黨印　苗子清　張濤　馮冬發(fā)

摘? ?要：大數(shù)據(jù)為系統(tǒng)性金融風(fēng)險監(jiān)測提供了新的數(shù)據(jù)源，衍生出新的分析方法，為監(jiān)測系統(tǒng)性金融風(fēng)險提供了新的視角，并產(chǎn)生了預(yù)測效果更好、性能更佳的系統(tǒng)性金融風(fēng)險預(yù)警模型，以更全面的視角考察系統(tǒng)性金融風(fēng)險的傳染情況。系統(tǒng)性金融風(fēng)險的成因有一些共性因素，也有一些與特定國家相關(guān)的國別因素，各類大數(shù)據(jù)方法模型均有一定的解釋和預(yù)測力度，不過尚沒有統(tǒng)一的普適模型。系統(tǒng)性金融風(fēng)險傳染具有集群效應(yīng)，并可能跨國傳染。未來需要進一步拓展數(shù)據(jù)源，研判風(fēng)險成因，與傳統(tǒng)統(tǒng)計和計量分析相融合，擴展運用大數(shù)據(jù)方法。

關(guān)鍵詞：大數(shù)據(jù)方法;系統(tǒng)性金融風(fēng)險;監(jiān)測;預(yù)警

中圖分類號：F831? 文獻標識碼：B? 文章編號：1674-2265（2022）02-0003-11

DOI：10.19647/j.cnki.37-1462/f.2022.02.001

一、引言

2008年全球金融危機爆發(fā)以后，各國金融監(jiān)管部門普遍認為應(yīng)加強金融體系的宏觀審慎監(jiān)管，并推出防范系統(tǒng)性金融風(fēng)險、維護金融穩(wěn)定的金融監(jiān)管措施。十幾年來，各國政府致力于構(gòu)建宏觀審慎監(jiān)管框架，取得了一定成效，但在新冠肺炎疫情沖擊及各國發(fā)展不平衡的背景下，宏觀審慎監(jiān)管面臨著一系列新的挑戰(zhàn)。其中，準確監(jiān)測和預(yù)警系統(tǒng)性金融風(fēng)險在宏觀審慎監(jiān)管中至關(guān)重要，但是目前面臨三重困難：一是近年來金融科技迅猛發(fā)展，金融產(chǎn)品創(chuàng)新層出不窮，金融體系的結(jié)構(gòu)性變化速度加快，金融機構(gòu)之間的關(guān)聯(lián)關(guān)系更加復(fù)雜，金融風(fēng)險也更加隱蔽，準確衡量系統(tǒng)性金融風(fēng)險的難度加大。二是傳統(tǒng)系統(tǒng)性金融風(fēng)險監(jiān)測預(yù)警的框架和方式是“小數(shù)據(jù)”時代的產(chǎn)物，處理數(shù)據(jù)和信息的能力有限，難以保證監(jiān)管部門對風(fēng)險分析和判斷的準確性和前瞻性（劉春航，2020）[1]。三是隨著世界經(jīng)濟和金融市場一體化趨勢的發(fā)展，及時性、一致性和跨國間可比性的經(jīng)濟和金融統(tǒng)計數(shù)據(jù)尚較缺乏，系統(tǒng)性金融風(fēng)險監(jiān)測預(yù)警的數(shù)據(jù)需求與零散統(tǒng)計、標準不一的現(xiàn)行金融數(shù)據(jù)體系之間存在“數(shù)據(jù)缺口（Data Gap）”或“信息缺口（Information Gap）”（IMF和FSB，2009）[2]。

得益于互聯(lián)網(wǎng)的快速發(fā)展和計算機技術(shù)的進步，如今經(jīng)濟社會各領(lǐng)域均注重大數(shù)據(jù)的搜集、整合和運用。金融業(yè)發(fā)展越來越依靠大數(shù)據(jù)及數(shù)據(jù)處理技術(shù)，大數(shù)據(jù)及大數(shù)據(jù)分析正在推動金融業(yè)發(fā)生歷史性變革。同時，與傳統(tǒng)統(tǒng)計和分析方法相比，大數(shù)據(jù)方法具有及時、精準、低成本、樣本量大、顆粒度高等優(yōu)勢（張濤和劉寬斌，2018）[3]，使其成為提升系統(tǒng)性金融風(fēng)險監(jiān)測預(yù)警能力、完善宏觀審慎監(jiān)管方式、應(yīng)對金融科技和金融風(fēng)險挑戰(zhàn)的新利器，各國監(jiān)管者和研究者也在不斷探索系統(tǒng)性金融風(fēng)險監(jiān)測預(yù)警的大數(shù)據(jù)方法。

本文將回顧國內(nèi)外將大數(shù)據(jù)方法應(yīng)用于系統(tǒng)性金融風(fēng)險監(jiān)測預(yù)警的主要研究成果，總結(jié)目前系統(tǒng)性金融風(fēng)險研究中的大數(shù)據(jù)分析方法，梳理比較大數(shù)據(jù)方法在監(jiān)測預(yù)警系統(tǒng)性金融風(fēng)險方面的前沿應(yīng)用，研判大數(shù)據(jù)方法給系統(tǒng)性金融風(fēng)險監(jiān)測預(yù)警及宏觀審慎監(jiān)管帶來的變化和未來的發(fā)展趨勢，為充分利用大數(shù)據(jù)方法健全我國系統(tǒng)性金融風(fēng)險監(jiān)測預(yù)警體系和提高宏觀審慎監(jiān)管水平提供參考和借鑒。

二、系統(tǒng)性金融風(fēng)險研究中的大數(shù)據(jù)方法

系統(tǒng)性金融風(fēng)險涉及多個地區(qū)的多家金融機構(gòu)，研判風(fēng)險類別和大小是采取應(yīng)對措施的前提。學(xué)界早前基于一些常規(guī)的財務(wù)指標判別系統(tǒng)性金融風(fēng)險，后來引入復(fù)雜的財務(wù)指標體系，再后來引入非財務(wù)指標，包括財務(wù)公告、新聞信息、互聯(lián)網(wǎng)評論等，并引入各種新的方法來處理復(fù)雜的財務(wù)指標和文本信息，動態(tài)跟蹤風(fēng)險的演變。總體而言，近年來學(xué)界在系統(tǒng)性金融風(fēng)險研究中常用的大數(shù)據(jù)方法包括機器學(xué)習(xí)、文本挖掘、網(wǎng)絡(luò)分析和深度學(xué)習(xí)等。

（一）機器學(xué)習(xí)

機器學(xué)習(xí)（Machine Learning）是計算機科學(xué)領(lǐng)域中人工智能的一個子集，它通常利用數(shù)學(xué)、人工智能算法賦予計算機系統(tǒng)自動“學(xué)習(xí)”數(shù)據(jù)的能力，而無須明確的人工編程（Samuel，1959）[4]。隨著近年來大數(shù)據(jù)的出現(xiàn)和數(shù)據(jù)科學(xué)的發(fā)展，機器學(xué)習(xí)在社會各領(lǐng)域得到廣泛應(yīng)用。同時，由于機器學(xué)習(xí)具有精準的模式識別和預(yù)測預(yù)報能力，其在金融領(lǐng)域的應(yīng)用也在不斷擴展，特別是在金融風(fēng)險預(yù)警和預(yù)測方面。一般來說，機器學(xué)習(xí)分為有監(jiān)督學(xué)習(xí)（Supervised Learning）、無監(jiān)督學(xué)習(xí)（Unsupervised Learning）和強化學(xué)習(xí)（Reinforcement Learning）三個大類。

