系统性风险预警模型和测度方法研究综述

摘要：防范和化解系统性风险是当前金融机构和监管当局工作任务的重心，文章主要梳理了国内外学者关于系统性风险的预警模型和测度方法，指出了已有研究模型和方法的不足之处：（1）受限于模型自身严苛的假设条件，不能处理非线性问题；（2）有效风险指标不足，不能全面反应金融体系的风险状态；（3）受历史原始数据序列长度的限制，难以建立符合国情的系统性风险预警系统；（4）受限于人的知识领域和经验，依赖人工建模和特征设计，因此与实际结果存在很大的误差。最后，文章还为防范和化解系统性风险提出了政策建议。

关键词：系统性风险；预警模型；测度方法；人工智能

一、 引言

2007-2009年的金融危机再次引起各国对系统性风险的关注。不同于传统意义上的货币或者银行危机等单体风险，此次金融危机背后隐含着全局性和综合性的系统性风险。对于系统性风险的理解，金融稳定委员会（FSB）（2009）认为系统性风险是指经济周期、宏观经济政策变动和外部金融冲击等风险因素使得一国金融体系发生动荡，因而“对国际金融体系和全球实体经济都会产生巨大的负外部性效应”。二十国集团（G20）（2009）认为系统性风险会导致金融服务流程受损，并可能对实体经济造成严重的负面影响。Billio等（2010）将系统性风险定义为“任何威胁到金融系统稳定或公众信心的环境”。欧洲中央银行（ECB）（2010）认为系统性风险会导致金融体系的不稳定，阻碍经济增长和损害社会福利等金融体系的功能，并且危害范圍十分广泛。此外，全球经济失衡、风险敞口、信息中断、资产泡沫和风险传染等也是对系统性风险的“代名词”。系统性金融风险具有传染性特征，涉及一系列相互关联的金融机构，一旦流动性不足、资不抵债或亏损发生，风险将会在金融危机期间迅速传播。因此，建立实时性和前瞻性的系统性金融风险预警模型不仅是金融机构和监管当局工作任务的重心，也是学术界研究的焦点。

二、 系统性风险预警模型研究

综观国内外文献，系统性风险的预警模型主要包括早期预警模型、指标预警模型和人工智能预警模型，具体研究如下。

1. 早期预警模型。Frankel和Rose（1996）提出了FR概率模型，是预测未来发生危机概率的一种早期预警模型，即P{Y=1}=F（X，），P{Y=0}=1-F（X，），其中X为引发危机爆发的因素，也即解释变量，为X的参数，可用于计算引发危机因素的联合概率；被解释变量Y代表危机是否发生，若发生则为1，否则为0。基于该模型，Frankel和Rose利用1971年～1992年105个发展中国家的面板数据进行货币危机预警，结果此模型虽然样本内能够显著的预测，但对样本外金融危机的预测却不稳定。Sachs等（1996）提出了横截面回归模型，即STV模型，利用20个新兴市场国家的横截面数据，进行线性回归，并解释了由于1994年墨西哥金融危机传染而引起相关国家的金融危机。Kaminsky等（1998）提出KLR信号预警模型，该模型对一些表现异常并可能引发危机的指标进行监测，并根据指标数据的分布设置阈值，如果指标超过阈值，则预警信号表示在接下来的24个月内将发生货币危机。KLR信号预警模型也是目前最为流行的预警模型之一。

2. 指标预警模型。沈悦和亓莉（2008）构建了银行系统性风险预警指标体系，利用层次分析法（AHP）对指标进行赋权，再根据指标体系的临界值确定了指标预警界限，基于此运用该指标体系进行实时监测分析。Alessi和Detken（2009）选取了一系列金融变量作为总资产价格繁荣或萧条周期的预警指标，采用了一种信号预警方法分析了1970年～2007年期间18个经合组织国家的数据，对资产价格进行预测。Claudio（2009）基于金融不稳定的内生循环观点，使用房地产价格、股票价格和信贷缺口三个指标构建了宏观经济预警机制，用于预测由于金融不稳定引发了银行业危机。周宏等（2012）选取美国的M2/GDP序列，通过自激励门限自回归（Self-Exciting Threshold AutoRegressive，SETAR）模型设定预警阈值变量，构建的中国国际金融风险预警指标体系。杨霞和吴林（2015）选取度量银行系统性风险的指标进行主成分分析，得出系统性风险水平与各指标间的线性关系，以此作为被解释变量，利用回归模型的拟合值设定阈值，构建系统性风险预警模型。

