17 中国金融风险预警研究_基于MSVAR模型的实证分析_周华
中国金融风险识别与预测——基于Markov区制转移模型
中南财经政法大学研究生学报2020年第4期中国金融风险识别与预测—基于Markov区制转移模型—席文治(中南财经政法大学统计与数学学院，湖北武汉430073)摘要:新冠疫情对全球经济的发展造成了重大打击，中国金融市场同样会受到波及。
使用金融压力指数法对中国2005年1月-2020年3月的金融风险进行测度，分别从国内金融市场、国际金融市场两方面，选取24项指标构建银行压力指数(BSI)、股票市场压力指数(SSI)、房地产压力指数(RESI)、宏观环境压力指数(MESI)、国际市场压力指数(ISI)五项分指数,综合得到中国系统性金融压力指数(FSI),再采用Markov区制转移模型识别金融风险时期，结果表明，中国金融子市场间具有关联性;中国系统性金融风险大多数时间处于低风险状态，低金融风险状态的持续期较长;2020年中国金融风险仍处于较低、可控水平。
关键词:金融风险;金融压力指数;CRITIC赋权;Markov区制转移模型;ARMA模型随着新冠疫情在全球区域的蔓延，当前美国、欧洲国家尤其是意大利等都面临着严重的疫情，出现全球股价短期大幅度下跌、债务危机加剧、汇率波动率上升、大宗商品价格波动率增加等问题，这些现象势必会在短期内给各国带来较大的经济打击，全球金融市场波动剧烈。
与2008年全球金融危机相比，各国央行均采取了发债、降息等宽松政策，因此市场不会出现2008年金融危机那样大规模的流动性危机。
除2008年美国的次贷危机以外，历史上数次爆发全球大规模的金融危机，包括1929-1939年的十年经济大萧条、1973年石油经济危机、1997年亚洲金融风暴等。
随着世界经济、金融的一体化和数字技术的发展，金融危机的传染性加强。
因此，新冠疫情在其他国家的爆发也会通过传导方式对我国的贸易、投资、经济增长速度等方面形成较大程度的负面影响，增加通胀压力。
测度我国面临的金融压力并且正确识别金融风险程度，是预警金融危机,促进金融市场健康稳定发展,防范金融风险的重要手段。
金融风险管理中VaR模型的应用
金融风险管理中VaR模型的应用摘要：随着全球金融化趋势日渐明显，全球经济发展速度不断加快，金融市场的不确定性大幅度提高，高效管理金融风险迫在眉睫。
与此同时，VaR模型优势特征明显，已被频繁应用到金融领域，成为新经济形势下金融风险测量的关键性模型。
因此，本文在分析VaR模型的基础上从不同角度入手客观探讨了其在金融风险管理过程中的应用，将金融风险最小化的同时最大化提升经济效益。
关键词：VaR模型；金融风险管理；应用我国金融领域高速发展的同时金融风险也日趋严重，金融风险具有其客观性，在金融大环境下，高效管控金融风险是金融机构与企业运营发展中面临的重要任务，也是社会大众关注的重要方面。
在多方面因素影响下，VaR模型应运而生的同时有效发展，在度量金融风险等方面有着重要作用，要全面、深入剖析金融风险管理具体情况，通过多样化路径科学运用VaR模型，最大化发挥优势作用，优化投资策略制定、资金配置等环节，从源头上降低金融风险发生系数，在实现经济效益目标中增强市场核心竞争力。
1VaR模型VaR模型就是在资产组合既定条件下，在未来一定时间内，任一金融工具、金融品种的市场价格波动之后潜在的最大损失，是当下比较流行的风险量化技术，通常情况下，中文译为在险价值、风险价值。
VaR模型是数学、经济学两大领域有机融合下的产物，也是JP摩根公司用来准确计量市场风险的产物，也就是说，VaR模型最初只是应用在市场风险度量方面，随着其持续发展，已被广泛应用到金融风险管理的多个方面。
在新形势下，经济学领域中数学学科的应用日趋日渐深入以及扩大，VaR模型可以说是数学在经济领域成功应用的客观折射。
与此同时，VaR模型和传统风险度量模式有着根本上区别，是一种以统计分析为基础的风险量化技术，优势特征鲜明，能够有效弥补传统风险度量模式实际应用中呈现的缺陷。
