歐陽資生,路 敏,周學偉

(湖南師范大學 商學院,湖南 長沙 410081)

一、引言

隨著金融創(chuàng)新水平不斷提升和金融業(yè)務復雜程度不斷加深,中國金融系統(tǒng)關聯(lián)性日益復雜,金融風險傳染逐步呈現(xiàn)多樣化、多渠道等特點。與此同時,中美貿(mào)易摩擦、新冠肺炎疫情等一系列突發(fā)公共事件不僅加劇了中國經(jīng)濟金融不確定性,更增加了風險防控的難度,金融風險防控成為了監(jiān)管部門持續(xù)性關注的問題。2017年全國金融工作會議指出“要把主動防范化解系統(tǒng)性金融風險放在更加重要的位置”,黨的十九大強調(diào)“健全金融監(jiān)管體系,守住不發(fā)生系統(tǒng)性風險的底線”。2021年政府工作報告指出要“完善金融風險處置工作機制,壓實各方責任,堅決守住不發(fā)生系統(tǒng)性風險的底線”。如何有效應對金融風險仍是“十四五”時期金融監(jiān)管部門面臨的重大挑戰(zhàn)。因此,探索中國金融風險溢出的動態(tài)變化,并且建立金融風險預警體系,有助于識別中國金融風險的整體水平,構建風險防范預案,提高防范風險的能力。

金融風險的重要特征之一是風險外溢效應,大量研究聚焦于此,主要研究方法分為兩類。一是使用條件在險價值(CoVaR)、邊際期望損失(MES)以及系統(tǒng)性金融風險指數(shù)(SRISK)等指標測度金融機構間的風險溢出,并分析金融風險傳染機制,但其未考慮序列之間的相關性和波動性特征[1-3]。因此,部分學者在此基礎上進一步使用時變廣義自回歸條件異方差模型(GARCH)和滾動窗口動態(tài)Copula等方法計算CoVaR等指標研究系統(tǒng)性風險溢出[4-5]。二是采用方差分解的信息溢出指數(shù)分析金融風險溢出,并使用滾動窗口分析風險溢出的動態(tài)變化,但此種方法會造成信息丟失[6-7]。因此,有學者使用TVP-VAR模型構造風險溢出指數(shù)分析其時變特征[8-9],或使用復雜的網(wǎng)絡技術進行風險溢出研究,如謝赤等考察中國泛金融市場9個子市場風險溢出效應時,利用加權網(wǎng)絡刻畫子市場之間的極端風險溢出演化規(guī)律[10]。趙萬里等基于TENET網(wǎng)絡方法研究“一帶一路”沿線各個國家間金融市場風險傳染關系[11]。

防范化解金融風險的重要途徑是金融風險預警。早期的預警模型如FR概率模型、STV模型等,預警的主要對象是貨幣危機或國際支付危機。經(jīng)實踐檢驗,這些預警模型并不能很好地對金融時間序列進行解釋。隨著人工智能和大數(shù)據(jù)等技術的發(fā)展,越來越多的計算機技術被運用于金融領域,其中機器學習在金融預測中有廣泛應用,部分學者發(fā)現(xiàn)支持向量機在預測中具有較高精度[12],還有學者認為使用人工神經(jīng)網(wǎng)絡模型的預測結果更為有效[13]。傳統(tǒng)的機器學習方法對數(shù)據(jù)的處理缺陷較多,深度學習方法可規(guī)避這些問題,將其用于金融時間序列數(shù)據(jù)預測領域具有合理性和有效性,如通過對股票價格或者收益率的預測,證明LSTM模型優(yōu)于機器學習模型[14-15]。為進一步提高預測精度,Wibowo提出在LSTM網(wǎng)絡上采用平均隨機梯度下降和權值下降的方法(AWD-LSTM)來克服過度擬合、訓練數(shù)據(jù)不穩(wěn)定等弱點,并取得了顯著的成果[16]。

