中國跨境資本流動監測預警體系的構建

楊澤夏 郭樹華

摘要：以2000—2021年中國跨境資本流動相關數據為樣本，通過時變概率馬爾科夫區制轉換模型（MS-TVTP）和K-means聚類分析模型綜合運用，得出跨境資本流動監測預警風險區域，研究發現在跨境資本流動風險監測預警體系的應用中，應讓風險預警指數和監測預警模型相互融合和綜合使用，并根據最新數據獲得隨時間變化的動態風險預警指數，通過風險預警模型識別風險區域，根據所識別的風險區域來強化數據采集與監測，以實證檢驗動態時變風險區制，進而得出中國實現精準監測管理跨境資本流動風險的政策啟示。

關鍵詞：資本項目開放；跨境資本流動；監測預警；風險區制

中圖分類號：F269.2? ? 文獻標志碼：A? ? 文章編號：1001-862X（2023）03-0066-010

一國貨幣若要衍升為國際通用貨幣，資本項目可兌換便是必須面對的核心問題。在中國逐步開放資本項目過程中，一方面會給社會帶來福利的增長，另一方面也可能引起金融市場的過度波動，產生金融泡沫。金融業作為當代經濟中樞，其本身具有高流動性、高風險性以及脆弱性的顯著特征，極易遭受外部沖擊的影響。當下全球供應鏈緊張、經濟結構性矛盾、勞動力市場挑戰以及經濟底層邏輯重構等諸多難題，使得各國經濟增速放緩，存量競爭又催生著保護主義、單邊主義的挑戰，以及各國經貿摩擦日益加劇，資源、市場份額、產業鏈、供應鏈和技術領先地位等方面的競爭與日俱增，使得世界經濟復雜多變，充斥著諸多不確定性，跨境資本流動將對全球經濟和貿易格局產生更為深刻的影響。在此背景下，如何在資本項目開放進程中穩步推進中國金融市場雙向開放、完善跨境資本流動風險監測預警系統，是當前中國經濟安全發展的重要議題。當前中國資本賬戶的有序開放與進程提速，使得企業國際化加速，將帶來更多的投資選擇和機會，有助于實現資產配置的多樣化，提高投資回報率，跨境資本流動將更易受到利率、匯率、結構調整、避險情緒等波動性和系統性因素影響，致使跨境資本流動風險預防復雜度提升，金融監管體系的預警指數的重要性也將會凸顯，并在防范突發和恐慌性資本外流方面發揮關鍵作用。截至目前，我國宏觀審慎監管體系的焦點主要針對外幣跨境流動和交易，對本國貨幣關注度較低，雙向預警機制尚未形成，資本流向動態監測、風險區制預警功能和信息共享機制仍舊比較薄弱，監管效率和預警體系急需進一步完善。本文通過建立動態時變風險區制模型，實證分析資本流動指標動態變化動因，即時反饋風險因素和捕捉異常風險點，建構跨境資本流動動態監測預警體系，以期為實現精準監測管理跨境資本流動風險提供政策依據。

一、文獻綜述與理論分析

跨境資本流動風險監測體系是一個復雜交叉的領域，學術界通過實證研究、理論分析和經驗案例等方法，系統揭示跨境資本流動風險。縱觀各國學者文獻資料對跨境資本流動風險的分析，可以發現目前全球跨境資本流動風險監測管理方面最為完善的是IMF（International Monetary Fund），IMF在提供數據、建立監測指標和提供政策建議等方面發揮著關鍵作用，但同時也存在數據有效性限制和監測工具方面的不足。IMF一直對外部調查和數據收集方面實施改進措施，如加強合作伙伴關系、提高數據質量和時效性等，并提出加強數據質量、提高跨國統計協調、加強數據披露和提高監測工具的準確性等建議。IMF每年發布的全球金融穩定報告提供了專家學者對跨境資本流動監測的理論觀點。該報告詳細分析了全球金融的局勢和風險，并提供了對資本流動和金融市場發展監測和評估。［1］FSB（Financial Stability Board）也是全球性的金融監管機構，所發布的多個報告和研究也涉及跨境資本流動監測，提出了對跨境資本流動風險監測的分析和對策建議。［2］

