首页 > 论文范文 > 社会科学论文 > 经济学论文 > 金融论文 > RBF神经网络模型的江苏省区域金融风险预测研究

RBF神经网络模型的江苏省区域金融风险预测研究

2021-04-21 184 上传者：管理员

摘要：选取江苏省2005—2019年21个年度数据，初步建立区域金融预警指标体系，运用主成分分析法对指标进行降维，利用K均值聚类将整体风险划分为4类，再利用RBF网络模型，建立江苏省金融风险预警模型。选取2005—2017年样本数据进行训练仿真，利用2018年样本集对2019年区域总风险进行预测，并根据研究结果，建议转变经济发展方式、降低区域金融风险、建立突发事件应急预案，以防范和化解江苏省金融风险。

关键词：
RBF神经网络
主成分分析
区域金融风险
预警体系
加入收藏

一、引言

金融稳定发展是一国或某区域的经济增长关键因素。随着金融全球化趋势加速，金融市场催生了各种新型金融产品，导致国际金融体系稳定性不断下降，相应的金融风险传导渠道也呈现出多元化的趋势。投资者会因为市场的不稳定性上升和预期收益率下降，而产生负面情绪、做出不合理的操作行为，这往往会放大冲击，对金融系统的稳定性和实体经济的健康发展产生不利影响。如何有效防范发生系统性金融风险、降低产生金融危机的概率，是各国经济稳定发展的首要任务。

目前，我国经济发展进入新常态，经济增长率明显下降。虽然我国并未发生过系统性金融风险，但是稳定的金融体系对经济能够顺利转型有着重要的促进作用。近年来，我国开展的多次经济与金融会议中都明确提出防范重大风险，是到2020年决战全面建成小康社会的三大攻坚战的首要任务，而防范重大风险的重点是防范金融风险。

通过查阅文献，发现我国学者大多数集中于国家层面的研究，涉及区域性金融风险的研究较少。在传统金融业搭载数字科技快速发展、我国区域性金融风险特征突出的背景下，构建有效的区域性监测指标体系和预警模型，对防范区域性金融风险发生、维护区域金融稳定和经济健康稳定发展，有着极为重要的意义。

二、文献综述

国内外学者关于区域金融风险的研究主要集中在构建指标体系、预警模型。

（一）国外学者的研究

Kaminsky等（1998）根据区域金融风险的成因和影响因素，从划分为6大变量的相关指标中筛选出15个指标，构建了可以预警区域金融风险的指标体系。[1]

Nag等（2002）创新性的采用自然网络模型和神经网络模型，通过两者结合，模拟出日常外汇交易价格对金融风险进行预警。[2]

（二）国内学者的研究

郭娜等（2018）从区域宏观经济、区域银行业、保险业、证券业和我国宏观层次发展指标等多个角度综合考虑，采用因子分析法构建我国区域金融安全指数，并基于MS-VAR模型识别出我国区域金融安全不同时期的状态。[3]

罗晓蕾等（2018）从区域宏观经济运行、金融机构、金融生态环境三个维度中提取预警指标，构建区域金融风险监测“三级”指标预警体系，实证采用层次分析法确定指标权重、映射处理法对数据进行标准化、综合指数法计算综合风险度。[4]

朱晓华（2020）根据2018年煤炭储量排名前6个省区，选取6个省区2013—2017年的数据，构建区域金融风险综合评价指标体系，运用熵值法度量6个省区的金融风险，为监管部门制定相关金融风险防范措施提供借鉴。[5]

王擎等（2018）选取2008—2016年31个省的数据，借鉴“CAMELS”评级方法，重建指标体系和权重，采用方差分析、混合OLS估计、固定效应模型等方法，定量的评估我国区域金融风险状态和差异。[6]

曾昭法等（2020）选取我国2010—2017年24个季度指标，初步建立金融风险预警模型，然后运用聚类分析和非参数统计法，对24个季度指标进行筛选，再利用主成分分析和k均值聚类把金融风险划分为四个状态，最后使用神经网络分位数模型对2018年、2019年的金融状态进行预警。[7]

通过对文献的搜集发现，大多数研究者所选的指标，不能涵盖整个金融体系或指标的权重，选取具有主观性，由此模型的预警效果有待商榷；而且关于风险预警模型的阈值，大多借鉴历史经验或通过主观性予以确定，不同的阈值可能得出的结果也不同，所以用这类方法得出的阈值是有待考究的。

本研究结合江苏省的发展特点，将房地产、企业发展、金融机构、区域宏观经济等高风险纳入区域金融风险体系中，运用主成分分析法筛选出主要风险因子。由于神经网络可以不依赖于明确的函数形式的设定，便可取得更准确的模拟效果，所以采用神经网络建立江苏省金融风险预警模型。

三、指标体系构建和划分

（一）初始指标体系选取

建立区域金融体系，既受到国家宏观经济政策的影响，又与当地经济和金融业的发展关系密不可分。此外，企业的投资行为、借贷款、经营状况会产生金融风险，也能影响区域金融的发展。因此，影响区域金融风险的因素，主要是区域宏观经济、微观金融、区域企业和我国宏观经济层面。

