金融风险预警定量方法研究.docx

    金融风险预警定量方法研究    黄福员（湛江师范学院商学院，广东　湛江　524048）【摘 要】本文在对国内外的相关研究文献进行深入分析的基础上，根据方法的理论基础对预警方法进行归纳分类，并对各类方法的优劣进行了全面的对比分析和评述，以期为金融风险预警研究提供一种新的思路和视角Keys】金融风险；预警；定量方法近年来，美国次贷危机、欧债危机等金融危机的频繁爆发令金融风险预警领域成为了金融界备受关注的研究热点从国内外的研究来看，金融风险预警的核心在于寻找一种有效的方法进行风险的识别和预测目前，主流的金融风险预警方法是统计计量类方法，该类方法以较严谨的统计理论作为基础，因此得到了国际金融理论和实业界的广泛支持和认可然而统计理论先天存在前提假设过严、忽略风险因素模糊性、难以解决非线性病结构的复杂问题、缺乏处理海量数据的能力等缺陷，致使该类方法在处理经济管理类的复杂问题时往往表现得力不从心，其在金融风险管理中应用的有效性及适用性亦受到了越来越多研究人员的质疑近十多年来，随着人工智能技术的发展，具有模糊性、鲁棒性、自组织性、简单通用及并行处理等特征的智能计算技术越来越受到了金融领域研究人员的关注，越来越多的研究引入了智能计算技术并取得了大量成果。

本文在综合研究了国内外相关文献的基础上，从方法的理论基础角度对预警方法进行了归纳分类，并对不同方法的性状进行了深入的比较、分析及评述，在此基础上提出了对金融风险预警方法发展方向的个人看法，以期为我国金融风险预警管理方法发展提供一种新的思路和视角一、统计计量类方法该类方法的主要思想是根据预警指标体系收集相关的样本数据，对样本数据进行深入的统计分析，找出对金融风险有显著解释作用的指标在此基础上基于一定的数量统计方法建立分析模型该类方法是金融风险管理研究中广泛使用的方法，主要包括以下几种方法：（1）单变量分析方法单变量分析方法是最早应用到金融风险预警领域中的定量分析方法Fitzpatrick早在1932年就运用单个财务比率对19个样本企业进行破产预测，他的研究发现“净资产收益率”和“股东权益对负债比率”两个比率的预测能力最高；1938年，Secrist在研究中试图通过分析资产负债表比率的差异来寻找破产银行的特征，以期挖掘出破产银行和正常银行不同的财务状况；1966年，Beaver基于单变量分析法建立了企业破产预警模型，并以5个不同财务比率分别对158家的样本数据进行了一元判别预测，其结论认为“现金债务总额比率”预测的效果最好，“资产收益率”的效果次之。

2）多元线性判别分析（MDA）方法单变量分析方法单从一个指标出发进行风险预警，往往不能充分反映出风险的全面状况，MDA方法则是以多个指标对风险进行预测的分析方法针对单变量分析的缺陷，1968年，Altman等在前人研究基础上，利用判别分析技术建立了Z-Score模型，随后1975年Altman在改进Z-Score模型的基础上提出了ZETA模型与此同时，1975年Sinkey在银行风险的早期预警模型中引入了多重判别方法与单变量分析模型相比，MDA模型综合了多方面的风险信息，因此其建立的判别函数往往准确率更高3）Logit分析方法MDA方法对所处理的样本有着严格的假设前提（如多元正态分布、等协方差矩阵等等）针对这些缺陷，Martin在1977年采用了Logit分析对银行破产预警进行了研究；1980年Ohlson构建了企业破产预警的Logit分析模型，他的研究成果认为Logit模型对样本数据要求不高，其预测准确率也比MDA高Logit分析假设事件发生概率服从标准Logistic的累积概率分布函数，将事件发生的可能性估计为一个可观测特征函数，因此能部分克服MDA模型的缺陷有鉴于此，20世纪80年代后大量研究采用了Logit分析方法。

