基于SSA-BP神經網絡模型的系統(tǒng)性金融風險預警分析

陳慶婉 張品一

摘 要：本文通過SSA-BP神經網絡模型對系統(tǒng)性金融風險進行研究，并對中國的系統(tǒng)性金融風險進行評估和預警。第一，本文選取我國2008—2022年18個金融指標的月度數據構建了初始金融指標體系，在此基礎上運用主成分分析和K-均值聚類將金融風險劃分為四類。第二，基于SSA-BP神經網絡模型建立我國金融風險預警模型，并通過2022年的數據對2023年的金融系統(tǒng)性風險狀態(tài)進行仿真預測。結果顯示，2023年的金融系統(tǒng)風險處于警戒狀態(tài)或危險狀態(tài)，值得重點關注。

關鍵詞：SSA-BP神經網絡模型；系統(tǒng)性金融風險預警；主成分分析；聚類分析；仿真預測

本文索引：陳慶婉，張品一.<變量 2>[J].中國商論，2023（16）：-119.

中圖分類號：F830.9 文獻標識碼：A 文章編號：2096-0298（2023）08（b）--04

全球經濟一體化推進了世界各國之間的經濟聯(lián)系，在資本加深開放程度的進程中，金融系統(tǒng)面臨的風險沖擊隨之加大。20世紀90年代后，全球各地區(qū)先后爆發(fā)了經濟危機，進而引發(fā)了全球金融危機。隨著經濟的快速發(fā)展，我國金融體系安全也有新的要求?！笆奈濉睍r期，我國明確提出建立財稅金融體制、完善現(xiàn)代金融監(jiān)管體系；黨的二十大報告中也提出，加強和完善現(xiàn)代金融監(jiān)管、強化金融穩(wěn)定保障體系。因此，如何有效防范金融風險的爆發(fā)、避免金融危機的產生一直是國內外學者重點關注的領域。

國外方面，Nag&Mitra（1999）、Al-Kazemi等（2002）、Melek Acar（2009）先后使用神經網絡模型對金融風險預警進行了研究。國內方面，王志宇等（2000）、李夢雨（2012）、曾昭法和游悅（2020）、韓喜昆和馬德功（2021）、張品一和薛京京（2022）等學者也通過不同的神經網絡模型對系統(tǒng)性金融風險進行了研究，BP神經網絡模型在金融風險預警的應用已經非常成熟。但是，目前單獨使用BP神經網絡模型對金融風險進行研究已不具有價值，因此本文擬對BP神經網絡引入一個優(yōu)化算法——麻雀搜索算法（SSA），進而得到一個精確度更高的金融風險預警模型。本文使用麻雀搜索算法對BP神經網絡進行優(yōu)化，通過主成分分析法和K-均值聚類算法將金融系統(tǒng)劃分為四類風險狀態(tài)，構建金融風險預警模型，并通過2022年的數據對2023年的金融風險狀態(tài)進行預測。

1 模型建立與分析

BP神經網絡是一種常見的人工神經網絡，其正向傳播方向為“輸入層→隱含層→輸出層”。在訓練過程中，輸入樣本通過多層神經元層進行處理，最終得到網絡輸出值。當期望值與輸出值之間存在誤差時，神經網絡需要對其進行自我糾正，在誤差反向傳播的過程中，調整權值和閾值以最小化誤差，并滿足性能要求。梯度下降算法通常用于對每個神經元的權值和閾值進行調整，完成信息提取和訓練。BP神經網絡模型拓撲結構如圖1所示。

BP神經網絡在預測方面應用廣泛，具有非線性映射、自適應學習和泛化能力。然而，BP神經網絡的算法本質上是梯度下降法，需要優(yōu)化復雜的目標函數，效率較低。此外，BP神經網絡是一種局部搜索優(yōu)化方法，容易陷入局部極值，并導致權值收斂到局部極小點。

麻雀搜索算法主要是受麻雀覓食行為和反捕食行為的啟發(fā)而提出的，該算法比較新穎，具有尋優(yōu)能力強、收斂速度快的優(yōu)點。針對BP神經網絡模型存在的算法效率低下、容易陷入局部最優(yōu)、不能做到全局尋優(yōu)等問題，本文引進SSA算法對BP神經網絡模型的初始權重和閾值進行優(yōu)化處理，從而提出SSA-BP神經網絡模型。

