能力[5]。

在我國有學者對KLR預警指標體系進行了完善，使之能適應我國金融危機預警的要求。徐道宣（2007）在現(xiàn)有危機預警指標體系的基礎上，結合我國的經(jīng)濟發(fā)展現(xiàn)狀， 對KLR模型的預警指標進行了完善，從而提高該模型在我國金融危機預警效果的準確度[6]。楊雪萊等（2012）通過構建兼具覆蓋性、可獲得性和可操作性的中國金融風險預警指標體系，并且確定了預警指標的閾值，采用信號分析方法對我國的金融風險進行預警研究，發(fā)現(xiàn)我國面臨的最大風險來源于國內外經(jīng)濟失衡、外部沖擊的影響[7]。張安軍（2015）從先導性與免疫性兩大維度構建了后金融危機時代國家金融安全預警指標體系，通過運用KLR信號分析法對我國不同時期的金融安全進行測度，分析認為我國金融風險處于逐漸下降的過程[8]。

KLR信號分析法的優(yōu)點在于構建了金融危機預警的指標體系及相應閾值，明確了系統(tǒng)的監(jiān)測范圍及警戒區(qū)間， 從根源上揭示了危機爆發(fā)的原因，對構建金融危機預警系統(tǒng)具有重要的應用價值。該模型的缺點主要是預警指標閾值的確定通常依據(jù)歷史數(shù)據(jù)進行定量設定， 缺乏有效的定性分析，而不同國家對于預警指標閾值的設定可能存在差異性，從而使得該模型在不同國家檢驗得出的預警效果差異較大。該模型把不同指標作為獨立個體進行信號檢驗，缺乏從整體結構上的把握，忽略了預警指標相互之間的動態(tài)影響，從而降低了預警效果的準確性。

二、FR概率模型

FR概率模型是由Frankel等（1996）針對新興市場國家設計的危機預警模型，該模型依據(jù)概率分布函數(shù)來判斷危機是否發(fā)生[9]。假設Y代表危機變量，其取值為0代表并無危機爆發(fā)，取值為1代表危機爆發(fā)，Xi則反映對危機產生影響的其他變量。其原理如下：

Yi=？琢1X1i+？琢2X2i+…+？琢kXki+？滋i，其向量形式為：

Yi=X■■？琢+？滋i

則E（Yi）=1×P（Yi=1）+0×P（Yi=0）=P（Yi=1）=

X■■？琢，其中P表示危機發(fā)生的概率，？琢表示模型的估計參數(shù)。離散模型一般采用OLS進行估計，但考慮到異方差問題，通常選擇加權OLS法進行測算，為了保證預測值在（0，1）內變化的限制，通常進行如下變化：

假設存在變量Y*滿足Y*=X■■？琢+？滋■■，且

Yi=1，Y*>00，Y*≤0，則可得到：

P（Yi=1|Xi，？琢）=P（Y■■>0）=P（？滋■■>-X■■？琢）

=1-F（-X■■？琢）=F（Xi，？琢i）

P（Yi=0|Xi，？琢）=P（Y■■≤0）=P（？滋■■≤-X■■？琢）

=F（-X■■？琢）=1-F（Xi，？琢i）

于是，P（Y=1）=F（Xi，？琢i）P（Y=0）=1-F（Xi，？琢i），F(xiàn)表示聯(lián)合概率分布函數(shù)。通過選擇具體的概率分布函數(shù)便可測算出危機發(fā)生的概率，其中概率分布函數(shù)為連續(xù)函數(shù)且單調遞增。

由于分布函數(shù)類型存在差異性，F(xiàn)R概率模型又可分為Logit模型（邏輯分布）和Probit模型（標準正態(tài)分布）。若模型的估計系數(shù)為正，則表示危機發(fā)生概率與變量之間存在正相關關系；反之，若系數(shù)為負，則說明危機發(fā)生概率與變量之間存在負相關關系。

