目录
1 选题的背景和意义
1.1 选题的背景
1.2 国内外研究现状及发展趋势
2 研究的基本内容
2.1 基本框架
5、根据本文的研究结论给出相关的政策建议。
2.2 研究的重点和难点
2.3 拟解决的关键问题
2、 资料收集准备阶段
3、 论文写作及答辩阶段
2017年1月中旬－2017年5月下旬
参考文献
1 选题的背景和意义
1.1 选题的背景
和平和发展是当今时代主题，在此背景下，世界呈现经济全球化、政治多极化、文化多样化。对于世界经济而言，2008年美国爆发的次贷危机不仅使美国金融体系遭受重创，而且致使全球主要金融市场出现了流动性不足的危机，金融风暴迅速蔓延，波及到世界大多数国家经济的衰退。如何预测未来金融状况以便制定相应的货币政策成了相关部门与研究者重点探究方向。众多研究发现，一国的金融市场状况，不仅是货币政策重要的传导途径，而且能够影响实体经济通货膨胀程度和产出的水平。同时随着全球金融市场的迅速发展，虚拟经济与实体经济之间的关系变得越来越密切，因此构建能够综合反映一国金融市场运行情况的金融状况指数(Financial Condition Index,FCI)成为了经济监测与政策制定中的重要环节。
对于FCI的构建，国内外学者已进行了大量的研究。一般来说，基于不同的指数构造理论和目的构成的指数变量是不同的。按照FCI赋权方法的不一致性，可将国内外相关文献大体分成两类：第一类是采用经典赋权法例如因子分析法、主成分回归法以及卡尔曼滤波法等构建成的FCI。第二类类则是采用经济模型赋权法例如简化的需求模型、向量自回归模型(VAR)、结构向量自回归模型(SVAR)、向量误差修正模型(VEC)及联立方程模型等方法构建成的FCI。本文是基于
-最小二乘支持向量回归(
)进行金融状况指数的构建。
支持向量回归(SVR)，已成功应用于各种现实世界问题，同时通过合适的惩罚因子最小化正则化误差和经验风险。支持向量回归是支持向量机应用的扩展，可以分为线性回归和非线性回归。对于非线性回归问题引入核函数，将非线性原问题的输入向量映射至高维特征空间后，再将其转化为线性问题。支持向量回归机算法能够在高维空间用线性回归来完成原空间的非线性回归，并且能够在解决维数问题的同时保证模型具有推广能力。最小二乘向量回归遵循结构风险最小化原理，具有参数少、拟合优度高和全局最优等特点，可即使最小二乘回归运用拉格朗日乘子法将原空间的凸二次问题转化成对偶空间的线性方程组能使其形式变得简单计算变得方便，也避免不了这种算法丧失解的稀疏性。然而
范数却具有诱导稀疏性的本质，因此运用
范数构造的最小二乘向量回归机，精度要好于最小二乘向量回归机即使运算时间较长。
1.2 国内外研究现状及发展趋势
通过搜集国内外相关文献，进行梳理总结，发现FCI研究主要沿两个维度展开:
(1)指数成份变量的选取。
最早研究金融状况指数(FCI)的Goodhart和Hofmann[1](2001)使用实际有效汇率、短期利率、房地产价格和股票价格四个变量，并采用需求方程缩减式模型以及VAR脉冲响应分析方法确立了各个指标的权重，构建了FCI。Holz[2](2005)采用三个月货期市场利率作为FCI中的利率选取，运用回归方程的方法确定了指标权重以得出FCI。Wang[3](2007)等通过获取更广泛的美国政府相关年度数据：人均社会经济指标和平均金融资金经营比率，测度出美国的金融状况，并研究了社会经济变量与金融状况之间的关系，编制出了美国的FCI。Swiston[4](2008)基于VAR引入伦敦同业拆借利率、实际有效汇率、投资收益率、高收益债券利率等变量构建出了美国的FCI。
