基于混频数据的互联网金融风险测度及预测研究

刘 敏 任钟媛 周德才 吕英超

(南昌大学经济管理学院)

1 研究背景

互联网金融是融合互联网精神，以互联网为平台和互联网技术为基础的新金融业态[1]，可去除交易中介化，降低信息不对称，扩大市场参与主体，拓宽传统金融边界，优化资源配置效率和缓解金融排斥现象[2, 3]。互联网金融模式主要有传统金融延伸模式、第三方支付、数字货币、互联网借贷、互联网理财和金融科技等[4]。中国互联网金融于2013年步入发展快车道，互联网理财和互联网借贷一度成为互联网金融的核心业务。然而，伴随着互联网金融的迅猛发展，市场运行机制不健全、金融监管体系缺失等问题逐渐显现，行业风险激增，给金融监管工作带来了新的挑战。如截至2021年，互联网借贷平台有近5 000亿未兑付资金，因P2P暴雷遭受损失的投资人超过3.2亿，存量风险处置工作任重道远。2020年底，“蚂蚁金服”上市被叫停，引起了市场的恐慌和担忧[5]。

互联网金融高度依赖信息技术，是信息技术驱动与金融创新相融合的产物，是中国金融数字化转型和金融科技创新的落脚点，互联网金融风险是传统金融风险、信息技术风险和新型金融风险的共同体现。为提高中国金融风险监管效率，拓展金融风险理论和金融风险测度理论，丰富金融科技创新和信息技术安全的交叉科学研究，本研究从互联网金融风险特征出发，构建互联网金融混频风险指标体系；随后将频率转化法和因子分析法相结合，系统性测度互联网金融风险水平；最后对互联网金融风险因素、风险特征和风险预测等内容展开深入分析。

2 文献回顾与理论分析

传统金融风险测度研究成果丰富，较为常见的测度方法有模型测度法和指数测度法，前者难以全面体现风险来源，后者则可综合金融系统多种风险信息，可用于对系统性风险的测度和识别[6, 7]。与传统金融风险测度研究具有一定的深度和广度不同，以互联网金融为代表的金融创新风险研究仍主要停留在定性分析阶段。从量化研究来看，XU等[8]从互联网金融、传统金融和宏观政策等维度，构建了互联网金融风险网络系统，分析互联网金融系统性风险的形成过程。张子豪等[9]基于层次分析法，区分风险指标在互联网金融风险形成中的重要程度。塔琳[10]构建了互联网金融系统性风险评价指标体系，并测算系统性风险水平。以上研究多从多源风险信息入手，通过提取风险指数或识别风险因素来刻画互联网金融风险的变化，但实证分析中存在风险指标统计频度较低、系统性和科学性不足等问题，风险度量的时效性和有效性有待提升。

王国刚等[11]首次从功能、机制和发展层面深度辨析了中国互联网金融的本质特征，提出互联网金融在功能上并无颠覆金融的可能。因此，互联网金融的本质属性仍是“金融”，具有金融风险的顺周期特征和相互传导特征。首先，金融行业易遭受宏观经济的冲击，行业风险特征与宏观经济风险特征相似，经济的扩张和收缩会显著影响金融机构的资产负债状况[12]，也会通过企业的财务状况、投资者信心等因素影响金融风险水平[13, 14]。其次，金融资源和信息的高度流动加速了金融风险跨市传导的可能，根据“经济基础假说”，宏观经济是理性投资者制定投资策略的主要依据，而一国金融市场受共同宏观经济因素牵引，极易出现风险的相互传导[15]；此外，根据“风险传染假说”，某一金融市场的波动会通过羊群效应蔓延至其他金融市场[16]。

互联网金融是“互联网+金融”的产物，其自身也存在金融创新发展的不确定性和不稳定性[2]。因此，互联网金融风险具有更复杂的构成要素和生成机制，在风险来源和风险特征上有别于传统金融。首先，互联网金融以互联网行业发展和互联网技术进步为前提保障，互联网行业遭受冲击和技术发展滞后会给互联网金融发展埋下巨大的安全隐患[17]。传统金融是线上和线下相结合的运作模式，而互联网金融则完全依赖互联网技术，对信息系统安全提出了更高的要求。其次，互联网金融发展历程较短，发展模式仍在演进，金融实践和监管处于探索和平衡阶段，在监管体系、市场机制、法律制度等方面有待完善，加之行业的交叉属性和长尾客户的社会化特征，使得风险变化的轨迹难寻。

