科多大数据培训
全国24小时免费热线
15328019568
联系QQ
3048661160
开班时间
当前位置:首页 > 学习资讯 > 大数据内容 >

大数据培训资讯:宏观审慎监管大数据方法的原理与意义

近年来,主要发达国家金融监管当局高度重视大数据方法在宏观审慎监管领域的运用。大数据的理念和技术手段能够帮助金融监管当局从体量巨大、类型庞杂且彼此关联的微观金融数据

近年来,主要发达国家金融监管当局高度重视大数据方法在宏观审慎监管领域的运用。大数据的理念和技术手段能够帮助金融监管当局从体量巨大、类型庞杂且彼此关联的微观金融数据中提取系统性风险信息。专注大数据培训科多大数据认为,大数据方法有着不同于传统研究方法的逻辑与特点,其强调数据的整体性和混杂性以及逻辑上的相关关系。

(一)传统研究方法的逻辑与特点

目前,系统性风险及其发生机制仍然是难以洞察的“黑匣子”。各国业界、监管当局以及国内外学术界尚未对系统性风险的定义达成共识,因此度量系统性风险的角度和方法也存在相当大的差异。Crockett和Borio等的早期研究将系统性风险分为时间维度和截面维度;美国财政部金融研究办公室从监管、研究和数据三个层面系统总结归纳了目前量化系统性风险的31种方法,并将其分为宏观经济度量法、微观组织与网络度量法、前瞻性风险度量法、压力测试度量法、部门交叉度量法以及流动性与清偿危机度量法六大类。这些既有的研究和度量方法,都是基于传统的经济学量化分析的逻辑展开的。其典型特征是:

第一,对系统性风险的发生机制做事前的理论假定。

然后按照这一理论假定设计模型、拟合数据并进行预测。当然,很多学术研究也是根据数据的可得性修订其理论假定。这是传统的经济学和统计学研究的基本范式。在这一过程中,无论是数理模型还是计量或统计模型,往往被设计得相当简化和精致,因为过多的变量会使数理模型的推演复杂化甚至无法求出均衡解或者因为数据不可得或数据质量低下而无法进行实证检验。因此,这是一种典型的“理论(经验)驱动数据”的逻辑。这种研究范式在大量数据不可得的情况下,是研究和解释现实世界复杂的经济运行机制的一种高效和可行的方式。然而,其缺陷也很明显。以系统性风险研究为例,事实上我们很难准确判断系统性风险会按照预先设定的方式发生,因此基于某一特定的理论视角、使用部分数据所进行的经验分析,尽管能够在一定程度上解释已经发生的危机,但是很难被用来预测下一次危机的发生。

第二,现行的大多数经验分析方法对于数据质量的要求都比较高。

必须是便于处理的结构化数据,样本数据的连续性和完整性往往是进行计量分析和统计分析的前提条件。事实上,在相对有限的样本容量下,只有高质量的数据才有可能确保估计的准确性和可靠性。

第三,探求因果关系。

对因果关系的探求是不断推动包括经济学在内的社会科学发展的重要力量。我们的研究总是试图找到经济变量之间的因果关系,进而通过控制“因”影响“果”。如在宏观审慎监管研究中,我们的目标是找出并控制系统性风险的诱因,进而实现对系统性风险的预防。然而,事实证明,因果关系往往非常复杂且常常随着时间和条件的改变而发生变化,这使得揭示系统性风险的形成机理变得非常困难。

大数据培训资讯:宏观审慎监管大数据方法的原理与意义

(二)大数据方法的基本原理

使用大数据的理念和方法实施宏观审慎监管的基本原理可以概括为:在可获得的全部微观金融数据(包括现行金融统计体系内的结构化数据以及这一体系外的大量能够反映金融体系运行情况的非结构化数据)的基础上,使用数据挖掘、机器学习、数据可视化分析等大数据技术对系统性风险进行量化,并通过寻找和监测与系统性风险高度相关的指标这一方法,实现对系统性风险的预测和审慎监管。与传统研究相比,大数据方法在数据方面强调整体性和混杂性,在逻辑方面强调相关关系。具体而言:第一,大数据方法不要求事前对系统性风险的形成机制做理论假定,而是通过对可获得的全部微观金融数据而非部分样本数据进行即时和动态分析,做到“让数据说话”。尽管这种海量数据分析得出的结论可能符合既有的解释危机爆发的理论,也可能与其相悖甚至一时令人难以理解,但这种分析结果是复杂的金融系统运行机制的最快且最全面的反映,其有助于修正既有的理论或经验并且在预测未来趋势时比传统方法更具优势。显然,大数据方法的内在逻辑是“数据驱动理论”而非相反。第二,大数据方法在强调数据整体性的同时,大大放松了对数据质量和数据类型的要求。在海量的微观数据面前,少量劣质数据的存在将不会影响最终的分析结果。随着大数据技术的不断完善,能够处理非结构化数据的技术方法不断涌现。因此,大数据方法能够从海量的结构化数据和非结构化数据相混合的复杂类型数据中捕捉传统分析方法无法获取的有用信息。第三,大数据方法更多地强调变量之间的相关性而非因果关系。大数据方法重在通过技术手段发现与系统性风险高度相关的变量,进而实现对系统性风险的监测与预判。这种通过“让数据说话”而非事前理论设定而获得的变量指标,可能与系统性风险的爆发仅仅是相关关系而并非因果关系。尽管其可能无助于我们解释危机为何会爆发,但却有利于我们预判危机何时会爆发。

