基于大數據方法的中國系統性金融風險預警研究

苗子清 張卓群

一、引言

防范化解系統性金融風險，關系到我國金融安全甚至是經濟安全，是金融工作的重中之重，核心關鍵是對風險進行有效監測和預警。然而，當前不同金融市場聯動不斷增強，金融機構業務交叉日趨密切，金融產品創新層出不窮，金融體系復雜性愈加凸顯。面對種類更加繁雜、體量更加巨大且彼此關聯的宏微觀金融數據，僅使用傳統統計和計量方法對系統性金融風險進行準確監測和及時預警面臨越來越大的挑戰。隨著計算機并行運算能力和數據科學的發展，大數據前沿技術逐漸滲透到各個領域，對現代金融業也帶來革命性的變革。同時，因大數據分析具備及時性、精準性、高顆粒度、大樣本量等一系列優勢（張濤和劉寬斌，2018）[1]，使其能夠很好地勝任金融領域的數據分析和信息處理，進一步豐富了監測預警系統性金融風險的手段和工具。

本文詳細歸納了系統性金融風險的形成原因，并以此為基礎建立了系統性金融風險指標體系，通過隨機森林、神經網絡和支持向量機等大數據方法構建模型對中國系統性金融風險進行預警，利用混淆矩陣、ROC 曲線及動態預警分析，比較了不同模型的預警效果，并識別出了中國系統性金融風險的先導指標。

二、文獻綜述

（一）系統性金融風險的形成原因

2008 年國際金融危機爆發后，系統性金融風險得到前所未有的重視和討論，國內外學者進行了大量的研究。就系統性金融風險的形成原因來說，主要包括內部因素和外部因素兩方面。

內部因素方面，金融體系具有內在的不穩定性，這主要由金融脆弱性、市場主體非理性、金融資產關聯性、金融市場存在道德風險等因素導致。一是金融脆弱性。在早期研究中，費雪、馬克思、凱恩斯各自從債務的清償、銀行信用制度和貨幣的職能特征等不同角度對金融脆弱性進行過深入闡釋。在現代研究中，Minsky（1992）的“金融不穩定假說”[2]、Stiglitz and Weiss（1981）的信貸市場信息不對稱模型[3]、Kregel（1997）的“安全邊界說”[4]、Diamond and Dybvig（2000）的“銀行擠兌理論”[5]打下了金融脆弱性理論的基礎。二是金融創新不當、監管缺失以及過度使用金融高杠桿。尚福林（2014）指出，過度的金融創新及其風險管理滯后是釀成金融危機的重要原因[6]。張明（2009）指出，2008年國際金融危機便是由美國金融監管缺失導致[7]。張曉樸（2010）認為，金融機構過度使用高杠桿帶來了金融體系的脆弱性[8]。三是金融機構之間業務和資產負債的相互關聯以及風險同質化。馬君潞等（2007）認為，金融機構相互間直接業務或資金往來以及資產負債的相互關聯易引發系統性金融風險[9]。四是市場主體的非理性。凱恩斯曾提出“動物精神”（主要指人們“想要采取行動的沖動”）是導致經濟波動和危機的根本原因。阿克洛夫和希勒（2009）發現動物精神的各個方面會推動經濟朝著不同方向運行，在政府不進行干預的情況下，經濟會發生巨大擺動，金融體系也會陷入混亂[10]。五是金融體系內部廣泛存在道德風險，市場缺乏自律。Krugman（1999）認為道德風險和過度投資相互交織，導致了金融系統性風險的產生[11]。De Larosière Group（2009）認為金融機構的短期冒險行為和不負責任是美國次貸危機的重要推手[12]。

外部因素方面，宏觀經濟周期和政策調控失誤是導致系統性金融風險的兩個主要原因。宏觀經濟周期的影響體現在：首先，經濟進入衰退時期企業易發生財務狀況惡化，金融機構資產質量隨之下降，投資者對金融體系信心不足，則會出現資產恐慌性拋售引發系統性金融風險（張曉樸，2010）[8]。其次，由于金融系統存在順周期性（體現在資本充足率監管、貸款損失準備等方面），強化了經濟周期波動，助推了金融危機發展（謝平和鄒傳偉，2010）[13]。同時，宏觀政策調控失誤也被認為是導致系統性風險的重要原因。IMF（2009）相關報告指出，2008年金融危機的爆發便是由美國長期的低利率政策導致[14]。

