基于TVP-VAR-LSTM模型的中国金融业风险溢出与预警研究

欧阳资生,路 敏,周学伟

(湖南师范大学 商学院,湖南 长沙 410081)

随着金融创新水平不断提升和金融业务复杂程度不断加深,中国金融系统关联性日益复杂,金融风险传染逐步呈现多样化、多渠道等特点。与此同时,中美贸易摩擦、新冠肺炎疫情等一系列突发公共事件不仅加剧了中国经济金融不确定性,更增加了风险防控的难度,金融风险防控成为了监管部门持续性关注的问题。2017年全国金融工作会议指出“要把主动防范化解系统性金融风险放在更加重要的位置”,党的十九大强调“健全金融监管体系,守住不发生系统性风险的底线”。2021年政府工作报告指出要“完善金融风险处置工作机制,压实各方责任,坚决守住不发生系统性风险的底线”。如何有效应对金融风险仍是“十四五”时期金融监管部门面临的重大挑战。因此,探索中国金融风险溢出的动态变化,并且建立金融风险预警体系,有助于识别中国金融风险的整体水平,构建风险防范预案,提高防范风险的能力。

金融风险的重要特征之一是风险外溢效应,大量研究聚焦于此,主要研究方法分为两类。一是使用条件在险价值(CoVaR)、边际期望损失(MES)以及系统性金融风险指数(SRISK)等指标测度金融机构间的风险溢出,并分析金融风险传染机制,但其未考虑序列之间的相关性和波动性特征[1-3]。因此,部分学者在此基础上进一步使用时变广义自回归条件异方差模型(GARCH)和滚动窗口动态Copula等方法计算CoVaR等指标研究系统性风险溢出[4-5]。二是采用方差分解的信息溢出指数分析金融风险溢出,并使用滚动窗口分析风险溢出的动态变化,但此种方法会造成信息丢失[6-7]。因此,有学者使用TVP-VAR模型构造风险溢出指数分析其时变特征[8-9],或使用复杂的网络技术进行风险溢出研究,如谢赤等考察中国泛金融市场9个子市场风险溢出效应时,利用加权网络刻画子市场之间的极端风险溢出演化规律[10]。赵万里等基于TENET网络方法研究“一带一路”沿线各个国家间金融市场风险传染关系[11]。

防范化解金融风险的重要途径是金融风险预警。早期的预警模型如FR概率模型、STV模型等,预警的主要对象是货币危机或国际支付危机。经实践检验,这些预警模型并不能很好地对金融时间序列进行解释。随着人工智能和大数据等技术的发展,越来越多的计算机技术被运用于金融领域,其中机器学习在金融预测中有广泛应用,部分学者发现支持向量机在预测中具有较高精度[12],还有学者认为使用人工神经网络模型的预测结果更为有效[13]。传统的机器学习方法对数据的处理缺陷较多,深度学习方法可规避这些问题,将其用于金融时间序列数据预测领域具有合理性和有效性,如通过对股票价格或者收益率的预测,证明LSTM模型优于机器学习模型[14-15]。为进一步提高预测精度,Wibowo提出在LSTM网络上采用平均随机梯度下降和权值下降的方法(AWD-LSTM)来克服过度拟合、训练数据不稳定等弱点,并取得了显著的成果[16]。

通过梳理和借鉴以上文献发现,关于风险溢出的研究,主要从金融机构和金融市场出发,鲜有学者研究金融行业之间的风险溢出效应,并考虑将网络舆情指数纳入金融风险的预警体系。因此,参照杨子晖、马骏等的研究方法[17-18],本文选取30家金融机构作研究样本,采用TVP-VAR模型研究中国金融业风险溢出效应以及构建金融风险测度指标,检验上证综指收益率、波动率和短期流动利差等宏观状态变量与金融风险之间的非线性关系,并将网络舆情指数纳入LSTM模型中,构建金融风险预警体系。本文的边际贡献主要为两方面:第一,采用TVP-VAR模型从金融行业的角度研究动态风险溢出效应及方向性溢出,丰富了风险防控的理论基础;第二,使用LSTM模型检验宏观状态变量对金融风险的预警结果,并进一步考察网络舆情指数能否提升预警精度,为中国金融风险防控和宏观审慎提供参考。

(一)时变参数向量自回归模型(TVP-VAR)

