我国商业银行系统性风险的识别与预警研究

李辰颖

一、 引言

金融危机让人们意识到风险的全球性和系统性，风险的传播是牵一发而动全身。近年来，金融系统仍然处于风险易发、多发期，多种不健康现象和不确定因素(例如国际国内经济政策的动态调整、金融机构内控机制的不健全、违法违规金融行为时有发生等)都可能对金融体系造成冲击，导致金融发展环境不稳定。金融风险具有传染性和突发性，且其在经济中具有核心地位，一旦产生系统性金融风险，就会严重影响经济社会发展，危害性极强。因此，防范威胁金融系统稳定的“黑天鹅”和“灰犀牛”事件具有重要意义。习近平主席强调，金融安全是国家安全的重要组成部分，准确判断风险隐患是保障金融安全的前提。党的十九大明确提出将防范化解系统性金融风险作为三大攻坚战的首要任务。

银行业作为我国金融系统中至关重要的子系统，其资产规模占金融资产总量的80%以上，在经济改革与发展中具有举足轻重的地位。在经济环境不稳定、银行不良资产反弹压力较大的情况下，银行业运作与发展面临的隐患也随之扩大。如何使银行在动态变化的环境中及时准确地识别风险因素，并尽早做出应对之策，从而降低风险带来的损失与影响，是保证银行系统稳定运行的关键所在。因此，从我国宏观环境与银行系统的实际出发，选取一套行之有效的银行系统性风险预警指标体系，并构建预警模型，是辅助银行识别风险，提高事前防范能力，加强事中控制水平，强化事后反馈机制的重要手段。只有做到了对系统性风险的防范与控制，才能保障银行系统稳健运行，进而为金融系统的安全与稳定奠定基础。

本文的结构安排为：首先回顾了银行系统性风险评价指标和评价方法，并进行总结与述评，得出进一步研究的方向。其次，在总结文献并结合本文研究内容的基础上，构建银行系统性风险度量指标体系，采用方差阈值法对指标进行初步筛选，并提出了基于孤立森林法的指标选取方法，进一步筛选指标，其目的是对指标进行降维，筛选出与银行系统性风险相关度高的指标，为银行系统性风险识别奠定基础。再次，通过多种异常检测算法相结合的方法，构建银行系统性风险识别模型，对银行系统性风险进行识别。接着，采用DeepAR模型分别预测入选指标，构建银行系统性风险预警模型。最后，对本文研究进行总结，并得出结论及给出建议。

本文研究内容与其他研究的主要区别有：(1)在银行系统性风险度量指标的选取上完全以数据为驱动，避免了人为主观因素的干扰，在指标筛选中提出了一种基于随机森林法的适用于无监督学习的指标筛选方法；(2)采用Soft-DTW来度量银行股票回报率相似度，间接衡量银行系统传染性，该方法可以在不关注时间序列先后关系及是否存在压缩的情况下，获取两条时间序列的最佳匹配路径，非常适合银行回报率的相关性度量；(3)在银行系统性风险的度量上，提出了多种异常检测算法相结合的风险识别方法，避免了指标结合过程中给指标权重赋值这一难点；(4)在 指标的预测中，将指标看做时间序列，采用了DeepAR对指标进行预测，不但避免了预测指标时对其他数据的收集，而且相较其他方法提高了预测精度。

二、 文献综述

(一) 银行系统性风险评价指标

由于金融系统安全与稳定的重要性，以及其影响因素的复杂性，国内外政府机构和一些学者均针对这一问题进行了研究，下面分别对政府机构与学者构建的银行风险评价或预警指标体系进行回顾。

政府机构的预警指标体系具有代表性的是美国金融管理当局的CAMELs评级体系，该体系是对商业银行的业务经营、信用状况等制定的综合等级评定制度，从资本充足率(Capital adequacy)、资产质量(Asset quality)、管理水平(Management ability)、盈利状况(Earning performance)和流动性(Liquidity)5个方面来评价商业银行风险。CAMELs评价方法因其有效性被世界上大多数国家所采用。目前国际上对商业银行评价基本与CAMELs评级体系一致，也主要包括这5个方面。

我国银监会结合我国经济、金融环境的特点，制定了更具体的“CARPALs”监管体系，该体系包括7方面，加上有限自由裁量，共计8个方面：资本充足性、拨备覆盖、贷款质量、大额风险集中度、附属机构、流动性和案件防控。与CAMELs体系相比，CARPALs同样重视资本充足率、资产质量和流动性，在此基础上监管指标对集中度风险、操作风险均有所体现，强化了对大型银行集团跨境、跨业风险的并表监管。

在CAMELs评级体系的基础上，学者们也开展了具体的研究。Kaminsky和Reinhart(2000)[1]研究发现银行危机爆发的影响因素包括汇率、利率、债券价格、货币乘数以及实体经济发展情况。Demirgüç-Kunt和Detragiache(2002)[2]从宏观经济、制度环境、金融体系三个方面构建了影响银行安全的指标体系。宏观经济层面考虑了GDP增长、利率、通货膨胀率、货币政策等；金融体系因素有M2(广义货币)、外汇储备率、公共部门信贷规模等；制度环境因素是经济发展水平。

我国学者孙强和崔光华(2017)[3]、刘松林等(2018)[4]、赵丹丹和丁建臣(2019)[5]同样是从这三个方面选择了预警指标，如反映宏观经济环境的国民生产总值增长率、居民消费价格指数增长率和广义货币增长率等；反映微观银行经营状况的资本充足率、不良贷款率、拨备覆盖率、存贷比、净资产收益率和资产负债率等；在此基础上均考虑了行业冲击，用固定资产投资额增长率、房地产投资增长率、国房景气指数来衡量。孙强和崔光华(2017)[3]还增加了银行间同业拆借利率，赵丹丹和丁建臣(2019)[5]增加了国际经济环境指标，包括经常账户差额/GDP、外汇储备增长率、进出口额增长率等。

除了上述研究普遍采用的宏微观指标外，还有学者将指标选取重点放在上市银行的股市收益率，通过上市银行在股市上的表现来预测银行系统性风险，例如肖璞等(2012)[6]、陈忠阳和刘志洋(2013)[7]、田海山等(2017)[8]、蒋海和张锦意(2018)[9]、吴敏灵(2018)[10]则主要利用上市银行微观数据来度量银行系统性风险，选取了银行系统收益率、股市收益率、股市波动率等指标，在此基础上加入了一些银行特征数据，如银行的杠杆率、规模，同时也考虑了宏观经济GDP增长率、国房景气指数等。Patro等(2013)[11]利用金融机构的股票收益率相关性和CDS的违约率相关性来衡量系统性风险。高国华和潘英丽(2013)[12]、王琳和沈沛龙(2017)[13]、毛昌梅等(2020)[14]利用上市银行收益率两两间的时变相关系数构建了银行体系风险联动的预警指标。

