系統性金融風險早期預警指數的構建及實證運用

摘要：加強系統性金融風險監測、評估與預警能力，對防范化解金融風險和維護金融穩定具有重大意義。本文以歐央行國內系統性金融風險指數（d-SRI）的構建方法為基礎，結合我國金融系統的實際，通過增加“構建FSI識別金融高壓力期”“運用AUROC確定脆弱期”等關鍵步驟，制定我國系統性金融風險早期預警指數構建方法，由此擬合出我國的早期預警指數，并運用該指數對我國各期金融風險進行預警分析。研究表明，本文構建的預警指數平均提早22個月對高壓力期發出預警信息，能為宏觀審慎管理提供及時有益的參考；預警指數預測我國本輪金融系統高壓力狀態將持續至2024年初；居民部門杠桿率較長時間過度上漲是導致我國金融系統壓力攀升的最基本因素。

關鍵詞：系統性金融風險；早期預警；狀態空間模型；AUROC性能評估；損失函數；相對有效性

中圖分類號：F832.5" " " " 文獻標識碼：A" " " " 文章編號：1007-0753（2024）10-0018-13

一、引言

黨中央、國務院高度重視系統性金融風險防范化解工作。習近平總書記強調，防范化解金融風險，特別是防止發生系統性金融風險，是金融工作的根本任務，也是金融工作的永恒主題。要把主動防范化解系統性金融風險放在更加重要的位置，早識別、早預警、早發現、早處置，著力防范化解重點領域風險，著力完善金融安全防線和風險應急處置機制。黨的二十大報告明確提出，“守住不發生系統性風險底線”。防范系統性金融風險已成為我國金融監管部門和國家宏觀調控部門的一項重要課題，而及早對系統性金融風險進行預警是防范系統性金融風險的前提，也是中央銀行維護金融穩定的一項重要任務。

歷史發展表明，系統性金融風險可能演變成系統性金融危機和金融動蕩，給經濟增長和社會福利帶來不利后果。Hoggarth 等（2002）發現，平均而言，危機時期導致的累計產出損失達到GDP的15%—20%。Laeven和 Valencia （2012）對全球大量國家抽樣估計后發現，過去的銀行業危機中，產出損失平均達到GDP的23%。Lo Duca等（2017）估計，歐盟國家在系統性金融危機期間的產出損失平均達到GDP的8%。人民銀行黨委書記潘功勝在2020金融街論壇年會上表示，維護系統性金融穩定，需要彌補微觀審慎監管的不足，防范金融體系順周期變化以及風險跨機構、跨市場、跨部門和跨境傳染帶來的系統性金融風險，并盡可能提前采取針對性措施。為了防止系統性金融危機或減輕其對未來的影響，建立系統性風險早期預警體系至關重要。早期預警體系提前識別未來可能發生的系統性金融風險，可以為決策者提供足夠的應對時間，采取反周期行動和宏觀審慎政策，從而避免對金融和經濟造成嚴重沖擊。

二、文獻綜述

（一）關于金融壓力指數的研究

系統性金融風險監管的前提是能夠對風險進行度量。Illing和Liu（2006）首次提出“金融壓力指數”，選取能反映市場特性的指標并加權合成單一指數來衡量市場壓力，其是學術界較為認可的衡量金融風險的方法。通過梳理相關文獻發現，關于金融壓力指數的文獻主要集中于指標權重設定方面。設定方法主要可以分為五大類：一是等權重法，采用每個指標相同權重的賦權方式（Lall等，2011；朱莎和裴沛，2018）。二是主成分分析法（劉鳳根等，2021）。三是相關系數法，通過動態相關系數矩陣賦權（許滌龍和陳雙蓮，2015；Hollo等，2012；李敏波和梁爽，2021）。四是CRITIC賦權法（丁嵐等，2019；覃小兵等，2022）。五是借助狀態空間模型計算出指標的時變權重（孫攀峰，2019；柴建等，2022）。

（二）關于系統性金融風險預警的研究

準確預測是實現監管系統性金融風險工作的首要任務。國內外學者對于系統性金融風險的預警方法主要可以分為以下五類：一是FR模型（Frankel和Rose，1996）。二是STV跨國回歸模型（Sachs等，1996）。三是復雜網絡模型（Zhang等，2011；任英華，2022）。此類模型的局限在于拓撲特征無法代表整個關聯網絡，僅能反映部分信息。四是Kaminsky等（1997）提出的信號分析法。該模型中的閾值難以準確設定，因此可能出現僅能識別安全時期誤發的預警信號或者最嚴重的金融危機問題（蘇冬蔚和肖志興，2011）。Lang等（2019）提出了一種新的國內周期性系統風險指標（d-SRI），該指標對金融市場高壓力下金融危機發生的可能性和嚴重程度具有預測能力。五是機器學習法。采用圖神經網絡（GNN）（Balmaseda等，2023）、梯度提升決策樹（Yu和Zhao，2020）和支持向量機（Kou等，2019；覃小兵等，2022）等技術手段，實現對金融市場風險的有效預測和及時預警。

