运用大数据的融风险预测模型研究.docVIP

PAGE \* MERGEFORMAT 8 运用大数据的金融风险预测模型研究 ——基于行为金融学的视角 摘要：近年来互联网金融为代表的金融新业态发展使得金融市场风险表现出新的特征，而大数据也逐渐成为金融市场必要的生产要素。本文利用百度搜索大数据建立金融风险预测模型，通过因子分析法建立包含互联网金融风险与影子银行风险的金融风险指标，并利用金融风险指标滞后项、结构数据变量滞后项以及百度搜索大数据建立多个组合的金融风险预测模型，发现包含百度搜索大数据的风险预测模型有助于提升金融风险预测的准确度，并且在金融风险上升期的预测效果要好于金融风险下降期的预测效果。 关键词：互联网金融 大数据 金融风险 预测模型 JEL分类号：G33 中图分类号：F832.59 文献标识码：A 文章编号： 一、前言 改革开放以来我国的GDP年均增长10%，服务于实体经济的金融市场也得到高速发展，至2015年末银行信贷占GDP的比重达到136%，股票市场总市值也超过53万亿人民币。与此同时，P2P网贷、众筹融资等为代表的互联网金融新业态层出不穷，2015年P2P融资额达到9825亿元，同比爆发式增长389% 数据根据网贷之家（）的相关资料整理得到。。但随着我国宏观经济的持续低迷以及国际市场金融危机的冲击，我国的金融市场风险开始凸显，具体表现为：庞大的影子银行加剧了金融体系的脆弱性；商业银行的不良贷款率持续攀升，2015年末已达到1.67%；2015年6月以来证券市场的高杆杠投资引发的股市暴跌放大了金融市场的波动性；频繁发生的P2P平台跑路事件给市场投资者带来较大的投资损失；房地产市场泡沫则给金融体系带来巨大的债务危机风险。金融市场的系统性风险正在逐步累积，而金融业作为国民经济的核心产业，金融危机一旦爆发将不可避免的对宏观经济产生巨大的负面冲击。因此建立反映互联网金融风险的指标体系，并利用大数据建立更为准确的金融风险预测模型，提前做好金融风险的防范措施就成为本文的研究方向 数据根据网贷之家（）的相关资料整理得到。 当前的互联网时代可以将数据区分为结构性数据和非结构性数据，结构性数据是指那些存储在数据库中，可以用二维表结构来逻辑表达实现的数据，统计局发布的统计数据就是典型的结构性数据；非结构性数据是那些不方便用数据库二维逻辑表来表现的数据，大数据就是典型的非结构性数据。大数据（Big Data）是一个较为抽象的概念，它是指一般数据库软件难以获取、储存、管理和分析的巨量复杂数据（Manyika et al，2011），如金融市场参与者的搜索数据、交易数据等等。最早提出大数据概念的是麦肯锡《大数据：下一个创新、竞争和生产率的前沿》（2011）研究报告，该报告指出数据已经逐渐成为每个行业和职能领域内的基础性资源，对于海量数据的挖掘、分析，预示着新的生产率增长浪潮的到来，给未来经济的发展带来极其深远的影响。大数据不同于传统结构性数据，其存储在以千万或亿为单位的终端设备上，包括各种服务器、微型电脑及移动设备，利用各种数据采集方法如爬虫技术（Crawler Technology）获取大数据，最后通过云计算提炼出有价值的信息，目前大数据在商业领域、工业领域和金融领域等都得到了广泛的应用。 大数据已逐渐成为金融行业必要的生产要素，但目前运用大数据对金融风险进行分析预测的研究还处于起步阶段。金融风险本质上由金融市场主体的投融资行为构成，市场主体通过搜索、阅读金融市场的风险信息得到金融风险感知，金融风险感知影响到市场主体的投融资行为并使金融风险发生改变， 比如每当有P2P平台发生跑路倒闭时，公众在百度搜索P2P、跑路的频率就开始大幅增加，进而影响到公众的P2P投融资行为。因此通过观察市场主体的投融资行为或者测度金融风险感知能够衡量金融风险，比如观察到股市投资行为具有较强的“羊群效应”则表明股市投资风险在累积。传统的风险预测模型难以度量微观主体的投融资行为，获取公众的金融风险感知则主要依靠调查问卷的形式，但这会带来样本选择偏误以及虚假陈述的问题。随着互联网时代大数据挖掘应用技术、云计算技术的发展，公众的金融风险感知可以通过观察个体的搜索行为、投融资行为等方式被捕捉到，这给我们提供了类似于自然实验的研究环境。因此本文尝试着运用百度搜索大数据建立金融风险预测模型，并和使用传统结构性数据所建立的金融风险预测模型进行比较，探讨包含百度搜索大数据的金融风险预测模型是否具有更好的金融风险预测能力 比如每当有P2P平台发生跑路倒闭时，公众在百度搜索P2P、跑路的频率就开始大幅增加，进而影响到公众的P2P投融资行为。 本文接下来的结构安排如下：第二部分为文献综述；第三部分介绍金融风险预测模型所使用的方法、数据的类型和来源以及数据的统计描述；第四部