各經濟體因監測機制不同對跨境資本流動監測體系構建也不盡相同，BIS（Bank for International Settlements）研究人員發現發展中國家在監測跨境資本流動方面面臨更嚴峻的挑戰，其表明發展中國家應建立和加強國家監測機制，包括建立監測部門、提高數據收集能力、加強統計協調等。［3］世界銀行政策研究工作論文中提到各國在數據收集和監測方面的不足，并提出了改善國家監測機制的建議，如加強統計能力、加強數據披露和提高數據質量等。［4］跨境資本流動會引發短期的經濟波動和金融風險，并對發展中經濟體的穩定性產生挑戰，加強金融監管和宏觀經濟政策協調刻不容緩。［5］增加全球資本流動有利于改善資本、信貸和風險，擴大對國際資本流動的全球監測應加深我們對資本流動的系統把握。作為全球監測系統的一部分，全球機構投資者的投資組合和再平衡戰略也有助于更好地了解資本市場動態、風險傳染對實體經濟的沖擊。［6］現階段有關跨境資本流動監測的體系的構建，強調國家監測機制應具備全面、準確和時效的數據，以支持決策者制定有效的政策和監管措施，以應對跨境資本流動的風險和挑戰。

在對跨境資本流動監測體系和監測技術創新研究方面，ECB（The European Central Bank）提出大數據在監測和預測經濟活動中的應用，利用非傳統數據源和新興技術（如機器學習和人工智能）激發跨境資本流動監測潛力以應對未來挑戰。［7］BIS認為區塊鏈技術在改進跨境支付和資本流動監測方面具有較高的實用價值，區塊鏈技術在提高數據安全性和實時監測方面有較大優勢。［8］目前深度學習在經濟分析中的應用也十分廣泛，隨著當今可用數據規模巨大，大數據為各個行業帶來了機遇和變革潛力，但同時它也對利用數據和信息發出了前所未有的挑戰，深度學習在提供大數據預測分析解決方案方面發揮著關鍵作用。［9］OECD（Organization for Economic Co-operation and Development）認為人工智能在金融服務領域具有深遠的潛在影響，人工智能工具在所有經濟部門都有用武之地，將這些工具應用于提供金融服務，不僅對金融機構，而且對整個社會都將帶來深刻革新。面對高頻交易對市場監測的影響，如何對高頻交易數據進行實時監測資本流動、金融市場的有效性和可行性［10］，是現階段我國跨境資本流動監測預警體系構建的關鍵之鑰。

此外，學者們通過建立風險模型，結合歷史數據和概率分布，來評估資本流動的風險水平，包括波動率、價值-at-風險 （VaR）、條件價值-at-風險 （CVaR）等。資本流動波動指標通過研究不同類型資本流動（如涌入、停止、外逃和收縮）來分析跨境資本流動風險，跨境資本流動波動會導致金融市場不穩定和經濟波動。［11］以歷史數據為基，再對不同時期的金融危機和資本流動風險進行分析，可發現金融危機往往與資本流動過程中的風險積累有關，應警惕資本流動的過度和不穩定性。［12］金融危機往往由多個因素和相互關聯事件引發，包括資本流動的劇烈波動和資本流動的結構性問題。［13］關注跨境資本流動的波動性、風險累積和金融危機發生機制，為管理跨境資本流動風險提供重要洞見和參考。有效的跨境金融監管應與直接和間接系統相聯系，風險轉移可以改變整個金融系統的風險狀況，因此應考慮風險轉移豐富模擬算法。［14］在金融危機和國際收支危機中跨境資本流動扮演了重要角色，進一步彰顯了金融市場改革和加強監管的重要性。［15］在全球金融危機期間，一些領先指標可對經濟體所面臨的跨境資本流動風險發出預警信號，金融市場數據和指標在識別和預測跨境資本流動風險方面的重要性日漸突顯。［16］

綜合上述文獻，各國研究者在跨境資本流動監測預警體系構建方面的研究成果頗豐，但缺乏統一的數據標準和定義，跨境資本流動涉及不同國家和地區之間的資金流動，每個國家常常有不同的監測標準和定義，為此針對中國實際也應提出相應的數據標注和定義。與此同時在實際分析中，對跨境資本流動風險分析往往偏重于經濟因素，而忽視了非經濟因素，況且預測跨境資本流動風險存在諸多不確定性，包括經濟、政治、金融和社會因素等。現有文獻在預測和捕捉金融風險的能力、跨境資本流動的影響因素以及監測預警結果的有效應用等領域還有待進一步拓展研究。

