基于SVM-SRISK模型的銀行業系統性風險度量研究

中圖分類號：F832.33 文獻標志碼：A 文章編號：1008-4657(2025)04-0055-10

0 引言

習近平總書記指出“我們必須堅持標本兼治、遠近結合，牢牢守住不發生系統性風險底線”。2024 年全國兩會和中共中央政治局會議相繼提出，要進一步深化金融體制改革，增強金融體系的抗風險能力，推動金融服務實體經濟，特別是銀行業系統性風險的監管，以確保金融體系的健康、可持續發展。有效規避系統性風險，堅持底線思維，是守護經濟發展根基的重要舉措。可見防范和化解系統性風險、維護金融安全的重要性。

2008 年爆發的金融危機對國際金融秩序產生了前所未有的沖擊，導致了顯著的信貸緊縮。此次危機不僅暴露了國際金融體系中長期存在的系統性風險，還對全球金融體系的結構穩定性構成了重大挑戰。隨著危機的負面效應逐漸蔓延至實體經濟，全球經濟體均遭受了巨大影響。在此背景下，系統性風險問題引發了強烈關注。隨著我國經濟發展模式從高速增長轉向更注重質量和效益的新階段，過去被高速增長掩蓋的潛在風險逐漸顯露出來。對于這些挑戰，我國政府給予了高度關注，并將風險防控視為金融工作的重要組成部分。隨著金融改革的深化和金融創新的不斷推進，金融市場既充滿機遇也伴隨著挑戰。中國銀行業作為國家金融體系的核心支柱，不僅在支撐國家經濟、推動經濟發展方面起著至關重要的作用，其穩定性還對于中國經濟的可持續發展具有深遠影響。因此，在這一背景下，如何科學有效地預防和評估銀行業的系統性風險，對于防范化解重大金融風險具有重要意義。

因此，本文針對如何有效地度量中國銀行業的系統性風險展開研究，力求更精確地識別出銀行業的系統性風險源，實現精準且實時的風險評估，從而促進銀行業乃至整個金融體系的穩健發展。

1文獻綜述

關于系統性風險度量研究，國內外成果十分豐富，風險度量方法主要分為網絡分析法和指標構建法等。其中，指標構建法通過股價、收益率等公開數據來構建系統性金融風險指標，常用指標有條件風險價值(Conditional Value at Risk，CoVaR）、邊際期望損失（Marginal Expected Shortfall，MES)和系統性風險指數(SystemicRisk Index，SRISK)等。

在眾多常用指標中，BrownleesC等[1]提出的系統性風險指數方法可以利用金融市場公開數據有效地避免財務報表數據滯后的問題，同時考慮到股票市場的波動率和相關性以及金融機構的規模和杠桿程度，具有良好的可加性、可比性等特點。與CoVaR、MES等指標相比，SRISK方法不僅考慮單個機構的風險暴露，還考慮了金融機構之間的相互影響，能夠提供一個更全面且準確的銀行系統性風險評估方法。學者張琳等[2]運用支持向量機回歸模型，測度了非上市保險公司系統性風險指數和貢獻度，為保險業系統性風險的研究拓寬了道路;陳湘鵬等[3]對比分析常用的系統性風險指標，發現SRISK更適用于我國微觀層面系統性金融風險的測度;Zhou Hua 等[4]對比CoVaR、MES和SRISK三種不同的系統性風險衡量標準，發現CoVaR和MES在2008年國際金融危機爆發和2015年國內股市崩盤期間表現出異常上升，且中國的SRISK仍在不斷增長，絕大多數系統性風險來自銀行;張金清等[5]依據修正的SRISK指標對我國上市商業銀行的系統性風險大小進行測度，發現我國銀行業系統性風險水平自2012年以來持續上升;趙勝民等[6]以中國A股上市銀行為研究樣本，采用動態DCC-GARCH模型計算LRMES，并以此為基礎，計算出SRISK指標來衡量銀行的系統性風險;歐陽資生等[7對MES、CoVaR和△CoVaR等常用的系統性風險度量指標對我國上市金融機構的系統性風險進行回測檢驗，發現這些指標未能有效測度我國金融機構在金融市場危機時期的系統性風險；王周偉等[8]以中國16家商業銀行為研究對象，利用 SRISK測算銀行系統性風險，并構建MS-VECM模型驗證經濟政策不確定性和國際資本流動對其的非線性動態影響，發現三者間長期均衡與短期誤差修正效應顯著;張玉鵬等[9]基于760家金融機構SRISK數據，采用時變參數向量自回歸模型和廣義方差分解法測度全球系統性風險的時變傳染網絡，這種結合方式有效識別了重大風險事件的發生。

