互联网金融空间聚集分析及系统性风险防范——基于t-SNE机器学习模型

摘要/Abstract

摘要： 互联网金融同传统金融具有不同的空间聚集特征。互联网金融在带来金融开放、门槛降低、效率提升、成本下降的同时,也给互联网金融体系、乃至整个金融系统带来风险新问题。大量研究表明互联网金融在宏观经济冲击、内部脆弱性等影响下,往往具有与以往不同的系统性金融风险特征。本文利用北京大学的31个省和335个地市区域的互联网金融发展指数有关数据,运用t-SNE机器学习模型进行我国互联网金融发展的降维和聚类分析,得到我国互联网金融空间聚集和不同业务模式发展的分布特征,发现在区域发展程度上存在尖峰厚尾,在业务模式上存在不均衡现象。基于此,提出了考虑互联网金融发展区域差异造成的三方面系统性风险,并为防范互联网金融系统性风险提出建议。

关键词: 互联网金融, 系统性风险, 降维聚类, t-SNE算法

Abstract: The development of Internet finance has different spatial focusing characteristics from traditional finance. Internet finance gives rise to the new problem of systemic risk in the Internet financial system, and even in the financial system as a whole, while bringing about advantages of financial opening, lowering the threshold, improving efficiency and reducing the cost. A large number of studies have shown that Internet finance often has different characteristics of systemic financial risk compared with the traditional finance because of its characteristics such as macroeconomic shock or internal vulnerability. Using the data of Internet financial development in 31 provinces and 335 metropolitan areas, this paper uses t-SNE machine learning algorithm to analyze the health of Internet finance, reveals the distribution characteristics of Internet financial space polymerization and the development of different business models in China, and finds that there are spikes and thick tails in the degree of regional development. There is also an imbalance in the business models. Based on the above analysis, the paper not only suggests that the three aspects of the systemic risk caused by regional differences in Internet financial development should be taken into consideration, but also puts forward some proposals to prevent the systemic risks in Internet finance.

Key words: Internet Finance, Systemic Risk, Dimensionless Clustering, t-SNE Algorithm

中图分类号:

F832

米传民, 徐润捷, 陶静. 互联网金融空间聚集分析及系统性风险防范——基于t-SNE机器学习模型[J]. 财经论丛, 2019, 35(8): 53-62.

MI Chuanmin, XU Runjie, TAO Jing. Analysis of Internet Financial Spatial Aggregation and Systematic Risk Prevention——Based on t-SNE Machine Learning Model[J]. , 2019, 35(8): 53-62.

