资本流动风险主要预警模型述评

2017-05-19张帅

金融理论探索 2017年2期

张帅

摘要：通过对常用的资本流动风险评价模型，如KLR模型、FR概率模型、STV模型、神經网络模型、马尔科夫区制转换模型及其他模型进行分析发现，不同的预警模型均存在着预警效果的优势与不足。未来的预警模型构建需要注意以下几点：一是预警指标的选择范围要广，指标阈值的确定需根据不同国家的国情来设定；二是在考虑预警指标之间线性关系的同时，重视风险发生的非线性关系；三是关注危机爆发的连续性、传染性及时滞性。

关键词：资本流动风险预警；KLR模型；FR概率模型；STV模型；神经网络模型

中图分类号：F733 文献标识码：A 文章编号：2096-2517（2017）02-0071-08

Review of Warning Models of Capital Flow Risks

Zhang Shuai

（Xinjiang University of Finance and Economics， Urumqi 830012， China）

Abstract： By analyzing commonly used capital flow risk evaluation models such as KLR model， FR probability model， STV model， Neural Network model， Markov model， and other types of models， the paper discovered that there exists advantage and disadvantage in different types of waning models. The establishment of future of warning models should highlight the following three points. Firstly， the selection of warning indicators should cover a wide range and index threshold should be based on situation of different countries. Secondly， non-linear relation in the occurrence of risks should also be watched while considering the linear relations. Thirdly， the continuity， contagion and delay of the outbreak of crisis should be watched out.

Key words： early warning of capital flow risk； KLR model； FR probability model； STV model； Neural Network model

关于国际资本流动的研究由来已久，但在20世纪80年代以前，资本流动通常是伴随实体经济而运作的，因此很少产生危机。20世纪80年代后，以拉美债务危机为起点，国际资本流动开始频繁地对东道国产生冲击，并引发一系列的危机，资本流动风险理论开始引起学者的关注并得到蓬勃发展，在此背景下衍生了众多风险预警方法。国内外学者关于资本流动风险评价模型的研究主要体现在资本异常流动引发金融危机的预警模型构建方面，且已经逐渐形成一套基本的分析框架，其中主要的预警模型有KLR模型、FR概率模型、STV模型、神经网络模型及马尔科夫区制转换模型。本文将对这些主要方法的预警原理、预警效果及优缺点进行梳理，为后续学者选择合理的预警模型提供有价值的参考与借鉴。

一、KLR模型

KLR模型是由Kaminsky等（1998）选取15个月度指标而构建的信号预警模型，指出当预警指标超过事先确定的临界值时，就认为发出了危机信号，而危机信号越多，则说明国家爆发危机的机率就越大[1]。Kaminsky等在1999年对KLR模型进行了完善，拓展了预警指标的选择范围，同时考虑了银行危机和货币危机的影响因素。由于不同指标测算出来的危机概率存在差异，从而降低了预警结果的可信度，Kaminskiy等通过对预警指标进行合成处理，并对合成指标进行危机信号的判断，从而提高了预警效果的准确性[2]。合成指标主要包括四种：

第一种是信号的简单加总，即：I■■=■Zit。其中Zit是单一指标i在t时期发出的预警信号。

第二种是信号加总并赋予简单权重，即：I■■=■（Z■■+2Z■■）。其中Z■■、Z■■分别是弱势指标与强势指标在t时期发出的预警信号。

第三种是信号水平时期加总，即I■■=■Z■■。其中Z■■是单一指标i在t-m时期到t时期发出的预警信号情况。

第四种是信号加总并赋予不同权重，即：I■■=■■。其中Zit是单一指标i在t时期发出的预警信号，wi是指标的噪音信号比。

Kaminskiy研究发现合成指标的预警能力较单一指标有很大的提升，且四种合成指标在预警效果方面也存在显著差异。国内外学者采用KLR信号模型做了广泛的预警研究。

Cipollini等（2003）首先构建了金融危机评价指标体系，并采用主成分分析法对指标进行显著性检验，从而确定预警指标，最后采用KLR模型对亚洲金融危机蔓延的动态因素进行了研究[3]。史建平等（2009）采用新兴市场国家发生危机的历史数据进行了相关研究，分析表明KLR模型的危机预警效果明显优于其他模型，能够用于后续危机预警的研究当中[4]。谭福梅（2010）采用KLR模型对美国等15个国家的银行危机进行了样本外检验和样本内检验，结果显示该模型对银行危机具有较好的预警能力[5]。

