两因子随机死亡率状态空间模型及长寿风险测度

引入状态空间模型对传统两因子CBD模型拟合阶段和预测阶段进行联合建模,并基于卡尔曼滤波方法对模型参数进行估计。进一步考虑到死亡率数据的小样本特征,结合Bootstrap仿真技术和生存年金组合折现模型对长寿风险进行测度。利用1996~2011年数据展开实证研究,结果表明:结合模型解释能力、参数估计结果和误差项正态分布检验结果,两因子状态空间模型要优于传统CBD模型;年金组合规模的扩大可以消除微观长寿风险,但不能消除宏观长寿风险和参数风险;宏观长寿风险占据着不可分散风险的主导地位。     

Lee-Carter模型在中国城市人口死亡率预测中的应用与改进

由死亡率下降带来的长寿风险给社会、政治以及经济带来了新的挑战。为了更加准确地对长寿风险进行评估和管理,需要对未来死亡率趋势进行预测。本文针对我国死亡率数据样本量小以及数据存在缺失的实际情况,对Lee-Carter模型进行了改进,通过一个双随机过程对Lee-Carter模型中的时间项进行建模。在模型中考虑了样本量不足对预测结果造成的影响,使得改进后的Lee-Carter模型更加适合目前中国的人口死亡率预测。     

高龄人口死亡率预测模型的比较与选择

高龄人口死亡率预测模型是人口预测、养老金成本和债务评估以及长寿风险度量与管理的基础。我国大陆地区高龄人口死亡数据量少、数据波动性大,如何选择适合我国高龄数据特点的死亡率预测模型,是重要的研究课题。本文在归纳总结死亡率预测模型研究进展的基础上,先采用数据较为充分的台湾地区高龄死亡数据,选用Lee-Carter、CBD、贝叶斯分层模型等八种死亡率模型,对模型的拟合效果、预测效果和稳健性做出比较。在此基础上,基于修正和平滑后的我国大陆人口死亡数据,采用CBD模型和贝叶斯分层模型建模和预测。结果显示:贝叶斯分层模型能捕捉我国大陆高龄死亡率数据的历史波动,预测区间能够涵盖全部死亡率的真实值,但预测区间过宽,生存曲线不收敛;相比之下,CBD模型对我国大陆地区高龄死亡率的拟合和预测较好,预测区间和生存曲线合理。在长寿风险度量中,建议采用CBD模型。     

河南省银行业稳定和风险监测评估研究

研究中引申沿用了证券投资领域中系统性风险和非系统性风险的概念，将区域银行体系风险以是否可以分散为标志划分为系统性风险和非系统性风险；按照多指标综合评价的思路，将河南省银行体系的诸类风险的各类表征细化为指标体系；采用模糊综合评价模型建立了银行体系风险监测评估的应用模型。通过对河南省1999年-2003年实际数据对模型进行了验证，结果表明本研究建立的河南省银行风险监测和评估模型对区域银行风险监测评估具有实用价值。     

基于小波神经网络的高阶CAPM实证研究

本文在传统CAPM的基础上,引入了一个高阶的CAPM。借助小波神经网络在非线性函数逼近方面的优势,使用上海证券交易所股票数据分别对二阶至四阶CAPM进行了实证分析。最终的研究结果表明:就上海股市而言,12只大盘股组合已经能够有效分散非系统风险,而12只小盘股不能充分化解非系统风险,存在所谓的规模效应;训练后的网络预测显示,高阶CAPM无论是在预测精度还是预测稳定性上都要明显优于传统的CAPM,在一个非系统风险得到充分分散的证券组合中,加入三阶矩的CAPM已经能够比较准确地把握风险资产的市场定价。     

多模态数据在金融风控领域的应用

随着金融科技的不断进步,人工智能算法在金融风控领域的应用也逐渐深化。信用评分模型作为一种应用最广泛的风险评估模型,主要使用个人信息、征信等结构化数据进行模型构建,对图像、文本、语音等非结构化数据的利用存在局限性。为了有效利用各种形态的数据,文章研究提出一种利用多模态数据的框架,融合结构化数据和非结构化数据中的有效信息,进而提升模型的风险识别能力。该算法可应用于其他涉及非结构化数据的领域中,算法组件可以根据实际业务数据进行任意替换。实验证明,与只使用结构化数据的基线模型对比,非结构化数据特征能够有效提升模型的风险识别能力,其中AUC提升4%,KS提升6%,模型稳定性指标PSI稳定在0.01。     

基于卡尔曼滤波算法的上证50指数预测

本文基于ARMA模型构建卡尔曼滤波算法的线性状态空间模型,然后利用ARMA模型的卡尔曼滤波算法来预测上证50指数,并且将预测结果与基于ARMA模型的预测结果进行了比较,结果表明,结合了ARMA模型的卡尔曼滤波算法的预测准确度为52.1%,明显优于单纯的ARMA模型。     