在支持向量機的研究方面，罩小兵等[1]將自適應合成抽樣方法和支持向量機模型相結合，集成四種核函數策略，預警我國系統性風險，發現該模型預警性能較BP神經網絡和Logit模型更優;李紅權等[]采用5種典型的機器學習模型及其集成模型預測系統性風險，發現相對于傳統的線性模型，善于捕捉非線性關系的機器學習模型在樣本內外均表現優異，且支持向量機模型在向前多期預測時能力較強；劉香[12]運用支持向量機模型和主成分分析構建了農戶信用風險評價指標體系，研究表明，支持向量機模型表現最佳，其規則提取的準確性優于傳統的分類方法。

在隨機森林的研究方面，曹桃云[13]基于隨機森林算法，闡述了回歸問題中的最小深度、置換重要性、節點純度等變量重要性度量原理，并通過數值模擬評估了各重要性度量的性能;Wang Yuanping等[14]運用隨機森林模型確定指標重要性的功能，篩選并分析食品生產行業的影響因素;Ye Liuying等[15]基于隨機森林算法的元胞自動機仿真模型，選擇碳排放的各種空間變量作為影響城市土地利用變化的驅動因素，運用該模型分析碳排放約束對城市土地利用變化的貢獻。

通過文獻研究發現，現有研究采用SRISK方法度量系統性風險時，多以上市銀行為研究對象，非上市銀行系統性風險的度量涉及較少，且缺乏對關鍵影響因素的有效篩選與驗證。因此，本文運用系統性風險指數方法度量上市銀行的系統性風險，在此基礎上，引人支持向量機算法優化SRISK度量模型進行非上市銀行的系統性風險研究，并結合隨機森林算法確定預測因子變量的重要性，識別關鍵因素，構建更為全面的系統性風險度量框架。

2 方法介紹

2.1 SRISK模型理論與計算方法

系統性風險指數方法(SystemicRiskIndex，SRISK)利用公開數據進行計算，度量在系統性金融危機發生的條件下一家機構可能出現的資本短缺。資本缺口（Capital Shortfall，CS)衡量金融機構的資金短缺程度，數值為正且越大時，表明企業出現融資危機，在此期間機構進行融資時，承擔的成本也會迅速攀升。在t時刻銀行i面臨的資本短缺為：

CS_it=kA_it-W_it=k(D_it+W_it)-W_it

其中， W_it 為市場價值， D_it 為負債的賬面價值， .A_it 為資產價值， k 為金融機構審慎權益資產比率，根據《巴塞爾協議 III 要求，最低資本充足率為 8% ，因此， k 取為 0.08 。系統性危機事件為在 h 期內市場收益率低于臨界值 c ，設 R_mt+1:t+h 為 _t+1 至 Ψ_t+h 階段的市場累計收益率， {R_mt+1:t+ht 時刻的系統性風險條件期望資本短缺 SRISK_it 為：

SRISK_i=E_i(CS_i+h|R_m，t+1:i?ii(D_i+h|R_m，t+1:i?it(W_i+h|R_m，t+1:i?i

假設負債 D_it+h 固定，即 E_t(D_i，t+h|R_m，t+1:t+hit ，上式推導為：

相較于整體金融系統，各金融機構的資本短缺程度：

(3)式中， LRMES_it 表示t時刻機構i的長期邊際期望損失，即 由此可見，式中需要的數據有資本充足率、負債的賬面價值、市場價值和長期邊際期望損失，前三者可以在相應數據庫中獲得，重點在于計算LRMES。因此，首先設定關于市場收益率和金融機構收益率的雙變量條件異方差模型以構建DCC-GJR-GARCH模型，利用兩步極大似然估計得到模型需要的條件方差和動態相關性，之后獲取t時刻機構的收益率與市場收益率之間的相關系數，由此得知金融機構在t時刻的MES，再根據 的方法測算核心指標LRMES，經上述步驟確定各變量數值后，根據公式(3)得到系統性風險指數。