此外，还有研究从风险角度选取指标。陆静和王捷(2012)[15]依据巴塞尔协议从银行面临的信用风险、市场风险、操作风险、流动性风险四个方面逐层去寻找关键风险的诱因指标，指标中包含了宏观经济指标，也包括了具体的银行操作指标。汪冬华等(2013)[16]基于银行面临的信用风险、市场风险、操作风险，选取了上市商业银行的财务数据和金融市场公开数据来研究银行系统性风险。方意(2016)[17]通过构建银行资产负债表直接关联网络模型，计算了银行脆弱性和传染性指标，研究了银行系统性风险的四种传染渠道以及各渠道对风险影响程度的差异，并得出“常态”系统性风险由杠杆率驱动，而“危机”系统性风险由银行关联性驱动。吴念鲁等(2017)[18]在利用银行同业数据建立银行同业网络的基础上构建银行机构网络模拟模型，研究不同冲击下银行同业间流动性风险的传染机制和后果。赵越和韩永辉(2016)[19]在研究流动性风险和传染性风险时采用银行两两之间的同业交易头寸，构建风险头寸矩阵。吴卫星等(2016)[20]采用银行流动资产总量与同业存款之比来作为衡量流动性风险的指标，用CoVaR 度量银行间风险溢出效应。

通过上述银行系统性风险指标的总结可以得出，评价指标可以大致分为三类：第一类是从宏观经济环境、微观银行财务数据来选取指标；第二类是侧重通过反映银行业在股市上表现的指标来预测风险；第三类是从银行面临的风险出发逐层寻找诱因指标。

(二) 银行系统性风险评价方法

针对这三类评价指标，评价方法也可以归为三大类。

第一类从宏观经济环境、微观银行财务数据来选取指标预测风险，最关键的问题是如何确定权重以及如何找到核心指标。刘松林等(2018)[4]采用变异系数法、熵值法和拉开档次法进行赋权，然后采用相对熵法对三种方法求出的权重进行综合赋权，确定商业银行预警指标的权重。杨霞和吴林(2015)[21]、谢贤芬和王斌会(2017)[22]运用主成分分析法进行赋权，构建了银行宏观安全状态指数，然后建立Logit模型识别预警银行宏观安全状态的关键性指标。孙强和崔光华(2017)[3]采用FR概率模型构建了我国银行业系统性风险压力指数。Li等(2013)[23]、赵丹丹和丁建臣(2019)[5]采用支持向量机(SVM)和核主成分分析法构建了中国银行业系统性风险预警模型。

第二类主要是基于股票收益指标来建立预警模型，主要的方法有条件在险价值法(CoVaR)、系统性期望损失(SES)、DIP(Distress Insurance Premium)和Shapley Value。Adrian和Brunnermeier(2016)[24]提出的ΔCoVaR是具有代表性的系统性风险测度方法，该方法以银行处于危机或正常状态下的CoVaR之差作为其所承担的系统性风险度量。肖璞等(2012)[6]、陈忠阳和刘志洋(2013)[7]采用CoVaR方法，运用我国上市商业银行的股票收益率数据，对我国上市银行的系统性风险进行了评价。田海山等(2017)[8]结合广义双曲线分布族与Copula函数扩展系统性风险测度CoVaR的方法，并用该方法对我国商业银行系统性风险进行了测度。

Acharya等(2017)[25]提出的SES(Systemic Expected Shortfall)将整个金融系统资本不足时，某一单个银行的预期资本短缺定义为该银行的SES，并将其作为对系统性风险的贡献，用每日边际期望损失(Marginal Expected Shortfall,MES)表示某一单个银行对金融系统ES(Expected Shortfall)的边际贡献。吴敏灵(2018)[10]首先估算了上市银行MES，然后利用MES的可加性，以每家银行的月度总资产账面价值的份额为权重，对各银行月度平均MES进行加权平均，计算出总边际期望损失，对银行整体系统性风险预警。

高国华和潘英丽(2013)[12]采用多元GARCH-BEKK测算银行收益率的动态相关系数，应用Markov区制转换模型来识别和判断银行系统性风险状态。王琳和沈沛龙(2017)[13]利用DCC-GARCH测算上市银行收益率两两间的时变相关系数，研究了银行间的风险联动关系。毛昌梅等(2020)[14]采用多元GARCH-BEKK构建波动溢出网络，并通过分析网络拓扑指标研究了银行网络的溢出效应。

第三类是基于银行面临的风险选取指标进行评价。相应的风险度量方法包括：陆静和王捷(2012)[15]通过构建商业银行风险的拓扑结构，度量了各类指标对全面风险的贡献。汪冬华等(2013)[16]采用风险因子模型来构建市场和信用风险敞口回报的边际分布，用损失分布法来构建操作风险敞口回报边际分布，然后基于Copula理论的整体风险度量法，度量我国商业银行整体风险。李楠等(2014)[26]在度量商业银行的市场风险时提出了基于组合权重伪似然函数的半参数方法。戴丽娜(2017)[27]基于非参数方法估计了商业银行操作风险。方意(2016)[17]、吴念鲁等(2017)[18]通过构建基于银行资产负债表的关联网络模型研究了系统性风险的传染渠道和后果。

(三) 文献评述

通过对现有文献中银行系统性风险评价指标及评价方法的回顾与总结，发现评价指标主要有三种类型。第一类是从宏观经济环境、微观银行财务数据去寻找指标；第二类是从银行的市场表现上寻找指标；第三类是从银行面临的风险诱因中寻找指标。这三类指标各有优劣。第一类指标涉及的方面众多，优点是可以从多方面、多角度去识别引发风险的因素，但缺点是指标众多时很难及时识别风险。第二类指标重点依赖于银行的市场表现，优点是市场指标更新较快，可以及时发现风险，但缺点是市场表现会受到众多因素的干扰，可能并不源于银行自身的风险。第三类指标直接从银行面临的各类风险着手，层层分解地寻找指标，优点是识别出的风险因素更具体、更直接，但缺点是这样的风险识别方式更适合于事后的原因分析，而对于风险预测则较不适用。不适用的原因有两点：一是某一因素出现问题可能并不会引发系统性风险；二是要随时去识别与关注这些细小因素的变动不符合成本效益原则。

关于方法的选择，则是根据评价指标的不同，适用的评价方法也不同。针对第一类指标常用的方法有信号分析模型、支持向量机、人工神经网络、熵值法和主成分分析法等；第二类指标常用方法有条件在险价值法、系统性期望损失、DIP、Shapley Value和GARCH-BEKK等；第三类指标常用方法有贝叶斯网络、风险因子模型、资产负债表的关联网络模型和损失分布法等。

通过文献回顾与总结，结合本文研究目的，银行系统性风险预警主要需要解决三个方面的问题：一是采用哪些指标来度量银行系统性风险；二是如何识别银行业是否有风险；三是采用什么方法对银行系统性风险进行预警。对于第一个问题，风险预警指标不一定是越多越好，指标越多越不具有预警性，只有把握关键性指标，才能使预警具有可行性、符合成本效益原则、及时有效，因此在综合考虑三类指标优缺点的基础上，首先选择将第一类和第二类指标融合，然后利用适用于指标降维的方差阈值法初步筛选指标，接着提出了基于孤立森林法的指标筛选方法，进一步筛选出与系统性风险具有密切关系的指标。对于第二个问题，首先采用局部线性嵌入法(Locally Linear Embedding,LLE)[28]对指标进行降维，然后提出了基于角度的离群点检测法(Angle-based Outlier Detector,ABOD)[29]、孤立森林(Isolation Forest,IF)[30][31]和局部异常因子法(Local Outlier Factor,LOF)[32]相结合的银行系统性风险识别模型。对于第三个问题，把度量指标看作时间序列，采用DeepAR[33]方法基于历史数据对未来数据进行预测，并将预测结果作为银行系统性风险识别模型的输入，对银行系统性风险进行预警。下面就这三方面问题分别进行阐述。

