摘要
随着股票质押业务的不断发展，一系列问题与风险隐患也逐渐暴露。特别是2018年以来，股票质押风险随着股票市场的大幅度价格震荡、大股东质押市值的逐渐增加以及监管向紧的态势日益积压。股票质押业务中隐藏的风险将对金融市场的稳定性造成严重影响，如何更好的监管、化解股票质押风险成为了当务之急。近年来，随着机器学习技术的不断发展，在各领域中的应用越来越广泛且成熟，取得了很多理想的研究成果，金融领域中也不例外。 本文以LSTM算法为基础构建模型，预测股票质押风险。在输入特征方面，选择了企业财务状况、股票质押基本情况等因素作为输入特征。结合质押物市价波动率、质押率和平仓线设置衡量股票质押风险的指标，作为分类标签。在LSTM模型中，在基础算法上融合了全卷积网络（FCN）算法，搭建了LSTM-FCN混合模型，同时提取局部特征和时序特征。结合所使用数据的情况，确定本文属于多分类的研究问题，因此在评价指标上选择了准确率、F1、查全率、查准率和海明距离，用以衡量分类的精准度，并对模型参数设置自适应修改程序，根据评估结果实现优化。同时，本文还将预测结果和其他多个算法模型进行比较。研究发现，LSTM-FCN模型预测性能较为理想，评价指标高于其他比较模型。在全部特征中，股票质押业务、企业财务特征中的偿债能力、盈利能力和成长能力指标在预测中重要性较高。 本文将机器学习技术应用于股票质押领域，建立风险预测模型，取得了较为理想的结果，对于股票质押的风险监管具有一定的参考作用。第一，借助机器学习等先进算法，通过科技赋能建立健全风险监测预警体系，完善风险监管的基础设施；第二，加强对未解压交易、质押比例等指标的监管，进一步拓展监管内容；第三，健全风险等级差异化监管、动态风险监测、信息披露等制度体系，从多方面加强对股票质押业务风险的监督和管理。
NETL