基于SSA-BP神經(jīng)網(wǎng)絡(luò)模型的系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警分析

陳慶婉 張品一

摘 要：本文通過(guò)SSA-BP神經(jīng)網(wǎng)絡(luò)模型對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行研究，并對(duì)中國(guó)的系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行評(píng)估和預(yù)警。第一，本文選取我國(guó)2008—2022年18個(gè)金融指標(biāo)的月度數(shù)據(jù)構(gòu)建了初始金融指標(biāo)體系，在此基礎(chǔ)上運(yùn)用主成分分析和K-均值聚類將金融風(fēng)險(xiǎn)劃分為四類。第二，基于SSA-BP神經(jīng)網(wǎng)絡(luò)模型建立我國(guó)金融風(fēng)險(xiǎn)預(yù)警模型，并通過(guò)2022年的數(shù)據(jù)對(duì)2023年的金融系統(tǒng)性風(fēng)險(xiǎn)狀態(tài)進(jìn)行仿真預(yù)測(cè)。結(jié)果顯示，2023年的金融系統(tǒng)風(fēng)險(xiǎn)處于警戒狀態(tài)或危險(xiǎn)狀態(tài)，值得重點(diǎn)關(guān)注。

關(guān)鍵詞：SSA-BP神經(jīng)網(wǎng)絡(luò)模型；系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警；主成分分析；聚類分析；仿真預(yù)測(cè)

本文索引：陳慶婉，張品一.<變量 2>[J].中國(guó)商論，2023（16）：-119.

中圖分類號(hào)：F830.9 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-0298（2023）08（b）--04

全球經(jīng)濟(jì)一體化推進(jìn)了世界各國(guó)之間的經(jīng)濟(jì)聯(lián)系，在資本加深開(kāi)放程度的進(jìn)程中，金融系統(tǒng)面臨的風(fēng)險(xiǎn)沖擊隨之加大。20世紀(jì)90年代后，全球各地區(qū)先后爆發(fā)了經(jīng)濟(jì)危機(jī)，進(jìn)而引發(fā)了全球金融危機(jī)。隨著經(jīng)濟(jì)的快速發(fā)展，我國(guó)金融體系安全也有新的要求。“十四五”時(shí)期，我國(guó)明確提出建立財(cái)稅金融體制、完善現(xiàn)代金融監(jiān)管體系；黨的二十大報(bào)告中也提出，加強(qiáng)和完善現(xiàn)代金融監(jiān)管、強(qiáng)化金融穩(wěn)定保障體系。因此，如何有效防范金融風(fēng)險(xiǎn)的爆發(fā)、避免金融危機(jī)的產(chǎn)生一直是國(guó)內(nèi)外學(xué)者重點(diǎn)關(guān)注的領(lǐng)域。

國(guó)外方面，Nag&Mitra（1999）、Al-Kazemi等（2002）、Melek Acar（2009）先后使用神經(jīng)網(wǎng)絡(luò)模型對(duì)金融風(fēng)險(xiǎn)預(yù)警進(jìn)行了研究。國(guó)內(nèi)方面，王志宇等（2000）、李夢(mèng)雨（2012）、曾昭法和游悅（2020）、韓喜昆和馬德功（2021）、張品一和薛京京（2022）等學(xué)者也通過(guò)不同的神經(jīng)網(wǎng)絡(luò)模型對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行了研究，BP神經(jīng)網(wǎng)絡(luò)模型在金融風(fēng)險(xiǎn)預(yù)警的應(yīng)用已經(jīng)非常成熟。但是，目前單獨(dú)使用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)金融風(fēng)險(xiǎn)進(jìn)行研究已不具有價(jià)值，因此本文擬對(duì)BP神經(jīng)網(wǎng)絡(luò)引入一個(gè)優(yōu)化算法——麻雀搜索算法（SSA），進(jìn)而得到一個(gè)精確度更高的金融風(fēng)險(xiǎn)預(yù)警模型。本文使用麻雀搜索算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，通過(guò)主成分分析法和K-均值聚類算法將金融系統(tǒng)劃分為四類風(fēng)險(xiǎn)狀態(tài)，構(gòu)建金融風(fēng)險(xiǎn)預(yù)警模型，并通過(guò)2022年的數(shù)據(jù)對(duì)2023年的金融風(fēng)險(xiǎn)狀態(tài)進(jìn)行預(yù)測(cè)。