在VaR模型产生以及作用下，人们的投资、经营、管理等观念发生了质的变化，常将VaR模型应用到开展的投资活动中，准确度量投资对象风险，在深化把握风险大小、自身风险承受能力等基础上制定可行性较高的投资方案、投资策略，确保投资更加科学、有效，防止因盲目投资造成严重的经济损失。
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。
金融风险的计量分析及风险预警体系研究
金融风险的计量分析及风险预警体系研究第一章绪论随着世界经济不断发展，金融市场呈现出不断加速的发展势头，金融风险也随之增加。
金融风险是指由于金融市场波动和金融产品复杂性等原因造成的资产价值波动和资金流量波动。
为了有效地管理金融风险，金融机构需要构建一套完整的风险管理体系。
本文将围绕金融风险的计量分析及风险预警体系研究展开，以期提高金融机构金融风险管理水平。
第二章金融风险的计量分析金融风险计量是金融机构管理风险的基础。
本章将从市场风险、信用风险、流动性风险和操作风险四个方面详细介绍金融风险的计量分析方法。
2.1 市场风险计量分析市场风险指的是金融机构在进行金融交易时，由于市场价格波动而导致的金融损失。
市场风险计量分析包括价值风险测度法和历史模拟法两种方法。
2.2 信用风险计量分析信用风险指的是债务人不能按照合同约定履行债务或者出现违约风险的情况。
信用风险计量分析主要有概率模型法和债券等级法两种方法。
2.3 流动性风险计量分析流动性风险是指金融机构在偿还负债时出现的流动性资金不足的情况。
流动性风险计量分析主要包括流动性模型法和现金流匹配法两种方法。
2.4 操作风险计量分析操作风险是指由于金融机构内部管理不善、人为因素等原因造成的损失。
操作风险计量分析主要有基础指标法和事件损失法两种方法。
第三章金融风险预警体系的研究金融风险预警体系是金融机构监测和预警金融风险的重要工具。
因此，构建合理、完整、科学的金融风险预警体系对于维护金融体系稳定和金融机构经济效益具有非常重要的意义。
本章将从风险预警指标、风险预警模型和风险预警评价系统三个部分阐述金融风险预警体系的研究。
3.1 风险预警指标金融机构应根据不同风险类型选择合适的风险预警指标，一般包括市场风险指标、信用风险指标、流动性风险指标、操作风险指标等。
3.2 风险预警模型建立合理的风险预警模型对于风险管理至关重要。
目前主要的风险预警模型包括主成分分析法、灰色模型法和神经网络法等。
风险预警和监测模型在金融领域中的应用
风险预警和监测模型在金融领域中的应用随着金融市场的不断发展，投资和交易的风险也在不断增加。
因此，判断风险并及时做出反应变得尤为重要。
风险预警和监测模型作为一种重要的经济学和金融学工具，被广泛地应用于金融市场和银行业中，以帮助金融从业者更好地识别和处理风险，提高金融市场的稳定性。
一、风险预警模型的概念风险预警模型是指基于金融市场的相关数据构建出来的数学模型，其目的是对金融市场的风险进行预测和预警。
这种模型通常利用历史数据和经验知识分析金融市场的趋势和行为，以及市场状况的变化。
这一过程中，人们可以精准地测量风险和效率，并且通过监测市场情况来限制和预测那些不能预测的风险。
风险预警模型可以自动化地发现异常状况，并通知相关部门进行干预。
二、风险预警模型的应用在金融领域，风险预警与监测模型被广泛应用于监测金融市场的波动性。
这种波动可能来自多个方面，如宏观经济变化，财务状况，房地产市场的变化，或是政策决策等等。
通过对这些变化的监测，风险预警模型可以提供及时而准确的警示，帮助金融从业者更好地管理风险。
同时，风险预警模型在检测和预防骗局、违规交易和洗钱等方面也发挥了重要作用。
在今天复杂且瞬息万变的投资和交易环境中，要及时发现并制止欺诈行为、违规操作、洗钱和其他不良交易行为，需要有效的风险预警和监测模型。
这种模型可以提前发现风险和风险因子，保护金融机构和投资者不受损失。
三、监测模型的意义与风险预警模型类似，监测模型的目的是监听市场的价格和交易数据的变化，以提前发现和评估市场波动的风险。
监测模型可以广泛地应用于股票、债券等金融工具的交易中。
在股市中，监测模型可以帮助交易者及时掌握市场行情，尽早发现股票价格的变化，并通过实时监测来提高交易策略的准确性和收益。