在我国有学者对KLR预警指标体系进行了完善，使之能适应我国金融危机预警的要求。徐道宣（2007）在现有危机预警指标体系的基础上，结合我国的经济发展现状，对KLR模型的预警指标进行了完善，从而提高该模型在我国金融危机预警效果的准确度[6]。杨雪莱等（2012）通过构建兼具覆盖性、可获得性和可操作性的中国金融风险预警指标体系，并且确定了预警指标的阈值，采用信号分析方法对我国的金融风险进行预警研究，发现我国面临的最大风险来源于国内外经济失衡、外部冲击的影响[7]。张安军（2015）从先导性与免疫性两大维度构建了后金融危机时代国家金融安全预警指标体系，通过运用KLR信号分析法对我国不同时期的金融安全进行测度，分析认为我国金融风险处于逐渐下降的过程[8]。

KLR信号分析法的优点在于构建了金融危机预警的指标体系及相应阈值，明确了系统的监测范围及警戒区间，从根源上揭示了危机爆发的原因，对构建金融危机预警系统具有重要的应用价值。该模型的缺点主要是预警指标阈值的确定通常依据历史数据进行定量设定，缺乏有效的定性分析，而不同国家对于预警指标阈值的设定可能存在差异性，从而使得该模型在不同国家检验得出的预警效果差异较大。该模型把不同指标作为独立个体进行信号检验，缺乏从整体结构上的把握，忽略了预警指标相互之间的动态影响，从而降低了预警效果的准确性。

二、FR概率模型

FR概率模型是由Frankel等（1996）针对新兴市场国家设计的危机预警模型，该模型依据概率分布函数来判断危机是否发生[9]。假设Y代表危机变量，其取值为0代表并无危机爆发，取值为1代表危机爆发，Xi则反映对危机产生影响的其他变量。其原理如下：

Yi=？琢1X1i+？琢2X2i+…+？琢kXki+？滋i，其向量形式为：

Yi=X■■？琢+？滋i

则E（Yi）=1×P（Yi=1）+0×P（Yi=0）=P（Yi=1）=

X■■？琢，其中P表示危机发生的概率，？琢表示模型的估计参数。离散模型一般采用OLS进行估计，但考虑到异方差问题，通常选择加权OLS法进行测算，为了保证预测值在（0，1）内变化的限制，通常进行如下变化：

假设存在变量Y*满足Y*=X■■？琢+？滋■■，且

Yi=1，Y*>00，Y*≤0，则可得到：

P（Yi=1|Xi，？琢）=P（Y■■>0）=P（？滋■■>-X■■？琢）

=1-F（-X■■？琢）=F（Xi，？琢i）

P（Yi=0|Xi，？琢）=P（Y■■≤0）=P（？滋■■≤-X■■？琢）

=F（-X■■？琢）=1-F（Xi，？琢i）

于是，P（Y=1）=F（Xi，？琢i）P（Y=0）=1-F（Xi，？琢i），F表示联合概率分布函数。通过选择具体的概率分布函数便可测算出危机发生的概率，其中概率分布函数为连续函数且单调递增。

由于分布函数类型存在差异性，FR概率模型又可分为Logit模型（逻辑分布）和Probit模型（标准正态分布）。若模型的估计系数为正，则表示危机发生概率与变量之间存在正相关关系；反之，若系数为负，则说明危机发生概率与变量之间存在负相关关系。