提升算法对传统车险索赔频率建模模型的改进——基于我国五省交强险保单数据

广义线性模型作为非寿险定价的经典模型,在非寿险定价中得到了广泛的应用。近年来,以提升算法为代表的机器学习算法在保险领域取得了很好的效果,为保险产品定价提供了一种新的选择。本文将提升算法思想分别融入到回归树模型和广义线性模型(GLM)中去,用得到的新模型对我国车险索赔频率进行预测建模分析,并与传统的回归树模型和GLM进行比较。结果表明,加入提升算法后传统车险索赔频率建模模型的效果得到了很大的改善,并且在不存在过拟合的前提下,随着模型深度和迭代次数的增加,模型的效果也在不断优化。     

高频数据下基于组合预测思想的统计套利策略创新设计与实证研究

采用两只股票的日数据和5种高频数据,借鉴组合预测思想,综合利用协整模型和新卡尔曼滤波模型,与统计套利策略具体目标相结合,设计出新统计套利组合策略,实证分析数据频率、策略选择对统计套利效果的影响。结果表明：运用高频数据及引入卡尔曼滤波模型均有效,但卡尔曼滤波模型与协整模型不存在明显优劣之分,选择组合策略是必要的;组合策略收益性显著优于采取单一模型的套利策略;组合策略下的套利组合随数据频率提高,收益率波动性更小、更稳定;组合策略接近市场中性,能很好地免疫市场风险。     

中国死亡率的抽样误差修正、预测及应用——基于引力模型与日本相应数据

死亡率引力模型是研究两个相关但暴露数规模不同的人群的动态死亡率模型。本文针对中国人口死亡率抽样数据偏差较大这一特点,运用引力模型思想借鉴日本相应数据建模。研究发现,引力模型改进了我国人口未来死亡率建模的方法,提供了更准确的预测。对于中国现有的数据,如果不考虑引力效应会导致年金产品的过低定价,低估未来老龄人口的抚养比。     

基于机器学习算法的车险索赔概率与累积赔款预测

保险费率厘定的核心工作是对保险损失的预测。在保险损失预测中,广义线性模型是目前使用最为广泛的主流方法,而机器学习算法则提供了一种新的选择。本文将支持向量机、神经网络和集成学习等机器学习算法应用于汽车保险的损失预测,建立了索赔发生概率的预测模型和累积赔款的预测模型,并与传统广义线性模型中的logistic回归模型和伽马回归模型进行了比较。结果表明,机器学习算法的优点是不依赖于分布假设,在一定程度上可以提高保险损失预测的精度,缺陷是比较耗时,建模过程中的人为干预较多,对使用者提出了更高的要求,且输出结果的可解释性不及广义线性模型。机器学习算法与广义线性模型在保险损失预测中各有优缺点,具有互补性,在实际应用中,可以根据不同的场景选择不同的方法。     

随机死亡率模型的拟合与预测——基于中国男性人口死亡率数据的比较分析

生活方式的改变、医学的进步和遗传学的新发现都会使人的预期寿命变得不确定。本文针对中国人口死亡率历史数据(0～89岁男性数据),利用贝叶斯信息准则和嵌套模型的似然比检验等方法,比较了8种目前流行的随机死亡率模型的拟合效果;同时,检验了这8种随机死亡率模型预测结果的生物合理性和稳定性,并比较了它们的预测效果。结果表明,由Lee-Carter模型拓展而来的Age-Period-Cohort模型最适合于拟合和预测中国的人口死亡率,这为我国寿险企业和养老金机构的死亡率风险管理提供了科学依据。     

宏观审慎政策视角下商业银行系统性风险监管研究——基于VAR模型分析

宏观审慎监管政策框架作为系统性风险调控的重要方式,已成为世界各国金融监管体系研究的重要课题。为完善我国宏观审慎监管研究,本文基于商业银行2009—2017年数据,构建了逆周期资本缓冲模拟并运用VAR模型检验了我国宏观审慎政策对商业银行系统性风险的监管效果。研究表明,逆周期资本缓冲模拟与我国经济运行状况相符,VAR模型结果表明长期资本充足率存在逆周期效应,流动性比例在短期内有助于降低系统性风险,逆周期资本缓冲对系统性风险反应迅速,在降低系统性风险方面起关键作用。在此基础上,本文对完善我国商业银行宏观审慎监管、防范系统性风险提出建议。     

网络风险及其保险的主要问题

本文从网络风险的定义着手，通过对网络风险的成本及其危害、网络风险的建模、可承保性及网络风险的管理等角度开展研究，指出由于数据的可获得性等因素导致网络风险建模面临的问题；网络风险的可承保性方面，由于网络风险有别于传统保险的非独立性、信息不对称性和保障范围等方面的问题，其可承保性仍待进一步研究。综合分析后提出学术界、实务界和政府进一步的工作方向。     