通過梳理和借鑒以上文獻發(fā)現(xiàn),關于風險溢出的研究,主要從金融機構和金融市場出發(fā),鮮有學者研究金融行業(yè)之間的風險溢出效應,并考慮將網(wǎng)絡輿情指數(shù)納入金融風險的預警體系。因此,參照楊子暉、馬駿等的研究方法[17-18],本文選取30家金融機構作研究樣本,采用TVP-VAR模型研究中國金融業(yè)風險溢出效應以及構建金融風險測度指標,檢驗上證綜指收益率、波動率和短期流動利差等宏觀狀態(tài)變量與金融風險之間的非線性關系,并將網(wǎng)絡輿情指數(shù)納入LSTM模型中,構建金融風險預警體系。本文的邊際貢獻主要為兩方面:第一,采用TVP-VAR模型從金融行業(yè)的角度研究動態(tài)風險溢出效應及方向性溢出,豐富了風險防控的理論基礎;第二,使用LSTM模型檢驗宏觀狀態(tài)變量對金融風險的預警結果,并進一步考察網(wǎng)絡輿情指數(shù)能否提升預警精度,為中國金融風險防控和宏觀審慎提供參考。

二、模型構建

(一)時變參數(shù)向量自回歸模型(TVP-VAR)

Diebold等使用方差分解研究金融風險溢出的方向和強度,并使用滾動窗口分析金融風險溢出的時變效應[6]。而Antonakakis等采用的時變參數(shù)向量自回歸模型(TVP-VAR)不涉及滾動窗口分析,允許以更靈活和穩(wěn)健的方式捕獲數(shù)據(jù)底層結構中可能發(fā)生的變化,從而更好地刻畫風險溢出與傳染特性[8]。基于此,本文借鑒Diebold等的方法使用日最高價和最低價計算每個機構每日的方差,并進一步計算年化日波動率[6]。

(1)

(2)

yt=AtZt-1+εtεt|Ωt-1～N(0,Σt)

(3)

vec(At)=vec(At-1)+ξtξt|Ωt-1～N(0,Ξt)

(4)

使用時變系數(shù)和時變協(xié)方差矩陣計算方差分解,將TVP-VAR模型進行轉化為:

(5)

(6)

方差分解定義為變量xi在t時刻受到?jīng)_擊時,其向前的H步預測誤差方差中xj所占比例,即反映xj對xi變化所做出的貢獻。預測誤差方差變異矩陣GFEVD(dij,t(H))如下:

(7)

(8)

(9)

(10)

最后,定義行業(yè)i在t時期的凈溢出(Neti,t)效應和金融風險溢出指數(shù)(TOTt),具體如下:

(11)

(12)

表1為t時期金融業(yè)之間的風險溢出情況,具體如下:

表1 風險溢出表

(二)長短期記憶神經(jīng)網(wǎng)絡模型(LSTM)

圖1 LSTM單元結構圖

為判斷LSTM預測精度,選取均方誤差(MAE)和平均絕對百分比誤差(MSE)作為評價指標。這兩個指標數(shù)值越小,表示模型的預測結果與真實值越接近,說明模型的預測效果越理想,具體計算公式如下:

(13)

(14)

三、中國金融風險溢出效應研究

(一)數(shù)據(jù)來源

銀行業(yè)是中國金融體系中的主體,也是風險監(jiān)控和宏觀審慎的主要對象,保險業(yè)、證券業(yè)和多元金融業(yè)在中國金融系統(tǒng)中發(fā)揮重要作用。參考趙林海、宮曉莉等的研究[5,12],本文選取滬深A股上市時間早于2010年1月4日的金融機構,作為銀行、保險、證券和多元金融四個金融子行業(yè)的樣本,通過剔除數(shù)據(jù)缺失的金融機構,最終樣本包括14家銀行,3家保險、8家證券以及5家多元金融。為方便表述,表2給出了所選機構名單與編號。樣本數(shù)據(jù)若選取月度或季度數(shù)據(jù),并不能有效的追蹤金融市場的變動,研究誤差較大,因此選取每個金融機構的日最高價和最低價進行波動率計算,時間區(qū)間為2010年1月4日至2021年6月30日,所有數(shù)據(jù)來源于國泰安與wind數(shù)據(jù)庫。