国内外学者分别采用Logit模型和Probit模型进行了大量的风险预警研究。Andrew等（1999）利用东南亚国家爆发金融危机的经验数据，对FR概率模型的预警效果进行实证检验，研究表明该模型预警的准确度在不同国家存在明显的差异性，模型预测的可靠性需要进一步来检验[10]。Asli等（1997）通过构建多元Logit模型对发达国家和发展中国家的样本数据进行预警分析，结果显示：若一个国家存在较低的经济增长速度及较严重的通货膨胀时则更容易发生危机[11]。陈守东等（2006）、张德鸿（2016）分别采用Logit模型对我国的系统性金融风险进行了预警分析，结果顯示我国爆发货币危机的可能性较小[12]-[13]。傅强等（2015）通过对19个样本国家的主要金融经济指标进行指标筛选，分别建立了基于静态Logit方法和动态Logit方法的金融危机预警模型，经过样本内检验和样本外检验，结果显示动态Logit预警模型优于静态Logit预警模型[14]。马德功等（2009）通过构建因子-Logistic预警模型对我国货币危机的可能性进行分析，结果显示该模型具有较高的预测正确率[15]。胡援成（2013）基于新兴市场国家主权债务危机数据，使用Logit方法和支持向量机方法构建危机预警系统，结果显示，该系统在预警准确率、一类错误率和二类错误率上具有比较优势，且支持向量机方法在提高预测准确率方面也有较明显的优势[16]。

Andrew等（1999）首先利用KLR信号法筛选出有效的危机预警指标，然后通过构建Probit模型进行危机的预测[17]。Cipollini等（2009）首先采用统计方法对预测经济风险的评价指标体系进行筛选，然后通过构建Probit模型对经济危机爆发的概率进行检验[18]。朱钧钧等（2012）提出了一种混合Gibbs取样和Griddy-Gibbs取样的MCMC估计方法，同时考虑债务危机在各国之间的传染效应，构建了空间Probit面板模型，并以巴西、阿根廷、土耳其和尼日利亚为例说明该模型具有较好的预警效果[19]。颜建晖等（2014）采用52个国家的样本数据，加入危机传染性变量，构建了基于Probit面板模型的主权债务危机预警模型，结果显示除了宏观经济变量的恶化会对本国主权债务危机的爆发产生积极影响外，其他国家危机的发生也会明显提高本国债务危机爆发的概率[20]。

FR概率模型能够直接测算出危机发生的概率，直观地显示预警指标对危机的影响，同时能够有效地监测当指标超过阈值后，危机爆发前后的连续变化情况，克服了KLR模型存在的不连续性缺陷。该模型的不足是随着预警指标数量的增加将产生多重共线性问题，同时建立在大数定理基础上的假设在一定程度上限制了该模型的应用范围。

三、STV截面回归模型

STV模型是由Sachs等（1996）构建的，用来检验新兴市场国家在1994～1995年间发生的货币危机[21]。由于采用了20个新兴市场国家的截面数据及线性回归方法，因此该模型被称为STV截面回归模型。该模型的表达方式如下：

IND=？琢0+？琢1 RER+？琢2 LB+？琢3 DLR RER+？琢4 DLR LB+

？琢5 DWF RER+？琢6 DWF LB+？着

其中，IND为金融危机指数，采用汇率变动率与外汇储备变动率的加权平均值来衡量；RER为实际汇率的变动率；LB为国内信贷规模水平，采用银行对私有部门的债权与GDP的比值来衡量；采用广义货币（M2）与外汇储备的比值作为衡量外汇储备丰度的标准。DWF、DLR为虚拟变量，DWF=0表示该国具有稳定的经济环境，此时银行信贷变动在最低四分位，而汇率变动在最高四分位，否则DWF=1，表示该国具有脆弱的经济环境；DLR=0表示该国具有较多的外汇储备，此时外汇储备丰度处于样本最高四分位。

当DWF=0且DLR=0时，说明该国具有较稳定的经济环境和充足的外汇储备，？琢1和？琢2反映了经济环境对金融危机的影响，根据理论分析，此时应有？琢1=0、？琢2=0。

当DWF=0且DLR=1时，说明该国具有较稳定的经济环境和较低的外汇储备，？琢1+？琢3与？琢2+？琢4反映了经济环境对金融危机的影响，根据理论分析，此时应有？琢1+？琢3=0、？琢2+？琢4=0。

