区域金融风险评级模型及其应用研究
金融风控领域常见检测模型及方法研究
金融风控领域常见检测模型及方法研究概述：金融风控是指金融机构在业务运作中对风险进行识别、衡量、分析和控制的一系列管理活动。
随着金融市场的不断发展，金融风险也日益复杂多变。
因此，为了更好地应对金融风险，金融风控领域涌现了各种检测模型和方法。
一、传统风控模型1. 信用评分模型信用评分模型是金融风控领域中最常用的模型之一，通过对借款人的个人信息、历史信用记录等进行量化分析，预测其未来的还款能力和风险水平。
常见的信用评分模型包括德国信用评分模型（GSS）、美国信用评分模型（FICO）等。
2. 反欺诈模型反欺诈模型旨在通过分析用户行为数据、交易模式等信息，识别和预防欺诈行为。
常见的反欺诈模型包括逻辑回归模型、决策树模型、支持向量机模型等。
3. 欺诈预警模型欺诈预警模型用于实时监测金融交易，及时发现异常交易行为。
常见的欺诈预警模型包括异常检测模型、神经网络模型等。
二、机器学习在金融风控中的应用1. 随机森林（Random Forest）随机森林是一种集成学习方法，通过构建多个决策树模型，最终得到一个综合判断。
在金融风控领域，随机森林常用于信用违约风险预测、欺诈交易识别等方面。
2. 深度学习（Deep Learning）深度学习模型可以自动从大量数据中学习特征和规律，适用于金融风控领域中的大数据分析。
常见的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）等。
3. 支持向量机（Support Vector Machine）支持向量机是一种用于分类和回归分析的机器学习方法，可应用于金融风控中的信用评估、欺诈检测等问题。
其优势在于具有较好的泛化能力和对非线性分布的适应性。
三、大数据在金融风控中的应用1. 数据挖掘数据挖掘是通过对大数据进行深入分析和挖掘，发现其中的规律和信息。
在金融风控领域，数据挖掘可以帮助识别潜在欺诈行为、发现异常交易等。
2. 人工智能人工智能技术包括机器学习、深度学习等，以及自然语言处理、图像识别等方法。
金融风险监测预警模型的实证研究
金融风险监测预警模型的实证研究一、金融风险监测预警模型概述金融风险监测预警模型是一套系统性的工具，旨在通过定量分析和定性判断来识别、评估和预警金融系统中的潜在风险。
这些模型对于维护金融市场的稳定、预防以及保护者利益具有重要意义。
随着金融市场的全球化和复杂化，金融风险监测预警模型的重要性日益凸显。
1.1 金融风险监测预警模型的核心功能金融风险监测预警模型的核心功能包括风险识别、风险评估、风险预警和风险管理。
风险识别是指通过数据分析发现可能影响金融市场稳定的各种因素。
风险评估是对这些风险因素进行量化分析，以确定其对市场可能造成的影响程度。
风险预警则是在风险评估的基础上，对可能发生的金融风险进行预警。
最后，风险管理是根据预警信息采取相应的措施，以减轻或避免风险的影响。
1.2 金融风险监测预警模型的应用领域金融风险监测预警模型的应用领域非常广泛，包括但不限于以下几个方面：- 银行信贷风险监测：评估银行信贷资产的质量，预警潜在的信用风险。
- 证券市场风险监测：分析波动性，预警市场异常波动和潜在的系统性风险。
- 汇率风险监测：监测汇率波动，评估汇率变动对经济和金融市场的影响。
- 保险业风险监测：评估保险产品的风险暴露，预警保险市场的潜在风险。
二、金融风险监测预警模型的构建构建金融风险监测预警模型是一个多步骤、跨学科的过程，涉及到金融学、统计学、计量经济学等多个领域的知识。
2.1 金融风险监测预警模型的理论基础金融风险监测预警模型的理论基础包括金融市场理论、风险管理理论、行为金融学等。
金融市场理论提供了对市场行为和资产价格波动的基本理解。
风险管理理论则关注如何识别、评估和控制风险。
行为金融学则研究者行为对市场波动的影响。
2.2 金融风险监测预警模型的关键技术金融风险监测预警模型的关键技术包括数据挖掘技术、统计分析技术、计量经济学模型等。
数据挖掘技术用于从大量金融数据中提取有价值的信息。
统计分析技术用于对数据进行描述和推断。
金融风险评估模型与预警框架研究
金融风险评估模型与预警框架研究金融风险评估模型与预警框架研究旨在帮助金融机构和投资者更好地评估和管理金融市场中的各种风险，以减少潜在的损失。
