摘要
随着金融市场间交互性与联动性增强，局部金融风险演变为系统性金融风险的可能性不断提高，系统性金融风险爆发的最终结果为系统性金融危机，系统性金融危机会波及整个金融市场甚至是整个经济体系。因此构建适用于大数据时代的系统性金融风险预警机制，以有效提升风险识别的效率与速度，增强金融风险识别防范能力，并基于分析结果对风险进行提前处置，对促进我国经济金融平稳健康发展具有十分重要的意义。 本文立足于系统性金融风险预警研究，首先从理论层面入手，对系统性金融风险形成机理进行分析，分别从理论内涵、风险现状以及风险成因三个角度阐述系统性金融风险的相关理论研究；随后基于理论研究构建我国系统性金融风险预警指标体系，该体系分为宏观维度和市场维度，包括25个经济金融指标，并运用主成分分析和K-means聚类分析对所研究区间内的系统性金融风险状态进行评估和等级划分；最后，构建BP神经网络、随机森林以及CNN卷积神经网络三大机器学习算法预警模型进行风险预测，并选取综合评价指标度量各模型性能。 研究发现：（1）我国系统性金融风险高低受宏观经济因素和市场因素的双重影响。宏观层面（GDP增长率、通货膨胀率、财政赤字等）经济指标的高低，以及包括银行市场、证券市场、保险市场、房地产市场和外汇市场在内的五个子市场的表现均会影响系统性金融风险。（2）近年内我国系统性金融风险呈现明显上升趋势。在本文所选区间内，我国系统性金融风险状态大致可分为6个风险等级与7个风险区间，从风险等级看，近期内我国系统性金融风险等级明显提升，金融市场内外部承压。（3）2020年3季度后我国系统性金融风险状态明显好转。2020年风险预警结果显示，前3季度我国系统性金融风险处于高位高压状态，但3季度后我国系统性金融风险状态明显好转，表明我国未来经济发展形势总体向好，金融系统稳定运行。（4）随机森林模型对系统性金融风险的预警性能较优。在本文构建的3类机器学习算法预警模型中，随机森林模型预测准确率高达0.975，高于BPNN模型（0.963）和CNN模型（0.950），表明随机森林模型在系统性金融风险预警的实证研究中具有较好的适用性与可行性。
NETL