生存分析、宏观经济变量与违约概率

在研究个人贷款违约风险中,传统的研究往往只单纯地将宏观经济指标作为协变量,并未考虑宏观经济指标的时变交互特征(vandell,1993;Zandi,1998)。国外研究达成共识的是以Logistic回归的传统模型不能给出违约概率的动态预测值,且反映经济形势的宏观经济变量也不能纳入模型中。论文论述了生存分析与Logistic模型的理论机理,试图在借贷违约风险中加入系统性风险对违约的影响因素,克服了以Logistic回归模型为代表的传统模型在度量信贷违约概率时仅考虑个体非系统性风险的局限。研究结论说明宏观经济变量确实对违约风险有影响,对网贷违约风险来说,Cox模型更优于Logistic函数。     

电网企业大数据驱动的系统性风险审计模式构建与实践 ——基于发展和安全视角

国网山西省电力公司将业审融合与大数据技术有机结合,充分发挥依托中台大数据优势和数字化审计平台作用,运用底线思维构建审计模型,形成大数据驱动的系统性风险审计模式,推动解决企业系统性风险和整体性问题,促进企业高质量发展.     

聚焦平台金融新时代的数据治理与监管变革

2021年是“十四五”规划的开局之年,我国数字经济快速发展,越来越多的产品、企业和产业进入数字化时代。人工智能、大数据、云计算等金融科技的运用推动了金融行业的数字化发展,快捷支付、线上金融服务等为客户提供了便捷的使用方式和良好的客户体验,也推动了实体经济的数字化转型。传统的线下生产和消费模式加速向线上迁移,在国民经济中的重要性显著提升。金融行业历来都是技术的先行者,这其中既包含了信息技术在传统金融领域的广泛运用,也包含了平台科技企业向金融领域的快速拓展,从而形成平台金融企业。在短短几年间,平台金融企业依托海量数据及技术优势快速成长,给社会经济的发展带来积极意义,弥补了传统金融供给的不足,提高了金融服务的便捷性,拓展了行为数据的应用领域,推动了整个金融体系的数字化转型。与此同时,金融科技也带了新的风险,首先是数据治理上的风险,包括垄断风险和算法伦理风险;其次是金融业务特有的信用风险和系统性风险。     

基于分位数因子分析方法的系统性金融风险测度

尾部风险是系统性金融风险爆发的重要导火索，而常用于系统性金融风险测度的因子分析方法一般是从均值角度进行构建。为从尾部视角构建更加及时有效的系统性金融风险指标，本文选取了122个申万二级行业指数的日度收益率，采用分位数因子分析方法，构造了金融市场的尾部风险因子。通过与均值风险因子进行比较发现：（1）尾部风险因子在风险事件刻画和风险预警方面均具有优势；（2）其优势在于尾部风险因子除包含水平信息以外，还具有风险信息；（3）其风险信息不仅对未来市场价格信息具有边际的预测能力，还是风险预警能力的主要来源。本文的研究结果将有助于提升我国的系统性金融风险预警效率，为维护金融稳定提供参考。     

我国银行业系统性风险研究——基于拓展的未定权益分析法北大核心CSSCISSCI

系统性风险一直以来是学术界研究的前沿问题。基于拓展的CCA方法本文研究了金融危机后我国商业银行的系统性风险。本文利用2007年第四季度到2012年第三季度上市银行的股票市场数据和财务报表数据,构建了具有前瞻性特征的隐含资产波动率、ADD、WDD、PDD、政府隐性担保等系统性风险日频指标序列,以能刻画银行间资产联动性的PDD和ADD之差以及政府隐性担保为基础,分析了我国大型商业银行、股份制商业银行以及银行业系统性风险的动态演变特征,研究发现银行体系的系统性风险受到国内外经济金融形势的显著影响,股份制商业银行的风险要小于大型银行,2012年第三季度银行业系统性风险呈现出增大的趋势。基于拓展的CCA方法的系统性风险指标综合了市场信息和财务报表信息,对市场信息反应迅速,能动态地刻画银行体系的风险状况。     

多维地震风险模型与保险基金测算北大核心CSSCI

本文选取我国大陆地区1990~2019年的地震灾害数据为研究样本,以地震造成的直接经济损失、死亡人数和受伤人数三个维度为研究对象,建立了复杂数据结构下的多维地震风险模型。在不同期限结构和不同偿付水平下,运用蒙特卡洛模拟算法测算了我国地震保险基金的风险规模和保费水平。与传统的巨灾精算模型相比,多维地震风险模型不仅解决了连续型、离散型和半连续型数据的联合建模问题,还能够更好地刻画多维地震风险之间非对称的相依结构。实际分析表明,在巨灾风险度量中考虑复杂的相依结构能够更好地分散地震的尾部风险,有效地减少政府的财政负担,提高地震保险的风险覆盖水平,为完善我国地震巨灾保险制度提供理论支撑。