國內外學者分別采用Logit模型和Probit模型進行了大量的風險預警研究。Andrew等（1999）利用東南亞國家爆發(fā)金融危機的經(jīng)驗數(shù)據(jù)， 對FR概率模型的預警效果進行實證檢驗，研究表明該模型預警的準確度在不同國家存在明顯的差異性，模型預測的可靠性需要進一步來檢驗[10]。Asli等（1997）通過構建多元Logit模型對發(fā)達國家和發(fā)展中國家的樣本數(shù)據(jù)進行預警分析， 結果顯示：若一個國家存在較低的經(jīng)濟增長速度及較嚴重的通貨膨脹時則更容易發(fā)生危機[11]。陳守東等（2006）、張德鴻（2016）分別采用Logit模型對我國的系統(tǒng)性金融風險進行了預警分析，結果顯示我國爆發(fā)貨幣危機的可能性較小[12]-[13]。傅強等（2015）通過對19個樣本國家的主要金融經(jīng)濟指標進行指標篩選，分別建立了基于靜態(tài)Logit方法和動態(tài)Logit方法的金融危機預警模型， 經(jīng)過樣本內檢驗和樣本外檢驗，結果顯示動態(tài)Logit預警模型優(yōu)于靜態(tài)Logit預警模型[14]。馬德功等（2009）通過構建因子-Logistic預警模型對我國貨幣危機的可能性進行分析，結果顯示該模型具有較高的預測正確率[15]。胡援成（2013）基于新興市場國家主權債務危機數(shù)據(jù)， 使用Logit方法和支持向量機方法構建危機預警系統(tǒng)， 結果顯示，該系統(tǒng)在預警準確率、一類錯誤率和二類錯誤率上具有比較優(yōu)勢，且支持向量機方法在提高預測準確率方面也有較明顯的優(yōu)勢[16]。

Andrew等（1999）首先利用KLR信號法篩選出有效的危機預警指標，然后通過構建Probit模型進行危機的預測[17]。Cipollini等（2009）首先采用統(tǒng)計方法對預測經(jīng)濟風險的評價指標體系進行篩選，然后通過構建Probit模型對經(jīng)濟危機爆發(fā)的概率進行檢驗[18]。朱鈞鈞等（2012）提出了一種混合Gibbs取樣和Griddy-Gibbs取樣的MCMC估計方法，同時考慮債務危機在各國之間的傳染效應，構建了空間Probit面板模型，并以巴西、阿根廷、土耳其和尼日利亞為例說明該模型具有較好的預警效果[19]。顏建暉等（2014）采用52個國家的樣本數(shù)據(jù)，加入危機傳染性變量，構建了基于Probit面板模型的主權債務危機預警模型，結果顯示除了宏觀經(jīng)濟變量的惡化會對本國主權債務危機的爆發(fā)產生積極影響外，其他國家危機的發(fā)生也會明顯提高本國債務危機爆發(fā)的概率[20]。

FR概率模型能夠直接測算出危機發(fā)生的概率，直觀地顯示預警指標對危機的影響，同時能夠有效地監(jiān)測當指標超過閾值后，危機爆發(fā)前后的連續(xù)變化情況， 克服了KLR模型存在的不連續(xù)性缺陷。該模型的不足是隨著預警指標數(shù)量的增加將產生多重共線性問題，同時建立在大數(shù)定理基礎上的假設在一定程度上限制了該模型的應用范圍。

三、STV截面回歸模型

STV模型是由Sachs等（1996）構建的，用來檢驗新興市場國家在1994～1995年間發(fā)生的貨幣危機[21]。由于采用了20個新興市場國家的截面數(shù)據(jù)及線性回歸方法，因此該模型被稱為STV截面回歸模型。該模型的表達方式如下：

IND=？琢0+？琢1 RER+？琢2 LB+？琢3 DLR RER+？琢4 DLR LB+

？琢5 DWF RER+？琢6 DWF LB+？著

其中，IND為金融危機指數(shù)， 采用匯率變動率與外匯儲備變動率的加權平均值來衡量；RER為實際匯率的變動率；LB為國內信貸規(guī)模水平，采用銀行對私有部門的債權與GDP的比值來衡量；采用廣義貨幣（M2）與外匯儲備的比值作為衡量外匯儲備豐度的標準。DWF、DLR為虛擬變量，DWF=0表示該國具有穩(wěn)定的經(jīng)濟環(huán)境，此時銀行信貸變動在最低四分位，而匯率變動在最高四分位，否則DWF=1，表示該國具有脆弱的經(jīng)濟環(huán)境；DLR=0表示該國具有較多的外匯儲備，此時外匯儲備豐度處于樣本最高四分位。