總體來看，在風險衡量和風險預警方面，國內外文獻已取得一定成果，但仍存在進一步發展和完善的空間：一是在金融壓力指數的權重設定方面，目前國內外文獻多采用固定值，但在政策變化、外界沖擊等多重因素的影響下，我國的金融結構不斷地發生變化，傳統的固定權重已經無法準確反映各子市場以及各基礎指標對金融壓力指數的時變性影響。二是現有的金融風險預警方法多為即期預測，即利用歷史數據對下期數據進行預測，未能體現出中長期的風險狀況趨勢。

因此，本文的創新主要在于：一是以歐央行國內系統性金融風險指數（d-SRI）的構建方法為基礎，結合我國金融系統實際，通過增加“構建FSI識別金融高壓力期”“運用AUROC確定脆弱期”等關鍵步驟，制訂了我國系統性金融風險早期預警指數構建方法。二是通過運用狀態空間模型動態賦權和GRACH模型擬合波動率，構建能反映實時金融風險的金融壓力指數，識別金融高壓力期。三是將機器學習法中常用的AUROC性能評價法運用于金融預警研究，通過該方法來識別金融高壓力階段的最佳脆弱期以及評價單變量預警指標的預警性能。四是借鑒Sarlin（2013）提出的基于政策制定者損失函數的相對有效性度量法，通過Python編程對單變量預警指標進行迭代計算來評估指標預警性能。

三、早期預警指數的構建方法

（一）系統性風險早期預警指數的構建思路

歐央行《2018年金融穩定報告》公布了d-SRI指數，運用季度數據來預測未來兩到三年的金融風險。該指數由Lang等（2019）在歐央行工作報告文件中提出，主要運用歐央行危機數據庫來確定危機時間，采用AUROC性能評價及基于損失函數的相對有效性方法選取最優單變量預警指標，最后線性聚合得出d-SRI指數。本文主要基于歐央行的研究思路，并且考慮到我國缺乏官方權威危機數據庫以及數據期限較短的問題，對歐央行方法進行改進后，形成如下具體操作步驟：

第一步，構建我國金融壓力指數與確定金融高壓力期。本文運用綜合指數法和狀態空間模型，構建一個金融壓力指數來衡量我國的系統性金融風險，識別不同金融高壓力時期，為構建金融風險早期預警體系（指數）提供預警“對象”。

第二步，選取一套與系統性金融風險相關的指標體系。根據歐洲系統性風險委員會（ESRB）在逆周期資本緩沖背景下監測周期性系統性風險的建議，結合我國國情及數據可得性，將分別從五大類別選擇單變量預警指標。

第三步，選擇最優脆弱期。脆弱期即金融高壓力期時間節點開始之前的指定窗口期，在這個窗口期單變量預警指標能提前預警到金融高壓力期。本文使用AUROC性能評價法選擇最優脆弱期。

第四步，篩選最優單變量預警指標。運用AUROC性能評價法和基于政策制定者損失函數的相對有效性評估單變量指標預警性能。根據預警性能排名確定每個類別的最優單變量預警指標。

第五步，擬合預警曲線。使用Lang等（2019）的方法，通過Logistic回歸計算單變量指標權重，并線性聚合成系統性金融風險早期預警指數。

（二）金融壓力指數構建方法

1.基于綜合指數法的金融壓力指數構建

本文借鑒Morales和Estrada（2010）的綜合指數構建方法對金融壓力進行衡量，通過計算各個基礎指標對其長期趨勢值的偏離程度，來評估金融壓力狀況。

2.基于狀態空間模型的權重設定

在確定基礎指標權重時，采用狀態空間模型的動態賦權法來反映金融市場的動態變化特征。本文借鑒Goodhart和Hofmann（2001）的簡化總需求方程構建狀態空間模型，對時變系數進行歸一化和加權平均處理后，可得到各基礎指標構建我國金融壓力指數FSI的時變權重。

3.基于GRACH模型擬合波動率

金融指標的波動情況能實時反映各金融子市場的風險狀況，所以在構建金融壓力指數時，需重點考慮各指標的波動率。本文借鑒李敏波和梁爽（2021）的方法，運用GRACH模型來擬合各指標的波動率。

（三）單變量預警指標預警性能評價方法

要構建系統性風險早期預警指標，最重要的是最優單變量預警的選擇。本文借鑒Lang等（2019）的方法，通過AUROC性能評價法和基于政策制定者損失函數的相對有效性度量法，選取預警效果最優的單變量指標。具體方法介紹如下：

1.AUROC性能評價法

本文使用機器學習中常用的AUROC評價法來識別各預警指標的預警性能，其評價過程大體如下：

在“發生風險”“未發生風險”的二分類任務下，將預測結果與真實情況進行比較，可形成四種不同的組合關系，即構成一個混淆矩陣。將預警指標“由小到大”進行排序，依次作為閾值，每設定一個閾值都可得出一組真陽性率TPR值和偽陽性率FPR值。以FPR為橫軸，TPR為縱軸，每一個閾值對應坐標軸一個（FPR，TPR）點，當閾值從最小值到最大值遍歷時，便可繪制出ROC曲線。AUROC（Area Under the Receiver Operating Characteristic Curve，接受者操作特征曲線下面積），是指處于ROC曲線下方的那部分面積大小。AUROC的取值范圍在0到1之間，越接近1表示單變量預警指標性能越好。AUROC作為數值可以直觀地評價不同單變量預警指標的好壞。

