系統性風險預警模型和測度方法研究綜述

摘要：防范和化解系統性風險是當前金融機構和監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；（3）受歷史原始數據序列長度的限制，難以建立符合國情的系統性風險預警系統；（4）受限于人的知識領域和經驗，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性風險提出了政策建議。

關鍵詞：系統性風險；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性風險的關注。不同于傳統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性風險。對于系統性風險的理解，金融穩定委員會（FSB）（2009）認為系統性風險是指經濟周期、宏觀經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生動蕩，因而“對國際金融體系和全球實體經濟都會產生巨大的負外部性效應”。二十國集團（G20）（2009）認為系統性風險會導致金融服務流程受損，并可能對實體經濟造成嚴重的負面影響。Billio等（2010）將系統性風險定義為“任何威脅到金融系統穩定或公眾信心的環境”。歐洲中央銀行（ECB）（2010）認為系統性風險會導致金融體系的不穩定，阻礙經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性風險的“代名詞”。系統性金融風險具有傳染性特征，涉及一系列相互關聯的金融機構，一旦流動性不足、資不抵債或虧損發生，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性金融風險預警模型不僅是金融機構和監管當局工作任務的重心，也是學術界研究的焦點。

二、 系統性風險預警模型研究

綜觀國內外文獻，系統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為引發危機爆發的因素，也即解釋變量，為X的參數，可用于計算引發危機因素的聯合概率；被解釋變量Y代表危機是否發生，若發生則為1，否則為0。基于該模型，Frankel和Rose利用1971年～1992年105個發展中國家的面板數據進行貨幣危機預警，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據，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，該模型對一些表現異常并可能引發危機的指標進行監測，并根據指標數據的分布設置閾值，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個經合組織國家的數據，對資產價格進行預測。Claudio（2009）基于金融不穩定的內生循環觀點，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濟預警機制，用于預測由于金融不穩定引發了銀行業危機。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）選取度量銀行系統性風險的指標進行主成分分析，得出系統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，構建系統性風險預警模型。

3. 人工智能預警模型。Kim等（2004）基于1997年經濟危機期間韓國KOSPI數據，分別使用logistic、決策樹、支持向量機、模糊神經模型和人工神經網絡算法進行分類訓練，預測了1994年～2001年韓國的經濟運行狀態，最終得出人工神經網絡能夠對經濟危機進行較好地預警。Fioramanti（2008）利用1980年～2004年主權債務相關數據，對比了人工神經網絡模型與傳統的參數和非參數模型，結果顯示人工神經網絡能夠及時預測危機事件，因此人工神經網絡模型進一步完善了早期預警系統。Yu等（2010）提出了基于經驗模態分解法（EMD）的多量程神經網絡模型，分別以韓元和泰銖對美元的匯率作為代表經濟波動水平的指標，通過EMD將單個匯率分解成多個本征模式分量，作為BP神經網絡的輸入，實證結果顯示相比于傳統神經網絡模型，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人工神經網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據進行訓練，并預測出2008年中國金融的運行現狀。甘敬義等（2011）選取衡量中國金融風險的18個指標數據，利用主成分分析法將中國金融風險狀態劃分為四個等級，通過BP神經網絡進行訓練學習，對中國金融運行的風險狀態進行預測。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）通過某商業銀行在2005年1月-2009年4月的客戶交易和信用數據，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性風險指標。Li等（2013）以中國銀行業數據為例，基于主成分分析法和支持向量機提出了銀行系統性風險預警模型，實驗結果表明該模型能夠有效地預測銀行系統性風險。

三、 系統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法（FSI）的概念，并根據加拿大銀行業、股票市場、外匯市場等數據，構建了加拿大銀行業綜合金融壓力指數。Hakkio和Keeton（2009）提出了堪薩斯州金融壓力指數（KCFSI），該指數已經正式用于監測美國的系統性風險狀況。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測度模型。王春麗和胡玲（2014）從外匯市場、銀行業以及股票市場選取金融風險預警指標合成金融壓力指數，基于馬爾科夫區制轉移模型對我國2014年～2015年的金融風險狀態進行預測。許滌龍和陳雙蓮（2015）基于CRITIC賦權法構建了測度系統性金融風險的金融壓力指數，并對我國2005年1月～2013年12月金融發展狀況進行預測，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之間的條件相關性進行估計，試圖對歐洲銀行業的系統性風險進行評估。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，將系統性風險和在險價值聯系起來。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絡模型，該模型通過跟蹤信用事件或整個系統的流動性緊縮數據，評估銀行破產的網絡外部性，為金融機構應對金融危機引發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，提出了度量系統性金融風險的系統性期望損失（Systemic Expected Shortfall，SES）模型，即每個金融機構對系統性風險的貢獻可由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、經紀人和保險公司月收益之間的相互聯系，發現這四個行業在過去10年里均高度相關，從而增加了金融和保險業系統性風險的水平。Giesecke和Kim（2011）根據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關聯性和區制依賴行為對違約率的影響。Dong和Andrew（2013）基于高維協方差矩陣動態建模和一般時變分布的思想，提出了度量系統性風險的動態copula模型，并應用該模型研究了2006年～2012年期間美國100家企業信用違約掉期的日度數據，仿真結果顯示自2008金融危機以來，雖然單個企業違約概率大大減小，但是企業聯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）根據公司股權價格和CDS差價，將銀行體系發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，以上系統性風險預警模型和測度方法雖然在很大程度上均發揮了監測作用，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，因此缺乏對整個金融體系金融壓力的研究。再次，受歷史原始數據序列長度的限制，難以建立符合國情的系統性風險預警系統。最后，以上模型和方法受限于人的知識領域和經驗，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，對于宏觀審慎監管具有重要的實踐價值和現實意義。

五、 政策建議

防范和化解系統性風險是強化宏觀審慎金融監管、建設現代化經濟體系和維護國家金融安全和穩定的重要舉措和堅實保障。因此，為了防范和化解系統性風險，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性風險。深化國有企業改革，推動國有企業去杠桿，處置“僵尸企業”，改變舉債企業的效益遞減問題，化解商業銀行的信貸風險。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性金融風險預警機制。建立不同區域系統、不同市場以及不同經濟金融部門的全方位、多層次的金融風險預警系統，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、準確地披露我國經濟數據和金融信息，確保建立實時有效地金融預警系統。

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，繼續推進利率市場化進程，穩定物價，保證金融市場流動性整體平穩，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，抑制資產價格的過度波動，遏制跨市場風險傳染，維護金融安全和穩定，進一步深化供給側結構性改革，防范和化解系統性金融風險，促進實體經濟發展。

4. 重視金融科技（FinTech）和監管科技（RegTech）的發展。建立金融科技行業監管規則，進行“穿透式監管”，實現風險監管的全覆蓋。采取開放的“監管沙盒”，促進金融科技融合。加大對金融風險監測模型的研發投入，利用大數據、人工智能、云計算等技術開發金融風險預警模型，提高金融監管的準確性、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，Financial networks and financial stability，Financial 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.中國商業銀行系統性風險預警指標體系設計及監測分析[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].統計研究，2012，（1）：49-54.

[12] 楊霞，吳林.我國銀行業系統性風險預警研究[J]. 統計與決策，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人工神經網絡的中國金融風險預警模型分析[J].商業時代，2011， （27）：65-66.

[15] 樓文高，喬龍.基于神經網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.金融壓力指數構建及其有效性檢驗——基于中國數據的實證分析[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.基于金融壓力指數的系統性金融風險測度研究[J].經濟學動態，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，對外經濟貿易大學金融學院博士生，研究方向為系統性金融風險與金融監管。