Diebold等使用方差分解研究金融风险溢出的方向和强度,并使用滚动窗口分析金融风险溢出的时变效应[6]。而Antonakakis等采用的时变参数向量自回归模型(TVP-VAR)不涉及滚动窗口分析,允许以更灵活和稳健的方式捕获数据底层结构中可能发生的变化,从而更好地刻画风险溢出与传染特性[8]。基于此,本文借鉴Diebold等的方法使用日最高价和最低价计算每个机构每日的方差,并进一步计算年化日波动率[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)

使用时变系数和时变协方差矩阵计算方差分解,将TVP-VAR模型进行转化为:

(5)

(6)

方差分解定义为变量xi在t时刻受到冲击时,其向前的H步预测误差方差中xj所占比例,即反映xj对xi变化所做出的贡献。预测误差方差变异矩阵GFEVD(dij,t(H))如下:

(7)

(8)

(9)

(10)

最后,定义行业i在t时期的净溢出(Neti,t)效应和金融风险溢出指数(TOTt),具体如下:

(11)

(12)

表1为t时期金融业之间的风险溢出情况,具体如下:

表1 风险溢出表

(二)长短期记忆神经网络模型(LSTM)

图1 LSTM单元结构图

为判断LSTM预测精度,选取均方误差(MAE)和平均绝对百分比误差(MSE)作为评价指标。这两个指标数值越小,表示模型的预测结果与真实值越接近,说明模型的预测效果越理想,具体计算公式如下:

(13)

(14)

(一)数据来源

银行业是中国金融体系中的主体,也是风险监控和宏观审慎的主要对象,保险业、证券业和多元金融业在中国金融系统中发挥重要作用。参考赵林海、宫晓莉等的研究[5,12],本文选取沪深A股上市时间早于2010年1月4日的金融机构,作为银行、保险、证券和多元金融四个金融子行业的样本,通过剔除数据缺失的金融机构,最终样本包括14家银行,3家保险、8家证券以及5家多元金融。为方便表述,表2给出了所选机构名单与编号。样本数据若选取月度或季度数据,并不能有效的追踪金融市场的变动,研究误差较大,因此选取每个金融机构的日最高价和最低价进行波动率计算,时间区间为2010年1月4日至2021年6月30日,所有数据来源于国泰安与wind数据库。

表2 金融机构名单与编号

图2为四个行业的波动率时序图,整体而言,四个行业的波动率变化情况相似。在2015年波动幅度最为显著且出现峰值,出现这种情况可能的原因是2015年下半年管理层“去杠杆”,引起了金融市场恐慌,股民大量抛售股票,导致中国股市出现异常剧烈的动荡。在2013年“钱荒”和2020年新冠肺炎疫情的危机事件也出现波动,说明本文所构建的波动率可以有效刻画行业风险的变动情况。

图2 金融行业波动率时序图

表3展示了四个行业波动率的统计性描述,银行业波动率的均值最低为26.09,标准差最低为15.60,说明四个行业中银行业波动率的变化幅度最小,相反证券业的变化幅度最大,进而说明银行业波动率较稳定,而证券业波动率稳定性较差。

表3 统计性描述

(二)金融行业风险溢出时变分析

现在使用TVP-VAR模型对中国四个金融行业风险溢出进行时变分析,本部分从整体风险溢出到局部溢出进行阐述。图3展示了中国金融风险溢出指数的波动范围为35%～65%,在2013年、2015年和2020年附近金融风险溢出指数明显增强,表明“钱荒”“股灾”以及新冠肺炎疫情等危机事件会冲击我国金融行业,加剧金融风险,同时也证明了通过TVP-VAR模型计算的金融风险溢出指数可以作为中国金融风险的测度指标,有效地刻画中国金融风险的时变特征。

图3 金融系统风险溢出时序图

具体而言,在2010—2012年金融风险溢出指数在50%～60%的较高水平,可能受到了之前爆发的欧债危机等一系列事件的影响。在2012年后有明显的下降趋势,在经历了2013年的“钱荒”事件的冲击后,金融风险溢出指数从42%左右上升到58%,直到2014年才有所下降。由于2015年下半年管理层“去杠杆”引起了中国股市剧烈的震动,导致金融风险急剧上升,此时金融风险溢出指数高达65%,且持续了很长一段时间。2018年由于中美贸易摩擦等事件的影响,造成溢出指数增加;同时,2020年初爆发新冠肺炎疫情并迅速在全球范围内扩散,改变了投资者的预期和风险偏好,全球股市出现强烈调整,金融风险上升,使溢出指数再一次达到60%的峰值。

图4(a)分析了每个金融行业的风险承受,即入度的时变特征,四个行业的入度与金融风险溢出指数的变化趋势相似,说明金融系统的外部冲击会导致每个行业承受的风险上升,进而加剧金融风险。目前每个行业的入度整体都呈下降趋势,说明这些年来中国金融行业承受的风险有所降低。

