“滬港通”對中國股市風(fēng)險(xiǎn)預(yù)警的影響

陳冰

隨著“滬港通”政策的開通，上海證券交易所和香港證券交易所之間的關(guān)系更加緊密。本文主要研究了“滬港通”政策對中國股市風(fēng)險(xiǎn)預(yù)警的影響。首先，對股市風(fēng)險(xiǎn)進(jìn)行劃分;其次，選擇了上證180指數(shù)的收盤價(jià)、移動平均線、指數(shù)平滑異同移動平均線、心理線指標(biāo)、乖離率、相對強(qiáng)弱指標(biāo)和人氣指標(biāo)作為特征變量;最后，運(yùn)用機(jī)器學(xué)習(xí)方法對中國股市風(fēng)險(xiǎn)進(jìn)行預(yù)測并分析“滬港通”政策對股市風(fēng)險(xiǎn)預(yù)警的影響。樣本預(yù)測結(jié)果表明：“滬港通”政策的開通使得中國股市風(fēng)險(xiǎn)預(yù)測更加準(zhǔn)確。

一、引言

資本市場開放是一個(gè)國家金融發(fā)展的重要標(biāo)志。自20世紀(jì)90年代以來，中國資本市場通過股權(quán)分置改革等幾項(xiàng)重大改革迅速發(fā)展。然而，目前我國資本市場的發(fā)展仍落后于發(fā)達(dá)國家，尤其是資本市場的司法管理體制和市場的對外開放程度。資本市場開放對國內(nèi)經(jīng)濟(jì)的增長和金融體系的健康發(fā)展具有重要意義（Bekaert，2005;Marco，1993）。為了促進(jìn)資本市場的健康發(fā)展，促進(jìn)國內(nèi)市場與國際市場的融合，我國在維持原有的合格境外機(jī)構(gòu)投資者制度（QFII）、合格境內(nèi)機(jī)構(gòu)投資者制度（QDII）和人民幣合格境外機(jī)構(gòu)投資者制度（RQFII）政策的基礎(chǔ)上，證監(jiān)會在2014年11月17日宣布“滬港通”政策正式實(shí)施。“滬港通”政策的開啟使得境外投資者能夠以較低的交易成本直接進(jìn)入內(nèi)地股票市場，提升了內(nèi)地股票市場與國際接軌的程度。因此，“滬港通”在中國股票市場發(fā)展的進(jìn)程中具有里程碑式的意義。

“滬港通”在推進(jìn)股市發(fā)展和經(jīng)濟(jì)進(jìn)步的同時(shí)，也加劇了資本市場的波動風(fēng)險(xiǎn)，并可能誘發(fā)金融風(fēng)險(xiǎn)。金融是一個(gè)國家重要的核心競爭力，一旦發(fā)生金融危機(jī)，它不僅阻礙了國民經(jīng)濟(jì)的發(fā)展，給國家?guī)韲?yán)峻的考驗(yàn)，而且也會通過風(fēng)險(xiǎn)傳導(dǎo)機(jī)制影響其他國家的經(jīng)濟(jì)發(fā)展，從而對全球經(jīng)濟(jì)產(chǎn)生影響。例如，Kaminsky等人（1998年）發(fā)現(xiàn)1997年的亞洲危機(jī)起源于泰國，然后蔓延到其他亞洲國家和地區(qū)最終進(jìn)入美國和歐洲的金融市場。隨著全球經(jīng)濟(jì)一體化，各國經(jīng)濟(jì)相互影響，一個(gè)股票市場發(fā)生危機(jī)事件，不僅給該股票市場帶來沉重的打擊，而且還會導(dǎo)致其他股票市場發(fā)生危機(jī)事件，從而在全球引發(fā)較大的金融危機(jī)。因此，很有必要對股票市場進(jìn)行風(fēng)險(xiǎn)預(yù)警研究。通過對股票市場風(fēng)險(xiǎn)進(jìn)行預(yù)警，可以讓相關(guān)的部門及時(shí)進(jìn)行調(diào)整，較好地應(yīng)對股票市場的危機(jī)事件。因此越來越多的學(xué)者和實(shí)踐者開始開發(fā)風(fēng)險(xiǎn)預(yù)警系統(tǒng)，且股票市場在金融市場中具有重要地位，對股市風(fēng)險(xiǎn)預(yù)警的研究更加重要。