二、監測指標選取與動態監測預警指數構建

（一）監測指標選取

各國專家學者在對跨境資本流動監測指標選取時，選取標準和準則不盡相同，現階段暫無統一的篩選標準和準則。參考國內外文獻關于跨境資本流動動態監測預警指標的選取方法，總結歸納后在遵循以下六點原則的基礎上，結合我國實際進行指標選擇：第一點是針對性，監測預警指標因所需處理的危機類型不同而有所不同，本文選取因跨境資本流動而帶來的經濟危機相關指標。第二點是科學性，所選取指標應有充分的理論基礎和現實依據，既可以精準正確地反映所研究經濟現象的本質特征，又可以靈敏地捕捉到危機信號，過程中也要盡可能地避免指標重復。第三點是全面性，所取用的指標應該充分考察可能出現的危機誘因或者危機前兆，在我國資本項目持續開放進程中，跨境資本流動的作用下金融脆弱性和國際經濟形勢緊密相連，因此從國內和國際因素，從考慮宏觀經濟、外部金融市場、外債風險、金融市場運行情況等角度綜合考慮更為合理。第四點是互補性，使用指標之間應相互聯系，緊密配合，這樣才能客觀全面地映射金融風險狀況。第五點是可操作性，選取的指標需要擁有可靠的數據來源，內容明確、易于搜集并且能夠使用科學的計算方法進行處理。第六點是即時性，指標可隨著時間的推移動態演變，能夠根據時間選取不同靈活變動。

綜合上述六點原則，對宏觀經濟、金融市場、政府部門和預期渠道等視域選取了所需指標（表1）。宏觀經濟視域，表明工業部門產出的增長速度，經濟中工業部門的活躍程度和生產能力的增長可以反映整體宏觀經濟的運行趨勢；M2/GDP顯示出貨幣供應量與經濟總產出之間的關系，反映出經濟中貨幣流通的活躍程度和貨幣對經濟的影響；實際利用外資增長率代表國外企業在華投資意愿；消費者價格指數可衡量通貨膨脹的水平和速度，以及貨幣購買力的變化，是貨幣政策制定、監測調控價格水平、經濟預測和個人消費決策的重要指標。國內金融市場視域，房地產業景氣指數是在企業景氣調查中的房地產指標通過定量方法加工匯總，來反映房地產業發展趨勢；以股票市值占GDP比重水平、股票市盈率和股權融資規模來評估股票市場的活躍程度、投資風險和估值水平；上證指數收益率測度資本市場對跨境資本流動的影響力; 不良貸款率反映銀行或金融機構貸款組合中不良貸款的比例和貸款違約風險的程度，以及銀行部門運營健康水平。政府部門視域，財政赤字率用于衡量財政政策的力度、有效性及其決策方向；政府債務表示政府從各種渠道（如發行國債、借貸等）籌集的資金，用于滿足財政支出和經濟運作的需要，債務的水平和增長率反映了政府財政健康狀況、債務可持續性以及對未來經濟穩定性的影響。國際貿易視域，貿易增長率反映出國家或地區的經濟活力、競爭力和對外貿易的依賴程度；外債清償率衡量突發性短期債務的償還能力和外債風險；跨境人民幣流入（出）增長率直觀反映跨境資本中人民幣的流動規模和方向；貨物貿易的銀行代客售匯反映了國家或地區的貨物貿易順差或逆差情況，是衡量國家或地區貿易平衡狀況的重要指標。國際金融市場視域，境內外利差可影響資本的流動方向和規模，是衡量國內外金融市場利率差異和資本流動方向的關鍵指標，可反映我國資本市場是否存在套利空間；外匯儲備/GDP可表示在國際貿易和金融活動中的支付能力和抵御外部沖擊的能力；匯率波動反映了市場對貨幣價值的變動和供求關系的變化，國家的經濟活動和對外貿易狀況。預期渠道視域，VIX恐慌指數通過對標普500指數期權價格的波動情況進行計算，反映了市場對未來波動性的預期、投資者情緒和風險厭惡程度；美元指數可以衡量美元對其他經濟體影響的強弱程度。

（二）跨境資本流動動態監測預警指數構建

跨境資本流動預警體系構建是以指標監測為基底，通過觀測分析檢測指標的動態變化來映射出跨境資本流動的演變過程，并在此基礎上，如何利用所構建的指標體系及時動態地對跨境資本流動釋放預警信號是本文所亟待解決的關鍵。構建動態監測預警體系通常情況分以下步驟：一是初選監測指標，設立備選指標體系，對所需的動態監測預警指標進行初步預選；二是通過方法檢驗從眾多監測指標中提煉先行指標和同步指標，本文所選用的是格蘭杰因果檢驗法；三是利用多種分析方法將所選先行、同步指標合成綜合預警指數，本文使用多變量線性回歸法；四是綜合預警指數進行樣本數據內外監測預警能力檢驗。為求更直觀和動態及時地對跨境資本流動監管，本文通過將預警指標聚類分析后劃分多個風險區間。通過分析跨境資本流動現狀可知，自2000年起我國對跨境資本流動實現積極的政策試點，在此期間跨境資本流動變化趨勢較為明顯，其間經歷三次較大幅度波動，為精準判明預測跨境資本流動風險區間和風險變化情況，選用監測預警指標數據為2000—2021年季度數據，并在此基礎上對未來跨境資本流動風險進行預測。