2.基于政策制定者損失函數的相對有效性度量法

Sarlin（2013）提出了基于政策制定者損失函數的相對有效性度量法，用于評估預警系統的預警性能。本文借鑒這種度量法，來評價單變量預警指標的預警性能。具體如下：

將金融壓力狀態用二元狀態變量來表示：Ij（t）∈（0，1）（其中觀測值j =1，2，…， N）。為了能夠提前采取政策行動，防止金融壓力的進一步積累，監測重點應集中在金融高壓力期峰值前的一段時間。本文將金融高壓力期峰值前的一個指定窗口期設定為脆弱期，其他時期均為平靜期。那么可將金融壓力狀態轉換為金融壓力指標Ij（h），Ij（h）在脆弱期等于1，在平靜期等于0。

預警指標設為Y，若預警指標值超過指定的預警閾值λ，則發出預警信號，沒有超過則不發出預警信號。Yj和Ij之間的對應關系可以構成一個混淆矩陣。

政策制定者損失函數L（μ）表示為：

L（ μ） = μT1P1 + （1- μ）T2P2" " " " " " " " " " " " " " " " " （1）

其中，L（μ）為政策制定者使用預警系統時的損失；μT1P1為漏報損失，即沒有發出危機預警但實際發生危機的損失；（1- μ）T2P2為錯報損失，即發出危機預警但實際未發生危機的損失。

P1為金融體系實際處于高壓力狀態（即金融壓力指標處于脆弱期）的概率：

P1 = P（Ij（h） =1） = （TP + FN ）/（TP + FP + FN + TN ）

（2）

P2為金融體系實際沒有處于高壓力狀態（金融壓力指標處于平靜期）的概率：

P2 = P（Ij（h） = 0） = （FP + TN ）/（TP + FP + FN + TN ）

（3）

T1為漏報概率，即金融體系實際處于高壓力狀態但單變量預警指標并沒有發出預警信號的概率：

T1 = P（Yj≤λ | Ij（h） = 1） = FN /（TP + FN ）" " " " " "（4）

T2為錯報概率，即金融體系實際沒有處于高壓力狀態但單變量預警指標發出了預警信號的概率：

T2 = P（Yj≤λ | Ij（h） = 0） = FP /（FP + TN ）" " " " " "（5）

μ為政策制定者對錯過危機的相對偏好，1-μ為政策制定者對虛假預警的相對偏好，μ∈（0，1）。TP、FN、FP、TN為AUROC混淆矩陣內的四種結果，分別代表真陽性、假陰性、假陽性和真陰性。

根據損失函數L（μ），可以求出絕對有效性Ua（μ）。絕對有效性Ua（μ）為不使用預警系統時的損失min{uP1，（1- μ）P2}減去使用預警系統時的損失L（μ），具體公式如下：

Ua（μ） = min{uP1，（1- μ）P2} - L（μ）" " " " " " " " " " "（6）

根據絕對有效性Ua（μ），可以進一步求出相對有效性Ur（μ）。Ur（μ）為絕對有效性占不使用預警系統時的損失min{uP1，（1- μ）P2}的比重，具體公式如下：

Ur（μ） =" " " " " " " " " " " " " " " " "（7）

預警指標的相對有效性越高，預警性能越好。

四、構建我國系統性金融風險早期預警指數

（一）我國金融壓力指數構建與金融高壓力期識別

1.基礎指標選取

考慮到利差和波動率能實時反映金融市場壓力狀態，而部分宏觀指標對市場壓力的反映存在一定的滯后性，本文在借鑒李敏波和梁爽（2021）、黃啟才和王世杰（2021）的研究的基礎上，從貨幣、債券、股票、外匯和房地產等5個子市場選取了10個基礎指標來合成我國金融壓力指數，詳見表1。指標方向為正，表示與金融壓力正相關；負向則反之。擬合時對負向指標取相反數，以實現所有指標與金融壓力的同向化。

本文數據期限為2007年1月至2022年12月，數據頻率為月度。部分季度數據使用線性插值計算得出，部分日頻數據通過求月平均值計算得出，同時使用X-12對部分數據進行季節性調整。

2.壓力指數的構建

本文使用上述10個基礎指標與國內生產總值GDP構建狀態空間模型。同時，為了能夠更加客觀地反映各基礎指標對GDP的貢獻，將GDP的關鍵影響因素——投資和進出口作為控制變量納入量測方程。構建的量測方程如下：

ln（GDP） = c（1） + sv1 × ln（GDP）（-1） +

sv2 × FJD（-1） +" sv3 × GFB（-1） +

sv4 × GPB（-1） + sv5 × GZB（-1） +

sv6 × GZLC（-1） + sv7 × HLB（-1） +

sv8 × HLC（-1） + sv9 × LLB（-1） +

sv10 × SZD（-1） + sv11 × ZYLC（-1） +

sv12 × ln（JCK）（-1） + sv13 ×

ln（TZE）（-1） + [var = exp（c（2））]" " " （8）

對應的狀態方程如下：

sv1 = sv1（-1）

sv2 = sv2（-1）

sv3 = sv3（-1）" " " " " " " " " " " " " " " " " " " " " " " " " "（9）

…

sv13 = sv13（-1）

量測方程式（8）中，GDP、FJD、GFB、GPB、

GZB、GZLC、HLB、HLC、LLB、SZD、ZYLC、JCK、TZE分別代表國內生產總值、房價漲跌幅、國房景氣指數波動率、股票波動率、國債收益波動率、國債期限利差、匯率波動率、匯率差值、利率波動率、上證綜指月漲跌幅、流動性溢價指標、進出口差額和固定資產投資完成額。