监测模型还可以对趋势和事件的变化进行分析，以确定交易者的风险和回报比。
这样交易者就可以根据自己的风险偏好，来选择最合适的投资策略。
同时，在管理银行、信用卡和其它金融产品时，监测模型也可以起到不可或缺的作用。
金融市场风险预警模型的设计与实现
金融市场风险预警模型的设计与实现随着金融市场的复杂化和全球化进程，金融市场风险管理成为了金融机构和投资者面临的重要挑战之一。
为了更好地应对金融市场中的各类风险，金融市场风险预警模型的设计与实现变得尤为关键。
一、引言金融市场风险预警模型以其对金融风险的敏感性、预警效果以及对决策支持的价值而备受关注。
通过早期发现和识别金融市场中的风险，预警模型可以帮助金融机构和投资者及时采取相应的应对措施，减少损失，提高效益。
二、金融市场风险预警模型的设计（一）数据获取与整理金融市场风险预警模型的设计首先需要收集与金融市场相关的各类数据。
这些数据可以包括市场价格、交易量、敏感指标等。
数据的整理和清洗是模型设计中非常重要的一步。
通过对数据进行预处理，可以消除噪音，提高模型的准确性。
（二）特征选择与数据分析在数据整理的基础上，需要进行特征选择和数据分析。
特征选择是选择最具代表性的特征，以减少模型的维度和复杂度。
数据分析则是通过统计分析、时间序列分析等方法，对金融市场数据进行挖掘和研究，寻找数据之间的关联和规律。
（三）模型选择与建立根据风险预警的需求和数据分析的结果，选择合适的预警模型进行建立。
常用的金融市场风险预警模型包括VAR模型、GARCH模型、人工智能模型等。
在模型建立过程中，需要考虑到模型的可解释性、预测能力以及计算复杂度等因素，选择最适合的模型。
（四）模型验证与调整模型建立完成后，需要对模型进行验证和调整，以评估模型的预测能力和稳定性。
常用的验证方法包括回测、交叉验证等。
如果模型的预测结果与实际结果存在较大差异，则需要对模型进行调整和改进，提高模型的准确性和适应性。
三、金融市场风险预警模型的实现金融市场风险预警模型的实现需要借助计算机编程和数学建模等技术手段。
（一）编程实现根据所选定的预警模型，使用合适的编程语言编写相应的程序代码。
常用的编程语言包括Python、R、Matlab等。
编程实现的关键在于将模型的数学公式转化为计算机可以理解和运算的代码。
金融风险管理中的VaR模型及应用
金融风险管理中的VaR模型及应用随着金融市场的不断发展，金融风险管理变得越来越重要。
金融风险管理是指通过对风险的识别、量化和控制，以及对风险的管理和监测，使企业能够在风险控制的范围内保持稳健的发展。
VaR（Value at Risk）是一种量化风险的方法，随着其在金融中的广泛应用，VaR已经成为了金融风险管理的主要工具之一。
VaR是指在一定时间内，特定置信水平下，资产或投资组合可能面临的最大损失。
VaR模型是通过数学方法对投资组合的风险进行分析和量化，来计算投资组合在未来一段时间内的最大可能亏损。
VaR模型最初是由瑞士银行家约翰·布鲁纳尔在1994年提出的，该模型被广泛应用于银行、保险、证券等金融机构的风险管理中。
在VaR模型中，置信水平是非常重要的一个参数。
置信水平是指VaR计算时所选择的风险分布中，有多少的概率是不会超过VaR值的。
通常，置信水平选择95%或99%。
如果置信水平为95%，则意味着在未来一段时间内，该投资组合亏损超过VaR值的概率小于5%。
VaR模型的核心是风险分布。
常用的风险分布有正态分布、t分布和蒙特卡罗模拟法，其中，正态分布和t分布是最常用的风险分布。
在计算VaR时，需要对投资组合的风险分布进行估计，然后根据选择的置信水平来计算VaR值。
如果VaR值很大，则表明投资组合的风险很高，需要采取相应的风险控制措施。
VaR模型的应用范围非常广泛，它主要用于投资组合的风险管理。
在投资组合的构建中，VaR模型可以用来优化投资组合，使得风险最小化。
同时，在投资组合的风险管理中，VaR模型也可以用来进行风险监测和风险控制。
此外，VaR模型还可以用来进行波动率计算。
波动率是衡量金融市场风险的重要指标，其代表了价格或投资组合价值的波动程度。
