防范金融系統性風險是十九大提出的重要任務,而銀行是金融系統非常重要的子系統,識別銀行系統性風險因素、構建風險預警模型是防范風險的重要手段。首先,從宏觀經濟和銀行系統兩方面建立評估銀行系統性風險的指標體系,并采用方差閾值法對指標進行初步篩選,接著提出了基于孤立森林的指標篩選法進一步篩選出與銀行系統性風險高度相關的4個指標。其次,為了識別銀行系統性風險,提出了包含孤立森林法、基于角度的離群點檢測法和局部異常因子法的多種異常檢測算法相結合的銀行系統性風險識別模型,并選取2012年1月到2018年12月的數據進行風險識別。從識別結果來看,所構建的風險識別模型基本準確識別出了歷史風險時點,與歷史事件切合度高,結果具有可解釋性。最后,采用DeepAR方法分別預測入選的4個指標,并將預測結果輸入到銀行系統性風險識別模型,以此構建銀行系統性風險預警模型,預警結果表明該模型在一定程度上能夠對銀行系統性風險進行預警。

【文章頁數】：18 頁

【部分圖文】：

圖1入選指標與銀行系統性風險的邏輯關系

銀行間相互存款具有流動性重新分配的作用,當銀行系統流動性充足時,銀行關聯對流動性轉移的作用占主導,使流動性分布更均衡,銀行間關聯有助于保持系統穩定;若系統中流動性短缺,則風險傳染作用會占主導,且銀行關聯可能加速流動性風險的傳染(鄧晶等,2013[37])。如果出現超額流動性沖擊,....

圖2指標曲線及異常點

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

圖3采用DeepAR方法預測結果

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

本文編號：4004248