三、 构建银行系统性风险度量指标

(一) 银行系统性风险度量指标的提出

在银行系统层面，通过分析具有权威性的银行系统性风险评价体系“CAMELs”，并结合我国银监会的“CARPALs”监管体系，可以得出，对银行系统性风险的度量应涵盖银行资本充足性、资产质量、盈利情况、流动性和对风险的抵抗能力等方面。因此，本文在选择评价指标的时候也尽量涵盖这些方面。在参照前人研究的基础上从宏观经济和银行系统两个层面进行了指标选取。

1.宏观经济指标的选取。

在宏观经济层面，总结已有文献并结合本文的研究内容进行指标选取。银行业的收入主要来源于利息收入、中间业务收费和投资收益等等，国家经济状况、各行各业的经营状况、国民收入及消费水平等都会影响银行业的经营状况，因此选取反映国家整体经济状况的GDP增长率、反映工业企业和银行业经营状态和发展趋势的景气指数及企业家和银行家信心指数、反映市场变动情况的中采制造业采购经理指数、反映房地产业发展变化趋势和变化程度的国房景气指数、反映民众消费情况的居民消费价格同比涨跌幅及消费者预期指数。

2.银行系统指标的选取。

银行系统方面，主要从商业银行的财务数据和市场数据两个方面选取指标。指标大部分都有公认的计算方法，因此只介绍指标的选取，只有银行股票回报相关性属于复杂合成指标，单独介绍其计算方法。

(1)银行财务数据指标。

参照杨霞和吴林(2015)[21]、孙强和崔光华(2017)[3]、刘松林等(2018)[4]、赵丹丹和丁建臣(2019)[5]、胡历芳和刘纪鹏(2019)[34]的研究，从银行的财务表现，选取了反映资本充足性的资本充足率、反映银行业市场资金价格和状态的银行间同业拆借利率、反映风险抵抗能力的拨备覆盖率、反映资产质量的不良贷款率、反映收益能力的资产利润率与资本利润率、反映流动性的流动性比例。

考虑到由于银行同业业务而形成的银行关联性，进而引发银行之间的传染性，参照方意(2016)[17]、赵越和韩永辉(2016)[19]、吴念鲁等(2017)[18]的研究，选择反映银行间关联性的同业负债关联度指标，该指标是银行负债中的同业负债与总资产的比值。首先选取上市银行季度报告数据，计算单家银行的同业负债与总资产的比值，然后求取当季度所有银行该比值的平均值，最后采用线性插值法转化为月度数据。该指标的值越大表明银行之间的关联度越高，同时从系统整体来看，该值越大说明流动性缺口也越大。

(2)银行市场数据指标。

从银行的市场表现选取评价风险的指标，通过收益率及波动率等来度量银行的市场表现，但由于单个企业的日数据不适合与宏观经济指标以及银行系统的其他指标进行结合研究，因此选用可以反映商业银行整体市场表现的月度数据——中证银行指数的月度收益率来与其他指标结合研究。

由于传染性是系统性风险产生的重要原因，因此单独选取衡量银行传染性的指标。当一家银行遭遇危机，由于银行间的关联性，危机会传染给系统中的其他银行，通过市场股价数据可以推导投资者对于银行的风险预期，这种冲击的速度和程度最终会体现为各家银行收益回报的同向变动。参照Patro等(2013)[11]、高国华和潘英丽(2013)[12]、王琳和沈沛龙(2017)[13]、毛昌梅等(2020)[14]的研究，采用上市银行股票收益率的相关性衡量银行系统传染性(指标命名为银行股票回报相关性)。

在对银行传染性风险指标选取及度量方法文献总结与分析的基础上，提出了选用银行股票回报率数据，采用Soft-DTW[35]来度量银行股票回报率相似度，间接衡量银行系统传染性的方法。由于该指标属于复杂合成指标，下面单独对其生成过程进行介绍：

第一步是指标特征分析。银行回报率存在如下特征：(1)某一事件的冲击，可能影响某些银行的回报率，而如果事件持续作用或由于银行间的传导作用，则可能影响其他银行，也即其时间存在先后关系；(2)事件的冲击对某些银行回报率影响大，而有些影响弱，即幅值存在大小问题；(3)事件的冲击对某些银行的影响时间长，而对有些影响时间短，即持续时间存在长短问题(也即是否存在压缩)。

第二步是研究方法选择。采用银行股票回报相关性来度量传染性，关键是选取相关性分析方法。相关性分析常见的主要方法有皮尔逊相关系数、时间滞后互相关法(TLCC)、动态时间规整法(DTW)和瞬时相位法等。其中皮尔逊相关系数的优点是简单明了，但一般来说无法体现时间序列的先后顺序；TLCC法和瞬时相位法可以处理时间序列的前后关系，但对于压缩扭曲的时间序列分析效果相对较差；DTW是通过计算两条时间序列的相似度来判断其相关度，可以在不关注时间序列先后关系，是否存在压缩的情况下，获取两条时间序列的最佳匹配路径。综合考虑银行回报率的特征及DTW法的优势，选择DTW法计算银行回报率相似度。DTW虽然能够较好地计算两条时间序列相似度，但也存在一些问题，其中之一便是损失函数不可微，Soft-DTW正是为了解决这一问题提出的，故本文采用Soft-DTW计算银行系统传染性。

第三步是指标的计算。在计算中选取了2012年1月到2018年12月所有上市银行的回报率日数据。假设共有m家银行，以计算第n月的银行系统传染性为例，步骤如下：首先，采用soft-DTW方法，分别计算第i家银行月回报率和其他银行相似度，得到m-1个值，求取平均值，得到该银行对其他银行平均相似度；其次，计算完所有银行相对于其他银行的平均相似度后得到m个平均值，对这m个平均值再求平均值，得到该月相似度平均值，也即该月银行股票回报相关性；最后，计算完所有月份的银行股票回报相关性，得到该阶段银行股票回报相关性。计算得到的银行股票回报相关性部分统计特征如表1所示。

表1 银行股票回报相关性部分统计特征

从以上统计特征可以得出，银行之间回报率曲线是比较相似的，相似度的分布是比较集中的，这反映出银行之间联系比较紧密，传染性较高。

3.指标汇总与数据来源。

所有指标按照类型分为宏观经济指标和银行系统指标两类，共计24个指标。样本区间选择2012年1月到2018年12月。指标名称如表2所示。数据来源于国家统计局网站、中经网统计数据库、中国人民银行网站、国泰安数据库和银监会网站等。

