基于SSA-BP神经网络模型的系统性金融风险预警分析

陈庆婉 张品一

摘 要：本文通过SSA-BP神经网络模型对系统性金融风险进行研究，并对中国的系统性金融风险进行评估和预警。第一，本文选取我国2008—2022年18个金融指标的月度数据构建了初始金融指标体系，在此基础上运用主成分分析和K-均值聚类将金融风险划分为四类。第二，基于SSA-BP神经网络模型建立我国金融风险预警模型，并通过2022年的数据对2023年的金融系统性风险状态进行仿真预测。结果显示，2023年的金融系统风险处于警戒状态或危险状态，值得重点关注。

关键词：SSA-BP神经网络模型；系统性金融风险预警；主成分分析；聚类分析；仿真预测

本文索引：陳庆婉，张品一.<变量 2>[J].中国商论，2023（16）：-119.

中图分类号：F830.9 文献标识码：A 文章编号：2096-0298（2023）08（b）--04

全球经济一体化推进了世界各国之间的经济联系，在资本加深开放程度的进程中，金融系统面临的风险冲击随之加大。20世纪90年代后，全球各地区先后爆发了经济危机，进而引发了全球金融危机。随着经济的快速发展，我国金融体系安全也有新的要求。“十四五”时期，我国明确提出建立财税金融体制、完善现代金融监管体系；党的二十大报告中也提出，加强和完善现代金融监管、强化金融稳定保障体系。因此，如何有效防范金融风险的爆发、避免金融危机的产生一直是国内外学者重点关注的领域。

国外方面，Nag&Mitra（1999）、Al-Kazemi等（2002）、Melek Acar（2009）先后使用神经网络模型对金融风险预警进行了研究。国内方面，王志宇等（2000）、李梦雨（2012）、曾昭法和游悦（2020）、韩喜昆和马德功（2021）、张品一和薛京京（2022）等学者也通过不同的神经网络模型对系统性金融风险进行了研究，BP神经网络模型在金融风险预警的应用已经非常成熟。但是，目前单独使用BP神经网络模型对金融风险进行研究已不具有价值，因此本文拟对BP神经网络引入一个优化算法——麻雀搜索算法（SSA），进而得到一个精确度更高的金融风险预警模型。本文使用麻雀搜索算法对BP神经网络进行优化，通过主成分分析法和K-均值聚类算法将金融系统划分为四类风险状态，构建金融风险预警模型，并通过2022年的数据对2023年的金融风险状态进行预测。

1 模型建立与分析

BP神经网络是一种常见的人工神经网络，其正向传播方向为“输入层→隐含层→输出层”。在训练过程中，输入样本通过多层神经元层进行处理，最终得到网络输出值。当期望值与输出值之间存在误差时，神经网络需要对其进行自我纠正，在误差反向传播的过程中，调整权值和阈值以最小化误差，并满足性能要求。梯度下降算法通常用于对每个神经元的权值和阈值进行调整，完成信息提取和训练。BP神经网络模型拓扑结构如图1所示。

BP神经网络在预测方面应用广泛，具有非线性映射、自适应学习和泛化能力。然而，BP神经网络的算法本质上是梯度下降法，需要优化复杂的目标函数，效率较低。此外，BP神经网络是一种局部搜索优化方法，容易陷入局部极值，并导致权值收敛到局部极小点。

麻雀搜索算法主要是受麻雀觅食行为和反捕食行为的启发而提出的，该算法比较新颖，具有寻优能力强、收敛速度快的优点。针对BP神经网络模型存在的算法效率低下、容易陷入局部最优、不能做到全局寻优等问题，本文引进SSA算法对BP神经网络模型的初始权重和阈值进行优化处理，从而提出SSA-BP神经网络模型。

2 指标选取和数据处理

基于目前我国的金融稳定状况及面临的主要金融风险，本文选取2008—2022年的经济数据进项分析，并结合外部风险冲击，共选取18个与金融风险累积的相关指标，将选取的风险指标划分为：（1）宏观经济总体指标，包括GDP增长率（X1）、通货膨胀率（X2）、M2增长率（X3）、固定资产投资增长率（X4）；（2）银行坏账累积性风险指标，包括资本充足率（X5）、不良贷款率（X6）、资产收益率（X7）、流动性比率（X8）；（3）泡沫经济风险指标，包括股市平均市盈率（X9）、股票流通市值/GDP（X10）、房价增长率（X11）；（4）债务风险指标，包括财政赤字（X12）、外债总额（X13）、短期外债（X14）；（5）外币冲击风险指标，包括实际汇率（X15）、外汇储备（X16）、外商投资（X17）、经常项目差额/GDP（X18）。

首先，本文使用主成分分析法处理指标数据来提高模型的训练效率。先对选取的数据指标是否能适用于主成分分析进行检验，利用KMO检验和巴特利特球体检验对初始特征指标进行分析。KMO检验结果显示，KMO的统计量为0.717，表示原始指标相关性较强；巴特利特球体检验结果显示，巴特利特球形度检验显著性，为0.00，拒绝原假设，表示原始指标具有显著相关性，可以做因子分析。其次，依据特征值大于1的基本原则，提取5个与金融风险密切相关的主因子F1、F2、F3、F4、F5，方差贡献率分别为37.580%、14.418%、11.234%、10.454%、8.864%，累计方差贡献率为82.550%，即5个主因子载荷了系统性金融风险的大部分信息。