大数据培训资讯:宏观审慎监管大数据方法的原理与意义

(三)大数据方法的意义、现状与前景

宏观审慎监管的大数据方法有两个核心:一是建立一个完整、开放以及包容性强的数据基础设施,以收集能够体现金融体系整体运行状况的覆盖面广、数据量大、数据类型多的微观金融数据;二是在此基础上开发能够深入挖掘和解析海量微观金融数据背后蕴藏的系统性风险信息的大数据方法。二者相辅相成,缺一不可。大数据方法很好地契合了主要发达国家乃至全球金融体系发生的结构性变化,以及这种结构性变化对各国监管当局提出的重视微观金融数据分析的这一客观要求。为此,以美国和英国为代表的主要发达国家都非常重视宏观审慎监管的大数据方法的研究和探索。其重大意义主要体现在以下两个方面:首先,作为传统分析方法的“逆向思维”,“数据驱动理论”的基本逻辑以及大数据的技术方法为破解系统性风险的形成机制这一“黑匣子”提供了新的视角和分析工具,进而有利于金融监管当局更有效地实施宏观审慎监管。其次,大数据方法能够打通宏观审慎监管和微观审慎监管的界限,这不仅有利于维护金融体系的安全与稳定,而且还将极大地提高金融市场的有效性。大数据的理念和方法既可以用来评估整个金融体系的风险,也同样可以用来分析某一家金融机构的风险状况。一旦完善的微观金融数据基础设施得以建立,金融机构也可以利用开放的数据平台和大数据方法,提高风险管理能力、更有效地拓展业务和维护客户关系以及更有针对性地开展金融创新等。因此,无论是数据基础设施还是大数据技术本身,都将在金融体系内产生巨大的溢出效应,从而对一国金融体系和金融市场的发展产生重大而深远的影响。

大数据培训资讯:宏观审慎监管大数据方法的原理与意义

需要指出的是,从微观数据基础设施的建设以及大数据方法的发展这两个方面来看,主要发达国家对于宏观审慎监管的大数据方法的开发和运用仍然处于起步阶段。换言之,大数据技术被用作系统性风险分析和预测目前仍处于理论构想和技术调试阶段,其预测系统性风险的有效性仍有待实践检验。这一方面是因为主要发达国家金融数据统计体系的历史较为久远且高度碎片化,各国乃至各部门之间的数据标准存在巨大差别,大量在现行统计体系下被收集和储存的微观金融数据需要按照统一的标准进行整合。因此,微观金融数据基础设施的建设是一项较为复杂和长期的工作,尚需时日。另一方面,大数据技术本身也在不断发展和完善,尽管其已经在诸多实体经济部门和广泛的领域产生了显著的效果,但各国金融监管当局将大数据技术与宏观审慎监管这一新兴的且富有挑战的领域相结合,仍然需要一个探索的过程。目前,以美国和英国为代表的发达国家金融监管当局纷纷对此表现出极大的热情并积极进行研究和实践。应当说,宏观审慎监管的大数据方法的前景是值得期待的。

正如我们所见,金融业作为一个典型的信息密集型产业部门,已经走在这场大数据浪潮的前沿。现代金融体系的运行每时每刻都在产生大量的微观金融数据。因此,收集和分析这些数据则成为维持这一体系稳定高效运行的基础。近年来,国内外金融界一直在关注大数据技术可能对现代金融业带来的革命性变革,“大数据金融”由此成为一个炙手可热的研究领域。更多大数据培训相关资讯,欢迎关注科多大数据。
最新资讯更多+
内容推荐更多+
在线课堂
猜你喜欢