通過狀態空間模型和卡爾曼濾波算法就能估計出時變系數sv1，sv2 ，… ，sv13，然后對各基礎指標的時變系數值進行歸一化處理和加權平均，由此得到各基礎指標構建我國金融壓力指數FSI的時變權重。

3.金融高壓力期的識別

將10個基礎指標和對應的權重合成金融壓力指數FSI。將金融壓力指數進行HP濾波處理，得到FSI-HP曲線（見圖1）。通過該曲線可以發現自2008年以來，我國金融市場的高壓力狀態主要體現在以下6個時期：

（1）國際金融危機階段（2008—2009年）。受到國際金融危機的影響，加之國內股市暴漲暴跌、房市大跌，致使金融風險加速積聚，金融壓力指數急速攀升，于2009年4月達到近十幾年來的最高值。從具體指標看，匯率波動率、上證綜指月漲跌幅和房價漲跌幅三個基礎指標短期內快速上漲。

（2）“錢荒”階段（2012—2013年）。國外歐債危機暴發，國內銀行間市場流動性緊張導致“錢荒”，致使金融壓力指數持續向上，于2013年6月達到波峰。從具體指標看，最主要是利率波動率劇烈上漲。

（3）“股災”階段（2014年末—2016年初）。2014年末和2015年6月A股經歷兩輪大漲，股市泡沫日益膨脹，2016年初股市遭遇熔斷，投資者出現恐慌情緒。在此期間金融市場表現出一定程度的動蕩，金融壓力指數持續上行，于2016年6月達到波峰。從具體指標看，該階段利率波動率、股票波動率明顯高于大部分其他時期。

（4）各類系風險暴露階段（2017年底—2018年）。“明天系”“安邦系”“華信系”等金融集團的風險逐步暴露，外匯市場和利率市場不確定性增大，金融壓力指數出現較為明顯的上升態勢，于2018年8月達到波峰。從具體指標看，該階段匯率波動率、利率波動率大幅快速上漲。得益于黨中央果斷采取了防范化解金融風險攻堅戰，金融風險始終保持在可控范圍內，所以該階段峰值明顯小于其他金融高壓力期。

（5）新冠疫情階段（2020年）。國內發生新冠疫情，我國一季度工業生產恢復不及預期，經濟總產出下降及商貿經濟下滑；與此同時，全球經濟發展受到疫情沖擊，外部市場風險傳染至國內。這些導致金融壓力指數急速上漲，于2020年11月達到了波峰。

（6）三重壓力階段（2022年至今）。俄烏沖突、中美貿易摩擦加劇，導致我國面臨需求收縮、供給沖擊、預期轉弱等三重壓力，金融壓力指數也隨之開始上升，上升態勢至2022年12月仍未出現拐點。從具體指標看，匯率波動率、上證綜合指數漲跌幅明顯擴大。

本文將這6個金融高壓力期的峰值時點，設定為預警“對象”，具體為：2009年4月、2013年6月、2016年6月、2018年8月、2020年11月、2022年12月。

（二）我國系統性金融風險早期預警指數構建

1.預警指標選取與數據集劃分

本文采取歐洲系統性風險委員會（ESRB）在逆周期資本緩沖背景下監測周期性系統性風險時的建議，將指標分為五大類別，并根據我國國情以及數據可得性，選取每個類別中的單變量預警基礎指標，共計23個（見表2）。對每個單變量預警基礎指標進行各種單位轉換，如12個月變化、18個月變化、24個月變化等，形成新的單變量預警指標。最終形成了83個待評估的單變量預警指標。

為了能夠驗證預警效果，本文將數據集（2007—2022年）劃分為兩個部分：第一部分為試驗集，即前5個金融高壓力期，時間段為2007年1月—2019年11月，用來篩選最優單變量預警指標和確定指標權重，并擬合系統性風險早期預警指數；第二部分為驗證集，即最后一個金融高壓力期，時間段為2019年12月—2022年12月，用來驗證根據試驗集確定的早期預警指數的預警性能。

2.選擇最優脆弱期

從經濟金融失衡的出現、積累和加劇，到金融風險逐漸顯現，是一個較為長期的過程。在金融風險開始暴露前，金融體系處于逐步加壓狀態，其脆弱性不斷上升，此時間段即為本文的脆弱期。根據上文所述金融壓力指標在脆弱期取值為1，平靜期取值為0。脆弱期的差異會直接影響單變量預警指標的預警效果，因此脆弱期的設置非常重要。本文對所有單變量預警指標在不同脆弱期下進行AUROC評估，以此選出最優脆弱期。具體操作如下：