3. 人工智能预警模型。Kim等（2004）基于1997年经济危机期间韩国KOSPI数据，分别使用logistic、决策树、支持向量机、模糊神经模型和人工神经网络算法进行分类训练，预测了1994年～2001年韩国的经济运行状态，最终得出人工神经网络能够对经济危机进行较好地预警。Fioramanti（2008）利用1980年～2004年主权债务相关数据，对比了人工神经网络模型与传统的参数和非参数模型，结果显示人工神经网络能够及时预测危机事件，因此人工神经网络模型进一步完善了早期预警系统。Yu等（2010）提出了基于经验模态分解法（EMD）的多量程神经网络模型，分别以韩元和泰铢对美元的汇率作为代表经济波动水平的指标，通过EMD将单个汇率分解成多个本征模式分量，作为BP神经网络的输入，实证结果显示相比于传统神经网络模型，该模型可以显著的改善泛化性能，并且具有较高的预测精度。因此该模型是预测货币危机的一个相当有有效的方法。陈秋玲等（2009）利用BP人工神经网络构建金融风险预警模型，对1993年～2007年中国金融风险指标数据进行训练，并预测出2008年中国金融的运行现状。甘敬义等（2011）选取衡量中国金融风险的18个指标数据，利用主成分分析法将中国金融风险状态划分为四个等级，通过BP神经网络进行训练学习，对中国金融运行的风险状态进行预测。楼文高和乔龙（2011）基于金融风险预警指标提出了BPNN风险预警模型，对1994年～2010年期间中国金融风险状况进行预测，实证结果与中国金融实际运行情况高度吻合。Khandani等（2010）通过某商业银行在2005年1月-2009年4月的客户交易和信用数据，使用机器学习技术构建了消费者信用风险预警模型，并将账户数量加总进行了总体预测，将客户总体的拖欠比率用作消费贷款的系统性风险指标。Li等（2013）以中国银行业数据为例，基于主成分分析法和支持向量机提出了银行系统性风险预警模型，实验结果表明该模型能够有效地预测银行系统性风险。

三、 系统性风险测度方法研究

1. 压力测试法。Illing和Liu（2003，2006）提出了金融压力指数法（FSI）的概念，并根据加拿大银行业、股票市场、外汇市场等数据，构建了加拿大银行业综合金融压力指数。Hakkio和Keeton（2009）提出了堪萨斯州金融压力指数（KCFSI），该指数已经正式用于监测美国的系统性风险状况。刘晓星和方磊（2012）从银行、股票、外汇和保险四大市场选取风险指标，利用CDF-信用加总权重法确定各指标权重，构建了我国金融压力指数测度模型。王春丽和胡玲（2014）从外汇市场、银行业以及股票市场选取金融风险预警指标合成金融压力指数，基于马尔科夫区制转移模型对我国2014年～2015年的金融风险状态进行预测。许涤龙和陈双莲（2015）基于CRITIC赋权法构建了测度系统性金融风险的金融压力指数，并对我国2005年1月～2013年12月金融发展状况进行预测，结果较为吻合。Alfaro和Drehmann（2009）基于GDP增长的自回归模型提出了一种简单的宏观经济压力测试方法，这种模型仅依赖于过去GDP增长的行为。

