基于貝葉斯網(wǎng)絡的上市證券公司風險預警模型研究

聶瑞華，石洪波

(1.山西財經(jīng)大學 統(tǒng)計學院，山西 太原 030006；2.山西財經(jīng)大學 信息與管理學院，山西 太原 030006)*

一、引言

隨著2008年全球金融危機以及近年來證券市場上違規(guī)操作、信用違約的不斷發(fā)生，風險管理成為了金融行業(yè)特別是證券行業(yè)重點關(guān)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(jīng)營效益和投資者的利益，也關(guān)系著證券行業(yè)乃至整個資本市場的穩(wěn)定發(fā)展。 2016年12月30日證券業(yè)協(xié)會發(fā)布《證券公司全面風險管理規(guī)范》，要求證券公司建立健全與自身發(fā)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(jīng)營中面臨的各類風險進行識別、評估、監(jiān)控、應對的全程管理。對各類風險的識別和預警是構(gòu)建全面風險管理的起點，特別在十八大以后，在相應國務院簡政放權(quán)的政策下，中國證監(jiān)會加強了事中及事后監(jiān)管，事前監(jiān)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。

截至2017年6月，我國共有證券公司128家，其中上市公司37家，已有實證顯示我國金融保險類上市公司風險厭惡程度較高[1]，證券公司作為金融類公司，其經(jīng)營狀況和市場價值受風險影響較大。因此，對上市證券公司風險狀況進行預判和預警，有利于證券市場投資者研判上市證券公司的投資價值。因此，無論是從證券業(yè)監(jiān)管角度，還是證券公司自我監(jiān)督以及投資者研判投資價值角度，上市證券公司風險測度及預警都意義重要。

為此，本文首先依據(jù)證券業(yè)協(xié)會最新提出的風險管理指標及相關(guān)研究，提出上市證券公司風險指標體系。在此基礎(chǔ)上，利用貝葉斯網(wǎng)絡建立風險預警模型，并在實證中針對上市證券公司的不平衡數(shù)據(jù)特征，用 SMOTE抽樣對數(shù)據(jù)進行預處理，通過和傳統(tǒng)的多項logit方法以及支持向量機、隨機森林等其他機器學習方法在平均預測正確率及標準差上作對比，對貝葉斯網(wǎng)絡方法應用于證券公司風險預警方面展開研究。

二、研究綜述

(一)證券公司風險預警研究

證券公司具有交易、托管結(jié)算、支付、融資和投資五大功能，面臨的風險可分為：市場風險、信用風險、流動性風險和操作風險。國內(nèi)學者偏重于利用計量和統(tǒng)計模型測度證券公司所面臨的各類風險：市場風險方面，姚德權(quán)、魯志軍(2013)利用主成分分析法從證券公司十四項財務指標中提取出六個主成分，運用改進后的Logistic模型建立市場風險預警模型，準確率達到80%[2]。南夙蘭(2007)建立馬爾柯夫狀態(tài)轉(zhuǎn)移概率矩陣來預測各種風險狀態(tài)的灰色隸屬度，用灰色熵和模糊熵來判斷風險價值的不確定性[3]。信用風險方面，Logit模型及Probit模型等計量模型常被用于定量研究信用違約[4，5]。程天笑和聞岳春(2016)在對比了Probit、Logistic和Extreme Value等模型對證券公司融資融券業(yè)務個人客戶違約概率計量后，發(fā)現(xiàn)Extreme Value模型的準確性及擬合度最好[6]。流動性風險方面，壓力測試被巴塞爾委員會認定為管控流動性風險的重要方法，它通過預設遭遇風險時的場景，計量證券公司由流動性風險造成的損失，實現(xiàn)定量判斷公司的流動性風險狀況[7]。此外，吳萬華(2009)通過模型化集合資產(chǎn)的變現(xiàn)過程以實現(xiàn)對證券公司集合資產(chǎn)管理計劃流動性風險的控制，并提出應當從投資組合中的股票資產(chǎn)流動性及投資組合中流動性資產(chǎn)兩個角度加強流動性風險管理[8]。操作風險方面，針對現(xiàn)有操作風險數(shù)據(jù)庫的不完整現(xiàn)狀，姚德權(quán)、魯志軍(2011)提出把風險分為可識別部分和不可識別部分，其中不可識別部分風險即操作風險可由總體風險減去可識別風險得到，據(jù)此借助收入模型衡量證券公司的操作風險，實證結(jié)果表明該模型具備一定的風險預警功能[9]。此外，建立案例數(shù)據(jù)庫[10]以及利用非參數(shù)方法[11]在近來受到學者的關(guān)注。總體風險方面，畢秋香等構(gòu)建了證券公司總體風險得分體系，以實現(xiàn)全面預警證券公司總體風險[12]。李建平等(2012)從風險即收益的不確定性這一思想出發(fā)，利用財務報表中的不同風險所導致的不同損益信息，實現(xiàn)對證券公司各類風險及整體風險的度量[13]。