首先，設定不同的脆弱期區間。本文借鑒歐央行Lang等（2019）和Sarlin（2013）的研究，結合我國數據實際，選定了7個不同的脆弱期進行測算，分別為金融高壓力期峰值前6—24個月、12—24個月、15—30個月、18—30個月、15—36個月、18—36個月、24—36個月。

然后，評估83個單變量預警指標在不同脆弱期下的AUROC性能表現。評估結果顯示：當脆弱期設置為“金融高壓力期峰值前15—36個月”時，AUROC值達到0.65以上的指標數最多。此外，歐央行Lang等（2019）最終選定的脆弱期也是危機發生前的5—12季度。

因此，本文選取“金融高壓力期峰值前15—36個月”為最優脆弱期，即預警信號會在高壓力期峰值前的15—36個月內發出，意味著政策制定者有足夠的時間采取宏觀審慎行動進行應對。

3.選定最優單變量預警指標

本文根據AUROC性能評價法和基于政策制定者損失函數的相對有效性度量法對各個單變量預警指標的預警性能進行評估。借鑒Lang等（2019）的做法，將AUROC賦予三分之二的權重，相對有效性賦予三分之一的權重，通過加權平均計算各單變量預警指標的預警性能，并根據各指標預警性能的最終排名，確定每個類別的最優單變量預警指標。AUROC性能評估使用SPSS進行，相對有效性性能評估的相關計算由Python編程實現。

此外，根據歐洲系統性風險委員會（ESRB）監測周期性系統性風險時的建議，基于信貸類別歷來在推動金融高壓力上扮演著重要角色，信貸類別選取2個最優單變量預警指標，其余類別各選擇1個最優單變量預警指標。根據AUROC性能評價法和基于政策制定者損失函數的相對有效性度量法的評估結果，選定6個最優單變量預警指標（見表3）。

4.擬合系統性金融風險早期預警指標

將Logistic模型計算得出的自變量系數進行歸一化處理，再將最小自變量系數賦權5%，其余自變量系數對剩余的95%進行加權平均，最終得出6個最優單變量預警指標的權重：19.51%、6.79%、40.08%、6.52%、5.00%、22.09%。

對最優單變量預警指標數據減去中位數并除以標準差進行標準化處理后，再根據權重進行線性聚合便可得到系統性金融風險早期預警指數，即系統性金融風險早期預警曲線（SRI），如圖2中的實線所示。

在試驗集內，系統性金融風險早期預警曲線共有四段曲線呈現上升趨勢，分別為：2007年1月—10月、2009年5月—2010年12月、2012年10月—2014年7月、2015年9月—2017年2月。也就是說，這四段上升趨勢預示著幾年之后將有相對應的金融高壓力期出現。

五、早期預警指數的分析與運用

（一）早期預警指數平均提早22個月對高壓力期發出預警信號

為了檢驗預警指數的預警效果，本文用試驗集樣本擬合的系統性金融風險早期預警曲線與FSI曲線進行對比分析。

圖2中的虛線為實時金融壓力指數FSI的HP濾波平滑曲線，實線為系統性金融風險早期預警曲線。本文根據前文最優脆弱期的評估結果，設定當預警指數至少出現連續15個月以上的攀升時①，代表著對未來金融高壓力發出預警信號。實線上的數字表示預警指數第幾次發出預警信號，虛線上的數字表示與其相對應的金融高壓力期。

對比兩條曲線可以發現，除了新冠疫情以外，系統性金融風險早期預警指數能在金融高壓力期暴發之前的較長一段時間內發出預警信號，為宏觀審慎管理提供較充足的時間。新冠疫情屬于突發公共衛生事件，該時期暴發的金融壓力并不是經濟金融系統失衡導致的，因此未發出預警信號。具體預警對應時間如表4所示。

1.大約提前18個月對國際金融危機階段發出預警信號

如圖3，預警曲線在2007年1月—10月處于上升階段，并于2007年10月達到峰值；FSI曲線在2008年1月—2009年4月處于上升階段，并于2009年4月達到峰值。通過峰值對比，可以發現預警曲線大約提前18個月對國際金融危機階段的高壓力狀態發出預警信號。

從圖3可以看出，2007年1月—10月，上海證券綜合指數24個月增長率、70個大中城市二手住宅價格12個月增長率等兩個單變量預警指標波動較大，這主要是因為當時股市、樓市暴漲，加速了金融風險的累積，外加上美國次貸危機傳導至國內，致使2008年—2009年4月上證綜指月漲跌幅和房價漲跌幅等兩個基礎指標增長率分別達2 229.79%、6 523.08%，進而導致金融壓力急劇攀升。

2.大約提前30個月對“錢荒”階段發出預警信號

圖2中，預警曲線在2009年5月—2010年12月處于持續上升階段，并在2010年12月達到峰值；FSI曲線于2012年1月—2013年6月持續上升，并于2013年6月達到峰值。通過峰值對比，可以發現預警曲線大約提前30個月對“錢荒”階段的高壓力狀態發出預警信號。