2.2 SVM模型基本原理

支持向量機(SupportVector Machine，SVM)的核心思想是定義最優線性超平面，并將尋找該超平面的算法通過升降維的思路轉化為最優化問題的求解。相較于神經網絡等方法，SVM可以解決在有限的歷史數據中需尋找其中的依賴關系，同時在應對非線性和高維模式識別問題時具有獨特的優勢。支持向量機可以分為支持訓練分類機和支持向量回歸機，本文主要運用支持向量回歸機。

在支持向量回歸機中，通常使用不同于支持訓練分類機的損失函數和正則化項來訓練模型。將訓練數據集表示為 ({x_i}，y_i|i=1，?，k) ，其中 {x_i} 表示樣本特征向量， y_i 表示樣本的真實值。支持向量回歸機的目標是學習一個函數 f({x_i}) ，使得對于任意輸入向量 {x_i} ，都能夠預測出相應的實數，函數表示為：

f(x)=w^*?(x)+b

其中，參數 為權重， b 為偏置。此外選用 ∈ 不靈敏誤差函數( ），使所有樣本點與超平面間的總偏差最小化，定義為 y-f(x)|_?=max{0，y-f(x)|-?} ，為每個樣本點引入松弛變量 ζ_i 和 ζ_i 后，目標函數和約束條件為：

將上述優化問題轉化為凸二次規劃問題，含兩約束：提升泛化能力、縮小誤差。常數 表示懲罰系數， 為正常數以控制回歸精度。引入拉格朗日乘子轉換為對偶優化問題，函數表示為：

2.3SVM-SRISK模型基本原理

由于非上市銀行缺乏可用的股價數據，無法利用市場數據通過模型模擬直接計算出長期邊際期望損失，且計算SRISK所需的市場價值也未知，無法進一步求解。因此，本文以SRISK模型為基礎，引入SVM模型預測非上市銀行的權益市場價值和長期邊際期望損失，將非上市銀行的財務數據代人訓練好的模型預測相關變量，再根據SRISK公式得出每家非上市銀行的系統性風險指數。預測權益市場價值時先預測非上市銀行的市值賬面比(Market to book value，M2B)，再將市值賬面比與權益的賬面價值相乘而得到市場價值。

結合實際數據的可得性及銀行業的特點，并參考已往文獻指標的選取方法，本文將不良貸款率、存貸比例、資本充足率、資產利潤率、資本利潤率和撥備覆蓋率作為支持向量機模型的預測因子變量，所選取的變量對銀行長期邊際期望損失影響程度較大，具體說明如表1所示。

表1變量選取與說明表

3 實證分析

3.1樣本選取與數據來源

上市銀行方面，本文綜合考慮銀行上市時間、對銀行系統重要性有顯著性影響的市值和資產總值等指標以及數據可獲得性等因素，選取16家上市商業銀行在2014年1月1日至2023年12月31日間的交易數據計算其系統性風險指數，涵蓋5家大型國有銀行、3家城市商業銀行以及8家全國性股份制商業銀行，計算SRISK值所用的日度收盤價、市值以及季度的負債數據源于CSMAR數據庫和各銀行年報，市場收益率采用滬深300指數的收益率。

非上市銀行方面，由于其數量眾多、規模不一、機制不完善，且缺乏全面的財務信息披露，數據獲取相對困難，并且系統性風險多數由市場規模較大的銀行引發，本文選取截至2023年末資產規模都在500億以上的28家非上市商業銀行，數據由各銀行的年度報告中獲取。

3.2 測算結果

3.2.1 上市銀行SRISK測算結果

根據股票收盤價計算市場和各上市銀行的日度收益率，對收益率序列進行描述性統計分析如表2所示。

表2收益率序列描述性統計分析結果表

續表2

注：*、*****分別表示 10%.5%.1% 的顯著性水平。

由表2發現，所選上市銀行的日度收益率均值接近于0，標準差小于0.024，基本符合零均值假設。運用Matlab軟件估計GJR-GARCH模型的動態波動率和DCC動態相關系數模型的參數，然后計算資產在市場下跌到特定閾值時的MES，根據MES計算長期邊際預期損失(LRMES)，結合上市銀行的負債和市值數據代入公式(3)，求得SRISK測度值，單位為億元，如表3所示。