图4(b)为每个金融行业的风险溢出,即出度,四个行业的出度在2013年、2015年以及2020年重大冲击事件时间附近均呈现上升趋势,说明危机事件会加剧金融行业的风险溢出,每个行业都可能成为风险传染的载体。银行业的风险溢出在发生危机事件时最大,进一步证明作为中国金融系统的主体,银行部门相关货币政策和调控渠道是宏观调控其他行业的主要渠道[12]。

图4 金融行业风险溢出与风险承受时序图

将金融行业的入度与出度进行对比分析发现,单个行业风险入度与出度具有非对称性,银行业和保险业入度和出度都处于较高水平,证券业和多元金融业的入度整体高于出度,金融系统发生震荡,银行业和保险业的入度和出度有所上升,由于银行业是中国金融系统中的基础性行业,而保险业为金融系统提供一定的风险保障,因此一定程度上这两个行业相对稳定,而证券业与多元金融业多为承受风险,要更多关注和加强证券业和多元金融业的风险情况并加强其抵抗风险的能力。

本部分进一步通过分析净溢出考察金融行业的风险传播方向,图5(a)为单个金融行业的风险净溢出,图5(b)为两两行业间的风险净溢出。每个行业的风险净溢出时变特征不同,每两个行业间的风险净溢出特征也具有差异,这说明每个行业的风险净溢出具有异质性,这是由每个行业的资产规模、业务类型以及监管主体具有一定的差异性所导致的。

图5(a)中银行业的净溢出多数为正,说明大部分情况下银行业的风险溢出大于风险承受。在“钱荒”“股灾”和新冠肺炎疫情等重大危机事件下,银行业的净溢出均明显上升。保险业在“股灾”期间的净溢出达到最大,而在新冠肺炎疫情期间,主要为风险的承受者。证券业和多元金融业在这两个事件期间都为风险的承受者。

图5(b)中两两行业之间既有风险溢出也有风险承受,二者具有非对称性,同时也说明金融行业之间相互关联,风险的传播错综复杂。在危机事件时,两两行业的净溢出有不同程度增大,说明行业间的关联性增强。具体而言,在银行业和保险业中,银行业主要表现为风险的溢出者,保险业主要为风险的承受者,同样,在银行业和证券业、银行业和多元金融业中,银行业多数都为风险的溢出者,证券业和多元金融业对银行业也有少部分风险溢出,主要原因是银行业为中国金融市场的基石,对金融市场稳定起着非常重要的作用;在保险业和证券业中,2015年保险业表现为风险溢出者,但之后又表现为风险承受者,在保险业和多元金融业中情况相似,原因是保险业为其他行业的金融机构提供保险服务,一定程度上与其他行业紧密关联;在证券业和多元金融业中,证券业主要表现为风险溢出者而多元金融业表现为风险承受者。

图5 金融行业净溢出时序图

以上分析表明,本文使用TVP-VAR模型计算的金融风险溢出指数较好地刻画了中国金融风险的时变特点,揭示了中国金融行业的相互关联性以及行业间风险溢出的特征与规律,扩展了相关学者的研究,为风险防控提供了新思路[19]。

当前中国经济正处于转型阶段,在中长期发展中蕴藏巨大潜力,但危机事件频发加重了金融体系的脆弱性和不稳定性,因此需要进一步研究中国金融风险的变化规律。选取基于金融业间的金融风险溢出指数作为中国金融风险的测度指标,综合考虑其他相关影响因素,构建中国金融风险预警体系,为监测金融风险和制定相关风险管控政策提供参考和建议。

(一)中国金融风险预警指标构建

借鉴Adrian和Brunnermeier的研究[1],选取上证综指对数收益率、波动率以及短期流动性例差等宏观状态变量作为预警指标,由于金融风险也会对自身的预警产生作用,因此将金融风险纳入预警指标。本文的预警变量频率为日度,因此不考虑月度、季度以及年度的相关数据,表4为最终构建的预警指标。

