新冠疫情爆发以来,全球各国各地的生产制造、经济发展乃至社会生活都受到了强烈的冲击和严峻的挑战。为减少疫情对人民生活的恶劣影响,各国政府采用了不同的方法抗击病毒,以美国政府为代表的开放共存、增发货币政策与以中国政府为代表的严防死守、动态清零政策在应对疫情的结果中体现了各自的优势和局限。值得一提的是,美国的短期货币政策引起了全球汇率的极大不稳定波动,巨大的货币贬值和通货膨胀压力之下,多国面临着严重的就业困难和经济衰退,在此复杂的金融大背景下,世界人民陷入了对新一轮金融危机是否会爆发问题的担忧之中。回顾历史,中外学者从未停止对金融危机发生条件及预警方案的深入研究,国民收入、物价水平、股票市场、就业比率、国家债务等都曾作为相关性极高的变量和指标被纳入各类模型的建立与实验考量之中,对此课题形成了许多意义深远的成果。在众多技术方法中,计量模型以其可循的规律性、显著的的可解释性得以广泛使用和拓展;而随着技术手段的不断深入发展,新时代更前沿的的大数据模型方法暂且少有人尝试和使用。大数据模型中,具有代表性的机器学习和深度学习模型已经被用于解决方方面面的问题,在商品价格的预测、股票市场的策略、风险控制、人工智能等领域成果斐然。本文将以此类模型方法对金融危机预警的问题进行实证,尝试推动该课题更深远、更全面的发展。本文结合研究目标和内容,选取“金融周期理论”“金融不稳定假说”和“金融恐慌理论”三大具有代表性的金融危机相关理论进行了概述,并分别例举了它们相对领域内可供实证选择的指标群,为后续实证奠定了强有力的理论基础;接着,对不同种类金融危机发生的相关机理及危机特征进行了描述与分析,详细框定了本文金融危机预警指代的危机认定标准,让本文所涉及的概念更加清晰明确。实证部分利用大数据技术方法对国际金融危机预警进行尝试,根据WDI数据库中的多项宏观经济指标数据和Laeven和Valencia提出的金融危机年表整理数据集,划分当年发生的金融危机种类,利用SVM、决策树、随机森林、XGBoost四种机器学习模型以及BP神经网络、LSTM两种深度学习模型对不同危机分别进行实证,预测各类指标数据变化与当年金融危机发生情况的关联性,同时从未来三年的整体视角对预警模型的被解释变量一列进行整合处理,进行了不同模型对未来一定期限内金融危机事件发生情况的预警测试,以此得到较为可靠的实证结果。本文对模型特性和模型效果进行了定性及定量方面的分析和对比,最终形成有效的预警方案,并总结模型及方案的整体可行性。从模型训练结果看,XGBoost模型对危机分类的训练效果最优,也可以用于以当年经济数据为基础实现对未来三年金融危机发生情况的预警实证,AUC值超0.9,召回率超0.8,其他指标均有良好实证结果。政府当局和决策部门在及时、全面追踪宏观经济指标的同时,理应规范处理数据信息,提炼有效指标,并在此基础上使用XGBoost模型进行更多丰富的尝试,来预警国际上不同的风险事件。