当DWF=1且DLR=1时，说明该国具有较差的经济环境和较低的外汇储备，？琢1+？琢3+？琢5与？琢2+？琢4+？琢6反映了经济环境对金融危机的影响，根据理论分析，此时应有？琢1+？琢3+？琢5<0、？琢2+？琢4+？琢6>0。

后有学者使用该模型做了大量预警研究。Berg（1999）通过采用东南亚和拉美国家危机爆发的历史数据，分别对KLR、STV及FR模型的预警效果进行检验，研究表明：KLR模型的预警能力明显优于其他两种模型，而FR概率模型的预警效果最差；STV模型在不同国家的预警效果存在差异性，对于韩国和印度尼西亚的预测结果较差，而对于泰国和马来西亚的预测效果则较好。针对现有研究关于东南亚国家预警指标存在的差异以及KLR模型、FR模型存在的不能解释危机传染性的缺陷，Nitithanprapas等（2000）在STV模型的基础上，不仅考虑汇率变动及外汇储备因素，同时添加了能够反映资本流动及经常账户的复合变量，对20世纪90年代爆发的金融危机进行了影响因素的分析[22]。张元萍（2003）利用我国的经验数据，分别采用KLR、STV模型对我国金融危机爆发的概率进行分析，表面上看两种模型的预警结果是矛盾的，实际上STV模型与KLR模型是相互联系的，两种模型分别从内源性风险、外源性风险两个不同的角度来对金融危机进行预警[23]。

STV模型考虑到了国别之间的差异，是在KLR模型及FR模型基础上的改进。但是该模型对于变量间线性关系的要求过于严格，而对金融危机影响因素的选择过少，预警结果受不同国家个体差异的影响较大。很多金融危机存在着复杂的非线性关系，并不能用线性回归模型来分析。该模型主要用于检验一个国家是否会发生金融危机及判断危机的传染性，但并不能预测何时发生危机。

四、BP神经网络模型

BP神经网络模型的主要思想是通过网络学习，利用实际输出与目标输出的误差来不断修正网络模型中的权重，从而使实际输出的误差平方和最小化。BP神经网络模型算法通常由误差反向传播及信息正向传播构成，信息首先通过输入层进行逐层传导，神经元状态的变化只受上一层神经元冲击的影响，而与其他层次神经元的状态特征无关，从而得到实际输出与目标输出之间的误差大小。若输出层最后存在较大的误差，則开始进行误差的反向传播，反向传播路径与网络中正向传播路径相反，通过误差信号的反向传导，以达到修改网络权重的目的，从而使模型得到优化。

神经网络模型是由Nag等（1999）首次引入到金融危机的预警研究当中，通过采用泰国、马来西亚及印度尼西亚的样本数据进行实证检验，结果显示该模型的预警效果明显优于传统模型[24]。Lin（2008）将模型推理模型与BP网络模型相结合构建了货币危机预警模型，分析结果表明，该模型在危机预警的精度方面能够达到理想的效果，同时能够将预警变量之间的因果关系直观地展现出来[25]。南旭光等（2008）以东南亚国家为研究对象，构建了BP神经网络危机预警系统，研究认为该模型具有明显的预测精确度，能够提升金融危机预警的准确率[26]。胡援成等（2010）构建了主权债务危机神经网络预警模型，并对54个发展中国家的样本数据进行检验，研究得出该模型与二元Logit模型在预警效果上具有相对优势[27]。胡燕京等（2003）、陈秋玲等（2009）、楼文高等（2011）、李梦雨（2012）则分别构建BP神经网络模型对我国的金融风险进行预警分析，研究认为，不同时期我国的金融风险水平存在较明显的差异[28]-[31]。

神经网络模型能够通过自主学习不断调整权值，快速适应外部环境的变化，使系统得到不断优化，有效处理非线性问题。然而神经网络模型只是一种局部探索的分析方法，当遇到非线性系统时，它将要求解高阶非线性方程的全局解，这将导致算法陷入局部分析的循环中。

五、马尔科夫区制转换模型

马尔科夫区制转换模型自Hamilton（1990）将其引入到经济学中以来，便被广泛应用于经济周期、金融波动等领域的研究中[32]。Hamilton在模型中引入状态变量，通过计算状态变换概率，考察经济变量在不同状态下的转变特征。一般的马尔科夫过程如下：