2 指標選取和數據處理

基于目前我國的金融穩(wěn)定狀況及面臨的主要金融風險，本文選取2008—2022年的經濟數據進項分析，并結合外部風險沖擊，共選取18個與金融風險累積的相關指標，將選取的風險指標劃分為：（1）宏觀經濟總體指標，包括GDP增長率（X1）、通貨膨脹率（X2）、M2增長率（X3）、固定資產投資增長率（X4）；（2）銀行壞賬累積性風險指標，包括資本充足率（X5）、不良貸款率（X6）、資產收益率（X7）、流動性比率（X8）；（3）泡沫經濟風險指標，包括股市平均市盈率（X9）、股票流通市值/GDP（X10）、房價增長率（X11）；（4）債務風險指標，包括財政赤字（X12）、外債總額（X13）、短期外債（X14）；（5）外幣沖擊風險指標，包括實際匯率（X15）、外匯儲備（X16）、外商投資（X17）、經常項目差額/GDP（X18）。

首先，本文使用主成分分析法處理指標數據來提高模型的訓練效率。先對選取的數據指標是否能適用于主成分分析進行檢驗，利用KMO檢驗和巴特利特球體檢驗對初始特征指標進行分析。KMO檢驗結果顯示，KMO的統(tǒng)計量為0.717，表示原始指標相關性較強；巴特利特球體檢驗結果顯示，巴特利特球形度檢驗顯著性，為0.00，拒絕原假設，表示原始指標具有顯著相關性，可以做因子分析。其次，依據特征值大于1的基本原則，提取5個與金融風險密切相關的主因子F1、F2、F3、F4、F5，方差貢獻率分別為37.580%、14.418%、11.234%、10.454%、8.864%，累計方差貢獻率為82.550%，即5個主因子載荷了系統(tǒng)性金融風險的大部分信息。

通過荷載因子矩陣可以得出各因子的因子得分，結合5個主因子的方差貢獻率進行如式

計算，構造能夠體現(xiàn)各年份金融變量的Ft，通過Ft的取值范圍進行所屬年份的風險狀態(tài)劃分。采用K-均值聚類的方法，將Ft劃分為四個等級，即安全、基本安全、警戒狀態(tài)和危險狀態(tài)。采用“極值—均值”劃定金融風險狀態(tài)的臨界值，即安全為A（-∞，-0.448]、基本安全為B（-0.448，0.326]、警戒狀態(tài)為C（0.326，0.762]、危險狀態(tài)為D（0.762，+∞），得到Ft預警模型的完整編碼如表1所示。

結果顯示，主成分分析法所劃分的風險狀態(tài)分類基本上能反映我國金融系統(tǒng)的穩(wěn)定情況。2008年美國次貸危機爆發(fā)，給我國金融系統(tǒng)帶來了巨大的外部風險沖擊；2010年以來，歐美國家在應對金融危機中對我國經濟的影響也不容忽視，但是針對這一外部沖擊，國家及時做出調整，政府出臺了一系列防范金融風險的政策；2014年以來，我國金融系統(tǒng)出現(xiàn)多次金融風險，“影子銀行”爆發(fā)式增長，股市也出現(xiàn)跌停、停牌的動蕩趨勢；2019年底，新冠疫情席卷全球，金融市場受到了極大影響。

3 實證分析

基于主成分分析法及通過聚類后得到的風險類別的劃分，本文選取2008—2021年的5個主成分公因子作為神經網絡的輸入神經元，因子綜合得分Ft最為輸出神經元，logsig函數為隱含層神經元的傳遞函數，purelin函數為輸出層神經元的傳遞函數，trainlm為訓練函數，學習率設定為0.1。網絡最大訓練次數為1000，目標誤差為0.0001。根據Kolomgorov 定理與試錯過程，設隱含層神經元個數為12，因此本文的神經網絡結構為5-12-1，即輸入層數為5層，隱含層數為12層，輸出層數為1層，上述編程及實證過程均通過MATLAB R2017b完成。