基于我國跨境資本流動在資金結構呈現從“雙順差”到“一順一逆”的格局演變和流動性方面顯現雙向波動趨勢的特征，以及宏觀經濟體系風險積聚速度持續增強的實際情況，本文在構建跨境資本流動動態監測預警指標時，不僅著眼于外部金融狀況和金融市場等基本短期指標，還將政府部門、預期渠道和國際貿易等相關指標納入考察體系，以此對跨境資本流動是否具有順周期性做出準確判斷。

1.被解釋變量：本文參考張明（2011）梳理的國內外關于短期跨境資本流動規模評估辦法，再加入對跨境資本流動即時性監測預警的思考，提出將跨境資本流動波動水平作為動態時變區制的被解釋變量。現階段對于高頻時間序列數據的波動率計算方法雖然已經較為成熟，但鑒于跨境資金流動可獲取數據大多為年度，其波動率測量則需另辟蹊徑尋找其他辦法，當前此類研究并不成熟，關于波動率測度方法也沒有統一定義。

較為常見的如移動平均標準差法，其將波動率定義為在過去n期內資本流入的標準差，Neumann等（2006）、IMF（2007）等都使用該方法對資金流動的波動率進行測度，具體計算公式為：

VOL=［（

flow-

μ

）（1）

μ=flow（2）

其中，VOL代表為第i期的波動率，n表示移動窗口的長度，μ表示移動窗口的平均值。現階段學術界雖然使用此方法較多，但仍存在以下三個方面的缺陷：第一，由于計算結果為標準差，所表示的偏離程度波動率在很大程度上會因為偏離平均數平均值的影響而無法準確表明實際波動幅度；第二，關于移動窗口的長度選擇當前沒有任何理論支撐可以依據，其可以由作者自行選擇，雖然移動窗口的長度選擇的越長，其所計算出的波動性涵蓋的信息越多，但會缺失n-1個波動率數據；第三，通過對多個國家跨境資本流動實證研究，表明跨境資本流動具有極強的持續性，自相關系數會伴隨著滯后期的增加而逐漸衰弱。GARCH（1.1）模型法，Broto等（2008a）運用GARCH（1.1）模型法對跨境資本流動的波動水平進行了測量，通過差分法得到平穩的跨境資本流動時間序列，即Δflowt=flowt-flowt-1，然后運用GARCH（1.1）模型，將條件標準差作為波動水平，在使用此種方法時若數據過少，可能會導致GARCH（1.1）模型無法收斂。綜合上述模型，為克服以上缺點，避免使用其他方法導致的波動率低估等情形，本文使用ARIMA模型法，并參考劉莉亞（2008）對我國跨境資本流動規模進行估算，計算公式為：

L=e1-e2-e3（3）

R2=1- （4）

其中，L代表季度跨境資本流量，e1表示季度外匯占款增量，e2表示季度貨物貿易順差，e3表示季度實際利用外資。

2.運用多變量線性回歸法對先行和同步指標進行降維與篩選，為求跨境資本流動風險動態監測預警指標體系更加精煉和直觀，本文采用多變量線性回歸法對指標體系進行二次篩選，精煉數據簡化結構，在諸多先行指標數據中留存高度相關且解釋力更強的指標，其表達式表示為：

y=β0+β1x1+β2x2+…+βkxk+ε（5）

y=β0+β1xt1+β2xt2+…+βkxtk+εt （6）

[β][^]=（XTX）-1XTY （7）

其中y表示被影響因素，x代表影響因素，n為獨立觀察n次所得到的觀測值，t=1，2…n（n>k+1），ε1…εn互不相關，均是與ε同分布的先行變量。

我們在測算出基準序列L后，運用格蘭杰因果關系檢驗方法對上述備選指標進行篩選，當備選指標是基準序列L的單向Granger原因時，備選指標為先行指標；當基準序列L是備選指標的單向Granger原因時，備選指標為滯后指標；當兩者互為Granger時，備選指標為同步指標; 當雙向檢驗結果均不顯著時，備選指標為參考指標，通過Granger因果檢驗，得出M2/GDP、貿易增長率、匯率波動、不良貸款率、國內外利差等12項指標作為先行指標（表2）。

通過Granger因果檢驗所得到的跨境資本流動風險預警先行指標，它們之間也有可能存在相關性問題，本文采用多變量線性回歸對上述指標進行再次分析篩選，提取對跨境資本流動波動性影響解釋性更強的指標。由檢驗結果可知，滿足條件的指標包括：M2/GDP、貿易增長率、匯率波動、股票市值/GDP、外匯儲備、不良貸款率、股票市盈率、股權融資規模、銀行代客售匯：貨物貿易、境內外利差（表3），其中C為系數，截距項未展示。