Yt=a■■+■a■■Xi+■a■■Yt-j+？着■■，？着■■～NID（0，？滓■■）。

其中，Sk、k分别代表不同的区制状态及区制个数，n1、n2分别表示自变量个数及自回归滞后阶数。Sk服从离散状态下的马尔科夫随机过程，其转换概率遵循：

Pij=Pr（St+1=i|St=j），其中■Pij=1，（i，j=1，2，…，k）。

Pij表示从状态j到状态i的状态转换概率，其变化由前一期的状态决定。

Peria（2002）、Abiad（2003）通过采用马尔科夫区制转换模型分别对欧洲地区、东南亚地区进行了检验，研究均认为该方法在危机预警方面优于以往的预警模型[33]-[34]。张伟（2004）在Abiad（2003）的模型基础上加入了因变量的一阶自回归过程，并采用东南亚和拉美国家发生金融危机的样本数据进行模型的检验，结果表明，改进的模型在不同国家的预警效果存在差异性，但是模型整体上的预警能力得到提升[35]。

Cerra等（2002）通过构建时变马尔科夫模型对印度尼西亚金融危机爆发的影响因素进行实证检验，是对一般马尔科夫模型的改进[36]。Arias等（2004）将最大似然估计法引入马尔科夫区制转换模型使模型转换概率更加准确，增加了长期预警效果的稳定性[37]。由于极大似然估计法存在收敛于局部极值的缺陷，朱钧钧等（2010）采用马尔科夫链蒙特卡罗估计（MCMC）完善了马尔科夫区制转换模型，同时采用Griddy-Gibbs取样法对多个马尔科夫模型进行估计，研究认为该模型相对于信号模型具备一系列的优势，通过MS-GARCH模型能揭示汇率波动的更多特性[38]。Brunetti等（2008）通过将马尔科夫区制转换模型与GARCH模型相结合构建了金融危机预警模型，对东南亚国家金融危机进行了影响因素的分析[39]。

陈守东等（2009）、周华等（2013）分别对货币市场、银行市场及资产价格构建了MS-VAR金融風险预警模型，来描述我国近年来金融风险变化的区制特点，结果显示，风险的划分及预警信号的发出时机较符合我国的现实情况[40]-[41]。李继伟等（2010）运用具有马尔科夫区制转换的向量自回归模型，构建了面向资本项目开放的货币危机预警模型，研究结果表明，预警发出风险信号的时机比较符合我国的现实情况[42]。

马尔科夫区制转移模型通过采用连续变量进行危机的预警，能够有效克服KLR模型及FR概率模型采用离散变量所带来的信息损失，通过变量信息的动态变化达到准确识别危机爆发时点的目的，从而避免“伪危机”情况的发生。该模型的缺点是受到危机影响变量的限制，如果变量选择过少，不能综合反映出风险的状态水平；如果变量选择过多，则会导致模型计算过程的倍增，从而降低模型预警结果的准确性。

六、其他预警模型

马威等（2014）采用结构方程模型建立了金融危机预警指标体系，该模型将金融风险发生的内在本质与外在表象相结合，为风险预警的研究提供了新的路径[43]。牟晓云等（2010）利用结构方程模型中的MIMIC模型构建了我国金融危机预警系统，通过将样本外数据代入模型中便可得到危机强度预测值，当该数值达到一定的门限值时，可认为将会发生金融危机[44]。该模型对于金融危机预警指标的筛选具有特殊的优势，但该模型不能解决定类变量问题。

黄益绍等（2004）在现有金融危机预警指标体系的基础上，采用层次分析法（APH）对预警指标的重要性进行排序，以明确各指标的预警作用，并结合几次重大金融危机爆发前期主要指标的恶化程度，证明了APH分析法对预警指标所做排序的合理性[45]。任碧云等（2015）通过构建金融系统性风险预警指标评价体系，并采用APH-DEA方法对我国的金融系统性风险进行了预警分析，评价结果同我国的实际情况较为符合[46]。然而层次分析法主要以定性判断为主，缺少定量分析的准确性；当指标数据较多时，指标权重的设置则难以确定。

