MATLAB 助力新兴市场金融风险预测
“由于 MATLAB 功能强大且易于使用，我相信印度尼西亚银行能够实现 MATLAB 程序并将其用作金融危机的早期预警系统。”
挑战
解决方案
结果
- 预测能力更强的模型
- 避免金融灾难的计划
- 下一代新型研究工具
金融危机最初爆发于亚洲四小龙经济体，并迅速蔓延至全球大部分地区。受这场金融危机的启发，经济学家 Paul McNelis 着手研究现代工具和研究方法是否有助于预测此类危机，从而减轻它们所带来的影响。
他重点谈到了印度尼西亚。1997 年秋天，印度尼西亚卢比急剧贬值，尽管该国政府从国际 IMF 获得了 230 亿美元的贷款，但该国内对美元的需求仍达到令人恐慌的水平。
在美国国际开发署的技术援助下，McNelis 在印度尼西亚银行开展了他的研究工作。在这一浩大的工程中，他依赖于 MATLAB® 及其个人 MATLAB 文件库，并结合使用了 Spreadsheet Link™、Statistics and Machine Learning Toolbox™、Optimization Toolbox™ 和 Deep Learning Toolbox™。
挑战
解决方案
McNelis 选择使用 MATLAB 工作是因为它具有编程功能、易于使用并且能够处理大型数据集。至于方法学，他相信通过结合线性模型和神经网络分析，能够获得更准确的结果。他解释道，使用神经网络的优势在于，“估计不仅包括依次处理数据，即使用输入 x 来预测输出 y，而且包括同时并行处理，因为输入由隐藏层中的若干神经元处理。”
他的分析工作的核心是他与匹兹堡大学的 John Duffy 教授共同开发的遗传算法。在开发该算法的过程中，McNelis 和 Duffy 广泛使用了 Statistics and Machine Learning Toolbox。他们还使用 MATLAB 中的向量化函数加快处理速度。McNelis 解释道，“通过算法获得的系数可用作更常见局部搜索方法的起始值。”对于他的搜索方法，他使用 Optimization Toolbox 中的非线性最小化函数。
完成数据采集后，McNelis 首先用传统的线性模型得出他能获得的最佳结果。然后，他使用此模型的输入来构建神经网络。
在定义神经网络时，McNelis 说他喜欢“从简单的网络开始，例如一个隐藏层中有三个或四个神经元。我用混合方法训练模型。首先使用遗传算法为神经网络找到一组系数，然后使用这些系数切换到非线性梯度下降方法。”
McNelis 使用 Deep Learning Toolbox 中的前馈架构将输入与输出关联起来。他解释说，“我在各种经济应用中试验了不同神经网络架构，我发现具有一个隐藏层的前馈模型效果最佳。”他使用该工具箱的 log sigmoid 激活函数作为每个神经元的隐藏层。输入传输到隐藏层并由 log sigmoid 函数压缩。最后，神经元以线性组合形式传输到输出层。
通过使用时变 GARCH 模型来模拟 1997 年 11 月和 12 月期间印度尼西亚货币大幅贬值所带来的汇率风险，他能够进一步提高神经网络的预测能力。
他使用 Spreadsheet Link 获取样本内和样本外性能。Spreadsheet Link 支持他提取样本外预测，将其导入 Microsoft® Excel® 并计算样本外预测的误差。然后轻松将结果从 MATLAB 转换为演示电子表格格式。
结果
预测能力更强的模型。McNelis 开发的神经网络模型显示了比线性模型更高的整体准确度，GARCH 模型进一步改进了预测。
避免金融灾难的计划。印度尼西亚银行现在广泛使用 McNelis 的模型来预测货币需求和核心通货膨胀率。这提高了他们抵御主要通货膨胀压力的能力。McNelis 认为，密切监控汇率波动“可能是有效的金融危机预警方式”，其他银行也可以利用这种方式来预测危机。
下一代新型研究工具。McNelis 是乔治敦大学的教授。他将基于 MATLAB 的前沿经济技术带给亚洲和南美洲的中央银行和金融界。他还教授基于 MATLAB 的方法，旨在帮助学生了解在经济转型期间出现的财政不稳定问题，从而减轻这些问题可能给人们带来的负面影响。
致谢
乔治敦大学以及全球 1300 所其他大学均可在校园范围内使用 MATLAB 和 Simulink。凭借 Campus-Wide License，研究人员、教职工和学生可以访问常见配置的最新版产品，以供随时随地使用，无论是在教室、家中、实验室或现场，都是如此。