在金融市场中，波动率越大，表明风险越高。
VaR模型可以通过对历史数据的分析，估计出资产或投资组合的波动率，以便更好地进行风险管理和预测。
虽然VaR模型已经被广泛应用于金融风险管理中，但是VaR模型也存在一些局限性。
18 我国经济周期波动非对称性分析_基于MS_VAR模型_袁吉伟
， …， y ， y ， …， y
＇ 1
＇ 0
＇ 1－p
） 的条件密度
可由向量 η t 表示为： ηt =
[ p（ y │ξ = M，Y ]
p （ y t │ξ t = 1 ， Yt － 1
t t t －1
（ 5）
在给定信息 y τ 集合情况下， 处于状态 m 的 概率可由向量 ξ mt│τ 表示为： ξ t│τ Pr（ s t = 1 │Y τ = … Pr（ s t = M│Y τ （ 6）
收稿日期： 2012 － 10 － 15 作者简介： 袁吉伟， 男， 山东汶上人， 中国人民大学硕士研究生， 经济师， 主要研究方向为宏观经济 。
第6 期
袁吉伟： 我国经济周期波动非对称性分析
19
的不足之处在于其只能够刻画变量之间的线性 关系， 不能够考察结构变化背景下变量之间的关 系。 马尔 科 夫 区 制 转 移 的 向 量 自 回 归 模 型 （ Markov regime － Switching Vector Autoregression， MS － VAR ） 能够很好地分析变量之间的结构变 化， 主要是通过引入状态变量 s t 来控制各种状态 间的转移机制。MS － VAR 模型的一般形式为： y t = v （ s t ） + A1 （ s t ） y t － 1 + … + A p （ s t ） y t = p + u t （ 2） 其中， ν 为常数项； s t 为不可观察状态变量， 满足一阶马尔科夫过程， 也就是当前状态 s t 仅依 赖于前一期状态 s t － 1 ， 这种马尔科夫过程可表示 为： P｛ s t = j │ s t － 1 = i， st － 2 = k， … ｝ = P ｛ st = j │ s t － 1 = i｝ = p ij 那么转移概率矩阵 P 可表示为： p11 P 12 p= M p N1
- 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)。
－150－总第347期第32卷2013年第1期中国金融风险预警研究——基于MSVAR模型的实证分析周华周晖刘灿辉摘要：本文结合前人研究的成果，提出将各类指标综合成分别反映货币危机、银行危机、资产泡沫危机的货币危机指数、银行危机指数、资产泡沫危机指数，并分别以这些指数为变量，在假定风险等级分为“低风险”“中风险”和“高风险”的基础上，利用MS(3)-VAR（1）模型，对我国1998年1月至2011年6月的数据进行检验，得出MS(3)-VAR（1）模型准确有效的预警了每次危机的结论，并依据结论提出了相关政策建议。
关键词：预警，货币危机指数，资产泡沫危机指数，MS-VAR模型。JEL分类号：E63，G10，F40
一、引言及文献综述
2008年，一场突如其来的金融危机如飓风般席卷全球，给世界大经济体带来沉重的打击，至今世界各国仍然艰难的行进在复苏的曲折道路上。经济危机给人民带来了痛苦的失业潮，美国自2008年次贷危机以来失业率一直维持在10%以上，中国在2008年出现农民工返乡潮；经济危机给政府带来不稳定的压力，随着失业的加重，英国青年走上街头抗议，美国出现了占领华尔街的活动。金融危机所造成的破坏性影响是难以估量的，世界银行的一项统计显示，从1985年-2001年，墨西哥、阿根廷、韩国、日本等共计65个国家经历了银行危机，在此期间各国政府为援助银行所支付的直接成本就高达2500亿美元。这其中有12次金融危机所导致的救助成本超过危机发生国国内生产总值（GDP）的10%。在1997年的亚洲金融危机中，各公共部门为救助破产银行所花费的成本更为巨大。印度尼西亚花费的金额占其GDP的58%，泰国为30%，韩国为16%，马来西亚为10%。