防范金融系統(tǒng)性風(fēng)險(xiǎn)是十九大提出的重要任務(wù),而銀行是金融系統(tǒng)非常重要的子系統(tǒng),識(shí)別銀行系統(tǒng)性風(fēng)險(xiǎn)因素、構(gòu)建風(fēng)險(xiǎn)預(yù)警模型是防范風(fēng)險(xiǎn)的重要手段。首先,從宏觀經(jīng)濟(jì)和銀行系統(tǒng)兩方面建立評(píng)估銀行系統(tǒng)性風(fēng)險(xiǎn)的指標(biāo)體系,并采用方差閾值法對(duì)指標(biāo)進(jìn)行初步篩選,接著提出了基于孤立森林的指標(biāo)篩選法進(jìn)一步篩選出與銀行系統(tǒng)性風(fēng)險(xiǎn)高度相關(guān)的4個(gè)指標(biāo)。其次,為了識(shí)別銀行系統(tǒng)性風(fēng)險(xiǎn),提出了包含孤立森林法、基于角度的離群點(diǎn)檢測(cè)法和局部異常因子法的多種異常檢測(cè)算法相結(jié)合的銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別模型,并選取2012年1月到2018年12月的數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)識(shí)別。從識(shí)別結(jié)果來看,所構(gòu)建的風(fēng)險(xiǎn)識(shí)別模型基本準(zhǔn)確識(shí)別出了歷史風(fēng)險(xiǎn)時(shí)點(diǎn),與歷史事件切合度高,結(jié)果具有可解釋性。最后,采用DeepAR方法分別預(yù)測(cè)入選的4個(gè)指標(biāo),并將預(yù)測(cè)結(jié)果輸入到銀行系統(tǒng)性風(fēng)險(xiǎn)識(shí)別模型,以此構(gòu)建銀行系統(tǒng)性風(fēng)險(xiǎn)預(yù)警模型,預(yù)警結(jié)果表明該模型在一定程度上能夠?qū)︺y行系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行預(yù)警。

【文章頁數(shù)】：18 頁

【部分圖文】：

圖1入選指標(biāo)與銀行系統(tǒng)性風(fēng)險(xiǎn)的邏輯關(guān)系

銀行間相互存款具有流動(dòng)性重新分配的作用,當(dāng)銀行系統(tǒng)流動(dòng)性充足時(shí),銀行關(guān)聯(lián)對(duì)流動(dòng)性轉(zhuǎn)移的作用占主導(dǎo),使流動(dòng)性分布更均衡,銀行間關(guān)聯(lián)有助于保持系統(tǒng)穩(wěn)定;若系統(tǒng)中流動(dòng)性短缺,則風(fēng)險(xiǎn)傳染作用會(huì)占主導(dǎo),且銀行關(guān)聯(lián)可能加速流動(dòng)性風(fēng)險(xiǎn)的傳染(鄧晶等,2013[37])。如果出現(xiàn)超額流動(dòng)性沖擊,....

圖2指標(biāo)曲線及異常點(diǎn)

具體到異常點(diǎn)來看,2012年1月的銀行指數(shù)月波動(dòng)率較大,且銀行間同業(yè)拆借加權(quán)平均利率處于高位;2012年12月銀行指數(shù)月收益率急劇升高;而2013年6月銀行指數(shù)月收益率大幅下跌,銀行間同業(yè)拆借加權(quán)平均利率處于最高點(diǎn),同時(shí)商業(yè)銀行流動(dòng)比例處于低位;2014年12月和2015年1月銀....

圖3采用DeepAR方法預(yù)測(cè)結(jié)果

為了對(duì)比分析還采用了MQ-CNN(Multi-HorizonforecastingwithaConvolutionalNeuralNetwork(CNN)asanencoder)、MQ-RNN[57]、Non-ParametricTimeSeriesFore....

本文編號(hào)：4004248