对四种金融风险预测方法的评论

分别按KLR噪音—信号指标加权求和法、FR法、STV方法预测23个国家在1997年发生金融危机的概率，并按概率大小排序，然后持这些排序分别与1997年的实际值的大小排序比较发现，就样本外预测而言，KLR的噪音—信号指标加权求和法效果较好；FR方法的Spearman相关系数至多为33%，R2最多为11%；STV方法的Spearman相关系数至多为23%，R2最多为5%。这说明，FR方法和STV方法的预测能力较差，但二者相比较，STV方法更差。不过，KLR方法的Spearman相关系数最多也才达到60%，R2最多达到36%，表明预测效果不理想。从细节上看，泰国实际危机指数排名第1，KLR方法及KIR修正方法对其预测分别为排名第16位和第7位；菲律宾实际排名第8位，KLR方法及其修正方法对其预测排名均为1。这说明从细节上看KLR方法的预测能力也欠佳（Andrew Bery and Cather-ine Pattillo，1998）。

按刘遵义教授的预测结果，菲律宾排名第1，并且我们只考虑了小样本，悬殊都这么大，说明他的方法的预测效果也不理想。原因可能在于其预测以墨西哥在1994年发生的金融危机为参照系，因此预测效果理想的前提是1997年的东南亚金融危机的原因与墨西哥1994年金融危机的原因基本一样。STV方法是根据某年前后一些国家的横截面数据来建立模型、估计参数和筛选变量，其中一个国家在该年发生了金融危机。用所建模型预测将来时，也基于将来发生金融危机的原因与建立模型所用年份发生的金融危机基本一样。用1995年与墨西哥金融危机有关国家的数据建模，而后预测1997年东南亚金融危机，预测效果不好，表明了STV方法虽然克服了KLR方法和FR方法的缺点，但自身缺陷对预测效果有较大的影响；同时，也表明了1997年东南亚金融危机与墨西哥金融危机有许多根本的不同，这部分解释了刘遵义教授的预测效果也不理想的原因。

KLR方法和FR方法尽管有许多缺陷，但它们考虑的样本众多，同时把大量的可能引起金融危机的经济、金融指标作为解释变量纳入模型，相对STV方法只考虑小样本与金融危机密切相关的变量，KLR方法和FR方法捕捉了更多的共性。事实上，对KLR方法和FR方法在不同国家、样本和时期的重新估计维持了模型的基本结果。而小样本的STV方法是以很小的观察拟合复杂的设定，当样本数目略做变动或修正数据时，模型结果变动明显，这表明它相当不稳定。所以，KLR方法和FR方法的预测效果均比STV方法好一些。至于这三种方法与刘遵义教授所用方法的比较，由于所用样本数差别太大，前三种方法所用样本在23个以上，后一种方法所用样本仅为9个，并且有两个样本（新加坡、中国香港地区）不属于前三种方法所用样本之列，因此共同样本仅为7个，所以不便于比较孰优孰劣。

虽然FR方法较STV方法稳定，但并不理想。KLR方法也仅是尝试性的，因为在不同的环境中正式检验指标的统计显著性的样本数目有限，并且，KLR方法未考虑政治和经济结构变量，而这些变量对特定国家特定时期的金融危机的影响是很重要的。另外，KLR方法不是从特定经济结构模型导出的，科学性不强。以上种种方法论的缺陷，使它们在预报危机时的可信性不强。