從圖3可以看出，2009年5月—2010年12月，居民部門杠桿率24個月變化、非金融企業部門信貸占GDP的百分比12個月變化、70個大中城市二手住宅價格12個月增長率等三個預警指標顯著上升，反映“4萬億計劃”導致信貸激增、貨幣供應迅速增加、資金流入房市以及資產價格快速上漲。信貸過量催生金融泡沫，銀行資金緊張，市場流動性短缺，“錢荒”顯現，具體表現為2012—2013年利率波動率指標增長率達33.33%，進而導致金融壓力加大，FSI曲線上升。

3.提前23個月對“股災”階段發出預警信號

在圖2中，預警曲線在2012年10月—2014年7月處于上升階段，并在2014年7月達到峰值；FSI曲線在2014年9月—2016年6月處于上升階段，并于2016年6月達到峰值。通過峰值對比，可以發現預警曲線提前23個月對“股災”階段的金融高壓力狀態發出預警信號。

圖3顯示，2012—2014年，居民部門杠桿率24個月變化、國際收支總差額占GDP的比例24個月變化、居民信貸總額占GDP的百分比24個月變化等三個指標漲幅明顯。這歸因于經濟加杠桿，銀行資產規模快速擴張，同時外匯儲備高位，外匯占款增加了貨幣供給。貨幣量的增加導致資金流入牛市股市，造成證券市場的過度繁榮，致使2016年股票波動率達75%，進而引發整個金融體系壓力攀升。

4.提前18個月對各類系風險暴露階段發出預警信號

在圖2中，預警曲線在2015年9月—2017年2月處于上升階段，并在2017年2月達到第一波峰值；FSI曲線在2017年10月—2018年8月處于上升階段，并于2018年8月達到峰值。通過峰值對比，可以發現預警曲線提前18個月對各類系風險暴露階段的高壓力狀態發出預警信號。

從圖3可以看出，2015年9月—2017年2月，居民部門杠桿率24個月變化、國際收支總差額占GDP的比例24個月變化、70個大中城市二手住宅價格12個月增長率等三個指標大幅上升。這是受當時房地產市場繁榮、國際收支增加和居民杠桿上升的驅動，預警曲線上升。在上述背景下，2015—2017年資金大量流入，2018年外匯和利率市場不確定性增加，匯率和利率波動率大幅上升，進而金融系統壓力FSI明顯上升，但得益于我國積極采取風險攻堅戰等措施，金融系統的壓力得到了有效緩解，各類系風險暴露階段整體壓力相對較小。

（二）早期預警指數預測三重壓力階段將持續至2024年

1.預警指數至少提前21個月對三重壓力階段發出預警信號

為了驗證由試驗集數據確定參數而構建的預警指數的穩健性，本文用驗證集的數據對系統性金融風險早期預警指數的預警性能進行檢驗，觀察預警指數能否提前對2022年開始的三重壓力階段發出預警信號。

對比圖4中兩條曲線，在分界線之前為試驗集區間，分界線之后為驗證集區間。在驗證集區間，預警曲線在2019年12月—2021年3月處于上升階段，并于2021年3月達到峰值。FSI曲線從2022年1月—2022年12月處于持續上升階段，12月仍未出現拐點。可以看出，預警曲線對三重壓力階段至少提前21個月發出預警信號，進一步驗證了早期預警指數具有良好的預測預警性能。

2.預警指數預測三重壓力階段可能至少延續到2024年初

根據15—36個月的脆弱期設定，本文的預警指數最長可對36個月后的風險發出預警信號。圖4中驗證集的預警曲線在2021年3月達到波峰，按15—36個月推算，金融壓力上升態勢將于2022年6月—2024年3月間達到峰值。由于俄烏沖突、中美貿易摩擦的國際背景并未改變，因此可以預測，如果我國不采取適當的應對措施，金融壓力上升態勢將很可能持續至2024年3月。

（三）金融高壓力期驅動因素分析

鑒于預警指數的線性特征，早期預警指數可以進一步分解為潛在的驅動因素，這種分解有助于識別系統性金融風險積累是由廣泛存在的因素，即基本性因素，還是由特定風險因素驅動的，有助于政策制定者進行相應風險評估并擬定應對措施。

在圖5中，不同指標的面積代表著預警指數的貢獻。面積越大，貢獻越大。從整體上來看，除2007—2008年以外，居民部門杠桿率24個月變化的面積所占比重始終最大，也就是說居民部門杠桿率24個月變化是驅動我國金融壓力攀升的最基本因素。圖5中，居民部門杠桿率經歷了四段上升。除國際金融危機階段外，其余高壓力階段的杠桿率上升趨勢與預警指數上升趨勢基本同步。究其原因：一是居民債務過度擴張將透支居民消費潛力，抑制未來消費能力；二是居民部門杠桿率上升將降低居民儲蓄率，影響未來投資和經濟增長；三是居民債務過度擴張會導致過度消費和投資，給樓市和股市帶來虛假的繁榮。這些因素將使得金融系統潛在風險加速積累。