表3上市銀行SRISK描述性統計分析結果表

由表3可知，16家上市銀行2014—2023年的系統性風險指數整體呈上升趨勢，尤其是2019年之后，這種上升趨勢變得更加明顯。這可能反映出銀行業面臨的系統性風險隨著時間推移在逐漸增加，同時與金融市場的復雜性和不確定性密切相關。

3.2.2 非上市銀行SRISK測算結果

由于非上市銀行沒有股價數據，所以本文使用SVM模型測算28家非上市商業銀行的SRISK值，運用支持向量回歸模型來預測銀行的LRMES和M2B。整個過程包括數據預處理、特征降維、模型訓練、參數優化、模型評估以及最終對新數據的預測。

具體步驟為：采用SandardScaler對特征變量進行標準化處理，使用主成分分析法對標準化后的數據作降維處理，并計算不同的主成分數下的均方誤差(Mean Squared Error，MSE)，選擇MSE 最小的主成分數，本文最佳PCA組件數為5。數據集按8:2比例劃分為訓練集和測試集，并使用GridSearchCV進行SVR模型的超參數優化，通過5折交叉驗證評估不同參數組合的性能，記錄評分以選擇最佳參數。驗證結果顯示最佳C值和gamma值分別為10和0.1，使用這些參數訓練 SVR模型。最后，運用訓練好的模型對新數據進行預測，獲取非上市銀行的LRMES和M2B預測值，進而得到非上市銀行的SRISK值。通過模型擬合，得到的擬合效果如圖1所示。

回歸結果（RMSE=0.0749）觀測值擬合值0.30.2SEERS0.1 A人 W0.00 5 10 15 20 25 30樣本回歸結果（RMSE=0.1926）觀測值1.4 擬合值1.21.00.80.6-10.40.20 5 10 15 20 25 30樣本

由圖1可知，SVM回歸曲線與原曲線相近，且LRMES和M2B的預測評價指標均方根誤差(RootMeanSquaredError，RMES)分別為0.0749和0.1926，RMES的值越小，說明模型的預測值與實際值越接近，模型的預測精度越高，表明SVM模型擬合效果良好。由于選取的未上市銀行數量較多，所獲得的預測值僅展示數據運算結果區間內的部分，如表4所示。

表4非上市銀行SVM模型預測結果區間表

將所得的非上市銀行市值賬面比數據與權益的賬面價值相乘得到權益的市場價值，綜合負債數據和LRMES值，進一步估算非上市銀行系統性風險指數。統計28家非上市銀行2014—2023年的系統性風險指數計算結果，如表5所示。

表5部分非上市銀行SRISK描述性統計分析結果表

由表5可知，SRISK值的波動范圍較大，但大多數銀行的SRISK值在這段時間內呈現出上升的趨勢，且2019年后上升趨勢變得更加明顯，表明非上市銀行面臨的系統性風險有所增加。受銀行自身規模、風險管理能力、經濟環境的變化等多方面因素影響，不同銀行之間的SRISK值存在顯著差異，其中廈門國際銀行、吉林銀行、漢口銀行、溫州銀行、桂林銀行SRISK值較大，位居前五。

3.3 綜合分析

本文運用GJR-GARCH方法計算16家上市商業銀行、用改進的SVM算法估算28家非上市商業銀行的SRISK%值如表6所示。

表6銀行SRISK%統計表

表6結果顯示，我國商業銀行體系近十年的SRISK值總體上升，表明系統性風險水平顯著提高，值得監管部門關注。其次，五大國有銀行在我國商業銀行體系中的 SRISK份額中占據主導地位，顯示其系統重要性。

對于SRISK時間序列的具體分析，受到2015年“股災”2016年供給側結構性改革去杠桿、2018年中美貿易摩擦、2019年底新冠疫情的影響，各大商業銀行這些年份的SRISK均出現較為明顯的波動。這一方面說明我國商業銀行系統經歷過近年的一系列風險事件使得商業銀行風險在短期內得到一定的釋放和恢復，另一方面也對我國商業銀行系統性風險發出了預警。