表2 银行系统性风险度量指标

(二) 银行系统性风险度量指标的筛选

由于初步提出的银行系统性风险的度量指标有24个，而数据样本数为84个，也即样本数较少，而维度较大，如果不对样本进行筛选，主要可能会造成以下后果：一是指标之间可能有相关性，导致后续用于银行系统性风险识别的异常检测算法结果不稳定；二是容易导致异常检测算法和各指标时间序列预测算法过拟合；三是不利于结果的分析和结论的得出。因此，必须对指标进行合理的筛选。

在指标的筛选过程中首先采用方差阈值法对指标进行初步筛选，然后提出了基于孤立森林法的指标选取方法，对剩余指标进行进一步筛选，得到最终的度量指标。

1.基于方差阈值法的指标筛选。

方差阈值法的原理是首先估计各指标的方差，然后根据阈值对指标进行筛选。采取该方法的主要原因是：文中采用的是基于多种异常检测相结合的方法，对银行系统性风险进行识别和判断，如果一个指标的方差较小，则说明该指标的整体波动较小，也即对异常的贡献较少，可以较为安全地删除该指标。计算步骤如下：(1)对样本数据标准化；(2)对标准化后的数据计算各指标方差；(3)根据阈值筛选指标。得到的计算结果如表 3所示。

表3 方差阈值法计算结果

若将阈值取为各指标方差均值0.6，那么筛选出11个指标，分别为银行指数月波动率、银行间同业拆借加权平均利率、银行股票回报相关性、资本充足率、工业企业家信心指数、银行指数月收益率、居民消费价格同比涨跌幅、商业银行存贷比、消费者预期指数、工业企业景气指数和商业银行流动性比例。

2.基于孤立森林法的指标筛选。

经过阈值筛选法得到了11个备选指标，备选指标个数仍相对较多，需要进一步筛选。指标的选择即特征选择，常用的特征选择方法有过滤法、包裹法和嵌入法，除过滤法的一些算法外，其他方法的多种算法一般用于监督学习，而本文所研究的银行系统性风险识别问题，不易事先得到样本所属类别，属于无监督学习，故大部分特征选择方法均不适用。本文对银行系统性风险识别采用的是异常检测算法，因此可以利用异常检测算法的结果构造一个度量值来筛选指标，这样既可以提高异常检测算法的准确度，又可以对指标进行筛选，降低数据维度。

基于以上分析提出了基于孤立森林法的指标筛选方法。下面先给出该方法的步骤，然后对应用这些步骤的原因及结果进行分析。

基于孤立森林的指标筛选方法主要步骤为：(1)随 机选取备选指标的子集；(2)对子集指标数据标准化；(3)采用局部线性嵌入法对标准化后的子集指标数据降维；(4)对降维后的数据采用孤立森林法进行异常检测，得到每个样本点的得分；(5)重复步骤(4)10次，求取每个样本点的平均得分；(6)分别求取子集中每个异常样本点到正常样本中心的欧氏距离，并求取所有欧式距离的中位数；(7)重复n次步骤(1)～(6)得到n个欧式距离中位数，欧式距离中位数最大者所对应的子集即为最佳子集。

步骤(2)中对子集数据进行标准化，是因为第(6)步中要求取异常样本到正常样本中心的欧式距离，如果不进行标准化，那么欧式距离受子集指标数值大者影响较大，不能正确反映两者之间的关系，而且标准化后也有利于局部线性嵌入法的降维。

步骤(3)中采用了局部线性嵌入法对数据进行降维。局部线性嵌入法是一种流形学习，它能够在局部保持样本之间的几何关系，因而在降维的过程中相较于其他降维方法更有可能保持邻近样本之间的关系，能够尽量避免将异常点塌缩到正常样本点中，或将正常点映射到异常样本中，而且降维之后也有助于孤立森林法检测异常值。

步骤(4)中采用孤立森林法的原因是：孤立森林法一般用于结构化数据的异常检测，其核心思想是随机选择超平面对数据空间进行切割，处于低密度区域的点和较高密度区域的点就容易被孤立起来，把孤立起来的点作为异常值，就可以完成异常检测任务。孤立森林法已被证明是一种有效的异常检测算法，而且可以对每个样本点进行评分，故而采用孤立算法对指标进行筛选。

步骤(5)中重复10次求取平均值是为了减少孤立森林算法随机因素的干扰，使算法更稳健。

步骤(6)中采用中位数可以更好地避免极端异常值给算法带来的影响。

3.指标筛选结果及分析。

鉴于备选指标只有11个，综合考虑计算量和时间成本，可以采用穷举法选取所有的子集，并计算所有子集每个异常样本点到正常样本中心欧氏距离的中位数，欧式距离中位数最大者所对应的指标子集为：银行指数月波动率、银行间同业拆借加权平均利率、商业银行流动性比例以及银行指数月收益率。欧式距离中位数最大的前5个子集如表 4所示。

表4 孤立森林法筛选出的欧式距离最大的5个子集

从筛选结果可得：入选的4个指标商业银行流动性比例、银行间同业拆借加权平均利率、银行指数月收益率、银行指数月波动率，均属于银行系统指标，而没有宏观经济指标。这其中可能的原因有：(1)银 行是否有系统风险，与宏观经济指标相比，银行业自身的指标更为重要；(2)宏观经济指标一般都属于长周期指标，而本文所选取的数据量可能不足以观察到明显的宏观经济指标对银行系统性风险的影响；(3)相对于银行业自身的指标，宏观经济指标波动较小，异常值也较少，对异常的贡献相对较少；(4)我国经济长期处于快速发展中，整个经济和金融业总体处于上升趋势，并且银行业也没有发生过大规模系统性风险，这可能也是宏观经济指标影响较小的一个原因。

入选指标中商业银行流动性比例和银行间同业拆借加权平均利率均是反映商业银行流动性风险的重要指标，而流动性风险是商业银行所面临的重要风险之一。商业银行的经营特点(以存放贷)使其天生存在发生流动性风险的可能。随着金融改革的深入和宏观经济的调整，银行业流动性风险长期化、结构化趋势日益明显，并成为重要的风险来源，该风险一旦发生会给金融系统造成灾难性后果。2008年爆发的国际金融危机，使国际银行业都意识到了流动性风险管理的重要性，强化对金融机构流动性风险的监管成为国际监管改革的重要内容。因此，这两个指标的入选也较为符合现实情况。

银行指数月收益率和月波动率是银行的市场表现，可以反映上市银行总体股价变动和走势，通过该指标可以反映出银行经营的盈利状况和收益的稳定情况，而银行稳定的盈利是其持续经营与发展的重要基础。因此，从理论上分析可以得出这两个入选指标也对银行系统性风险的预警至关重要。

除理论分析可以说明入选指标与银行系统性风险具有重要关系外，已有文献的研究结论也能证明这一点。吴卫星等(2016)[20]认为由于银行同业拆借市场化程度高，使其更能真实反映银行的流动性状况；孙强和崔光华(2017)[3]选取的银行系统压力指数指标包含流动性比例、银行同业拆借利率；赵丹丹和丁建臣(2019)[5]选取“中证银行”股票指数的波动率度量中国银行业系统性风险等级。从计算结果和以上分析可得：入选的指标在一定程度上可以反映银行的系统性风险，指标具有可解释性。

