由于金融危机爆发的毁灭性及传染性,一直以来,危机预警系统(EWS)受到决策者及研究学者的持续关注。尽管准确预测货币危机确有难度,但是毫无疑问,推进和发展预警系统使得国家免于陷入危机局面是金融风险控制的重中之重。本文以传统的EWS模型(包括logit模型,多项logit模型,决策树模型等)作为基础模型,应用提升算法(AdaBoost,SAMME及SAMME.R)开发出新的危机预警模型以预测货币危机。从传统模型的研究结果来看,其危机预测的准确性和稳定性都表现出一定的局限,因而我们考虑使用提升算法(Boosting algorithm)提高模型的预测能力。本文选用常见且有效的提升算法AdaBoost,并针对多分类情形进一步选取SAMME及SAMME.R算法对弱模型(即基础模型)进行增强。AdaBoost的基础模型叠加将使得训练误差以指数速率下降,而且在实际问题中常可以有效地避免过度拟合,提升预测结果的稳定性。我们对2006年1月至2017年10月,包括亚、非、拉美等15个新兴市场国家的数据进行模型构建、模型提升和数据检验。实证结果表明,提升算法的预测结果在危机发生的情况下给出正确预警方面表现显著。其中,包括基础模型、SAMME算法、SAMME.R算法及样本权重调整后的多个模型在内,SAMME算法对三分类决策树(三层)模型的提升效果最好。因此,本文认为以AdaBoost为代表的提升算法在EWS问题上的预测结果在一定程度上优于传统模型。最后,应用表现最优的提升模型对选取的国家分别进行分析。实证结果表示,在整个样本区间,危机被正确预警的总体准确率90%(45/50)。仅就研究期来看,模型除了对俄罗斯、中国及阿根廷3个国家外,其他国家的货币危机均能准确预测。对中国的预测结果表现上相对一般(实际危机7次,准确预测5次),可能由于尽管汇率管制持续放开,但国内对汇率政策的谨慎度依旧不减,汇率管制逐步放开的进程相比其他国家仍具有一定的特殊性。总的来看,经过SAMME算法提升后的三分类决策树(三层树)对于样本国家的广泛适用性很好,对于国家的挑选限制相对较少。