本文将介绍金融风险评估模型的基本原理和常用的预警框架，并探讨它们在金融市场中的应用和发展趋势。
金融风险评估模型是通过量化和分析金融市场中不同类型风险的概率和影响，以评估涉及的潜在损失。
这些模型可以基于统计学方法、数学模型和计量经济学等不同理论框架进行建模。
常用的金融风险评估模型包括VaR （Value at Risk）、CVaR（Conditional Value at Risk）、ES（Expected Shortfall）等。
VaR模型是最常见的金融风险评估模型之一。
它通过对金融资产组合的历史数据进行统计分析，估计在给定置信水平下的最大可能损失。
VaR模型可以帮助投资者确定风险承受能力，并制定相应的风险控制策略。
然而，VaR模型存在一定的局限性，例如无法考虑极端事件的可能性和损失的非线性特征。
为了弥补VaR模型的不足，CVaR模型和ES模型应运而生。
CVaR模型是基于VaR模型的扩展，它不仅考虑最大可能损失，还关注超过VaR水平的损失情况，并以条件损失的期望值作为衡量风险的指标。
ES模型则进一步扩展了CVaR模型，通过考虑损失的分布形状和损失值的期望情况，更全面地衡量风险。
除了这些基本的金融风险评估模型，还有一些其他的模型被广泛应用于金融市场。
例如，概率模型可以通过对金融市场中不同因素的概率分布进行建模，预测未来的风险情况。
协整模型可以用于评估金融市场中不同资产之间的长期关系，以及它们对风险的联动性。
这些模型的应用可以帮助投资者更好地理解和管理市场风险，提高投资组合的回报率和风险调整收益率。
与金融风险评估模型密切相关的是预警框架的研究。
预警框架是一种用于识别和监测金融市场中潜在风险的模型和工具。
预警框架可以根据金融市场的基本面因素、技术指标和市场情绪等不同要素进行构建。
市场风险评估模型研究及应用
市场风险评估模型研究及应用随着经济全球化的推进和市场化程度的提高，各种金融产品在市场上层出不穷，投资者需要面对的风险也越来越复杂和多样化。
市场风险评估模型是金融市场中非常重要的一个工具，能够帮助投资者更好地了解产品的风险水平，提高投资决策的准确性和可靠性。
本文将对市场风险评估模型进行研究和应用，探讨其实现方式、应用场景和优缺点等内容。
一、市场风险评估模型的实现方式市场风险评估模型主要基于统计学的思想和方法，通过对历史数据的分析和融合，预测未来市场波动的风险水平。
常用的市场风险评估模型有风险价值（Valueat Risk，VaR）模型、条件风险价值（Conditional Value at Risk，CVaR）模型和极值理论（Extreme Value Theory，EVT）模型等。
风险价值模型是目前使用最为广泛的市场风险评估模型之一，其核心思想是以一定的置信水平作为标准，通过数学统计的方法预测未来某一风险资产（或投资组合）的最大可能损失。
具体实现时，需要选择适当的置信水平和时间区间，并采用历史模拟法、蒙特卡洛仿真法或正态分布法等方法进行计算，得到一个相对精确的风险值。
条件风险价值模型是近年来新兴的市场风险评估模型，弥补了风险价值模型无法解决非对称性风险的不足。
条件风险价值模型将风险价值模型的置信水平改为风险水平，在追求收益的同时避免了极端风险的暴露。
由于模型基于对分位数的数学计算，还可以通过概率分布函数和极值概率分布函数进行有效的计算和比较。
极值理论模型则主要应用于极端事件的风险评估，该模型认为市场波动呈现出一定的暴涨暴跌的趋势，从而针对极端事件进行风险预测和控制。
模型需要准确估计极端事件的概率分布函数和极值分布函数，寻找合适的参数进行计算。
二、市场风险评估模型的应用场景市场风险评估模型主要应用于金融市场中风险管理和风险监控领域，是一种重要的决策支持工具。
具体应用场景包括：1. 投资组合风险管理。
金融风险管理下的风险评估模型研究
金融风险管理下的风险评估模型研究近年来，随着金融市场的不断发展和变化，金融风险的形式和类型也日益多样化。
因此，金融机构必须针对不同的风险情况开展相应的风险评估，以制定出合理的管理措施和应对方案。
风险评估模型是金融风险管理的关键工具之一。
通过对市场、信用、操作、流动性等不同类型的风险进行测量和分析，可以帮助金融机构更准确地了解自身面临的风险情况，并制定相应的风险控制措施。
