- 选题背景和意义：
国际实践表明, 系统性金融风险不仅危及金融稳定, 更会给宏观经济和社会财富造成巨大损失。二战后严重金融危机的后果: 资产市场发生深度、 持续地下跌, 平均而言, 房价下跌 35% , 持续时间超过 6 年, 股价指数下跌 56% , 持续时间超过 3. 5 年; 失业率在危机周期的下行阶段平均上升 7% , 持续时间超过 4 年; 危机后政府债务出现爆发式增长, 相比危机之前增长 86% 。美国次贷危机引发的 2008 年全球金融危机, 对世界经济和金融体系造成重大冲击并影响至今, 在国际金融危机带来的外部风险输入和我国转轨阶段自身周期性和结构性问题叠加的背景下, 我国实体经济与金融体系面临的风险上升并逐步显现。2015 年以来, 银行体系的不良资产持续上升, 股票市场经历了一轮急剧上涨、 下跌和缓慢修复过程, 凸显了我国金融体系和金融市场的脆弱性。如何构建系统性金融风险的监测和度量方法, 从而有效地识别、 防范和化解风险成为一个重要而紧迫的课题。目前，很多研究依旧以比较基础的模型，进行系统性金融风险的识别与建模，而随着金融科技的发展，人工智能技术为金融领域的研究提供了新的方向。
二、课题关键问题及难点：
- 影响系统性金融风险的数据、指标选取与处理
- 选择合适的人工智能方法模型进行系统性金融风险的识别训练，分析结果
三、文献综述（或调研报告）：
综观国内外文献，系统性金融风险的识别方法大致能够分为三类：早期识别模型、指标识别、以及人工智能识别模型，具体研究如下：
1. 早期识别模型。 Frankel 和 Rose(1996)提出了 FR 概率模型, 是预测未来发生危机概率的一种早期预警模型。基于该模型,Frankel 和Rose 利用 1971 年~1992 年 105 个发展中国家的面板数据进行货币危机预警,结果此模型虽然样本内能够显著的预测,但对样本外金融危机的预测却不稳定。 Sachs 等(1996) 提出了横截面回归模型,即 STV 模型,利用 20 个新兴市场国家的横截面数据,进行线性回归。Kaminsky 等(1998)提出 KLR 信号预警模型,该模型对一些表现异常并可能引发危机的指标进行监测,并根据指标数据的分布设置阈值,如果指标超过阈值,则预警信号表示在接下来的 24 个月内将发生货币危机。KLR 信号预警模型也是目前最为流行的预警模型之一。
2. 指标识别。沈悦和亓莉(2008)构建了银行系统性风险预警指标体系,利用层次分析法(AHP)对指标进行赋权, 再根据指标体系的临界值确定了指标预警界限,基于此运用该指标体系进行实时监测分析。 Alessi 和 Detken (2009) 选取了一系列金融变量作为总资产价格繁荣或萧条周期的预警指标,采用了一种信号预警方法分析了 1970 年~2007 年期间 18 个经合组织国家的数据,对资产价格进行预测。 Claudio(2009)基于金融不稳定的内生循环观点, 使用房地产价格、股票价格和信贷缺口三个指标构建了宏观经济预警机制,用于预测由于金融不稳定引发了银行业危机。 周宏等(2012)选取美国的 M2/GDP 序列,通过自激励门限自回归 (Self-Exciting Threshold AutoRegressive, SETAR)模型设定预警阈值变量,构建的中国国际金融风险预警指标体系。 杨霞和吴林(2015)选取度量银行系统性风险的指标进行主成分分析,得出系统性风险水平与各指标间的线性关系,以此作为被解释变量,利用回归模型的拟合值设定阈值,构建系统性风险预警模型。
3. 人工智能模型。 Kim 等(2004)基于 1997 年经济危机期间韩国 KOSPI 数据,分别使用 logistic、决策树、支持向量机、模糊神经模型和人工神经网络算法进行分类训练,预测了 1994 年~2001 年韩国的经济运行状态,最终得出人工神经网络能够对经济危机进行较好地预警。 Fiora- manti(2008)利用 1980 年~2004 年主权债务相关数据,对比了人工神经网络模型与传统的参数和非参数模型,结果显示人工神经网络能够及时预测危机事件,因此人工神经网络模型进一步完善了早期预警系统。 Yu 等(2010)提出了基于经验模态分解法(EMD)的多量程神经网络模型,分别以韩元和泰铢对美元的汇率作为代表经济波动水平的指标,通过 EMD 将单个汇率分解成多个本征模式分量,作为 BP 神经网络的输入,实证结果显示相比于传统神经网络模型,该模型可以显著的改善泛化性能,并且具有较高的预测精度。因此该模型是预测货币危机的一个相当有有效的方法。 陈秋玲等(2009)利用 BP 人工神经网络构建金融风险预警模型, 对 1993 年~2007 年中国金融风险指标数据进行训练,并预测出 2008 年中国金融的运行现状。 甘敬义等(2011)选取衡量中国金融风险的 18 个指标数据, 利用主成分分析法将中国金融风险状态划分为四个等级, 通过 BP 神经网络进行训练学习,对中国金融运行的风险状态进行预测。 楼文高和乔龙(2011)基于金融风险预警指标提出了 BPNN 风险预警模型, 对 1994 年~2010 年期间中国金融风险状况进行预测,实证结果与中国金融实际运行情况高度吻合。 Khandani 等(2010)通过某商业银行在2005 年 1 月-2009 年 4 月的客户交易和信用数据,使用机器学习技术构建了消费者信用风险预警模型,并将账户数量加总进行了总体预测,将客户总体的拖欠比率用作消费贷款的系统性风险指标。Li 等(2013)以中国银行业数据为例,基于主成分分析法和支持向量机提出了银行系统性风险预警模型,实验结果表明该模型能够有效地预测识别银行系统性风险。
四、方案（设计方案、或研究方案、研制方案）论证：
1、介绍问题提出的背景、识别系统性金融风险的重要意义
2、研究系统性金融风险的本质、特征及其影响
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