當DWF=0且DLR=0時，說明該國具有較穩(wěn)定的經(jīng)濟環(huán)境和充足的外匯儲備，？琢1和？琢2反映了經(jīng)濟環(huán)境對金融危機的影響，根據(jù)理論分析，此時應有？琢1=0、？琢2=0。

當DWF=0且DLR=1時，說明該國具有較穩(wěn)定的經(jīng)濟環(huán)境和較低的外匯儲備，？琢1+？琢3與？琢2+？琢4反映了經(jīng)濟環(huán)境對金融危機的影響，根據(jù)理論分析，此時應有？琢1+？琢3=0、？琢2+？琢4=0。

當DWF=1且DLR=1時，說明該國具有較差的經(jīng)濟環(huán)境和較低的外匯儲備，？琢1+？琢3+？琢5與？琢2+？琢4+？琢6反映了經(jīng)濟環(huán)境對金融危機的影響，根據(jù)理論分析，此時應有？琢1+？琢3+？琢5<0、？琢2+？琢4+？琢6>0。

后有學者使用該模型做了大量預警研究。Berg（1999） 通過采用東南亞和拉美國家危機爆發(fā)的歷史數(shù)據(jù)， 分別對KLR、STV及FR模型的預警效果進行檢驗， 研究表明：KLR模型的預警能力明顯優(yōu)于其他兩種模型， 而FR概率模型的預警效果最差；STV模型在不同國家的預警效果存在差異性，對于韓國和印度尼西亞的預測結果較差，而對于泰國和馬來西亞的預測效果則較好。針對現(xiàn)有研究關于東南亞國家預警指標存在的差異以及KLR模型、FR模型存在的不能解釋危機傳染性的缺陷，Nitithanprapas等（2000）在STV模型的基礎上，不僅考慮匯率變動及外匯儲備因素，同時添加了能夠反映資本流動及經(jīng)常賬戶的復合變量，對20世紀90年代爆發(fā)的金融危機進行了影響因素的分析[22]。張元萍（2003）利用我國的經(jīng)驗數(shù)據(jù)，分別采用KLR、STV模型對我國金融危機爆發(fā)的概率進行分析，表面上看兩種模型的預警結果是矛盾的，實際上STV模型與KLR模型是相互聯(lián)系的， 兩種模型分別從內源性風險、外源性風險兩個不同的角度來對金融危機進行預警[23]。

STV模型考慮到了國別之間的差異，是在KLR模型及FR模型基礎上的改進。但是該模型對于變量間線性關系的要求過于嚴格，而對金融危機影響因素的選擇過少，預警結果受不同國家個體差異的影響較大。 很多金融危機存在著復雜的非線性關系，并不能用線性回歸模型來分析。該模型主要用于檢驗一個國家是否會發(fā)生金融危機及判斷危機的傳染性，但并不能預測何時發(fā)生危機。

四、BP神經(jīng)網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡模型的主要思想是通過網(wǎng)絡學習，利用實際輸出與目標輸出的誤差來不斷修正網(wǎng)絡模型中的權重，從而使實際輸出的誤差平方和最小化。BP神經(jīng)網(wǎng)絡模型算法通常由誤差反向傳播及信息正向傳播構成，信息首先通過輸入層進行逐層傳導，神經(jīng)元狀態(tài)的變化只受上一層神經(jīng)元沖擊的影響， 而與其他層次神經(jīng)元的狀態(tài)特征無關，從而得到實際輸出與目標輸出之間的誤差大小。若輸出層最后存在較大的誤差，則開始進行誤差的反向傳播， 反向傳播路徑與網(wǎng)絡中正向傳播路徑相反，通過誤差信號的反向傳導，以達到修改網(wǎng)絡權重的目的，從而使模型得到優(yōu)化。