隨著大數(shù)據(jù)時代的到來，具備較弱的模型假定和大規(guī)模數(shù)據(jù)處理能力的機器學習方法受到了國外學者關(guān)注。諸如神經(jīng)網(wǎng)絡、決策樹、支持向量機等機器學習方法被大量應用于信用風險預警[14，15]。Odom和Sharda(1990)將神經(jīng)網(wǎng)絡應用于財務困境風險預警，用人工神經(jīng)網(wǎng)絡進行風險預警管理的探索[16]。E.Nur Ozkan-Gunay、Mehmed Ozkan(2007)在對土耳其的破產(chǎn)銀行進行風險預警時用到了人工神經(jīng)網(wǎng)絡[17]。

貝葉斯網(wǎng)絡方法在貝葉斯統(tǒng)計思想下，利用變量之間的條件相關(guān)性預判不確定性對象的發(fā)生與否，面對小樣本數(shù)據(jù)和先驗信息時顯示出更高的預測準確度及穩(wěn)定性[18]。預警模型的本質(zhì)是利用過去數(shù)據(jù)推斷目標未來的狀態(tài)，符合貝葉斯統(tǒng)計思想；此外，我國現(xiàn)有證券公司相關(guān)數(shù)據(jù)較小，故本文提出利用貝葉斯網(wǎng)絡方法建立證券公司風險預警模型。

(二)證券公司風險指標體系研究

隨著我國證券市場的不斷發(fā)展完善，針對證券公司的風險指標體系構(gòu)建逐漸受到學者們的關(guān)注。畢秋香、何榮天(2002)在證監(jiān)會對證券公司的風險評價指標體系上增加了對證券公司內(nèi)部的風險管理指標體系，以實現(xiàn)對證券公司整體風險的度量評價，該指標體系由一級指標和二級指標組成。一級指標將公司整體風險狀況分為財務風險、市場風險、流動性風險和信用風險。二級指標則根據(jù)證券公司的具體經(jīng)營指標，同一級指標相對應[12]。劉增學、王雅鵬和張欣(2004)指出證券公司的風險預警指標體系應當由制度與管理風險監(jiān)測指標、資本風險監(jiān)測指標、流動性風險指標、經(jīng)營風險控制指標、違規(guī)風險和利潤風險監(jiān)測指標構(gòu)成。在經(jīng)營風險控制指標下根據(jù)投行業(yè)務、經(jīng)濟業(yè)務、自營業(yè)務來設立風險指標，計算各指標的預警系數(shù)和風險預警總系數(shù)Z，根據(jù)Z值大小來做出風險預警[19]。南夙蘭(2007)指出由于證券公司風險由很多因素組成，它源于人們對事物認知的主觀局限性和事物發(fā)展的不確定性，所以，在評價風險時應該結(jié)合隨機熵、模糊熵和灰色熵的大小進行多層次的評價，建立馬爾柯夫狀態(tài)轉(zhuǎn)移概率矩陣來預測各種風險狀態(tài)的灰色隸屬度，用灰色熵和模糊熵來判斷風險價值的不確定性[3]。李建平等(2012)在構(gòu)建證券公司風險指標體系時，將損益表上的各項與證券公司市場風險、信用風險、流動性風險、運營風險建立了對應關(guān)系。他們認為手續(xù)費收入、營業(yè)稅金及業(yè)務管理費等的變動來源于日常經(jīng)營活動，將其和運營風險相對應。利息收入和公允價值變動損益等受到利率風險和市場價格波動的影響，則和市場相對應。而資產(chǎn)減值損失中的壞賬損失與證券公司的信用管理有關(guān)，將其與信用風險相對應[13]。谷雨(2015)提出以“凈資本/各類風險準備之和”“凈資本/負債”和“凈資產(chǎn)/負債”為核心的風險控制指標體系以衡量證券公司風險。他們認為之前證券監(jiān)管機構(gòu)以凈資本為監(jiān)控的核心指標是考慮到它可以使證券公司的業(yè)務公開化、透明化，但是凈資本不能反映公司的凈資本覆蓋公司各類風險資產(chǎn)的能力。證券公司近幾年把業(yè)務活動集中在固定收益證券業(yè)務、衍生金融資產(chǎn)的高杠桿業(yè)務中，用“凈資本/負債”和“凈資產(chǎn)/負債”能夠很好地反映證券公司的財務杠桿，可從宏觀上監(jiān)控其業(yè)務規(guī)模[20]。

