金融风险预警定量的方法的研究.docVIP

金融风险预警定量的方法的研究 　　【摘 要】本文在对国内外的相关研究文献进行深入分析的基础上，根据方法的理论基础对预警方法进行归纳分类，并对各类方法的优劣进行了全面的对比分析和评述，以期为金融风险预警研究提供一种新的思路和视角。 　　【关键词】金融风险；预警；定量方法 　　近年来，美国次贷危机、欧债危机等金融危机的频繁爆发令金融风险预警领域成为了金融界备受关注的研究热点。从国内外的研究来看，金融风险预警的核心在于寻找一种有效的方法进行风险的识别和预测。目前，主流的金融风险预警方法是统计计量类方法，该类方法以较严谨的统计理论作为基础，因此得到了国际金融理论和实业界的广泛支持和认可。然而统计理论先天存在前提假设过严、忽略风险因素模糊性、难以解决非线性病结构的复杂问题、缺乏处理海量数据的能力等缺陷，致使该类方法在处理经济管理类的复杂问题时往往表现得力不从心，其在金融风险管理中应用的有效性及适用性亦受到了越来越多研究人员的质疑。近十多年来，随着人工智能技术的发展，具有模糊性、鲁棒性、自组织性、简单通用及并行处理等特征的智能计算技术越来越受到了金融领域研究人员的关注，越来越多的研究引入了智能计算技术并取得了大量成果。本文在综合研究了国内外相关文献的基础上，从方法的理论基础角度对预警方法进行了归纳分类，并对不同方法的性状进行了深入的比较、分析及评述，在此基础上提出了对金融风险预警方法发展方向的个人看法，以期为我国金融风险预警管理方法发展提供一种新的思路和视角。 　　一、统计计量类方法 　　该类方法的主要思想是根据预警指标体系收集相关的样本数据，对样本数据进行深入的统计分析，找出对金融风险有显著解释作用的指标。在此基础上基于一定的数量统计方法建立分析模型。该类方法是金融风险管理研究中广泛使用的方法，主要包括以下几种方法：（1）单变量分析方法。单变量分析方法是最早应用到金融风险预警领域中的定量分析方法。Fitz 　　patrick早在1932年就运用单个财务比率对19个样本企业进行破产预测，他的研究发现“净资产收益率”和“股东权益对负债比率”两个比率的预测能力最高；1938年，Secrist在研究中试图通过分析资产负债表比率的差异来寻找破产银行的特征，以期挖掘出破产银行和正常银行不同的财务状况；1966年，Beaver基于单变量分析法建立了企业破产预警模型，并以5个不同财务比率分别对158家的样本数据进行了一元判别预测，其结论认为“现金债务总额比率”预测的效果最好，“资产收益率”的效果次之。（2）多元线性判别分析（MDA）方法。单变量分析方法单从一个指标出发进行风险预警，往往不能充分反映出风险的全面状况，MDA方法则是以多个指标对风险进行预测的分析方法。针对单变量分析的缺陷，1968年，Altman等在前人研究基础上，利用判别分析技术建立了Z-Score模型，随后1975年Altman在改进Z-Score模型的基础上提出了ZETA模型。与此同时，1975年Sinkey在银行风险的早期预警模型中引入了多重判别方法。与单变量分析模型相比，MDA模型综合了多方面的风险信息，因此其建立的判别函数往往准确率更高。（3）Logit分析方法。MDA方法对所处理的样本有着严格的假设前提（如多元正态分布、等协方差矩阵等等）。针对这些缺陷，Martin在1977年采用了Logit分析对银行破产预警进行了研究；1980年Ohlson构建了企业破产预警的Logit分析模型，他的研究成果认为Logit模型对样本数据要求不高，其预测准确率也比MDA高。Logit分析假设事件发生概率服从标准 　　Logistic的累积概率分布函数，将事件发生的可能性估计为一个可观测特征函数，因此能部分克服MDA模型的缺陷。有鉴于此，20世纪80年代后大量研究采用了Logit分析方法。（4）Probit分析方法。Probit模型早在1954年就被Zmijewski引入到企业破产预测方面的研究。1983年，Bovenzi等采用Probit分析，以1977年至1981年间的222家银行作为样本构建了银行破产预警Probit模型，取得了良好的预测准确率。与Logit模型类似，Probit模型假设样本服从标准正态分布，其计算方法和Logit亦很类似，但Probit模型的计算过程比较复杂，而且在计算过程中进行的多次近似处理往往会影响数据的准确程度。 　　二、智能计算类方法 　　统计计量类方法的应用有着比较严格的假设前提，且难以区分出随机噪声和非线性关系，而风险预测与风险指标往往呈非线性关系，且风险指标之间亦可能非相互独立及不符合正态分布等等，因而极大地影响了统计计量类方法的应用效果。近十多年来，随着人工智能技术特别是智能计算的发展，以神经网络技术为代表的智能计算在风险预警领域中的