基于支持向量机的银行系统重要性评估研究

被引：9

作者：

唐振鹏 ^{[1
,2
,3
]}

黄双双 ^{[1
]}

陈尾虹 ^{[1
]}

机构：

[1] 福州大学经济与管理学院

[2] 福建省金融科技创新重点实验室

[3] 福建省企业发展研究中心

来源：

系统科学与数学 | 2018年 / 38卷 / 01期

关键词：

系统重要性银行; 系统性风险; 支持向量机; 粒子群优化算法; Copula-CoVaR;

D O I：

暂无

中图分类号：

F832 [中国金融、银行]; TP18 [人工智能理论];

学科分类号：

1201 ; 020204 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

系统重要性银行是构成全球业务链的连接点,对各国各项业务的顺利进行起到不可或缺的作用,所以当其发生危机时,会直接对全球范围内的金融机构造成负面影响.学术界对如何识别中国系统重要性银行进行了很多有益尝试,由于研究方法或样本不同,得出的结论存在一定差异.有效识别此类银行是当前的热点议题.文章从系统重要性银行的度量数据出发,首先以各银行的财务报表数据和股票价格数据为研究样本.其次,在SVM-Copula集成系统基础上,利用粒子群优化算法对SVM寻找最优参数组合,进而提出了优于GARCH模型和核密度估计法的PSO-SVM边缘分布估计法.最后将PSO-SVM-Copula集成系统运用到CoVaR领域中.研究结果表明:PSO-SVM-Copula-CoVaR(PSCC)模型在系统重要性银行的评估上比仅使用单方面的数据更加合理.

引用

页码：57 / 77

页数：21

共 23 条

[11]

统计学习理论[M]. 电子工业出版社 , (美)瓦普尼克(VladimirN.Vapnik)著, 2004

[12] Measuring Systemic Risk [J].

Acharya, Viral V. ;

Pedersen, Lasse H. ;

Philippon, Thomas ;

Richardson, Matthew .

REVIEW OF FINANCIAL STUDIES, 2017, 30 (01) :2-47

[13]

Downside and upside risk spillovers between exchange rates and stock prices[J] . Juan C. Reboredo,Miguel A. Rivera-Castro,Andrea Ugolini.Journal of Banking and Finance . 2016

[14]

A comprehensive review of Value at Risk methodologies[J] . Pilar Abad,Sonia Benito,Carmen López.The Spanish Review of Financial Economics . 2014 (1)

[15]

Application of support vector machines to corporate credit rating prediction[J] . Young-Chan Lee.Expert Systems With Applications . 2006 (1)

[16]

Financial time series forecasting using support vector machines[J] . Kyoung-jae Kim.Neurocomputing . 2003 (1)

[17] 金融稳定监管视角下的系统性风险研究述评 [J].