縱觀國內(nèi)相關(guān)研究，證券公司風險指標體系的構(gòu)建基本上以凈資本為核心，并根據(jù)證券公司的整體風險狀況劃分為財務風險、市場風險、流動性風險和信用風險。依據(jù)證券公司具體業(yè)務可劃分為承銷業(yè)務風險、經(jīng)濟業(yè)務風險、自營業(yè)務風險、資產(chǎn)管理業(yè)務風險、資金營運業(yè)務風險，并分設指標以實時監(jiān)控證券公司總體及各類別風險。這就在宏觀和微觀層面同時監(jiān)控證券公司整體，以及各個部門風險狀況的變化，能夠及時調(diào)整和彌補公司內(nèi)部風險管理的不足。

三、證券公司風險指標體系的建立

證券市場是高風險的市場，證券公司的經(jīng)營活動會面臨各種風險。證券公司從事業(yè)務的復雜性決定了證券公司面臨的風險也是多樣化的，因此對證券公司整體風險要用多個指標度量，運用層次化結(jié)構(gòu)度量證券公司的風險。本文在對證券公司進行風險度量時，不僅結(jié)合已有關(guān)于證券公司風險指標體系的構(gòu)建研究，而且著重參考了證監(jiān)會2016年6月16日頒布的《關(guān)于修改〈證券公司風險控制指標管理辦法〉的決定》確定的證券公司風險指標，該指標體系在原有基礎(chǔ)上新加了風險覆蓋率、資本杠桿率、流動性覆蓋率和凈穩(wěn)定資金率，完善并形成了以凈資本和流動性為核心的風險控制指標。本文使用的證券公司風險指標體系即借鑒了證監(jiān)會《決定》中提到的指標，具體指標如表1所示。

表1 證券公司風險指標體系

注：資料來源：證監(jiān)會網(wǎng)站。

該指標體系由兩項一級指標、九項二級指標構(gòu)成，風險預警由總體風險預警和二級指標預警組成，總體風險預警由機器學習方法給出，二級指標的預警線則參考證券協(xié)會要求。本體系重點考慮了凈資本，但沒有單獨將凈資本作為二級指標，目的在于方便不同證券公司在不同年份橫向及縱向?qū)Ρ取Ｔ谧C券行業(yè)發(fā)展過程中，證券公司對自身風險的管控從以資產(chǎn)規(guī)模為核心發(fā)展到以凈資本為核心。該指標體系的多項二級指標計算涉及凈資本，故符合證券市場發(fā)展的監(jiān)管要求。

四、貝葉斯網(wǎng)絡方法

(一)貝葉斯網(wǎng)絡概念

貝葉斯網(wǎng)絡(Bayesian Network, BN)是由貝葉斯方法和圖形理論相結(jié)合的一種圖形化建模工具，最早由Judea Pearl于1988年明確提出，該方法在不確定推理方面發(fā)揮了很大的優(yōu)勢。貝葉斯網(wǎng)絡由網(wǎng)絡結(jié)構(gòu)圖和局部概率分布組成，前者表征定性特征、后者表征定量特征，針對這兩部分，貝葉斯網(wǎng)絡方法建模一般由兩步組成，即結(jié)構(gòu)學習和參數(shù)學習。結(jié)構(gòu)學習指建立符合已有數(shù)據(jù)特征的網(wǎng)絡結(jié)構(gòu)圖，學習方法有基于約束的、基于評分的以及二者混合的；參數(shù)學習指利用已學習好的結(jié)構(gòu)和先驗信息確定各節(jié)點的概率表。貝葉斯網(wǎng)絡方法一經(jīng)提出，就被廣泛地應用于解決分類預測問題。

