夜雨聆风
AI赋能计划
项目成果推介
Ai for social science
AI赋能计划/
人工智能促进科研范式改革 赋能学科跃升计划
为推动高校人工智能促进科研范式改革，上海市教育委员会于2024年启动实施人工智能促进科研范式改革 赋能学科跃升计划（简称“AI赋能计划”），支持科研人员主动拥抱并深刻理解人工智能思维、熟练掌握并有效运用人工智能方法。
上海对外经贸大学获批立项8项，共计18个子项目。本文将介绍由国际经贸学院宁薛平教授负责的重点项目子项目：系统性金融风险测量、传导和预警研究——基于人工智能(AI)赋能金融。
系统性金融风险测量、传导和预警研究——基于人工智能(AI)赋能金融
1
研究背景
我国“十四五”规划将“健全金融风险预防、预警、处置、问责制度体系”列为实施金融安全战略的重要举措之一，2021年中央经济工作会议指出要“正确认识和把握防范化解重大风险”，并“完善金融风险处置机制”。2022年中央经济工作会议指出“要防范化解金融风险，压实各方责任，防止形成区域性、系统性金融风险”。2023年中央经济工作会议指出“要统筹化解房地产、地方债务、中小金融机构等风险，严厉打击非法金融活动，坚决守住不发生系统性风险的底线”。
近年来“黑天鹅”事件频有发生，全球系统性风险隐患不断凸显，进一步加剧系统性金融风险，因此对系统性风险需做到精准测量、快速追踪传导路径、提前预警和防范，最终构建完善的系统性风险监管体系｡在过去的三个“五年规划”战略发展周期，我国金融领域虽已初步建立金融宏观审慎管理制度框架，但在识别、测度、预警和防范系统性金融风险方面，仍缺乏系统性、完整性研究成果作为理论支撑。
2
技术方法与创新
1、机器学习在时间序列预测中具有广泛的应用前景，然而在金融领域，解释模型的决策过程和预测结果是至关重要的。SHAP值作为一种解释机器学习模型的工具，通过量化每个特征对预测的贡献可以识别出关键特征，增强决策的可解释性和可信性，这对于风险感知敏感的金融领域具有重要价值。
2、机器学习算法通过从历史数据中自动挖掘非线性规律，构建特征与目标变量之间的复杂映射关系，为金融时间序列预测提供技术支持。其核心应用可分为监督学习、无监督学习和强化学习三类：监督学习算法（如LSTM、XGBoost）通过时间滑动窗口构造时序特征，捕捉金融序列的长期依赖关系，典型场景包括基于LSTM的股价波动预测；无监督学习（如PCA、K-means）通过降维或聚类识别市场潜在风险模式，例如提取贸易摩擦相关性的核心驱动因子；强化学习（如DQN）则通过动态优化策略应用于投资组合风险对冲。
3、根据XGBoost建模结果和SHAP值计算的特征重要性，识别风险溢出的变量，采用了LASSO-VAR模型进行风险溢出效应分析，为提高风险预警的准确性，构建了主流的深度学习模型。其中，LSTM能够记住和传递时间序列中的长期信息，可以用于捕捉时序数据中的长期依赖关系；Attention 机制使模型能够集中注意力于对预测目标有重要影响的时间步，可以用于动态地加权不同时间步的信息，自适应的挖掘出重要特征。
3
主要成果与成效
（一）专著：
1、《贸易摩擦视角系统性金融风险的溢出效应、特征与国际借鉴》，中国金融出版社，将于2026年8月出版。
（二）工作论文：
1、基于LSTM和注意力机制的加密数字货币风险传染和预警；
2、“双碳”政策对绿色债券信用利差的冲击效应——基于DML的交互式模型；
3、商业银行对公客户舆情危机和风险预警——基于前沿机器学习的新视角。
4
项目负责人简介
宁薛平，民盟盟员，上海对外经贸大学国际经贸学院教授、博士生导师，上海对外经贸大学上海科技创新与开放经济战略研究院院长。陕西科技大学工学学士，西安交通大学经济学硕士、博士，中国社科院数量经济与技术经济研究所金融学博士后。上海政府科创智库专家、上海市黄浦区经济与科创顾问等，曾就职于中国航天工业总公司067基地（助理工程师），2020年初-2021年末，挂职于上海推进科技创新中心建设办公室（科创协调处副处），2025年，挂职安徽商务厅（综合处处长）。
主要研究：宏观金融政策、金融风险、科技金融和科创战略等。在《南开管理评论》《管理评论》《财经研究》《Energy & Environment》《Journal of Cleaner Production》等国内外权威期刊发表论文50余篇，多篇文章被人大复印资料等全文转载，发表《解放日报》等报刊文章多篇，学术专著3部，政策建言多篇获批示。主持完成国家社科基金一般面上项目、省部级项目、博士后项目、上海市政府决策咨询项目等20多项，参与课题有国家社科重大课题3项，研究报告共20多部。
END
编辑：刘洋志
审核：张海娜
