基于机器学习技术的系统性金融风险监测预警

相对于传统的经济建模手段，机器学习方法具有良好的非线性建模性能等内在优点，从而显示出巨大的应用潜力。本文提出了一个基于机器学习技术的系统性金融风险监测预警体系，并从理论依据和实证检验双重角度给出了解释和验证。具体而言，从经济基本面、货币供给面、财政状况、证券和利率市场、价格指数、外汇和汇率市场、杠杆率及银行体系8个层面选取预测预警指标，并采用5种典型的机器学习模型及其集成模型对系统性金融风险进行预测，研究结果表明：(1)相对于传统的线性模型，善于捕捉非线性关系的机器学习模型，无论是在样本内还是在样本外均表现优异；(2)Lasso模型在向前一期预测时表现最好，SVM模型在向前多期预测时能力更强，集成模型则能兼顾样本内拟合效果和样本外预测能力，具有较强的稳健性；(3)PDP模型可以对特征的非线性性和重要性进行有效识别，从而有助于打开机器学习的黑箱；在所有预测预警变量中，汇率、货币供给量、市场利率以及工业品价格是影响系统性金融风险的关键因素，通过对这些重点变量的监测有助于对系统性金融风险进行早期防范。