基于此，本研究充分结合互联网金融与传统金融在风险特征上的共性和异性，从互联网金融的本质属性、技术依赖及行业特征出发，对互联网金融风险展开系统性测度和预测研究。本研究的边际贡献体现在：①首次构建了互联网金融日度风险指数，实现了对互联网金融风险的实时、系统性测度，并在此基础上深入挖掘互联网金融风险的变化规律，进一步实现了对互联网金融风险的有效预测，弥补了金融创新系统性风险测度和预测研究的不足，丰富了金融风险测度理论；②科学识别了互联网金融风险因素，在风险指标选取上，除了考虑经济、金融因素外，还融入了反映信息技术安全和互联网行业发展的风险指标，并通过模型分析识别互联网金融风险的关键引致因素，既弥补了金融创新风险因素识别研究的不足，也丰富了金融风险理论。

3 研究设计

3.1 研究内容

本研究通过对以下内容的科学思考来拓展已有研究的深度和广度，为提升中国互联网金融风险管理水平提供参考。①测度互联网金融风险水平。充分发挥混频数据异质信息优势，从宏观经济、传统金融行业、互联网行业和互联网金融行业等4个维度，构建季度、月度、周度和日度等混频数据集，以测度互联网金融日度风险水平，提高风险测度的时效性和准确性。②识别互联网金融风险引致因素。通过计算因子得分矩阵对互联网金融风险的引致因素进行识别，并辨析不同风险来源在互联网金融风险形成过程中的重要程度。③挖掘互联网金融风险变化规律。利用马尔可夫区制转换模型区分互联网金融风险的区制状态，计算不同风险区制的状态概率、转移概率、状态持续期等区制变化特征，挖掘互联网金融风险变化规律。④预测中国互联网金融风险水平。参考风险区制变化特征，以构建的互联网金融风险指数为基础，采用固定系数法和滚动预测法，对中国互联网金融风险进行样本外预测，以指导互联网金融风险防范。

3.2 研究模型

本研究采用动态因子模型提取混频变量中不可观测的潜在动态因子，即互联网金融风险指数。该模型假设提取的动态因子服从AR(p)过程，并可解释多维变量的共同运动。考虑如下K维p阶滞后的动态因子模型：

(1)

(2)

式中，t为时间，t=1,2,…,T;xit为风险指标，i=1,2,…,K；ft为潜在动态风险因子；βi、α1、α2和αp为待估参数；εit和μt为白噪声。式(1)为量测方程，式(2)为状态方程。STOCK等[18]将动态因子模型表达成状态空间模型，利用卡尔曼滤波进行参数估计。动态因子模型可提取风险指标中的共同风险因子，是金融风险测度常用的方法之一[19, 20]。为更好地指导互联网金融风险测度，参考ABOURA等[20]的做法，此处提取一个动态风险因子。

动态因子模型适用于对同频数据分析，而本研究采用混合频率风险变量，因此，在模型估计前，利用Litterman 频率转换法将低频数据转换成日度高频数据，以提取高频风险因子，从而提高风险监测的时效性。Litterman 频率转换法采用全局插值法，利用状态空间模型方法求解[21]。相较于混频建模方法，Litterman 频率转换的优势在于，可对低频流量变量、存量变量和指数变量的特征进行区分和识别，从而在一定程度上规避混频计量模型的估计失误和实际意义解释的不足。通过计算平均相对误差，张春华等[22]验证了经Litterman 频率转换后得到的高频时序，可以客观准确地拟合低频时序的波动特征和变化趋势，因此保障了风险测度的有效性。假设低频序列yk，k=1,2,…,N，经Litterman频率转换后的高频序列为xt，t=1,2,…,T，T>N，xt为待估高频数据插值序列，zt是与xt相关的已知的高频序列，可建立如下方程：

xt=βzt+μt，

(3)

式中，β是待估参数；μt=μt-1+εt，εt～N(0,V)，εt=ρεt-1+δt，设定初始条件为：μt=0。当低频变量为平稳时序时，式(3)可以省去解释变量[22]。为进行参数估计，对xt设置如下约束条件：

(4)

对于低频数据yk对应的时间点k而言，ak和bk分别为与k对应的高频数据的起点和终点。如yk为周度低频序列，欲将其转换成日度高频序列xt，假设k=1，则ak表示第1周的星期一，bk表示第1周的星期日；假设k=2，则ak表示第2周的星期一，bk表示第2周的星期日；如yk为季度低频序列，欲将其转换成月度高频序列xt，对于第一季度而言，ak表示一月，bk表示三月，对于第二季度而言，ak表示四月，bk表示六月。

