《世界经济》2022年第4期|基于新闻大数据与机器学习的中国银行业系统性风险研究
作者：范小云 王业东 王道平，南开大学金融学院
刊期：《世界经济》2022年第4期
原标题：基于新闻大数据与机器学习的中国银行业系统性风险研究
本刊网址：www.jweonline.cn
点击文末“阅读原文“按钮可以下载全文
点击话题标签“#2022年第4期”，了解《世界经济》本期更多论文
金融机构间过度关联会加剧风险传染，产生系统性金融风险。为防范和化解金融风险，守住不发生系统性金融风险的底线，监管部门不仅需要实时监测系统性风险，更重要的是未雨绸缪，把握风险演进趋势，建立风险预警体系。
近年来，随着金融科技的发展，另类数据已成为金融问题研究的重要手段之一。新闻和社交媒体数据等开放的非结构化数据，可从不同视角洞察市场状态，提供更全面丰富的信息，提高评估和预测准确性，已成为金融监管的一个重要视角。传统上基于结构化数据的研究方法从银行间相互关联的某一渠道量化银行关联程度，不足以反映全部信息。不同于资产负债、银行用户借贷、股票交易等传统意义上的金融数据，另类数据是典型的大数据——体量大、流动速度快、数据种类多。从另类数据中提取反映系统性金融风险的有效信息是数字化监管值得关注的方向。
本文创新之处主要有以下方面：首先，填补了国内系统性风险研究在应用另类数据方面的空白，丰富了测度和预测系统性金融风险的手段和途径。本文数据来源涵盖了国内33家知名综合和财经类报纸，基本囊括了国内所有报道银行业事件的报纸。其次，从情绪“软”渠道角度利用文本情绪分析法，从共现新闻中构建测度银行关联强度的指标。与以往研究仅对个体金融机构情绪加总求和作为系统性风险指标不同，我们的共现新闻情绪体现了关联银行的共同情绪变化，能更好地反映风险传染状况。最后，风险度量与监测方法新颖。方法新一方面是基于银行在新闻报道中的共现次数测度中国银行关联性，首次对共现新闻进行情感分析，作为测度系统性风险水平的指标；另一方面是首次采用HMM识别中国银行业的系统性风险状态，定量预测中国银行业未来的系统性风险水平。本研究成果有助于提前发现危机事件征兆，重点监管关联度高的银行和系统重要银行，从而防范和化解系统性金融风险。
本文主要结论如下：首先，基于力导向布局构建的银行间关联网络发现2007和2008年中国银行关联网络节点变大、连接紧凑，说明该阶段银行系统重要性普遍提高，银行间关联明显增强。其次，本文提出的系统性风险指标基于银行共现新闻月度情绪值（CNS），反映了两两关联银行的共同情绪，能更好地反映金融风险的传染性。测算结果表明，CNS对全球金融危机和钱荒事件的反映均明显好于其他常用的系统性风险指标，且具有前瞻性。最后，我们创新性地提出采用HMM模型识别和预测系统性风险。基于该模型可识别每个风险值背后的5个隐藏状态（图2状态的风险含义依次为小幅上升、震荡下降、震荡上升、大幅下降、大幅上升），有利于从全局甄别当前风险状况。银行业未来风险的有监督和无监督预测结果均表明HMM可准确预测短期风险，较准确地预测长期风险，与以往研究相比提高了风险预测能力，且具有较好的稳健性。
图2 CNS状态序列（作者供图）
基于本研究结果，可以得到以下启示：
首先，历次系统性金融风险事件和本文经验分析结果均表明，情绪对判定银行系统性风险水平具有重要价值，需密切关注情绪传染渠道，监测市场参与者的情绪并做好预期引导。
其次，关注系统性风险积聚，避免由外部冲击导致系统性风险爆发。外部冲击与高风险环境是银行系统性危机爆发的两个前提。在经济上行周期，监管部门应时刻把握风险最新动态，避免低估风险状况。发现风险处于快速上升状态时，相关部门应足够警惕，通过去杠杆等措施给经济降温，因为此时任意一个外部冲击事件都有可能成为风险爆发的拐点。
2.《世界经济》2022年第3期|员工持股计划、内部监督与企业违规
3.《世界经济》2022年第3期|“租售同权”能促进教育资源均等化吗
欢迎订阅《世界经济》微信公众号
欢迎订阅《世界经济》免费邮件通知
点击上方公众号名片，点击“服务—邮件订阅”输入电子邮箱，即可及时获知最新论文信息