因此，对于金融机构而言，建立科学有效的风险评估模型是非常必要的。
目前，常见的金融风险评估模型包括VaR模型、ES模型、风险贡献模型、风险预算模型等。
这些模型的核心是对于不同风险类型的测量和评估，因此这里我们就简单介绍几种常见的模型。
VaR模型是目前广泛应用的风险评估模型之一。
它通过分析市场价值的历史波动情况，计算出金融机构在一定置信水平下的最大亏损额，以此作为评估风险的指标。
可以说，VaR模型是估计金融市场风险最流行的方法之一，得到了金融机构和监管机构的广泛认同。
然而，VaR模型本身也存在一些不足之处。
比如说，它不能很好地应对金融市场的极端事件，也无法考虑到各种风险因素之间的复杂相互作用影响。
因此，在VaR模型的基础上，ES模型应运而生。
ES模型是对VaR模型的改进和完善。
它不仅考虑到最大亏损的量级，还考虑了最坏亏损的情况下亏损的期望值。
ES模型能够更好地评估极端事件发生的概率，并给出更准确的风险贡献度量。
除此之外，还有风险贡献模型和风险预算模型等。
其中，风险贡献模型是一种分析和评估不同投资组合风险贡献的方法。
通过对每一个部分的风险贡献进行区分和评估，帮助金融机构更好地了解投资组合的优缺点和风险分布情况。
而风险预算模型则是一种将投资组合的目标风险挂钩到投资决策的方法。
该模型通过计算每个投资组合的预期波动率和风险贡献率来实现投资组合风险的优化。
综上所述，金融风险评估模型是金融机构进行风险管理的重要工具之一。
在金融风险不断变化的背景下，不同的评估模型适用于不同类型的风险管理，而建立科学有效的风险评估模型，则可以为金融机构制定出更合理、更科学的风险管理策略，保障金融体系的稳定运行。
金融风险评估模型的研究与构建
金融风险评估模型的研究与构建金融风险评估是金融机构和投资者不可或缺的一项重要工作。
准确评估金融风险可以帮助机构和个人进行风险管理和决策制定，从而避免潜在的损失。
由于金融市场的复杂性和变化性，构建一个有效的金融风险评估模型是至关重要的。
本文旨在探讨金融风险评估模型的研究与构建，并介绍一些常用的方法和技术。
1. 金融风险评估模型的研究方法金融风险评估模型的研究方法多种多样，下面是一些常见的方法：风险度量：风险度量是评估金融风险的基本工具，常用的风险度量方法包括历史模拟法、方差-协方差法、蒙特卡洛模拟法等。
这些方法可以衡量投资组合或资产的风险水平，并提供相应的风险收益指标。
时间序列模型：时间序列模型是一类用于研究金融市场波动的统计模型。
常用的时间序列模型包括GARCH模型、ARCH模型等。
这些模型可以帮助识别金融市场的波动性和风险水平，并为风险管理提供参考。
应用机器学习方法：机器学习方法在金融风险评估中被广泛应用。
通过使用大量历史数据和预测算法，机器学习方法可以帮助构建复杂的模型，以识别和预测潜在的风险。
常用的机器学习方法包括支持向量机、随机森林、神经网络等。
2. 常用金融风险评估模型以下是一些常用的金融风险评估模型：Value at Risk(VaR)：VaR模型是一种常用的风险度量方法，用于评估金融资产组合在给定置信水平下的最大亏损。
VaR模型通过计算历史数据的分位数来衡量风险水平，并提供一个具体的损失金额。
Expected Shortfall(ES)：ES模型是对VaR模型的一种扩展，用于评估在VaR水平之上的潜在损失。
ES模型可以提供更全面的风险评估，并帮助投资者更好地掌握困难时期的风险情况。
Copula模型：Copula模型是一种广泛应用于金融风险评估的统计模型。
Copula模型可以捕捉多个不同资产之间的相关性，提供更准确的风险评估。
在构建投资组合时，使用Copula模型可以更好地理解不同资产之间的相互作用。
金融风险管理中的VaR模型及应用研究
金融风险管理中的VaR模型及应用研究在金融投资中，风险管理是一项关键性工作。
为了规避风险，投资者需要采用不同的方法对风险进行测算、监控和控制。
而其中，以“价值-at-风险”（Value-at-Risk，VaR）模型为代表的方法，成为许多金融机构和投资者对风险管理进行实践的重要途径。
本文将从VaR模型的概念、计算方法、应用研究等方面进行分析探讨。
一、VaR模型的概念和计算方法VaR是指某一风险投资组合在未来一段时间内，尝试以一定置信度（通常为95%、99%）估计其最大可能损失金额。