4）Probit分析方法Probit模型早在1954年就被Zmijewski引入到企业破产预测方面的研究1983年，Bovenzi等采用Probit分析，以1977年至1981年间的222家银行作为样本构建了银行破产预警Probit模型，取得了良好的预测准确率与Logit模型类似，Probit模型假设样本服从标准正态分布，其计算方法和Logit亦很类似，但Probit模型的计算过程比较复杂，而且在计算过程中进行的多次近似处理往往会影响数据的准确程度二、智能计算类方法统计计量类方法的应用有着比较严格的假设前提，且难以区分出随机噪声和非线性关系，而风险预测与风险指标往往呈非线性关系，且风险指标之间亦可能非相互独立及不符合正态分布等等，因而极大地影响了统计计量类方法的应用效果近十多年来，随着人工智能技术特别是智能计算的发展，以神经网络技术为代表的智能计算在风险预警领域中的应用得到了越来越广泛的关注1）神经网络方法神经网络是一种模仿人脑结构及功能的非线性分布式信息处理系统，具有自适应、自组织、自学习等能力，适宜大规模的并行计算因此，20世纪90年代以后，神经网络被广泛应用到金融风险预警、财务困境和破产预测等金融风险管理领域。

1990年，Odom首次将神经网络引入企业破产预测，随后Tam和Kiang（1992），Barniv et al（1997），Bell（1997），Jain&Nag（1997）及Yang et al（1999）等研究人员在研究金融风险预测预警时也纷纷采用神经网络技术，极大的促进了神经网络技术在金融风险管理领域中的应用大部分的研究成果认为神经网络的预测准确率要优于MDA、Logit等传统统计计量类方法，且神经网络不存在严格的假设前提，容错能力强，但也存在着设计缺乏有效的理论指导、容易早熟及“黑箱操作”等缺陷，其预测结果往往难以解释，不易为金融从业人员接受2）进化计算方法进化计算将自然界中的进化过程引入工程领域以解决复杂问题的优化，其原理通过模仿生物进化规律，在问题空间内随机搜索问题的解目前以遗传算法、粒子群算法等算法为代表的进化计算在金融风险预警、企业破产预测等方面得到了广泛的应用其中具有代表性的研究学者有：1998年Varetto Franco采用遗传算法提取了判别规则和线性函数，研究结果表明与MDA相比，遗传算法省时、受主观影响小，但准确性相对低其他有代表性的研究学者还包括：Shin&Lee（2002）、Davalos Sergio et al.（2005）等等。

进化计算方法应用到金融风险预警的机理是基于样本数据进行if-then判别规则提取，结构清晰且易于理解然而进化计算的结构不固定、通用性较差，其设计往往根据经验而缺乏规范有效的理论指导近年来，在很多研究中进化计算往往成为了一种与其他技术混合集成的辅助技术3）粗糙集方法粗糙集是一种新的处理模糊和不确定性知识的有力工具，已经在数据挖掘、知识发现及决策支持等领域得到了广泛应用1982年，Pawlak首先将粗糙集方法应用到金融风险预警领域随后Ziarko（1984）、Tay F.E.H.&Shen L.（2002）等学者也在相关研究中引入了粗糙集方法这此研究成果表明，粗糙集方法善于处理不完善的信息，能有效的揭示风险因素特征与金融风险之间的关系，且具有决策规则易于理解、定性定量变量相结合、无需统计概率和模糊隶属度评价等优点但是，在实际应用中粗糙集方法对噪声较敏感，抗干扰能力比较差，因此在实际应用中粗糙集更多的是与其他方法（如神经网络、模糊逻辑等）集[来自wwW.lw5u.CoM]成4）混合智能方法单一智能技术各具优势，同时又存在这样那样的缺陷，制约了单一技术在金融决策领域的发展因此，根据各种智能技术的特点与共同之处，探索它们的有机集成是近年来比较活跃的研究分支，并取得了可观的研究成果。