結合中國實際，中國發生系統性金融風險的可能成因除了以上所述的內、外部因素外，影子銀行和房地產領域也是重要因素。王兆星（2020）指出，影子銀行和房地產市場的金融化、泡沫化是引發系統性金融風險和嚴重金融危機最重要的原因[15]。

（二）系統性金融風險的監測與預警方法

在早期研究中，Frankel and Rose（1995）的FR 概率模型[16]、Sachs et al.（1996）的STV 模型[17]以及Kaminsky et al.（1998）的KLR 信號分析法[18]是比較有影響的研究成果。

2008 年全球金融危機爆發前后，系統性金融風險的監測與預警方法主要有：一是綜合指數法。主要是指基于宏觀經濟和金融市場指標，利用各種統計學加總方法，構建可用于實時監測金融體系風險狀況的綜合指數。例如，加拿大金融壓力指數（FSI）（Illing and Liu，2006）[19]、圣路易斯金融壓力指數（STLFSI）（Kliesen and Smith，2010）[20]等。二是邏輯回歸法。Kumar et al.（2002）提出用Simple Logit 模型對貨幣危機進行預警[21]。三是研究風險傳遞和金融部門系統性聯系的方法。IMF(2009)提出網絡分析法等定量分析方法[14]。四是測算金融機構系統違約概率的方法。如邊際期望損失法、在險價值法等。五是全球范圍內廣泛采用的金融風險壓力測試法。例如，歐美央行普遍采用的壓力測試框架。

我國學者參考國外的研究方法，結合中國實際，建立了我國的系統性金融風險監測預警模型。唐旭和張偉(2002)比較了FR 等國外預警模型的優劣，構建了中國金融危機的預警系統[22]。陳守東等（2006）通過因子分析探究了影響我國金融風險的主要因素，并建立邏輯回歸模型對金融市場風險進行了預警[23]。李夢雨（2012）借助BP 神經網絡建立了中國金融風險預警系統[24]。許滌龍和陳雙蓮（2015）采用CRITIC 法構建金融壓力指數來測度系統性金融風險[25]。陶玲和朱迎（2016）從金融機構、股票市場等七個維度構造出監測系統性金融風險的綜合指數，并建立馬爾科夫區制轉移模型，識別和判斷風險指標的狀態和拐點[26]。淳偉德和肖楊（2018）從股票、債券、保險等金融子市場中選取特征指標構成金融壓力指數，運用4種核函數的SVM 模型構建了中國的系統性金融風險預警模型[27]。清華大學國家金融研究院金融與發展研究中心課題組（2019）選取金融子市場基礎指標，采用動態賦權法，構建了中國系統性壓力指數（CISS），識別和監測系統性金融風險[28]。

表1 衡量中國系統性金融風險指標體系

總體來看，目前在各種系統性金融風險的預警方法中，傳統統計方法和建立計量經濟學模型是較為常見的做法，采用大數據方法對中國系統性金融風險進行分析和預警仍然較少。與現有文獻相比，本文貢獻在于將大數據技術運用于系統性金融風險預警，提供了系統性金融風險研究的新思路和新方法，初步探索了大數據方法在中國系統性金融風險研究的應用和實踐。

三、指標分析和模型構建

（一）指標分析

本文結合中國系統性金融風險的可能成因，在借鑒國內外研究成果的基礎上，從金融機構、債券市場、股票市場、外匯市場、貨幣市場、宏觀經濟、影子銀行、房地產市場、政策干預等九個維度，構建衡量中國系統性金融風險的指標體系。詳細指標及其經濟含義如表1。

本文數據來自中國國家統計局官網、CEIC DATA數據庫等渠道，數據樣本區間為2007年1月至2020 年8 月，均采用月度數據，主要反映2008年國際金融危機爆發至今的情況。

（二）大數據方法選擇

1.隨機森林。隨機森林（Random Forest）是目前應用較為廣泛的大數據機器學習方法之一，擅長于處理各種類型的預測問題。隨機森林實際上是決策樹的集成，通常采用bagging 方法進行訓練。其中，決策樹是利用樹型結構進行決策的一種算法，由一個根節點、若干個葉節點和內部節點組成，一個葉節點代表一個決策結果，而其他每個節點則代表一個屬性測試。隨機森林是由多個決策樹組成，通過對每個決策樹的決策結果進行投票來確定最佳的決策結果。隨機森林算法的基本思想：利用bootstrap法有放回的抽樣從原始訓練集抽取k個樣本，每個樣本的樣本容量都與原始訓練集一樣；對k 個樣本分別建立k 個決策樹模型，得到k種分類結果；根據k種分類結果對每個記錄進行投票決定其最終分類。其示意圖見圖1。

