MATLAB在央行系统性风险建模中的应用：从网络传染到压力测试

1. 项目概述：为什么央行需要系统性风险建模工具箱

在金融稳定领域，系统性风险是一个让所有从业者都高度警惕的词汇。它描述的并非单一机构的倒闭，而是整个金融体系因相互关联和传染效应而面临崩溃的可能性。对于肩负着维护金融稳定核心使命的中央银行而言，如何量化、监测并前瞻性地管理这种风险，是一项极具挑战性的任务。传统的基于单一机构资产负债表的风险评估方法，在面对复杂的网络化、高杠杆和衍生品交织的现代金融体系时，常常显得力不从心。这正是“系统性风险建模”成为央行研究部门核心课题的原因。

而MATLAB，作为一款集成了高级数学计算、数据分析和可视化功能的强大平台，因其在矩阵运算、算法原型开发和模型验证方面的天然优势，成为了构建这些复杂模型的理想“数字实验室”。这个项目，本质上就是探讨如何利用MATLAB这一工具集，为中央银行量身打造一套从数据清洗、网络构建、风险传染模拟到压力测试的完整分析框架。它不是简单地调用几个现成函数，而是需要建模者深刻理解金融网络的拓扑结构、风险传染的动力学机制，并将这些理论转化为可计算、可迭代、可解释的MATLAB代码。对于金融工程师、风险分析师和货币政策研究者来说，掌握这套工具箱，意味着能够亲手“透视”金融体系的脆弱性，为宏观审慎政策的制定提供坚实的量化依据。

2. 系统性风险建模的核心方法论与MATLAB实现路径

2.1 理解系统性风险的三大维度：关联性、传染性与共同风险暴露

在动手写代码之前，我们必须厘清系统性风险建模的理论基石。它主要从三个维度展开：

1. 关联性风险：金融机构之间因持有相似资产或业务关联而形成的“一荣俱荣，一损俱损”现象。在MATLAB中，这通常通过计算大型面板数据（如各家机构的股价收益率、CDS利差）的相关系数矩阵、协方差矩阵，或更高级的时变Copula模型来实现。corrcoef函数是起点，但对于高频或非线性关联，可能需要用到Econometrics Toolbox中的egarch、dcc等模型来估计动态条件相关性。

2. 传染性风险：一家机构的困境通过资产负债表直接关联（如同业借贷违约）或间接渠道（如资产抛售导致市场价格下跌）传递给其他机构。这是建模的核心难点。经典方法包括：

   • 网络模型：将金融机构视为节点，它们之间的风险暴露（如银行间借贷余额）视为有向边，构建一个加权有向图。在MATLAB中，你可以利用digraph对象来构建这个网络，然后通过模拟初始冲击（如某个节点资本金受损）在网络中的传播过程（如使用DebtRank算法）来评估传染效应。
   • 矩阵法：基于Leontief投入产出思想，将机构间的风险暴露矩阵与机构的资本缓冲相结合，通过迭代计算来模拟损失的传染放大。这本质上是一系列矩阵运算，MATLAB处理起来得心应手。

3. 共同风险暴露：所有机构共同暴露于某一宏观经济因子（如房地产价格暴跌、利率骤升）之下。这需要通过宏观金融模型来连接。例如，构建一个向量自回归模型，分析GDP增长率、利率、房价指数等宏观变量对银行体系整体不良率或资本充足率的影响。MATLAB的Econometrics Toolbox提供了完整的VAR模型估计（varm、estimate）和脉冲响应分析（irf）工具链。

实操心得：不要试图用一个“超级模型”解决所有问题。在实际项目中，我们通常会针对不同的政策问题（如评估支付系统韧性、测试银行间市场抗压能力）选择不同的方法论组合。MATLAB的优势在于其模块化——你可以分别为关联性、传染性构建独立的函数模块，最后再通过一个主脚本将它们有机整合。