4.入选指标与系统性风险的逻辑关系(参见图1)。

银行之间由于同业业务的普遍存在，使流动性风险在银行系统内传染很快且后果严重(吴念鲁等，2017[18])。银行间同业拆借关系是银行间传染风险形成的主要渠道之一，使银行系统中的任何一家银行都难以独善其身。流动性短缺银行会选择流动性过剩银行作为潜在债权人，然后从中选择同业拆借利率低的流动性过剩银行进行同业拆借，如果一家银行无法满足其拆借需求，则会按照利率从低到高的排序进行逐家拆借，直到流动性短缺银行的流动性需求获得满足为止；而流动性过剩银行如果无法满足所有向其申请贷款银行的需求，则会按照一定的原则进行筛选，例如按照贷款银行的净资产进行筛选，直至流动性分配完成(李智和牛晓健，2017[36])。拆借完成后相关银行的资产负债结构发生了相应变化，银行的资产中出现了同业资产，而负债中也出现了同业负债，这样的过程循环往复，形成银行间同业拆借关系，辅助整个银行系统维持持续的流动性，使其得以正常运转。

银行间相互存款具有流动性重新分配的作用，当银行系统流动性充足时，银行关联对流动性转移的作用占主导，使流动性分布更均衡，银行间关联有助于保持系统稳定；若系统中流动性短缺，则风险传染作用会占主导，且银行关联可能加速流动性风险的传染(邓晶等，2013[37])。如果出现超额流动性冲击，银行普遍流动性紧张，无法满足所有银行的流动性需求，基于货币资金的供求关系，当需求大于供给时，价格会上涨，表现为资金成本的增加，也即同业拆借利率的上升。

图1 入选指标与银行系统性风险的逻辑关系

银行系统整体流动性下降，同业拆借利率上升，都意味着银行系统资金的紧张，而资金是银行的血液，当部分流动性短缺银行的流动性需求未能得到满足，因缺血而陷入流动性困境，可能出现银行间信用违约，而被迫将资产进行折价抛售(吴念鲁等，2017[18])。银行系统又由于同业拆借、同业存单和同业理财等同业业务形成直接关联而交织成的网络，使彼此之间联系紧密，当某家或某些银行陷入困境，势必会对与之关联的银行(例如债权、债务方)造成负面的溢出效应。

银行系统除了因关联业务而形成的直接传染外，还有因经营“同质化”而面临相似风险敞口产生的间接传染，例如当外部冲击或内部影响较为严重，引发极端风险，陷入流动性困境的银行会通过资产折价抛售来满足资金需求，使银行系统面临资产价格下跌的风险。与风险生成银行高度关联的银行也成为风险承受银行(方意和郑子文，2016[38])，这些银行债权受损，坏账增加，资产规模和权益缩减，这时受传染的银行也可能出售资产以贮存流动性。银行间关联以及当流动性冲击出现时银行间采取的一致性行动，加速了风险的传染(李晓伟和宗计川，2018[39])。

由于资本市场信息的不对称，投资者难以得知所有银行的实际经营情况，从众心理和恐慌情绪使投资者容易出现“羊群效应”。投资者恐慌情绪的蔓延，使银行流动性风险的传染范围、概率和速度显著提升(沈沛龙和李志楠，2020[40])。某家或某些银行的负面信息，可能使投资者争相收回银行投资和存款，反映到银行股收益率的大幅波动，进而引起银行股收益率的下跌。在我国优质上市企业较为稀缺，因此银行股一直受到投资者的追捧，可以看到上市银行股的收益率普遍较高也较为稳定。但一旦银行股收益率下降、波动率提高，说明投资者对银行业失去信心，如果这种情绪迅速蔓延，大规模的撤资会引发银行业“挤兑”现象，使银行资金更加紧缺，加剧银行系统的流动性风险。同业拆借市场连接了各个商业银行，使银行间交织成的巨大网络成为流动性风险传染的重要渠道(吴卫星等，2016[20])。

当银行间传染性持续增强、流动性持续恶化，陷入流动性危机的银行会逐渐增加，银行系统的稳定受到威胁，破产银行出现，债务违约产生连锁反应，引发“多米诺骨牌”效应，更多的银行和金融机构受到影响，风险的传染最终引发系统性风险。通过分析可知，流动性冲击极易演变成系统性风险，而银行间的直接和间接关联产生的一致性行动又会加速与放大流动性风险的传染速度。流动性比例、银行同业拆借利率、银行股收益率和波动率的变化在整个过程中的重要地位，使得综合监控这四个指标的表现和变化趋势有助于银行系统性风险的预警。

四、 银行系统性风险识别

对银行系统性风险进行识别是银行系统性风险预警的前提，对银行风险进行识别不仅可以对历史数据是否有风险进行标注，而且还可以对银行系统性风险预警结果进行评价。

(一) 银行系统性风险识别模型

为了对银行系统性风险进行识别，本文提出了多种异常检测算法相结合的方法。将多种异常检测算法相结合的优点是：(1)一般来说，不同的异常检测算法对不同的异常值点关注程度是不一样的，例如有的异常检测算法较为关注全局异常点，有的检测算法更关注数据的密度等，把不同的检测方法结合起来，就更可能利用每种检测算法的优势；(2)本文所采用的样本点数较少，采用多种检测算法相结合的方式，在一定程度上有利于降低过拟合。

在构建银行系统性风险识别方法中主要有以下三个问题需要解决：(1)采取哪几种异常检测算法；(2)如何将多种算法进行结合；(3)异常点的比例如何选取。

对于问题(1)，常用的异常检测算法有单类支持向量机(One-class SVM)[41]、孤立森林(IF)、局部异常因子法(LOF)、基于角度的离群点检测法(ABOD)和Feature Bagging[42]等。单类支持向量机严格来说属于新奇检测(Novelty Detection)，即训练数据不能包含异常值，本文所用数据训练时无法区分正常值和异常值，因而不适用于该算法。Feature Bagging是一种集成方法，其基学习器可以相同也可以不同，是一种优秀的异常检测算法，但对本数据集来说，单独采用该算法的结果与单独采用其他算法的结果相比，差异较大，而且结果难于解释，故不采用该算法。经计算孤立森林法、基于角度的离群点检测法和局部异常因子法较为适用本数据集，故采用以上3种方法。

对于问题(2)，常用的结合方法[43]有平均值法(Average)、中位数法(Median)、最大值法(Maximization)、Average of Maximum (AOM)和Maximum of Average (MOA)[44]法等。本文所需要结合的异常检测算法只有3种，不适宜采用AOM和MOA方法。综合考虑最终结果的稳定性，排除最大值法，而平均值法和中位数法差异不大，最后采用平均值法。

对于问题(3)，Du-Mouchel(1983)[45]经过试验统计，选择了10%左右的数据作为金融风险样本，林宇等(2016)[46]通过回顾总结前人研究成果，选择总体样本的9%作为金融风险样本。因而本文选择总样本数的10%作为银行系统性风险较大的样本，其个数为9个，也即异常样本点个数为9个。