1 模型建立與分析

BP神經(jīng)網(wǎng)絡(luò)是一種常見(jiàn)的人工神經(jīng)網(wǎng)絡(luò)，其正向傳播方向?yàn)椤拜斎雽印[含層→輸出層”。在訓(xùn)練過(guò)程中，輸入樣本通過(guò)多層神經(jīng)元層進(jìn)行處理，最終得到網(wǎng)絡(luò)輸出值。當(dāng)期望值與輸出值之間存在誤差時(shí)，神經(jīng)網(wǎng)絡(luò)需要對(duì)其進(jìn)行自我糾正，在誤差反向傳播的過(guò)程中，調(diào)整權(quán)值和閾值以最小化誤差，并滿足性能要求。梯度下降算法通常用于對(duì)每個(gè)神經(jīng)元的權(quán)值和閾值進(jìn)行調(diào)整，完成信息提取和訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)如圖1所示。

BP神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)方面應(yīng)用廣泛，具有非線性映射、自適應(yīng)學(xué)習(xí)和泛化能力。然而，BP神經(jīng)網(wǎng)絡(luò)的算法本質(zhì)上是梯度下降法，需要優(yōu)化復(fù)雜的目標(biāo)函數(shù)，效率較低。此外，BP神經(jīng)網(wǎng)絡(luò)是一種局部搜索優(yōu)化方法，容易陷入局部極值，并導(dǎo)致權(quán)值收斂到局部極小點(diǎn)。

麻雀搜索算法主要是受麻雀覓食行為和反捕食行為的啟發(fā)而提出的，該算法比較新穎，具有尋優(yōu)能力強(qiáng)、收斂速度快的優(yōu)點(diǎn)。針對(duì)BP神經(jīng)網(wǎng)絡(luò)模型存在的算法效率低下、容易陷入局部最優(yōu)、不能做到全局尋優(yōu)等問(wèn)題，本文引進(jìn)SSA算法對(duì)BP神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)重和閾值進(jìn)行優(yōu)化處理，從而提出SSA-BP神經(jīng)網(wǎng)絡(luò)模型。

2 指標(biāo)選取和數(shù)據(jù)處理

基于目前我國(guó)的金融穩(wěn)定狀況及面臨的主要金融風(fēng)險(xiǎn)，本文選取2008—2022年的經(jīng)濟(jì)數(shù)據(jù)進(jìn)項(xiàng)分析，并結(jié)合外部風(fēng)險(xiǎn)沖擊，共選取18個(gè)與金融風(fēng)險(xiǎn)累積的相關(guān)指標(biāo)，將選取的風(fēng)險(xiǎn)指標(biāo)劃分為：（1）宏觀經(jīng)濟(jì)總體指標(biāo)，包括GDP增長(zhǎng)率（X1）、通貨膨脹率（X2）、M2增長(zhǎng)率（X3）、固定資產(chǎn)投資增長(zhǎng)率（X4）；（2）銀行壞賬累積性風(fēng)險(xiǎn)指標(biāo)，包括資本充足率（X5）、不良貸款率（X6）、資產(chǎn)收益率（X7）、流動(dòng)性比率（X8）；（3）泡沫經(jīng)濟(jì)風(fēng)險(xiǎn)指標(biāo)，包括股市平均市盈率（X9）、股票流通市值/GDP（X10）、房?jī)r(jià)增長(zhǎng)率（X11）；（4）債務(wù)風(fēng)險(xiǎn)指標(biāo)，包括財(cái)政赤字（X12）、外債總額（X13）、短期外債（X14）；（5）外幣沖擊風(fēng)險(xiǎn)指標(biāo)，包括實(shí)際匯率（X15）、外匯儲(chǔ)備（X16）、外商投資（X17）、經(jīng)常項(xiàng)目差額/GDP（X18）。

首先，本文使用主成分分析法處理指標(biāo)數(shù)據(jù)來(lái)提高模型的訓(xùn)練效率。先對(duì)選取的數(shù)據(jù)指標(biāo)是否能適用于主成分分析進(jìn)行檢驗(yàn)，利用KMO檢驗(yàn)和巴特利特球體檢驗(yàn)對(duì)初始特征指標(biāo)進(jìn)行分析。KMO檢驗(yàn)結(jié)果顯示，KMO的統(tǒng)計(jì)量為0.717，表示原始指標(biāo)相關(guān)性較強(qiáng)；巴特利特球體檢驗(yàn)結(jié)果顯示，巴特利特球形度檢驗(yàn)顯著性，為0.00，拒絕原假設(shè)，表示原始指標(biāo)具有顯著相關(guān)性，可以做因子分析。其次，依據(jù)特征值大于1的基本原則，提取5個(gè)與金融風(fēng)險(xiǎn)密切相關(guān)的主因子F1、F2、F3、F4、F5，方差貢獻(xiàn)率分別為37.580%、14.418%、11.234%、10.454%、8.864%，累計(jì)方差貢獻(xiàn)率為82.550%，即5個(gè)主因子載荷了系統(tǒng)性金融風(fēng)險(xiǎn)的大部分信息。