2.2 工具箱选型：超越基础MATLAB的核心工具包

虽然基础MATLAB已经很强，但要高效完成系统性风险建模，以下几个工具箱几乎是必不可少的：

• Econometrics Toolbox：这是时间序列分析的基石。用于估计GARCH族模型（计算波动率与相关性）、构建VAR/SVAR模型（分析宏观金融联动）、进行协整检验等。它的函数设计非常贴近计量经济学理论，文档中也有大量金融案例。
• Statistics and Machine Learning Toolbox：提供更丰富的相关性分析（如秩相关）、聚类分析（识别具有相似风险特征的机构群组）、降维技术（PCA用于提取共同风险因子）以及各种分布拟合函数。对于探索性数据分析和模型初步诊断至关重要。
• Financial Toolbox / Risk Management Toolbox：虽然更多面向市场风险和信用风险，但其包含的Copula函数、预期损失计算等模块，可以作为构建更复杂系统性风险模型的组件。
• Parallel Computing Toolbox：系统性风险模拟，尤其是蒙特卡洛模拟，计算量巨大。利用parfor循环将压力测试情景分布到多个CPU核心或集群上，可以将数小时的计算缩短到几分钟。这是从研究原型走向生产应用的关键一步。

我个人的工作流通常是：用Statistics and Machine Learning Toolbox进行数据探索和预处理，用Econometrics Toolbox构建宏观和相关性模型，用基础MATLAB和digraph实现核心的网络传染算法，最后用Parallel Computing Toolbox来加速情景模拟。

3. 从数据到网络：构建风险传染模型的实操详解

3.1 数据获取、清洗与标准化处理

央行的数据来源通常是权威但“粗糙”的监管报表，如资产负债表、大额风险暴露数据。第一步是将这些非标准化的数据转化为可用于矩阵运算的整洁格式。

% 假设我们有一个包含N家银行的单元格数组 rawData，每个单元格是一家银行的资产负债表项目 N = length(rawData); % 初始化关键指标矩阵 totalAssets = zeros(N,1); interbankAssets = zeros(N,1); % 对同业债权 interbankLiabilities = zeros(N,1); % 对同业债务 capital = zeros(N,1); for i = 1:N % 从原始数据中提取关键字段，这里需要根据实际报表结构编写解析逻辑 totalAssets(i) = parseBalanceSheetItem(rawData{i}, '总资产'); interbankAssets(i) = parseBalanceSheetItem(rawData{i}, '存放同业'); interbankLiabilities(i) = parseBalanceSheetItem(rawData{i}, '同业存放'); capital(i) = parseBalanceSheetItem(rawData{i}, '一级资本净额'); end % 数据清洗：处理缺失值或异常值（例如，负的资本金） capital(capital <= 0) = NaN; % 将无效资本标记为NaN % 可以采用插值或基于同类机构均值进行填充，这里简单用列均值填充 capital(isnan(capital)) = mean(capital, 'omitnan'); % 标准化：有时我们更关心相对值，例如杠杆率 leverageRatio = totalAssets ./ capital; % 杠杆率 % 或者计算资本资产比 capitalRatio = capital ./ totalAssets;

注意事项：监管数据的频率（如季度）可能不足以捕捉高频风险传染。一个常见的技巧是使用更高频的市场数据（如股价、CDS）作为补充，通过滚动相关系数或DCC-GARCH模型来生成日度甚至更频繁的关联性指标，再与低频的资产负债表网络进行融合。MATLAB的timetable数据类型非常适合处理这种混合频率数据。

3.2 构建与可视化银行间风险暴露网络

银行间借贷数据通常以“对手方矩阵”形式存在，即我们知道银行i对银行j的债权是多少。如果只有汇总数据（总资产/总负债），则需要使用最大熵法（Maximum Entropy）或最小密度法（Minimum Density）来估计这个矩阵。这里假设我们已有一个估计好的暴露矩阵E，其中E(i,j)表示银行i对银行j的债权。