(二)貝葉斯網(wǎng)絡表示

p(c|x1,x2,…,xn)=(p(c)p(x1,x2,…,

xn|c)-p(x1,x2,…,xn))=

(1)

五、數(shù)據(jù)說明及預處理

(一)數(shù)據(jù)來源

現(xiàn)行的風險指標體系由證監(jiān)會于2016年6月16日頒布，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年的財務數(shù)據(jù)基礎(chǔ)上按新的指標體系公布了各項的風險指標值。本文使用的指標即來源于證券協(xié)會最新頒布的指標體系。截至2017年6月，我國共有128家證券公司，其中上市公司37家，因非上市公司年報無法從公開場合獲取，因此，本文獲取的樣本由2015年、2016年上市證券公司組成。上市證券公司各指標數(shù)據(jù)來源于東方財富網(wǎng)37家上市證券公司的2015年及2016年年報，因證監(jiān)會在每年8月份公布該年度各證券公司風險評級，其依據(jù)應為各公司上一年度年報，故選用2017年和2016年的證監(jiān)會風險評級分別作為2016年及2015年各證券公司的類標簽。各年度上市證券公司風險評級數(shù)據(jù)取自證監(jiān)會網(wǎng)站。

(二)樣本合成及缺失值處理

本文以構(gòu)建的上市證券公司風險指標作為特征變量，證券業(yè)協(xié)會公布的證券公司分類作為類標簽。構(gòu)建的風險指標體系依據(jù)證監(jiān)會2016年6月16日頒布的新風險指標體系，從數(shù)據(jù)的可得性角度考慮，僅有2016年及調(diào)整后的2015年上市證券公司年報可得。截至2017年6月，我國上市證券公司共37家，單獨使用2016年或2015年樣本，會造成機器學習方法學習不夠充分，產(chǎn)生較大錯判率。在應用2016年樣本比較不同機器學習方法時，錯判率高達50%左右，因此，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。我們可以合理假設證券業(yè)協(xié)會對證券公司的分類標準在2015年及2016年間沒有變化，證券公司分類旨在綜合評價證券公司的風險管理能力、市場競爭力及合規(guī)管理能力，是證券業(yè)協(xié)會對各證券公司提升風控和合規(guī)能力的監(jiān)督措施，在一段時間內(nèi)標準不宜變動，故2015年及2016年的類標簽有可比性。本文構(gòu)建的上市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標準化處理，因此，在不同年間有可比性。綜上，合成樣本的做法較為合理。此外，根據(jù)公布的上市證券公司年報，風險覆蓋率有兩個缺失值，本文采用同類指標取平均的方式填補。

(三)不平衡數(shù)據(jù)處理

合成樣本容量為74，其中A類樣本40個，B類樣本29個，C類樣本僅有5個，因此，合成樣本是一個不平衡樣本，如不處理會造成模型對C類樣本的錯判。處理不平衡樣本一般有兩大類方法，一是過抽樣，二是欠抽樣。過抽樣的思想是復制少數(shù)類個體入樣以增加少數(shù)類占比，欠抽樣的思想是對多數(shù)類抽取一部分入樣以減少多數(shù)類占比。欠抽樣損失了樣本信息，且考慮到樣本容量較小，如舍棄部分樣本會進一步加大模型學習難度，故這里宜使用過抽樣方法。SMOTE(Synthetic Minority Oversampling Technique)抽樣是一種過抽樣方法，其思想是利用少數(shù)類樣本人工合成數(shù)據(jù)加入到樣本中。具體做法是首先依據(jù)不平衡狀況確定少數(shù)類的抽樣比例之后，按照合成函數(shù)合成新的少數(shù)類樣本，最終增加少數(shù)類樣本占比，解決樣本不平衡問題，其少數(shù)類樣本的合成算法如下：

(1)根據(jù)不平衡狀況確定需要人工抽樣的少數(shù)類個數(shù)m。

(2)對于每個少數(shù)類樣本點xi，利用歐式距離計算它和其他同類樣本點間的距離，得到k近鄰，從中任選m個近鄰點xij(j=1,2,…,m)。

(3)隨機產(chǎn)生0到1之間的數(shù)，由rand(0,1)表示。

(4)按照分別合成m個新的少數(shù)類樣本，xnew,j=xi+rand(0,1)×(xi-xij)，其中：j=1,2,…,m。

經(jīng)過反復比較，最終選擇SMOTE抽樣將C類樣本數(shù)擴充為40，使得合成樣本中各類占比差距較小，最終得到的建模樣本容量為109。各指標標準化后的描述性統(tǒng)計見表2。

