马上就是一轮毕业生,但是好多大学生的毕业论文不知道该怎么写,在这里我为大家推荐金融毕业论文一篇,欢迎大家阅读和参考!
摘要 :货币危机预警的主要目的是提早识别危机发生的信号,以便该国能够及时采取适当的措施,减少危机发生的概率,乃至避免危机的发生,或者减少危机发生的强度和烈度。20世纪90年代以来的货币危机预警研究。形成了信号分析模型、离散选择模型和马尔可夫状态转移模型等预警模型,但总体而言,现有预警方法的预警能力还不够理想。
关键词 :货币危机;预警理论;模型
货币危机泛指汇率的变动幅度超出了一国可承受的范围这一现象,或者是“对货币的投机性进攻导致货币大幅度贬值或国际储备大幅度下降的状态”。货币危机预警是与投机性货币冲击理论的发展密切相关的。货币危机预警的主要目的是提早识别危机发生的信号,以便该国能够及时采取适当的措施,减少危机发生的概率,乃至避免危机的发生,或者减少危机发生的强度和烈度。关于货币危机预警理论的研究始于对20世纪六七十年代拉美货币危机的研究,随着金融自由化、国际化进程的不断加速,货币危机的发生频率及造成的危害随之增加,1992~1993年欧洲货币体系危机、1997~1998年亚洲货币危机与金融危机爆发进一步刺激了经济学界对货币危机预警理论的研究。本文将对货币危机的主要预警模型进行梳理和归纳。
一、信号分析模型
信号分析模型(KLR)是Kaminsky、Lizondo和Reinhart于1998年首先提出的。它以经济周期转折的信号理论为基础,其核心思想是通过研究货币危机发生的原因,确定哪些经济变量可以用于货币危机的预测,然后运用历史上的数据进行统计分析,来确定与货币危机有显着联系的变量,以此作为货币危机发生的先行指标。信号分析模型分四步进行:(1)确定货币危机的原因和危机预警时段;(2)运用历史上的数据进行统计分析,确定与货币危机有显着关系的变量,进而确定先行变量;(3)按照噪声一信号比的最小化规则,确定阈值;(4)一旦经济中相应指标变动超过阈值,则将之视为货币危机即将在24个月内发生的信号。由于KLR模型中各个变量的分析是单独进行的,所以它在本质上是一个单变量模型。
为了克服KLR模型的单变量属性,Kaminsky(1999)进一步对发生货币危机信号的指标进行综合考虑,它提出了4个预测危机的复合指标,1个复合指标是对各预警指标发出信号数的简单加总,另外3个复合指标则分别考虑了指标分布不均衡、指标时间延续性以及指标不同权重。通过对预测指标的扩展,KLR模型已经能够较好地处理预警结果输出的单一化问题,并利用多个复合指标可以更好地发送预警信息,极大地改善了预警效果。
Kaminsky(2003)又进一步提出了多状态KLP模型。他将货币危机分为6种,即经常账户恶化型危机、财政赤字型危机、金融过剩型危机、国家外债型危机、国际资本流动突然逆转型危机和自我实现型危机。研究发现,新兴市场国家的货币危机通常属于前4种,其发生与受害国经济的脆弱性有关;发达国家的货币危机通常属于后两种,经济基本面通常良好,多由不利的国际市场形势所致。这样一来,KLR模型可以在对货币危机预警的同时,进一步将货币危机的损失与其类型联系在一起,厘清对货币危机深度的`认识。
信号分析模型经过不断修正完善,已经成为使用最广泛的货币危机预警模型,它可以根据多个变量发出的信号估计危机发生的概率,同时有效提供关于危机根源和广度的信息,但该模型也存在一些明显不足:(1)主要以宏观经济环境为背景,没有考虑到政治性事件及一些外生事件对货币危机爆发时间选择的影响;(2)KLR模型的隐含假设是在解释自变量和因变量之间存在一个特定的函数关系,即阶跃函数关系,这一界定使得模型无法对一个变量是刚刚超过阈值,还是大幅超过阈值进行区分,因而使得变量提供的信息未能充分利用;(3)模型指标大多集中在外汇储备、信贷增长与实际汇率等方面,仍避免不了倾向性;(4)虽然通过加权平均解决了预警指标的单一化问题,但由于各变量之间的相互关系仍未纳入考虑,因此,这种汇总是表面的。
二、离散选择模型
针对信号分析模型的上述缺陷,有学者提出了离散选择模型,它最重要的突破在于通过纳入新的解释变量来扩展模型,进而同时考虑所有相关变量。其代表性的研究成果包括以下几种:
Frankel和Rose(1997)构建的货币危机发生可能性的面板Probit模型。其研究思路是通过对一系列前述指标的样本数据进行极大对数似然估计,以确定各个引发因素的参数值,从而根据估计出来的参数,建立用于外推估计某个国家在未来某一年发生货币危机可能性的大小。该模型研究发现,金融事件是离散且有限的,货币危机的发生则是由多种因素引发的,譬如在FDI流入枯竭、外汇储备较少、国内信贷增长迅速、实际汇率高估的时期等,货币危机发生的概率较大。此后,Andrew Berv和Catherine Pattilo(1998)对1997年泰国货币危机及墨西哥、阿根廷发生货币危机的概率进行预测,但准确度并不高。
BussiOre和Fratzscher(2002)认为二元Probit模型混同了危机前的诱发期和危机后的恢复期,而实际上在这两个时期危机预警指标的表现具有很大差异,他们将外汇变动分为三种状态或时期,即货币危机平静期、诱发期和恢复期,并在此基础上提出使用三元应变量Logit模型进行危机预测。该模型对32个国家1993年12月至2001年9月的月度数据验证,预测效果还比较理想,在样本内可正确预测73%的诱发期和85%的平静期,在样本外预测亚洲金融危机时,可以正确预测57%的诱发期和83%的平静期。此后,Kumar等(2003)提出了基于滞后宏观经济和金融数据的Logit模型,该模型使用32个发展中国家1985,1999年数据,主要分析了利率调整引起并未预期到的货币贬值,以及总货币贬值水平超过以往水平的情形。该模型的实证结果表明,外汇储备和出口的下降以及真实经济的虚弱是导致危机发生的最重要解释变量。
