我院姜富伟教授和中国工商银行齐欣林博士（我院博士毕业生）、在读博士生林奕皓合作撰写的论文《金融科技与我国银行间市场风险防控》近日在《中国货币市场》正式刊出，该文章同时获得《中国货币市场》创刊20周年“银行间市场：新机遇 新征程”主题征文活动优秀论文奖。

我国银行间市场成立20多年来，秉承市场化改革发展的原则，经历了从无到有、高速发展、日趋成熟等发展阶段，市场规模快速增长，参与主体持续扩容，法规制度不断完善，市场深度和广度日益提高，为我国多层次金融体系的建立、直接融资市场的发展做出了重要贡献。与此同时，在全球金融市场联动加强、宏观政策变化及地缘事件冲击等影响下，银行间市场风险防控面临新的特征和挑战。

文章认为，将大数据、机器学习等金融科技运用于银行间市场风险防控，可更好地对银行间市场数据可能存在的非线性性、高维特性、噪声性质进行研究，为传统方法的局限性提供了针对性的解决思路。从金融大数据角度来看，银行间市场经过20多年发展，存量数据具有海量特性，从大数据中更有效地提取有价值的信息，具有重要意义。由于是场外市场，银行间市场包括大量文本数据、音频数据、视频数据等非结构化数据，而且变量之间更容易表现出时变性、非线性和非平稳性的特点。从金融机器学习角度来看，机器学习能够从大数据中学习更多经验知识，机器学习中的有关算法能够更好地处理文本等非结构化数据，是对结构化数据的重要补充。同时，机器学习没有严格地假设模型函数形式，这是对传统计量经济学的有益突破，有利于提高模型预测能力，进行前瞻性风险预警。

文章介绍了金融科技在银行间市场的具体应用案例。一方面，文章以LSTM神经网络模型为例检验机器学习算法在银行间市场利率水平预测方面的准确性。实证结果显示，LSTM神经网络模型能够对SHIBOR利率水平进行较客观的预测，尤其是可以对利率出现的持续上升、下降以及走势拐点进行实时预报。扩展来看，可考虑从提升机器学习算法性能入手，例如采用遗传算法、模拟退火算法等优化神经网络的权值和阈值，使构建的模型拥有更稳定的性能和预测能力。此外，除从时序维度考察银行间市场基准利率的变化外，还可以从基准利率的产生机理、影响因素等角度出发，探究银行间市场基准变量与相关影响因素之间的交互作用关系，使相关研究更全面、系统。另一方面，文章实证检验了机器学习算法相比于经典线性回归模型，能够更好地实现对债券信用利差的准确预测，进而对银行间市场信用风险进行实时预警。文章指出，后续可尝试拓展基本面指标库，构建更强大的指标体系，例如借鉴姜富伟等（2021），综合宏观指标构建宏微观混合大数据集，继续提升数据维度和颗粒精度，实现更准确、更全面地刻画我国银行间市场在不同时期的时变风险特征，同时也可以考虑从非结构性数据中挖掘影响银行间市场信用风险的信号性指标。

在我国政府日益强调防范化解系统性金融风险的背景下，本文观点对强化金融监管和促进宏观审慎管理有着重要意义。将金融科技引入银行间市场风险防控，有助于探寻银行间市场风险研究中未被揭露的内在逻辑关系，把握风险传导途径，有效识别金融市场、宏观经济各部门的外溢效应及其对银行间市场的反馈机制，进而为银行间市场风险管理问题提供合理有效的实践指导，提高我国金融风险识别与防控的能力，为守住不发生系统性风险的底线提供科学支撑和政策建议。