表2 樣本標準化處理結(jié)果

注：資料來源：weka3.6.10。

六、實證結(jié)果及分析

(一)描述性統(tǒng)計

2015年、2016年各上市證券公司的二級指標均符合證券協(xié)會要求，即在二級指標體系方面不存在風險。根據(jù)證券業(yè)協(xié)會公布的證券公司分類標準，共有A、B、C、D、E 五個大類。A、B、C類表示證券公司能夠正常經(jīng)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(jié)果作為總體風險參考，考察預警模型的正確率。

如表3所示，2015年19家上市證券公司被證券業(yè)協(xié)會評為A級，16家上市證券公司被評為B級，2家被評為C級；2016年有21家上市證券公司被評為A級，13家被評為B級，3家被評為C級，其中8家上市公司評級上調(diào)，5家上市公司評級下調(diào)。總體上上市證券公司從2015年到2016年風險狀況有小步改善，但部分公司風險管理水平有所下降。

表3 依據(jù)證券業(yè)協(xié)會的上市證券公司分類

注：資料來源：證券業(yè)協(xié)會網(wǎng)站。

如表4、表5所示，比較2015和2016年上市證券公司平均風險指標，得到表6，表中九項指標中有八項較2015年有不同程度提升。這表明，2016年新頒布的風險指標體系促進了證券公司風險管理水平的提高。不同證券公司在流動性覆蓋率和凈穩(wěn)定資金率上有較大的標準差，體現(xiàn)不同證券公司對這兩項指標的管控能力差異較大；不同證券公司在資本杠桿率和凈資本/凈資產(chǎn)上的標準差小，說明各證券公司在上述兩項指標上管控較好。

具體到各證券公司，國泰君安、招商證券、光大證券、中信建投等大券商連續(xù)兩年在各項風險管理指標上表現(xiàn)良好，均被評為A級。中信證券、海通證券、廣發(fā)證券等中型券商在風險指標上有較大波動，導致其風險評級被證券業(yè)協(xié)會下調(diào)。

表4 2015年上市證券公司風險指標特征

注：資料來源：東方財富網(wǎng)各上市證券公司2015年年報。

表5 2016年上市證券公司風險指標特征

注：資料來源：東方財富網(wǎng)各上市證券公司2016年年報。

(二)貝葉斯網(wǎng)絡建模及模型比較

1．SMOTE抽樣比例確定。針對數(shù)據(jù)的不平衡性，建模之前首先采取SMOTE抽樣以達到平衡數(shù)據(jù)的目的。經(jīng)過反復對比，最終確定SMOTE抽樣比例為700%，對比過程如下(對比結(jié)果見表7)：采用SMOTE抽樣之前，各算法正確率在50%上下，模型預測能力較差；針對C類采取SMOTE抽樣200%及300%后，各模型預測效果沒有提升；當SMOTE抽樣達到400%、500%及700%時，各模型的預測效果不斷提高。以上實驗數(shù)據(jù)表明在應用SMOTE抽樣時，抽樣后少數(shù)類占比和其他類占比有較大差距時效果不明顯，在少數(shù)類較為接近其他類占比時抽樣效果較好。為了進一步說明建模采取了合理的SMOTE抽樣比例，對比抽樣后各類占比相同的情形(即第7組)，發(fā)現(xiàn)其效果差于抽樣后原少數(shù)類和最多類占比相同且其他類占比不變的做法(第6組)，因此經(jīng)過反復比較，最終確認了最佳的SMOTE抽樣比例。對比第6組和第1組，SMOTE抽樣后各方法的正確率均有不同程度提高，貝葉斯網(wǎng)絡的正確率能夠接近70%，各算法下的標準差除貝葉斯網(wǎng)絡外均小于SMOTE抽樣前，考慮到貝葉斯網(wǎng)絡模型的正確率提升近17%，總體而言，SOMTE抽樣較大幅度地提高了各算法的預測效果。