（三）馬爾科夫區制轉換模型的設定

區制轉換是一種模擬一定時期某種顯著變化或中斷的時間序列模型，例如，當股票指數急速攀升或猛然狂跌、匯率急劇貶值、經濟增長趨勢逆轉等經濟現象。馬爾科夫區制轉換模型（Markov Regime-Switching Model）是由Robert L.McDonald在1984年提出的，他基于馬爾科夫過程的理論，將觀測數據分為多個區間或狀態，每個狀態具有不同的統計特征和概率轉移規則。Robert L.McDonald認為當時的美國經濟可劃分成繁榮期和衰退期，其間兩者呈現交替發生的規律性變化，但以往的時間序列傳統線性模型不能對經濟領域中的趨勢進行判斷。為此，他提出一種參數可隨狀態改變而發生對應改變的模型，狀態變量之間能夠相互轉化并服從離散的馬爾科夫鏈的過程［17］，在該模型中不同狀態變量之間的轉換概率固定不變，此模型被稱為不變概率的馬爾科夫區制轉換模型，即MS-FTP模型。

對某一線性函數，yt=μXt+εt，若不存在區制轉換，則表示該時間序列為線性波動，其中，誤差項εt服從N～（0，σ2），σ2為自變量方差；若存在區制轉換，誤差項會有多個均值和方差。假設該時間序列模型的自變量存在兩個區制，即區制數 k=2，在時間t 時，為區制2，從區制2到區制1的轉換在時間t到t+1內發生，其概率為P21；保持區制2的概率為P22，兩區制的概率矩陣可以表示為：

P=P11（t）? ?P12（t）

P21（t）? ?P22（t）

綜上所述，Markov Regime-Switching Model包括隨機過程本身，據此，構建如下單變量馬爾科夫區制轉換模型：

y=∑Nns

i=1βiXns

i，t+∑Ns

j=1θi，StXs

j，t+εt，ε～P（Φs）

其中，NS，Nns分別為轉換和非轉換系數，XnS

i，t為Xi，t子集且包含所有不含轉換效應的解釋變量，Xs

j，t為所有含轉換效應的解釋變量，P（Φst）為估計概率的密度函數。

在上述不變概率的馬爾科夫區制轉換模型中，狀態變量發生區制轉換的時間和影響區制轉換的因素未能通過模型進行剖析。鑒于此，Filardo（1994）將Robert L. McDonald提出的模型進行優化，構建出時變轉換概率的馬爾科夫區制轉換模型（MS-TVTP）。在該模型中，市場狀態的轉換是隨機的，并且轉換概率可能會隨著時間和市場條件的變化而發生變化，并可捕捉到市場中不同階段的價格趨勢、波動性的變化和異常事件的發生。其中，狀態變量在不同區制間的轉換概率隨時間改變而發生變化，且該轉換概率過程中能夠受其他因素Gij，t的影響，以兩區制為例，其概率矩陣表示為：

P=P11（t）? ?P12（t）

P21（t）? ?P22（t）

轉換概率形式如下：

p=P（X=i|x=j，G），t=1，2，...，T

其中，Gij，t為對轉換概率產生影響的因素，假定轉換概率的生成函數為：

p=Φ（G，b）=exp（-）dz，t=1，2，...，T

其中，Φ（·）為標準正態分布函數，b為待估參數。通過分析G對P的影響，可以研究不同時期風險狀態轉換的驅動機制。

MS- TVTP模型可以描述多個狀態和轉換規則的經濟數據，估算不同狀態變量之間隨時間變化的轉換概率，捕捉市場的不同狀態和轉折點，從而實現精準定位，以便捕捉到更為復雜和短暫的現象，并對經濟狀態轉換的形成過程發出靈敏信號。

三、實證結果分析

通過對跨境資本流動波動水平及風險區域進行具體劃分，使用Granger因果關系檢驗和單變量回歸模型篩選出的10個先行指標，以2000年一季度到2021年四季度作為樣本區間，代入時變轉換概率的馬爾科夫區制轉換模型（MS- TVTP），得到時變區間后再通過K-means聚類分析，對資本項目開放下跨境資本流動風險狀態區制劃分，構建跨境資本流動動態監測預警模型，對潛在的經濟金融危機因素進行全方位預測。

（一）實證結果分析

使用時變轉換概率的馬爾科夫區制轉換模型對符合條件的10個預警指標代入求解，逐步剔除不顯著變量和滯后期過長的變量，最終剩下M2/GDP、匯率波動、股票市值/GDP、外匯儲備、不良貸款率、國內外利差。兩區制下預警指標最優結果如表4所示，區制1表示低風險狀態，其截距項為12.71241；區制2表示高風險狀態，截距項為16.99386。

