论文题目：基于大数据方法的中国系统性金融风险监测和预警研究
摘要：历史经验表明,系统性金融风险不仅威胁金融稳定,更会给整个宏观经济带来巨大损失。2008年国际金融危机的爆发,暴露出传统微观审慎监管机制无法识别和阻止金融体系中的系统性金融风险,加强宏观审慎监管成为大多数国家政策制定者的共识。宏观审慎监管的核心关键在于准确衡量并预警系统性金融风险,但现阶段基于传统统计和计量方法的测度方式是“小数据”时代的产物,采集和分析数据的能力有限,对风险分析和判断的前瞻性和准确性不足,容易导致金融监管视野窄、监管行动时机迟、监管措施力度弱等问题。随着大数据时代的到来,大数据和用于大数据分析的技术方法在各领域的推广应用,也为金融领域防范系统性金融风险的研究和实践提供了重要的方法手段和经验借鉴。目前世界主要发达国家的金融监管当局已经在积极探索大数据在宏观审慎监管特别是系统性金融风险监测预警中的应用,目前我国在该领域的研究和实践尚处于起步阶段,有待进一步深化和发展。本文基于系统性金融风险生成、累积和扩散的理论研究,探索将大数据方法引入我国系统性金融风险的研究,创新运用大数据指标和机器学习、深度学习、文本挖掘、网络分析等大数据方法模型,多维度、深层次地探讨我国系统性金融风险的精准监测、早期预警以及传染性的测度,以更为科学系统地认识我国的系统性金融风险,并提出了系统性金融风险的防范化解措施。研究内容和重要结论包括以下几个方面:第一,系统性金融风险的理论研究。本文首先构建了关于系统性金融风险的理论框架,具体包括:（1）界定了系统性金融风险的基本内涵,将系统性金融风险定义为整个金融体系连续损失扩散导致崩溃、功能丧失甚至冲击实体经济的一种或然性,归纳了系统性金融风险具有广泛性、负外部性、传染性等五大特征,并存在时间和空间两个构成维度。（2）综合马克思主义货币信用理论、“债务-通货紧缩”理论、金融不稳定性假说、资产价格波动理论、信息不对称理论和金融周期理论,建立了系统性金融风险的理论基础。（3）阐述分析了系统性金融风险具有“积累-爆发-扩散”的三阶段演化机制。（4）总结了导致系统性金融风险发生包括金融脆弱性、金融过度自由化、金融体系相互关联性等金融体系内部影响因素和宏观经济周期、政策调控失误等金融体系外部影响因素。（5）从理论层面提出了系统性金融风险形成及冲击实体经济的传导机制。第二,中国金融压力的实时监测研究。本文认为经济主体情绪心理及行为上的偏差,是导致系统性金融风险内生性的本质根源,所以把从经济主体情绪角度构建的金融压力指数作为衡量时间维度系统性金融风险水平的指标。综合运用大数据指标与传统金融统计指标,基于混频动态因子模型构建日度频率的中国金融压力指数（FSI）,并考察指数所反映金融压力的时变特征以及对宏观经济变量的预测效果。研究发现:（1）所构建的FSI能够较为精确地度量监测我国的系统性金融风险,指数的阶段性变化特征和区制状态识别结果与我国系统性金融风险的现实演进情况高度吻合。（2）从FSI估计模型的参数结果来看,传统金融指标和大数据指标所衡量的经济主体预期不确定性和风险感知与金融压力正相关,金融压力具有较强的持续性,加入大数据信息对FSI模型估计具有明显的改善作用。（3）产出、通胀等宏观经济变量样本外预测的结果显示,FSI对宏观经济变量具有良好的预测能力,大数据指标的引入可以提升FSI的预测效果。（4）基于阶段性数据和所有数据得到FSI的走势基本保持一致,估计模型的稳健性较为良好。第三,中国系统性金融风险的预警研究。本文基于K近邻、随机森林、支持向量机等机器学习模型和长短期记忆、门控循环单元神经网络等深度学习模型对中国系统性金融风险进行预警研究,并运用混淆矩阵、ROC曲线和交叉验证等模型性能评估方法,找到预测中国系统性金融风险的最优预警模型。采用SHAP机器学习模型解释技术,对推高我国系统性金融风险水平的主要成因进行识别。研究发现:（1）在各种性能度量指标和预测结果上看,机器学习、深度学习算法模型均明显优于逻辑回归传统计量模型。（2）在进行系统性金融风险动态预警时,随机森林模型的预警效果较其他机器学习模型和深度学习模型表现更好。（3）利用SHAP机器学习模型解释技术,识别出推高中国系统性金融风险水平的主要成因包括金融机构、外汇市场、影子银行、房地产市场和政策干预等因素。（4）性能表现最优的随机森林预警模型预测结果显示未来一年中国金融系统处于“风险”状态的概率较小。