神經(jīng)網(wǎng)絡模型是由Nag等（1999）首次引入到金融危機的預警研究當中，通過采用泰國、馬來西亞及印度尼西亞的樣本數(shù)據(jù)進行實證檢驗，結果顯示該模型的預警效果明顯優(yōu)于傳統(tǒng)模型[24]。Lin（2008）將模型推理模型與BP網(wǎng)絡模型相結合構建了貨幣危機預警模型，分析結果表明，該模型在危機預警的精度方面能夠達到理想的效果，同時能夠將預警變量之間的因果關系直觀地展現(xiàn)出來[25]。南旭光等（2008）以東南亞國家為研究對象，構建了BP神經(jīng)網(wǎng)絡危機預警系統(tǒng)， 研究認為該模型具有明顯的預測精確度，能夠提升金融危機預警的準確率[26]。胡援成等（2010）構建了主權債務危機神經(jīng)網(wǎng)絡預警模型， 并對54個發(fā)展中國家的樣本數(shù)據(jù)進行檢驗， 研究得出該模型與二元Logit模型在預警效果上具有相對優(yōu)勢[27]。胡燕京等（2003）、陳秋玲等（2009）、樓文高等（2011）、李夢雨（2012）則分別構建BP神經(jīng)網(wǎng)絡模型對我國的金融風險進行預警分析，研究認為，不同時期我國的金融風險水平存在較明顯的差異[28]-[31]。

神經(jīng)網(wǎng)絡模型能夠通過自主學習不斷調整權值，快速適應外部環(huán)境的變化，使系統(tǒng)得到不斷優(yōu)化，有效處理非線性問題。然而神經(jīng)網(wǎng)絡模型只是一種局部探索的分析方法， 當遇到非線性系統(tǒng)時，它將要求解高階非線性方程的全局解，這將導致算法陷入局部分析的循環(huán)中。

五、馬爾科夫區(qū)制轉換模型

馬爾科夫區(qū)制轉換模型自Hamilton（1990）將其引入到經(jīng)濟學中以來， 便被廣泛應用于經(jīng)濟周期、金融波動等領域的研究中[32]。Hamilton在模型中引入狀態(tài)變量，通過計算狀態(tài)變換概率，考察經(jīng)濟變量在不同狀態(tài)下的轉變特征。一般的馬爾科夫過程如下：

Yt=a■■+■a■■Xi+■a■■Yt-j+？著■■，？著■■～NID（0，？滓■■）。

其中，Sk、k分別代表不同的區(qū)制狀態(tài)及區(qū)制個數(shù)，n1、n2分別表示自變量個數(shù)及自回歸滯后階數(shù)。Sk服從離散狀態(tài)下的馬爾科夫隨機過程，其轉換概率遵循：

Pij=Pr（St+1=i|St=j），其中■Pij=1，（i，j=1，2，…，k）。

Pij表示從狀態(tài)j到狀態(tài)i的狀態(tài)轉換概率，其變化由前一期的狀態(tài)決定。

Peria（2002）、Abiad（2003）通過采用馬爾科夫區(qū)制轉換模型分別對歐洲地區(qū)、東南亞地區(qū)進行了檢驗，研究均認為該方法在危機預警方面優(yōu)于以往的預警模型[33]-[34]。張偉（2004）在Abiad（2003） 的模型基礎上加入了因變量的一階自回歸過程，并采用東南亞和拉美國家發(fā)生金融危機的樣本數(shù)據(jù)進行模型的檢驗，結果表明，改進的模型在不同國家的預警效果存在差異性，但是模型整體上的預警能力得到提升[35]。

Cerra等（2002）通過構建時變馬爾科夫模型對印度尼西亞金融危機爆發(fā)的影響因素進行實證檢驗，是對一般馬爾科夫模型的改進[36]。Arias等（2004）將最大似然估計法引入馬爾科夫區(qū)制轉換模型使模型轉換概率更加準確，增加了長期預警效果的穩(wěn)定性[37]。由于極大似然估計法存在收斂于局部極值的缺陷，朱鈞鈞等（2010）采用馬爾科夫鏈蒙特卡羅估計（MCMC）完善了馬爾科夫區(qū)制轉換模型，同時采用Griddy-Gibbs取樣法對多個馬爾科夫模型進行估計，研究認為該模型相對于信號模型具備一系列的優(yōu)勢， 通過MS-GARCH模型能揭示匯率波動的更多特性[38]。Brunetti等（2008）通過將馬爾科夫區(qū)制轉換模型與GARCH模型相結合構建了金融危機預警模型，對東南亞國家金融危機進行了影響因素的分析[39]。

