美联储-基于文本数据的机器学习识别金融危机（英）-2023.3-40页_2mb

识别金融危机的机器学习方法：文本数据的应用

使用机器学习技术分析文本数据，可以有效实现实时识别金融危机，并显著减少传统预测模型中的假阳性和假阴性问题。这一研究为货币政策、财政政策和宏观审慎政策的制定提供了及时且一致的参考依据。

研究方法与主要发现

文本数据来源

•国际组织报告（如经济合作与发展组织、国际货币基金组织），提供长期历史数据。
•媒体报道数据（如Refinitiv），具有广覆盖、高频次的特点。
•以上两类数据共同贡献了关于金融脆弱性的关键信息。

关键技术应用

•自然语言处理：构建词典，去除常见噪声，保证模型的泛化能力。
•机器学习算法：深度集成支持向量机（SVM）、随机森林等多种模型，全面评估效果。
•模型解释工具：引入局部可解释模型方法（LIME），增强模型的透明度。

模型表现

实验数据显示，结合文本数据的机器学习模型在识别和预测金融危机方面表现优越，平均准确率高达92%以上，尤其在识别较严重危机类型时提升更为明显。官方报告和媒体报道在不同场景下各具优势，但结合应用能进一步弥补单一类别的缺陷。

政策启示

研究成果支持国际协调一致的危机监测机制，为货币政策、宏观审慎政策等多领域政策制定提供前瞻性预警框架，特别是在面临跨境系统性风险时发挥关键作用。

该研究揭示了机器学习与文本分析在识别金融危机中的潜在能力，并就危机类型识别、预测与监测机制提供了可执行的方法框架。