有監(jiān)督學(xué)習(xí)主要基于帶有標簽的觀察數(shù)據(jù)（即訓(xùn)練數(shù)據(jù)）構(gòu)建模型，目標是在幾個類別（即觀察類別）中確定新觀察數(shù)據(jù)所屬的類別，對單個數(shù)據(jù)樣本進行分類。換言之，類別是從過去觀測樣本（即訓(xùn)練數(shù)據(jù)集）的分析中推斷出來的，模型的目標是根據(jù)新觀測值的特征來預(yù)測其類別。例如，金融機構(gòu)是否發(fā)生信用風(fēng)險（“是”或“否”取決于金融機構(gòu)的特征，并與已發(fā)生或未發(fā)生風(fēng)險的金融機構(gòu)的歷史數(shù)據(jù)集進行比較）、金融體系是否在一段時間發(fā)生系統(tǒng)性金融風(fēng)險等。有監(jiān)督機器學(xué)習(xí)的算法包括邏輯回歸（Logistic Regression）、線性判別分析（Linear Discriminant Analysis）、K近鄰（K-Nearest Neighbours）、決策樹（Decision Trees）、隨機森林（Random Forest）、樸素貝葉斯分類（Na?ve Bayes Classifier）、支持向量機（Support Vector Machines）、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）等，不同算法的內(nèi)在原理有所不同（見表1）。

無監(jiān)督學(xué)習(xí)主要指基于不包含標簽的觀察數(shù)據(jù)（即訓(xùn)練數(shù)據(jù)）構(gòu)建模型，這意味著對于一組特定的觀測值，尚未事先確定類別，因此，模型的目標是對其檢測到相似特征的觀測值進行重新歸類或組合。無監(jiān)督學(xué)習(xí)中兩個典型的例子是聚類（Clustering）和降維（Dimensionality Reduction）。在聚類中，目的是將最相似的觀察數(shù)據(jù)以聚集的方式（自下而上的方法）放在同一個類別中，比如，識別具有相似特征的客戶或公司群體。降維是指將原始數(shù)據(jù)以分裂的方式（自上而下的方法）重新排列在新的數(shù)據(jù)集中，在不損失太多信息的前提下使數(shù)據(jù)的特征顯著減少。

強化學(xué)習(xí)主要指通過額外的信息反饋（例如人為干預(yù)）來補充無監(jiān)督學(xué)習(xí)，目標是研究在動態(tài)環(huán)境中通過學(xué)習(xí)策略實現(xiàn)回報最大化，其中動態(tài)環(huán)境一般表現(xiàn)為馬爾科夫決策過程（Markov Decision Process）。

（二）文本挖掘

文本挖掘（Text Mining）是目前快速發(fā)展的一種大數(shù)據(jù)分析方法。該方法通過自動分析大量自然語言文本，檢測詞匯或語言模式，提取有用的見解觀點和重要信息。雖然一般的經(jīng)濟金融實證研究僅涉及數(shù)字指標變量，但各國的監(jiān)管者和研究者也開始關(guān)注由經(jīng)濟和金融活動產(chǎn)生的大量且不斷增加的文本信息，包括互聯(lián)網(wǎng)文本（例如社交媒體帖子）、對外公開的公司財務(wù)報告、媒體文章、政府部門審議事項報告等。

文本挖掘一般從一些標準的預(yù)處理步驟開始，例如標記化（將文本拆分為單詞）、停止詞刪除（丟棄非常頻繁/非主題的單詞，如“a”“the”“to”）、詞干分析或詞綴分析（將單詞轉(zhuǎn)換為詞根形式，例如將“prediction”和“predicted”合并為“predict”），并將單詞合并到一個詞組中（例如將“Bank”和“China”分組為“Bank China”）。完成后，將初始文檔轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)矩陣，該矩陣表示每個文本指示術(shù)語的出現(xiàn)（或不出現(xiàn)）程度，數(shù)據(jù)矩陣中的數(shù)值可以通過“詞轉(zhuǎn)換為向量”技術(shù)（例如獨熱表示法、Word2Vec技術(shù)等）得到。最后，采用定量算法對數(shù)據(jù)矩陣進行分析，形成相應(yīng)信息序列，從而對具體問題進行預(yù)測和解釋（沈艷等，2019）[5]（見圖1）。

潛在狄利克雷分布（Latent Dirichlet Allocation，LDA）是當(dāng)前處理文本信息的一種流行算法，該算法假定全部文檔M存在K個主題，每個文檔m包含Nm個詞語，每個詞都由一個主題生成。主題服從一個多項式分布θm，而每個主題k與詞匯表中的V個單詞的一個多項式分布φk相對應(yīng)，假定分布θm和φk具有共軛的狄利克雷分布，該共軛的狄利克雷分布的超參數(shù)為α和β。通過預(yù)設(shè)文檔中的主題個數(shù)，LDA模型可以概率分布的形式給出每篇文檔的主題，其中每個主題對應(yīng)一類詞語分布，根據(jù)詞語分布可以挑選出一些關(guān)鍵詞對該主題進行描述（Blei等，2003）[6]。

除了LDA模型，更簡單的方法是將基于詞典的方法（Dictionary-Based Methods）用于文本分析。具體而言，選擇與感興趣的主題相關(guān)的一組關(guān)鍵字（如與“投資者信心”相關(guān)的關(guān)鍵字），根據(jù)選定的關(guān)鍵字在給定文檔中出現(xiàn)的頻率構(gòu)建一個索引，從而評估主題指標的演變（如投資者情緒的演變）。

（三）網(wǎng)絡(luò)分析

網(wǎng)絡(luò)分析（Network Analysis）方法起源于20世紀90年代的復(fù)雜系統(tǒng)研究，如今已成為大數(shù)據(jù)分析的重要工具之一。金融風(fēng)險研究領(lǐng)域運用的主要是金融網(wǎng)絡(luò)分析（Financial Network Analysis）方法，可以看作是對構(gòu)成金融系統(tǒng)各要素之間風(fēng)險關(guān)系的分析。美國商業(yè)銀行間支付網(wǎng)絡(luò)是最早采用金融網(wǎng)絡(luò)分析方法研究金融系統(tǒng)性風(fēng)險的經(jīng)典案例，為分析系統(tǒng)性風(fēng)險的網(wǎng)絡(luò)效應(yīng)提供了啟示（Soram?ki等，2007）[7]。金融網(wǎng)絡(luò)分析的主要模式包括自上而下的方法（如系統(tǒng)性風(fēng)險的分析）、自下而上的方法（如系統(tǒng)特定節(jié)點之間的連接分析）、網(wǎng)絡(luò)特性分析（如風(fēng)險傳導(dǎo)渠道）和建立仿真模型（網(wǎng)絡(luò)中涉及的特定代理的分析，如風(fēng)險傳導(dǎo)的仿真模擬）等。全部工作涉及分析（數(shù)據(jù)可視化和潛在風(fēng)險識別）、監(jiān)測（實時異常檢測）和模擬（情景測試和壓力測試）三個階段。

在實踐中，網(wǎng)絡(luò)是由元素（或節(jié)點）組成的，它們直接或間接地相互連接，這可以用多種類型的圖來表示。一個重要的概念是中心性（Centrality），它與網(wǎng)絡(luò)中節(jié)點（或連接）的重要性有關(guān)，并且可以通過特定的指標來度量。另一個是社區(qū)發(fā)現(xiàn)（Community Detection），即使用特定的機器學(xué)習(xí)算法，在集群中重組節(jié)點并過濾噪聲，從而實現(xiàn)大型復(fù)雜網(wǎng)絡(luò)的簡約化和可視化。

金融網(wǎng)絡(luò)分析特別適合刻畫金融系統(tǒng)內(nèi)部的相互關(guān)聯(lián)性。比如，繪制金融機構(gòu)間的風(fēng)險敞口類型圖;再如，通過研究不同金融機構(gòu)在金融體系中的風(fēng)險關(guān)聯(lián)關(guān)系，評估金融機構(gòu)在風(fēng)險傳染網(wǎng)絡(luò)中所發(fā)揮的作用，考察風(fēng)險傳播機制和傳導(dǎo)路徑。

（四）深度學(xué)習(xí)