VaR分析的目的是定量化风险，并作为投资者制定投资决策的重要参考依据。
VaR模型的计算方法包括历史模拟法、蒙特卡洛模拟法和正态分布法。
历史模拟法利用历史价格数据，模拟投资组合的未来价值变化；蒙特卡洛模拟法则采用随机方式，给出多种可能的结果；正态分布法基于正态分布假设，可以采用数学公式得出VaR数值。
在实际应用中，不同的计算方法适用于不同的投资组合和风险管理要求。
二、VaR模型应用研究的进展VaR模型在金融投资中的应用已经逐步成为一项主流的风险管理方法。
然而，在实践应用中，VaR模型存在一些局限性和问题，如对极端事件的处理能力不足、对交易流动性和市场风险变化的关注不足等。
针对这些问题，学者们开展了一系列研究，并不断改进VaR模型。
例如，将VaR模型与条件风险价值（CVaR）模型相结合，可更好地处理极端风险；利用高频数据和机器学习等方法，可提高计算结果的准确性和实时性；同时，还可以通过分层支持向量回归（Layered Support Vector Regression）等方法，对VaR值进行修正和预测。
随着技术和数据处理手段的不断改进，VaR模型在未来的风险管理中的应用将更加广泛和完善。
三、VaR模型的局限性虽然VaR模型在风险管理中有着广泛的应用，但也有一些局限性。
首先，VaR 模型往往基于假设性条件，对于一些极端风险和非线性风险等难以做出准确预测。
金融风险识别与预测模型研究与应用
金融风险识别与预测模型研究与应用近年来，随着金融市场的不断发展和全球经济的深度融合，金融风险也日渐复杂化和多样化。
金融风险识别与预测成为金融机构和投资者关注的重要问题。
为了更好地应对金融风险，研究和应用金融风险识别与预测模型成为迫切需求。
一、金融风险识别模型金融风险识别模型是对金融市场中可能存在的各种风险进行识别和分类的一种方法。
这些模型主要基于历史数据和统计学方法，通过建立各种指标和变量之间的关系，来辨别可能的风险因素。
常见的金融风险识别模型包括VAR模型、GARCH模型和机器学习模型等。
1. VAR模型（Value at Risk）：VAR模型是一种基于历史数据和统计学方法的风险度量模型。
它在给定置信水平下，通过计算金融投资组合可能的最大亏损来度量金融风险。
VAR模型将风险分为市场风险、信用风险和操作风险等，并通过建立投资组合之间的关系和历史数据的统计分析，来预测未来可能的风险。
2. GARCH模型（Generalized Autoregressive Conditional Heteroskedasticity）：GARCH模型是一种对时间序列数据进行建模的方法，常用于预测金融市场的波动性和风险。
GARCH模型通过建立波动性的条件异方差模型，揭示了金融市场中的时间序列波动性的非线性特征。
利用GARCH模型，可以预测未来的风险水平，并帮助投资者做出相应的风险管理决策。
3. 机器学习模型：近年来，机器学习技术的快速发展为金融风险识别和预测提供了新的思路和方法。
机器学习模型主要利用大数据和算法来挖掘金融市场中的规律和模式，从而实现对金融风险的准确预测。
常见的机器学习模型包括神经网络模型、支持向量机模型和随机森林模型等。
二、金融风险预测模型金融风险预测模型是在识别金融风险的基础上，进一步对未来可能的风险进行预测和评估的模型。
这些模型通过分析市场信息和指标，结合历史数据和统计学方法，来预测未来的金融风险水平。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
区域金融风险评级模型及其应用研究
作者：廖萱
来源：《经济研究导刊》2017年第30期
摘要：在对现有相关文献的学习整理基础上，从区域金融风险的基本理论入手，首先对区域金融风险的内涵界定，遴选评价指标，构建出区域风险评级模型，将金融风险程度量化为等级区间。
其次以我国区域性的经济金融中心六大城市为研究对象，以2000—2011年时间内金融风险状况进行实证研究，比较分析了不同区域金融风险差异性。
关键词：区域金融风险；层次分析法；综合指数
中图分类号：F832 文献标志码：A 文章编号：1673-291X（2017）30-0081-02
引言
自金融从实体经济中产生以来，不论经历怎样的发展和改革，金融风险可谓如影随形。