在風(fēng)險(xiǎn)預(yù)警中只要有兩個(gè)問題需要解決，即風(fēng)險(xiǎn)度量方法和風(fēng)險(xiǎn)預(yù)警模型。國內(nèi)外有許多學(xué)者對風(fēng)險(xiǎn)度量方法進(jìn)行了研究，如，王鵬和黃旭（2018）使用多分形分析方法把金融市場的風(fēng)險(xiǎn)分為了正常狀態(tài)和關(guān)注狀態(tài);Sotirios P. Chatzis（2018）把危機(jī)事件定義為在每個(gè)工作日，如果低于收益率的經(jīng)驗(yàn)分布函數(shù)的百分之一，則稱之為危機(jī)事件;方若男和駱品亮（2020）將違規(guī)風(fēng)險(xiǎn)分為嚴(yán)重違規(guī)和無嚴(yán)重違規(guī)，被注銷牌照地稱之為嚴(yán)重違規(guī)，其余稱為無嚴(yán)重違規(guī);周成和居里鍇（2020）使用一種綜合風(fēng)險(xiǎn)值量化模型將機(jī)械安全風(fēng)險(xiǎn)分為重大風(fēng)險(xiǎn)、較大風(fēng)險(xiǎn)、一般風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)四類;Peiwan Wang（2020）使用SWARCH、雙峰法選擇閾值的方法對股票市場的動蕩進(jìn)行識別。對于金融市場風(fēng)險(xiǎn)預(yù)警模型的問題，王鵬和黃旭（2018）為解決數(shù)據(jù)不平衡問題，使用Twin-SVM模型對金融市場風(fēng)險(xiǎn)進(jìn)行預(yù)警;Sotirios P. Chatzis（2018）使用了邏輯回歸、決策樹、隨機(jī)森林、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、XGBoost、深度學(xué)習(xí)前饋網(wǎng)絡(luò)和結(jié)合方法分別對一天和二十天的金融市場風(fēng)險(xiǎn)進(jìn)行預(yù)警;方若男和駱品亮（2020）使用隨機(jī)森林模型對第三方支付違規(guī)風(fēng)險(xiǎn)進(jìn)行預(yù)警;Peiwan Wang（2020）使用LSTM方法對股票市場的動蕩進(jìn)行預(yù)警。

根據(jù)上述研究，研究“滬港通”對中國股市風(fēng)險(xiǎn)預(yù)警的影響具有重要意義。本文的其余部分組織如下：第二節(jié)描述了股票市場風(fēng)險(xiǎn)識別的方法以及風(fēng)險(xiǎn)預(yù)警模型;第三節(jié)為本文的實(shí)證部分;第四節(jié)描述了本文的結(jié)論。

二、模型

（一）SMOTE

為了避免不平衡數(shù)據(jù)集對預(yù)警結(jié)果的影響，本文采用合成過采樣技術(shù) （SMOTE）來平衡數(shù)據(jù)集。 SMOTE算法的基本思想是通過分析少數(shù)類別人工合成新樣本，然后將人工合成的新樣本添加到數(shù)據(jù)集中，使原始數(shù)據(jù)中的類平衡。

（二）股市風(fēng)險(xiǎn)預(yù)警模型

1.DT。決策樹是在已知情況下發(fā)生概率的基礎(chǔ)上，通過構(gòu)成決策樹來求取凈現(xiàn)值的期望值大于等于零的概率，評價(jià)項(xiàng)目風(fēng)險(xiǎn)，判斷其可行性的決策分析方法。決策樹是一種監(jiān)督學(xué)習(xí)的方法，所謂監(jiān)督學(xué)習(xí)就是給定一堆樣本，每個(gè)樣本都有一組屬性和一個(gè)類別，這些類別是事先確定的，那么通過學(xué)習(xí)得到一個(gè)分類器，這個(gè)分類器能夠?qū)π鲁霈F(xiàn)的對象給出正確的分類。

2. XGBoost。XGBoost是一種基于樹的提升技術(shù)。與決策樹算法相比，XGBoost算法創(chuàng)新地利用了二階導(dǎo)數(shù)信息損失函數(shù)，使 XGBoost 算法收斂更快，確保更高的求解效率，并且增加了可擴(kuò)展性。 XGBoost 算法的另一個(gè)優(yōu)點(diǎn)是它使用列采樣參考隨機(jī)森林算法的方法，進(jìn)一步減少計(jì)算量配件。目前，XGBoost算法被廣泛使用的原因不僅是訓(xùn)練好的模型性能好，速度快，可以進(jìn)行一些大規(guī)模的數(shù)據(jù)計(jì)算，其還能夠解決分類問題，有效處理分類難題。