因數據經過標準化處理，所得出的監測預警指標系數并不具有實際的經濟學涵義，焦點應聚焦于系數的符號上，M2/GDP與匯率波動為負向系數，表明其對跨境資本流動波動率起到減小波動幅度的作用，實證所得情況與預期相符，M2占GDP比值越大，說明經濟貨幣化的程度越高，反映我國金融深度越深，對跨境資本流動波動起到穩定作用；匯率波動大小影響著進出口，匯率高進口易出口難，匯率低出口易進口難，針對我國的實際情況，高匯率波動水平也能給我國跨境資本流動帶來穩定器作用。外匯儲備、不良貸款率、股權融資規模、國內外利差為正向系數，表明這四項指標對跨境資本流動波動率起到增加波動幅度的效果，外匯儲備在GDP中占比過高，會對人民幣儲備地位造成沖擊，影響人民幣在全球支付中的份額，保持較平穩的占比，才能保證跨境資本流動波動性穩定；不良貸款率是對金融機構信貸資產安全狀況的評判標準，金融機構不良資產率警戒線為10%，迄今為止仍是我國金融業最大的風險所在地，保持較低的不良貸款率是維持跨境資本流動穩定的手段；隨著股權融資規模的增加，國家所需要承擔的責任越大，若超出可掌控的融資范疇，會導致金融風險，過度的融資也會使下一輪融資更難獲得，增加跨境資本流動波動性；國內外利差的增大，將會在中國國內獲得更多利息，形成“賣出美元，換入人民幣”的熱潮，導致人民幣升值，增大跨境資本流動波動；若國內外利差逐步倒掛且幅度擴大，外資流出明顯加大，引發跨境資本外逃，削弱金融市場穩定性，也將引起跨境資本流動的大幅波動。

兩區制風險轉化如圖1，圖Pr （S=1|S（t-1）=1）表示從t-1期低風險狀態到t期為低風險狀態的概率，圖Pr （S=2|S（t-1）=1）表示從t-1期低風險狀態到t期為高風險狀態的概率，圖Pr （S=1|S（t-1）=2）表示從t-1期高風險狀態到t期為低風險狀態的概率，圖Pr （S=1|S（t-1）=2）表示t-1期高風險到t期為低風險狀態的概率。

（二）資本項目開放下跨境資本流動風險區域劃分

本文通過綜合使用Granger因果關系檢驗，Linear Regression和時變轉換概率的馬爾科夫MS-TVTP模型，得到資本項目開放下跨境資本風險預警指數。為避免人為劃分閾值所造成的主觀負面效應，本文將采用K-means聚類算法將預警指數劃分為四檔風險狀態，用以進行跨境資本流動風險動態監測預警。

K-means聚類分析是由斯圖爾特·勞埃德（Stuart Lloyd）在1957年提出的，并在之后由埃德加·威廉斯（Edgar W. Forgy）和詹姆斯·麥克奎恩（James MacQueen）進行了獨立的發展和推廣。它是一種非監督學習的聚類算法，旨在將一組數據點劃分為K個不同的簇或群組，使得同一簇內的數據點彼此相似，而不同簇之間的數據點差異較大。其基本思想是通過計算數據點之間的距離或相似性，并根據距離最近的原則將數據點分配到最接近的簇中。該方法主要思想是：在給定K值和K個初始類簇中心點的情況下，把集合里的樣本分配至K個互不相交的簇，把每個點（亦即數據記錄）分到離其最近的類簇中心點所代表的類簇中，類簇中心點是類簇內所有對象在各個維度的均值。所有點分配完畢之后，通過最小化簇內平方和，重新計算該類簇的中心點。然后再迭代地進行分配點和更新類簇中心點的步驟，直至類簇中心點的變化很小，或者達到指定的迭代次數。

假定給定數據樣本X，包含了n個對象X={X1，X2，X3，…，Xn}，其中每個對象都具有m個維度的屬性，K-means聚類算法目標是將n個對象依據對象間的相似性聚集到指定的k個類簇中，每個對象屬于且僅屬于一個其到類簇中心距離最小的類簇中。［18］聚類算法的流程所示具體步驟如下：

1.初始化k個聚類中心。

令聚類中心C={C1，C2，…，C}，1

2.計算每一個對象到每一個聚類中心的歐氏距離，并進行依次比較，將對象分配到距離最近的聚類中心的類簇中，得到k個類簇。

歐氏距離定義如下：

E=dis

X，

C=

X表示第i個對象，1?i?n，C表示第j個聚類中心，1?j?k。X表示第i個對象的第t個屬性，C表示第j個聚類中心的第t個屬性，1?t?m。

歐氏距離的值越大，該簇的樣本點距離類簇中心越遠，樣本的相似程度就越小，聚類效果越差；歐氏距離的值越小，該簇的樣本點距離類簇中心越近，樣本相似程度越高，聚類效果越好。

對每一個對象到每一個聚類中心的距離進行依次比較，將對象分配到距離最近的聚類中心的類簇中，得到k個類簇S={S1，S2，…，Sk}。

3.更新各類簇中心，把新的簇內樣本的均值作為新的類簇中心。

類簇中心計算公式如下：

C=

式中，C表示第j個聚類的中心，1?j?k，

S表示第j個類簇中對象的個數，X表示第j個類簇中的第i個對象，1?i?