第四,中国金融体系系统性金融风险的传染研究。本文建立基于贝叶斯估计的高斯图（GGM）机器学习模型,以模型估计得到的偏相关系数,构建反映金融机构之间关联关系的金融网络,分析系统性金融风险在整个金融网络中的传染。同时,也运用模型估计结果构建指标体系比较各个金融机构的系统重要性程度,并考察金融体系的系统性金融风险演进趋势。研究发现:（1）当前中国金融风险传染网络中大多数金融机构与其他金融机构均存在一定的联系,系统性金融风险能在不同金融机构间相互传染。（2）从系统性金融风险的传染渠道和途径来看,基于投资者情绪渠道和尾部风险渠道的传染较为明显,基于金融市场渠道的传染相对不明显。（3）在不同类型的金融机构中,证券公司、城市商业银行、国有大型商业银行的风险传染性相对较强,大型保险公司的风险传染性也不容忽视。（4）综合考虑资产规模、关联性及金融网络效应,国有大型商业银行的系统重要性程度最高,其次是股份制商业银行,但与其关联金融机构资产规模大的大型保险公司、地方城市商业银行和头部证券公司也具有一定的系统重要性。（5）基于模型估计得到不同时期偏相关系数的总和,揭示了近年来中国金融体系系统性金融风险的演进趋势,不同区间的系统性金融风险状况与中国内外部经济、金融体系的运行情况较为吻合。第五,中国区域系统性金融风险的传染效应研究。本文也将系统性金融风险的研究视角延伸至区域层面,运用大数据网络分析方法,考察中国区域系统性金融风险的空间关联网络特征和传染情况,并运用无标度网络上的SIRS传染病模型,数值模拟极端性的区域系统性金融风险发生后,风险在各个省份的传染演进情况。研究发现:（1）国内各省份间的区域系统性金融风险表现为典型的网络形态,具有明显的“无标度特征”和“小世界现象”,近年来各省份系统性金融风险之间的关联关系呈现逐渐增强的趋势。（2）目前青海、宁夏等地理位置偏远、经济发展较慢省份因点入度较大,成为风险溢入的集中区域。江苏、北京等地理位置优越、经济发展较快省份因点出度较大,成为风险溢出的主要区域。上海、天津等省份因中间中心度、Page Rank排名靠前,成为风险传导的重要路径。（3）各省份在系统性金融风险传染网络中可以聚类成不同的板块。江苏、北京等9个省份聚类为“净溢出板块”,天津、内蒙古等4个省份聚类为“经纪人板块”,上海、黑龙江等7个省份聚类为“双向溢出板块”,青海、宁夏等9个省份聚类为“净溢入板块”。（4）数值仿真模拟发现,极端性风险发生后将会短时间内在各省份间迅速传染。相较于单省份发生极端性风险,多个省份同时发生极端性风险的传染时间更短。第六,中国系统性金融风险的防范和监管研究。本文认为建立健全宏观审慎政策框架和加强金融大数据的收集、分析及利用是强化宏观审慎监管的两个重要方面,也是未来防范和监管系统性金融风险的主要手段。本文从理论上梳理了宏观审慎政策基本框架,同时也总结了包括美国、英国和中国等国家基于大数据的宏观审慎监管实践经验,从中获得相应启示,最后结合本文的实证研究结论,从宏观审慎和大数据的视角提出了未来防范和监管中国系统性金融风险的对策建议,主要包括:建立有助于系统性金融风险防范的宏观审慎监管大数据平台、研究应用大数据前沿分析技术有效监测预警系统性金融风险、结合当前金融发展新形势健全完善我国宏观审慎政策框架体系、以加强系统重要性机构审慎监管为重点防范系统性金融风险传染和预防区域系统性金融风险传染演化为全局系统性金融风险。本文的创新之处主要包括:（1）系统性金融风险监测方面,采用互联网搜索大数据从行为金融的视角丰富了经济主体的风险感知指标,扩展了监测分析系统性金融风险的数据信息来源。运用混频动态因子模型,有效利用各类高、低频数据,将金融压力指数的频率从现有大多数文献的季度、月度和周度频率提升到日度频率上,实现了对系统性金融风险的实时精准监测。（2）系统性金融风险预警方面,采用“模型不确定性”的前沿理念,通过整合和构建多种机器学习和深度学习模型预警我国系统性金融风险,并运用模型评估方法找到性能最优的预测模型,较大程度提升了我国系统性金融风险预警的准确率和有效性。将机器学习和深度学习模型解释技术引入到系统性金融风险的研究,对推高我国系统性金融风险水平的重要影响因素进行了科学推断。（3）金融体系系统性金融风险传染性的测度方面,采用爬虫技术爬取互联网文本信息,并通过文本挖掘、核主成分分析等方法与传统结构化金融数据融合,弥补了现有相关研究对非结构化互联网文本数据运用的缺失。引入基于贝叶斯估计的高斯图机器学习模型,为我国系统性金融风险传染的研究提供了新方法和新手段。（4）区域系统性金融风险传染性的测度方面,拓展了区域层面系统性金融风险指标体系的构建维度,优化了指数合成方法。综合运用大数据网络分析方法中传统和新兴的指标和模型,多视角、多层次地分析了区域系统性金融风险的传染效应,改进了研究方法,丰富了研究视角。引入无标度网络上的SIRS模型,为区域系统性金融风险研究提供了新的有力工具。