通過(guò)荷載因子矩陣可以得出各因子的因子得分，結(jié)合5個(gè)主因子的方差貢獻(xiàn)率進(jìn)行如式

計(jì)算，構(gòu)造能夠體現(xiàn)各年份金融變量的Ft，通過(guò)Ft的取值范圍進(jìn)行所屬年份的風(fēng)險(xiǎn)狀態(tài)劃分。采用K-均值聚類的方法，將Ft劃分為四個(gè)等級(jí)，即安全、基本安全、警戒狀態(tài)和危險(xiǎn)狀態(tài)。采用“極值—均值”劃定金融風(fēng)險(xiǎn)狀態(tài)的臨界值，即安全為A（-∞，-0.448]、基本安全為B（-0.448，0.326]、警戒狀態(tài)為C（0.326，0.762]、危險(xiǎn)狀態(tài)為D（0.762，+∞），得到Ft預(yù)警模型的完整編碼如表1所示。

結(jié)果顯示，主成分分析法所劃分的風(fēng)險(xiǎn)狀態(tài)分類基本上能反映我國(guó)金融系統(tǒng)的穩(wěn)定情況。2008年美國(guó)次貸危機(jī)爆發(fā)，給我國(guó)金融系統(tǒng)帶來(lái)了巨大的外部風(fēng)險(xiǎn)沖擊；2010年以來(lái)，歐美國(guó)家在應(yīng)對(duì)金融危機(jī)中對(duì)我國(guó)經(jīng)濟(jì)的影響也不容忽視，但是針對(duì)這一外部沖擊，國(guó)家及時(shí)做出調(diào)整，政府出臺(tái)了一系列防范金融風(fēng)險(xiǎn)的政策；2014年以來(lái)，我國(guó)金融系統(tǒng)出現(xiàn)多次金融風(fēng)險(xiǎn)，“影子銀行”爆發(fā)式增長(zhǎng)，股市也出現(xiàn)跌停、停牌的動(dòng)蕩趨勢(shì)；2019年底，新冠疫情席卷全球，金融市場(chǎng)受到了極大影響。

3 實(shí)證分析

基于主成分分析法及通過(guò)聚類后得到的風(fēng)險(xiǎn)類別的劃分，本文選取2008—2021年的5個(gè)主成分公因子作為神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元，因子綜合得分Ft最為輸出神經(jīng)元，logsig函數(shù)為隱含層神經(jīng)元的傳遞函數(shù)，purelin函數(shù)為輸出層神經(jīng)元的傳遞函數(shù)，trainlm為訓(xùn)練函數(shù)，學(xué)習(xí)率設(shè)定為0.1。網(wǎng)絡(luò)最大訓(xùn)練次數(shù)為1000，目標(biāo)誤差為0.0001。根據(jù)Kolomgorov 定理與試錯(cuò)過(guò)程，設(shè)隱含層神經(jīng)元個(gè)數(shù)為12，因此本文的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為5-12-1，即輸入層數(shù)為5層，隱含層數(shù)為12層，輸出層數(shù)為1層，上述編程及實(shí)證過(guò)程均通過(guò)MATLAB R2017b完成。

根據(jù)訓(xùn)練結(jié)果可知，神經(jīng)網(wǎng)絡(luò)的輸出與訓(xùn)練目標(biāo)之間的誤差僅為0.000879，可見(jiàn)經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練后得到的SSA-BP神經(jīng)網(wǎng)絡(luò)模型能夠較好反映金融風(fēng)險(xiǎn)指標(biāo)與系統(tǒng)性金融風(fēng)險(xiǎn)之間的相關(guān)關(guān)系。

在使用SSA-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行金融風(fēng)險(xiǎn)預(yù)測(cè)之前，先對(duì)該模型的準(zhǔn)確性進(jìn)行驗(yàn)證。為了避免時(shí)間序列的影響，本文隨機(jī)選取12個(gè)月的數(shù)據(jù)樣本作為檢驗(yàn)樣本，利用經(jīng)過(guò)訓(xùn)練的SSA-BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)性風(fēng)險(xiǎn)預(yù)警模型，運(yùn)用仿真函數(shù)sim計(jì)算神經(jīng)網(wǎng)絡(luò)的輸出，并對(duì)輸出結(jié)果與應(yīng)用因子分析法得出的結(jié)果區(qū)間進(jìn)行驗(yàn)證，測(cè)試結(jié)果如表2所示。

驗(yàn)證結(jié)果顯示，檢驗(yàn)樣本在SSA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果和因子分析所得的風(fēng)險(xiǎn)狀態(tài)的區(qū)間基本對(duì)應(yīng)，因此基于SSA-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警模型能夠有效地預(yù)測(cè)系統(tǒng)性金融風(fēng)險(xiǎn)的狀態(tài)。