2. 网络分析法。Schrder和Schüler（2003）利用二元GARCH模型对两家欧洲银行股票指数之间的条件相关性进行估计，试图对欧洲银行业的系统性风险进行评估。Adrian和Brunnermeier（2009）基于在险值（Value at Risk，VaR）方法提出了测度系统性金融风险的条件在险值（CoVaR）方法，该方法通过VaR测度单个金融机构陷入困境时对其他金融机构尾部风险的影响，将系统性风险和在险价值联系起来。IMF（2009）考察了不同金融机构CDS之间的相互关系，提出了一种与CoVaR结构相似的Co-Risk指标。该指标基于分位数回归的方法，能够准确地估计风险因素之间的非线性关系。Chan-lau等（2009）提出评估银行间风险的网络模型，该模型通过跟踪信用事件或整个系统的流动性紧缩数据，评估银行破产的网络外部性，为金融机构应对金融危机引发的多米诺效应提供重要的措施。Acharya等（2010）基于期望损失（Expected Shortfall，ES）的思想，提出了度量系统性金融风险的系统性期望损失（Systemic Expected Shortfall，SES）模型，即每个金融机构对系统性风险的贡献可由SES来测度，并通过实证研究了2007年～2009年金融危机时期新兴市场的风险状况。Billio等（2010）利用主成分分析法和格兰杰因果检验分析对冲基金、银行、经纪人和保险公司月收益之间的相互联系，发现这四个行业在过去10年里均高度相关，从而增加了金融和保险业系统性风险的水平。Giesecke和Kim（2011）根据违约率制定了违约强度模型，该模型旨在捕捉金融机构间的系统关联性和区制依赖行为对违约率的影响。Dong和Andrew（2013）基于高维协方差矩阵动态建模和一般时变分布的思想，提出了度量系统性风险的动态copula模型，并应用该模型研究了2006年～2012年期间美国100家企业信用违约掉期的日度数据，仿真结果显示自2008金融危机以来，虽然单个企业违约概率大大减小，但是企业联合违约概率相比危机前的时期提高了。

3. 其他方法。Gray等（2006）提出使用未定权益分析法（Contingent Claims Analysis，CCA）测度市场潜在预期损失带来的系统性风险，并直接应用于政府隐性或有负债的分析。CCA方法是根据期权定价理论（Option Pricing Theory，OPT）拓展而来的一般化形式。Segoviano和Goodhart（2009）基于银行体系的多元密度（BSMD）方程提出了一种系统性风险测度方法，该方法将银行体系定义为银行的一种投资组合，并根据所提出的措施估计其多元密度。BSMD以银行投资组合的单个和联合资产价值变动为特征，通过最小交叉熵方法来估计。Huang等（2009，2012）根据公司股权价格和CDS差价，将银行体系发生困境时的总损失超过银行负债总额的15%的损失假设为一种保费溢价，提出了一种困境保险溢价（Distressed Insurance Premium，DIP），并将其作为事前系统性风险的一种测度方法。

四、 文献评述

通过文献梳理，以上系统性风险预警模型和测度方法虽然在很大程度上均发挥了监测作用，但是部分仍存在不足。首先，受限于模型自身严苛的假设条件，不能处理非线性问题，无法识别错综复杂的金融市场信息。其次，有效风险指标不足，不能全面反应金融体系的风险状态，因此缺乏对整个金融体系金融压力的研究。再次，受历史原始数据序列长度的限制，难以建立符合国情的系统性风险预警系统。最后，以上模型和方法受限于人的知识领域和经验，它们依赖人工建模和特征设计，因此与实际结果存在很大的误差。因此如何建立更加具有前瞻性、有效性和简便性的预警系统，对于宏观审慎监管具有重要的实践价值和现实意义。

五、 政策建议

防范和化解系统性风险是强化宏观审慎金融监管、建设现代化经济体系和维护国家金融安全和稳定的重要举措和坚实保障。因此，为了防范和化解系统性风险，应该注意以下几点：

1. 着力防范化解重点领域风险，解決源头性问题。对于当前金融风险集中的几个领域，都采取针对性的政策措施，防止单体、局部风险转化为系统性风险。深化国有企业改革，推动国有企业去杠杆，处置“僵尸企业”，改变举债企业的效益递减问题，化解商业银行的信贷风险。进一步转换财税体制和政府职能，避免地方政府的债务风险。规范政府的运作模式，平衡财政收支，化解居民债务杠杆问题和房地产存量风险。