表6 各證券公司風險指標平均值對比

注：資料來源：表3、表4。

2．貝葉斯網(wǎng)絡建模及模型比較。為了比較不同機器學習方法的優(yōu)劣性，首先采用十折交叉驗證方式得到各方法的平均正確率，在此基礎(chǔ)上，各自重復1000次后取平均得到各方法下的正確率，即針對每種算法分別進行了10000次正確率計算后取平均。為了同傳統(tǒng)計量方法及其他機器學習方法作對比，加入多項Logit回歸及支持向量機、隨機森林等方法分別建立模型。其中支持向量機采用Gauss徑向基函數(shù)；貝葉斯網(wǎng)絡方法采用K2算法進行結(jié)構(gòu)學習，經(jīng)過反復比較模型正確率及標準差，最終確定貝葉斯網(wǎng)絡建模中的最大父節(jié)點數(shù)為1，即所建貝葉斯網(wǎng)絡為樸素貝葉斯網(wǎng)絡，所有變量的父節(jié)點均為類標簽，所建貝葉斯網(wǎng)絡圖如圖1所示。(以上操作均在WEKA3.6.10上實現(xiàn)，最終結(jié)果見表7)

表7 4種算法實驗結(jié)果

注：表格內(nèi)數(shù)值表示對應算法重復1000次后取平均的正確率，括號內(nèi)數(shù)值表示方差；第1組為抽樣前：A(40)、B(29)、C(5)，第2組為C類抽樣200%、抽樣后：A(40)、B(29)、C(15)，第3組為C類抽樣300%、抽樣后：A(40)、B(29)、C(20)，第4組為C類抽樣400%、抽樣后：A(40)、B(29)、C(25)，第5組為C類抽樣500%、抽樣后：A(40)、B(29)、C(30)，第6組為C類抽樣700%、抽樣后：A(40)、B(29)、C(40)，第7組為B類抽樣38%且C類抽樣700%、抽樣后：A(40)、B(40)、C(40)。資料來源：weka3.6.10。

圖1 貝葉斯網(wǎng)絡結(jié)果圖

對比第6組各模型的平均預測正確率及標準差，貝葉斯網(wǎng)絡方法所建立模型的平均預測正確率最高，比第二高的隨機森林高出2.38%，標準差和隨機森林僅差0.02%，綜合考慮正確率和標準差，貝葉斯網(wǎng)絡好于隨機森林。同支持向量機、多項Logit比較可得到相似結(jié)論，因此從實證角度，貝葉斯網(wǎng)絡最適于建立證券公司風險預警模型。

此外，無論是否使用SMOTE抽樣，多項Logit回歸的正確率均小于各機器學習方法，標準差均大于各機器學習方法，因此，從正確率和標準差兩個角度看，多項Logit回歸的預測效果差于各機器學習方法。特別在采用SMOTE抽樣后機器學習方法中平均正確率最低的支持向量機比多項Logit回歸高近11.78%，標準差最大的貝葉斯網(wǎng)絡比多項Logit回歸低0.58%。以上實證結(jié)果表明，機器學習方法在建立上市證券公司風險預警模型時，比傳統(tǒng)計量方法更為恰當。

七、結(jié)論和政策啟示

2016年6月16日證監(jiān)會頒布的《關(guān)于修改〈證券公司風險控制指標管理辦法〉的決定》中明確了證券公司風險指標，在此基礎(chǔ)上，本文提出了上市證券公司風險管理指標體系。同時，利用貝葉斯網(wǎng)絡方法構(gòu)建風險預警模型并通過實證檢測了該方法，得出的結(jié)論如下：第一，在建立證券公司風險預警模型時，貝葉斯網(wǎng)絡方法優(yōu)于支持向量機、隨機森林等其他機器學習方法及傳統(tǒng)的多項Logit方法；第二，建立證券公司風險預警模型時如果遇到不平衡數(shù)據(jù)，可以采用SMOTE抽樣方法從平均準確率和標準差兩個角度增加算法的預測效果。

政策啟示如下：證監(jiān)會于2016年6月16日頒布的《關(guān)于修改〈證券公司風險控制指標管理辦法〉的決定》，在改進上市證券公司風險管控水平方面已初見成效，但要進一步提升風險預警能力，監(jiān)管部門可利用貝葉斯網(wǎng)絡方法建立證券公司風險預警模型，為研判上市證券公司風險狀況提供依據(jù)。