参考文献

[1] 谢平,邹传伟.互联网金融模式研究[J]. 金融研究,2012,(12):11-22.
[2] 刘柳,屈小娥.互联网金融改善了社会融资结构吗？——基于企业融资选择模型[J]. 财经论丛,2017,(3):38-48.
[3] 王培辉,袁薇.我国金融机构系统性风险动态监测——基于CCA和动态因子copula模型的研究[J]. 财经论丛,2017,(12):43-53.
[4] Adrian, Tobias, Markus K., Brunnermeier. CoVaR[R]. National Bureau of Economic Research, 2011.
[5] Acharya V., Engle R. F. Richardson M. Capital Shortfall: A New Approach to Ranking and Regulating Systemic Risks[J]. American Economic Review, 2012, 102(3): 59-64.
[6] L.J.P. van der Maaten, Hinton G.E. Visualizing High-dimensional Data Using t-SNE[J]. Journal of Machine Learning Research, 2008, (9): 2579-26058.
[7] 北京大学互联网金融研究中心课题组.互联网金融发展指数的编制与分析[J]. 新金融评论,2016,(1):101-129.
[8] 郭峰,孔涛,王靖一.互联网金融空间集聚效应分析——来自互联网金融发展指数的证据[J]. 国际金融研究,2017,(8):75-85.
[9] 郭海凤,陈霄.P2P网贷平台综合竞争力评价研究[J]. 金融论坛,2015,(2):12-23.
[10] 廖理,李梦然,王正位.聪明的投资者:非完全市场化利率与风险识别——来自P2P网络借贷的证据[J]. 经济研究,2014,(7):125-137.
[11] 王赛芳.我国互联网金融发展水平及空间分异研究[J]. 农村金融研究,2016,(11):33-37.
[12] 李清磊,王旺.安徽省数字普惠金融的聚类分析[J]. 市场周刊(理论研究),2018,(1):132-133.
[13] 巴曙松,朱元倩,金玲玲.巴塞尔协议III与金融监管大变革[M]. 北京:中国金融出版社,2015.
[14] 王妍,陈守东.系统性金融风险研究——基于金融不稳定的视角[J]. 数量经济研究,2014,(2): 12-21.
[15] Allen F. and Gale, D. Financial Contagion[J]. Journal of Political Economy, 2000, 108(1): 1-33.
[16] Illing M., Liu Y. Measuring Financial Stress in a Developed Country: An Application to Canada[J]. Journal of Financial Stability,2006, 2(3): 243-265.
[17] 陈守东,王妍.我国金融机构的系统性金融风险评估——基于极端分位数回归技术的风险度量[J]. 中国管理科学,2014,(7):10 -17.
[18] 巴曙松,左伟,朱元倩.金融网络及传染对金融稳定的影响[J]. 财经问题研究,2013,(2):3-11.
[19] Acemoglu D., Asuman T. Systemic Risk and Stability in Financial Network[J]. American Economic Review, 2015, 105(2): 564-608.
[20] Axel G., Luitgard A. A Bayesian Methodology for Systemic Risk Assessment in Financial Network[J]. Management Science, 2016, 63(12): 4428-446.
[21] Hamed A., Andreea M. Inhomogeneous Financial Networks and Contagious Links[J]. Operations Research, 2016, 64(5): 1109-1120.
[22] 贾彦东.金融机构的系统重要性分析——金融网络中的系统风险衡量与成本分担[J]. 金融研究,2011,(10):17-33.
[23] 隋聪,迟国泰,王宗尧.基于网络视角的银行业系统性风险度量方法[J]. 中国管理科学,2016,(5):54-64.
[24] 邓超,陈学军.基于复杂网络的金融传染风险模型研究[J]. 中国管理科学,2014,(11):11-18.
[25] 欧阳红兵,刘晓东.中国金融机构的系统重要性及系统性风险传染机制分析——基于复杂网络视角[J]. 中国管理科学,2015,(10):30-37.
[26] OnayC., Ozsoz E. The Impact of Internet-banking on Brick and Mortar Branches: The Case of Turkey[J]. Journal of Financial Services Research, 2014, 44(2): 187-204.
[27] 吴成颂,王超,倪清.互联网金融对商业银行系统性风险的影响——基于沪深股市上市商业银行的证据[J]. 当代经济管理,2019,(2):90-97.
[28] 顾海峰,杨立翔.互联网金融与银行风险承担:基于中国银行业的证据[J]. 世界经济,2018,(10):75-100.
[29] Klafft, Michael. Peer to Peer Lending: Auctioning Microcredits over the Internet[C]. Proceedings of the International Conference on Information Systems, Technology and Management, Dubai, 2008.
[30] 张李义,涂奔.互联网金融信息优势对同业市场利率影响的实证研究——基于商业银行经营决策分析[J]. 财经论丛,2018,(2):47-57.
[31] 吴珂,谢晋雯.互联网金融风险诱因和严重程度的识别——基于Z值评分模型[J]. 商业经济研究,2018,(22):154-156.
[32] 陈耀辉,杨宁.基于La-VaR模型互联网金融流动性风险的研究[J]. 时代金融,2018,(32):341-342.
[33] 兰翔.基于VaR分析与Copula方法的互联网金融风险度量[D]. 济南:山东大学硕士学位论文,2017.
[34] 王立勇,石颖.互联网金融的风险机理与风险度量研究——以P2P网贷为例[J]. 东南大学学报(哲学社会科学版),2016,(2):103-112,148.
[35] 贾楠.中国互联网金融对银行业风险影响及其系统性风险度量研究[J]. 经济问题探索,2018,(4): 145-157.
[36] 朱辰,华桂宏.互联网金融对中国银行业系统性风险的影响——基于SCCA模型及逐步回归法的实证研究[J]. 金融经济学研究,2018,(2):50-59.
[37] 张婷,米传民.基于超网络的互联网金融均衡问题研究[J]. 复杂系统与复杂科学,2016,(2):36-43.
[38] 米传民,李丹丹,张婷,等.考虑社交关系水平的互联网金融超网络模型及均衡研究[J]. 中国管理科学,2018,(12):56-65.
[39] Tang J., Qu M., Wang M. et al. Line: Large-scale Information Network Embedding[C]. Proceedings of the 24th International Conference on World Wide Web, 2015:1067-1077.
[40] Tang J., Liu J., Zhang M. et al.Visualizing Large-scale and High-dimensional Data[C]. Proceedings of the 25th International Conference on World Wide Web, 2016:287-297.
[41] Gordon Berman, Daniel M. Choi William Bialek, Joshua W. Shaevitz.Mapping the Stereotyped Behaviour of Freely Moving Fryit Flies[J]. Journal of the Royal Society Interface, 2014, 11(99):1-12.
[42] 刘丰,赵琉涛,廖晨宇,等.基于t-SNE声音情报识别的可视化系统在E-learning平台应用——以鸟类音频情报识别为例[J]. 企业技术开发,2017,(4):9-12.
[43] 詹威威,王彬,薛洁,等.自适应加权t-SNE算法及其在脑网络状态观测矩阵降维中的应用研究[J]. 计算机应用研究,2018,(7):2055-2058,2070.
[44] 姚雪曼.基于流形学习的降维技术的研究与实现[D]. 北京:北京邮电大学硕士学位论文,2017.
[45] 李建平,丰吉闯,宋浩,等.风险相关性下的信用风险、市场风险和操作风险集成度量[J]. 中国管理科学,2010,(1):18-25.
[46] 朱晓谦,李靖宇,李建平,等.基于危机条件概率的系统性风险度量研究[J]. 中国管理科学,2018,(6):1-7.