在数据转换过程中，式(4)的参数设定由数据类型来决定，本研究以季度序列向月度序列转换为例进行说明。在对流量变量高频转换时，设定n=1，且每个季度所对应的月度值之和等于该季度值，如第一季度进行高频转换后的一月、二月和三月的月度值之和恰好等于第一季度的值；在对存量变量高频转换时，设定n=1，且每个季度所对应的月度值的终点值等于该季度值，如第一季度进行高频转换后得到的三月(终点值)的月度值恰好等于第一季度的值；在对指数变量高频转换时，假设低频期包含N个高频期，则设定n=1/N，且每个季度所对应的月度值的平均值等于该季度值，如第一季度进行高频转换后的一月、二月和三月的月度值的平均值恰好等于第一季度的值。

3.3 指标选择和数据来源

综合考虑互联网金融与传统金融风险特征的共性和异性，构建中国互联网金融风险混频指标体系。从宏观经济、传统金融行业、互联网行业、互联网金融行业等维度出发，以指标可被获取，具有客观性、代表性和有效性为选取原则，具体如下(见表1)(1)本研究中经济政策不确定性数据来自http://www.policyuncertainty.com/global_monthly.html，其余数据均来自Wind数据库。。

(1)宏观经济宏观经济对互联网金融的冲击主要来自于经济增长和经济不确定性两个方面。当经济运行良好时，微观主体的金融服务需求上升，有利于互联网金融的平稳发展；当经济不确定性加大时，金融市场的整体流动性降低，互联网金融风险加大。基于此，用反映经济增长的工业增加值和反映经济不确定性的经济政策不确定性[23]两组指标，作为宏观经济风险指标的代理变量。

表1 互联网金融风险指标体系及描述

(2)传统金融行业中国金融市场的运行机制有待完善，利率走廊尚未建成，传统金融机构仍面临着“强监管”，在此背景下，信用风险和流动性风险是金融机构面临的主要风险类型，并会通过经济基本面和非理性因素等渠道传导至互联网金融行业。因此，本研究从传统金融行业信用风险和流动性风险出发，将银行不良贷款率和TED利差作为传统金融行业风险指标的代理变量，其中，银行不良贷款率是金融机构信用风险的体现，TED利差(3个月银行同业拆借利率和3个月国债收益率之差)则反映了金融机构的流动性压力。

(3)互联网行业互联网金融的发展离不开互联网行业的发展和互联网技术的进步，因此，从互联网金融对互联网行业发展和技术进步的依赖特征出发，选择移动互联网户均流量和新增网络安全处理事件数，作为互联网行业风险指标的代理变量。需要说明的是，本研究之所以选择移动互联网户均流量来体现互联网行业的发展状况，是因为中国互联网行业已经实现了从传统PC互联网时代向移动互联网时代的过渡。

(4)互联网金融行业互联网金融行业风险主要由互联网金融平台经营风险、行业发展风险和市场风险3个部分组成。网络借贷是中国互联网金融风险的主要来源，P2P问题平台反映了互联网金融平台经营风险。金融资产价格的波动可刻画市场风险水平，互联网金融市场风险可由二级市场上市公司股价的波动率予以衡量。余额宝是中国最具代表性互联网金融产品，其发展规模可在一定程度反映互联网金融的发展状况。因此，本研究用累计P2P问题平台数、互联网金融指数波动率和余额宝规模作为互联网金融行业风险指标的代理变量。

对表1的风险指标作如下两点说明：①中国P2P平台于2020年完成清退，相关数据停止公布，清退后的数据沿用清退前最后一期数据，不再发生变动；②互联网金融指数波动率为GJRGARCH(1,1)-ST估计的中证互联网金融行业指数条件波动率，参考LIU等[24]的做法，采用偏t分布捕捉金融时序的非正态特征，采用GJRGARCH捕捉金融时序的非对称效应，GJRGARCH(1,1)-ST模型具体的估计步骤和方法可参阅LIU等[24]的研究，此处不再赘述。

基于数据的可得性，本研究样本区间为2014年1月1日～2022年3月31日，包含33个季度、99个月度、435个周度以及2 151个交易日度数据。对各变量进行平稳性检验，发现经济政策不确定性、不良贷款率、移动互联网户均流量、累计P2P问题平台数、余额宝规模等变量为一阶平稳序列，其余变量均为平稳时序；除日度变量外，其余频率变量均被认为是低频变量，需要进行高频转换。