关键词：中国系统性金融风险;大数据方法;风险监测;风险预警;风险传染
学科专业：数量经济学
摘要
ABSTRACT
第一章 绪论
第一节 研究背景和研究意义
一、研究背景
二、研究意义
第二节 论文结构安排、研究方法和技术路线
一、论文结构安排和研究方法
二、技术路线
第三节 本文的创新之处
第二章 文献综述
第一节 系统性金融风险监测和预警的传统方法综述
一、传统统计方法
二、传统计量经济学方法
三、其它传统方法
第二节 系统性金融风险监测和预警的大数据方法综述
一、机器学习
二、文本挖掘
三、深度学习
四、网络分析
第三节 文献述评
第三章 系统性金融风险的理论研究
第一节 系统性金融风险的基本内涵
一、系统性金融风险的界定
二、系统性金融风险的特征
三、系统性金融风险的构成维度
第二节 系统性金融风险的理论基础
一、马克思主义货币信用理论
二、“债务-通货紧缩”理论
三、金融不稳定性假说
四、资产价格波动理论
五、信息不对称理论
六、金融周期理论
第三节 系统性金融风险的演化机制
一、系统性金融风险的积累阶段
二、系统性金融风险的爆发阶段
三、系统性金融风险的扩散阶段
第四节 系统性金融风险的影响因素
一、内部因素
二、外部因素
第五节 系统性金融风险的传导机制
第六节 小结
第四章 中国金融压力实时监测研究:基于混频大数据动态因子模型
第一节 问题的提出
第二节 文献回顾
第三节 基于混频动态因子模型提取FSI的原理
一、模型的基本原理
二、模型的状态空间表示
三、指标体系构建和模型设定
第四节 中国FSI的实时监测
一、模型估计结果
二、实时FSI的阶段性变化特征
三、实时FSI的区制状态识别
四、实时FSI的样本外预测效果
五、实时FSI的稳健性检验
第五节 小结
第五章 中国系统性金融风险预警研究:基于机器学习和深度学习方法
第一节 问题的提出
第二节 文献回顾
第三节 研究设计
一、机器学习和深度学习方法介绍
二、特征选择及指标体系构建
三、模型性能评估
第四节 中国系统性金融风险预警
一、期望输出值的确定
二、预警效果评价
三、动态预警分析
四、解释模型分析
五、系统性金融风险预测
第五节 小结
第六章 中国金融体系系统性金融风险传染研究:基于大数据和机器学习模型分析
第一节 问题的提出
第二节 文献回顾
第三节 理论、模型和方法
一、高斯图模型与金融机构关联关系构建
二、核主成分分析与数据融合
第四节 数据描述与处理
一、市场数据
二、动态风险数据
三、互联网大数据
第五节 中国金融体系系统性金融风险传染分析
一、金融机构系统性金融风险传染分析
二、金融机构系统重要性分析
三、系统性金融风险演进分析
第六节 小结
第七章 中国区域系统性金融风险传染效应研究:基于网络分析方法
第一节 问题的提出
第二节 文献回顾
第三节 方法、模型和数据
一、网络分析方法
二、无标度网络上的SIRS模型
三、变量选择和数据合成方法
第四节 中国区域系统性金融风险传染效应的网络特征分析
一、整体网络结构特征和动态演变分析
二、中心性分析
三、块模型分析
第五节 中国区域系统性金融风险传染的数值动态仿真
第六节 小结
第八章 中国系统性金融风险的防范和监管:宏观审慎和大数据视角
第一节 引言
第二节 防范系统性金融风险的宏观审慎政策
第三节 国内外大数据宏观审慎监管实践经验
一、美国经验
二、英国经验
三、中国经验
第四节 中国系统性金融风险防范和监管:对策建议
一、建立有助于系统性金融风险防范的宏观审慎监管大数据平台
二、研究应用大数据前沿方法完善系统性金融风险监测预警机制
三、结合金融发展新形势健全宏观审慎政策框架体系
四、以加强系统重要性机构审慎监管为重点防范系统性金融风险传染
五、预防区域系统性金融风险传染演化为全局系统性金融风险
第九章 总结与展望
第一节 本文结论
第二节 本文研究不足与展望
一、本文的研究不足
二、未来展望
参考文献