三、實(shí)證

（一）數(shù)據(jù)的選擇

在本文中，作者選擇上證180指數(shù)作為原始數(shù)據(jù)，樣本跨度為2013年11月16日至2016年11月17日。通過Wind數(shù)據(jù)庫得到上證180指數(shù)從2012年11月16日到2016年11月17日的開盤價(jià)，該段時(shí)間上證180指數(shù)的開盤價(jià)的走勢圖如圖1所示。為了降低上證180指數(shù)日收益率序列的異方差性，本文用其對數(shù)收益率來描述實(shí)際收益率。計(jì)算公式對數(shù)收益率的計(jì)算結(jié)果如下所示：

其中是t日股指的收盤價(jià)。上證180指數(shù)的對數(shù)收益率的走勢圖如圖2所示。

為了研究“滬港通”政策對中國股市風(fēng)險(xiǎn)預(yù)警的影響，需要對時(shí)間進(jìn)行劃分，考慮到“滬港通”政策正式開通的關(guān)鍵時(shí)間點(diǎn)，本文將時(shí)間劃分為兩個(gè)時(shí)間段：一是“滬港通”政策執(zhí)行前期，2012年11月16日至2014年11月16日;二是“滬港通”政策執(zhí)行期，2014年11月17日至2016年11月17日。

（二）股市風(fēng)險(xiǎn)度量

為了更好地對股市風(fēng)險(xiǎn)進(jìn)行預(yù)警，最重要的是對股市的風(fēng)險(xiǎn)進(jìn)行度量。股市風(fēng)險(xiǎn)度量的方法有很多，比如收益率方法、CMAX方法等。本文使用收益率方法對股市風(fēng)險(xiǎn)進(jìn)行度量，即當(dāng)收益率低于所有收益率的前百分之十時(shí)，將其定義為危機(jī)事件，標(biāo)記為1;當(dāng)收益率高于收益率的前百分之十時(shí)，將其定義為無危機(jī)事件，標(biāo)記為0。

（三）特征指標(biāo)的選擇

特征指標(biāo)的選擇對股市風(fēng)險(xiǎn)預(yù)警具有重要的作用，本文選擇的特征指標(biāo)主要包括上證180指數(shù)的收盤價(jià)、移動平均線、指數(shù)平滑異同移動平均線、心理線指標(biāo)、乖離率、相對強(qiáng)弱指標(biāo)和人氣指標(biāo)。本文選擇的特征指標(biāo)變量的解釋如表1所示。

（四）股市風(fēng)險(xiǎn)預(yù)警結(jié)果及分析

本文首先將上證180指數(shù)的收盤價(jià)、移動平均線、指數(shù)平滑異同移動平均線、心理線指標(biāo)、乖離率、相對強(qiáng)弱指標(biāo)、人氣指標(biāo)以及狀態(tài)指標(biāo)變量整合到一起，進(jìn)而每個(gè)交易日都會有一組相應(yīng)特征指標(biāo)變量和狀態(tài)指標(biāo)變量。本文通過收益率的方法對股市風(fēng)險(xiǎn)進(jìn)行度量，將危機(jī)事件標(biāo)記為1，將無危機(jī)事件標(biāo)記為0，眾所周知，危機(jī)事件發(fā)生的頻率很小，所以我們的狀態(tài)指標(biāo)變量中大部分為0，即無危機(jī)事件，只有少部分為1，即危機(jī)事件。因此，本文數(shù)據(jù)集是一個(gè)不平衡的數(shù)據(jù)集。其次，本文將數(shù)據(jù)集的70%作為訓(xùn)練集，30%作為測試集。一個(gè)不平衡的數(shù)據(jù)集會對模型的預(yù)測結(jié)果產(chǎn)生一定的偏差，并且本研究中，危機(jī)事件是我們最關(guān)注的，即樣本量較少的類別，因此，使用小類樣本合成過采樣技術(shù)（SMOTE）對數(shù)據(jù)集的訓(xùn)練集進(jìn)行平衡。最后，本文再使用決策樹模型和XGBoost模型對股市風(fēng)險(xiǎn)進(jìn)行預(yù)警，進(jìn)而分析“滬港通”對股市風(fēng)險(xiǎn)預(yù)警的影響。

為了更好地分析股市風(fēng)險(xiǎn)預(yù)警的結(jié)果，本文選擇了一些評價(jià)指標(biāo)對股市風(fēng)險(xiǎn)預(yù)警結(jié)果進(jìn)行分析，即準(zhǔn)確率、召回率、F1值、ROC曲線和AUC值?；煜仃嚾绫?所示。評價(jià)指標(biāo)的計(jì)算公式如下：