深度學(xué)習(xí)（Deep Learning）被認為是一種更深層次的機器學(xué)習(xí)方法，由多層神經(jīng)網(wǎng)絡(luò)輸出層、輸入層和兩者之間的一系列堆疊隱藏層構(gòu)成（見圖2）（Schmidhuber，2015;Nielsen，2019）[8，9]。深度學(xué)習(xí)方法適合解決復(fù)雜性問題，近年來被廣泛應(yīng)用到人工智能任務(wù)中。與一般的機器學(xué)習(xí)算法相比，深度學(xué)習(xí)可以通過逐層學(xué)習(xí)提煉出高抽象水平的、復(fù)雜的特征，并以此作為數(shù)據(jù)的表現(xiàn)形式，提升分類或預(yù)測的準確性。同時，深度學(xué)習(xí)能夠在全局路徑中生成學(xué)習(xí)模式，不僅提供了適合于人工智能應(yīng)用的數(shù)據(jù)特征，還使人工智能的最終目標“獨立于人”成為可能（Najafabadi等，2015）[10]。

常用的深度學(xué)習(xí)算法模型包括深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network）、棧式自動編碼器（Stacked Autoencoders）、深度信念網(wǎng)絡(luò)（Deep Belief Network）、BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network）等。其中，深度神經(jīng)網(wǎng)絡(luò)中每一層的權(quán)重和閾值可由有監(jiān)督或無監(jiān)督學(xué)習(xí)過程來決定，其他結(jié)構(gòu)權(quán)重采取相似方法進行（Bengio等，2013）[11];棧式自動編碼器和深度信念網(wǎng)絡(luò)一般由普通機器學(xué)習(xí)中的自動編碼器和受限玻爾茲曼機串聯(lián)而成，能夠?qū)Υ罅繑?shù)據(jù)進行無監(jiān)督學(xué)習(xí)（Hinton等，2006）[12];BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，其信號是前向傳播，而誤差是反向傳播，具有任意復(fù)雜的模式分類和優(yōu)良的多維函數(shù)映射能力;循環(huán)神經(jīng)網(wǎng)絡(luò)可以用來展示動態(tài)時序行為，長短期記憶（Long Short-Term Memory）模型是循環(huán)神經(jīng)網(wǎng)絡(luò)中應(yīng)用較為常見的模型，可以對極其復(fù)雜的長期時序動態(tài)信息進行處理（LeCun等，2015）[13]。

三、大數(shù)據(jù)方法在系統(tǒng)性金融風(fēng)險監(jiān)測預(yù)警中的應(yīng)用

基于以上大數(shù)據(jù)分析方法，系統(tǒng)性金融風(fēng)險監(jiān)測預(yù)警的研究取得了新的進展，在風(fēng)險識別、成因分析、預(yù)測預(yù)警、傳染測度和跨國傳染等方面涌現(xiàn)出較多文獻，拓展了學(xué)界對相關(guān)問題的認識。

（一）系統(tǒng)性金融風(fēng)險的識別監(jiān)測和成因分析

采用大數(shù)據(jù)分析方法，可以從市場研究報告、市場評論、新聞、報紙、社交網(wǎng)絡(luò)、政府文件等新型數(shù)據(jù)源提取非結(jié)構(gòu)化數(shù)據(jù)，在傳統(tǒng)經(jīng)濟金融結(jié)構(gòu)化數(shù)據(jù)的基礎(chǔ)上，為識別系統(tǒng)性金融風(fēng)險提供新的視角和數(shù)據(jù)來源。

國外研究方面，Gandrud和Hallerberg（2015）[14]運用核主成分分析（Kernel Principal Component Analysis）機器學(xué)習(xí)方法，以經(jīng)濟學(xué)人智庫（EIU）的月度國別報告作為數(shù)據(jù)來源，將大量定性文本總結(jié)為有用的連續(xù)橫截面時間序列指標，構(gòu)建了能實時和連續(xù)感知金融系統(tǒng)壓力的金融市場壓力指數(shù)（FinStress Index），該測量方法不僅能監(jiān)測各國金融市場壓力和金融危機，也為利用機器學(xué)習(xí)和文本分析構(gòu)建經(jīng)濟現(xiàn)象連續(xù)指標做了新的探索。Cerchiello等（2017）[15]運用深度學(xué)習(xí)方法從路透社網(wǎng)站的金融新聞中提取信息，結(jié)合銀行報表數(shù)據(jù)、銀行部門數(shù)據(jù)和宏觀金融數(shù)據(jù)等標準金融數(shù)據(jù)，建立神經(jīng)網(wǎng)絡(luò)模型，對銀行危機進行了評估，發(fā)現(xiàn)新聞數(shù)據(jù)帶來了更多標準金融變量所沒有的有用信息，新信息結(jié)合機器學(xué)習(xí)模型提高了評估銀行危機的準確性。Chen等（2019）[16]選取經(jīng)合組織研究報告、路透社新聞檔案、國際貨幣基金組織報告等多個文本數(shù)據(jù)源，使用多種機器學(xué)習(xí)方法來識別和預(yù)測金融危機，發(fā)現(xiàn)基于文本數(shù)據(jù)的機器學(xué)習(xí)模型在統(tǒng)計學(xué)上優(yōu)于基于市場、資金流數(shù)據(jù)的傳統(tǒng)計量模型，減少了模型樣本外測試中對危機的誤報和漏報。英格蘭銀行的Nyman等（2021）[17]運用文本挖掘等大數(shù)據(jù)分析技術(shù)，從英格蘭銀行內(nèi)部市場評論、經(jīng)紀商市場研究報告、路透社新聞中挖掘定量的概要統(tǒng)計數(shù)據(jù)，構(gòu)建衡量指標來評估系統(tǒng)性金融風(fēng)險，發(fā)現(xiàn)通過大數(shù)據(jù)技術(shù)得到的衡量指標與金融市場事件有很好的相關(guān)性，能夠反映金融危機發(fā)生前市場情緒的變化，為傳統(tǒng)系統(tǒng)性風(fēng)險評估提供了有益補充和拓展

國內(nèi)研究方面，羅鵬等（2018）[18]利用百度搜索大數(shù)據(jù)構(gòu)建了金融風(fēng)險感知指標，并結(jié)合傳統(tǒng)經(jīng)濟金融數(shù)據(jù)，構(gòu)建了系統(tǒng)性金融風(fēng)險預(yù)測模型，發(fā)現(xiàn)包含百度搜索大數(shù)據(jù)的風(fēng)險預(yù)測模型有助于提升系統(tǒng)性金融風(fēng)險預(yù)測的準確度，并且該模型在金融風(fēng)險上升時期的預(yù)測效果要好于金融風(fēng)險下降時期的預(yù)測效果。歐陽資生等（2020）[19]使用網(wǎng)絡(luò)爬蟲技術(shù)在東方財富網(wǎng)中收集了2015年1月—2019年3月滬深A(yù)股51家上市金融機構(gòu)股吧評論信息，采用文本挖掘技術(shù)構(gòu)建了網(wǎng)絡(luò)輿情指數(shù)，并在傳統(tǒng)經(jīng)濟金融數(shù)據(jù)的基礎(chǔ)上，將網(wǎng)絡(luò)輿情指數(shù)嵌入到衡量中國金融機構(gòu)系統(tǒng)性風(fēng)險的非對稱CoVoR模型中，使得系統(tǒng)性金融風(fēng)險監(jiān)測的視角更加豐富和全面。肖爭艷和任夢瑤（2021）[20]運用網(wǎng)絡(luò)爬蟲技術(shù)從《經(jīng)濟觀察報》網(wǎng)站中爬取新聞數(shù)據(jù)，采用文本處理方法合成了反映媒體對政策風(fēng)險和市場風(fēng)險感知的媒體風(fēng)險感知復(fù)合指標，并結(jié)合傳統(tǒng)金融市場風(fēng)險指標，使用CISS方法合成了中國系統(tǒng)性金融風(fēng)險指數(shù)（RP-SRI），并將其與只包含金融市場風(fēng)險指標的金融壓力指數(shù)（FSI）進行對比，發(fā)現(xiàn)媒體風(fēng)險感知與金融市場和宏觀經(jīng)濟之間存在單向的非線性格蘭杰因果關(guān)系，加入媒體風(fēng)險感知的RP-SRI相較于FSI 可以更好地識別經(jīng)濟下行風(fēng)險和系統(tǒng)性金融風(fēng)險的迅速積累狀態(tài)，從而實現(xiàn)預(yù)警金融風(fēng)險的目的。