本研究风险预警指标选取遵循合理性、代表性、可获得性、动态性的原则，最终选取江苏省2005—2019年21个年度指标，如表1所示：

表1指标选取

（二）数据来源及预处理

研究数据来源于2005—2019年《江苏统计年鉴》《中国统计年鉴》和江苏省历年金融运行报告。

由于所选指标的衡量单位不同，所以先对指标的原始数据进行标准化处理，消除量纲的影响，采用min-max标准化法。

（三）区域金融风险划分

先对标准化处理过的21个变量数据进行主成分分析。遵循特征值大于1且累计贡献率大于85%的要求，提取出4个公共因子：F1、F2、F3、F4,方差贡献率分别为48.531%、18.704%、12.141%、8.683%，累计方差贡献率为88.059%，结果如表2所示：

表2总方差解释

前4个主成分因子基本上包括大部分信息，用这4个因子分析江苏省金融风险情况是充分的。F1、F2、F3、F4的系数矩阵，如表3所示：

表3成分得分系数矩阵

对江苏省金融风险进行划分，利用K-均值聚类分析方法，将整体风险F划分为4类，根据得出的分类结果，选取每一类最小值和最大值，以及不同类别最大值和最小值的平均数为区间临界值，可以将4个区间划分为：安全、基本安全、警惕、危险。划分的阈值，如表4所示：

表4风险分类

得到的主成分额整体风险数值，如表5所示：

表5整体风险数值

根据表5划分的结果，大致符合2005—2019年江苏省金融风险所处的状态。2005—2008年，江苏省经济正处于高速增长阶段，增长率一直保持两位数，地区投资过热，大量资金进入固定资产投资和房地产行业，居民消费物价也急速上涨，社会经济出现过度繁荣现象，投资者面对这种现象，疯狂投资，使得信贷风险不断加大。直至2007年，美国爆发次贷危机，其影响扩散至全球，我国和各地政府采取快速而有效的政策应对冲击，使得2007—2008年的区域金融风险止于危险状态。由于国家采取了有效的政策遏制投资过热的金融现象，使得2009年江苏省通货膨胀率同比大幅度下降，首次出现负值，区域房地产投资增长率直接从两位数降至一位数，金融风险状态也从危险进入警惕。由于美国爆发的次贷危机和欧洲主权债务情况日益恶化，我国互联网金融快速发展、银行和金融机构经营回归正常，通胀率同比大幅度增加，收缩的房地产市场加大了银行等金融机构的不良风险，使得2010—2011年金融不稳定状态恶化。面对这些问题，我国开始采取进行汇率改革、管控和治理地方融资平台、加息以使货币政策回归正常化等政策，在国家和当地政府的共同努力下，一系列政策初步成效，2012—2018年金融风险状态处于基本安全以下。2019年，江苏省叠加高房价，经济增长率下降，物价水平上涨，财政收入增速回落，外贸出口增速较低等问题，使得区域金融风险处于警惕状态。

四、RBF神经网络模型实证研究

（一）径向基函数表达式

该表达式为：

（公式）

x取值随离原点距离变化而变化，如果是到任意一中心点a的距离，可表达为：Φ(x,a)=Φ(||x-a||)，其输出函数公式为：

其中：j=1,2,3...n,yi是RBF神经网络输出值。

（二）RBF神经网络的结构及工作原理

RBF是具有单隐层的三层前向网络，相比于其他神经网络，其模型结构具有简单、逼近能力强、收敛速度更快、网络结构易调整等优点，对数据的处理效率高、准确率高。有信号源点组成的输入层是RBF神经网络第一层；隐藏层为第二层，隐藏层的节点数视具体情况而确定，径向基函数是隐藏层中神经元对应的变化函数，即中心点径向对称且非负线性函数；输出层作为第三层，是对输入模式的回应。由于输出层和隐含层的责任不同，所以第二层、第三层所采取的学习方法也不同，输出层使用学习速度快的线性优化方法；而第二层是对高斯函数或格林函数等激活函数（常使用前者）的参数进行调整，它使用的是学习速度较慢的非线性优化方法。

RBF神经网络基本思想：一是采用RBF作为隐单元的“基”构造隐含层空间，将输入矢量直接映射到隐空间当中，而不需要利用权映射；二是当RBF的中心点确定后，映射关系也就确定；三是网路输出是隐单元的线性加权和；四是隐藏层将低维度映射到高维度，使得线性不可分转化为线性可分。

（三）RBF神经网络运行性能的评价指标

利用均方误差（MSE）衡量所建立的RBF神经网络的预测精度和模型性能，其中MSE是模型预测值与真实值之差的平方的期望值，MSE越小说明所建立的模型预测精度越高，其具体计算公式为：

（公式）

其中：n为样本数量，Yi∧为预测值，Yi为真实值。

（四）RBF神经网络在区域金融风险预警中应用的可行性

RBF神经网络模型相比于传统的预警模型，具有不需要从线性角度出发的优点；从泛化能力上来说，RBF神经网络强于BP神经网络；RBF神经网络的逼近精度强于BP网络，能实现完全逼近；RBF神经网络常用激励函数是高斯函数，是通过对输入与函数中心点距离计算权重；RBF网络模型是前向神经网络中映射效果最好的模型之一，可将输入和输出数据进行一一映射。