历史经验告诉我们，一旦金融风险被放大，甚至是失控，从而爆发的金融危机都将在不同程度上对各国各行业的经济体造成沉重的打击。
尤其是在金融全球化发展的趋势下，区域性金融风险已经会导致全球金融危机的爆发。
因而，在了解区域金融风险的产生、存在程度等各方面问题后，才能更好的防范金融风险的发生，对各国金融发展都有重要意义。
一、文献回顾与研究内容
（一）区域金融风险
一般认为，金融风险可以分为三种类型，分别是个体性金融风险、区域性金融风险和系统性金融风险。
区域性金融风险主要是指在特定区域由内部个别或部分机构的金融活动风波导致金融风险在区域内扩散，或者是与之有密切经济联系的其他区域金融风险向本区域传播，从而诱发金融危机导致金融震荡的金融风险。
具有区域差异性、成因更复杂、可控性更强等特征。
（二）金融风险预警研究的文献综述
金融风险预警是防范金融危机最为有效的手段。
刘传哲、张丽哲（1999）首先利用因子分析法（FA）遴选出11个指标构建指标体系，然后利用层次分析法和主成分分析法确定各指标的权重求出综合指数。
陈守东、杨莹、马辉（2006）通过因子分析法和Logit模型对分别建立宏观经济和金融市场风险预警模型。
谭中明（2010）首先建立区域金融风险预警系统，然后运用层次分析法熵值法求出各评价指标的权重，和指标评价区间。
最后利用2007年我国和江苏省的数据得出综合指数和单个指标的预警值，进行分析。
楼文高、乔龙（2011）首先选取金融风险评价指标体系，并确定单指标评价区间值。
其次建立金融风险预警的NN模型和BPNN模型，然后运用我国1994—2010年指标数据值实证判定该时间段内我国金融风险水平。
二、研究方法
（一）研究对象
选取八大经济区域中六大代表性城市的2000—2011年的样本数据，六个城市分别是北京、天津、上海、江苏、福建和广东，这些城市的数据代表了北部沿海、东部沿海和南部沿海三个区域的金融风险状况。
（二）模型构建
1.区域金融风险评级指标设计
根据指标体系构建的全面性、灵敏性和实用性原则和本文的研究内容，本文分别从能反映区域金融风险的三个大方向选取指标，选取了三大类区域经济环境风险（地区GDP增长率
x1、城镇失业率x2、地方财政收入/GDP x3）、区域金融机构经营风险（不良贷款率x4、保费增长率x5、贷款增长率x6、贷款存款比例x7）和区域特殊金融活动风险（房地产投资增长率x8、固定资产投资增长率x9、房价增长率/GDP增长率 x10），共10个指标。
为了对区域金融风险进行评级，首先引入等级区间概念。
借鉴景气综合指数的亮灯评定方法，将等级区间由分数从低到高，分别分为“蓝灯区”[0，20）、“淡蓝灯区”[20，25）、“绿灯区”[25，35）、“黄灯区”[35，40）、“红灯区”[40，50]，分别表示经济冷缩、经济开始回温、风险受控经济稳定、经济偏热和风险失控经济过热。
2.区域金融风险评级方法
本文采用的是区间等级综合评价方法，所以选用映射法，根据原始指标的临界值，对应等级区间的上下限转化为区间内分数值，从而对原始数据进行了标准化处理。
将指标的原始数值标准化后，消除了量纲的影响，再通过层次分析法确定各指标权重，就可以求出各指标的综合指数。
表示指标的映射分数值，表示指标体系中各指标的权重，表示由两者确定的区域金融风险综合指数。
三、实证研究与分析
（一）区域金融风险评级
本文首先收集了2000—2011年六大城市的上述评价指标体系各指标数据，根据前文确定的风险评级方法，在对原始数据标准化处理后，通过层次分析法求出指标权重，得出综合指数，将结果汇总得到区域金融风险综合评级数值。
（二）不同区域金融风险评级状态分析
从实证分析得出，北京市和广东省金融风险综合评级分数分别为23.22、24.79，属于浅蓝灯区，天津、上海、江苏、福建的金融风险综合评级分数分别是28.72、25.76、26.57和
27.58，属于绿灯区。
由此可以看出，在2000—2011年时间中，六大城市的区域金融风险状态整体处于绿灯区，即金融风险处于控制中的稳定状态。
但是值得注意的是，天津市的风险状态处于绿灯区间的40%左右位置，可能突破绿灯区进入风险不稳定黄灯区。