陈卫华等（2007）构建了基于“可能-满意度”法的金融危机预警系统，并采用1997年中国的相关数据及东南亚国家爆发金融危机的历史数据进行了实证检验，结果显示泰国的“可能-满意度”最差，最先成为投机攻击的目标，而我国的总评价值相对较好[47]。该模型的缺陷是主观性太强，预警效果缺乏检验，同时预警指标的选择有待扩充，预警等级的划分有待完善。

汪莹（2003）在现有研究的基础上建立了“五系统加权法”危机预警模型，并采用AHP及专家赋权法对系统内评价指标进行权重的测算，对我国发生金融危机的可能性进行预警分析[48]。该模型的不足是对于指标权重的设置主要采用主观赋权方法，缺乏客观依据，同时缺少对实际危机发生样本的检验。

南旭光等（2007）利用31个样本国家的数据构建了等比例危机预警模型，通过对预测期间17个测试国进行的模型预警效果检验，认为该模型预警能力较佳[49]。当然该模型尚不能对所有金融危机国家做出准确预警，模型的预警精度有待提高。

沈沛龙等（2011）以51个国家的样本数据为基础，通过构建马田系统，在确保预警模型精度的前提下，能够有效减少预警指标数量，对于提高模型的预测水平和减少前期数据收集工作具有重要意义[50]。该模型主要用于预警指标数量的筛选，并未涉及到风险预警的分析。

还有学者通过构造风险指数的方式进行相关预警研究，如Hagen（2007）提出并构建了货币市场压力指数，研究发现货币市场压力指数法能够有效识别出银行危机的爆发。荆中博等（2012）修正了Hagen（2007）的货币市场压力指数，并采用66个国家银行危机的样本数据进行实证检验，结果显示，采用整体样本标准差构建的货币市场压力指数使用范围更广、识别精度更高，能够达到很好的预警效果[51]。栾彦（2013）通过功效系数法对我国的主权债务安全预警指数进行了测算，研究认为亚洲金融危机以后，我国存在较大的主权债务风险[52]。许涤龙等（2015）采用CRITIC赋权法构建了金融压力指数，并对我国面临的金融压力进行综合测度，整体来看该方法的测度结果较好地吻合了我国的经济发展状况[53]。风险指数模型在预警方面有着特殊的优势，能够综合多方面的影响因素，有效地反映出风险级别高低。但指标选择的合理性决定着预警结果的准确性，指标选择过多会造成信息的重复，影响重要指标权重的设置；而指标选择过少，又不能充分反映危机涉及的所有领域。

七、结论

资本流动风险预警模型的选择决定着预警效果的准确性，然而通过对现有资本流动风险预警模型的分析可以看出，不同的预警模型均存在着预警效果的优势与不足。KLR信号分析法通过监测指标体系是否超过相应阈值的原理进行风险预警，但忽略了预警指标相互之间的动态影响，同时预警指标阈值的确定缺乏有效的定性分析。FR概率模型通过测算危机发生的概率，直观地显示预警指标在危机爆发前后的连续变化情况，克服了KLR模型的缺陷，但该模型对于预警指标数量有一定的限制。STV模型考虑到了国别差异，是对KLR模型及FR模型的改进，但该模型对于变量间线性关系的要求过于严格，很多金融危机存在着复杂的非线性关系，并不能用线性回归模型来分析。神经网络模型能够有效处理复杂的非线性问题，弥补了STV模型的不足，然而该模型是一种局部探索的分析方法，当遇到高阶复杂的系统时，将导致算法陷入局部分析的循环中。马尔科夫区制转移模型能够克服KLR信号模型和FR概率模型采用离散变量所造成的信息损失，但同样受到影响因素数量选择的限制。而其他预警模型虽然在预警结果的精度方面取得了一定的进步，但同样存在着各种不同的缺陷，且并没有得到广泛的推广与应用。结合各种预警模型存在的优势与不足，我们提出未来预警模型构建所需关注的问题：第一，预警指标的选择范围要广，指标阈值的确定需根据不同国家的国情来设定；第二，在考虑预警指标之间线性关系的同时，应重视风险发生的非线性关系；第三，必须关注危机爆发的连续性、传染性及时滞性。

参考文献：

[1]KAMINSHY G，LIZONDO S，REINBART C M. Leading Indicators of Currency Crises[J]. IMF Staff Papers， 1998（45）.

