人工神经网络模型分析金融危机机遇

二、新型预警模型分析

近年来，在金融危机预警领域还发展出了一些效果较好的新型预警模型，有自回归条件风险模型、双元递归树模型、马尔可夫区制转移模型、人工神经网络模型、IMF和投行系列模型、ARCH模型、Fisher判别模型和VaR模型等。典型的有马尔可夫区制转移模型、人工神经网络模型和VaR模型，简述如下。

1．马尔可夫区制转移模型

模型简述：马尔科夫区制转移模型（Markov－Switching Approach）的早期研究可以追溯到Quandt（1958）、Goldfeld和Quandt（1973）、Hamilton（1989，1990）。最早是实证经济学家的一个实证工具，由于其转移模型简化了标准模型的许多假设，该模型已经被诸多学者用于建立金融危机预警系统。

模型应用：Jeanne和Masson（1998）、Fratzscher（1999）使用马尔科夫区制转移模型描述多重均衡间的相互转化，将其应用于货币危机预警，改进了多重均衡的货币危机预警模型。Cerra和Saxena（2002）将马尔科夫区制转移模型应用于印度尼西亚危机，考察危机的发生根源。Martinez－Peria（2002）将马尔科夫区制转移模型应用于欧洲货币危机，进行危机预警，效果较好。Abiad （2003）将马尔科夫区制转移模型应用于东亚金融危机，研究受危机影响较大的五个国家，预警效果相比于以往的预警模型有较大改进。在Jeanne和Masson（2000）、Fratzscher（1999）、Martinez－Peria（2002）的早期工作基础上，Abiad（2003）摒弃了模型的参数在国家间一致的假设，将马尔科夫区制转移模型应用于金融危机预警，并对模型在样本内外都作了预测。

模型优缺点：马尔科夫区制转移模型的优点是不需要把连续变量转换为离散变量，可以直接使用投机压力指标进行危机预警，弥补了KLR模型和Probit／Logit模型造成信息损失的缺陷；缺点是模型对“不转移作为零假设”这个前提的检验比较困难，而且似然面有时会有几个局部最优解，并且可能有时性态表现不良好。

2．人工神经网络模型

模型简述：人工神经网络模型是基于人工神经网络技术（Artificial Neural Network，简称ANN）的一种预警模型。人工神经网络技术是基于对生物神经网络的模拟，其问题求解方式是通过训练来寻求规律。首先将同类的输入和输出作为训练样本，再设定训练算法对样本进行多次训练，通过多次反复模拟使得ANN掌握由输入到输出的求解过程，由此就可以求解相似的问题。(www.xing528.com)

模型应用：Nag和Mitra（1999）首先使用人工神经网络模型建立货币危机预警系统，此预警系统基于1980—1998年印度尼西亚、马来西亚和泰国的月度数据样本实证建模，突破了传统模型的线性范式，其优势是能够学习复杂的规则并掌握变量间复杂关系。胡燕京、高会丽、徐建锋（2002）对传统的BP神经网络模型进行了改进，建立金融风险预警的前向3层BP模型，并对模型训练检验，由此得到一个可行的金融危机预警模型。

模型优缺点：人工神经网络模型的主要优点是能够解决部分传统模型难以解决的高度非线性问题，可以捕捉变量间复杂的相互关系，能够逼近非线性动态函数。ANN的自适应特征可以实现历史经验与新知识的完美结合，ANN理论具有容错特征，通过选取适当作用函数和数据结构，能够处理非数值性预警指标，由此实现对系统安全状态的模糊评价。模型的主要缺点是：模型的灵活性使得数据数目较多时，会存在相比于其他预警方法更大的过度适应风险；另外，由于ANN模型处理的“黑箱”特性，使得此预警方法很难进行系数估计，也很难确定发生异常的指标，不利于危机控制。

3．VaR模型

模型简述：VaR（Value at Risk）模型是在一定置信水平下，计算资产在一定期间内的最大潜在损失值。其计算方法思路并不是全新的，可以追溯到1952年马可维茨开发的均值—方差框架的基本原理，此方法的新意在于将全部风险集中计算后可以得到一个公认的数值。

模型应用：Blaschke、Jones、Majnoni和Peria（2001）在文章中详细叙述了相关风险的定义、度量和对其进行压力测试的方法及步骤，并提出将其应用于金融部门评估计划。《FASP分析工具》（2003）再次强调了压力测试在评估金融脆弱性方面的重要作用，并详尽总结了压力测试的分析技术、范围、方法和操作方式。

模型优缺点：VaR模型的优点是可以把金融机构总体的市场风险以及各种资产组合的风险具体化为一个简单的数值，简洁直观地让使用者清楚了解在某段时间其资产所面临的最大风险。缺点是不能提供绝对的最大损失额，只能预计在一定置信水平下的损失，故实际损失可能要超出VaR模型的估计。