提升算法下的貨幣危機預(yù)警模型.pdf

1、由于金融危機爆發(fā)的毀滅性及傳染性，一直以來，危機預(yù)警系統(tǒng)(EWS)受到?jīng)Q策者及研究學(xué)者的持續(xù)關(guān)注。盡管準確預(yù)測貨幣危機確有難度，但是毫無疑問，推進和發(fā)展預(yù)警系統(tǒng)使得國家免于陷入危機局面是金融風險控制的重中之重。
　　本文以傳統(tǒng)的EWS模型（包括logit模型，多項logit模型，決策樹模型等）作為基礎(chǔ)模型，應(yīng)用提升算法(AdaBoost，SAMME及SAMME.R)開發(fā)出新的危機預(yù)警模型以預(yù)測貨幣危機。從傳統(tǒng)模型的研究結(jié)果來看，其

2、危機預(yù)測的準確性和穩(wěn)定性都表現(xiàn)出一定的局限，因而我們考慮使用提升算法(Boosting algorithm)提高模型的預(yù)測能力。本文選用常見且有效的提升算法AdaBoost，并針對多分類情形進一步選取SAMME及SAMME.R算法對弱模型（即基礎(chǔ)模型）進行增強。AdaBoost的基礎(chǔ)模型疊加將使得訓(xùn)練誤差以指數(shù)速率下降，而且在實際問題中?？梢杂行У乇苊膺^度擬合，提升預(yù)測結(jié)果的穩(wěn)定性。
　　我們對2006年1月至2017年10月，包

3、括亞、非、拉美等15個新興市場國家的數(shù)據(jù)進行模型構(gòu)建、模型提升和數(shù)據(jù)檢驗。實證結(jié)果表明，提升算法的預(yù)測結(jié)果在危機發(fā)生的情況下給出正確預(yù)警方面表現(xiàn)顯著。其中，包括基礎(chǔ)模型、SAMME算法、SAMME.R算法及樣本權(quán)重調(diào)整后的多個模型在內(nèi)，SAMME算法對三分類決策樹（三層）模型的提升效果最好。因此，本文認為以AdaBoost為代表的提升算法在EWS問題上的預(yù)測結(jié)果在一定程度上優(yōu)于傳統(tǒng)模型。
　　最后，應(yīng)用表現(xiàn)最優(yōu)的提升模型對選取的國

4、家分別進行分析。實證結(jié)果表示，在整個樣本區(qū)間，危機被正確預(yù)警的總體準確率90％(45/50)。僅就研究期來看，模型除了對俄羅斯、中國及阿根廷3個國家外，其他國家的貨幣危機均能準確預(yù)測。對中國的預(yù)測結(jié)果表現(xiàn)上相對一般（實際危機7次，準確預(yù)測5次），可能由于盡管匯率管制持續(xù)放開，但國內(nèi)對匯率政策的謹慎度依舊不減，匯率管制逐步放開的進程相比其他國家仍具有一定的特殊性。總的來看，經(jīng)過SAMME算法提升后的三分類決策樹（三層樹）對于樣本國家的廣泛