本文選擇了決策樹模型和XGBoost模型對股市風(fēng)險(xiǎn)進(jìn)行預(yù)警，通過決策樹模型和XGBoost模型的評價(jià)指標(biāo)來分析“滬港通”政策的開通對股市風(fēng)險(xiǎn)預(yù)警的影響。“滬港通”政策開通前后的決策樹模型的評價(jià)指標(biāo)如表3所示。通過表3發(fā)現(xiàn)，在“滬港通”政策開通前和“滬港通”政策開通后，訓(xùn)練集的準(zhǔn)確率、訓(xùn)練集的召回率和訓(xùn)練集的F1值都是1。然而，在測試集中，“滬港通”政策開通前測試集的準(zhǔn)確率為0.543，“滬港通”政策開通后測試集的準(zhǔn)確率為0.580，即“滬港通”政策開通后決策樹模型的準(zhǔn)確率上升了0.037;“滬港通”政策開通前測試集的召回率為0.550，“滬港通”政策開通后測試集的召回率為0.574，即“滬港通”政策開通后決策樹模型的召回率上升了0.024;“滬港通”政策開通前測試集的F1值為0.546，“滬港通”政策開通后測試集的F1值為0.577，即“滬港通”政策開通后決策樹模型的F1值上升了0.031?！皽弁ā闭唛_通前的決策樹模型的ROC曲線如圖3所示，“滬港通”政策開通后的決策樹模型的ROC曲線如圖4所示。通過對比圖3和圖4發(fā)現(xiàn)，“滬港通”政策開通前的ROC曲線明顯低于“滬港通”政策開通后的ROC曲線，并且“滬港通”政策開通前的ROC曲線的AUC值為0.55，“滬港通”政策開通后的ROC曲線的AUC值為0.57，即“滬港通”政策開通后的決策樹模型的ROC曲線的AUC值上升了0.02。綜上所述，從決策樹模型對股市風(fēng)險(xiǎn)預(yù)警的評價(jià)指標(biāo)結(jié)果可以得出“滬港通”政策的開通對股市風(fēng)險(xiǎn)預(yù)警具有一定的積極作用，即相對于“滬港通”政策開通前，“滬港通”政策開通后，股市風(fēng)險(xiǎn)可以較為準(zhǔn)確的被預(yù)測出來，從而使得相應(yīng)的部門采取及時(shí)的防范措施，減少股市發(fā)生危機(jī)所造成的損失。

“滬港通”政策開通前后的XGBoost模型的評價(jià)指標(biāo)如表4所示。通過表4可以發(fā)現(xiàn)，“滬港通”政策開通前訓(xùn)練集的準(zhǔn)確率為0.962，“滬港通”政策開通后訓(xùn)練集的準(zhǔn)確率為0.927，即“滬港通”政策開通后訓(xùn)練集的準(zhǔn)確率下降了0.035;“滬港通”政策開通前訓(xùn)練集的召回率為0.959，“滬港通”政策開通后訓(xùn)練集的召回率為0.927，即“滬港通”政策開通后訓(xùn)練集的召回率下降了0.032;“滬港通”政策開通前訓(xùn)練集的F1值為0.959，“滬港通”政策開通后訓(xùn)練集的F1值為0.927，即“滬港通”政策開通后訓(xùn)練集的F1值下降了0.032，“滬港通”政策開通后XGBoost模型訓(xùn)練集的準(zhǔn)確率、召回率和F1值都有所下降。然而，對于XGBoost模型的測試集，“滬港通”政策開通前測試集的準(zhǔn)確率為0.551，“滬港通”政策開通后測試集的準(zhǔn)確率為0.605，即“滬港通”政策開通后XGBoost模型的測試集的準(zhǔn)確率上升了0.054;“滬港通”政策開通前測試集的召回率為0.643，“滬港通”政策開通后測試集的召回率為0.630，即“滬港通”政策開通后XGBoost模型的召回率下降了0.013;“滬港通”政策開通前測試集的F1值為0.545，“滬港通”政策開通后測試集的F1值為0.613，即“滬港通”政策開通后XGBoost模型的F1值上升了0.068?！皽弁ā闭唛_通前XGBoost模型的測試集的ROC曲線如圖5所示，“滬港通”政策開通后XGBoost模型的測試集的ROC曲線如圖6所示。通過對比圖5和圖6發(fā)現(xiàn)，“滬港通”政策開通前的ROC曲線明顯低于“滬港通”政策開通后的ROC曲線，并且“滬港通”政策開通前的ROC曲線的AUC值為0.69，“滬港通”政策開通后的ROC曲線的AUC值為0.74，即“滬港通”政策開通后的決策樹模型ROC曲線的AUC值上升了0.05。綜上所述，從XGBoost模型對股市風(fēng)險(xiǎn)預(yù)警的評價(jià)指標(biāo)結(jié)果可以得出“滬港通”政策的開通對股市風(fēng)險(xiǎn)預(yù)警具有一定的積極作用。