表2 金融機構名單與編號

圖2為四個行業(yè)的波動率時序圖,整體而言,四個行業(yè)的波動率變化情況相似。在2015年波動幅度最為顯著且出現(xiàn)峰值,出現(xiàn)這種情況可能的原因是2015年下半年管理層“去杠桿”,引起了金融市場恐慌,股民大量拋售股票,導致中國股市出現(xiàn)異常劇烈的動蕩。在2013年“錢荒”和2020年新冠肺炎疫情的危機事件也出現(xiàn)波動,說明本文所構建的波動率可以有效刻畫行業(yè)風險的變動情況。

圖2 金融行業(yè)波動率時序圖

表3展示了四個行業(yè)波動率的統(tǒng)計性描述,銀行業(yè)波動率的均值最低為26.09,標準差最低為15.60,說明四個行業(yè)中銀行業(yè)波動率的變化幅度最小,相反證券業(yè)的變化幅度最大,進而說明銀行業(yè)波動率較穩(wěn)定,而證券業(yè)波動率穩(wěn)定性較差。

表3 統(tǒng)計性描述

(二)金融行業(yè)風險溢出時變分析

現(xiàn)在使用TVP-VAR模型對中國四個金融行業(yè)風險溢出進行時變分析,本部分從整體風險溢出到局部溢出進行闡述。圖3展示了中國金融風險溢出指數(shù)的波動范圍為35%～65%,在2013年、2015年和2020年附近金融風險溢出指數(shù)明顯增強,表明“錢荒”“股災”以及新冠肺炎疫情等危機事件會沖擊我國金融行業(yè),加劇金融風險,同時也證明了通過TVP-VAR模型計算的金融風險溢出指數(shù)可以作為中國金融風險的測度指標,有效地刻畫中國金融風險的時變特征。

圖3 金融系統(tǒng)風險溢出時序圖

具體而言,在2010—2012年金融風險溢出指數(shù)在50%～60%的較高水平,可能受到了之前爆發(fā)的歐債危機等一系列事件的影響。在2012年后有明顯的下降趨勢,在經(jīng)歷了2013年的“錢荒”事件的沖擊后,金融風險溢出指數(shù)從42%左右上升到58%,直到2014年才有所下降。由于2015年下半年管理層“去杠桿”引起了中國股市劇烈的震動,導致金融風險急劇上升,此時金融風險溢出指數(shù)高達65%,且持續(xù)了很長一段時間。2018年由于中美貿(mào)易摩擦等事件的影響,造成溢出指數(shù)增加;同時,2020年初爆發(fā)新冠肺炎疫情并迅速在全球范圍內(nèi)擴散,改變了投資者的預期和風險偏好,全球股市出現(xiàn)強烈調(diào)整,金融風險上升,使溢出指數(shù)再一次達到60%的峰值。

圖4(a)分析了每個金融行業(yè)的風險承受,即入度的時變特征,四個行業(yè)的入度與金融風險溢出指數(shù)的變化趨勢相似,說明金融系統(tǒng)的外部沖擊會導致每個行業(yè)承受的風險上升,進而加劇金融風險。目前每個行業(yè)的入度整體都呈下降趨勢,說明這些年來中國金融行業(yè)承受的風險有所降低。

圖4(b)為每個金融行業(yè)的風險溢出,即出度,四個行業(yè)的出度在2013年、2015年以及2020年重大沖擊事件時間附近均呈現(xiàn)上升趨勢,說明危機事件會加劇金融行業(yè)的風險溢出,每個行業(yè)都可能成為風險傳染的載體。銀行業(yè)的風險溢出在發(fā)生危機事件時最大,進一步證明作為中國金融系統(tǒng)的主體,銀行部門相關貨幣政策和調(diào)控渠道是宏觀調(diào)控其他行業(yè)的主要渠道[12]。

