目录
1 背景
2国内外现状
2.1国外的现状和研究
2.2国内研究及现状
(1)指数成份变量的选取。
(2)指数构建的计量方法。
3金融状况指数的应用研究
（1）利用FCI调整货币政策的有效性
（2）对未来金融形势预测的有效性
（3）FCI的实际监测有效性
参考文献
基于L1-LSSVR模型的金融状况指数的构建
1 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。此次国际金融危机已引起了学术界关于金融市场冲击对实体经济影响测度的广泛兴趣，不少金融机构(如高盛、彭博、花旗和德意志银行)以及相关政策制定者(如加拿大银行和美国联邦储各地银行)开始紧密监控金融状况指数(即FinancialCondition Index，简称FCI)。
金融状况指数的概念是由货币状况指数(Monetary Condition Index,MCI)发展而来，货币状况指数由加拿大银行(Bank of Canada,BOC)在20世纪90年代中期率先提出，而金融状况指数最早由Goodharl和Hofmann(2001)提出，其目的是为了反映未来的通货膨胀压力以及反映货币政策传导渠道是否通畅。他们认为资产价格在货币政策的传导过程中起着十分重要的作用，如股票价格和房地产价格等会对货币需求产生较大的影响。因此FCI的变量除MCI中的短期实际利率与有效实际汇率变量外,还包含房地产价格与股价等资产价格。由于FCI所涵盖的信息更加全面，具有将含未来经济信息的多维金融变量统一囊括为单一综合信息指标的优势，能更准确地反映一国金融市场运行状况，因而得到了更广泛的研究与应用。
在经济全球化和金融创新快速发展的今天，金融形势评估中的股票和房地产等资产价格备受重视，资产价格的波动已经成为导致最近十几年以来一系列金融危机重要的甚至是决定性的因素。而金融状况指数的构建关键在于变量的选取与权重的确定这两个核心问题上。由于资产价格所包含的分类过多而且资产之间存在一定的关联，所以如何将众多的因素统一表示成一个指数用于评估实体经济的走向成为一个难点。
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。
2国内外现状
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。除了指数成分的变量选取，指数构建的方法也是FCI构建的重要部分。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)、
