防范与化解系统性金融风险是经济和金融体系的重要问题，尤其是在信息科技高速发展的今天，对系统性风险进行合理有效的测度成为防范与化解系统性风险的基本前提。由于数据覆盖范围小、更新频率低等缺陷，传统方法在监测范围、监测频率、监测及时性、可信度等方面还存在局限性。随着大数据、人工智能与各行业的深度融合，金融科技因其监测频率高、覆盖范围广、数据来源广泛、真实可信、模型预测性强等诸多特点，在系统性风险防范和化解领域的优势日益凸显。

　　传统方法精准把握风险难度增加 

　　系统性金融风险的测度，以金融机构之间的关联性为重点，刻画负向冲击时金融机构间因关联而产生的传染风险。因数据和方法的差异，系统性金融风险的传统测度模型大致分为两类：一是利用金融市场数据的模型，如尾部依赖模型、溢出指数模型；二是利用金融机构资产负债表的网络模型。

　　第一，金融市场数据的模型侧重于度量不同压力环境下金融市场的整体收益与机构收益之间的关联。其中，尾部依赖模型主要使用机构个体对系统的重要性、系统对个体机构的影响，以及金融系统处于压力状态下个体金融机构资本金短缺情况三类指标给出系统性风险的水平。而溢出指数模型考虑系统整体的依赖，主要通过构建向量自回归，利用预测误差方差分解结果，构建各金融市场、金融机构间的溢出指数，进而计算系统脆弱性和系统重要性等指标。

　　第二，网络模型主要使用金融机构资产负债表给出系统性风险的水平。网络模型分为直接、间接关联网络。其中，直接关联网络反映的是银行间债权债务关系，数据来源为银行总资产、总负债。间接关联模型反映了银行间共同持有的资产而导致的关联性，关注的是资产流动性风险。当前，防范与化解系统性风险是维护国家经济和金融稳定的基础，因此需要合理有效的手段对系统性金融风险予以精准监测，进而采取恰当措施防范。传统方法下依赖于金融市场数据和金融机构资产负债表数据度量的系统性金融风险面临多方挑战，其结果越来越难以匹配系统性金融风险防范与化解的复杂现实。

　　首先，数据来源有限。直接关联网络的数据来自银行的资产负债表，而间接网络的数据来自银行资产端的各项资产数据，这些数据都存在更新频率低等问题。上市银行每季度公布资产负债表，非上市银行资产负债表等数据公布频率更低，而且也更难获取。一些小型金融机构，尤其是风险较大的非法金融机构的资产负债信息，更是无从获取，进一步限制了方法应用范围。资产负债数据公布时间不及时，导致监管存在滞后性。

　　其次，数据种类单一。无论是尾部依赖模型还是网络模型，都使用资产负债或金融市场数据中的一种。然而，不同来源的数据具有不同的优势。金融市场数据频率高；资产负债数据能够刻画银行财务信息；文本评论与投资者情绪密切相关，可以通过投资者情绪预测未来风险变化。只有把不同来源的数据综合利用，才能得到全面有效的系统性金融风险指标。

　　再次，数据可信度存疑。金融机构披露的资产负债数据有可能与事实不符，尤其是中小金融机构，为获取不正当利益而伪造财务报表，最终影响系统性金融风险结果的真实性。

　　最后，无法捕捉投资者情绪的影响。基于金融市场数据的度量方法，如尾部依赖模型，具有数据可行性好、市场数据频率高的优势。然而，现阶段的金融市场并非完全的有效市场，噪音很多，投资者的行为心理因素会改变未来预期，影响股票价格。金融市场的投机者利用投资者追涨杀跌的心理，放大了短期股票趋势，使股票价格偏离基本面。利用金融市场衡量的风险指标，可能受到投机者的影响。当投资者情绪过度波动，出现非理性交易时，风险指标将失去有效性。

　　更重要的是，金融市场度量方法只能测度股价下跌时的风险，往往只能做到顺周期的同步监测。当市场行情好时，所有机构的股价几乎都在上涨，基于市场数据的度量方法认为所有金融机构风险都很低，但恰恰经济繁荣期是风险快速上升的时期。股价下跌时，基于市场数据的测度风险才会上升，但此时是风险集中爆发的阶段，监测的风险指标具有明显的滞后性。

　　金融科技为系统性风险测度指明新方向 

　　金融科技又称Fintech，泛指技术进步尤其是信息技术进步驱动的金融创新，在投融资、运营、风险管理、支付清算等领域发挥着重要作用。金融科技在系统性金融风险监管领域也日趋成为研究热点。金融科技手段中的大数据、文本挖掘、情感分析技术，量化了市场情绪，拓展了传统监管的信息维度，提高了监测频率，从而能够有效防范与化解系统性金融风险。

　　第一，利用情感分析技术，得到文本情绪，作为系统性风险实现前的风向标。风险传染通常与负面的市场情绪相关。恐慌的市场情绪会导致机构、投资者抛售金融资产，而金融资产的抛售又会导致恐慌情绪的蔓延，从而形成恶性循环。研究发现，金融危机之前，投资者情绪相对积极，投资者观点具有一致性；金融危机发生后，投资者情绪转为悲观。高兴奋度、低焦虑度的观点共识可能成为金融系统危机即将到来的重要预警信号。

　　第二，通过文本挖掘，拓展了数据来源，主要体现为扩展了文本数据的获取处理。一种尝试是构建了文本到网络的过程，用文本中银行的共现替代传统资产负债表数据。构造的风险指标具有更新频率高、覆盖范围广、数据来源广泛的优势。另一种尝试是每隔一段时间，计算每家银行的情绪指数，形成时间序列。将情绪指数序列代入溢出指数模型，得到银行间溢出矩阵，评估系统重要性和脆弱性。不仅如此，还可以充分利用大数据大量、多样和真实的特点，从多个来源和视角精准预测系统性金融风险，使得系统性金融风险的监测更加真实可信。

　　第三，基于机器学习技术，可以做到不同类型数据的融合。深度学习模型融合普通数值、类别值甚至文本内容。利用One-Hot编码，把类别值转为0—1变量；利用Word2Vec词向量技术，把文本数量化。深度学习强大的信息处理能力，有助于从繁杂的数据中抽取到有用特征。相关研究者也曾利用贝叶斯模型，融合Tweet数据和市场数据，在银行“情绪”每日变化基础上，构建网络模型来评估系统风险，用于评估金融机构之间的相互依赖性，描述了银行间违约风险的传播。

　　（本文系国家自然科学基金项目“金融周期视角下的中国银行业系统性风险防范与化解研究”（71973162）阶段性成果） 

　　（作者单位：中国人民大学国家发展与战略研究院；中信建投股份有限公司风险管理部）