通過對比表3和表4發(fā)現(xiàn)，雖然XGBoost模型訓(xùn)練集的評價(jià)指標(biāo)比決策樹模型訓(xùn)練集的評價(jià)指標(biāo)低，但是在測試集中XGBoost模型比決策樹模型的評價(jià)指標(biāo)略高一點(diǎn)。另外，通過對比圖3、圖4、圖5和圖6發(fā)現(xiàn)XGBoost模型ROC曲線的AUC值比決策樹模型的ROC曲線的AUC值高，因此，XGBoost模型相對于決策樹模型具有較好的預(yù)測性能。

四、結(jié)論

本文以上證180指數(shù)作為研究對象，使用決策樹模型和XGBoost模型分別對“滬港通”政策開通前和“滬港通”政策開通后的股市風(fēng)險(xiǎn)進(jìn)行預(yù)警。通過對評價(jià)指標(biāo)的分析可得出以下結(jié)論：“滬港通”政策的開通對股市風(fēng)險(xiǎn)預(yù)警具有一定的積極作用，可以更好地預(yù)測出危機(jī)事件，從而使得相關(guān)部門采取應(yīng)對措施降低危機(jī)事件帶來的損失;XGBoost模型相對于決策樹模型具有較好的預(yù)警性能。

參考文獻(xiàn)：

[1] BekaertG ，Harvey CR ，LundbladC.Does financial

liberalization spur growth. 2005：3-55.

[2] Marco， Pagano. Financial markets and growth： An overview[J]. European Economic Review，1993：613-622.

[3]Kaminsky， Graciela， Lizondo，等. Leading indicators of currency crises.[J]. IMF Staff Papers， 1998.

[4]王鵬，黃迅.基于Twin-SVM的多分形金融市場風(fēng)險(xiǎn)的智能預(yù)警研究[J].統(tǒng)計(jì)研究，2018，35（02）：3-13.DOI：10.19343/j.cnki.11-1302/c.2018.02.001.

[5] Chatzis S P ，Siakoulis V ，Petropoulos A ， et al. Forecasting stock market crisis events using deep and statistical machine learning techniques[J]. Expert Systems with Applications， 2018，112（DEC.）：353-371.

[6]方若男，駱品亮.基于隨機(jī)森林的第三方支付違規(guī)風(fēng)險(xiǎn)預(yù)警研究[J].技術(shù)經(jīng)濟(jì)，2020，39（09）：11-21.

[7]周成，居里鍇.面向機(jī)械安全風(fēng)險(xiǎn)預(yù)警的評估方法[J].中國安全科學(xué)學(xué)報(bào)，2020，30（08）：86-92.DOI：10.16265/j.cnki.issn1003-3033.2020.08.013.

[8] Wang P ， Zong L ，Ma Y . An Integrated Early Warning System for Stock Market Turbulence[J]. Expert Systems with Applications， 2020， 153：113463.

[9]林宇，黃迅，淳偉德，黃登仕.基于ODR-ADASYN-SVM的極端金融風(fēng)險(xiǎn)預(yù)警研究[J].管理科學(xué)學(xué)報(bào)，2016，19（05）：87-101.

[10]胡毅，王玨，楊曉光.基于面板Logit模型的銀行客戶貸款違約風(fēng)險(xiǎn)預(yù)警研究[J].系統(tǒng)工程理論與實(shí)踐，2015，35（07）：1752-1759.

[11]張奇，胡藍(lán)藝，王玨.基于Logit與SVM的銀行業(yè)信用風(fēng)險(xiǎn)預(yù)警模型研究[J].系統(tǒng)工程理論與實(shí)踐，2015，35（07）：1784-1790.

課題項(xiàng)目：首都經(jīng)濟(jì)貿(mào)易大學(xué)2022年研究生科技創(chuàng)新項(xiàng)目。

作者單位：首都經(jīng)濟(jì)貿(mào)易大學(xué)管理工程學(xué)院，碩士。