基于角度的离群点检测法、孤立森林法和局部异常因子法相结合的银行系统性风险识别模型的步骤为：首先对选取出的4个指标数据进行Z-score标准化；然后采用局部线性嵌入法(LLE)对指标进行降维；接着将降维后的数据分别输入到3个异常值检测算法中：基于角度的离群点检测法、孤立森林法和局部异常因子法，得到3种算法对每一个样本点的评分，采用简单的平均值法，得到每个样本点的最终评分，评分越高越有可能是异常点；最后根据异常点占比10%得到异常点，即银行系统性风险较大的点。为了降低随机因素的影响，增强鲁棒性，重复10次，求取平均值。

(二) 识别结果及分析

采用上述方法得到9个异常点如表 5所示。4个指标银行指数月波动率，银行间同业拆借加权平均利率，商业银行流动性比例以及银行指数月收益率曲线如图2所示，其中银行间同业拆借加权平均利率和商业银行流动性比例纵轴为百分比，同时图2中标注了识别出的风险较大点的位置。

表5 银行系统性风险识别结果

从银行系统性风险识别结果来看，整体上异常点基本分布在曲线的波峰或波谷，这个结果是符合实际情况的，如一般认为指数月波动率、月收益率大幅波动时，系统性风险较大；而银行间同业拆借加权平均利率处于高位或大幅上升时银行业也面临较大风险；商业银行流动比例较低或处于一段时期内相对低位时，银行系统性风险较其他时期高。

具体到异常点来看，2012年1月的银行指数月波动率较大，且银行间同业拆借加权平均利率处于高位；2012年12月银行指数月收益率急剧升高；而2013年6月银行指数月收益率大幅下跌，银行间同业拆借加权平均利率处于最高点，同时商业银行流动比例处于低位；2014年12月和2015年1月银行指数月收益率大幅变化，银行指数月波动率增大，商业银行流动比例也有明显滑坡；2015年7月、2015年8月和2016年1月银行指数月收益率大幅下降，银行指数月波动率处于最高值附近，且商业银行流动比例处于一段时期内的低位；而2018年10月银行指数月波动率是近两年来的最大值，其他指标较为正常，这一点也能从其异常程度的得分体现出来。

图2 指标曲线及异常点

从银行系统性风险识别结果的得分来看，风险最高的9个时点分别是2012年1月、12月，2013年6月，2014年12月，2015年1月、7月、8月，2016年1月和2018年10月。通过历史事件回顾，可发现在这9个时点，确实发生过对银行系统造成影响的典型事件。

2011年在通货膨胀逐步走高的背景下，央行采取了持续紧缩的货币政策。2011年第一、二季度，央行数次上调准备金率并加息。该政策的影响是银行体系的超储率下跌，可用资金减少，2011年6月超储率下滑至0.8%，创历史新低。2011年的“钱荒”问题贯穿了整个2011年，所以2012年1月银行系统性风险比较高。

2013年6月份由于美联储退出QE引发的恐慌以及我国多家金融机构的期限错配造成了短期流动性不足，“钱荒”问题再次出现，银行间7天回购利率在6月20日创历史新高。资金价格的飙升使流动性风险升高，从而引发系统性风险的上升，这次的黑天鹅事件使银行系统受到极大冲击。

2014年11月美国正式结束量化宽松政策，中国人民银行11月22日起逐步推进新的改革，包括下调贷款和存款基准利率、推进利率市场化、调高存款利率浮动区间的上限等，这些行为都可能放大银行的风险。因此，2014年12月也是银行系统的高风险点。

2015年，中国经济继续深化“新常态”，国内经济下行、GDP增速持续下滑、人民币快速贬值、房地产投资增速回落，同时国际经济政治环境的变化也对中国经济提出了巨大的挑战。同年银行业也发生了很多变革，显性存款保险体制使存款利率高低成为储户选择银行的唯一标准，银行为图高回报，而放大经营风险；商业银行法修订，将存贷比不得超过75%的指标删除，将存贷比由法定监管指标转为流动性监测指标，商业银行获得了更大信贷投放空间，同时也放大了风险。2015年5月11日起再次降息，存款利率浮动区间扩至1.5倍。2015年6月份，中国股市出现了一次“股灾”，2015年7月中国股市继续大跌，2015年8月后，资本外流问题更加严重。2015年年初至2015年，第三季度末，我国银行业不良贷款率持续攀升，拨备覆盖率持续下降，因此在2015年识别出三个银行系统性风险比较高的点。

2016年1月1日证监会正式实施指数熔断相关规定，政策出台的目的是稳定股市，然而熔断机制出台的短期内，引起大规模恐慌，造成证券市场大跌。2016年1月4日，A股遇到史上首次“熔断”；2016年1月7日，沪深300指数再度触发熔断线。为维护市场稳定，指数熔断机制自1月8日起暂停实施。2016年1月股市的持续动荡也影响了银行系统的稳定。

2018年下半年，国际国内潜在风险的集中释放，使金融市场产生高波动。上证综指一度下探至2449点，为2015年中以来最低值；美元兑人民币汇率突破6.97，创10年来新低；中美贸易摩擦，美国在9月正式对原产中国的商品加征10%的进口关税。金融行业强监管和去杠杆利好长期经济发展，但短期内可能使得潜在风险集中释放，例如商业银行不良贷款率同比上升有所上升，银行风险也升高，但相对来讲，2018年10月的银行系统性风险较小，从表5中的得分也可以看出来。

总体来说，银行系统性风险识别方法的检测结果可以合理解释，基本正确地检测出了异常点。

五、 银行系统性风险预警模型的构建

银行系统性风险预警模型的构建主要有以下三种思路：

第一种思路是将银行系统性风险识别结果看作已知标签，那么预警模型构建问题可以转换成为监督学习问题，可以采用多种监督学习方法建模。但这一思路面临三个主要难点：一是银行系统性风险识别结果是由另外的方法推断得来的，本身可能并不准确。二是有风险的样本点明显少于无风险的样本点，属于类别不平衡学习。虽然有多种解决类别不平衡的方法可供选择，但样本异常有不同的原因，对于本研究来说，从数据空间来看，异常样本点可能稀散地分布于数据空间，表示不充分，解决类别不平衡的方法难于奏效。三是样本数据偏少，不利于监督学习。

第二种思路是构建银行系统性风险指数，用指数来衡量银行系统的风险程度，再通过预测指数或和指数相关的其它量，对银行系统性风险进行预警。这种方法面临的难点有：一是怎样选取指标构建指数；二是怎样将指标合成指数；三是如何预测指数或其相关变量；四是如何判断风险。

第三种思路是将银行系统性风险分解为信用、市场、操作风险和流动性风险，然后从这四类风险出发，运用逻辑推理去推导出引发风险的原因，构建银行系统性风险的拓扑结构，然后去检验各节点的风险概率，建立预警信号灯。这种预警思路面临的难点：一是难以穷尽所有因素；二是如何给各风险点设置风险临界值；三是难以判断某一或某些节点出现问题能否引发系统风险。