圖1 隨機森林分類示意圖

2.神經網絡。神經網絡即人工神經網絡（Arti?ficial Neural Networks），是模擬生物神經網絡行為特征實現對信息深度分析處理的一種算法模型。該模型使用非線性函數逼近工具來測試解釋變量和被解釋變量之間的關系。該方法考慮一組人工神經元，并使用一定的連接方法處理與之相關的信息，其中網絡單元通過信息流連接起來。在學習階段，模型的結構會根據在網絡中流動的外部或內部信息而變化。一般來說，人工神經網絡一般由三個不同的層組成，即輸入層、中間層和輸出層。如圖2所示，輸入層由輸入的外部信息和數據組成，輸入的數據乘以連接權重則形成由隱藏單元組成的中間層，在中間層通過激活函數形成線性組合并將其轉換為0到1之間的值，這些值乘以權重則可以得到輸出層。神經網絡模型算法繁多，包括多層感知機（multi-layer perceptron,mlp）、誤差逆傳播模型、ART 模型、玻爾茲曼機等神經網絡，本文運用多層感知機神經網絡構建預警模型。

圖2 神經網絡結構圖

3.支持向量機。支持向量機（Support Vector Machine,SVM）是一種強大、靈活的有監督學習算法，其原理是尋找一個最優超平面，對數據進行二元分類。支持向量機的基本模型如下：

支持向量機就要是找到滿足以上條件能夠準確劃分訓練樣本的“最大間隔”超平面，其原理示意圖見圖3。

圖3 支持向量機分類原理示意圖

本文將主要運用隨機森林、神經網絡、支持向量機等大數據方法，構建中國系統性金融風險預警模型。同時為比較大數據方法與已有風險預警傳統統計計量方法在估計結果和預警效率上的差異，本文建立邏輯回歸模型進行建模和效果比對。

（三）模型評估

評價模型好壞，需要進行性能度量，即設計評價標準對模型泛化能力進行衡量。在大數據分類任務中，常用的性能度量方法包括混淆矩陣和ROC曲線。

其中，混淆矩陣主要根據真實值與預測值是否相同對預測樣本進行分類，是較為全面反映模型評估結果的一種表示方法。混淆矩陣的一行用來表示樣本的真實類別，一列用來表示樣本的模型預測類別。當樣本預測類別與樣本真實類別相同時，說明模型預測樣本分類正確，當樣本預測類別與樣本真實類別不同時，說明模型預測樣本分類錯誤。

四、中國系統性金融風險預警

（一）數據處理

1.單位根檢驗。本文首先選取2007 年1 月至2017 年12 月的中國系統性金融風險指標月度數據，構造衡量系統性金融風險水平的風險預警變量。為避免出現偽回歸問題，將指標體系中30 個指標變量進行ADF 平穩性檢驗（結果見表3）。將不平穩的11 個指標變量去掉，所以解釋變量為剩下平穩的19個指標。

2.主成分分析。在平穩性檢驗之后，運用主成分分析法對19 個指標數據進行降維、去噪處理。在主成分分析前，先對與系統性金融風險呈反向變化的指標進行正向化處理（取倒數）。對于兩個雙向指標“金融機構資產利潤率”“金融機構資本利潤率”，分別取兩個指標的平均值作為基準值，與基準值偏離度越大風險指數越高。按照特征根大于1的原則，分析得到6個主要成分的累計貢獻率為74.93%，說明基本能夠荷載原始指標的大部分信息，因此也認為是系統性金融風險的主要來源。