2006年，Min等学者将遗传算法与支持向量机相结合，构建了企业危机预警模型，研究结论表明该模型综合性能良好Tsakonas等学者（2006）采用了混合遗传规则与神经网络的方法进行破产预警研究De Amorim等学者（2007）综合模糊系统与神经网络构建了混合模型，通过巴西金融机构数据的实证表明混合模型的预测精度要比多层ＢＰ网络好Ng.G.S.（2008）等学者构建了混合局部优化算法与模糊神经网络的银行破产预警模型，对美国银行业数据的仿真结果表明该模型预测效果良好Cho，Sung bin等（2009）混合了统计方法与人工智能方法进行破产预测Ahn，Hyunchul等（2009）通过结合神经网络与遗传规划构建混合智能系统，为破产预测提供了一种更科学的方法Arash Bahrammirzaee（2010）对人工神经网络、专家系统及混合智能系统等人工智能技术在金融风险管理中应用的相关研究成果进行了全面的分析概括，得到了混合智能系统能全面提升预测准确性的结论，但也存在技术整合策略、参数设计等问题Chuang等（2011）将人工神经网络与案例推理相结合，提出了信用评分的二阶段模型，实证表明该模型的评估精度比单一人工神经网络要高。

除了上述的方法外，案例推理（case-based reasoning，CBR）、支持向量机（support vector machine，SVM）等智能方法也被部分学者尝试应用于金融风险预测预警领域三、方法优劣对比分析从历年的研究文献看，20世纪90年代前，统计计量类方法被大部分研究所采用，随后，人工智能技术的发展使得智能计算也受到了越来越多的关注这些方法各具优劣，具体对比分析如表1所示四、预警方法评述从金融风险预警方法的理论基础角度，本文把现存的预警方法分为两类：（1）统计计量类方法；（2）智能计算类方法表1的对比分析表明：（1）统计计量类方法具有简单、易用、省时及结论易于理解等特点，且方法的实践设计存在规范的科学理论指导，因此被金融业广泛接受和应用然而，这类模型普遍存在着以下几方面缺陷：一是有着比较严格假设前提，如假设正态分布、等协方差，多重特征独立性等等，这些假设经常与现实不相符；二是在研究风险行为和过程中片面强调风险因素的随机性而忽略了风险因素的模糊性；三是缺乏处理非线性复杂结构问题的能力，经验告诉我们，金融风险预警是复杂的，更具有非线性结构的特性，上述模型对此往往缺乏有效的处理能力；四是对金融大数据缺乏处理能力，随着金融大数据时代的到来，先天不足的统计计量类方法在面对海量的数据处理要求时，往往束手无策。

2）以神经网络为代表的智能计算技术具有处理病结构、不精确、不完善信息的良好能力，预测精度也相对较高，且该类方法具有自组织、自学习、鲁棒性及并行等优势，特别善长于处理海量数据但该类方法的应用缺乏有效的理论指导、结构难以固定、通用性差，且结果往往难以解释，因此在实际运用中也存在着大量争议五、结论与展望综合上述分析可以发现，无论是基于统计计量的方法还是基于智能计算的方法都不是金融风险预警管理的万全之法随着计算机信息技术、经济计量技术、智能技术等各学科技术的迅猛发展，综合多个学科理论与方法的金融风险预警模型受到了越来越广泛关注预警的方法亦越来越体现出从定性到定量、从简单到复杂、多学科交叉、从单一技术到多元化组合技术等特征虽然到目前为止，人们对于大量的应用问题已经提出了各种各样的混合智能学习方法，但是如何设计出一个能够有效地结合神经网络、模糊逻辑、进化算法等智能计算方法的最优混合系统仍然是一个富有挑战性的研究课题； 现代人工智能技术的发展十分迅速，涌现出越来越多的新技术新方法新思想（如免疫算法、DNA计算、支持向量机、蚁群算法、聚类分析等等），各种技术的互补与综合也是未来的研究方向之一；统计计量类方法具有不可替代的优势，如何将统计计量类方法与智能计算类方法进行综合和集成，优势互补，也是未来的研究热点。

参 考 文 献[1]Fitzpatrick P J，A comparison of ratios of 。