圖4 金融行業(yè)風險溢出與風險承受時序圖

將金融行業(yè)的入度與出度進行對比分析發(fā)現(xiàn),單個行業(yè)風險入度與出度具有非對稱性,銀行業(yè)和保險業(yè)入度和出度都處于較高水平,證券業(yè)和多元金融業(yè)的入度整體高于出度,金融系統(tǒng)發(fā)生震蕩,銀行業(yè)和保險業(yè)的入度和出度有所上升,由于銀行業(yè)是中國金融系統(tǒng)中的基礎性行業(yè),而保險業(yè)為金融系統(tǒng)提供一定的風險保障,因此一定程度上這兩個行業(yè)相對穩(wěn)定,而證券業(yè)與多元金融業(yè)多為承受風險,要更多關注和加強證券業(yè)和多元金融業(yè)的風險情況并加強其抵抗風險的能力。

本部分進一步通過分析凈溢出考察金融行業(yè)的風險傳播方向,圖5(a)為單個金融行業(yè)的風險凈溢出,圖5(b)為兩兩行業(yè)間的風險凈溢出。每個行業(yè)的風險凈溢出時變特征不同,每兩個行業(yè)間的風險凈溢出特征也具有差異,這說明每個行業(yè)的風險凈溢出具有異質(zhì)性,這是由每個行業(yè)的資產(chǎn)規(guī)模、業(yè)務類型以及監(jiān)管主體具有一定的差異性所導致的。

圖5(a)中銀行業(yè)的凈溢出多數(shù)為正,說明大部分情況下銀行業(yè)的風險溢出大于風險承受。在“錢荒”“股災”和新冠肺炎疫情等重大危機事件下,銀行業(yè)的凈溢出均明顯上升。保險業(yè)在“股災”期間的凈溢出達到最大,而在新冠肺炎疫情期間,主要為風險的承受者。證券業(yè)和多元金融業(yè)在這兩個事件期間都為風險的承受者。

圖5(b)中兩兩行業(yè)之間既有風險溢出也有風險承受,二者具有非對稱性,同時也說明金融行業(yè)之間相互關聯(lián),風險的傳播錯綜復雜。在危機事件時,兩兩行業(yè)的凈溢出有不同程度增大,說明行業(yè)間的關聯(lián)性增強。具體而言,在銀行業(yè)和保險業(yè)中,銀行業(yè)主要表現(xiàn)為風險的溢出者,保險業(yè)主要為風險的承受者,同樣,在銀行業(yè)和證券業(yè)、銀行業(yè)和多元金融業(yè)中,銀行業(yè)多數(shù)都為風險的溢出者,證券業(yè)和多元金融業(yè)對銀行業(yè)也有少部分風險溢出,主要原因是銀行業(yè)為中國金融市場的基石,對金融市場穩(wěn)定起著非常重要的作用;在保險業(yè)和證券業(yè)中,2015年保險業(yè)表現(xiàn)為風險溢出者,但之后又表現(xiàn)為風險承受者,在保險業(yè)和多元金融業(yè)中情況相似,原因是保險業(yè)為其他行業(yè)的金融機構提供保險服務,一定程度上與其他行業(yè)緊密關聯(lián);在證券業(yè)和多元金融業(yè)中,證券業(yè)主要表現(xiàn)為風險溢出者而多元金融業(yè)表現(xiàn)為風險承受者。

圖5 金融行業(yè)凈溢出時序圖

以上分析表明,本文使用TVP-VAR模型計算的金融風險溢出指數(shù)較好地刻畫了中國金融風險的時變特點,揭示了中國金融行業(yè)的相互關聯(lián)性以及行業(yè)間風險溢出的特征與規(guī)律,擴展了相關學者的研究,為風險防控提供了新思路[19]。

