基于深度学习的期货市场系统性风险监测模型研究及实现

Under the background of big data, financial data is an important resource for global financial regulation. The project studies the spillover and measure of systemic risk in financial markets based on the mass of financial data. The existing systemic risk research focuses on using parametric and semi-parametric methods to construct the risk measuring model, and the model structures are linear mostly, which constraints the application in financial markets. The neural network is effective in solving the complex nonlinear problem by means of mathematical modeling. In this project, financial data is processed based on data mining, including the theories of factor analysis, wavelet analysis and so on, and the method of independent component analysis is used to extract common risk factors, and the common risk factors are sorted based on Copula correlation coefficient. At the same time, using the common risk factor as the condition variable, the systemic risk measuring model of the futures market is constructed by the quantile regression method based on the deep neural network and the POT method. CoVaR in futures market is measured based on the above model. In addition, the dynamic forecasting model is constructed to monitor the size and source of systemic risk in futures market. In this project, a new perspective is given to measure systemic risk. The above work provides a referable model and method for risk management in the financial market, and has high theoretical and applied value.

大数据背景下，金融数据是进行全球金融监管的重要资源。本项目基于金融大数据，对期货市场系统性风险的溢出及其测度展开了深入地研究。现有系统性风险研究主要集中于使用参数法、半参数法来构建风险测度模型，且模型结构以线性模型为主，严重制约了模型在金融市场中的应用。神经网络通过数学建模的方式为解决复杂的非线性问题提供了有效的途径。本项目首先利用小波分析等数据挖掘手段，运用独立成分分析法提取公共风险因子，并根据Copula相关系数确立各个公共风险因子的影响力排序；同时，以公共风险因子作为条件变量，基于深度神经网络的分位数回归法和POT方法构建系统性风险测度模型，对期货市场的系统性风险CoVaR进行度量；此外，运用深度神经网络的学习方法获得CoVaR的动态预测模型，实现对期货市场系统性风险的实时监测。其研究成果拓展了系统性风险的研究视角，为金融市场风险管理提供可参考的模型和方法，有较强的理论及应用价值。

现代金融体系的稳定是整个经济系统健康运行不可或缺的核心环节。近年来，我国期货市场交易持续活跃、规模稳步扩大，市场功能及其辐射影响力显著增强。然而，期货市场暴涨暴跌现象时有发生。不仅如此，随着我国金融改革的不断深化，国内期货市场与国外市场之间的联系更加紧密，如何防范系统性风险的发生成为期货市场风险监管的重中之重。另一方面，人工智能技术的兴起、完善和大规模金融数据的产生，为构建更有效的系统性风险监测模型提供了新的研究方向。因此，本研究基于当前系统性风险度量的主流模型展开关于中国期货市场系统性风险度量及预测等一系列研究工作，并取得了较为丰富的研究成果。其研究成果主要集中在三个方面： . 第一部分基于Copula-CoVaR模型对国内外有色金属期货市场风险溢出效应进行度量，根据风险溢出值、风险溢出率的比较，进一步分析了国内外有色金属期货品种间的风险溢出方向及程度。第二部分以上期有色金属指数为例，采用CAViaR模型测度了我国有色金属期货市场风险，并对模型加以改进，使用CAViaR-V模型研究了美元指数、Shibor利率、国内股票市场、伦敦金属期货市场对我国有色金属期货市场风险的影响。第三部分通过使用支持向量机、MLP神经网络、LSTM神经网络和GRU神经网络模型，基于基本面信息与市场情绪指标对有色金属期货市场上交易的铝、铜、镍、铅、锡和锌这6种有色金属期货进行长、短期的预测分析，通过不同模型间的数据比较，得到最优的风险监测模型。. 上述研究为金融市场的风险防范提供新的方法，为国内外期货市场的风险管理提供可度量及动态监测的工具，具有重要的理论和实践意义。研究结果已在国内外学术期刊及会议上发表论文10篇，出版学术专著1部，授权软件著作权2项，已培养5名硕士研究生，完成了初期制定的各项任务。