[2]KAMINSKY G L，REINHART C M. The Twin Crises：The Causes of Banking and Balance-of-Payments Problem[J]. International Finance Discussion Papers， 1999（3）.

[3]CIPOLLINI A，KAPETANIOS G. Dynamic Factor Analysis of Financial Contagion in Asia[R]. Queen Mary University of London Working Paper，2003.

[4]史建平，高宇. KLR金融危機预警模型研究：对现阶段新兴市场国家金融危机的实证检验[J]. 数量经济技术经济研究，2009（3）.

[5]谭福梅. 次贷危机能被预测吗——基于KLR金融危机预警模型[J]. 开发研究，2010（1）.

[6]徐道宣，石璋铭. 一种改进的KLR信号分析法应用研究[J]. 数量经济技术经济研究，2007（11）.

[7]杨雪莱，许传华. 中国金融风险预警指标的最优阈值及预测绩效分析[J]. 广东金融学院学报，2012（3）.

[8]张安军. 国家金融安全动态预警比较分析（1992-2011年）[J]. 世界经济研究，2015（4）.

[9]FRANKEL J A，ROSE A K. Currency Crashes in Emerging Markets：An Empirical Treatment[J]. Journal of International Economics，1996（41）.

[10]ANDREW B，CATHERINE P. Are Currency Crises Predictable？ A Test[J]. IMF Economic Review， 1999，46（2）.

[11]ASLI D K，ENRICA D. The Determinants of Banking Crises：Evidence from Developing and Developed Countries[J]. Policy Research Working Paper，1997，45（1）.

[12]陈守东，杨莹，马辉. 中国金融风险预警研究[J]. 数量经济技术经济研究，2006（7）.

[13]张德鸿. 基于Logistic模型的系统性金融风险研究[J]. 重庆理工大学学报（自然科学），2016（4）.

[14]傅强，陈园园，刘军等. 基于面板数据和动态Logit方法的金融危机预警模型[J]. 中央财经大学学报，2015（1）.

[15]马德功，李梦斐. 我国货币危机预警模型及实证分析——基于因子-Logistic回归模型的修正与运营[J]. 山西大学学报（哲学社会科学版），2009（5）.

[16]胡援成，康鸿. 主权债务危机预警系统的构建——基于新兴市场国家数据的研究[J]. 现代财经，2013（6）.

[17]ANDREW B，CATHERINE P. Predicting Currency Crises：The Indicators Approach and Analternative[J]. Journal of International Money and Finance，1999，18（4）.

[18]CIPOLLINI A，KAPETANIOS G. Forecasting Financial Crises and Contagion in Asia Using Dynamic Factor Analysis[J]. Journal of Empirical Finance，2009，16（2）.

[19]朱钧钧，谢识予，许祥云. 基于空间Probit面板模型的债务危机预警方法[J]. 数量经济技术经济研究，2012（10）.

[20]颜建晖，杨小玄，殷琳. 主权债务危机预警模型及跨国传染效应——基于Probit面板估计[J]. 浙江社会科学，2014（12）.

[21]SACHS J，TORNELL A，VELASCO A. Financial Crises in Emerging Markets：The Lessons from 1995[J]. Brookings Papers on Economic Activity，1996（1）.

[22]NITITHANPRAPAS E，WILLETT T D. A Currency Crises Model That Works：A Payments Disequilibrium Approach[R]. Claremont Colleges Working Papers in Economics，2000.

[23]张元萍，孙刚. 金融危机预警系统的理论透析与实证分析[J]. 国际金融研究，2003（10）.

[24]NAG A，MITRA A. Neural Networks and Early Warning Indicators of Currency Crisis[J]. Reserve Bank of India Occasional Papers，1999（20）.

[25]LIN C S，KHAN H A，CHANG R Y，et al. A New Approach to Modeling Early Warning Systems for Currency Crises：Can a Machine-Learning Fuzzy Expert System Predict the Currency Crises Effectively？[J]. Journal of International Money and Finance，2008，27（7）.

