投资者情绪与机器学习模型在中国系统性风险评估中的应用毕业论文【附数据】

📊 金融数据分析与建模专家 金融科研助手 | 论文指导 | 模型构建

✨ 专业领域：

金融数据处理与分析
量化交易策略研究
金融风险建模
投资组合优化
金融预测模型开发
深度学习在金融中的应用

💡 擅长工具：

Python/R/MATLAB量化分析
机器学习模型构建
金融时间序列分析
蒙特卡洛模拟
风险度量模型
金融论文指导

📚 内容：

金融数据挖掘与处理
量化策略开发与回测
投资组合构建与优化
金融风险评估模型
期刊论文
 

✅ 具体问题可以私信或查看文章底部二维码

✅ 感恩科研路上每一位志同道合的伙伴！

(1) 中国系统性风险的测度与投资者情绪的影响

自2008年全球金融危机以来，各国对系统性风险的关注度显著增加。近年来，世界局势的不确定性进一步加剧，特别是在疫情冲击和全球主要经济体之间摩擦不断的背景下，资本市场面临着巨大的压力。中国的系统性风险问题同样日益突出，数据显示，过去五年间中国累计处理不良贷款超过12万亿元，P2P网贷机构的清退数量达到近5000家，这些都反映了系统性风险在中国金融体系中的重要性与紧迫性。为了更好地评估和预警中国的系统性风险，本文在全球视角下对这一问题进行了深入研究，特别是引入了投资者情绪与机器学习增强模型。

在系统性风险的测度指标中，SRISK模型是目前较为经典的模型之一。SRISK通过衡量单个公司在市场衰退期间可能产生的资本缺口，从而评估其对整体系统性风险的贡献。本文基于Brownlees和Engle提出的SRISK模型进行扩展，加入了投资者情绪这一外生宏观经济因素。投资者情绪在本文中被定义为对市场波动具有影响的社会心理因素，通过对微博平台上的股市关键词进行文本分析构建了情绪指数。在这一基础上，本文使用EGARCH模型对系统性事件中的波动率进行动态测度，并改进了传统的GARCH-DCC模型为投资者情绪增强的机器学习模型，以便更加精确地评估系统性风险的边际期望损失（MES）和SRISK值。

本文的研究表明，引入投资者情绪可以显著提升系统性风险测度的有效性。相比于传统的固定阈值定义方法，本文采用的时变VaR（基于投资者情绪构建的VaR）能够更好地反映市场的动态变化特性，从而使得SRISK指标对系统性风险的反映更加敏感和准确。在2011年至2021年间的实证研究中，本文发现使用投资者情绪增强的动态VaR方法可以更准确地预测系统性风险的爆发时点，从而为政策制定者提供更有力的风险预警支持。

(2) 机器学习增强模型在系统性风险评估中的应用

传统的系统性风险评估方法，例如GARCH-DCC模型，尽管能够在一定程度上捕捉到市场中的波动特性，但在处理复杂的外生经济因素和多维度金融数据时存在明显的局限性。因此，本文在SRISK模型的基础上，引入了机器学习技术，以提高系统性风险评估的准确性和泛化能力。本文采用了四种主要的机器学习模型：支持向量回归（SVR）、Adaboost、人工神经网络（ANN）以及长短期记忆网络（LSTM）。这些模型通过对不同公司特征、投资者情绪指数以及市场波动率的综合分析，评估每家公司对整体系统性风险的边际贡献。

实证结果显示，机器学习模型在捕捉系统性风险方面表现出了明显的优势。其中，LSTM模型的表现最为优越，能够更好地适应金融市场时间序列数据的动态特性，其次是人工神经网络（ANN），再次是Adaboost和SVR。通过对比可以发现，LSTM在长时记忆和非线性关系的捕捉方面展现了较强的能力，因此在系统性风险的测度中具有更高的精度。此外，本文还对机器学习模型进行了扩展，尝试加入公司的一些复杂特征，如财务杠杆、流动性指标等，但研究结果表明，过多的复杂特征并没有显著提升模型的表现，反而增加了模型的计算复杂性。

通过机器学习增强的VaR（SENT）指标，本文进一步使用改进后的模型来评估边际期望损失（MES）和SRISK值。研究发现，相较于传统的GARCH-DCC模型，机器学习模型在处理多维度数据时的优势使得其在系统性风险测度中的表现更加稳定和可靠。基于实证分析的结果，本文认为机器学习增强模型的引入为系统性风险的预警提供了更为有效的工具，对于未来系统性风险的防范和应对具有重要的实践意义。

(3) 国际市场对中国系统性风险的贡献与全球传染效应分析

本文的研究视角不仅限于中国国内市场，还拓展到了国际市场，旨在评估全球主要经济体对中国系统性风险的贡献。为此，本文收集了全球73个主要国家的股指数据，使用机器学习模型的层级结构，将主要国家的股指信息嵌入到系统性风险的测度中，从而探讨不同国家和地区对中国市场系统性风险的影响和传递关系。在系统性风险的跨国传递研究中，本文引入了全球主要国家股指的动态相关系数，基于此绘制了全球主要国家的网络关系图，以探索系统性风险的源头和风险的传染机制。

研究发现，美国和中国香港是对中国内地市场系统性风险影响最大的两个地区，其次是英国和日本。通过机器学习模型的多层次嵌入结构，本文将美国-中国香港-中国内地-中国内地公司以及中国香港-中国内地-中国内地公司的四层、三层网络结构纳入模型分析中，发现三层网络结构在描述系统性风险的能力上优于四层网络结构。这意味着较为简洁的网络结构可能更有效地捕捉不同市场之间的风险传导路径。在网络关系图中，本文构建了基于动态相关系数的全球系统性风险传递网络，结果显示，美国、中国和英国是全球金融市场中系统性风险的主要传染节点，这些国家的市场波动对全球其他地区具有重要的溢出效应。

此外，本文还通过节点强度分析确定了系统性风险的关键传染路径，结果表明，美国的市场波动对全球系统性风险的影响最大，其次是中国和英国。整体上，本文的研究结果符合“小世界定理”，即在全球资本市场中，少数几个关键市场对系统性风险的扩散和传染起到了重要的作用。这一发现对全球监管机构和政策制定者在应对系统性风险时提供了新的视角，强调了对全球主要市场间相互关系的持续监控和分析的重要性。

% 系统性风险传染网络分析
clc;
clear;

% 加载股指数据
load('global_stock_index.mat');

% 动态相关系数计算
corr_coeff = dynamic_corr(global_stock_index);

% 网络图构建
G = graph(corr_coeff > 0.5, 'upper');

% 绘制网络关系图
figure;
plot(G, 'Layout', 'force');
title('全球系统性风险传染网络');
xlabel('国家/地区');
ylabel('相关性系数');

% 保存图像
saveas(gcf, 'systemic_risk_network.png');