當前中國經(jīng)濟正處于轉型階段,在中長期發(fā)展中蘊藏巨大潛力,但危機事件頻發(fā)加重了金融體系的脆弱性和不穩(wěn)定性,因此需要進一步研究中國金融風險的變化規(guī)律。選取基于金融業(yè)間的金融風險溢出指數(shù)作為中國金融風險的測度指標,綜合考慮其他相關影響因素,構建中國金融風險預警體系,為監(jiān)測金融風險和制定相關風險管控政策提供參考和建議。

四、中國金融風險預警研究

(一)中國金融風險預警指標構建

借鑒Adrian和Brunnermeier的研究[1],選取上證綜指對數(shù)收益率、波動率以及短期流動性例差等宏觀狀態(tài)變量作為預警指標,由于金融風險也會對自身的預警產(chǎn)生作用,因此將金融風險納入預警指標。本文的預警變量頻率為日度,因此不考慮月度、季度以及年度的相關數(shù)據(jù),表4為最終構建的預警指標。

表4 中國金融風險預警指標

選用LSTM模型構建中國金融風險預警體系,根據(jù)損失函數(shù)的變化進行參數(shù)調(diào)整,測試集的訓練集劃分為3∶1,其他具體結構和參數(shù)見表5。

表5 LSTM模型參數(shù)與結構

(二)中國金融風險預警研究

深度學習可以更好地挖掘數(shù)據(jù)之間的非線性關系而提高預測精度,為確保所選指標的合理性以及所選預警模型的有效性,首先需要考察上證綜指對數(shù)收益率、日波動率和短期流動利差等宏觀狀態(tài)變量能否作為金融風險的預警指標。傳統(tǒng)的格蘭杰因果檢驗可用來衡量變量之間的線性因果關系,檢驗某個變量是否可以用來提高對其他變量的預測能力,而金融時間序列多數(shù)呈現(xiàn)非線性的動態(tài)變化趨勢,且本文所選的深度學習模型為非線性預警模型,因此選取非線性格蘭杰因果檢驗,考察所選宏觀狀態(tài)變量與金融風險之間的非線性關系,以及其對金融風險是否存在預測能力。

在進行非線性格蘭杰因果檢驗之前,首先檢驗各變量之間是否存在非線性動態(tài)變化關系。因此本文借鑒Karagianni等的研究步驟[20],通過VAR模型過濾變量間的線性關系,將TOT做為因變量進行回歸,選取BSD和RESET方法對殘差序列進行檢驗,結果分別為10.822和8.017,均在1%的顯著水平上表明各變量存在非線性關系。進一步選取Diks和Panchenko提出的非參數(shù)方法進行非線性格蘭杰因果檢驗[21],表6為檢驗結果,顯然本文所選的宏觀狀態(tài)變量與TOT之間存在非線性關系,可以作為TOT的預警指標,并且在金融風險的預警研究中選取非線性模型是合理的。

表6 變量的非線性檢驗

圖6和表7分別為LSTM模型訓練集和測試集的學習結果與誤差,訓練集用于建立模型,測試集對模型的泛化能力進行檢測,從圖6來看,訓練集與測試集的效果均較好。結合表7的結果,測試集的學習誤差總體來說很小,說明本文構建的LSTM模型較好的泛化能力,同時也說明所選宏觀狀態(tài)變量可以作為金融風險的預警指標。

表7 學習誤差

圖6 LSTM學習結果

為充分說明訓練模型的有效性,同時選擇人工神經(jīng)網(wǎng)絡(BP)、支持向量機(SVM)、隨機森林(RF)和決策樹(DT)進行訓練。由于數(shù)據(jù)量過大,為對比明顯,圖7給出了各個模型部分訓練結果圖。從圖中可以看出,決策樹的訓練集和測試集結果都不理想,其次是支持向量機模型和BP人工神經(jīng)網(wǎng)絡,但直觀來看,隨機森林的學習結果并不弱于LSTM模型,因此需要進一步計算各個模型的學習誤差。表8給出了上述5個模型的學習誤差,與圖形觀測結果相似,決策樹的訓練集和測試集的學習誤差最大,說明訓練結果最不理想同時泛化能力也最差,與其他BP、SVM、DF模型相比,RF的學習結果相對較優(yōu)。但如將RF模型與LSTM相比較,無論是均方誤差(MAE)還是平均絕對百分比誤差(MSE),LSTM模型的誤差均最小,并且LSTM模型還具有較好的預測能力和泛化能力,因此LSTM模型較其他模型可以充分挖掘變量之間的信息,建立精確度較高的預警模型。