根據訓練結果可知，神經網絡的輸出與訓練目標之間的誤差僅為0.000879，可見經過神經網絡訓練后得到的SSA-BP神經網絡模型能夠較好反映金融風險指標與系統(tǒng)性金融風險之間的相關關系。

在使用SSA-BP神經網絡模型進行金融風險預測之前，先對該模型的準確性進行驗證。為了避免時間序列的影響，本文隨機選取12個月的數據樣本作為檢驗樣本，利用經過訓練的SSA-BP神經網絡系統(tǒng)性風險預警模型，運用仿真函數sim計算神經網絡的輸出，并對輸出結果與應用因子分析法得出的結果區(qū)間進行驗證，測試結果如表2所示。

驗證結果顯示，檢驗樣本在SSA-BP神經網絡模型的預測結果和因子分析所得的風險狀態(tài)的區(qū)間基本對應，因此基于SSA-BP神經網絡構建的系統(tǒng)性金融風險預警模型能夠有效地預測系統(tǒng)性金融風險的狀態(tài)。

為了驗證SSA-BP模型預測效果的好壞，本文通過平均絕對誤差（MAE）和均方根誤差（RMSE）對BP神經網絡和SSA-BP神經網絡的預測效果進行對比，對比結果如表3所示。

驗證結果顯示，結合SSA算法建立的SSA-BP神經網絡的均絕對誤差和均方根誤差都要比BP神經網絡的結果小，因此SSA-BP模型相較BP神經網絡模型誤差更小，預測結果的準確度更高。

綜上所述，SSA-BP神經網絡模型具有較高的準確性，能夠有效預測系統(tǒng)性金融風險的狀態(tài)，且SSA-BP神經網絡模型相對BP神經網絡模型預測效果誤差更小，精確度更高，因此可以選用SSA-BP神經網絡模型預測我國系統(tǒng)性金融風險狀態(tài)。本文通過輸入2022年月度的樣本數據，對2023年月度的金融風險狀態(tài)進行預測，預測結果如表4所示。

從預測結果來看，我國2023年系統(tǒng)性金融風險狀態(tài)處于警戒狀態(tài)或危險狀態(tài)。從國內來看，經濟恢復基礎尚不牢固，“三重壓力”仍然較大。同時，三年疫情的持續(xù)沖擊，有可能對我國的潛在產出產生一定的抑制效應。從國外來看，以美聯(lián)儲為首的全球主要央行貨幣政策進一步緊縮，會給我國經濟帶來直接或間接的影響，發(fā)達經濟體貨幣集體或將從以金融沖擊為主轉變?yōu)椤敖鹑?實體”的雙重沖擊。

4 結語

本文結合主成分分析法和SSA-BP神經網絡算法構建了我國的系統(tǒng)性金融風險預警模型。通過該模型對2023年月度的金融風險狀態(tài)進行預測，結果顯示2023年中國的金融系統(tǒng)運行情況處于警戒狀態(tài)或危險狀態(tài)，值得引起相關部門重視。從長遠來看，中國的金融行業(yè)要想獲得進一步的發(fā)展壯大，就必須繼續(xù)實施分類監(jiān)管模式，加強對各金融機構的監(jiān)管，不斷地深入經濟改革，完善服務體系，提高服務能力。同時，政府應出臺應對金融風險的政策，加強金融系統(tǒng)的安全性，推動金融行業(yè)的穩(wěn)定發(fā)展。

參考文獻

王志宇，許良，張學成.金融危機預警專家系統(tǒng)的建立[J].燕山大學學報，2000（1）：84-87+89.

李夢雨.中國金融風險預警系統(tǒng)的構建研究：基于K-均值聚類算法和BP神經網絡[J].中央財經大學學報，2012（10）：25-30.

曾昭法，游悅.基于神經網絡分位數回歸的金融風險預警[J].統(tǒng)計與決策，2020，36（14）：137-140.

韓喜昆，馬德功.基于AM-BPNN模型的系統(tǒng)性金融風險評估及預警[J].統(tǒng)計與決策，2021，37（4）：138-141.

張品一，薛京京.多分形互聯(lián)網金融市場的風險預警模型研究[J].數量經濟技術經濟研究，2022，39（8）：162-180.