论文部分内容阅读
从不确定性概念提出之处,对于不确定性的概念界定就存在多种的观点。不同的不确定性概念的理解也导致了不确定性指数的量化思想和量化方法的不同。对于我国而言,金融市场的稳定运行与否,关系到经济增长是否可以持续稳定运行。在全球化的背景之下,中国金融市场也在逐步放开对外开放的步伐,国际、国内的经济金融不确定性,都会影响到中国金融市场。通过构建中国金融市场不确定性指数,可以对金融市场的运行状态起到警示的作用,为金融政策制定者提供一种更加直观的参考,使得当局部门的宏观调控有据可依,从而对国家提高经济金融决策效率、加强市场监督监管,稳定金融经济发展具有重大的现实意义。目前,国内的文献大多侧重于通过微观层面的金融金融指标(VAR、SES、MES、违约风险概率等),来测度微观金融机构对于整体系统系金融风险的边际贡献值,进而为识别和划分系统金融风险提供有效依据。但是,微观层面指标无法回答宏观整体的问题,难以识别和监控整体系统系金融风险的动态变化,进而无法对我国宏观金融审慎监管、政策制定和调整提供有效的参考依据。现代经济运行产生大量的经济变量数据,不确定性是经济学中的一个重要因素;测度经济金融不确定性的关键在于理清不确定性与经济金融变量之间的关系,以及如何从海量的经济金融数据中测度经济不确定性。因此本文将从大维度数据的角度构建深度学习模型,测度金融不确定性指数,进而研究中国金融市场的不确定性,以及不确定性来源。在金融不确定性指数的模型构造方面:第一,通过在高维度经济金融变量中量化出中国金融市场的不确定性指数,相较于使用其他替代变量代替不确定性指数有着诸多的优势;这种方法更贴近于不确定性的定义,可以更广泛的捕捉到金融市场不同方面的不确定性、进而可以使用更高维度的数据层层分析出不确定性的来源等。第二,通过改造深度学习中的序列到序列模型(Seq2Seq)模型可以显著提高金融不确定性指数中预测模型的预测精度,降低模型的预测残差。这种经济金融变量预测精度的提高,相较于线性回归模型或者自回归模型,深度学习模型有着更强的能力去剔除经济金融变量中的可预测的确定性成分从而最终得到不确定性的量化。但是深度学习有其不稳定的因素,模型的预测精度也不会随着模型复杂度的增加一直增加,通过本文实证研究发现,深度学习在浅层次的模型中(0至4层)即可达到最优的预测效果,再增加模型的复杂度不仅预测精度不会降低,反而会出现模型不收敛的情况。第三,在构造出的金融不确定性指数的不同周期预测中,不同周期间未发现明显的滞后;不同的预测周期,在同一时间段的预测趋势基本一致。因此,此模型构造的金融不确定性指数的预测值可对未来的中国金融市场不确定性指数或预期提供参考。在金融不确定性指数的实证分析方面,本文详细比较了构造出的中国金融不确定性指数与经济政策不确定性指数的关系;发现中国金融市场的不确定性与国际主要经济体的经济政策的不确定性显著相关。此外,也详细比较了中国金融市场的不确定性指数与股票市场的波动率的相关性,发现金融不确定性指数与上海市场、深圳市场主要金融综合指数的波动率显著相关,与国际金融市场的主要金融综合指数的波动率不显著相关。认为中国金融市场的不确定性主要受国内经济环境的影响。在金融不确定性指数的深度学习解释方面,首先,通过分解金融不确定性指数的数据来源,将金融不确定性来源分为来自国内金融的不确定性、来自国际金融的不确定性、来自中国宏观经济的不确定性、来自行业的不确定性,共四个大部分。通过观察四个部分的金融不确定性指数,可以比较直观的看到不确定性的来源。最终,构建了决策树模型对深度学习预测模型进行了预测结果的成因解释,并且通过决策树模型的变量因子重要性分析了不确定性的具体指标变量来源;其中公共事业、通信行业、国防工业、房地产等部门的市值变化对金融不确定性的影响贡献最大。