表4 中国金融风险预警指标

选用LSTM模型构建中国金融风险预警体系,根据损失函数的变化进行参数调整,测试集的训练集划分为3∶1,其他具体结构和参数见表5。

表5 LSTM模型参数与结构

(二)中国金融风险预警研究

深度学习可以更好地挖掘数据之间的非线性关系而提高预测精度,为确保所选指标的合理性以及所选预警模型的有效性,首先需要考察上证综指对数收益率、日波动率和短期流动利差等宏观状态变量能否作为金融风险的预警指标。传统的格兰杰因果检验可用来衡量变量之间的线性因果关系,检验某个变量是否可以用来提高对其他变量的预测能力,而金融时间序列多数呈现非线性的动态变化趋势,且本文所选的深度学习模型为非线性预警模型,因此选取非线性格兰杰因果检验,考察所选宏观状态变量与金融风险之间的非线性关系,以及其对金融风险是否存在预测能力。

在进行非线性格兰杰因果检验之前,首先检验各变量之间是否存在非线性动态变化关系。因此本文借鉴Karagianni等的研究步骤[20],通过VAR模型过滤变量间的线性关系,将TOT做为因变量进行回归,选取BSD和RESET方法对残差序列进行检验,结果分别为10.822和8.017,均在1%的显著水平上表明各变量存在非线性关系。进一步选取Diks和Panchenko提出的非参数方法进行非线性格兰杰因果检验[21],表6为检验结果,显然本文所选的宏观状态变量与TOT之间存在非线性关系,可以作为TOT的预警指标,并且在金融风险的预警研究中选取非线性模型是合理的。

表6 变量的非线性检验

图6和表7分别为LSTM模型训练集和测试集的学习结果与误差,训练集用于建立模型,测试集对模型的泛化能力进行检测,从图6来看,训练集与测试集的效果均较好。结合表7的结果,测试集的学习误差总体来说很小,说明本文构建的LSTM模型较好的泛化能力,同时也说明所选宏观状态变量可以作为金融风险的预警指标。

表7 学习误差

图6 LSTM学习结果

为充分说明训练模型的有效性,同时选择人工神经网络(BP)、支持向量机(SVM)、随机森林(RF)和决策树(DT)进行训练。由于数据量过大,为对比明显,图7给出了各个模型部分训练结果图。从图中可以看出,决策树的训练集和测试集结果都不理想,其次是支持向量机模型和BP人工神经网络,但直观来看,随机森林的学习结果并不弱于LSTM模型,因此需要进一步计算各个模型的学习误差。表8给出了上述5个模型的学习误差,与图形观测结果相似,决策树的训练集和测试集的学习误差最大,说明训练结果最不理想同时泛化能力也最差,与其他BP、SVM、DF模型相比,RF的学习结果相对较优。但如将RF模型与LSTM相比较,无论是均方误差(MAE)还是平均绝对百分比误差(MSE),LSTM模型的误差均最小,并且LSTM模型还具有较好的预测能力和泛化能力,因此LSTM模型较其他模型可以充分挖掘变量之间的信息,建立精确度较高的预警模型。

图7 多模型学习结果

表8 多模型学习误差

(三)进一步研究:纳入网络舆情指数的中国金融风险预警研究

网络舆情与金融市场的强关联性已得到广泛认可,张艾莲等表明投资者情绪是影响股票市场稳定的重要因素[22]。投资者关注和情绪变动会引起股票的波动进而影响系统性风险,因此将网络舆情应用到金融风险预警体系的研究中具有重要意义。

目前国内外对网络舆情指数的构造并没有形成统一标准,主要分为三类方法,分别为通过市场调查获取投资者对市场看法进而得到网络舆情指数、主成分分析度量网络舆情指数以及文本挖掘技术构建网络舆情指数[23]。在大数据和互联网时代,股票论坛、新浪财经等网络金融媒体为投资者提供专业交流平台,因此通过分析相关文本信息可以更好地反映网络舆情指数。

本文选用欧阳资生等的文本挖掘方法,选取东方财富网30家上市公司的个股讨论区作为文本信息源,利用python爬取了2010年1月4日至2021年6月30日评论数据[24],其中包含帖子标题、点击量、回复数、发帖用户名、发帖时间以及帖子内容,使用Jieba词库对清洗后的数据进行文本分词,进而构建网络舆情指数,图8为样本期内网络舆情的变化情况。整体而言,舆情指数的变化区间为[-200,150],并且围绕刻度线,大部分波动为区间[-50,50],其中波动较强的三个时间段为2013年、2015年以及2020年附近,而在此时间段股市也出现了巨大波动,因此本文构建网络舆情指数可以合理反映投资者情绪的变动。

