2020年突发的公共卫生事件给全球金融体系带来前所未有的冲击，揭示了“非金融性”风险事件的潜在影响，对银行业系统性风险研究提出了更高要求。2021年，中国人民银行出台《宏观审慎政策指引(试行)》，首次在官方层面将系统性金融风险定义为“可能对金融服务产生重大影响，进而对实体经济造成巨大负面冲击的金融风险”。相比IMF等(2009)提出的系统性金融风险定义，我国的新表述取消了对金融体系内部风险事件的限制，将外部风险事件引发的系统性金融风险纳入考量范围。风险事件冲击作为系统性金融风险的重要导火索，其来源差异会对特定银行及整个银行体系的风险生成产生显著影响。

　　鉴于此，本文以2013-2021年A股上市银行数据为样本，区分金融体系内部的“金融性”风险事件与外部的“非金融性”风险事件冲击，建立统一分析框架，运用机器学习中的时间序列聚类和梯度提升树算法，构建多阶段系统性风险识别与预测模型(KS-GBTs)，探究两类事件冲击对银行业系统性风险识别与预警的差异性影响，为银行业系统性风险防范提供参考。

　　本文的边际贡献主要体现以下三方面：

　　第一，研究视角创新。通过对比内外部风险事件冲击，分析银行业系统性风险的动态特征与水平差异；比较不同类型银行在风险识别中的差异表现，并评估银行风险标签、股票市场表现、关联网络结构和宏观金融环境四类指标在风险预警中的重要性。

　　第二，研究方法创新。构建融合无监督学习（时间序列聚类）与有监督学习（梯度提升树算法）的多阶段模型，其优势在于：（1）通过时间序列聚类捕捉高维数据的动态特征与非线性关系，减少权重设定与特征降维导致的偏差；（2）多阶段设计可同步输出风险分类值与预测值。

　　第三，指数构建创新。通过重要性权重赋值，整合VaR、MES和SRISK等主流测度方法，构建兼具全面性与动态性的系统性风险指数，综合反映潜在损失风险、尾部风险、流动性与资本不足等多重风险。

　　基于研究结论，本文提出如下建议：一是运用新技术，赋能风险防控。积极应用机器学习等先进算法，提升风险识别的前瞻性与准确性，完善“早识别、早预警、早处置”的风险监测框架。二是建立差异化预警体系。应对内部风险事件时，重点监测银行间微观互动，强化对系统重要性银行的宏观审慎监管，同时识别中小银行机构的风险传染路径；应对外部风险事件时，关注宏观金融环境变化，加强市场风险和尾部风险监测。三是分类管理。根据银行类型与职能差异，结合风险事件特征，制定差异化的风险应对策略。