[26]南旭光，孟卫东. 基于BP神经网络的金融危机预警[J]. 现代管理科学，2008（2）.

[27]胡援成，康鴻. 主权债务危机早起预警系统研究——基于BP神经网络方法[J]. 商业经济与管理，2010（9）.

[28]胡燕京，高会丽，许建锋. BP人工神经网络：金融风险预警新视角[J]. 重庆工商大学学报（西部经济论坛），2003（1）.

[29]陈秋玲，薛玉春，肖璐. 金融风险预警：评价指标、预警机制与实证研究[J]. 上海大学学报（社会科学版），2009（5）.

[30]楼文高，乔龙. 基于神经网络的金融风险预警模型及其实证研究[J]. 金融论坛，2011（11）.

[31]李梦雨. 中国金融风险预警系统的构建研究——基于K-均值聚类算法和BP神经网络[J]. 中央财经大学学报，2012（10）.

[32]HAMILTON J D. Analysis of Time Series Subject to Changes in Regime[J]. Journal of Econometrics，1990（3）.

[33]PERIA W S M. A Regime-Switching Approach to the Study of Speculative Attacks：A Focus on EMS Crises[J]. Empirical Economics，2002，21（2）.

[34]ABIAD A G. Early Warning Systems：A Survey and a Regime-Switching Approach[J]. Social Science Electronic Publishing，2003，3（32）.

[35]张伟. 体制转换模型能预测货币危机吗？[J]. 经济研究，2004（7）.

[36]CERRA V，SAXENA S C. Contagion，Monsoons，and Domestic Turmoil in Indonesias Currency Crisis[J]. Review of International Economics，2002，10（1）.

[37]ARIAS G，ERLANDSSON U G. Regime Switching as an Alternative Early Warning System of Currency Crises-An Application to South-East Asia[R]. Ulf G Erlandsson，2004.

[38]朱钧钧，谢识予，朱弘鑫等. 基于状态转换的货币危机预警模型——时变概率马尔科夫转换模型的Griddy-Gibbs取样法和应用[J]. 数量经济技术经济研究，2010（9）.

[39]BRUNETTI C，SCOTTI C，MARIANO R S，et al. Augustine H. H. Tan. Markov Switching GARCH Models of Currency Turmoil in Southeast Asia[J]. Emerging Markets Review，2008，9（2）.

[40]陈守东，马辉，穆春舟. 中国金融风险预警的MS-VAR模型与区制状态研究[J]. 吉林大学社会科学学报，2009（1）.

[41]周华，周晖，刘灿辉. 中国金融风险预警研究——基于MS-VAR模型的实证分析[J]. 投资研究，2013（1）.

[42]李继伟，杜金岷. 资本项目开放中的货币危机预警研究[J]. 理论研究，2010（12）.

[43]马威，肖帅. 金融危机预警指标体系及其结构方程模型构建[J]. 中南大学学报（社会科学版），2014（4）.

[44]牟晓云，李黎. 基于结构方程模型的金融危机预警方法[J]. 大连海事大学学报（社会科学版），2010（4）.

[45]黄益绍，林都. 金融危机预警指标排序——层次分析法[J]. 华北工学院学报，2004（4）.

[46]任碧云，武毅. 基于AHP—DEA的中国金融系统性风险预警指标体系研究[J]. 经济问题，2015（1）.

[47]陈卫华，张睿. 基于“可能-满意度”法的金融危机预警系统的构建与应用[J]. 国际金融研究，2007（4）.

[48]汪莹. 金融危机预警模型的构建——“五系统加权法”预警模型[J]. 西安石油学院学报（社会科学版），2003（1）.

[49]南旭光，孟卫东. 基于等比例危机模型的金融危机预警[J]. 重庆大学学报（自然科学版），2007（5）.

[50]沈沛龙，田菁. 基于马田系统的金融危机预警指标选择研究[J]. 财贸经济，2011（11）.

[51]荆中博，杨海珍，杨晓光. 基于货币市场压力指数的银行危机预警研究[J]. 金融研究，2012（5）.