论文部分内容阅读
影子银行是我国当前经济的重要风险来源渠道之一,因此,防范由影子银行危机而引发的系统性金融风险至关重要。本文通过构建影子银行风险预警机制来对影子银行的运行状况进行预警,从而为政策的制定提供依据。本文在前人的研究基础上,对我国影子银行的现状进行分析,并从内部环境和外部环境考虑我国影子银行风险状况的影响因素,选取16个量化指标的来构建我国影子银行的风险预警指标体系,然后,利用RBF神经网络模型构建我国影子银行风险预警机制,根据模型的训练结果得出相应的结论以及政策建议。具体的实证分析过程如下:首先,为了提高RBF神经网络模型运行的准确性,本文运用主成分分析法对16个指标2011年1月至2018年6月的月度数据进行降维,得出了我国影子银行系统的综合安全得分,并选取均值加减1.5倍标准差作为风险预警线,同时利用金融危机时期2008年9月的数据对风险预警线进行验证。其次,利用MATLAB创建RBF神经网络模型,通过对RBF神经网络模型的训练和验证,判断利用RBF神经网络模型来对影子银行风险状况预警的可行性,根据综合安全得分是否超出其阈值来判断我国影子银行体系的安全状况,并对2018年7月我国影子银行的安全状况进行预测。最后,为了验证RBF神经网络模型的预测精度,本文将其预测的均方误差值分别与BP神经网络模型、Logit模型的预测结果进行对比。实证结果表明:训练后的RBF神经网络的预测值与期望输出值差距小,说明训练后的RBF神经网络拟合精度高,可利用RBF神经网络对我国影子银行进行风险预警;利用RBF神经网络对2018年7月的影子银行风险状况进行预测,发现2018年7月影子银行综合安全得分较6月的安全综合得分下降了2%左右,但是风险状况仍然处于一个相对较高的水平,这需要我们不断完善风险的发现与化解机制,提高我国的早期预警能力和预警系统的预测精度。