在風(fēng)險識別的基礎(chǔ)上，研究和探討風(fēng)險成因至關(guān)重要。隨著大數(shù)據(jù)技術(shù)不斷成熟和發(fā)展，機器學(xué)習(xí)算法的“黑箱”機制逐步被破解，引入機器學(xué)習(xí)解釋模型后，可對產(chǎn)生模型結(jié)果的重要影響因素進行分析。英格蘭銀行學(xué)者Suss和Treitel（2019）[21]在運用機器學(xué)習(xí)模型建立銀行危機預(yù)警系統(tǒng)的基礎(chǔ)上，使用最新開發(fā)的Shapely值機器學(xué)習(xí)模型解釋技術(shù)，探究了發(fā)生銀行危機的驅(qū)動因素，認為宏觀經(jīng)濟變量、市場風(fēng)險、資本緩沖和凈息差是危機產(chǎn)生的重要原因。王達和周映雪（2020）[22]以韓國等16個國家的宏觀經(jīng)濟數(shù)據(jù)作為訓(xùn)練集，以中美兩國的數(shù)據(jù)作為測試集，對隨機森林機器學(xué)習(xí)模型在系統(tǒng)性風(fēng)險識別中的應(yīng)用進行了探索式研究，發(fā)現(xiàn)隨機森林模型對訓(xùn)練集數(shù)據(jù)學(xué)習(xí)后不僅通過了穩(wěn)健性檢驗，而且具有優(yōu)異的泛化性能，能夠很好地識別中美兩國的系統(tǒng)性風(fēng)險。同時，引入Shapely值機器學(xué)習(xí)解釋模型對風(fēng)險識別結(jié)果進行了“黑箱”拆解，對不同特征變量對系統(tǒng)性風(fēng)險概率的貢獻度進行了量化分析，找出了影響系統(tǒng)性風(fēng)險的重要因素，認為信貸過快增長、流動性過剩是加大中國系統(tǒng)性風(fēng)險的主要因素。

（二）系統(tǒng)性金融風(fēng)險的預(yù)測和預(yù)警

防止系統(tǒng)性金融風(fēng)險發(fā)生，對系統(tǒng)性金融風(fēng)險進行準確預(yù)測和早期預(yù)警，以便監(jiān)管當(dāng)局及時采取風(fēng)險防范化解措施至關(guān)重要。相較于傳統(tǒng)統(tǒng)計與計量經(jīng)濟學(xué)模型，大數(shù)據(jù)方法能更好地捕捉經(jīng)濟金融變量之間復(fù)雜的非線性關(guān)系和相互影響，預(yù)測精度也更高，近年來國內(nèi)外學(xué)者不斷進行新的嘗試和探索，人工神經(jīng)網(wǎng)絡(luò)（ANN）模型、分類和回歸樹（CART）模型、隨機森林（Random Forest）模型、支持向量機（SVM）模型等機器學(xué)習(xí)算法模型以及長短期記憶（LSTM）模型、BP神經(jīng)網(wǎng)絡(luò)模型等深度學(xué)習(xí)算法模型都被應(yīng)用于金融危機的早期預(yù)警，系統(tǒng)性金融風(fēng)險預(yù)測模型呈現(xiàn)出多樣化的趨勢。

第一個研究分支著力解決傳統(tǒng)統(tǒng)計和計量預(yù)警模型準確率較低的問題，建立基于機器學(xué)習(xí)和深度學(xué)習(xí)算法的單一模型，對系統(tǒng)性金融風(fēng)險進行預(yù)警，并與傳統(tǒng)統(tǒng)計和計量模型進行了比較。Nag和Mitra（1999）[23]最早將人工神經(jīng)網(wǎng)絡(luò)模型引入金融危機預(yù)警研究，使用人工神經(jīng)網(wǎng)絡(luò)構(gòu)建一個貨幣危機預(yù)警系統(tǒng)，并測試其預(yù)測馬來西亞、泰國和印度尼西亞貨幣危機的性能，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)模型比傳統(tǒng)KLR信號模型表現(xiàn)更好，特別是在樣本外預(yù)測方面。Franck和Schmied （2003）[24]構(gòu)建了一個基于多層感知機的神經(jīng)網(wǎng)絡(luò)模型，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型在預(yù)測貨幣危機方面優(yōu)于傳統(tǒng)Logit模型，特別是能夠預(yù)測20世紀90年代末發(fā)生在俄羅斯和巴西的貨幣危機和投機襲擊。Roy（2009）[25]在分析傳統(tǒng)貨幣危機預(yù)警模型準確率低原因的基礎(chǔ)上，探索運用人工循環(huán)神經(jīng)網(wǎng)絡(luò)（Artificial Recurrent Neural Network）構(gòu)建貨幣危機預(yù)警模型，通過1970—1997年23個國家數(shù)據(jù)的樣本內(nèi)和樣本外預(yù)測發(fā)現(xiàn)，循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)警模型在擬合優(yōu)度上優(yōu)于線性Probit模型等傳統(tǒng)預(yù)警模型。Sekmen和Kurkcu（2014）[26]使用人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)范式預(yù)測經(jīng)濟危機事件，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)范式具有靈活的建模能力，因為其不需要諸如數(shù)據(jù)平穩(wěn)或正態(tài)分布等先驗條件，可以應(yīng)用于任何時間序列，并允許通過簡單的算法編程來解決非常復(fù)雜的問題。其采用人工神經(jīng)網(wǎng)絡(luò)算法模型對1990—2011年間土耳其發(fā)生的經(jīng)濟危機進行分析時發(fā)現(xiàn)，人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測性能明顯優(yōu)于傳統(tǒng)統(tǒng)計模型和信號模型，該模型成功地預(yù)測了樣本期間土耳其大部分貨幣危機事件，在樣本期中大多數(shù)危機事件發(fā)生之前都釋放了預(yù)警信號。T?l?（2020）[27]使用遞歸神經(jīng)網(wǎng)絡(luò)嘗試提前1～5年預(yù)測系統(tǒng)性金融危機，并選擇涵蓋17個發(fā)生過危機國家的數(shù)據(jù)集評估預(yù)測性能，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以用來預(yù)測系統(tǒng)性金融危機，并且優(yōu)于傳統(tǒng)的邏輯回歸模型，利用長短期記憶（RNN-LSTM）和門控循環(huán)單元（RNN-GRU）神經(jīng)網(wǎng)絡(luò)可以顯著提高模型的預(yù)測性能。Ouyang等（2021）[28]基于文本挖掘方法合成了一個網(wǎng)絡(luò)輿情指數(shù)，通過檢驗發(fā)現(xiàn)網(wǎng)絡(luò)輿情是系統(tǒng)性金融風(fēng)險的非線性格蘭杰原因，同時以網(wǎng)絡(luò)輿情指數(shù)和14個系統(tǒng)性金融風(fēng)險指標作為模型的訓(xùn)練集，采用注意力長短期記憶（Attention-LSTM）神經(jīng)網(wǎng)絡(luò)模型對系統(tǒng)性金融風(fēng)險進行預(yù)警，發(fā)現(xiàn)該模型在預(yù)測上有著較強的泛化能力，與傳統(tǒng)SVR、ARIMA 模型相比能夠更好地預(yù)警系統(tǒng)性金融風(fēng)險。