（五）RBF神经网络模型的训练与仿真

本研究采用matlab软件，选取2005—2017年的样本作为训练数据，2018年样本作为测试数据，然后使用2018年4个主成分数据预测2019年总风险F值，最后将输出的预测值F与2019实际F值进行对比。

利用matlab建立newrbe函数，构造一个RBF神经网络。函数表达式为：

（公式）

其中：P代表输入值；T代表训练样本对应的输出值；spread代表径向基函数扩展速度，其值越大，所建立的函数拟合度越高，然而spread值越大，所需要的神经元的数目也越多，这可能影响函数的网络训练效果。

初始spread选取为1，以0.5为间隔进行取值，根据原始数据和拟合数据的误差平方和与原始数据和拟合数据的拟合标准差结果，spread取值为9最合适。在训练好的RBF神经网络基础上，将2018年4个主成分数据作为输入值导入其中，得到的输出值为2019年预测F值。2019年的实际值与预测输出值及两者相对误差结果，如表6所示：

表6误差结果

由表6可知，2019年F实际值与预测值的相对误差较小，说明利用RBF神经网络模型预测的结果较为准确。

五、结论与对策建议

（一）结论

根据实证分析结果，江苏省2019年的金融预警风险为警惕状态。结合区域风险指标体系的构建、预警区间的确定及预测，再结合江苏省当前经济发展现状，得出结论：

江苏省过去经济高速增长，过度依靠固定资产投资和房地产投资，这会使区域金融风险增加。经济一旦受到外部冲击，会影响社会经济稳定发展，社会投资者发生恐慌，企业健康的经营发展也受到负面影响，大量资金会从房地产市场逃离，房地产市场会萎缩，使得房地产商资金链断裂，最终厂商在银行等金融机构的贷款也会成为坏账，此时金融机构不良贷款率较高也会导致区域金融风险增加。

近几年，随着江苏省经济增长率下降、出口率下滑、财政收入下降、区域房地产投资增长率的反弹，又导致该省高杠杆率风险发生；并且近年来我国货币供应量较大，导致投资、经济过热、区域通货膨胀率等现象也在增加，这势必会再次增加该省地区的金融风险。

（二）对策建议

1.转变经济发展方式

(1）改变曾经以浪费资源和破坏环境的发展方式，逐步改变产业结构，降低失业率。政府应把控好M2的增长率，避免再次发生投资过热和恶性通货膨胀率的情况。

(2）政府应不断优化财政支出，改善财政预算机制，减少不必要的财政支出。

(3）加大对区域房地产市场的调控力度，严控大量资金流入房地产市场，严防房价上涨过快，防止产生大量的房地产泡沫。

2.降低区域金融风险

近年来，由于互联网金融迅速发展和储蓄利率不断下降的双重叠加影响，导致银行存款量下降。江苏省的银行受到因违规处罚案例较多，区域的不良贷款率不低，银行的金融效率低于金融规模的扩张。

(1）江苏省应改善个人信用管理体系，加大对企业贷款的审查力度，从根本上降低不良贷款率。

(2）不断完善银行业内部控制的规章制度，银行也要坚持贯彻规章制度，减少从业人员违规操作的发生率。

(3）针对区域金融效率不高的问题，银行业应转变传统经营方式，借助互联网科技，培育金融科技人才，丰富金融产品种类，调整业务布局，大力发展银行中间业务和私人理财业务，这样不仅可以降低曾经因过度依赖信贷业务而产生的较大风险，还可以不断满足客户的理财需求、实体经济的资金需求，从而提高银行的经营利润和金融效率。

3.建立突发事件应急预案

(1）经济新常态下，区域金融风险也出现新的特点和新的趋势，金融监管部门有必要建立突发事件应急预案，完善相关的处置机制、出台相关有效措施。

(2）政府和相关部门应利用好新型自媒体，加强金融安全相关知识的宣传，遏制金融风险的谣言和社会不利信息的蔓延，加强舆论引导，避免社会过度恐慌。

参考文献：

[3]郭娜,葛传凯,祁帆.我国区域金融安全指数构建及状态识别研究[J].中央财经大学学报,2018(8):37-48.

[4]罗晓蕾,张明辉,许尚超.区域性金融风险监测预警体系研究:以河南省区域金融风险为例[J].金融理论与实践,2018(5):40-46.

[5]朱晓华.基于熵值法的资源型经济转型区域金融风险研究[J].经营与管理,2020(9):133-141.

[6]王擎,刘军,金致雯.区域性金融风险与区域经济增长的相关性分析[J].改革,2018(5):66-75.

[7]曾昭法,游悦.基于神经网络分位数回归的金融风险预警[J].统计与决策,2020(14):137-140.

黄思杰,李因果.基于RBF神经网络模型的江苏省区域金融风险预测研究[J].经营与管理,2021(05):168-172.