论文部分内容阅读
摘要：金融危机是一个非线性的复杂过程，而人工神经网络因良好的特性能较精确地预测其发生与否。文章将BP神经网络运用于金融危机预警，以东南亚金融危机为研究对象，构建了一套危机预警系统。通过数据的分析，该模型具有明显的预测精确度和优越性，有助于提升预测金融危机发生的正确率。
关键词：金融危机；预警系统；神经网络
一、引言
由于各国经济结构不尽相同，以往的研究是否能够精确预测金融危机。的确值得再作探讨。本文引进已于金融机构及公司财务危机预警领域卓有成效的类神经网络中的倒传递神经网络，以东南亚金融危机为研究对象，构建了一套危机预警系统。这无论从思想上。还是技术上都是对传统经济预警系统都是一种拓宽和突破，解决了传统预警模型难以处理高度非线性模型，克服缺少自适应能力、信息和知识获取的间接、费时、效率低等困难，从而为预警走向实用化奠定了基础。
二、人工神经网络模型的建立
近年来，人工神经网络，因其理论简明，学习精确度高，且具有监督功能，在财务金融上的应用日渐普遍，如债券评等、期货交易、破产倒闭预测等。人工神经网络的基本架构如图1。包括：(1)输入层：表示类神经网络的输入变量。处理单元数目随问题需要而定。(2)隐藏层：表现处理单元间的交互影响。其处理单元数目并无标准法则，大多以试验方式做抉择。且使用非线性转换函数。隐藏层之层数没有限制，但已有研究发现，至多三层隐藏层，即可解决任何复杂的分类问题。(3)输出层：表示类神经网络的输出变量。处理单元的数目随问题而定，用非线性转换函数。
三、基于人工神经网络的东南亚金融危机预警
1 研究对象、资料来源及预警变量。文章选择研究的对象为东南亚九个国家和地区：日本、台湾、香港、南韩、印度尼西亚、马来西亚、菲律宾、泰国与新加坡。考虑到金融危机的发生时点，本文选取了这些国家在1995年-1999年五年问的宏观经济季度数据。
资料的获得主要依赖于国际货币基金组织发行的国际金融统计(IFS)、世界银行发布的世界发展报告(WDR)、国际统计年鉴、国际经济信息。中国金融年鉴、中国统计年鉴、中国人民银行统计月报等资料，并从中国经济信息网、数据中华等下载了大量的电子数据。
本文在参考Gonzalez—Hermosillo，Pazarbasioglu andBillings(1997)，Demirguc—Kunt and Detragiache(1998)，以及Kaminsky，Lizondo and Reinhart(1998)研究的基础上，选取了包含汇率、利率、货币供给量、外汇储备、国内生产总值、物价指数、股价、进出口及存款保险制度等与一国整体经济状况相关的共27个变量，并计算综合性指标作为判断是否发生金融危机的标准。其中除存款保险制度为虚拟变量外，其他26个为一般总体经济变量。并且根据每个变量对金融危机的影响，赋予其正负号。当被给予负号的变量数值越大时，金融危机的状况会越严重，而被给予正号的变量数值越大时，就越能消除金融危机的状况。各变量的代号、名称、说明与正负号如表1所示。
2 预警变量选择分析。
(1)离位者分析。问题国家在发生金融危机之前。其总体经济状况必异于正常国家，因此以相关各国的总体经济状况进行比较，便能从而判定何者为问题国家。离位者分析便是由这个观点切入，从这27个变量的综合分析里找出研究样本中离位者的存在，以决定数据中的成功样本与失败样本。
先进行累积统计量的计算。步骤是首先把虚拟变量V27删除之后，将变量V1至V26的数据进行标准化，并依其对金融危机的影响给予小同的符号，会促进金融危机发生的变量给予负号，反之则给予正号。其次，每笔数据各自将26个变量依此原则进行加总计算，每笔资料加总而得的值称为累积统计量，可视为一国在该时点时金融整体表现的总分。求出累积统计量的分布后，取其中位数将样本区分为正常者和离位者，则成功样本与失败样本便可判定。同时依据累积统计量的中位数。将各变量的数据分为：G无恶化为金融危机可能的群体和B可能恶化为金融危机的群体。以累积统计量的分群结果，选取出G、B两个群体中存在明显差异的变量。为了显示预测的实用性和可操作性，本文以危机发生前半年的数据变化为观测重点。