第二個研究分支從“模型不確定性”的理念出發(fā)，整合和建立基于不同算法的機器學(xué)習(xí)模型，并通過混淆矩陣、ROC曲線等評估方法衡量不同模型的預(yù)測性能，從而找到最優(yōu)的機器學(xué)習(xí)預(yù)警模型。Joy等（2017）[29]基于分類和回歸樹（CART）及隨機森林機器學(xué)習(xí)算法模型，選取1970—2010年36個發(fā)達國家的面板數(shù)據(jù)，對銀行危機和貨幣危機的預(yù)警問題展開研究，發(fā)現(xiàn)機器學(xué)習(xí)模型的預(yù)測效果良好，并可以識別出重要變量，有助于找到不同類型危機的先兆指標。王克達（2019）[30]分別使用Logit模型、二元分類樹模型、Bagging和隨機森林模型，基于1970—2011年各國金融危機數(shù)據(jù)，對系統(tǒng)性銀行危機、貨幣危機和主權(quán)債務(wù)危機的預(yù)警分別進行研究，比較和分析了不同模型的預(yù)警效果，發(fā)現(xiàn)隨機森林模型的預(yù)警效果最好，針對亞洲金融危機、阿根廷金融危機以及全球金融危機的樣本外預(yù)測，隨機森林模型的預(yù)測精度均明顯優(yōu)于其他模型，并能有效識別金融危機的先導(dǎo)指標。Suss 和Treitel（2019）[31]利用k近鄰、隨機森林、支持向量機、Boosting等機器學(xué)習(xí)技術(shù)和對銀行風(fēng)險的監(jiān)管評估數(shù)據(jù)，建立了英國銀行危機預(yù)警系統(tǒng)，并與邏輯回歸等傳統(tǒng)統(tǒng)計技術(shù)進行了比較，發(fā)現(xiàn)機器學(xué)習(xí)技術(shù)明顯優(yōu)于邏輯回歸等傳統(tǒng)統(tǒng)計技術(shù)，特別是隨機森林表現(xiàn)出色，適合作為銀行危機預(yù)警系統(tǒng)的算法模型。Samitas等（2020）[32]分別建立決策樹、判別分析、支持向量機、k近鄰、集成分類器等機器學(xué)習(xí)模型，選取股票指數(shù)、主權(quán)債券和CDS數(shù)據(jù)，對可能發(fā)生的系統(tǒng)性風(fēng)險傳染進行了早期預(yù)警分析，發(fā)現(xiàn)支持向量機模型的預(yù)測效果最好，正確率達到了98.8%。

（三）系統(tǒng)性金融風(fēng)險的傳染渠道和機制

大數(shù)據(jù)中的網(wǎng)絡(luò)分析方法是分析經(jīng)濟主體之間相互作用和評估金融系統(tǒng)對系統(tǒng)性風(fēng)險抵御能力的重要方法，可以直觀全面地考察金融體系的網(wǎng)絡(luò)結(jié)構(gòu)和系統(tǒng)性金融風(fēng)險在不同金融機構(gòu)間的傳染。此類研究的主要思路是構(gòu)建能代表一國金融體系的金融網(wǎng)絡(luò)，結(jié)合實際的網(wǎng)絡(luò)特征，運用網(wǎng)絡(luò)的測量指標，考察系統(tǒng)性金融風(fēng)險的傳染程度以及金融機構(gòu)在風(fēng)險傳染中的系統(tǒng)重要性。

在對國外金融體系的研究中，Diebold和Yilmaz（2014）[33]綜合運用預(yù)測誤差方差分解方法和加權(quán)有向網(wǎng)絡(luò)，構(gòu)建了美國金融機構(gòu)關(guān)聯(lián)網(wǎng)絡(luò)，基于方差分解刻畫金融機構(gòu)兩兩對應(yīng)的風(fēng)險傳染程度，分析發(fā)現(xiàn)系統(tǒng)性金融風(fēng)險能夠在各家金融機構(gòu)之間傳染，2008—2009年金融危機期間處于困境的金融機構(gòu)風(fēng)險傳染性最強。Cerchiello等（2017）[34]綜合利用金融市場數(shù)據(jù)和金融推特（Financial Tweets）大數(shù)據(jù)，建立高斯圖模型對意大利銀行部門的風(fēng)險網(wǎng)絡(luò)結(jié)構(gòu)和系統(tǒng)性金融風(fēng)險傳染展開分析，并以高斯圖模型估計得到的偏相關(guān)系數(shù)作為系統(tǒng)性金融風(fēng)險傳染程度的衡量指標，發(fā)現(xiàn)資產(chǎn)規(guī)模較大的銀行風(fēng)險傳染能力一般較強。Nicola等（2020）[35]根據(jù)美國74家上市銀行的每日股票時間序列，運用基于LoGo算法的高斯圖模型，構(gòu)建了銀行間互聯(lián)的金融網(wǎng)絡(luò)以分析系統(tǒng)性風(fēng)險的傳染，發(fā)現(xiàn)金融體系具有完全互聯(lián)性，無論大銀行還是小銀行都是金融體系的關(guān)鍵參與者，都可以成為風(fēng)險和傳染的源頭，并認為進一步地研究可引入銀行發(fā)行的債券、銀行CDS、銀行負債等其他數(shù)據(jù)，從而捕捉不同方面的銀行風(fēng)險。

在對國內(nèi)金融體系的研究中，陳少煒和李旸（2016）[36]采用最大熵和最小相對熵估計的方法，選取了25家樣本銀行，構(gòu)建了我國銀行網(wǎng)絡(luò)，并對網(wǎng)絡(luò)進行了統(tǒng)計性質(zhì)分析，以節(jié)點度、聚類系數(shù)、度數(shù)中心度、接近中心度、中介中心度等指標衡量了網(wǎng)絡(luò)的結(jié)構(gòu)特征和銀行機構(gòu)的風(fēng)險傳染重要性程度。李政等（2016）[37]基于Granger因果關(guān)系檢驗，采用股票價格數(shù)據(jù)，構(gòu)建了我國上市金融機構(gòu)關(guān)聯(lián)網(wǎng)絡(luò)，通過網(wǎng)絡(luò)分析法解構(gòu)了金融網(wǎng)絡(luò)的總體關(guān)聯(lián)性以及部門內(nèi)和部門間的關(guān)聯(lián)特征，認為樣本期內(nèi)我國金融系統(tǒng)的潛在的系統(tǒng)性風(fēng)險在不斷積聚，風(fēng)險傳染中銀行與證券部門的重要性程度更高。梁琪和常姝雅（2020）[38]采用廣義方差分解方法和LASSO-VAR模型構(gòu)建了涵蓋我國63家上市金融機構(gòu)和房地產(chǎn)機構(gòu)的波動風(fēng)險關(guān)聯(lián)網(wǎng)絡(luò)，從總體、部門與機構(gòu)三個層面進行網(wǎng)絡(luò)分析，以廣義預(yù)測誤差方差作為衡量系統(tǒng)性風(fēng)險傳染的關(guān)鍵指標，發(fā)現(xiàn)近年來系統(tǒng)性風(fēng)險關(guān)聯(lián)水平整體上升，證券部門為主要風(fēng)險溢出部門，其他金融業(yè)與房地產(chǎn)部門為主要風(fēng)險溢入部門。Fan等（2020）[39]利用爬蟲技術(shù)獲取投資者情緒數(shù)據(jù)，并通過經(jīng)驗貝葉斯方法與金融機構(gòu)股價等傳統(tǒng)市場數(shù)據(jù)進行融合，代入高斯圖模型對中國金融體系的系統(tǒng)性風(fēng)險傳染進行分析，以偏相關(guān)系數(shù)衡量風(fēng)險傳染能力，發(fā)現(xiàn)銀行部門的風(fēng)險傳染性更強，同時我國系統(tǒng)性金融風(fēng)險傳染具有集群效應(yīng)、金融機構(gòu)網(wǎng)絡(luò)相關(guān)性具有穩(wěn)定和時變性。