陳守東等（2009）、周華等（2013）分別對貨幣市場、 銀行市場及資產價格構建了MS-VAR金融風險預警模型，來描述我國近年來金融風險變化的區(qū)制特點，結果顯示，風險的劃分及預警信號的發(fā)出時機較符合我國的現(xiàn)實情況[40]-[41]。李繼偉等（2010）運用具有馬爾科夫區(qū)制轉換的向量自回歸模型，構建了面向資本項目開放的貨幣危機預警模型，研究結果表明，預警發(fā)出風險信號的時機比較符合我國的現(xiàn)實情況[42]。

馬爾科夫區(qū)制轉移模型通過采用連續(xù)變量進行危機的預警，能夠有效克服KLR模型及FR概率模型采用離散變量所帶來的信息損失，通過變量信息的動態(tài)變化達到準確識別危機爆發(fā)時點的目的，從而避免“偽危機”情況的發(fā)生。該模型的缺點是受到危機影響變量的限制， 如果變量選擇過少，不能綜合反映出風險的狀態(tài)水平； 如果變量選擇過多，則會導致模型計算過程的倍增，從而降低模型預警結果的準確性。

六、其他預警模型

馬威等（2014）采用結構方程模型建立了金融危機預警指標體系，該模型將金融風險發(fā)生的內在本質與外在表象相結合，為風險預警的研究提供了新的路徑[43]。牟曉云等（2010）利用結構方程模型中的MIMIC模型構建了我國金融危機預警系統(tǒng)，通過將樣本外數(shù)據(jù)代入模型中便可得到危機強度預測值，當該數(shù)值達到一定的門限值時，可認為將會發(fā)生金融危機[44]。該模型對于金融危機預警指標的篩選具有特殊的優(yōu)勢，但該模型不能解決定類變量問題。

黃益紹等（2004）在現(xiàn)有金融危機預警指標體系的基礎上，采用層次分析法（APH）對預警指標的重要性進行排序， 以明確各指標的預警作用，并結合幾次重大金融危機爆發(fā)前期主要指標的惡化程度， 證明了APH分析法對預警指標所做排序的合理性[45]。任碧云等（2015）通過構建金融系統(tǒng)性風險預警指標評價體系，并采用APH-DEA方法對我國的金融系統(tǒng)性風險進行了預警分析，評價結果同我國的實際情況較為符合[46]。然而層次分析法主要以定性判斷為主，缺少定量分析的準確性；當指標數(shù)據(jù)較多時，指標權重的設置則難以確定。

陳衛(wèi)華等（2007）構建了基于“可能-滿意度”法的金融危機預警系統(tǒng)， 并采用1997年中國的相關數(shù)據(jù)及東南亞國家爆發(fā)金融危機的歷史數(shù)據(jù)進行了實證檢驗，結果顯示泰國的“可能-滿意度”最差，最先成為投機攻擊的目標，而我國的總評價值相對較好[47]。該模型的缺陷是主觀性太強，預警效果缺乏檢驗，同時預警指標的選擇有待擴充，預警等級的劃分有待完善。

汪瑩（2003）在現(xiàn)有研究的基礎上建立了“五系統(tǒng)加權法”危機預警模型，并采用AHP及專家賦權法對系統(tǒng)內評價指標進行權重的測算，對我國發(fā)生金融危機的可能性進行預警分析[48]。該模型的不足是對于指標權重的設置主要采用主觀賦權方法，缺乏客觀依據(jù)，同時缺少對實際危機發(fā)生樣本的檢驗。

南旭光等（2007）利用31個樣本國家的數(shù)據(jù)構建了等比例危機預警模型， 通過對預測期間17個測試國進行的模型預警效果檢驗，認為該模型預警能力較佳[49]。當然該模型尚不能對所有金融危機國家做出準確預警，模型的預警精度有待提高。

沈沛龍等（2011）以51個國家的樣本數(shù)據(jù)為基礎，通過構建馬田系統(tǒng)，在確保預警模型精度的前提下，能夠有效減少預警指標數(shù)量，對于提高模型的預測水平和減少前期數(shù)據(jù)收集工作具有重要意義[50]。該模型主要用于預警指標數(shù)量的篩選，并未涉及到風險預警的分析。