圖7 多模型學習結果

表8 多模型學習誤差

(三)進一步研究:納入網(wǎng)絡輿情指數(shù)的中國金融風險預警研究

網(wǎng)絡輿情與金融市場的強關聯(lián)性已得到廣泛認可,張艾蓮等表明投資者情緒是影響股票市場穩(wěn)定的重要因素[22]。投資者關注和情緒變動會引起股票的波動進而影響系統(tǒng)性風險,因此將網(wǎng)絡輿情應用到金融風險預警體系的研究中具有重要意義。

目前國內(nèi)外對網(wǎng)絡輿情指數(shù)的構造并沒有形成統(tǒng)一標準,主要分為三類方法,分別為通過市場調(diào)查獲取投資者對市場看法進而得到網(wǎng)絡輿情指數(shù)、主成分分析度量網(wǎng)絡輿情指數(shù)以及文本挖掘技術構建網(wǎng)絡輿情指數(shù)[23]。在大數(shù)據(jù)和互聯(lián)網(wǎng)時代,股票論壇、新浪財經(jīng)等網(wǎng)絡金融媒體為投資者提供專業(yè)交流平臺,因此通過分析相關文本信息可以更好地反映網(wǎng)絡輿情指數(shù)。

本文選用歐陽資生等的文本挖掘方法,選取東方財富網(wǎng)30家上市公司的個股討論區(qū)作為文本信息源,利用python爬取了2010年1月4日至2021年6月30日評論數(shù)據(jù)[24],其中包含帖子標題、點擊量、回復數(shù)、發(fā)帖用戶名、發(fā)帖時間以及帖子內(nèi)容,使用Jieba詞庫對清洗后的數(shù)據(jù)進行文本分詞,進而構建網(wǎng)絡輿情指數(shù),圖8為樣本期內(nèi)網(wǎng)絡輿情的變化情況。整體而言,輿情指數(shù)的變化區(qū)間為[-200,150],并且圍繞刻度線,大部分波動為區(qū)間[-50,50],其中波動較強的三個時間段為2013年、2015年以及2020年附近,而在此時間段股市也出現(xiàn)了巨大波動,因此本文構建網(wǎng)絡輿情指數(shù)可以合理反映投資者情緒的變動。

圖8 網(wǎng)絡輿情指數(shù)

研究納入網(wǎng)絡輿情指數(shù)(AT)的中國金融風險預警,需要考察納入網(wǎng)絡輿情指數(shù)后的預警指標對金融風險的預測能力。因此在已選定的宏觀變量的基礎上加入網(wǎng)絡輿情指數(shù),構成新的預警指標體系。對新的預警指標體系進行變量的非線性檢驗,所得BDS檢驗統(tǒng)計量為10.789***以及RESET檢驗統(tǒng)計量為7.473***,即新的預警指標之間存在非線性關系。進一步進行非線性格蘭杰因果檢驗,檢測新的預警指標體系對金融風險是否具有預測能力,結果表明納入網(wǎng)絡輿情指數(shù)的預警指標與金融風險之間存在非線性因果關系,可以作為金融風險的預警指標納入預警體系。