而本次次贷危机中美国为救市已经注资1500亿美元，欧洲接近5000亿美元，中国为救市注资接近6000亿美元，甚至还出现了因为救市资金过于庞大，无力救市而宣布破产的冰岛政府。金融危机的频发和巨大的破坏力引起了各国学者的关注。真正的神医非救人于垂死，而是除病于未有形。很多学者认为我们应将因对金融危机的重点放在金融危机的预见上，而非危机发生后的因对措施。事前对危机的防范往往比危机发生后的挽救措施更加重要。国外学者对此作了大量的研究。Frankel和Rose（1997）通过研究41个国家的经贸数据，发现各个国家经济周期存在相吻合的现象，从而提出依照外贸数据预测经济危机的FR模型。JeffreyD.Sachs，Aaron
作者介绍周华：中南财经政法大学经济学院,博士研究生；周晖：浙江财经学院，研究员，博士生导师；刘灿辉：深圳证券交易所博士后流动站，在站博士后。中国金融风险预警研究Tornnell和AndresVelasco(1996)通过研究墨西哥危机以及东南亚危机提出可以通过M2/GDP、M2/外汇储备、银行负债这三个指标来反映一个国家的脆弱程度，或者说是可能爆发危机的程度。GracielaKaminsky,SaulLizondo和CarmenReinhart（1998）将指标增多，给每个指标设置一个阀值，当指标超过阀值范围的时候，发出一个预警信号，用发出的信号来预测金融危机，又称“信号法”或者KLR模型。以上的学者使用的都是线性模型，随着计量技术的进步，很多非线性的模型被引入用来模拟金融风险。AshokKNagandAmitMitra（2002）将网络神经模型和自然的网络模型结合起来模拟日常的外汇交易价格，以预测金融危机，结果显示该模型的预测结果远远好于一般的线性模型。ManmohanS.Kumar,UmaMoorthy,和W.R.M.Perraudin（2007）在滞后的宏观经济金融数据基础上使用简单的logit模型在发掘哪些新兴市场的危机是可以预测的。AbdulAbiad（2011）通过危机恢复中的数据来检验各种危机预测模型，并建立了准确度更高的基于区制转换模型的危机预测系统。1997年亚洲金融危机在国门口爆发，危机给亚洲各国带来深重灾难的同时也深深的影响着经济学界。为了防范于未然，避免此类危机发生在我国，国内学者开始着手探讨建立与我国实际情况相符合的预警指标体系和预警模型方法。信玉红和高东伟（2004）利用国内经济数据，采用KLR模型得出中国的经济危机可能主要集中于国内经济，发生外部冲击型金融危机的可能性不大。石柱鲜和牟晓云（2005）利用三元logit模型对我国外汇风险预警进行了实证分析，估计了我国外汇风险预警指数及其临界值，并根据样本预测结果计算了我国外汇风险预警模型的拟合度。结果显示我国1991年左右发生外汇危机的概率高，而1994年汇改后发生汇率危机的可能性比较小。胡辉（2008）在1998-2007年数据的基础上，选择我国宏观金融风险指标建立了指标体系评分法预警模型。王守东（2010）运用中国经济数据通过logit模型建立了我国金融风险预警体系。本文参考文献中的一些研究，在构建危机指数，建立预警模型和更新统计数据三个方面进行了改进：1.采用多个指标合成的方法构建压力指数。2.采用非线性的MS-VAR模型建立金融危机预警系统，争取更加准确的预测金融风险。3.所有的经济数据都使用截止到2011年6月的最新数据。
二、模型方法与参数估计
在时间序列模型中，很多时候资产的价格会因为某一个可以识别的重大事件发生很大的改变，例如在一周为单位的时间序列中，美联储的利率和国债利率是相关联的，但是放在更长的时间段来看，美联储的利率还会受到各种货币财政政策的影响，例如1979年美联储的一次公开市场操作就造成了利率的不连续变化。那么这个时间序列将会被分为两段来进行研究。很多经济上的重大事件都会影响金融的时间序列，例如第二次世界大战和欧佩克突然的减少石油供给，这些都应该被认为是金融时间序列中可以识别的一段时期。下面我们反过来想，假设我们不知道金融时间序列被划分为了哪几个时期，但是我们知道所有的金融时间序列数据，当我们看到不连续的时间序列数据时，我们可不可以推测出时间序列数据已经进入到另一个时期的可能性呢？答案是肯定的。如文献综述中提到的，Krolzing.H-M(1997)提出马尔科夫区制转换的向量自回归模型（Markov-SwitchingVectorAutoregress;MS-VAR）成功解决了这一难题。MS-VAR可视为基本有限阶VAR(q)模型的推广。考虑如下一个X维时间序列构成向量