還有學者通過構造風險指數(shù)的方式進行相關預警研究，如Hagen（2007）提出并構建了貨幣市場壓力指數(shù)，研究發(fā)現(xiàn)貨幣市場壓力指數(shù)法能夠有效識別出銀行危機的爆發(fā)。荊中博等（2012）修正了Hagen（2007）的貨幣市場壓力指數(shù)，并采用66個國家銀行危機的樣本數(shù)據(jù)進行實證檢驗， 結果顯示，采用整體樣本標準差構建的貨幣市場壓力指數(shù)使用范圍更廣、識別精度更高，能夠達到很好的預警效果[51]。欒彥（2013） 通過功效系數(shù)法對我國的主權債務安全預警指數(shù)進行了測算， 研究認為亞洲金融危機以后，我國存在較大的主權債務風險[52]。許滌龍等（2015）采用CRITIC賦權法構建了金融壓力指數(shù)， 并對我國面臨的金融壓力進行綜合測度，整體來看該方法的測度結果較好地吻合了我國的經(jīng)濟發(fā)展狀況[53]。風險指數(shù)模型在預警方面有著特殊的優(yōu)勢，能夠綜合多方面的影響因素， 有效地反映出風險級別高低。 但指標選擇的合理性決定著預警結果的準確性， 指標選擇過多會造成信息的重復，影響重要指標權重的設置；而指標選擇過少，又不能充分反映危機涉及的所有領域。

七、結論

資本流動風險預警模型的選擇決定著預警效果的準確性，然而通過對現(xiàn)有資本流動風險預警模型的分析可以看出，不同的預警模型均存在著預警效果的優(yōu)勢與不足。KLR信號分析法通過監(jiān)測指標體系是否超過相應閾值的原理進行風險預警，但忽略了預警指標相互之間的動態(tài)影響，同時預警指標閾值的確定缺乏有效的定性分析。FR概率模型通過測算危機發(fā)生的概率，直觀地顯示預警指標在危機爆發(fā)前后的連續(xù)變化情況， 克服了KLR模型的缺陷， 但該模型對于預警指標數(shù)量有一定的限制。STV模型考慮到了國別差異，是對KLR模型及FR模型的改進，但該模型對于變量間線性關系的要求過于嚴格， 很多金融危機存在著復雜的非線性關系，并不能用線性回歸模型來分析。神經(jīng)網(wǎng)絡模型能夠有效處理復雜的非線性問題， 彌補了STV模型的不足， 然而該模型是一種局部探索的分析方法，當遇到高階復雜的系統(tǒng)時，將導致算法陷入局部分析的循環(huán)中。馬爾科夫區(qū)制轉移模型能夠克服KLR信號模型和FR概率模型采用離散變量所造成的信息損失，但同樣受到影響因素數(shù)量選擇的限制。而其他預警模型雖然在預警結果的精度方面取得了一定的進步， 但同樣存在著各種不同的缺陷，且并沒有得到廣泛的推廣與應用。結合各種預警模型存在的優(yōu)勢與不足，我們提出未來預警模型構建所需關注的問題：第一，預警指標的選擇范圍要廣，指標閾值的確定需根據(jù)不同國家的國情來設定；第二，在考慮預警指標之間線性關系的同時，應重視風險發(fā)生的非線性關系；第三，必須關注危機爆發(fā)的連續(xù)性、傳染性及時滯性。

參考文獻：

[1]KAMINSHY G，LIZONDO S，REINBART C M. Leading Indicators of Currency Crises[J]. IMF Staff Papers， 1998（45）.

[2]KAMINSKY G L，REINHART C M. The Twin Crises：The Causes of Banking and Balance-of-Payments Problem[J]. International Finance Discussion Papers， 1999（3）.

[3]CIPOLLINI A，KAPETANIOS G. Dynamic Factor Analysis of Financial Contagion in Asia[R]. Queen Mary University of London Working Paper，2003.

[4]史建平，高宇. KLR金融危機預警模型研究：對現(xiàn)階段新興市場國家金融危機的實證檢驗[J]. 數(shù)量經(jīng)濟技術經(jīng)濟研究，2009（3）.