2. 建立科学有效的系统性金融风险预警机制。建立不同区域系统、不同市场以及不同经济金融部门的全方位、多层次的金融风险预警系统，不断完善金融信息共享体系，建立畅通的信息交流渠道。及时、准确地披露我国经济数据和金融信息，确保建立实时有效地金融预警系统。

3. 加强和完善我国“双支柱调控框架”。一方面，以货币政策为核心，继续推进利率市场化进程，稳定物价，保证金融市场流动性整体平稳，加强政策利率的信号作用，有效地引导市场利率。另一方面，强化宏观审慎管理，加强逆周期调节，抑制资产价格的过度波动，遏制跨市场风险传染，维护金融安全和稳定，进一步深化供给侧结构性改革，防范和化解系统性金融风险，促进实体经济发展。

4. 重视金融科技（FinTech）和监管科技（RegTech）的发展。建立金融科技行业监管规则，进行“穿透式监管”，实现风险监管的全覆盖。采取开放的“监管沙盒”，促进金融科技融合。加大对金融风险监测模型的研发投入，利用大数据、人工智能、云计算等技术开发金融风险预警模型，提高金融监管的准确性、科学性和有效性。

参考文献：

[1] Board F S.Guidance to assess the systemic importance of financial institutions， markets and instruments：initial considerations[J].Report to G20 finance ministers and governors，2009.

[2] Gerlach S.Defining and measuring systemic risk[J]，2009.

[3] Billio M，Getmansky M，Lo A W，et al.Econometric measures of systemic risk in the finance and insurance sectors[R].National Bureau of Economic Research，2010.

[4] European Central Bank （ECB），2010，Financial networks and financial stability，Financial Stability Review，2010：155-160.

[5] Frankel J A，Rose A K.Currency crashes in emerging markets：An empirical treatment[J].Journal of international Economics，1996，41（3）：351-366.

[6] Sachs J，Tornell A，Velasco A.The Mexican peso crisis： Sudden death or death foretold？[J].Journal of international economics，1996，41（3）：265-283.

[7] Kaminsky G，Lizondo S，Reinhart C M.Leading indicators of currency crises[J].Staff Papers，1998，45（1）：1-48.

[8] 沈悦，亓莉.中国商业银行系统性风险预警指标体系设计及监测分析[J].西南大学学报：社会科学版，2008，34（4）：139-143.

[9] Alessi L，Detken C.'Real time'early warning indicators for costly asset price boom/bust cycles：a role for global liquidity[J]，2009.

[10] Claudio B.The Macro-prudential Approach to Regulation and Supervision[J].Bank for International Settlement，2009.

[11] 周宏，李远远，官冰.中国国际金融风险预警的理论问题研究[J].统计研究，2012，（1）：49-54.

[12] 杨霞，吴林.我国银行业系统性风险预警研究[J]. 统计与决策，2015，（10）：147-150.

[13] 陈秋玲，薛玉春，肖璐.金融风险预警：评价指标、预警机制与实证研究[J].上海大学学报（社会科学版），2009，16（5）：127-144.

[14] 甘敬义，黄明和，袁晶.基于BP人工神经网络的中国金融风险预警模型分析[J].商业时代，2011， （27）：65-66.

[15] 楼文高，乔龙.基于神经网络的金融风险预警模型及其实证研究[J].金融论坛，2011，16（11）：52-61.

[16] 刘晓星，方磊.金融压力指数构建及其有效性检验——基于中国数据的实证分析[J].管理工程学报，2012，（3）：1-6.

[17] 王春丽，胡玲.基于马尔科夫区制转移模型的中国金融风险预警研究[J].金融研究，2014，（9）：99-114.

[18] 许涤龙，陈双莲.基于金融压力指数的系統性金融风险测度研究[J].经济学动态，2015，（4）：69-78.

[19] Huang X，Zhou H，Zhu H.Assessing the systemic risk of a heterogeneous portfolio of banks during the recent financial crisis[J].Journal of Financial Stability，2012，8（3）：193-205.

作者简介：赵丹丹（1986-），女，汉族，山东省菏泽市人，对外经济贸易大学金融学院博士生，研究方向为系统性金融风险与金融监管。