% E 是一个 N x N 的风险暴露矩阵，对角线元素为0 % 1. 创建有向图对象 G = digraph(E); % MATLAB会自动将矩阵中的非零值转换为边的权重 % 2. 计算网络的基本拓扑特征（这些是指示系统脆弱性的早期信号） % 节点强度（加权度） outStrength = sum(E, 2); % 每个节点的总债权（出强度） inStrength = sum(E, 1)'; % 每个节点的总债务（入强度） % 介数中心性：衡量一个节点在网络信息流中的枢纽程度 bc = centrality(G, 'betweenness'); % 对于大型网络，计算可能较慢 % 3. 可视化网络（适用于机构数量不多的情况） figure; p = plot(G, 'Layout', 'force', 'NodeLabel', bankNames, 'EdgeLabel', G.Edges.Weight); p.MarkerSize = 7 + 50 * (capital / max(capital)); % 用节点大小表示资本规模 p.NodeCData = leverageRatio; % 用节点颜色表示杠杆率高低 colorbar; title('银行间风险暴露网络（节点大小=资本，颜色=杠杆率）'); xlabel('节点颜色越红代表杠杆率越高，风险可能越大');

通过可视化，我们可以快速识别出哪些银行是网络中的“核心枢纽”（同时具有高出入强度和高介数中心性），这些机构一旦出问题，传染效应会非常显著。

3.3 实现DebtRank算法模拟风险传染

DebtRank是一种经典的、用于量化系统性重要性的网络风险传染算法。它的核心思想是：机构的“ distress ”状态（介于0到1之间）会沿着风险暴露边传播给其交易对手。

function [impact, distressHistory] = calculateDebtRank(E, capital, shockIdx, shockAmount) % E: 风险暴露矩阵 (NxN) % capital: 各机构资本金向量 (Nx1) % shockIdx: 受到初始冲击的机构索引 % shockAmount: 初始冲击导致的资本损失比例（如0.05表示资本损失5%） % 返回 impact: 最终各机构资本损失的总和（标准化后可作为系统性风险指标） % distressHistory: 各机构在每一轮迭代中的困境程度，用于分析传染过程 N = size(E, 1); % 步骤1：计算杠杆矩阵（相对暴露） % A(i,j) = E(i,j) / capital(i)，表示银行i的资本有多少暴露于银行j的风险 A = zeros(N); for i = 1:N if capital(i) > 0 A(i, :) = E(i, :) / capital(i); end end % 步骤2：初始化 h = zeros(N, 1); % 困境程度，h=0（未受影响），0<h<=1（困境），h=1（违约） h(shockIdx) = shockAmount; % 施加初始冲击 h_prev = zeros(N, 1); impact = zeros(N, 1); % 记录累计冲击 distressHistory = h'; % 记录历史 % 步骤3：迭代传播，直到系统稳定（困境程度不再变化） iter = 0; maxIter = 100; while any(abs(h - h_prev) > 1e-6) && iter < maxIter h_prev = h; % 计算本轮由困境节点造成的新的冲击 delta_h = A' * h_prev; % 关键传播步骤：矩阵乘法 % 更新困境程度：新的困境程度是原有程度与新增冲击之和，但不超过1 h = min(h_prev + delta_h, 1); % 只传播新增的困境部分（这是经典DebtRank的定义） new_distress = max(h - h_prev, 0); impact = impact + new_distress .* capital; % 累计资本损失 distressHistory = [distressHistory; h']; % 记录 iter = iter + 1; end % 总影响通常标准化为总资本损失与总资本之比 impact = sum(impact) / sum(capital); end

这个函数提供了一个基础的DebtRank实现。在实际应用中，你需要考虑更多细节，例如：区分已实现损失和未实现损失、引入资产抛售引发的市场流动性螺旋（Fire Sale）、以及将机构的不同资产类别纳入考虑。

