提升算法下的貨幣危機(jī)預(yù)警模型.pdf

1、由于金融危機(jī)爆發(fā)的毀滅性及傳染性，一直以來(lái)，危機(jī)預(yù)警系統(tǒng)(EWS)受到?jīng)Q策者及研究學(xué)者的持續(xù)關(guān)注。盡管準(zhǔn)確預(yù)測(cè)貨幣危機(jī)確有難度，但是毫無(wú)疑問(wèn)，推進(jìn)和發(fā)展預(yù)警系統(tǒng)使得國(guó)家免于陷入危機(jī)局面是金融風(fēng)險(xiǎn)控制的重中之重。
　　本文以傳統(tǒng)的EWS模型（包括logit模型，多項(xiàng)logit模型，決策樹模型等）作為基礎(chǔ)模型，應(yīng)用提升算法(AdaBoost，SAMME及SAMME.R)開發(fā)出新的危機(jī)預(yù)警模型以預(yù)測(cè)貨幣危機(jī)。從傳統(tǒng)模型的研究結(jié)果來(lái)看，其

2、危機(jī)預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性都表現(xiàn)出一定的局限，因而我們考慮使用提升算法(Boosting algorithm)提高模型的預(yù)測(cè)能力。本文選用常見且有效的提升算法AdaBoost，并針對(duì)多分類情形進(jìn)一步選取SAMME及SAMME.R算法對(duì)弱模型（即基礎(chǔ)模型）進(jìn)行增強(qiáng)。AdaBoost的基礎(chǔ)模型疊加將使得訓(xùn)練誤差以指數(shù)速率下降，而且在實(shí)際問(wèn)題中?？梢杂行У乇苊膺^(guò)度擬合，提升預(yù)測(cè)結(jié)果的穩(wěn)定性。
　　我們對(duì)2006年1月至2017年10月，包

3、括亞、非、拉美等15個(gè)新興市場(chǎng)國(guó)家的數(shù)據(jù)進(jìn)行模型構(gòu)建、模型提升和數(shù)據(jù)檢驗(yàn)。實(shí)證結(jié)果表明，提升算法的預(yù)測(cè)結(jié)果在危機(jī)發(fā)生的情況下給出正確預(yù)警方面表現(xiàn)顯著。其中，包括基礎(chǔ)模型、SAMME算法、SAMME.R算法及樣本權(quán)重調(diào)整后的多個(gè)模型在內(nèi)，SAMME算法對(duì)三分類決策樹（三層）模型的提升效果最好。因此，本文認(rèn)為以AdaBoost為代表的提升算法在EWS問(wèn)題上的預(yù)測(cè)結(jié)果在一定程度上優(yōu)于傳統(tǒng)模型。
　　最后，應(yīng)用表現(xiàn)最優(yōu)的提升模型對(duì)選取的國(guó)

4、家分別進(jìn)行分析。實(shí)證結(jié)果表示，在整個(gè)樣本區(qū)間，危機(jī)被正確預(yù)警的總體準(zhǔn)確率90％(45/50)。僅就研究期來(lái)看，模型除了對(duì)俄羅斯、中國(guó)及阿根廷3個(gè)國(guó)家外，其他國(guó)家的貨幣危機(jī)均能準(zhǔn)確預(yù)測(cè)。對(duì)中國(guó)的預(yù)測(cè)結(jié)果表現(xiàn)上相對(duì)一般（實(shí)際危機(jī)7次，準(zhǔn)確預(yù)測(cè)5次），可能由于盡管匯率管制持續(xù)放開，但國(guó)內(nèi)對(duì)匯率政策的謹(jǐn)慎度依舊不減，匯率管制逐步放開的進(jìn)程相比其他國(guó)家仍具有一定的特殊性?？偟膩?lái)看，經(jīng)過(guò)SAMME算法提升后的三分類決策樹（三層樹）對(duì)于樣本國(guó)家的廣泛