[5]譚福梅. 次貸危機能被預測嗎——基于KLR金融危機預警模型[J]. 開發(fā)研究，2010（1）.

[6]徐道宣，石璋銘. 一種改進的KLR信號分析法應用研究[J]. 數(shù)量經(jīng)濟技術經(jīng)濟研究，2007（11）.

[7]楊雪萊，許傳華. 中國金融風險預警指標的最優(yōu)閾值及預測績效分析[J]. 廣東金融學院學報，2012（3）.

[8]張安軍. 國家金融安全動態(tài)預警比較分析（1992-2011年）[J]. 世界經(jīng)濟研究，2015（4）.

[9]FRANKEL J A，ROSE A K. Currency Crashes in Emerging Markets：An Empirical Treatment[J]. Journal of International Economics，1996（41）.

[10]ANDREW B，CATHERINE P. Are Currency Crises Predictable？ A Test[J]. IMF Economic Review， 1999，46（2）.

[11]ASLI D K，ENRICA D. The Determinants of Banking Crises：Evidence from Developing and Developed Countries[J]. Policy Research Working Paper，1997，45（1）.

[12]陳守東，楊瑩，馬輝. 中國金融風險預警研究[J]. 數(shù)量經(jīng)濟技術經(jīng)濟研究，2006（7）.

[13]張德鴻. 基于Logistic模型的系統(tǒng)性金融風險研究[J]. 重慶理工大學學報（自然科學），2016（4）.

[14]傅強，陳園園，劉軍等. 基于面板數(shù)據(jù)和動態(tài)Logit方法的金融危機預警模型[J]. 中央財經(jīng)大學學報，2015（1）.

[15]馬德功，李夢斐. 我國貨幣危機預警模型及實證分析——基于因子-Logistic回歸模型的修正與運營[J]. 山西大學學報（哲學社會科學版），2009（5）.

[16]胡援成，康鴻. 主權債務危機預警系統(tǒng)的構建——基于新興市場國家數(shù)據(jù)的研究[J]. 現(xiàn)代財經(jīng)，2013（6）.

[17]ANDREW B，CATHERINE P. Predicting Currency Crises：The Indicators Approach and Analternative[J]. Journal of International Money and Finance，1999，18（4）.

[18]CIPOLLINI A，KAPETANIOS G. Forecasting Financial Crises and Contagion in Asia Using Dynamic Factor Analysis[J]. Journal of Empirical Finance，2009，16（2）.

[19]朱鈞鈞，謝識予，許祥云. 基于空間Probit面板模型的債務危機預警方法[J]. 數(shù)量經(jīng)濟技術經(jīng)濟研究，2012（10）.

[20]顏建暉，楊小玄，殷琳. 主權債務危機預警模型及跨國傳染效應——基于Probit面板估計[J]. 浙江社會科學，2014（12）.

[21]SACHS J，TORNELL A，VELASCO A. Financial Crises in Emerging Markets：The Lessons from 1995[J]. Brookings Papers on Economic Activity，1996（1）.

[22]NITITHANPRAPAS E，WILLETT T D. A Currency Crises Model That Works：A Payments Disequilibrium Approach[R]. Claremont Colleges Working Papers in Economics，2000.

[23]張元萍，孫剛. 金融危機預警系統(tǒng)的理論透析與實證分析[J]. 國際金融研究，2003（10）.

[24]NAG A，MITRA A. Neural Networks and Early Warning Indicators of Currency Crisis[J]. Reserve Bank of India Occasional Papers，1999（20）.

[25]LIN C S，KHAN H A，CHANG R Y，et al. A New Approach to Modeling Early Warning Systems for Currency Crises：Can a Machine-Learning Fuzzy Expert System Predict the Currency Crises Effectively？[J]. Journal of International Money and Finance，2008，27（7）.

[26]南旭光，孟衛(wèi)東. 基于BP神經(jīng)網(wǎng)絡的金融危機預警[J]. 現(xiàn)代管理科學，2008（2）.

[27]胡援成，康鴻. 主權債務危機早起預警系統(tǒng)研究——基于BP神經(jīng)網(wǎng)絡方法[J]. 商業(yè)經(jīng)濟與管理，2010（9）.