另外一些文獻在構(gòu)建金融網(wǎng)絡(luò)的基礎(chǔ)上，進一步在網(wǎng)絡(luò)中引入風(fēng)險傳播動力學(xué)理論和算法，對系統(tǒng)性風(fēng)險傳導(dǎo)機制和傳染路徑進行預(yù)測和模擬。Acemoglu等（2015）[40]利用雙邊債務(wù)合同數(shù)據(jù)分別構(gòu)建了銀行間環(huán)形金融網(wǎng)絡(luò)和完全金融網(wǎng)絡(luò)，并引入小規(guī)模、大規(guī)模和多重沖擊機制，分析風(fēng)險傳染程度和金融網(wǎng)絡(luò)結(jié)構(gòu)之間的關(guān)系，發(fā)現(xiàn)當(dāng)沖擊的強度和次數(shù)較小時，完全金融網(wǎng)絡(luò)較穩(wěn)定，環(huán)形金融網(wǎng)絡(luò)較不穩(wěn)定;但當(dāng)沖擊超過某閾值后，完全金融網(wǎng)絡(luò)比環(huán)形金融網(wǎng)絡(luò)更不穩(wěn)定，也更易加劇系統(tǒng)性風(fēng)險傳染。方意（2016）[41]基于2006—2013年20家中國商業(yè)銀行的資產(chǎn)負債數(shù)據(jù)，構(gòu)建了銀行間直接關(guān)聯(lián)網(wǎng)絡(luò)，并在網(wǎng)絡(luò)中引入銀行破產(chǎn)機制和去杠桿機制，量化了四類傳染渠道以考察系統(tǒng)性風(fēng)險的傳染，發(fā)現(xiàn)在風(fēng)險傳染中去杠桿渠道和銀行間負債違約渠道最為重要，系統(tǒng)性風(fēng)險存在“區(qū)制轉(zhuǎn)換”效應(yīng)。方意和鄭子文（2016）[42]基于2007—2014年中國銀行機構(gòu)和行業(yè)貸款數(shù)據(jù)，以持有共同資產(chǎn)網(wǎng)絡(luò)模型為基礎(chǔ)，將多輪傳染和資產(chǎn)價格相關(guān)等機制納入模型中，模擬分析了系統(tǒng)性風(fēng)險在銀行間的傳染路徑，發(fā)現(xiàn)風(fēng)險生成銀行往往是那些遭受外生沖擊較大、具有高度傳染性的系統(tǒng)重要性銀行，風(fēng)險承受銀行則通常是遭受外生沖擊較小且與風(fēng)險生成銀行高度關(guān)聯(lián)的系統(tǒng)重要性銀行。苗子清等（2021）[43]運用大數(shù)據(jù)和機器學(xué)習(xí)方法，量化分析中國24家A股銀行的關(guān)聯(lián)關(guān)系和銀行體系系統(tǒng)性金融風(fēng)險傳染渠道，識別系統(tǒng)重要性銀行機構(gòu)，模擬系統(tǒng)性金融風(fēng)險的傳染網(wǎng)絡(luò)和演進趨勢，發(fā)現(xiàn)系統(tǒng)性金融風(fēng)險通過金融市場、尾部風(fēng)險渠道傳染相對明顯，通過投資者情緒渠道傳染相對不明顯;總體上國有大型銀行處于風(fēng)險傳染網(wǎng)絡(luò)中的核心位置，部分城市商業(yè)銀行和農(nóng)村商業(yè)銀行的風(fēng)險傳染性也不容忽視。中國銀行體系的系統(tǒng)性金融風(fēng)險演進趨勢與內(nèi)外部經(jīng)濟運行情況、銀行體系運行情況高度吻合。Ramadiah等（2020）[44]選取100家歐洲最大銀行2008—2013年的資產(chǎn)負債表數(shù)據(jù)，構(gòu)建了一個銀行網(wǎng)絡(luò)集合，然后對其運行Furfine和DebtRank兩類沖擊傳播動力學(xué)算法，發(fā)現(xiàn)系統(tǒng)性風(fēng)險傳染的結(jié)果很大程度上取決于網(wǎng)絡(luò)特征和沖擊傳播的類型。

（四）跨國系統(tǒng)性金融風(fēng)險傳染的測度

在全球化時代，風(fēng)險可能從一國蔓延至其他國家，隨著研究的深入，學(xué)界將研究視野延伸至國際層面，綜合運用大數(shù)據(jù)網(wǎng)絡(luò)分析技術(shù)和傳統(tǒng)計量經(jīng)濟學(xué)方法，考察系統(tǒng)性金融風(fēng)險在全球主要國家（地區(qū)）金融市場的傳染情況，使系統(tǒng)性金融風(fēng)險的測度研究更加豐富和全面。

國外研究方面，Minoiu 和 Reyes（2013）[45]較早地將網(wǎng)絡(luò)分析方法引入全球系統(tǒng)性金融風(fēng)險傳染的研究，基于1978—2009年全球184個國家的跨境銀行貸款數(shù)據(jù)，構(gòu)建了全球銀行的系統(tǒng)性金融風(fēng)險關(guān)聯(lián)網(wǎng)絡(luò)，通過對網(wǎng)絡(luò)互聯(lián)性指標（如中心性、連通性和集群性）進行分析，發(fā)現(xiàn)跨境銀行貸款是金融危機傳播的一個關(guān)鍵渠道。在2008年全球金融危機前夕，美國、日本等發(fā)達經(jīng)濟體的高度互聯(lián)貸款人地位穩(wěn)固，成為危機傳播的源頭，金磚四國和歐洲的經(jīng)濟高增長國家逐漸成為高度互聯(lián)借款人，從而也成為潛在風(fēng)險最大的地區(qū)。Billio等（2012）[46]綜合運用主成分分析、格蘭杰因果檢驗和網(wǎng)絡(luò)分析方法，構(gòu)建了包含對沖基金、上市銀行、經(jīng)紀人/交易商和保險公司的全球金融網(wǎng)絡(luò)，分析發(fā)現(xiàn)四個金融部門高度相關(guān)，復(fù)雜和時變的關(guān)系網(wǎng)絡(luò)增加了全球金融體系的系統(tǒng)性風(fēng)險水平，在傳遞風(fēng)險沖擊方面，銀行的作用比其他金融機構(gòu)重要得多。Giudici和Spelta（2013）[47]以跨境金融聯(lián)系為視角，采用國際清算銀行地區(qū)銀行業(yè)統(tǒng)計數(shù)據(jù)，分別建立機器學(xué)習(xí)高斯圖模型、靜態(tài)貝葉斯圖模型和動態(tài)貝葉斯圖模型，研究分析全球金融體系的風(fēng)險關(guān)聯(lián)網(wǎng)絡(luò)和系統(tǒng)性風(fēng)險傳染，發(fā)現(xiàn)具有國際金融中心、大型跨境金融活動頻繁以及離岸的國家和地區(qū)具有潛在的風(fēng)險傳染性。

國內(nèi)研究方面，楊子暉和周穎剛（2018）[48]采用網(wǎng)絡(luò)分析方法和“有向無環(huán)圖”技術(shù)，從網(wǎng)絡(luò)關(guān)聯(lián)的視角考察了系統(tǒng)性金融風(fēng)險的國際傳遞以及在此過程中全球主要金融市場的相互作用關(guān)系，圍繞外部沖擊事件，深入研究了系統(tǒng)性金融風(fēng)險溢出的傳染路徑、作用力度、中心源頭以及傳遞方向，發(fā)現(xiàn)包括中國在內(nèi)的全球各金融市場呈現(xiàn)顯著的網(wǎng)絡(luò)關(guān)聯(lián)性，當(dāng)一國（地區(qū)）“沖擊”事件引發(fā)的市場動蕩，可能產(chǎn)生“多米諾骨牌”效應(yīng)，波及世界其他地區(qū)的金融市場，對其他國家（地區(qū)）的金融安全與金融穩(wěn)定產(chǎn)生顯著影響。楊子暉等（2020）[49]結(jié)合非線性 Granger因果檢驗和網(wǎng)絡(luò)分析方法，構(gòu)建“全球金融市場與經(jīng)濟政策不確定性”的非線性關(guān)聯(lián)網(wǎng)絡(luò)，對全球19個主要國家（地區(qū)）的經(jīng)濟政策不確定性與系統(tǒng)性金融風(fēng)險傳染關(guān)系展開了研究，發(fā)現(xiàn)近年來風(fēng)險傳染沿著“股票市場→經(jīng)濟政策不確定性→外匯市場”這一途徑擴散開來，境外金融市場會對中國大陸金融市場產(chǎn)生顯著的風(fēng)險傳染，中國香港金融市場則容易遭受外部沖擊。此外，美國資本市場會對全球造成明顯的風(fēng)險沖擊，全球特別是美國經(jīng)濟政策不確定性是引發(fā)全球金融市場震蕩的重要因素。