应该说,离散选择模型出现了从二元离散选择模型拓展到多元离散选择模型的方向,且模型的预测值较好解释了危机发生的概率,但也存在一些不足之处,主要表现为:(1)模型中存在将连续变量转换为二元或多元离散变量后信息的损失,而且没有确立一个根据预警危机和避免噪声的能力对变量进行排序的标准;(2)不同指标对于不同国家的重要性不尽相同,所以假设参数恒常的面板模型在货币危机的预警方面通常表现很差(Abiad,2003);(3)由于自变量存在多重共线的可能,这直接限制了更多变量的采用,最终影响对危机预测的准确性。 。
三、马尔可夫状态转移模型
马尔可夫状态转移模型(Markov—switchingModel)是体制转换模型中最常见的形式。它将结构性的变化视作一种机制向另一种机制的转换,譬如金融运行特征发生的显着变化,包括大幅起落或中断,汇率急剧下降、经济增长趋势逆转等,进而将结构变化内生化进行估计。
Martinez-Peria(2002)提出了一个带有动态转换概率的状态转换模型,该模型采用两种形式:一是汇率转换模型,假设汇率是一个AR(4)过程;二是向量自回归模型,假设内生变量有3个,即汇率、利率和外汇储备,均服从一阶Var过程。在此基础上,他直接对投机供给建模,同时加入预期因素,对1979-1993年欧洲货币体系的货币投机性冲击进行研究,研究表明,没有考虑变量状态转换性质的模型可能存在设定偏误问题,经济基本面和预期因素共同决定了危机发生的概率。
Abiad(2003)也将体制转换模型用于预测货币危机,他首先拓展了预警指标,即宏观经济指标、资本流动指标和金融脆弱性指标三类,而后采用单参数检验显着的预警指标分别对1972~1999年印度尼西亚、韩国、马来西亚、菲律宾和泰国等5国是否发生货币危机进行了预警。研究表明,体制转换模型预测货币危机的准确性比已有的预警方法更高,同时发出的错误信号更少。在Abiad研究的基础上,张伟(2004)进一步验证了Abiad的结论,他通过扩大研究范围、改变样本区间、选择不同的预警自变量,更为全面客观地评价体制转换模型在建立货币危机预警系统方面的效果,总体而言,该模型的预警能力较强,时效性也较强。
应该说Maikov-switching模型通过估计过程中将结构变化内生化,充分利用因变量本身的动态信息,有效避免与阈值设置相关的各类问题,以及由此带来的把连续变量转换为离散变量所造成的信息损失。但该模型的一个重要问题是,制度因素在发展中国家货币危机预警的形成中扮演了重要角色,要引入制度变量,及将时间序列模型扩展为组合模型,这都需要根据具体的国家和数据频率进行相应的调整,增加了研究的复杂性。
四、人工神经网络模型
人工神经网络模型(Artificial Neural Network-ANN),是一种基于连接学说构造的通信生物模型,它在一定程度上保存了人脑的思维特征,通过合理的样本训练、学习专家的经验、模拟专家的行为,并通过引入非线性转换函数来求解各种复杂的非线性问题,从而使它具有很强的模式识别能力和高速信息处理的能力。近年来,ANN在货币危机预警的应用程度不断提高,极大促进了预警建模和估计动态系统的发展。
Fratzscher(2002)提出一个多层感知器ANN模型,以克服困扰货币危机预警模型的数据开采和样本外预警效果差的问题。他对1990~2000年欧洲5个主要发达国家进行了预测,模型的网络输入采用时间序列数据和技术指标,而且在预测前,他应用R/S分析方法对上述几个货币市场的有效性进行了分析。研究表明多层感知器ANN模型的预测结果优于其他模型,多层感知器ANN模型70%的方向预测准确率大大超过了KLR模型50%的准确率。
Click等人(2005)提出了一个应用广义回归神经网络(GRNN)进行货币危机预警的模型。他们利用1998~1999年的日度数据以测度市场情绪,变量包括汇率(以美元度量)、股票价格指数、银行间利率、储蓄利率,其结果在预测精度上和统计性质上优于其他模型,尤其是作为比较基准的随机游动模型。
Lin等(2006)进一步引入了模糊逻辑的推理功能,提出了数据导向的神经模糊模型(NFM)来对货币危机进行预警。NFM的理论基础是,一个经济体在货币危机爆发前后的表现有明显差异,且这种反常行为具有再发性。该文在Kaminsky and Reinhart(1999)的基础上,使用了1970~1998年20个国家的数据,研究表明,与Probit模型相比,NFM不但具有更好的样本外预警能力,该模型还提供了变量之间相互关系的信息。
但是,用神经网络组合模型进行货币危机预警也存在一些难以解决的问题。首先是神经网络自身的优化问题。如隐藏层数及隐藏层结点数的确定、激活函数的确定、局部最优等。神经网络的结构直接影响着预测效果。此外,神经网络可以根据残差最小的原则不断地调整参数来改变预测效果,但是它不能改变输入数据,而货币等金融数据往往是波动的。存在噪音的。因此,如何对数据进行除噪,优化神经网络的输入数据是另一个值得研究的问题。