在危机发生前半年，V2汇率变动率、V5货币供给量I B、V6、V7货币供给量Ⅱ、V11货币供给量/国际准备、V13国内生产总值、V14国内生产总值成长率、V15消费者物价指数、V20股价变动率和V27存款保险制度。的显著性小于0.05，代表这10个变量的群体存在明显的差异性。
(2)因素分析。将通过离位检定的变量进行因素分析，以决定模型的变量。其中V27为虚拟变量，先予以排除，不参与因素分析。本文采用SPSS统计软件进行因素分析。先进行BartlettSphericity Test。以判断所选定之自变量间是否存在共同变异。若KMO值大于0.5，且Bartlett检定之统计值达到显著水平，代表这些变量确有进行因素分析的必要。接着以主成分方法进行萃取主要因素的工作，藉由Kaiser标准保留特征值大于一的共同因素，决定由哪几个成分来代表所有因素。同时由累积解释变异，察看这些萃取出来的成分解释能力有多少。最后再透过直交转轴中之最大变异法求取因素负荷量，并以各成分内因素负荷量最大的因素为解释变量以代表该成分，如此便可挑选出模型的变量。
在危机发生前半年，剔除掉虚拟变量V27后通过检定的10个变量中，特征值大于一的因素有四个。其累积解释变异高达84，86％。且四个成分内因素负荷量最大的变量分别为V6、V7、V14和V15，因此以该四个变量作为四个成分的解释变量。
3 实证研究。本文使用Neural Works Professional软件进行模型的建立与推算，模型所用变量是根据因素分析结果而来，为V2汇率变动率、V7货币供给量Ⅱ、V13国内生产总值与V27存款保险制度虚拟变量共四个。对于神经网络，我们预先设定：(1)学习次数：即以训练范例乘以一百倍；(2)惯性因子：0.4；(3)学习速率：隐藏层0.3、输出层0.15；(4)学习法则：Delta-Rule(5)转换函数：Tanh。
危机发生前半年：建立模型的变量为经因素分析筛选出的V6、V7、V14、V15和Y27共五个。由表2可以看出，估计样本所架构的模型预测金融危机发生的正确率有87.34％，型I与型Ⅱ误差分别为13.89％与11.43％。保留样本带人之后亦有73.61％的正确率，型I误差偏高，为52.78％，型Ⅱ误差则控制为0.00％。而以未经因素分析筛检的27个原始变量所架构之模型其预测能力如表3。估计样本所架构的模型预测金融危机发生的正确率可以达到95.75％，型I与型Ⅱ误差分别为2.78％与5.71％。而保留样本带入之后亦有83.52％正确率的表现。型I与型Ⅱ误差则为19.44％与13.51％。这样的数据表明该模型具有明显的预测优越性。
四、小结
BP神经网络模型应用于金融危机预警系统，具有明显的预测精确度和优越性。其预测能力很高，并且在型I误差与型Ⅱ误差上，有较低的错误率。就型I与型Ⅱ误差而言，型I误差的意义是“会发生金融危机却没被预测出来”。型Ⅱ误差则是“不会发生金融危机却被预测为发生金融危机”。对一国或地区政府而言，总是希望这类政策工具能够具有预测并避免金融危机的作用，因此，站在能够事先预防的立场上，较低的型I误差相比之下是较为重要的。就危机发生前半年而言。经因素分析筛选变量的BP神经网络模型对于估计样本部分，其型I误差为13.89％，未经因素分析筛选采用原始变量的BP神经网络模型更只有2.78％，错误率很低。因此，将BP神经网络引进金融危机预警领域之后，的确会有优于传统计量方法模型的表现。可以将此方法持续应用于建构机制更精密或其他地区的金融危机预警系统，当有助于提升预测金融危机发生的正确率。