[28]胡燕京，高會麗，許建鋒. BP人工神經(jīng)網(wǎng)絡：金融風險預警新視角[J]. 重慶工商大學學報（西部經(jīng)濟論壇），2003（1）.

[29]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（5）.

[30]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（11）.

[31]李夢雨. 中國金融風險預警系統(tǒng)的構建研究——基于K-均值聚類算法和BP神經(jīng)網(wǎng)絡[J]. 中央財經(jīng)大學學報，2012（10）.

[32]HAMILTON J D. Analysis of Time Series Subject to Changes in Regime[J]. Journal of Econometrics，1990（3）.

[33]PERIA W S M. A Regime-Switching Approach to the Study of Speculative Attacks：A Focus on EMS Crises[J]. Empirical Economics，2002，21（2）.

[34]ABIAD A G. Early Warning Systems：A Survey and a Regime-Switching Approach[J]. Social Science Electronic Publishing，2003，3（32）.

[35]張偉. 體制轉換模型能預測貨幣危機嗎？[J]. 經(jīng)濟研究，2004（7）.

[36]CERRA V，SAXENA S C. Contagion，Monsoons，and Domestic Turmoil in Indonesias Currency Crisis[J]. Review of International Economics，2002，10（1）.

[37]ARIAS G，ERLANDSSON U G. Regime Switching as an Alternative Early Warning System of Currency Crises-An Application to South-East Asia[R]. Ulf G Erlandsson，2004.

[38]朱鈞鈞，謝識予，朱弘鑫等. 基于狀態(tài)轉換的貨幣危機預警模型——時變概率馬爾科夫轉換模型的Griddy-Gibbs取樣法和應用[J]. 數(shù)量經(jīng)濟技術經(jīng)濟研究，2010（9）.

[39]BRUNETTI C，SCOTTI C，MARIANO R S，et al. Augustine H. H. Tan. Markov Switching GARCH Models of Currency Turmoil in Southeast Asia[J]. Emerging Markets Review，2008，9（2）.

[40]陳守東，馬輝，穆春舟. 中國金融風險預警的MS-VAR模型與區(qū)制狀態(tài)研究[J]. 吉林大學社會科學學報，2009（1）.

[41]周華，周暉，劉燦輝. 中國金融風險預警研究——基于MS-VAR模型的實證分析[J]. 投資研究，2013（1）.

[42]李繼偉，杜金岷. 資本項目開放中的貨幣危機預警研究[J]. 理論研究，2010（12）.

[43]馬威，肖帥. 金融危機預警指標體系及其結構方程模型構建[J]. 中南大學學報（社會科學版），2014（4）.

[44]牟曉云，李黎. 基于結構方程模型的金融危機預警方法[J]. 大連海事大學學報（社會科學版），2010（4）.

[45]黃益紹，林都. 金融危機預警指標排序——層次分析法[J]. 華北工學院學報，2004（4）.

[46]任碧云，武毅. 基于AHP—DEA的中國金融系統(tǒng)性風險預警指標體系研究[J]. 經(jīng)濟問題，2015（1）.

[47]陳衛(wèi)華，張睿. 基于“可能-滿意度”法的金融危機預警系統(tǒng)的構建與應用[J]. 國際金融研究，2007（4）.

[48]汪瑩. 金融危機預警模型的構建——“五系統(tǒng)加權法”預警模型[J]. 西安石油學院學報（社會科學版），2003（1）.

[49]南旭光，孟衛(wèi)東. 基于等比例危機模型的金融危機預警[J]. 重慶大學學報（自然科學版），2007（5）.

[50]沈沛龍，田菁. 基于馬田系統(tǒng)的金融危機預警指標選擇研究[J]. 財貿經(jīng)濟，2011（11）.

[51]荊中博，楊海珍，楊曉光. 基于貨幣市場壓力指數(shù)的銀行危機預警研究[J]. 金融研究，2012（5）.

[52]欒彥，李鵬. 主權債務危機的預警與防范[J]. 清華大學學報（自然科學版），2013，53（8）.

[53]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）.

（責任編輯：龍會芳；校對：李丹）