表1 构建的互联网金融风险指标体系，共包含季度、月度、周度和日度共4个频率的9组变量。在进行模型估计前，对数据进行如下处理：①采用插值法补齐各变量的缺失值；②对月度和季度变量进行X-12季节性调整；③对非平稳低频时序取一阶差分以实现平稳；④采用Litterman 频率转换对低频变量同频化处理；⑤对同频变量进行标准化处理。

4 实证结果与分析

4.1 互联网金融风险测度

4.1.1风险指数

为更好地反映风险因子的动态变换，在对动态因子模型估计时，将状态方程滞后阶数设定为二阶，考虑到对数据进行过标准化处理，量测方程不包含常数项。量测方程的估计结果见表2。由表2可知，除TED利差和新增网络安全处理事件数外，其余风险变量均可由动态风险因子解释，提取的风险因子可反映风险指标体系中的大部分风险信息。除工业增加值外，其余风险因子系数均为正，表明宏观经济增速放缓是互联网金融风险的来源，互联网金融具有顺周期特征。网络借贷问题平台数、银行不良贷款率、互联网金融指数波动、经济政策不确定性的增加会加大互联网金融风险；同时，移动互联网户均流量和余额宝规模的扩大会进一步引发互联网金融风险，说明在市场秩序和监管体系尚未成熟时，行业的盲目扩张是互联网金融风险的引致因素。

表2 混频动态因子量测方程系数估计结果

图1 互联网金融风险指数与风险感知指数

基于混频数据的互联网金融风险指数见图1。由图1可见，中国互联网金融风险水平总体呈下降趋势，主要经历了2014～2016年行业“野蛮”扩张带来的高风险持续期，2018～2019年P2P“暴雷潮”、资管新规和中美贸易摩擦，以及2020～2021年P2P清退、“蚂蚁金服”暂缓上市、新冠疫情等事件冲击下的风险抬升期。去除行业“野蛮”发展乱象后，互联网金融的“金融”本质显现，风险引致因素与宏观经济、传统金融逐步并轨。如在2018年的资管新规下，商业银行不良贷款率打破多年平稳期快速上升，互联网金融风险也有所抬升。自2019底开始，在新冠疫情爆发和逆全球化思潮抬头的双重压力之下，中国经济发展遭遇到百年未有之大变局，随着2020年一季度经济增速的大幅下滑和金融行业不良贷款率的快速攀升，互联网金融系统性风险一度加大。然而，与线下金融业务受制于疫情管控政策不同，网上银行、第三方支付等线上金融业务需求呈现爆发性增长，为互联网金融发展带来了新契机，风险指数快速回落。2020年底，中国宏观经济增速回升，商业银行不良贷款率回落，传统金融行业快速复苏；但由于2020年下半年中国P2P平台清退后巨额存量风险尚未化解，叠加“蚂蚁金服”暂缓上市事件，引发了投资者对互联网金融发展的担忧，互联网金融指数大幅下跌，市场波动加剧，致使风险指数于2020年底开始攀升。总体而言，随着行业的发展和监管的成熟，互联网金融发展乱象去除后，互联网金融风险呈下降趋势，行业的顺周期性及与传统金融行业的风险共振和业务互补效应日趋显现。本研究构建的风险指数较好地拟合了互联网金融发展历程及风险变化特征。

4.1.2指数有效性进一步检验

市场主体的网络搜索数据可量化风险感知，客观地反映市场风险水平，并指导市场参与者行为[25]。本研究运用爬虫技术获取百度互联网金融风险日度搜索大数据，采用主成分分析法合成互联网风险感知指数，通过测度互联网金融风险感知指数与互联网金融风险指数的相关性，来检验风险指数的有效性，具体过程如下：①初选关键词。采用直接取词法和范围取词法，以“互联网金融风险”“P2P跑路”等为中心词，通过大量阅读文献、网页新闻等海选关键词，剔除未被百度指数收录的关键词，进一步使用百度指数需求图谱对剩余关键词进行扩充和调整，最终初步确定了110个风险感知变量。②确定关键词。根据客观性、代表性、重要性、有效性等原则，采用小组讨论法、主观选词法、专家打分法等，最终选定“P2P跑路”“支付宝安全吗”“余额宝可靠吗”等10个风险感知变量。③合成风险感知指数。采用主成分分析法对风险感知变量做降维处理，通过计算风险感知变量综合得分系数得到风险感知变量权重，合成互联网金融风险感知指数。