关键词：金融危机；预警系统；神经网络
一、引言
由于各国经济结构不尽相同，以往的研究是否能够精确预测金融危机。的确值得再作探讨。本文引进已于金融机构及公司财务危机预警领域卓有成效的类神经网络中的倒传递神经网络，以东南亚金融危机为研究对象，构建了一套危机预警系统。这无论从思想上。还是技术上都是对传统经济预警系统都是一种拓宽和突破，解决了传统预警模型难以处理高度非线性模型，克服缺少自适应能力、信息和知识获取的间接、费时、效率低等困难，从而为预警走向实用化奠定了基础。
二、人工神经网络模型的建立
近年来，人工神经网络，因其理论简明，学习精确度高，且具有监督功能，在财务金融上的应用日渐普遍，如债券评等、期货交易、破产倒闭预测等。人工神经网络的基本架构如图1。包括：(1)输入层：表示类神经网络的输入变量。处理单元数目随问题需要而定。(2)隐藏层：表现处理单元间的交互影响。其处理单元数目并无标准法则，大多以试验方式做抉择。且使用非线性转换函数。隐藏层之层数没有限制，但已有研究发现，至多三层隐藏层，即可解决任何复杂的分类问题。(3)输出层：表示类神经网络的输出变量。处理单元的数目随问题而定，用非线性转换函数。
三、基于人工神经网络的东南亚金融危机预警
1 研究对象、资料来源及预警变量。文章选择研究的对象为东南亚九个国家和地区：日本、台湾、香港、南韩、印度尼西亚、马来西亚、菲律宾、泰国与新加坡。考虑到金融危机的发生时点，本文选取了这些国家在1995年-1999年五年问的宏观经济季度数据。
资料的获得主要依赖于国际货币基金组织发行的国际金融统计(IFS)、世界银行发布的世界发展报告(WDR)、国际统计年鉴、国际经济信息。中国金融年鉴、中国统计年鉴、中国人民银行统计月报等资料，并从中国经济信息网、数据中华等下载了大量的电子数据。
本文在参考Gonzalez—Hermosillo，Pazarbasioglu andBillings(1997)，Demirguc—Kunt and Detragiache(1998)，以及Kaminsky，Lizondo and Reinhart(1998)研究的基础上，选取了包含汇率、利率、货币供给量、外汇储备、国内生产总值、物价指数、股价、进出口及存款保险制度等与一国整体经济状况相关的共27个变量，并计算综合性指标作为判断是否发生金融危机的标准。其中除存款保险制度为虚拟变量外，其他26个为一般总体经济变量。并且根据每个变量对金融危机的影响，赋予其正负号。当被给予负号的变量数值越大时，金融危机的状况会越严重，而被给予正号的变量数值越大时，就越能消除金融危机的状况。各变量的代号、名称、说明与正负号如表1所示。
2 预警变量选择分析。
(1)离位者分析。问题国家在发生金融危机之前。其总体经济状况必异于正常国家，因此以相关各国的总体经济状况进行比较，便能从而判定何者为问题国家。离位者分析便是由这个观点切入，从这27个变量的综合分析里找出研究样本中离位者的存在，以决定数据中的成功样本与失败样本。
先进行累积统计量的计算。步骤是首先把虚拟变量V27删除之后，将变量V1至V26的数据进行标准化，并依其对金融危机的影响给予小同的符号，会促进金融危机发生的变量给予负号，反之则给予正号。其次，每笔数据各自将26个变量依此原则进行加总计算，每笔资料加总而得的值称为累积统计量，可视为一国在该时点时金融整体表现的总分。求出累积统计量的分布后，取其中位数将样本区分为正常者和离位者，则成功样本与失败样本便可判定。同时依据累积统计量的中位数。将各变量的数据分为：G无恶化为金融危机可能的群体和B可能恶化为金融危机的群体。以累积统计量的分群结果，选取出G、B两个群体中存在明显差异的变量。为了显示预测的实用性和可操作性，本文以危机发生前半年的数据变化为观测重点。