图8 网络舆情指数

研究纳入网络舆情指数(AT)的中国金融风险预警,需要考察纳入网络舆情指数后的预警指标对金融风险的预测能力。因此在已选定的宏观变量的基础上加入网络舆情指数,构成新的预警指标体系。对新的预警指标体系进行变量的非线性检验,所得BDS检验统计量为10.789***以及RESET检验统计量为7.473***,即新的预警指标之间存在非线性关系。进一步进行非线性格兰杰因果检验,检测新的预警指标体系对金融风险是否具有预测能力,结果表明纳入网络舆情指数的预警指标与金融风险之间存在非线性因果关系,可以作为金融风险的预警指标纳入预警体系。

选用本文已设定的LSTM模型以及其他对比模型,将纳入网络舆情指数的新预警指标作为输入,金融风险作为输出进行训练。由于篇幅有限,表9只展现了多模型学习误差,其中MAE1和MSE1为未纳入网络舆情指数的预警指标的学习误差,MAE2和MSE2为纳入网络舆情指数的预警指标的学习误差。经过比较发现,多种模型中LSTM的学习误差最小,说明其可以提升预测精度,除决策树模型外,加入网络舆情指数都提高了模型的训练精度和泛化能力,证明网络舆情指数可以作为金融风险的预警指标,也为决策者制定风险政策提供一定参考。

表9 多模型学习误差

随着中国金融创新不断深化,金融系统内部各种业务交叉渗透,金融风险呈现传播速度快、范围广等特点,因此分析金融行业的风险溢出动态变化规律,构建中国金融风险预警体系具有重要意义。本文选取TVP-VAR模型从行业的角度考察金融风险溢出程度及其时变特征,并构建金融风险测度指标。为有效防范金融风险,考虑金融风险与宏观状态变量间的非线性因果关系,使用LSTM模型构建中国金融风险预警体系,进一步探究网络舆情指数能否提升金融风险预警精度,以期为如何加强中国金融市场稳定性,建立宏观审慎监管下的风险预警机制提供政策建议。本文主要得出三个结论:

首先,金融风险溢出研究表明,采用TVP-VAR模型计算的金融风险溢出指数可以有效刻画中国金融风险的变化,行业间的风险溢出具有不对称性,外部冲击会增强金融行业间的关联性,使金融风险溢出指数显著上升。银行业的净溢出多数为正,受到冲击时会增大,说明银行作为中国金融的主体,在风险防控中具有重要地位。

其次,非线性格兰杰因果检验表明,本文选取的上证综指收益率、波动率以及短期流动利差等宏观状态变量与金融风险之间具有非线性关系,可以作为中国金融风险的预警变量,LSTM模型可以充分且有效挖掘数据之间的非线性关系,同时本文所选变量均可纳入金融风险预警体系。

最后,本文构造的网络舆情指数可以反映投资者情绪的变化,并且网络舆情指数对金融风险之间具有非线性预测能力,将其纳入金融风险预警体系进一步提升预警精度,进而表明网络舆情指数与中国金融风险密切相关,在风险管控中可以考虑其产生的影响,采取准确有效的措施预防金融风险的传染和扩散。

基于研究结论,给出如下建议:首先,制定风险防控措施要充分考虑各个金融行业的风险传染特征,不仅要关注每个金融行业的风险监管,更要关注金融行业之间的风险监管,要结合中国实际情况,完善金融监管、信息共享和风险处置方面的协作机制,进而提高风险防控能力,从根本上强化中国金融系统的稳定性;其次,加强宏观状态变量的监测预警,同时要全面系统考虑影响金融风险的各种因素,立足中国实际,构建科学合理的风险影响指标和预警方法,加快金融行业预警防范机制建设;最后,相关部门要重视网络舆情对金融风险的影响,加强对投资者个人的教育与引导,增强其风险防范意识,与此同时,监管部门在进行风险监管与预测时,要将网络舆情考虑在内,完善监管体制,守住不发生系统性风险的底线,确保中国金融系统的稳定安全,实现我国经济安全稳定发展。

猜你喜欢 舆情金融风险预警 预警型智能包装在食品安全中的应用和设计包装工程(2022年1期)2022-01-26金融风险状态扫描银行家(2021年8期)2021-09-06超级秀场 大风预警意林原创版(2021年7期)2021-08-03金融风险防范宣传教育大社会(2020年3期)2020-07-14构建防控金融风险“防火墙”当代陕西(2019年15期)2019-09-02试论金融管理中如何有效识别金融风险都市生活(2019年2期)2019-07-01数字舆情领导决策信息(2017年13期)2017-06-21数字舆情领导决策信息(2017年9期)2017-05-04消费舆情消费电子(2016年12期)2017-01-19预警个啥小说月刊(2014年11期)2014-04-18

推荐访问:金融业 溢出 预警