互联网金融风险感知指数见图1。由图1可知，风险感知指数呈明显的下降趋势，与互联网金融风险指数同步性较好，如风险感知指数自2014年快速上升，在2015年至全局高位，2018、2020年均出现局部高位。进一步测算相关系数发现，二者同期相关系数为0.715，说明二者高度相关，再次验证了互联网金融风险指数的有效性；此外，二者跨期相关系数在滞后两个月左右最高，说明市场风险感知存在一定的滞后，风险约两个月左右被市场完全感知。

4.2 风险因素识别

动态因子模型无法获知风险指标对风险因子的影响程度，参考周德才等[26]的做法，采用回归分析法计算因子得分，以进一步识别风险因素，用同频化、标准化处理后的日度变量对动态因子进行ft=A×Xt回归估计，ft为提取的风险因子，Xt表示风险指标，A为标准化系数，用于代表风险指标的因子得分。回归估计结果见表3。

表3 互联网金融风险指标因子得分

由表3可知，除TED利差和新增网络安全处理事件数外，其他变量均会不同程度地影响风险因子。商业银行不良贷款率、P2P问题平台数、互联网金融指数波动、互联网金融行业规模等指标对互联网金融风险变化的解释程度，分别为88.3%、72.5%、53.9%和30.8%，说明中国互联网金融风险与传统金融机构经营风险、互联网金融平台经营风险、互联网金融市场风险和互联网金融行业规模有关。指标的不显著一方面可能是因为变量选取存在片面性，另一方面也说明指标对互联网金融造成的冲击较小。网络安全事件虽具有爆发性，但随着信息技术的普及、安全意识的加强和监管体系的完善，网络安全事件的影响相对分散且持续性较弱。传统信贷市场承担了为实体经济造血的功能，经过多年的实践，其利率形成机制日趋成熟。而互联网金融借贷市场主要为长尾客户提供资金融通，市场整体风险水平较高，市场功能及风险水平的不同，导致互联网金融借贷市场的定价过程与传统金融信贷市场存在差异，互联网金融风险对传统金融信贷市场利率敏感性较低，利率传导效应尚不明显。

4.3 风险区制特征

为识别中国互联网金融风险变化特征，利用马尔可夫区制转换自回归(MS-AR)模型，对互联网金融指数做进一步分析。MS-AR模型用于刻画经济金融时序内在生成机制的转换。时间序列yt的MS-AR过程如下：

yt=α(St)+β1(St)yt-1+…+βp(St)yt-p+μ(St)，

(5)

式中，β1(St)、βp(St)为自回归系数；α(St)为截距项；μ(St)为随机扰动项；St为区制变量，是具有马尔可夫过程的、不可观测的离散变量，主要用于反映互联网金融在t时刻所处的风险状态。假设根据风险程度的不同，将互联网金融风险划分为n个不同的状态，则St的取值区间为{1,2,…,n}。St具有短期记忆性，St的值取决于t-1时刻所处的区制St-1，如从t-1时刻g状态过渡到t时刻j状态的概率P为

P={St=j|St-1=g}=pgj，

∑pgj=1, 且g,j∈{1,2,…,n} 。

(6)

对式(6)进行扩展，得到状态转移概率矩阵为

(7)

下面根据中国互联网金融风险的实际情况和AIC、HQ、SC等信息准则，确定状态个数、状态依赖以及滞后阶数，最终使用MSIAH(2)-AR(2)二阶滞后的二区制转换模型，二区制分别表示高风险和低风险两种不同的状态，模型设定为截距项、系数项和残差标准差状态依赖。状态概率、转移概率、状态持续期和估计系数等见表4。

表4 MSIAH(2)-AR(2)估计结果

从表4的标准差和截距项可以判断，区制一和区制二分别对应互联网金融的低风险状态和高风险状态。区制一和区制二的转移概率分别为0.996和0.992，区制稳定性较好，状态区分度明显，低风险状态的平均持续期较长，互联网金融较大概率处于低风险状态。互联网金融风险状态概率见图2。由图2可见，除2014～2016年、2018～2019年和2020～2021年外，互联网金融多处于低风险区制运行，高风险区制出现的时间与前述结论一致。