本文的思路是用历史数据对指标进行预测，然后再采用银行系统性风险识别模型对银行系统性风险进行预警，这种思路的关键点在于指标的预测和异常检测算法。因为本文所构建的银行系统性风险识别指标只有4个，同时还构建了基于3种异常检测算法相结合的银行系统性风险识别模型，而这一模型也可用于银行系统性风险预警，所以采用这种思路构建银行预警模型具有可行性。由于银行系统性风险预警中的风险识别模型已构建完成，下面主要介绍4个度量指标的预测方法。

(一) 度量指标预测模型的构建

由于4个度量指标的值都存在时间先后关系，可以将度量指标看作时间序列。建模中可以采用的技术路径主要有两种：一种是收集其他银行业指标、宏观经济指标和其他相关指标，将这些指标作为输入，采用某种预测方法，可以同时预测所有度量指标或其中的某几个度量指标；另一种路径是只通过度量指标的历史数据预测未来数据。这两种路径各有优劣，在都能完成任务的前提下，本文选择第二种路径。

1.误差度量方法的选择。

常用的预测模型误差度量方法有：均方误差(Mean Square Error,MSE)、均方根误差(Root Mean Square Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)、中位数绝对误差(Median Absolute Error,MAE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)、Mean Relative Absolute Error (MRAE)等。Hyndman和Koehler(2006)[47]分析了多种误差度量方法的优劣，提出并推荐采用平均绝对标准化误差(Mean Absolute Scaled Error,MASE)来度量预测误差，同时该方法也是M4-competition采用的误差度量方法之一。因而本文也采用MASE来度量模型误差。

2.预测模型的回顾。

时间序列建模方法主要有如下几种：

(1)传统时序建模方法，包括差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model,ARIMA)、自回归条件异方差模型(Autoregressive Conditional Heteroskedasticity model,ARCH)和动态线性回归模型(Dynamic Linear Regression models)等，这类方法主要适用于小规模、单变量的预测。

(2)基于时间序列分解的方法。这类方法先将时间序列按照一定的方法分解为几部分，然后分别对分解后的序列进行建模，最后重构组合并预测，按照分解方法的不同，主要又分为：

STH分解[48]，即将时间序列分解为周期项(Season)、趋势项(Trend)、节假日项(Holiday)。这种方法有许多成功的应用，但主要的问题在于周期的确定，趋势改变点的检测，需要预先知道节假日等。

将时间序列看作信号按信号分析的方法来处理，主要分解方法有傅里叶分解(Fourier Transformation,FT)、小波分解(Wavelet Decomposition,WD)、经验模态分解(Empirical Mode Decomposition,EMD)[49]和变分模态分解(Variational Mode Decomposition,VMD)[50]等。在实际应用中EMD可能存在模态混叠现象，分离后的信号包含多个频率，影响精度；VMD的主要局限性是边界效应和突发信号，长期模态会随着时间的推移而急剧变化并且会在全局范围内重叠，以及需要预先定义模态数等。

LN分解，即将时间序列数据分为线性项(L)和非线性项(N)。

(3)机器学习模型。一般将问题转化为监督学习，通常采用Extreme Gradient Boosting (XGBoost)[51]、Support Vector Regression (SVR)、随机森林(Random Forest)等方法：这类方法一般需要进行特征选择及提取，有着较广泛的应用。

(4)深度学习神经网络模型。用于时间序列预测的典型模型有长短期记忆网络(Long Short-Term Memory,LSTM)[52]、循环神经网络(Recurrent Neural Network,RNN)、门控循环神经网络(Gated Recurrent Unit,GRU)和时间卷积网络(Temporal Convolutional Networks,TCN)[53]等。近期热门的深度学习神经网络有LSTNet[54]、TPA-LSTM[55]和Memory Time-series Network (MTNet)[56]等。基于神经网络和深度学习的时间序列预测模型越来越受到学者的重视，是近几年的研究热点。

(5)基于图模型的时间序列预测。应用较多的是隐马尔科夫模型(Hidden Markov Model,HMM)，一般来说对于没有复杂记忆的时间序列，HMM可以较好地进行预测，如果时间序列是复杂历史依赖的，HMM预测结果可能变差。

3.预测模型的构建。

基于预测模型回顾总结，结合本文研究的内容，采用DeepAR方法对4个度量指标(银行指数月收益率，银行指数月波动率，银行间同业拆借加权平均利率以及商业银行流动性比例)进行预测。

DeepAR是亚马逊于2017年提出的基于自回归循环神经网络的时间序列预测方法，该方法相较于其他方法的优点有：(1)仅需要少量的特征工程；(2)采 用蒙特卡洛进行概率预测；(3)通过相似数据的学习，可以对仅有一点历史数据或者根本没有历史数据的项目进行预测；(4)不一定是通过高斯噪声实现，允许用户选择一个适合数据统计特性的似然函数。正是由于以上优点，特别是优点(1)和(3)非 常适合本文研究的数据，故选择该方法建模。

本文分别对4个度量指标采用DeepAR方法进行建模，在建模中将2012年1月到2018年6月的数据作为训练数据，将2018年7月到12月的数据作为测试数据，进行单步预测，也即每次仅预测一个月的数值。考虑到数据为月度数据，对时效性要求相对不高，为提高预测结果的准确度，在预测测试集第二个月的数据时，将第一个月的真实值放入训练集，重新训练模型，再预测第二个月的数值，直到最后一个测试集数据。DeepAR中的循环神经网络采用LSTM网络，主要超参数的确定采用网格搜索，概率分布采用学生氏分布。

4.预测结果及分析。

采用DeepAR方法对4个指标进行建模，预测结果如图3所示，其中银行间同业拆借加权平均利率和商业银行流动性比例纵轴为百分比。图3给出了4个指标的真实值(只给出了2018年1月到2018年12月部分)和预测值曲线图，竖线是训练集与测试集的分割线，深色阴影部分代表50%的预测区间，浅色阴影部分代表90%的预测区间，预测值采用中位数。从图中可以得出预测值基本反映了真实值的走势。

为了对比分析还采用了MQ-CNN(Multi-Horizon forecasting with a Convolutional Neural Network(CNN)as an encoder)、MQ-RNN[57]、Non-Parametric Time Series Forecaster(NPTS)[58]、ARIMA、指数平滑法(ETS)和多层感知器(Multi-Layer Perceptron,MLP)6种方法分别对4个指标进行预测，得到测试集的MASE如表 6到表 9所示。其中：NPTS采用指数核(Exponential Kernel)函数；ARIMA自回归过程阶数p，差分阶数d，移动平均阶数q采用Hyndman(2008)[59]的方法确定；ETS误差项(Error)、趋势项(Trend)、周期项(Seasonal)为无、乘性或加性，由Hyndman等(2008)[60]给出的算法自动选择；MLP有2个隐藏层，每层40个单元。每种方法均计算10次，求取平均值，减少随机因素影响。

图3 采用DeepAR方法预测结果

表 6至表 9给出了上述7种方法在4个指标测试集(2018年7月至2018年12月)的MASE及其平均值，通过比较所有预测时间MASE的平均值可得，DeepAR方法在银行指数月收益率、银行指数月波动率和银行间同业拆借加权平均利率3个指标的预测中，优于其他6种方法，而在商业银行流动性比例指标的预测中DeepAR与MQ-CNN和ARIMA方法性能相当。