四、結(jié)論與展望

防范和化解系統(tǒng)性金融風(fēng)險是宏觀審慎監(jiān)管的重要任務(wù)，需要研判系統(tǒng)性金融風(fēng)險的成因，預(yù)測風(fēng)險發(fā)生的概率，分析風(fēng)險傳染的渠道和機制，關(guān)注跨國風(fēng)險傳染情況等。大數(shù)據(jù)方法為相關(guān)研究和監(jiān)管實踐提供了新的利器，推動了研究和實踐的進步。

現(xiàn)有研究表明，系統(tǒng)性金融風(fēng)險的成因有一些共性因素，也有一些與特定國家相關(guān)的國別因素;大數(shù)據(jù)模型在監(jiān)測和預(yù)警系統(tǒng)性金融風(fēng)險方面優(yōu)于傳統(tǒng)計量模型，不過模型種類繁多，尚沒有統(tǒng)一的普適模型;大型金融機構(gòu)的傳染能力更強，系統(tǒng)性金融風(fēng)險傳染具有集群效應(yīng);跨境銀行貸款、國際金融中心的跨境金融業(yè)務(wù)具有明顯的跨國風(fēng)險傳染性。

在數(shù)據(jù)源、研究工具、研究范式方面，大數(shù)據(jù)方法給系統(tǒng)性金融風(fēng)險監(jiān)測預(yù)警及宏觀審慎監(jiān)管帶來的變化至少有三個：第一，為監(jiān)測分析系統(tǒng)性金融風(fēng)險提供了有別于傳統(tǒng)經(jīng)濟金融統(tǒng)計數(shù)據(jù)的新型數(shù)據(jù)源。可以運用機器學(xué)習(xí)、文本挖掘、網(wǎng)絡(luò)分析和深度學(xué)習(xí)等方法，提取非結(jié)構(gòu)化大數(shù)據(jù)并加以利用，擴充和拓展了監(jiān)測系統(tǒng)性金融風(fēng)險的信息范圍。第二，帶來了預(yù)測效果更好、性能更佳的系統(tǒng)性金融風(fēng)險預(yù)警模型。與傳統(tǒng)統(tǒng)計和計量模型相比，機器學(xué)習(xí)和深度學(xué)習(xí)算法模型更能捕捉經(jīng)濟金融變量之間復(fù)雜的非線性關(guān)系和相互影響，預(yù)測精度也更高，可以從諸多基于不同算法的模型中找到最優(yōu)模型，提高了系統(tǒng)性金融風(fēng)險早期預(yù)警的精準度和正確率。第三，以更加全面的視角考察系統(tǒng)性金融風(fēng)險傳染情況。網(wǎng)絡(luò)分析方法將金融體系視為不同金融機構(gòu)、金融部門和金融市場基于關(guān)聯(lián)關(guān)系構(gòu)成的金融網(wǎng)絡(luò)，更加直觀全面地考察金融體系的結(jié)構(gòu)特征和系統(tǒng)性金融風(fēng)險在金融體系中的傳染，便于分析風(fēng)險的傳導(dǎo)機制和傳染路徑，更加符合宏觀審慎監(jiān)管將金融體系視為一個整體的思想。

未來一段時期，大數(shù)據(jù)方法應(yīng)用于系統(tǒng)性金融風(fēng)險監(jiān)測預(yù)警以及宏觀審慎監(jiān)管的研究和實踐有三個趨勢：一是數(shù)據(jù)源將進一步拓展?，F(xiàn)階段系統(tǒng)性金融風(fēng)險監(jiān)測主要基于傳統(tǒng)結(jié)構(gòu)化經(jīng)濟金融數(shù)據(jù)，涉及的非結(jié)構(gòu)化大數(shù)據(jù)主要來源于搜索引擎、市場研究報告、市場評論、新聞、報紙、社交網(wǎng)絡(luò)、中央銀行會議公告等，諸如金融實時交易、政府部門行政記錄、政府文件和報告、檔案、法院判決甚至圖像和影音視頻等方面的大數(shù)據(jù)尚未被充分發(fā)掘和利用。二是在預(yù)測系統(tǒng)性金融風(fēng)險外，大數(shù)據(jù)方法也將更多地應(yīng)用于探究金融風(fēng)險的成因。目前機器學(xué)習(xí)、深度學(xué)習(xí)等大數(shù)據(jù)模型在利用經(jīng)濟變量相關(guān)關(guān)系進行預(yù)測預(yù)警方面表現(xiàn)出色，但在分析因果關(guān)系方面仍顯不足，目前已有一部分運用機器學(xué)習(xí)、深度學(xué)習(xí)解釋模型（例如SHAP模型、QII法等）的文獻，隨著大數(shù)據(jù)科學(xué)的進一步發(fā)展，未來利用大數(shù)據(jù)方法和技術(shù)分析金融風(fēng)險背后成因的研究將會不斷增多。三是基于金融網(wǎng)絡(luò)的分析將進一步深入。目前網(wǎng)絡(luò)分析方法應(yīng)用于系統(tǒng)性金融風(fēng)險的研究仍然處于探索階段，在例如網(wǎng)絡(luò)節(jié)點的異質(zhì)性、網(wǎng)絡(luò)的實時動態(tài)演變、風(fēng)險傳染過程的合理設(shè)定、實際網(wǎng)絡(luò)的仿真、基于大數(shù)據(jù)結(jié)合傳統(tǒng)數(shù)據(jù)的網(wǎng)絡(luò)構(gòu)建等方面還有很大的研究空間。四是大數(shù)據(jù)方法與傳統(tǒng)統(tǒng)計、計量和經(jīng)濟學(xué)分析方法相互補充、相互融合。大數(shù)據(jù)分析方法與傳統(tǒng)統(tǒng)計、計量和經(jīng)濟學(xué)分析方法各有優(yōu)勢，大數(shù)據(jù)分析方法的長處在于數(shù)據(jù)獲取、計算和模型預(yù)測，傳統(tǒng)統(tǒng)計、計量和經(jīng)濟學(xué)分析方法的長處在于經(jīng)濟理論和經(jīng)濟變量因果關(guān)系的理解和闡釋，可以預(yù)見，未來大數(shù)據(jù)方法將與傳統(tǒng)統(tǒng)計、計量和經(jīng)濟學(xué)分析方法有機融合、取長補短，進一步提升系統(tǒng)性金融風(fēng)險監(jiān)測預(yù)警水平，更好地服務(wù)于宏觀審慎監(jiān)管。

參考文獻：

[1]劉春航.大數(shù)據(jù)、監(jiān)管科技與銀行監(jiān)管 [J].金融監(jiān)管研究，2020，（9）.

[2]IMF，F(xiàn)SB. 2009. The Financial Crisis and Information Gaps [R].Report to the G20 Finance Ministers and Central Bank Governors.

[3]張濤，劉寬斌.“大數(shù)據(jù)”在宏觀經(jīng)濟預(yù)測分析中的應(yīng)用 [J].財經(jīng)智庫，2018，3（5）.

[4]Samuel A. 1959. Some Studies in Machine Learning Using the Game of Checkers [J].IBM Journal of Research and Development，3（3）.

[5]沈艷，陳赟，黃卓. 文本大數(shù)據(jù)分析在經(jīng)濟學(xué)和金融學(xué)中的應(yīng)用：一個文獻綜述 [J].經(jīng)濟學(xué)（季刊）， 2019，18（4）.

[6]Blei D M，Ng A Y，Jordan M I. 2003. Latent Dirichlet Allocation [J].Journal of Machine Learning Research，（3）.