選用本文已設定的LSTM模型以及其他對比模型,將納入網(wǎng)絡輿情指數(shù)的新預警指標作為輸入,金融風險作為輸出進行訓練。由于篇幅有限,表9只展現(xiàn)了多模型學習誤差,其中MAE1和MSE1為未納入網(wǎng)絡輿情指數(shù)的預警指標的學習誤差,MAE2和MSE2為納入網(wǎng)絡輿情指數(shù)的預警指標的學習誤差。經(jīng)過比較發(fā)現(xiàn),多種模型中LSTM的學習誤差最小,說明其可以提升預測精度,除決策樹模型外,加入網(wǎng)絡輿情指數(shù)都提高了模型的訓練精度和泛化能力,證明網(wǎng)絡輿情指數(shù)可以作為金融風險的預警指標,也為決策者制定風險政策提供一定參考。

表9 多模型學習誤差

五、結論與建議

隨著中國金融創(chuàng)新不斷深化,金融系統(tǒng)內(nèi)部各種業(yè)務交叉滲透,金融風險呈現(xiàn)傳播速度快、范圍廣等特點,因此分析金融行業(yè)的風險溢出動態(tài)變化規(guī)律,構建中國金融風險預警體系具有重要意義。本文選取TVP-VAR模型從行業(yè)的角度考察金融風險溢出程度及其時變特征,并構建金融風險測度指標。為有效防范金融風險,考慮金融風險與宏觀狀態(tài)變量間的非線性因果關系,使用LSTM模型構建中國金融風險預警體系,進一步探究網(wǎng)絡輿情指數(shù)能否提升金融風險預警精度,以期為如何加強中國金融市場穩(wěn)定性,建立宏觀審慎監(jiān)管下的風險預警機制提供政策建議。本文主要得出三個結論:

首先,金融風險溢出研究表明,采用TVP-VAR模型計算的金融風險溢出指數(shù)可以有效刻畫中國金融風險的變化,行業(yè)間的風險溢出具有不對稱性,外部沖擊會增強金融行業(yè)間的關聯(lián)性,使金融風險溢出指數(shù)顯著上升。銀行業(yè)的凈溢出多數(shù)為正,受到?jīng)_擊時會增大,說明銀行作為中國金融的主體,在風險防控中具有重要地位。

其次,非線性格蘭杰因果檢驗表明,本文選取的上證綜指收益率、波動率以及短期流動利差等宏觀狀態(tài)變量與金融風險之間具有非線性關系,可以作為中國金融風險的預警變量,LSTM模型可以充分且有效挖掘數(shù)據(jù)之間的非線性關系,同時本文所選變量均可納入金融風險預警體系。

最后,本文構造的網(wǎng)絡輿情指數(shù)可以反映投資者情緒的變化,并且網(wǎng)絡輿情指數(shù)對金融風險之間具有非線性預測能力,將其納入金融風險預警體系進一步提升預警精度,進而表明網(wǎng)絡輿情指數(shù)與中國金融風險密切相關,在風險管控中可以考慮其產(chǎn)生的影響,采取準確有效的措施預防金融風險的傳染和擴散。

基于研究結論,給出如下建議:首先,制定風險防控措施要充分考慮各個金融行業(yè)的風險傳染特征,不僅要關注每個金融行業(yè)的風險監(jiān)管,更要關注金融行業(yè)之間的風險監(jiān)管,要結合中國實際情況,完善金融監(jiān)管、信息共享和風險處置方面的協(xié)作機制,進而提高風險防控能力,從根本上強化中國金融系統(tǒng)的穩(wěn)定性;其次,加強宏觀狀態(tài)變量的監(jiān)測預警,同時要全面系統(tǒng)考慮影響金融風險的各種因素,立足中國實際,構建科學合理的風險影響指標和預警方法,加快金融行業(yè)預警防范機制建設;最后,相關部門要重視網(wǎng)絡輿情對金融風險的影響,加強對投資者個人的教育與引導,增強其風險防范意識,與此同時,監(jiān)管部門在進行風險監(jiān)管與預測時,要將網(wǎng)絡輿情考慮在內(nèi),完善監(jiān)管體制,守住不發(fā)生系統(tǒng)性風險的底線,確保中國金融系統(tǒng)的穩(wěn)定安全,實現(xiàn)我國經(jīng)濟安全穩(wěn)定發(fā)展。