值得注意的是，股份制、城商銀行和非上市銀行的 SRISK% 值在\"十二五\"\"十三五\"期間整體呈現上升趨勢，由于當時實體經濟產能過剩，導致了金融機構的不良貸款率上升，反映到金融機構表現為股份制、城商銀行和非上市銀行的SRSIK風險具體值呈增加趨勢。五大國有銀行在2021年對系統性風險的貢獻度達到近十年最高值 75.04% ，2019年底開始受到新冠疫情的影響，系統性風險上升，直至2022年疫情得到有效控制，銀行資產質量有所改善，系統性風險貢獻度有所下降，但隨著全球經濟環境復雜多變，以及國內經濟結構調整和轉型的壓力，銀行體系仍面臨一定風險。

將我國商業銀行分類來看，2014—2023年間國有銀行的SRISK % 始終占據主導地位，且其比例在多數年份中超過 60% ，這表明國有銀行在中國金融體系中扮演著至關重要的角色。其中，工商銀行、農業銀行、建設銀行、中國銀行的SRISK值較高， SRISK% 在2014—2023年間占比超過 50% ，比較而言，交通銀行的市場價值和資產總量較另外四大國有銀行而言相對較小，SRISK值也相對較小，說明系統性風險指數SRISK的值與銀行自身的資產、市值高度正相關。

股份制和城市商業銀行的SRISK % 總體波動下降，從2014年的 30.28% 下降到2023年的 26.80% 重要性不可忽視，其中，招商銀行、興業銀行、民生銀行、浦發銀行等系統性風險貢獻度較大。非上市銀行SRISK% 在2015年股災期間增至 4.27% ，后保持較低水平，反映其風險增加但隨監管加強而受控。由于非上市銀行系統地位相對較低且受樣本數量影響，所求得SRISK % 占比較少，但從非上市銀行所求得的SRISK具體值來看，每年都有較大變化幅度，非上市公司的風險是顯著存在的，系統性風險穩定性較弱且對系統性風險條件資本短缺的貢獻不容忽視。規模效應的存在，導致市場份額高的商業銀行的業務渠道和融資渠道更加完善，且信用良好，因而管理者側重于經營更有內含價值的業務并制定穩健的投資策略。而非上市公司獲得融資的力度相對較小，融資渠道較窄，披露要求沒有上市銀行完善，且管理者的權利更加集中，因此加強對非上市銀行風險的研究，對于全面衡量我國銀行業的系統性風險具有戰略意義。

總體上，我國目前銀行業系統性風險貢獻度最大的是國有商業銀行，五大國有銀行應為重點監管對象，尤其是農業銀行風險管理水平不到位等問題突出，需特別關注。對于股份制、城市商業銀行，雖然總資產規模目前不及五大國有銀行，但其系統性金融風險貢獻度在近十年內存在波動，未來會越來越成為監管的重點;非上市銀行的系統性風險結果雖然表明目前風險總體可控，但每年都有較大變化幅度，也應重視監管。

3.4預測因子變量重要性分析

由于測算系統性風險指數的核心在于衡量長期邊際期望損失，為了深入探究SVM模型中各預測因子變量如何影響這一關鍵指標，進一步了解銀行業系統性風險指數的主要影響因素。本文引人隨機森林算法量化分析各因子變量在預測SRISK過程中的重要性，該過程不僅能夠揭示每個因子對SRISK的相對貢獻度，還能為制定更有效的監管策略提供數據支持。

具體步驟為：第一，數據讀取與處理，劃分訓練集與測試集，標準化處理;第二，定義并訓練隨機森林回歸模型，設置模型參數，具體為樹的數量為100，樹的最大深度為10，控制每個節點至少要有2個樣本才能繼續分裂，確保每個葉節點至少有1個樣本，在每次分裂時考慮的特征數量為特征總數的平方根，以增加模型的多樣性。使用訓練集數據訓練模型，訓練過程中，隨機森林會對每棵樹進行多次隨機抽樣和特征選擇，從而提高模型的泛化能力；第三，訓練完成后，預測測試集數據，計算均方誤差（MeanSquared Error，MSE)、平均絕對誤差(Mean Absolute Error，MAE)、決定系數(Coefficient of Determination，R2)和均方根誤差(Root Mean Squared Error，RMSE)等評價指標;最后，計算特征重要性并將其可視化為條形圖。

計算結果為 MSE=0.007 0，MAE=0.017 8，R²=0.8069，RMSE=0.026 5 ，結果表明模型預測性能良好。各特征對預測結果的貢獻如圖2所示。