4.4 风险预测

考虑到互联网金融风险的区制特征，进一步利用MS-AR模型对互联网金融风险水平进行预测。本研究将样本外预测长度设定为一年，预测窗口为2022年4月～2023年3月。采用日度数据进行预测时，过长的预测窗口会降低预测精度。为提高预测效果，首先对每个月的日度风险指数以取平均值的方式进行低频化处理，表示月平均风险水平；然后分别对月度风险指数进行固定系数预测和一步向前滚动预测。

图2 互联网金融风险状态概率

滚动预测的具体步骤为：①采用MS-AR模型进行样本内估计，得到估计系数；②利用估计系数对样本外第一期风险水平进行预测；③扩充估计窗口，使其包含第一期预测值，再重复步骤②，利用新的估计系数预测第二期风险水平；④继续重复步骤③，直至12个月的月度风险值预测完成。固定系数预测采用步骤①的估计系数对风险值进行样本外预测，不再对系数进行滚动调整。

不同预测方法下中国互联网金融风险样本外预测值见图3。由图3可知，中国互联网金融风险会延续2022年1月以来的下降趋势，至2022年6月进入拐点，并于2022年7月步入温和上升阶段，但仍处于较低水平。两种预测方法得出的风险变化趋势基本一致，固定系数预测法下的风险增速略高于滚动预测法。整体而言，相较于2014～2016年的“野蛮”扩张期，近年来中国互联网金融风险水平大幅下降，波动区间逐步收窄，再次表明随着互联网金融市场制度的健全和监管体系的完善，中国互联网金融风险治理成效显著。

图3 中国互联网金融风险样本外预测值

5 结语

本研究利用混频数据，从风险因素识别、风险水平度量、风险特征剖析和风险预测等方面对互联网金融进行深入系统研究，得出如下主要结论：①随着互联网金融从“缺门槛、缺规则、缺监管”过渡到“高门槛、严规则、强监管”，行业风险水平整体下降，经济的顺周期性及与传统金融行业的风险共振和业务互补效应日趋显现，中国互联网金融正在向“金融”本质回归；②中国互联网金融风险因素可从宏观经济、互联网行业、传统金融行业和互联网金融行业4个维度进行识别，传统金融机构经营风险、互联网金融平台经营风险、互联网金融市场风险和互联网金融行业规模对互联网金融风险变化有较高的解释能力；③中国互联网金融风险具有明显的两区制变化特征，低风险状态的平均持续期久于高风险状态，互联网金融较大概率处于低风险状态；④未来中国互联网金融风险将会有一个温和上升过程，但整体仍处于低风险状态。以互联网金融为代表的金融创新风险具有来源更为广泛、结构更为复杂和形式更为多变的新特征，本研究建立在对金融创新风险与传统金融风险的理论分析和比较分析的基础上，将多源复杂结构数据和动态因子模型相结合，有效刻画了金融创新风险的新特征，从金融创新发展视角丰富了金融风险理论和金融风险测度理论。

本研究的管理启示在于：①在互联网金融风险防范治理上，既要严格控制互联网金融增量风险，也要加大力度化解存量风险，尤其要深入推进P2P网络借贷专项整治工作，建立严格的互联网金融平台持牌经营准入制度，对互联网金融资产管理进行资金端和资产端的穿透式监管。②在信息披露机制上，要打破互联网金融市场主体间的信息壁垒，完善信息流动渠道，建立及时有效的信息披露机制，尤其要加快推动互联网金融业务全面纳入征信平台，发挥大数据优势以有效规避劣质用户；同时，提高中国互联网金融用户的金融素养和对新业态的本质认知，强化金融用户的风险意识，引导市场回归理性。③在金融创新过程中，要避免金融产品过度创新带来的风险隐患，把握实体经济对金融创新需要的节奏，避免金融创新步伐过快，尤其要避免因金融创新失败而导致的经济发展失速，做到金融创新，制度和监管先行。④在互联网金融发展上，要明确互联网金融是对技术的应用和创新而非金融模式的创新这一总体方向，大力发展大数据金融、区块链金融等金融科技模式，审慎发展互联网借贷、互联网理财等传统模式，弱化互联网金融对传统金融的替代效应，强化互联网金融对传统金融的互补效应。

未来研究可从以下几个方面进行完善：①互联网金融深受行业发展政策影响，未来可寻找合理的代理变量对现有的风险指标体系进行补充；②中国互联网金融的发展模式、业务类型、市场结构等存在较大的不确定性，未来需要对风险指标体系进行适当调整；③未来研究可探讨互联网金融风险对互联网金融平台、传统金融行业、经济发展、宏观管理等的影响。