然后，將每個主要成分的數值和對應的方差貢獻率進行運算，可以得到用來衡量金融體系整體風險水平的變量Ft：

表2 混淆矩陣示例

表3 各變量的ADF平穩性檢驗結果

根據Ft的取值將每月的金融風險劃分為不同的狀態。

3.期望輸出值的確定。本文對系統性風險水平狀態進行劃分，由于人為設定閾值的方法較為主觀，缺乏科學合理性，因此采用從時間序列變量本身取值中找出合適變量閾值的SETAR（自激勵門限自回歸）方法，得出劃分系統性金融風險狀態的虛擬變量。第一步，將Ft序列按照數值大小進行升序排列，去掉排在前15%和后15%的序列數據，以消除極端值帶來的影響，剩余的93 個值均可以作為可能的閾值；第二步，將每個原始序列與每個可能的閾值分別進行數值對比，若序列數值大于閾值，則表示“風險”狀態，預警虛擬變量值設定為1，否則表示“正常”狀態，預警虛擬變量值設定為為0；第三步，用每一列虛擬變量建立最小二乘回歸模型，模型形式為：

表4 主成分分析結果

表5 四類模型靜態預警準確率和召回率結果

選取AIC 和SC 值最小時所對應的虛擬變量序列作為預警虛擬變量。通過Eviews 9計量軟件計算出AIC和SC值最小分別為-0.4160和-0.3283，此時所對應的虛擬變量序列即是預警模型的期望輸出值。

（二）預警效果評價

本文將2007 年1 月至2016 年12 月中國系統性金融風險指標體系中的30 個指標變量作為預警模型的輸入，把由主成分分析和SETAR 方法得到的風險預警虛擬變量序列作為模型期望輸出，在支持Python 語言的Jupyter Notebook 中分別構建邏輯回歸、隨機森林、神經網絡、支持向量機四類系統性金融風險預警模型。表5顯示了四類模型靜態預警在查準率和查全率兩個預測評價指標上的具體表現。傳統邏輯回歸模型的預警效果不論在訓練集還是在測試集上均不如隨機森林、神經網絡和支持向量機模型的預警效果，其在訓練集上的查準率和查全率分別為0.80和0.78，其在測試集上的查準率和查全率只有0.72和0.73。神經網絡模型的預警效果在查準率和查全率兩個評價指標上的表現是四類模型當中最好的，在訓練集上查準率和查全率達到1.00，在測試集上查準率和查全率均為0.90。隨機森林模型的預警效果在查準率和查全率兩個評價指標上也有較好表現，在訓練集上查準率和查全率達到1.00，在測試集上查準率和查全率分別為0.88和0.87。支持向量機模型的預警效果比隨機森林模型和神經網絡模型稍差，在訓練集上查準率和查全率雖然也達到1.00，但在測試集上查準率和查全率均為0.87。

圖4 隨機森林、神經網絡、支持向量機、邏輯回歸預警模型ROC曲線

從ROC 曲線和AUC 值（見圖4）上看，隨機森林、神經網絡、支持向量機等模型的預警效果均優于傳統邏輯回歸模型。邏輯回歸模型相較于隨機森林、神經網絡和支持向量機模型，其ROC曲線更遠離坐標系左上角，說明模型預測在召回率高的情況下，其假正率也較高，其AUC 值為0.910。神經網絡和支持向量機模型要優于隨機森林模型，兩個模型的ROC 曲線較隨機森林模型更靠近坐標系左上角，AUC 值分別為0.968 和0.968。隨機森林模型的ROC 曲線較邏輯回歸模型更靠近坐標系左上角，AUC值為0.944。

（三）指標重要性分析

隨機森林模型可根據每個指標變量對預警模型的貢獻給出變量的重要性排序（參見圖5），從而識別出中國系統性金融風險的先導指標。本文結合每個指標經濟含義及其重要性順序情況做進一步分析。從圖5可以看到，重要性排名前十的指標變量依次為商品房銷售單價同比增長率、政府債務/財政收入、房地產投資同比增長率、不良貸款率、金融機構資產利潤率、5年國債與3 個月國債到期收益率利差、上交所市盈率倍數同比增長率、上市公司總市值同比增速/GDP 同比增速、出口總額同比增長率、上證綜指同比增長率。其中，商品房銷售單價同比增長率、房地產投資同比增長率為房地產市場維度的指標變量，重要性指標值分別為0.0812和0.0581，相較于其他指標變量重要性排名靠前，說明房價高企和房地產投資增速過快往往預示著未來會發生系統性金融風險。政府債務/財政收入為政策干預維度的的指標變量，在其他指標變量中重要性排名第二，重要性指標值為0.0719。政府債務規模相較于財政收入過快擴張容易造成政府信用風險和財政風險，同時政府債務多與銀行信貸相互關聯，所以易引發系統性金融風險。不良貸款率、金融機構資產利潤率為金融機構維度的指標變量，重要性指標值分別為0.0509和0.0491，說明金融機構內在不穩定性仍然是系統性金融風險的重要來源，不良貸款率越高、金融機構資產利潤率越偏離基準水平，未來發生系統性金融風險的可能性越大。上交所市盈率倍數同比增長率、上市公司總市值同比增速/GDP 同比增速和上證綜指同比增長率為股票市場維度的的指標變量，重要性指標值分別為0.0403、0.0389 和0.0323，說明股票市場相較于實體經濟過快增長也是未來發生系統性金融風險的重要原因。