通过荷载因子矩阵可以得出各因子的因子得分，结合5个主因子的方差贡献率进行如式

计算，构造能够体现各年份金融变量的Ft，通过Ft的取值范围进行所属年份的风险状态划分。采用K-均值聚类的方法，将Ft划分为四个等级，即安全、基本安全、警戒状态和危险状态。采用“极值—均值”划定金融风险状态的临界值，即安全为A（-∞，-0.448]、基本安全为B（-0.448，0.326]、警戒状态为C（0.326，0.762]、危险状态为D（0.762，+∞），得到Ft预警模型的完整编码如表1所示。

结果显示，主成分分析法所划分的风险状态分类基本上能反映我国金融系统的稳定情况。2008年美国次贷危机爆发，给我国金融系统带来了巨大的外部风险冲击；2010年以来，欧美国家在应对金融危机中对我国经济的影响也不容忽视，但是针对这一外部冲击，国家及时做出调整，政府出台了一系列防范金融风险的政策；2014年以来，我国金融系统出现多次金融风险，“影子银行”爆发式增长，股市也出现跌停、停牌的动荡趋势；2019年底，新冠疫情席卷全球，金融市场受到了极大影响。

3 实证分析

基于主成分分析法及通过聚类后得到的风险类别的划分，本文选取2008—2021年的5个主成分公因子作为神经网络的输入神经元，因子综合得分Ft最为输出神经元，logsig函数为隐含层神经元的传递函数，purelin函数为输出层神经元的传递函数，trainlm为训练函数，学习率设定为0.1。网络最大训练次数为1000，目标误差为0.0001。根据Kolomgorov 定理与试错过程，设隐含层神经元个数为12，因此本文的神经网络结构为5-12-1，即输入层数为5层，隐含层数为12层，输出层数为1层，上述编程及实证过程均通过MATLAB R2017b完成。

根据训练结果可知，神经网络的输出与训练目标之间的误差仅为0.000879，可見经过神经网络训练后得到的SSA-BP神经网络模型能够较好反映金融风险指标与系统性金融风险之间的相关关系。

在使用SSA-BP神经网络模型进行金融风险预测之前，先对该模型的准确性进行验证。为了避免时间序列的影响，本文随机选取12个月的数据样本作为检验样本，利用经过训练的SSA-BP神经网络系统性风险预警模型，运用仿真函数sim计算神经网络的输出，并对输出结果与应用因子分析法得出的结果区间进行验证，测试结果如表2所示。

验证结果显示，检验样本在SSA-BP神经网络模型的预测结果和因子分析所得的风险状态的区间基本对应，因此基于SSA-BP神经网络构建的系统性金融风险预警模型能够有效地预测系统性金融风险的状态。

为了验证SSA-BP模型预测效果的好坏，本文通过平均绝对误差（MAE）和均方根误差（RMSE）对BP神经网络和SSA-BP神经网络的预测效果进行对比，对比结果如表3所示。

验证结果显示，结合SSA算法建立的SSA-BP神经网络的均绝对误差和均方根误差都要比BP神经网络的结果小，因此SSA-BP模型相较BP神经网络模型误差更小，预测结果的准确度更高。

综上所述，SSA-BP神经网络模型具有较高的准确性，能够有效预测系统性金融风险的状态，且SSA-BP神经网络模型相对BP神经网络模型预测效果误差更小，精确度更高，因此可以选用SSA-BP神经网络模型预测我国系统性金融风险状态。本文通过输入2022年月度的样本数据，对2023年月度的金融风险状态进行预测，预测结果如表4所示。

从预测结果来看，我国2023年系统性金融风险状态处于警戒状态或危险状态。从国内来看，经济恢复基础尚不牢固，“三重压力”仍然较大。同时，三年疫情的持续冲击，有可能对我国的潜在产出产生一定的抑制效应。从国外来看，以美联储为首的全球主要央行货币政策进一步紧缩，会给我国经济带来直接或间接的影响，发达经济体货币集体或将从以金融冲击为主转变为“金融+实体”的双重冲击。

4 结语

本文结合主成分分析法和SSA-BP神经网络算法构建了我国的系统性金融风险预警模型。通过该模型对2023年月度的金融风险状态进行预测，结果显示2023年中国的金融系统运行情况处于警戒状态或危险状态，值得引起相关部门重视。从长远来看，中国的金融行业要想获得进一步的发展壮大，就必须继续实施分类监管模式，加强对各金融机构的监管，不断地深入经济改革，完善服务体系，提高服务能力。同时，政府应出台应对金融风险的政策，加强金融系统的安全性，推动金融行业的稳定发展。

参考文献

王志宇，许良，张学成.金融危机预警专家系统的建立[J].燕山大学学报，2000（1）：84-87+89.

李梦雨.中国金融风险预警系统的构建研究：基于K-均值聚类算法和BP神经网络[J].中央财经大学学报，2012（10）：25-30.

曾昭法，游悦.基于神经网络分位数回归的金融风险预警[J].统计与决策，2020，36（14）：137-140.

韩喜昆，马德功.基于AM-BPNN模型的系统性金融风险评估及预警[J].统计与决策，2021，37（4）：138-141.

张品一，薛京京.多分形互联网金融市场的风险预警模型研究[J].数量经济技术经济研究，2022，39（8）：162-180.