4. 整合宏观因子：构建综合压力测试框架

单纯的网络模型假设冲击来自内部。而现实中的系统性风险往往由外部宏观冲击触发。因此，我们需要一个将宏观压力情景与微观传染模型连接起来的框架。

4.1 构建宏观金融卫星模型

这个模型的任务是将设定的宏观压力情景（如GDP下降5%、房价下跌20%），转化为对金融机构资产负债表的第一轮冲击（如违约率上升、资产价值缩水）。

% 假设我们有一个简单的卫星模型：银行部门的平均资本充足率（CAR）受宏观变量影响 % 使用历史数据估计一个回归方程 % 加载历史数据：GDP增长率（gdp_g）、房价指数（hpi）、利率（ir）和银行平均CAR load macro_bank_data.mat; % 假设这个文件包含上述变量的时间序列 % 将数据整理为时间表 TT = timetable(dates, gdp_g, hpi, ir, car); TT.Properties.VariableNames = {'GDP_Growth', 'HousePrice', 'InterestRate', 'CAR'}; % 估计一个线性模型（实际中可能更复杂，如分位数回归） lm = fitlm(TT, 'CAR ~ GDP_Growth + HousePrice + InterestRate'); disp(lm); % 定义压力情景 stressScenario = table; stressScenario.GDP_Growth = -0.05; % GDP下降5% stressScenario.HousePrice = -0.20; % 房价下跌20% stressScenario.InterestRate = 0.02; % 利率上升2个百分点 % 预测压力情景下的平均CAR predictedCAR = predict(lm, stressScenario); % 计算相对于基线的恶化程度 baselineCAR = predict(lm, mean(TT{:, {'GDP_Growth', 'HousePrice', 'InterestRate'}})); carDeterioration = baselineCAR - predictedCAR; % CAR的下降幅度

这个下降的carDeterioration可以平均地应用到所有银行，或者根据各银行对房地产、企业贷款的暴露程度进行差异化分配，从而得到第一轮冲击后各家银行的新资本金capital_stressed。

4.2 执行整合的压力测试模拟

现在，我们将宏观冲击与网络传染结合起来，进行一个完整的压力测试循环。

% 参数设置 numBanks = 50; numSimulations = 1000; % 蒙特卡洛模拟次数 shockDistribution = 'tLocationScale'; % 假设冲击幅度服从t分布（厚尾） % 预分配结果存储 systemicLosses = zeros(numSimulations, 1); mostImpactedBanks = cell(numSimulations, 1); % 并行计算循环（如果安装了Parallel Computing Toolbox） parfor sim = 1:numSimulations % 1. 生成随机的宏观冲击情景（例如，从历史分布或预设分布中抽样） % 这里简化处理，随机选择一家银行作为初始冲击源，并随机赋予一个冲击幅度 shockedBank = randi([1, numBanks]); % 从t分布中抽取一个冲击比例（模拟极端但可能的事件） pd = makedist('tLocationScale', 'mu', 0.05, 'sigma', 0.02, 'nu', 3); % 均值5%，标准差2%，自由度3 shockSize = abs(random(pd)); % 取绝对值确保为损失 shockSize = min(shockSize, 0.5); % 设定上限，避免不现实的冲击 % 2. 应用宏观卫星模型，计算第一轮资本侵蚀（这里简化，将宏观冲击效应叠加到初始冲击上） % 假设宏观冲击使所有银行资本同时减少 macroShock（例如，由上面卫星模型计算得出） macroShock = 0.03; % 假设宏观冲击导致资本平均减少3% capitalInitial = generateRandomCapital(numBanks); % 一个生成随机资本金的函数 capitalAfterMacro = capitalInitial * (1 - macroShock); % 3. 应用特定机构的初始冲击 capitalAfterFirstShock = capitalAfterMacro; capitalAfterFirstShock(shockedBank) = capitalAfterFirstShock(shockedBank) * (1 - shockSize); % 4. 在网络中运行风险传染模型（使用上面定义的DebtRank函数） % 假设我们已经有一个基于历史数据估计的风险暴露矩阵 E [impact, ~] = calculateDebtRank(E, capitalAfterFirstShock, shockedBank, shockSize); % 5. 记录本次模拟的结果 systemicLosses(sim) = impact; % 可以记录哪些银行最终陷入困境（h接近1） end % 分析模拟结果 figure; histogram(systemicLosses * 100, 50, 'Normalization', 'probability'); xlabel('系统资本损失率 (%)'); ylabel('概率'); title('系统性风险压力测试：蒙特卡洛模拟结果分布'); grid on; % 计算风险指标 expectedShortfall = mean(systemicLosses(systemicLosses > prctile(systemicLosses, 95))) * 100; fprintf('在95%%置信水平下，系统性风险导致的预期资本损失率为: %.2f%%\n', expectedShortfall);