六、結論與建議

（一）結論

本文以歐央行國內系統性金融風險指數（d-SRI）的構建方法為基礎，結合我國金融系統的實際情況，通過增加“構建FSI識別金融高壓力期”“運用AUROC確定脆弱期”等關鍵步驟，制訂了我國系統性金融風險早期預警指數構建方法。通過該方法，運用我國數據擬合出了我國的早期預警指數，可供宏觀政策制定者參考使用。

本文構建的預警指數平均提早22個月對高壓力期發出預警信息。預警指數除了遺漏2020年新冠疫情公共衛生突發事件外，分別提前18個月對國際金融危機階段發出預警信號，提前30個月對“錢荒”階段發出預警信號，提前23個月對“股災”階段發出預警信號，提前18個月對各類系風險暴露階段發出預警信號。在金融高壓力期出現之前較長一段時間內發出預警信號，可以為宏觀審慎管理提供充足的應對時間。早期預警指數在2019年12月—2021年3月處于上升階段，并于2021年3月達到波峰。考慮到脆弱期為15—36個月，可以預測若不采取適當的風險應對措施，本輪金融壓力上升態勢將持續至2024年初。本文通過對金融風險早期預警指數進行分解，發現居民部門杠桿率的上漲是驅動金融高壓力的最基本因素。

（二）政策建議

1.構建我國系統性金融風險早期預警體系，為宏觀審慎管理提供有效信息

設立金融壓力指數實時反映金融系統整體壓力，一旦發現金融壓力持續增大，金融管理部門應深入分析原因，采取果斷措施進行干預。加強研究論證，建立系統性金融風險早期預警機制，通過持續監測綜合預警指數及各單變量預警指標的變動，及早發現經濟金融運行中的失衡問題，并在失衡向危機轉化的過程中，及時采取宏觀審慎政策，降低未來金融高壓力狀態的峰值，縮短高壓力持續時間，防止系統性金融危機暴發。

2.做好逆周期調節，合理把握信貸投放節奏

過熱的經濟將給未來帶來隱患，因此在制定宏觀經濟調控政策時，要統籌短期發展和長期調控的動態關系，實現穩增長和防風險的長期均衡。面對發展過速，應及時進行逆周期調節，及時減輕過速發展帶來的潛在不利影響。信貸供給不合理容易導致資產價格泡沫或“錢荒”現象，是造成未來金融壓力加大的重要因素。中國人民銀行應加大調查研究，通過對經濟發展現狀、信貸市場需求的準確判斷，合理把控信貸投放對象、節奏和規模，盡量做到精準“滴灌”。

3.采用增加居民收入的方式來提升居民消費

我國當務之急是通過刺激居民消費和投資來擴內需、促增長，但過度的信貸刺激并不是最優的方式。居民部門杠桿率長時間過度上漲，在造成股市、樓市虛假繁榮的同時，將對未來消費和投資產生較大的擠出效應，給金融體系埋下較大的風險隱患。因此，我國在制定刺激消費政策時，不能僅考慮增加信貸供給，而應綜合施策，在保持信貸合理增長的同時，注重提升居民的實際收入水平，如努力提升中低收入人群的收入水平，繼續實行減稅讓利政策，減輕企業和個人支出壓力等。

4.積極采取應對措施，將三重壓力階段的金融風險控制在合理范圍之內

早期預警指數預測，如果不采取適當的應對措施，我國本輪金融壓力上升態勢將持續至2024年3月。同時，本文研究也發現在各類系風險暴露階段，由于我國采取了防范化解金融風險攻堅戰等措施，主動化解了金融系統面臨的風險，極大縮短了壓力持續時期、降低了壓力程度，保障了我國金融體系平穩健康發展。因此，針對我國金融壓力持續上升的現狀，應認真分析風險產生的原因，制定詳細、可行的宏觀審慎政策和措施，如合理控制信貸增速，促進房地產市場平穩健康發展，完善收入分配方式，提升中低收入人群的收入水平等，以減輕前期經濟金融失衡對我國的沖擊。同時，更應注重金融風險的防控和化解工作，積極主動化解各類風險隱患，切實做好風險的“早發現、早預警、早糾正、早處置”，牢牢守住不發生系統性風險的底線。

注釋：

① 由于數據限制，假定國際金融危機階段的早期預警也滿足連續15個月攀升的要求。

參考文獻：

[1] Hoggarth G， Reis R， Saporta V. Costs of banking system instability： Some empirical evidence[J].Journal of Banking amp; Finance，2002，26（05）：825-855.

[2] Laeven L， Valencia F. Systemic banking crises database： An update[R].IMF Working Paper， 2012.

[3] Lo Duca M， Koban A， Basten M， et al. A new database for financial crises in European countries[R]. Occasional Paper Series， 2017.

[4] ILLING M，LIU Y. Measuring financial stress in a developed country：An application to Canada[J]. Journal of Financial Stability，2006，2（03）：243-265.

[5] LALL S，CARDARELLI R，ELEKDAG S. Financial stress，downturns and recoveries[J].Psychiatry amp; Clinical Neurosciences，2011，59（01）：25-29.

[6] 朱莎，裴沛.新時期中國金融市場風險狀態甄別和政策沖擊研究[J].中央財經大學學報，2018（11）：24-37.