為了驗(yàn)證SSA-BP模型預(yù)測(cè)效果的好壞，本文通過(guò)平均絕對(duì)誤差（MAE）和均方根誤差（RMSE）對(duì)BP神經(jīng)網(wǎng)絡(luò)和SSA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果進(jìn)行對(duì)比，對(duì)比結(jié)果如表3所示。

驗(yàn)證結(jié)果顯示，結(jié)合SSA算法建立的SSA-BP神經(jīng)網(wǎng)絡(luò)的均絕對(duì)誤差和均方根誤差都要比BP神經(jīng)網(wǎng)絡(luò)的結(jié)果小，因此SSA-BP模型相較BP神經(jīng)網(wǎng)絡(luò)模型誤差更小，預(yù)測(cè)結(jié)果的準(zhǔn)確度更高。

綜上所述，SSA-BP神經(jīng)網(wǎng)絡(luò)模型具有較高的準(zhǔn)確性，能夠有效預(yù)測(cè)系統(tǒng)性金融風(fēng)險(xiǎn)的狀態(tài)，且SSA-BP神經(jīng)網(wǎng)絡(luò)模型相對(duì)BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果誤差更小，精確度更高，因此可以選用SSA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)。本文通過(guò)輸入2022年月度的樣本數(shù)據(jù)，對(duì)2023年月度的金融風(fēng)險(xiǎn)狀態(tài)進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如表4所示。

從預(yù)測(cè)結(jié)果來(lái)看，我國(guó)2023年系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)處于警戒狀態(tài)或危險(xiǎn)狀態(tài)。從國(guó)內(nèi)來(lái)看，經(jīng)濟(jì)恢復(fù)基礎(chǔ)尚不牢固，“三重壓力”仍然較大。同時(shí)，三年疫情的持續(xù)沖擊，有可能對(duì)我國(guó)的潛在產(chǎn)出產(chǎn)生一定的抑制效應(yīng)。從國(guó)外來(lái)看，以美聯(lián)儲(chǔ)為首的全球主要央行貨幣政策進(jìn)一步緊縮，會(huì)給我國(guó)經(jīng)濟(jì)帶來(lái)直接或間接的影響，發(fā)達(dá)經(jīng)濟(jì)體貨幣集體或?qū)囊越鹑跊_擊為主轉(zhuǎn)變?yōu)椤敖鹑?實(shí)體”的雙重沖擊。

4 結(jié)語(yǔ)

本文結(jié)合主成分分析法和SSA-BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建了我國(guó)的系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警模型。通過(guò)該模型對(duì)2023年月度的金融風(fēng)險(xiǎn)狀態(tài)進(jìn)行預(yù)測(cè)，結(jié)果顯示2023年中國(guó)的金融系統(tǒng)運(yùn)行情況處于警戒狀態(tài)或危險(xiǎn)狀態(tài)，值得引起相關(guān)部門重視。從長(zhǎng)遠(yuǎn)來(lái)看，中國(guó)的金融行業(yè)要想獲得進(jìn)一步的發(fā)展壯大，就必須繼續(xù)實(shí)施分類監(jiān)管模式，加強(qiáng)對(duì)各金融機(jī)構(gòu)的監(jiān)管，不斷地深入經(jīng)濟(jì)改革，完善服務(wù)體系，提高服務(wù)能力。同時(shí)，政府應(yīng)出臺(tái)應(yīng)對(duì)金融風(fēng)險(xiǎn)的政策，加強(qiáng)金融系統(tǒng)的安全性，推動(dòng)金融行業(yè)的穩(wěn)定發(fā)展。

參考文獻(xiàn)

王志宇，許良，張學(xué)成.金融危機(jī)預(yù)警專家系統(tǒng)的建立[J].燕山大學(xué)學(xué)報(bào)，2000（1）：84-87+89.

李夢(mèng)雨.中國(guó)金融風(fēng)險(xiǎn)預(yù)警系統(tǒng)的構(gòu)建研究：基于K-均值聚類算法和BP神經(jīng)網(wǎng)絡(luò)[J].中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2012（10）：25-30.

曾昭法，游悅.基于神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的金融風(fēng)險(xiǎn)預(yù)警[J].統(tǒng)計(jì)與決策，2020，36（14）：137-140.

韓喜昆，馬德功.基于AM-BPNN模型的系統(tǒng)性金融風(fēng)險(xiǎn)評(píng)估及預(yù)警[J].統(tǒng)計(jì)與決策，2021，37（4）：138-141.

張品一，薛京京.多分形互聯(lián)網(wǎng)金融市場(chǎng)的風(fēng)險(xiǎn)預(yù)警模型研究[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2022，39（8）：162-180.