圖5 中國系統性金融風險的預警指標重要性排序

值得注意的是，GDP 增長率、通貨膨脹率等宏觀經濟維度指標變量以及1周和1年期期限SHI?BOR利差、銀行間市場7天回購平均利率等貨幣市場維度指標變量重要性排名較為靠后，說明系統性金融風險預警應更關注金融體系本身及金融體系中長期影響，關注宏觀經濟和金融體系短期影響指標的效果較差。

（四）動態預警分析

為進一步驗證所構建模型的監測預警能力，在一致的條件下，分別使用邏輯回歸、隨機森林、神經網絡、支持向量機預警模型進行動態預警分析。本文以一年作為預警期，并將構建模型所使用數據以外的2007 年1 月至2019 年8 月的數據作為輸入樣本集，來預測2008年1月至2020年8月的中國系統性金融風險情況。

圖6 邏輯回歸模型預警風險概率圖

圖7 隨機森林模型預警風險概率圖

圖8 神經網絡模型預警風險概率圖

圖9 支持向量機模型預警風險概率圖

2008年1月至2020年8月的中國系統性金融風險變動趨勢可大致分為五個階段：第一階段（2008 年1 月至2009 年12 月）。2008 年初至9 月，由于受到2007 年國內市場流動性泛濫導致資產價格泡沫（主要體現在房市、股市）和全球金融危機沖擊雙重影響，系統性金融風險激增，金融體系面臨較大壓力水平。為應對金融危機對國內經濟影響，2008 年10 月政府出臺“四萬億”投資計劃，并在宏觀政策調控和防范系統性風險方面取得顯著成效，2009 年系統性金融風險逐漸緩和、金融壓力水平回歸合理區間。第二階段（2010年1月至2012 年12 月）。2010—2011 年，歐債危機爆發，我國經濟受到較大影響，出口貿易萎縮，人民幣匯率大幅波動，中國對外投資風險加大。同時，國家前期實施的“四萬億”刺激經濟計劃副作用開始顯現，包括產能過剩、國內流動性寬松和通脹壓力較大等問題，系統性金融風險又開始抬頭。面對復雜多變的國內外形勢，政府提高宏觀調控政策的針對性和靈活性，引導貨幣條件向常態回歸，2012 年經濟穩中有進、股市較為平穩，利率進入下行通道，外匯儲備增加，系統性金融風險水平開始下降。第三階段（2013年1月至2015年12月）。2013年6月，銀行業同業拆借利率高企，市場流動性短缺，導致發生“錢荒”事件，金融壓力驟升。2014 年四季度，存貸款基準利率和存款準備金率下降，但實體經濟不景氣導致大量資本流向股市。2015年6月至8月，股票市場發生“股災”，經歷了牛市之后的股價暴跌和股市泡沫的驟然破滅，系統性金融風險在高位運行。第四階段（2016年1月至2017年12月）。此階段政府逐步推進金融體制改革，明確“不發生系統性金融風險”的底線，把“加強金融監管、防范金融風險”作為金融工作的基本主題，監管層面“強監督、強監管”各項政策措施落地，金融風險得到控制，中國系統性金融風險呈下降趨勢。第五階段（2018 年1 月至2020 年8 月）。2018年3 月，美國主動挑起“貿易戰”，中美貿易摩擦不斷，加之國內經濟供給側結構性矛盾并未徹底解決，經濟較為疲軟，匯市、股市等不確定性增加，人民兌美元匯率多次突破7.0 關口，股市暴跌至歷史新低，中國系統性金融風險處于累積上升期。2020 年1 月新冠疫情爆發，經濟陷入停滯，系統性風險上升，但之后政府實施危機應對和救助措施效果顯現，金融風險水平呈現緩和態勢。