从各区域金融风险评价的三大类别来看，六大区域经济的经营机构和特殊金融活动风险差别不大，只有该区域经济环境状况有较大差别，尤其是天津市的经济环境风险分数值明显高于其他区域，占综合指数的38%左右，这说明天津市作为直辖市，有良好的经济发展环境和政策支持，但同时更要落实好国家宏观调控政策，加强金融发展整体环境的风险控制能力，保持经济发展的良好势头。
结论
本文通过选取中国八大经济区域中三个区域的六个代表性地区作为实证样本，应用评级模型得出各区域金融风险状况，得出结论是在2000—2011年时间中，六大城市的区域金融风险状态整体处于绿灯区，即金融风险处于控制中的稳定状态。
从区域金融风险评级指标选取的三大类别来看，区域经济环境风险的数值在这六个城市中有较大的差别，所以基于区域金融风险状态不同方面的状况和评价指标体系中不同影响因素的得分，各地区可以有侧重的注意本地区金融发展中的风险状况，采取不同的政策引导和发展重点。
比如发展较为成熟的地区如北京、上海和广州等应该加快转变地区经济发展方式，夯实金融体系稳健运行基础。
积极推动金融机构改革创新，增强金融机构核心竞争力。
加大开发国内各类金融机构有特色的金融产品和金融服务，完善业务盈利模式，提高持续盈利能力。
参考文献：
[1] 刘传哲，张丽哲.金融危机预警系统及研究[J].系统工程，1999，（9）：33-37.
[2] 陈守东，杨莹，马辉.中国金融风险预警研究[J].数量经济技术经济研究，2006，（7）.
[3] 谭中明.区域金融风险预警系统的设计和综合度量[J].软科学，2010，（3）：69-74.
[4] 楼文高，乔龙.基于神经网络的金融风险预警模型及其实证研究[J].金融论坛，2011，（11）.
[5] Kaminsky， G.I.，S. Lizondo and C. M. Reinhart， Leading Indicators of Currency Crises[N]， IMF Staff Paper， 1998，45（1）.
[6] NAG A，MITRA A.Neural networks and early warning indicators of currency
crisis[R].Reserve Bank of India Occasional Papers， 20（2），1999.
[7] 胡燕京，高会丽，徐建锋.金融风险预警——基于BP人工神经网络的一种分析[N].青岛大学学报，2002，（12）：28-34.
[8] 陈秋玲，薛玉春，肖璐.金融风险预警：评价指标、预警机制与实证研究[N].上海大学学报：社会科学版，2009，（16）.
[9] Frankel， J. A. and A. K. Rose， Currency Crashes in Emerging Markets： An Empirical Treatment[J].Journal of International Economics， 1996，（41）：35-66.
[10] Sachs J.，A. Tornell and A. Velasco， Financial Crises in Emerging Markets：The Lessons from 1995[N].Brookings Papers on Economic Activity， 1996，（1）：147-215.
[11] 张雄.金融危机理论演进与发展研究[J].商业研究，2007，（5）.
[12] 商瑾.金融风险及防范对策研究——基于财政联结角度[D].财政部财政科学研究所，2012，（6）.
[13] 欧江波，周兆钿.基于AHP的中心城市经济预警指标体系研究[J].经济师，2012，（6）.
[14] 郭金玉，张忠彬，孙庆云.层次分析法的研究与应用[J].中国安全科学学报，2008，（5）.
[15] 孙文，王冀宁.基于AHP的中小企业信用评级指标体系构建[J].财会通讯，2012，（3）.
[16] 苏波.商业银行区域风险评级与信贷管理研究[J].金融监管研究，2013，（12）.
[17] 张延群.全球向量自回归模型的理论、方法及其应用[J].数量经济技术经济研究，2012，（4）.
[18] 柳欣，王晨.内生经济增长与财政、货币政策——基于VAR模型的实证研究[J].南开经济研究，2008，（6）.
[19] 刘子斐，史敬.VAR模型比较技术及其评价[J].金融研究，2008，（5）.
[责任编辑陈丹丹]。