[7] 劉鳳根，王一丁，張敏，等.納入宏觀經濟因素的中國系統性金融風險預警研究——基于馬爾科夫區制轉移模型[J].商學研究，2021，28（05）：59-69.

[8] 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（04）：69-78.

[9] HOLLO D，KREMER M，LO DUCA M. CISS - A composite indicator of systemic stress in the financial system[R]. European Central Bank Working Paper，2012.

[10] 李敏波，梁爽.監測系統性金融風險——中國金融市場壓力指數構建和狀態識別[J].金融研究，2021

（06）：21-38.

[11] 丁嵐，李鵬濤，劉立新.中國金融壓力指數的構建與應用[J].統計與信息論壇，2019，34（10）：63-72.

[12] 覃小兵，羅美娟，黃迅，等.我國系統性金融風險預警研究——基于時變CRITIC賦權法和ADASYN-SVM方法[J].金融監管研究，2022（09）：93-114.

[13] 孫攀峰.基于狀態空間模型的中國金融穩定性評估[J].統計與信息論壇，2019，34（11）：44-49.

[14] 柴建，王子洋，張鐘毓.新格局下中國金融穩定狀況指數構建及其與美國貨幣政策間的區制關系分析[J].管理評論，2022，34（08）：3-14.

[15] Frankel J A，Rose A K. Currency crashes in emerging markets：An empirical treatment[J]. Journal of International Economics，1996，41：351-366.

[16] Sachs J D，Tornell A，Velasco A. Financial

crises in emerging markets： The lessons from 1995 [J]. Brookings Papers on Economic Activity， 1996，27（01）：147-215.

[17] Zhang Y， Lee G H T， Wong J C， et al. Will the US economy recover in 2010？ A minimal spanning tree study [J]. Physica A： Statistical Mechanics and its Applications， 2011， 390（11）： 2020-2050.

[18] 任英華，江勁風，倪青山.基于圖神經網絡模型的金融危機預警研究——全行業間信息溢出視角[J].統計研究，2022，39（08）：141-160.

[19] Kaminsky G L， Lizondo S J， Reinhart C M. Leading indicators of currency crises[R]. IMF Working Paper，1997.

[20] 蘇冬蔚，肖志興.基于亞洲六國宏觀數據的我國金融危機預警系統研究[J].國際金融研究，2011（06）：14-24.

[21] Lang J H，Izzo C，Fahr S， et al. Anticipating the bust： A new cyclical systemic risk indicator to assess the likelihood and severity of financial crises[R].European Central Bank：Occasional Paper Series ，2019.

[22] Balmaseda V，Coronado M， DE Cadenas-Santiago G. Predicting systemic risk in financial systems using deep graph learning[J].Intelligent Systems with Applications，2023（19）：200240.

[23] Yu J，Zhao J. Prediction of systemic risk contagion based on a dynamic complex network model using machine learning algorithm[J].Complexity，2020，2020：1-13.

[24] Kou G，Chao X，Peng Y， et al. Machine learning methods for systemic risk analysis in financial sectors[J].Technological and Economic Development of Economy， 2019， 25（05）：716-742.

[25] Sarlin P. On policymakers' loss function and the evaluation of early warning systems[J]. Economics Leeters， 2013，119（01）：1-7.

[26] MORALES M A， ESTRADA D. A financial stability index for Colombia[J].Annals of Finance，2010，6（04）：

555-581.

[27] GOODHART C，HOFMANN B.Asset prices，financial conditions and the transmission of monetary policy[A]//Paper Presented at the Conference“Asset Prices， Exchange Rates and Monetary Policy”[C]. Stanford University， 2001： 2-25.

[28] 黃啟才，王世杰.中國金融壓力指數測度與金融風險識別[J].亞太經濟，2021（03）：25-34.

（責任編輯：張艷妮）

Construction and Empirical Application of an Early Warning Index for Systemic Financial Risk： Based on AUROC Evaluation and Policymaker Loss Functions

CHEN Shuang1， XIANG Yi2， DENG Fang3

（1.People's Bank of China Hunan Provincial Branch; 2.People's Bank of China Huaihua Municipal Branch; 3.People's Bank of China Yongzhou Municipal Branch）

Abstract： Enhancing the capability to monitor， assess， and provide early warnings of systemic financial risks is crucial for preventing and mitigating financial risks and maintaining financial stability. This paper develops a methodology for constructing an early warning index for systemic financial risk in China， based on the European Central Bank's domestic Systemic Risk Indicator （d-SRI）. The methodology is tailored to China's financial system by incorporating key steps such as identifying high-stress periods using the Financial Stress Index （FSI） and determining vulnerability periods through AUROC evaluation. The resulting early warning index is applied to analyze financial risks across different periods in China. The findings indicate that the constructed index provides early warnings of high-stress periods on average 22 months in advance， offering timely and valuable reference for macroprudential management. The index also accurately predicts the current period of high financial system stress in China， with prolonged excessive increases in household leverage identified as the primary factor driving the rise in financial system pressure.

Keywords： Systemic financial risks; Early warning; State space model; AUROC performance evaluation; Loss function; Relative effectiveness