[7]Soram?ki K，Bech M，Arnold J，Glass R，Beyeler W. 2007. The Topology of Interbank Payment Flows [J].Physica A， 379（1）.

[8]Schmidhuber J. 2015. Deep Learning in Neural Networks： An Overview [J]. Neural Networks.

[9]Nielsen M A. 2019. Neural Networks and Deep Learning [M]. Determination Press.

[10]Najafabadi M，Villanustre M F，Khoshgoftaar T M. 2015. Deep Learning Applications and Challenges in Big Data Analytics [J].Journal of Big Data，（2）.

[11]Bengio Y，Courville A，Vincent P. 2013. Representation Learning：A Review and New Perspectives [J].IEEE Transactions on Pattern Analysis and Machine Intelligence， 35（8）.

[12]Hinton G E，Osindero S，Teh Y W. 2006. A Fast Learning Algorithm for Deep Belief [J].Nets Neural Computation，18（7）.

[13]LeCun Y，Bengio Y，Hinton G. 2015. Deep Learning [J].Nature，521（5）.

[14]Gandrud C，Hallerberg M. 2015. What is a Financial Crisis？Efficiently Measuring Real-Time Perceptions of Financial Market Stress with an Application to Financial Crisis Budget Cycles [R].CESifo Working Paper.

[15]Cerchiello P，Nicola G，Ronnqvist S，Sarlin P. 2017. Deep Learning for Assessing Banks' Distress from News and Numerical Financial Data [R].DEM Working Paper.

[16]Chen M，Deininger M，Lee S J，Sicilian M J. 2019. Identifying Financial Crises Using Machine Learning on Textual Data [R].Ferderal Reserve Bank Working Paper.

[17]Nyman R，Kapadia S，Tuckett D. 2021. News and Narratives in Financial Systems：Exploiting Big Data for Systemic Risk Assessment [J].Journal of Economic Dynamics & Control，127（4）.

[18]羅鵬，陳義國，許傳華.百度搜索、風(fēng)險感知與金融風(fēng)險預(yù)測——基于行為金融學(xué)的視角 [J]. 金融論壇， 2018，（1）.

[19]歐陽資生，楊希特，黃穎.嵌入網(wǎng)絡(luò)輿情指數(shù)的中國金融機構(gòu)系統(tǒng)性風(fēng)險傳染效應(yīng)研究 [J].中國管理科學(xué)，2020，（10）.

[20]肖爭艷，任夢瑤.媒體風(fēng)險感知與系統(tǒng)性金融風(fēng)險預(yù)警 [J].財經(jīng)問題研究，2021，（7）.

[21]Suss J，Treitel H. 2019. Predicting Bank Distress in The UK with Machine Learning [R].Bank of England Staff Working Paper.

[22]王達，周映雪.隨機森林模型在宏觀審慎監(jiān)管中的應(yīng)用——基于18個國家數(shù)據(jù)的實證研究 [J].國際金融研究，2020，（11）.

[23]Nag A，Mitra A. 1999. Neural Networks and Early Warning Indicators of Currency Crisis [R].Reserve Bank of India Occasional Paper.

[24]Franck R，Schmied A. 2003. Predicting Currency Crisis Contagion from East Asia to Russia and Brazil：an Artificial Neural Network Approach [R].AMCB Working Paper.

[25]Roy S. 2009. Predicting the Asian Currency Crises with Artificial Neural Networks： What Role of Function Approximation？ [J].Economics，（2）.

[26]Sekmen F，Kurkcu M. 2014. An Early Warning System for Turkey：The Forecasting of Economic Crisis by Using The Artificial Neural Networks [J].Asian Economic and Financial Review，（4）.

[27]Eero T?l?. 2020. Predicting Systemic Financial Crises with Recurrent Neural Networks [J].Journal of Financial Stability，（3）.

[28]Ouyang Z，Yang X，Lai Y. 2021. Systemic Financial Risk Early Warning of Financial Market in China Using Attention-LSTM model [J].North American Journal of Economics and Finance，（2）.

[29]Joy M，Rusnák M，Smidkova K，Vasicek B. 2017. Banking and Currency Crises： Differential Diagnostics for Developed Countries [J]. International Journal of Finance and Economics.

[30]王克達.金融危機預(yù)警模型與先導(dǎo)指標選擇 [J]. 金融監(jiān)管研究，2019，（8）.

[31]Suss J，Treitel H. 2019. Predicting Bank Distress in The UK with Machine Learning [R].Bank of England Staff Working Paper.

[32]Samitas A，Kampourisb E，Kenourgios D. 2020. Machine Learning as An Early Warning System to Predict Financial Crisis [J].International Review of Financial Analysis， 71（5）.

[33]Diebold F X，Yilmaz K. 2014. On the Network Topology of Variance Decompositions： Measuring the Connectedness of Financial Firms [J].Journal of Econometrics， 182（4）.

[34]Cerchiello P，Giudici P，Nicola G. 2017. Twitter Data Models for Bank Risk Contagion [J].Neurocomputing，264（6）.

[35]Nicola G，Cerchiello P，Aste T. 2020. Information Network Modeling for U.S. Banking Systemic Risk [J].Entropy，2020，22（11）.

[36]陳少煒，李旸. 我國銀行體系的網(wǎng)絡(luò)結(jié)構(gòu)特征——基于復(fù)雜網(wǎng)絡(luò)的實證分析 [J].經(jīng)濟問題，2016，（8）.

[37]李政，梁琪，涂曉楓.我國上市金融機構(gòu)關(guān)聯(lián)性研究——基于網(wǎng)絡(luò)分析法 [J].金融研究，2016，（8）.

[38]梁琪，常姝雅.我國金融混業(yè)經(jīng)營與系統(tǒng)性金融風(fēng)險——基于高維風(fēng)險關(guān)聯(lián)網(wǎng)絡(luò)的研究 [J].財貿(mào)經(jīng)濟，2020， 41（11）.

[39]Fan X，Wang Y，Wang D. 2020. Network Connectedness and China's Systemic Financial Risk Contagion-an Analysis Based on Big Data [J].Pacific-Basin Finance Journal， （3）.

[40]Acemoglu D，Ozdaglar A，Tahbaz-Salehi A. 2013. Systemic Risk and Stability in Financial Networks [R].NBER Working Paper.

[41]方意.系統(tǒng)性風(fēng)險的傳染渠道與度量研究——兼論宏觀審慎政策實施 [J].管理世界，2016，（8）.

[42]方意，鄭子文.系統(tǒng)性風(fēng)險在銀行間的傳染路徑研究——基于持有共同資產(chǎn)網(wǎng)絡(luò)模型 [J].國際金融研究， 2016，（6）.

[43]苗子清，張濤，黨印.中國銀行體系系統(tǒng)性金融風(fēng)險傳染研究——基于24家A股銀行的大數(shù)據(jù)與機器學(xué)習(xí)分析 [J].金融評論，2021，13（5）.

[44]Ramadiah A，Gangi D D，Sardo R L，Macchiati V，MinhT P，Pinotti F，Wilinski M，Barucca P，Cimini G. 2020. Network Sensitivity of Systemic Risk [J].Journal of Network Theory in Finance，（6）.

[45]Minoiu C，Reyes J A. 2013. A Network Analysis of Global Banking：1978-2009 [R].IMF Working Paper.

[46]Billio M，Getmansky M，Lo A W，Pelizzon L. 2012. Econometric Measures of Connectedness and Systemic Risk in the Finance and Insurance Sectors [J].Journal of Financial Economics，104（6）.

[47]Giudici P，Spelta A. 2013. Graphical Network Models for International Financial Flows [R].DEM Working Paper.

[48]楊子暉，周穎剛. 全球系統(tǒng)性金融風(fēng)險溢出與外部沖擊 [J].中國社會科學(xué)，2018，（12）.

[49]楊子暉，陳里璇，陳雨恬. 經(jīng)濟政策不確定性與系統(tǒng)性金融風(fēng)險的跨市場傳染 [J].經(jīng)濟研究，2020，（1）.

3227501908228