圖2預測因子變量重要性圖

由圖2可知，不良貸款率被識別為預測LRMES重要性最大的變量。其重要性評分高于其他因子變量，表明其對模型預測性能的顯著影響，該變量不良貸款率反映了銀行貸款組合中違約或潛在違約的比例，直接影響銀行的資產質量，較高的不良貸款率可能導致信用風險增加和銀行資產價值下滑。同時，不良貸款率與經濟周期密切相關。在經濟衰退時期，借款人還款能力下降，導致不良貸款率上升，這可能預示著更廣泛的經濟風險，引發銀行系統內的連鎖反應。撥備覆蓋率和存貸比例等值，為第二重要性指標，說明對LRMES的預測也具有重要作用，二者的合理水平對銀行的抗風險能力和整體金融穩定性至關重要。

其余三個預測因子變量重要性占比略低，但相差不大，仍然是重要的預測指標，在預測LRMES中的作用不可忽視。整體上，這些指標的重要性得分相近，表明它們在預測LRMES 時的貢獻程度較為均衡。可以說明所選指標體系較為全面且合理，涵蓋了銀行財務健康的多個方面，包括資本質量、盈利能力、貸款質量和資金管理等，能夠全面反映影響LRMES的主要因素，進而更好地度量并防范系統性風險。

4結論與建議

4.1 結論

本文運用SRISK方法和SVM模型對2014—2023年16家上市銀行和28家非上市銀行的系統性風險進行了研究，探討全面度量我國銀行業系統性風險的方法，結論如下：

第一，我國銀行業系統性風險呈上升趨勢，其中五大國有銀行的風險貢獻占據主導地位。由數據可知，各銀行近十年的系統性風險指數整體上升，但處于可控范圍內。五大國有銀行的系統性風險貢獻度顯著高于股份制、城市商業銀行和非上市銀行，且近十年風險貢獻度始終超過 50% ，應重點監管。

第二，非上市銀行系統性風險貢獻度較小。本文運用SVM模型測算了28家非上市銀行的 SRISK值，彌補了SRISK方法只能應用于上市金融機構的缺陷，受銀行規模等因素影響，計算結果表明我國非上市銀行系統性風險貢獻度較小。

第三，SVM-SRISK模型適用于非上市銀行系統性風險度量。通過將支持向量機和系統性風險指數模型相結合，SVM-SRISK模型能夠有效應對非上市銀行系統性風險的非線性特征，為非上市銀行系統性風險的度量提供支持。

第四，銀行信貸資產質量對系統性風險防控至關重要。由隨機森林算法的變量重要性預測結果可知，不良貸款率重要性占比最高，驗證了銀行信貸資產質量在系統性風險防控中的核心地位，能夠為制定有效的監管策略提供數據支持。

4.2 建議

根據本文實證研究的計算結果和結論分析，提出如下建議：

第一，加強對國有銀行的監管。考慮到國有銀行對系統性風險的高貢獻度，監管機構應制定差異化的監管政策。對于大型銀行，增加資本充足率和流動性要求，以降低其潛在的系統性風險。要求國有銀行定期進行壓力測試，特別是在經濟波動期間，評估其極端情況下的風險承受能力。同時，鼓勵提高透明度，定期披露關鍵風險指標和財務狀況，增加市場對其風險管理能力的信任度。

第二，提升非上市銀行系統性風險監控能力。針對非上市銀行數據的難獲得性，提倡建立覆蓋非上市銀行的數據共享平臺，收集并分析其經營數據、財務狀況等信息，為風險評估提供數據支持。同時，鼓勵監管機構和非上市銀行采用機器學習等模型進行系統性風險評估，提升對非上市銀行風險狀況的精準把握能力。確保現場檢查與非現場監管結合，落實風險防控措施。

第三，優化銀行資產質量和風險準備能力。針對預測因子變量重要性預測結果可知，不良貸款率是預測SRISK的重要指標，應重點關注。建議監管機構制定相關政策，推動銀行降低不良貸款率。制定更嚴格的信貸審批標準，確保銀行在放貸時對借款人進行充分的信用評估;引導銀行合理配置貸款組合，倡導多元化經營策略，避免過度集中于高風險行業。

參考文獻：

[1]Brownles CEngleRF.SISK:aconditionalcapitalshortfallmeasureofsystemicrisk[J].TheRevewofFinanialStudie，2017，30(1):48-79.