圖6、圖7、圖8、圖9分別為邏輯回歸、隨機森林、神經網絡、支持向量機四類預警模型估計得到的系統性金融風險發生概率曲線圖，從四類預警模型的預測結果看，隨機森林、神經網絡、支持向量機模型的預警表現均明顯優于傳統邏輯回歸模型。邏輯回歸預警模型僅對“2010 年歐債危機”和“2013 年錢荒事件”時期的高風險狀態作出了響應，未能預測到2008 年、2015 年和2018-2019 年中國系統性金融風險處于較高水平。神經網絡、隨機森林、支持向量機模型預警“風險”狀態的次數較能準確反映中國系統性金融風險的真實情況。其中，神經網絡預警模型在“2008年金融危機”“2010年歐債危機”“2013年錢荒事件”“2015 年股災”“2018—2019 年中美貿易爭端”時期均準確預測到中國系統性金融風險處于較高水平，估計得出在2008 年1 月、2009 年10月 至2009 年12 月、2010 年2 月、2013 年1 月至2013 年7 月、2015 年1 月至2015 年5 月、2018 年9月至2019 年1 月、2019 年6 月至2019 年11 月等時間段發生系統性金融風險的概率較高。隨機森林預警模型除未能預測到“2018—2019 年中美貿易爭端”時期的高風險狀態，其他時期的高風險狀態均作出響應。支持向量機預警模型預測除遺漏了“2008 年金融危機”高風險時期，其他時期的高風險狀態也均作出了響應。

（五）系統性金融風險預測

通過將2019 年9 月至2020 年8 月的指標數據代入已訓練好的隨機森林、神經網絡和支持向量機預警模型可以預測從2020 年9 月至2021 年8 月的系統性金融風險。從三類預警模型的預測結果來看，未來一年中國金融體系維持正常狀態的概率接近100%，而發生系統性金融風險的概率趨近于0。

五、結論和政策建議

本文運用隨機森林、神經網絡和支持向量機等大數據方法構建模型對中國系統性金融風險預警進行了研究，對比分析了不同模型的預警效果，同時比較傳統統計計量方法與大數據分析方法在模型估計和結果預測上的差異，并識別出了中國系統性金融風險的先導指標。

研究得出結論：第一，在各種性能度量指標和預測結果上看，隨機森林等大數據方法模型均明顯優于邏輯回歸傳統統計計量模型。混淆矩陣和ROC 曲線模型評價結果均顯示大數據方法模型比傳統模型表現更好。大數據方法模型基本能夠準確預警極端系統性金融風險事件的發生，而傳統模型對大部分系統性金融風險未能及時預警。第二，利用隨機森林模型的變量重要性排序，可以識別出中國系統性金融風險的先導指標，金融機構、政策干預、房地產市場、股票市場維度的指標預警系統性金融風險效果較好。第三，在進行系統性金融風險動態預警時，神經網絡模型的預警效果較其他大數據方法模型表現更好，對2008 年以來歷次極端風險事件都準確進行了響應，而隨機森林和支持向量機模型對個別極端風險事件的響應有所遺漏，所以當前預警中國系統性金融風險應首選神經網絡模型。第四，大數據方法模型預測結果顯示2020 年9 月至2021 年8 月未來一年中國發生系統性金融風險的概率較小。

基于上述研究結論，本文提出政策建議如下：一是不斷優化中國系統性金融風險預警模型。應進一步優化完善系統性金融風險預警模型，結合經濟金融形勢變化，構建更為科學的系統性金融風險指標體系，引入深度學習、人工智能等更為先進的大數據分析技術，不斷提升系統性金融風險監測分析的效率和精度。二是穩妥應對疫情沖擊下金融體系不良資產上升風險。2020年新冠疫情對我國經濟帶來沖擊，對金融體系資產質量造成一定下遷壓力，預計在今后一段時期不良貸款逐漸上升將是金融體系面臨的一個主要風險。監管部門和金融機構應加強協調聯動，積極制定風險應對預案，妥善處理疫情沖擊下未來不良貸款上升風險。三是在“十四五”時期繼續打好防范化解金融風險攻堅戰，確保風險持續收斂。監管部門應繼續鞏固系統性風險得到有效控制的良好態勢，持續加強宏微觀審慎監管，守住不發生系統性金融風險的底線，以維護金融市場穩定、促進經濟健康發展。