yt=(y1t,⋯,yxt
)'
的q阶自回归过程：
yt=ν+A1yt-1+⋯+Aqyt-q+ut（1）其中，t=1,2,⋯,T，ut~N(0,1),y0,⋯,yt-q
均为既定值。如
果误差项服从正态分布，ut
~N(0,1)，则方程式（1）为稳态高斯VAR（q）模型的截距形式，它可以表示成如
－151－StudyonChina’sFinancialRiskWarning－152－下的均值调整形式：yt-u=A1(yt-1-u)+⋯+Aq(yt-q-u)+ut
（2）
其中，u=(IX-∑j=1qAj)-1。在实际研究中，如果时间序列受到区制变化的支配，且假设有N个区制。并且假设不可观测的区制已实现值St∈{1,⋯,N}是一个离散时间和离散状态的马尔科夫链，其转移概率为：pij=p(St+1=j|St=i)，∑
j=1M
pij
=1
，∀i,j∈{1,⋯M}。
则方程（2）可以写成阶数为q，区制数为N的马尔科夫区制转移式：yt-ust=A1(S1)(yt-1-ust-1)+⋯+Aq(Sq)(yt-q-ust-q)+ut
（3）
其中ut~N(0,1)，ust，A1(S1),⋯,Aq(Sq)用来描述参数u，A1
,⋯A
q对于已实现区制st依赖的变参数函数。
在模型（4）的模拟过程中，如果一个区制发生一个一次性的跳跃，那么模型会随之改变，利用Hamilton给出的马尔科夫区制转移类模型的极大似然估计（ML）算法——期望最大化算法（EM）估计模型（4）中一个区制转换到另一个区制的概率（转移矩阵）。通过估计区制变量st的取值概率来划分区制变量的主要状
态。当然这会带来巨大的计算量，尤其是当区制数N和变量个数q增大时，计算量将呈指数级增加。因此，虽然Krolzing.H-M在1997年就已经提出此模型，但是其真正广泛的应用却还是得益于国外一些学者将该模型程序化并将程序源码公布于网上。本文将使用国外学者提供的程序包，利用中国的经济数据，对中国经济从一种状态（区制）向另一种状态转换的概率进行检验和预测，以此来对经济健康情况发出预警。首先，我们将金融风险的恶化程度设置为三种状态：“低风险”“中风险”和“高风险”，然后我们定义：我们以区制的平滑概率估计值是否大于0.5为评价标准，若大于0.5，则表明其处于某相应的风险状态。我们以高风险区制为例，每当高风险区制的平滑概率估计值大于0.5时，为高风险状态，预警系统发出高度警报信号，从而预警金融危机。
三、金融风险预警指标描述与选取
（一）风险预警指标体系通过对历年经济金融危机的总结，我们可以将危机分为三个种类，一是由一国货币迅速贬值造成的危机，例如墨西哥危机，东南亚金融危机等。另一种是由于银行迅速扩张信贷又无力收回，引发挤兑潮，造成由银行危机引起的经济危机。例如1933年美国内华达州和爱荷华州银行被挤兑停业后，挤兑潮蔓延到全美国，导致全国大部分银行“放假”。引发经济危机。还有一种就是由一个国家的资产泡沫迅速累积，然后破灭引发的危机，例如1989年日本的金融危机。三种危机的经济学原理及指标见表1：基于表1分析，本文现构建货币危机指数、银行危机指数和资产泡沫指数来预警金融风险。由于使用频率较高的月度数据可以更加准确的预警，考虑到数据的可得性，本文选取1998年1月到2011年6月的月度数据进行研究。数据来自WIND数据库，其中GDP没有月度数据，本文中的月度GDP是利用WIND软件转换得到。（二）压力指数的构建1.货币危机指数由于经济活动是一个整体，单纯一个指标的变动有时并不能够说明什么，因此本文将多个指标合成，构建货币危机指数。根据汇率平价理论，影响汇率的因素有即时汇率和国内利率。考虑到特殊情况下一国的外汇储备对于稳定汇率起到极其重要的作用，因此我们将外汇储备考虑在内。我们用ER表示外汇汇