S

4.重復步驟2和步驟3，不斷更新類簇中心的位置直到迭代終止。

用SPSS將跨境資本流動風險監測預警指標進行K-means聚類，更新類簇中心的位置直到迭代終止，表5為最終聚類中心。

根據最終聚類結果，經過區間調整后，由四個聚類中心進行風險區制劃分，分別為安全區域、關注區域、警惕區域、風險區域和危機區域，計算得出區域指數如表6，表內數據保留兩位小數。

（三）預警模型應用前景分析

本文構建出跨境資本流動風險動態監測預警模型，并對其風險水平進行區間劃分，從過往數據分析，模型所監測預警結果與實際情況擬合度較高。在2008年次貸危機發生時，模型監測到2007年四季度預警數值為0.16，預告我國經濟環境將處于風險之中；在2015年整年根據模型預測我國處于高度警惕區域，預警數值為-1.72，此年我國股票市場經歷了三次暴跌；根據模型分析2020年下半年和2021年下半年，預警數值分別為-2.18和-1.19，表明在此期間我國均處于高度警惕區域，此時國內經濟正處于遭受新型冠狀病毒兩撥攻勢，證實了模型預測精準度較高。本文采用2023年一季度數據對未來進行模擬預測，預警數值為-3.71，說明我國跨境資本流動風險仍處于警惕區域，但風險有所下降。未來，隨著資本項目開放進程的持續，跨境資本流動將會愈加頻繁，不確定性將更為多變，資本流動風險也將不斷增加，風險預警體系的重要性將逐步凸顯。

在跨境資本流動風險監測預警體系的應用中，應讓風險預警指數和監測預警模型相互配合應用，并根據最新數據獲得隨時間變化的動態風險預警指數，再通過風險預警模型識別風險區域，根據所識別的風險區域加強數據監測并配合使用不同宏觀調控和微觀審慎手段進行協調管理。當然，在建立風險監測預警體系過程中，各項指標選取也并非是一成不變的，伴隨著數據的可獲得程度的降低和各機構對指標關注度的增強，使用月度指標能夠更精確地對風險進行監測預警。因此，應不斷健全跨境資本流動動態監測預警體系，及時觀測到異常資本流動，以期準確判斷跨境資本流動和規模狀況。

四、結論與政策建議

為防范可能到來的跨境資本流動風險，本文構建了跨境資本流動風險監測預警體系，監測預警體系包含風險監測預警指數與動態時變跨境資本流動風險區域模型。對跨境資本流動風險監測預警指標進行構建，在考慮政治體制、金融市場和社會發展基本穩定的前提下，借鑒前人對跨境資本流動風險監測的研究成果，根據實際選取各個指標，作為跨境資本流動動態監測預警體系的備選指標，通過因果檢驗和多變量線性回歸對備選指標進行篩選，得到對跨境資本流動影響強且關聯性高的10個先行指標。再利用時變概率的馬爾科夫區制轉換模型（MS-TVTP）對先行指標進行多次擬合，最終得到預警指標的最優結果，從而確定預警指數。再使用K-means聚類分析模型對預警指標進行聚類迭代，通過對最終聚類結果區間調整后，計算得到風險區域，通過對2008年美國次貸危機、2015年中國股票市場動蕩和2020—2021年我國遭受新型冠狀病毒入侵，均能在模型上作出合理解釋和風險前瞻。結論顯示，監測預警指數能夠較好預測風險點，監測風險效果好，具有一定的前瞻性和可行性。