这个框架将外生宏观冲击、内生网络传染和随机性结合在了一起，能够生成系统性损失的概率分布，从而计算出诸如“预期资本短缺”等更具风险敏感性的指标。

5. 模型验证、常见陷阱与进阶思考

5.1 模型验证与回溯测试

一个无法验证的模型对政策制定毫无价值。在MATLAB中，我们可以进行以下验证：

• 样本外预测：将数据分为训练集和测试集。用训练集数据估计模型参数（如网络结构、卫星模型系数），然后在测试集上模拟历史压力时期（如2008年金融危机），看模型预测的系统性风险指标是否与实际发生的危机严重程度相关。
• 敏感性分析：使用parfor循环，系统性地改变关键模型假设（如传染阈值、资产抛售折扣率），观察输出结果（如系统性损失）的变化范围。这有助于理解模型结论的稳健性。

  paramValues = linspace(0.8, 1.2, 10); % 假设有一个关键参数，测试其80%到120%的变化 results = zeros(length(paramValues), 1); for p = 1:length(paramValues) % 用paramValues(p)调整模型参数并重新计算 results(p) = runModelWithParameter(E, capital, paramValues(p)); end plot(paramValues, results); xlabel('参数值'); ylabel('系统性风险指标');

• 对比基准模型：将你的复杂网络模型的结果，与一个简单的、不考虑传染的加总模型（即把整个银行体系视为一个整体）的结果进行对比。如果网络模型在危机时期给出了显著不同的风险信号，那就证明了网络结构的重要性。

5.2 实操中常见的“坑”与应对策略

1. 数据质量问题：监管数据存在滞后、口径变化和报告错误。对策：建立严格的数据校验规则（如资产负债表必须平衡），使用插值法处理少量缺失值，对极端值进行Winsorize处理（缩尾处理）。MATLAB的fillmissing和isoutlier函数很有用。
2. 网络矩阵的估计误差：当只有汇总数据时，用最大熵法估计的对手方矩阵可能与现实相差甚远。对策：尽可能收集更细粒度的数据。如果不行，应进行敏感性分析，测试在不同网络结构假设下（如更集中或更分散）结论是否改变。
3. 模型风险：所有模型都是对现实的简化。DebtRank等模型假设线性传染，忽略了机构的主动风险管理行为。对策：明确模型的适用范围和局限性，将其结果作为决策的参考之一而非唯一依据。可以尝试开发多模型比较框架。
4. 计算复杂度：对于包含数百家机构的网络，蒙特卡洛模拟可能极慢。对策：充分利用parfor进行并行计算；优化代码，向量化循环操作；对于非常大型的模拟，考虑使用MATLAB Parallel Server部署到计算集群。
5. 结果的可解释性：向非技术背景的政策制定者展示一个复杂的网络图或概率分布图，他们可能无法理解。对策：开发直观的仪表盘。使用MATLAB App Designer可以快速构建一个图形化界面，让用户选择冲击情景，然后动态展示关键机构的风险贡献度变化和系统损失分布，将复杂的模型输出转化为直观的政策指标。

5.3 进阶方向：机器学习与实时监测

传统的计量模型在处理高维、非线性关系时存在局限。当前的前沿探索包括：

• 使用机器学习识别早期预警信号：将大量的宏观、微观和市场数据作为特征，使用Statistics and Machine Learning Toolbox中的分类算法（如随机森林、梯度提升树）训练一个模型，来预测未来一段时间内系统性风险事件（如银行间市场冻结）发生的概率。这可以作为传统模型的补充。
• 构建实时监测仪表盘：利用MATLAB的定时器（timer）和Web App功能，开发一个能够自动抓取高频市场数据（如股价、CDS利差），实时计算并可视化系统性风险指标（如条件在险值、网络关联度）的仪表盘。这能将风险监测从季度/月度提升到日度甚至日内频率。

系统性风险建模是一个永无止境的领域，因为金融体系本身在不断演变。MATLAB提供的不是一个固定的答案，而是一个强大的、灵活的实验平台。它允许建模者快速地将一个新的理论想法（比如将气候变化风险纳入传染模型）转化为可运行的代码，并进行反复测试和迭代。最终，模型的价值不在于其复杂性，而在于它能否帮助我们更清晰地看到那些隐藏在金融网络深处的、相互关联的脆弱性，并在风暴来临之前，发出有价值的预警。