[2]張琳，湯薇，林曉婕，等.基于SVM-SRISK的非上市保險公司系統性風險度量[J].保險研究，2018(6)：3-15.

[3]陳湘鵬，周皓，金濤，等.微觀層面系統性金融風險指標的比較與適用性分析——基于中國金融系統的研究[J].金融研究，2019(5):17-36.

[4]Zhou Hua，Liu Wenjin，Wang Liang.Systemic riskofChina’sfinancial system(2OO7-2018):acomparisonbetween△CoVaR，MES and SRISK acrossbanks， insurance and securities firms[J].The Chinese Economy，2O2O，53(3):221-245.

[5]張金清，龔懿婷，孫大釗.我國銀行業系統性風險防范研究——基于 SRISK指標的修正與測度[J].復旦學報(社會科學版)，2021，63(2):132-141.

[6]趙勝民，張博超.“雙支柱\"調控與銀行系統性風險——基于SRISK指標的實證分析[J].國際金融研究，2022(1):50-61.

[7]歐陽資生，周學偉.中國金融機構系統性風險回測與關聯研究—基于 MES和△CoVaR的實證分析[J].中國管理科學.

[8]王周偉，黃靜怡，吳虹儀.經濟政策不確定性、國際資本流動與銀行系統性風險[J].統計與決策，2024，40(1)：153-157.

[9]張玉鵬，婁云深.基于時變傳染網絡和分位數Granger 因果檢驗的系統性風險傳染研究[J].金融經濟學研究，2024，39(3):3-20.

[10]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(9)：93-114.

[11]李紅權，周亮.基于機器學習技術的系統性金融風險監測預警[J].運籌與管理，2023，32(11):212-219.

[12]劉香.基于SVM模型的農村金融機構農戶信用風險評價體系研究——以黑龍江省為例[J].市場周刊，2024，37（7)：19-24.

[13]曹桃云.基于隨機森林的變量重要性研究[J].統計與決策，2022，38(4)：60-63.

[14]Wang Yuanping，HuLang，Hou Lingchun，etal.Studyoncarbon emisioninfluencingfactors andcarbon emissionreductionpotential in China's food production industry[J]. Environmental Research，2024，261:119702.

[15]YeLiuying，Zhao Shuhe，Yang Hong，etal.Urbanlandusesimulationandcarbon-relateddriving factorsanalysisbasedonRF-CA in Shanghai，China[J]. Ecological Indicators，2024，166:112555.

Research on Systemic Risk Measurement of Banking Industry Based on SVM-SRISK Model

HAN Guanghui， CAI Jinming， LI Xiaobo， YANG Fan (School of Management Engineering and Business，Hebei University of Engineering， Handan O56O38， China)

Abstract:Thestabilityofbanksiscrucialforeconomicsecurityanddevelopment，andeffcient managementof systemicrisk inthebankingsectorisessntial.ThisstudycombinesSupportVectorMachine(SVM)andSystemicRiskIndex(RISK)metods to analyze hesystemicriskofthebankingsectorfrom2O14to2O23.TheSRISKmethod isusedtomeasurethesystemicriskoflisted commercialbanks，while theSValgorithisintroducedtoassesstheriskstatusofnon-listedcommercialbanks，measuringboth thesystemiciskindexanditscontribution.Inaddition，theRandomForestalgorithmisappliedtodeterminetheimportanceof predictivefactors.Thestudyfinds thattheSVM-SRISKmodelcanefectivelymeasuresystemicriskinthebanking industry.ystemic riskin China’sbankingsectorshowsanoverallupward rend，withstate-ownedbankscontributingsignficantlyhighersystemic riskthanjoint-stockandcitycommercialbanks，aswellasnon-listedbanks.Theriskcontributionofnon-listedbanksisrelatively lower.Furthermore，thenon-peformingloanatioisidentifedasthemostimportantvariable.Basedonthefindings，fectivegulatoryrecommendationsareproposedonstrengtheningthesupervisionofstate-owedbanks，improvingthesystemicrisk monitor ing capacity of non-listed banks，and optimizing banks' asset quality and risk provisioning capacity.

Key words:systemic risk;commercial banks;support vector machine;random forest

[責任編輯：許立群]