根據以上結論，本文得出以下政策建議：一是健全宏觀審慎管理框架，包括跨境資本流動風險預警指標，建立時變風險區域，制定相應政策和措施應對潛在風險，有助于保護金融系統的穩定，降低系統性風險的發生概率。二是通過動態監測預警，精準調控資本流動，根據預警結果，及時采取必要干預措施，如調整匯率政策、加強資本流動監管等，以避免過度波動，有助于平衡國內經濟的發展和金融穩定的雙重目標。三是為有效實施動態監測預警，提升監管能力和數據共享水平，包括建設強大數據分析系統，培養專業人才，加強與國際監管機構的合作與數據共享。通過共享數據和經驗，更好地應對跨境資本流動的風險挑戰，并與其他國家共同維護全球金融穩定。四是健全風險防范和處置機制，監測預警風險的同時，還需配套風險防范和處置機制，包括加強金融監管和風險評估，設立風險應對基金或儲備，制定危機管理預案等。五是強化跨部門協調性，跨境資本流動風險監測預警涉及多個相關部門和機構，加強各部門之間溝通和合作，建立跨部門的信息共享機制，確保及時傳遞和共享有關跨境資本流動的數據和信息，有助于更好地協調政策和監管措施，提高預警的準確性和及時性。六是優化外匯管理，跨境資本流動與外匯管理密切相關，通過監測資本流動風險，及時調整外匯政策，合理引導資本流動，維護外匯市場穩定。同時，優化外匯管理制度和流程，提高資本流動便利性和透明度，有助于吸引外國投資和促進經濟的開放發展。七是加強國際合作，跨境資本流動具有跨國性和全球化特征，積極參與國際組織和機構的合作，加強與其他國家監管機構和中央銀行的合作交流，共同應對跨境資本流動的風險，建立更加健全和有效的國際監管體系，維護全球金融穩定。八是提高市場透明度，及時公布監測預警的結果和政策措施，可以增加市場參與者對資本流動風險的認識和理解，減少信息不對稱，增強市場預期，提高市場透明度，吸引更多國際投資者，促進資本市場的健康發展。

參考文獻：

［1］Arner D W， Taylor M W. The Global Financial Crisis and the Financial Stability Board： Hardening the Soft Law of International Financial Regulation？［J］. University of New South Wales Law Journal， 2009， （2）： 488-513.

［2］Adrian T， Ashcraft A B. Shadow Banking Regulation［J］. Annu. Rev. Financ. Econ.， 2012， （1）： 99-140.

［3］Brunnermeier M， De Gregorio J， Eichengreen B， et al. Banks and Cross-border Capital Flows： Policy Challenges and Regulatory Responses［J］. Committee on International Economic Policy and Reform， 2012： 1-58.

［4］Olivier J，Rancière Romain.The Optimal Level of International Reserves For Emerging Market Countries：A New Formula and Some Applications［J］.Economic Journal，2011，（555）：905-930.

［5］史錦華，謝運，管莉莉.國際資本流動風險及有效監管［J］.財經科學，2008，（3）：23-29.

［6］Braasch B.Global Monitoring of International Capital Flows［J］.Intereconomics： Review of European Economic Policy， 2012，（2）： 129-136.

［7］Sanderson R .Does Monetary Policy cause Randomness or Chaos？ A Case Study from the European Central Bank［J］.Banks and Bank Systems， 2013，（4）：55-61.

［8］Deng Q.Application Analysis on Blockchain Technology in Cross-border Payment［C］//5th International Conference on Financial Innovation and Economic Development （ICFIED 2020）.Atlantis Press，2020：287-295.

［9］Chen X W，Lin X.Big Data Deep Learning：Challenges and Perspectives［J］.IEEE Access，2014，（2）：514-525.

［10］Brogaard J，Hendershott T，Riordan R.High-frequency Trading and Price Discovery［J］.The Review of Financial Studies，2014，（8）：2267-2306.

［11］陳雷，張哲，陳平.三元悖論還是二元悖論——基于跨境資本流動波動視角的分析［J］.國際金融研究，2021，（6）：34-44.

［12］Reinhart C，Rogoff K.This Time is Different：Eight Centuries of Financial Folly［M］.Princeton： Princeton University Press，2009.

［13］Lothian J R. Monetary Policy and the Twin Crises［J］. Journal of International Money and Finance， 2014，（49）： 197-210.

［14］Espinosa-Vega，Marco A，Solé，Juan.Cross-Border Financial Surveillance：A Network Perspective［J］.Imf Working Papers，2011，（3）：182-205.

［15］Kaminsky G L，Reinhart C M.The Twin Crises：The Causes of Banking and Balance-of -Payments Problems［J］.The American Economic Review， 1999，（3）： 473-500.

［16］Frankel，J.A.， Saravelos，G.Can Leading Indicators Assess Country Vulnerability？ Evidence from the 2008-09 Global Financial Crisis［J］.Journal of International Economics，2012，（2）：216-231.

［17］楊丹丹，沈悅.金融開放進程中的中國跨境資本流動風險預警研究——基于MS-TVTP模型的分析［J］.國際金融研究，2021，（5）：76-85.

［18］馬舒琪，陳一洲.基于Prophet-聚類模型的火災時空聚集性特征及預測研究［J］.安全與環境學報，2021，（5）：2164-2170.

（責任編輯 吳曉妹）