表6 银行指数月收益率测试集的MASE

表7 银行指数月波动率测试集的MASE

表8 银行间同业拆借加权平均利率测试集的MASE

表9 商业银行流动性比例测试集的MASE

(二) 预警模型的构建与结果分析

依据本文思路，银行系统性风险预警模型的主要任务是通过各指标的历史数据来判断未来一段时期是否有风险。这里主要有两个问题需要解决：一是构建指标；二是依据历史数据判断风险。本文之前依次解决了指标选取问题、银行系统性风险识别问题和指标预测问题，构建银行系统性风险预警模型的步骤则为：首先依据历史数据，采用DeepAR模型分别预测4个指标下一月的预测值，然后将预测值连同一段区间的历史数据输入到银行系统性风险识别模型中，由风险识别模型判断下一个月是否有银行系统性风险。

依据上述步骤，将4个指标测试集的预测值连同训练集数据逐步输入到预警模型，为了对比分析，将真实值也输入到同一模型，得到结果如表 10所示。

表10 银行系统性风险预警模型结果

通过表10结合表 5可得出，虽然是逐月分别将真实值和预测值输入识别模型，但两者都识别出2018年10月这一风险相对较大的点，这与表 5中一次性输入全部真实数据得到的结果是一致的。预警模型依据预测值，正确地识别出了有风险的数据，说明本文构建的银行系统性风险预警模型能够在一定程度上对银行系统性风险进行预警。

六、 总结与建议

(一) 总结

本文构建了银行系统性风险预警模型，在构建中主要解决了三个方面的问题：(1)预警指标的构建问题。在文献回顾的基础上，结合本文的研究内容，选取了宏观经济指标和银行业相关指标两方面的24个度量指标，然后采用方差阈值法筛选出11个指标，最后提出了基于孤立森林法的指标筛选方法，筛选出最终的4个度量指标：银行指数月波动率、银行间同业拆借加权平均利率、商业银行流动性比例以及银行指数月收益率，对筛选结果进行解释，并对入选指标与银行系统性风险的逻辑关系进行了分析。(2)银 行系统性风险识别问题。在银行系统性风险预警模型构建中需要对银行系统性风险进行识别，此问题可以转换为异常检测问题，即数据异常程度越大，说明风险越高。在识别模型的构建中首先采用Z-score法和LLE法对数据进行预处理，接着提出了一种基于角度的离群点检测法、孤立森林法和局部异常因子法相结合的异常检测方法，对银行系统性风险进行识别，并将识别结果与历史事件进行对照解释。(3)指标预测问题。本文将4个指标看作时间序列，采用DeepAR方法分别对指标进行预测，为了比较预测结果，还采用了MQ-CNN、ARIMA等6种方法分别对4个指标进行预测，并对预测结果进行比较和分析。

在以上三方面工作的基础上，构建了银行系统性风险预警模型，并将预测值的预警结果、真实值的预警结果以及一次性输入全部真实数据的风险识别结果相比较，三种情况下识别出的高风险点是一致的，证明银行系统性风险预警模型在一定程度上能够有效对风险进行预警。

(二) 建议

1.通过银行流动性风险的大小来窥测全面风险。

企业破产的重要原因之一是资金链断裂，只要资金链能够维持，则短期的盈利能力下降或营运能力降低等均不会危及企业的生存。银行也属于企业，同样具有该特性，虽然银行面临众多风险，但在各风险中流动性风险是重中之重。除流动性比例能够直接反映银行的流动性风险外，银行同业拆借利率由于能够直接反映银行获取资金的成本，间接反映银行获取资金的难易程度，其高低也可以衡量银行的流动性风险。

流动性是决定银行能否正常运转的重要因素，银行是否具有流动性取决于其是否能够随时以合理价格获得满足客户提取的资金。银行间同业业务(例如同业拆借)在流动性的不均衡中发挥了调节作用，使银行系统能够正常运转，而当系统中流动性不足，则会有部分银行流动性需求无法满足。当通过负债不能以适当成本获取资金时，解决方法只能是通过出售资产以满足流动性资金需求。银行同业直接和间接的关联使银行间流动性风险具有较强的传染性，银行解决流动性需求的各种行为在银行网络间互相影响，若没有强有力的第三方介入(例如中央银行等)，资产折价抛售可能会演变为一致性行为，进而使资产迅速变现能力下降、资产减值。流动性短缺的加剧促使信用违约发生，负面效应外溢，进一步传染到资本市场，使投资者产生恐慌、信心受挫，对系统中的银行产生不信任，可能会采取提款、撤资等应对行为，当这一风险在各银行间同时发生，出现“挤兑”，流动性风险和传染性风险交织上升，进一步演化为流动性危机，极易引发银行系统性风险，因此系统性风险预警应该重点关注流动性风险以及与之相随的传染性风险。银行资金链的张弛有度，也即单个银行和整体银行系统的适度的流动性是持续发展的关键所在，因此可以重点关注流动性风险，通过流动性风险的变化及时预警银行系统性风险。

2.通过上市银行市场表现及时预测风险可能性。

在我国的金融结构里，商业银行和证券市场(包括股市与债市)作为主要的融资机构，相互之间具有联动性，尤其是在现代资本市场联系越来越紧密的情况下，一方的变化会促进或制约另外一方。例如，当商业银行信贷扩张，则资本市场资金充裕，股市也会上涨，反过来股市的繁荣又能够给商业银行“补血”，商业银行获得充足的资本金后，又能够继续扩充信贷，循环往复使两者之间形成良好的共生关系。同时，二者之间又会相互制约，一方的不景气会传播与影响另一方，例如股市下跌会影响商业银行收益，商业银行信贷收缩会影响股市的上涨。

银行股的表现也是股市涨跌的风向标，银行指数直接反映银行业股票的整体价格水平，间接反映银行经营状况，而经营状况决定了银行的持续发展能力。因此，关注银行股指数的表现和变化，可以尽早发现风险的高低。

3.通过内部风险管理和外部风险监管防范风险。

银行系统由各家银行共同组成，每家银行的健康发展对于整个银行系统的安全都有重要作用。推动银行承担起风险防控的主体责任，守好风险防控第一道防线非常重要。风险控制的程度对银行经营的短期利益和长期利益有着不同的影响，短期放松监管能加快银行扩大规模、增加利润，但长期却埋下了风险隐患，对银行长期发展不利。风险管理是商业银行安身立命的基石，它的作用尤其是在经济衰退时尤为凸显，因此商业银行应将银行各项主要风险全部纳入统一管理框架，进行积极主动的风险管理，加强风险监测、人员管理、合规教育，制定适度的风险承担目标。

银监会作为银行的主要监管机构，2000年以后出台了多项监管指引，使银行的经营日益规范，但宏观环境日趋复杂，监管当局仍须不断提高监管能力，注意风险的隐蔽性和滞后性，注重风险管理的前瞻性和计量化，通过银行系统性风险预警来及时发现危机，提高对风险的应对能力，以此来适应外部不断变化的环境，保障银行系统的稳健发展，维护国家金融安全。