基于Lasso法我国银行体系稳定性影响因素分析.docVIP

基于Lasso法我国银行体系稳定性影响因素分析 　　内容摘要：银行体系的稳定性关系到一国的金融安全，进而影响一国整体经济的发展进程。本文通过Lasso变量选择方法，对我国银行体系稳定性影响因素模型的解释变量进行筛选，结果表明实际GDP增长率、CPI增量、汇率、M2以及外资银行资产占比5个因素对银行体系稳定性影响显著。该结果与以往大多数文献所使用的解释变量基本一致，说明Lasso方法在计量经济学模型变量选择问题中具有实用性和可行性。 　　关键词：Lasso变量选择方法 银行体系 稳定性 影响因素 　　银行体系的稳定性关系到一国的金融安全，进而影响一国整体经济的发展进程。对于银行体系稳定性的研究，多采用多元Logit模型以及变量差分模型，分析各自变量对银行体系稳定性产生的影响，而针对自变量选取问题的研究较为少见。本文拟通过Lasso变量选择方法，对银行体系稳定性影响因素模型的解释变量进行筛选，在一定程度上，提高计量经济模型在建立初期的可信度，增强自变量选择过程中的客观性和说服力。 　　Lasso变量选择方法 　　（一） Lasso方法 　　Lasso（least absolute shrinkage and selection operator）即最小绝对收缩和选择算子，是由Tibishirani（1996）提出的变量筛选方法。该方法用模型系数的绝对值函数作为惩罚函数来压缩模型系数，使一些回归系数变小，并将绝对值较小的系数直接压缩为0，达到多维变量降维的效果。 　　假设x1，x2，…，xp为p个解释变量，Xli，X2i，…，Xni表示第i个解释变量xi对应的观测值；y为被解释变量，其观测值为Y1，Y2，…，Yn。其线性关系可用模型表示为： 　　（1） 　　其中α是常数项，βt是相应变量的回归系数，t=1，2…，p，u是随机误差项；另假设解释变量已经完成无量纲化处理，即 。则Lasso估计为： 　　（2） 　　其中β=（β1，β2，…，βp），tp是调和参数，且tp≥0，它决定着惩罚系数收缩的程度，可以控制总体的回归系数。 　　由于α的估计是α=y ，因此可以不失一般性地假定y =0 ，α也就被省略了。则以β 表示显著变量系数，即： 　　（3） 　　其中，λ为惩罚参数。 　　（二）参数tp的估计 　　参数tp决定Lasso方法的收缩程度??因而需要对其进行合理的估计。常用的tp估计方法有交叉验证和广义交叉验证法。本文采用的是交叉验证法。 　　交叉验证法：设模型。定义η（X） 的预测误差为，其中ME为均方误差 。再定义正则化参数，构造交叉验证的统计量： 　　（4） 　　通过s的取值来估计PE，使得选定的s满足当s=s时，PE达到最小，即让统计量CV（s） 达到最小值，从而选择CV达到最小值时的tp。 　　综上，Lasso变量选择方法的分析过程是给定任意的λ，从最小二乘估计β0 开始迭代，直至最后两次迭代的残差平方和小于给定的一个小值，得到对于λ的参数βt估计；再对λ赋值并经过迭代算法得到βtk ，代入广义交叉验证式中进行验证，从中找到最小的GCV及其对应的最优λ值；再将该λ值代回基于惩罚系数约束条件的变量系数估计式中，得到参数估计β。基于以上分析过程，Lasso变量选择方法能够提高变量筛选过程的准确性。 　　实证分析 　　（一）理论模型 　　参考Stijin Claessens和Demirgiic-Kunt的实证研究，建立银行体系稳定性与宏观经济因素、政策导向因素以及外部经济因素之间线性模型。具体形式为： 　　（5） 　　其中BSSIt 表示银行体系在年份t时期的稳定性；Xti表示第t年各个因素所包含的具体影响因素；α是常数项，βi 是影响因素相应的回归系数，μt 是随机误差项；t为时间区间；i标明不同的影响因素。 　　（二）被解释变量 　　银行体系的稳定是由稳健的盈利能力、良好的信贷质量、适当的信贷规模以及合理的流动性保证的。选取银行体系稳定性指数（BSSI指数）作为被解释变量，它能较为有效地显示在某一时间段一国银行体系的稳定状况（邹薇，2007）。该指数包含以下五个指标：银行存贷比率（DPC）、不良贷款率（CRQ）、国内银行贷款/总资产（CRA）、对非政府部门贷款（RCNGS）以及银行的外币负债（RFL）能够分别揭示银行流动性风险、信贷风险和汇率风险。 　　定义BSSI指数为各项指标的标准差平均值，其表达式为： 　　（6） 　　其中，μ为算术平均值， σ为标准差。若BSSI的值远离0，危机发生概率将上升，不稳定性增强；若BSSI的值趋于0或等于0，危机发生概率下降，银行体系稳定性上升。 　　（三）拟定解释变量 　　可将对银行稳定性产生影响的因素构成拟定的解释变量集合