在危机发生前半年，V2汇率变动率、V5货币供给量I B、V6、V7货币供给量Ⅱ、V11货币供给量/国际准备、V13国内生产总值、V14国内生产总值成长率、V15消费者物价指数、V20股价变动率和V27存款保险制度。的显著性小于0.05，代表这10个变量的群体存在明显的差异性。
(2)因素分析。将通过离位检定的变量进行因素分析，以决定模型的变量。其中V27为虚拟变量，先予以排除，不参与因素分析。本文采用SPSS统计软件进行因素分析。先进行BartlettSphericity Test。以判断所选定之自变量间是否存在共同变异。若KMO值大于0.5，且Bartlett检定之统计值达到显著水平，代表这些变量确有进行因素分析的必要。接着以主成分方法进行萃取主要因素的工作，藉由Kaiser标准保留特征值大于一的共同因素，决定由哪几个成分来代表所有因素。同时由累积解释变异，察看这些萃取出来的成分解释能力有多少。最后再透过直交转轴中之最大变异法求取因素负荷量，并以各成分内因素负荷量最大的因素为解释变量以代表该成分，如此便可挑选出模型的变量。
在危机发生前半年，剔除掉虚拟变量V27后通过检定的10个变量中，特征值大于一的因素有四个。其累积解释变异高达84，86％。且四个成分内因素负荷量最大的变量分别为V6、V7、V14和V15，因此以该四个变量作为四个成分的解释变量。
3 实证研究。本文使用Neural Works Professional软件进行模型的建立与推算，模型所用变量是根据因素分析结果而来，为V2汇率变动率、V7货币供给量Ⅱ、V13国内生产总值与V27存款保险制度虚拟变量共四个。对于神经网络，我们预先设定：(1)学习次数：即以训练范例乘以一百倍；(2)惯性因子：0.4；(3)学习速率：隐藏层0.3、输出层0.15；(4)学习法则：Delta-Rule(5)转换函数：Tanh。
危机发生前半年：建立模型的变量为经因素分析筛选出的V6、V7、V14、V15和Y27共五个。由表2可以看出，估计样本所架构的模型预测金融危机发生的正确率有87.34％，型I与型Ⅱ误差分别为13.89％与11.43％。保留样本带人之后亦有73.61％的正确率，型I误差偏高，为52.78％，型Ⅱ误差则控制为0.00％。而以未经因素分析筛检的27个原始变量所架构之模型其预测能力如表3。估计样本所架构的模型预测金融危机发生的正确率可以达到95.75％，型I与型Ⅱ误差分别为2.78％与5.71％。而保留样本带入之后亦有83.52％正确率的表现。型I与型Ⅱ误差则为19.44％与13.51％。这样的数据表明该模型具有明显的预测优越性。
四、小结
BP神经网络模型应用于金融危机预警系统，具有明显的预测精确度和优越性。其预测能力很高，并且在型I误差与型Ⅱ误差上，有较低的错误率。就型I与型Ⅱ误差而言，型I误差的意义是“会发生金融危机却没被预测出来”。型Ⅱ误差则是“不会发生金融危机却被预测为发生金融危机”。对一国或地区政府而言，总是希望这类政策工具能够具有预测并避免金融危机的作用，因此，站在能够事先预防的立场上，较低的型I误差相比之下是较为重要的。就危机发生前半年而言。经因素分析筛选变量的BP神经网络模型对于估计样本部分，其型I误差为13.89％，未经因素分析筛选采用原始变量的BP神经网络模型更只有2.78％，错误率很低。因此，将BP神经网络引进金融危机预警领域之后，的确会有优于传统计量方法模型的表现。可以将此方法持续应用于建构机制更精密或其他地区的金融危机预警系统，当有助于提升预测金融危机发生的正确率。