我國金融機(jī)構(gòu)的系統(tǒng)性金融風(fēng)險評估
——基于極端分位數(shù)回歸技術(shù)的風(fēng)險度量

陳守東，王 妍

（1.吉林大學(xué)數(shù)量經(jīng)濟(jì)研究中心，吉林長春130012；2.吉林大學(xué)商學(xué)院，吉林長春130012）

我國金融機(jī)構(gòu)的系統(tǒng)性金融風(fēng)險評估
——基于極端分位數(shù)回歸技術(shù)的風(fēng)險度量

陳守東1，2，王 妍2

（1.吉林大學(xué)數(shù)量經(jīng)濟(jì)研究中心，吉林長春130012；2.吉林大學(xué)商學(xué)院，吉林長春130012）

本文將極值理論引入到系統(tǒng)性金融風(fēng)險度量中，通過極端分位數(shù)回歸技術(shù)估計我國33家上市金融機(jī)構(gòu)對金融系統(tǒng)整體的風(fēng)險貢獻(xiàn)，并識別出我國系統(tǒng)重要性金融機(jī)構(gòu)。研究結(jié)果表明，我國金融機(jī)構(gòu)的市場價值總資產(chǎn)收益率呈現(xiàn)明顯的非正態(tài)分布特征，使用極端分位數(shù)回歸技術(shù)可以更準(zhǔn)確的度量尾部的風(fēng)險聯(lián)動性；銀行類金融機(jī)構(gòu)的系統(tǒng)性風(fēng)險貢獻(xiàn)水平最高且波動變化最大，系統(tǒng)性風(fēng)險貢獻(xiàn)排名前十的金融機(jī)構(gòu)基本為銀行類機(jī)構(gòu)；證券類、保險類、信托類金融機(jī)構(gòu)的風(fēng)險貢獻(xiàn)水平相對較低；通過與其他研究的對比發(fā)現(xiàn)，考慮到極端情形下的尾部風(fēng)險聯(lián)動性時，股份制商業(yè)銀行對金融系統(tǒng)的風(fēng)險貢獻(xiàn)上升。本文的研究為系統(tǒng)重要性金融機(jī)構(gòu)的宏觀審慎監(jiān)管提供了實(shí)證依據(jù)。

系統(tǒng)性金融風(fēng)險；Co VaR；極端分位數(shù)回歸；風(fēng)險度量

1 引言

過去幾十年，維護(hù)金融穩(wěn)定和防范系統(tǒng)性金融風(fēng)險成為各國政府、金融監(jiān)管部門主要關(guān)心的問題，而2007年席卷全球的國際金融動蕩的發(fā)生促使各國更加關(guān)注金融系統(tǒng)的穩(wěn)定性及其對實(shí)體經(jīng)濟(jì)的影響。2010年7月，美國國會通過了二十世紀(jì)三十年代至今最全面的金融改革法案—Dodd Frank法案，并建立了金融穩(wěn)定監(jiān)管委員會（FSOC），負(fù)責(zé)監(jiān)測和處理威脅國家金融穩(wěn)定的系統(tǒng)性風(fēng)險。歐盟也建立了歐洲系統(tǒng)性風(fēng)險委員會（ESRB）以預(yù)防系統(tǒng)性金融風(fēng)險的發(fā)生，維護(hù)其成員國的金融穩(wěn)定。近期發(fā)生的國際金融危機(jī)引起了監(jiān)管部門、學(xué)術(shù)界對過去以金融機(jī)構(gòu)個體金融風(fēng)險為核心的微觀審慎監(jiān)管方式的反思，將金融系統(tǒng)作為一個整體監(jiān)管的宏觀審慎監(jiān)管方式在危機(jī)后備受關(guān)注。

宏觀審慎監(jiān)管的前提是對系統(tǒng)性金融風(fēng)險清晰的認(rèn)識和度量，然而目前尚且沒有一個明確統(tǒng)一的系統(tǒng)性金融風(fēng)險定義。De Bandt和Hartmann［1］較早地給出了系統(tǒng)性金融風(fēng)險的一個定義，即經(jīng)歷系統(tǒng)性事件的風(fēng)險：狹義的說是一個金融機(jī)構(gòu)的倒閉或一個金融市場的崩潰導(dǎo)致一些其他金融機(jī)構(gòu)或市場倒閉或崩潰的風(fēng)險；廣義的說不僅包括上面狹義的定義，還包括一些金融機(jī)構(gòu)或市場受到一系列嚴(yán)重且廣泛的系統(tǒng)性沖擊而同時倒閉或崩潰的風(fēng)險，系統(tǒng)性沖擊通常包括經(jīng)濟(jì)周期波動或通貨膨脹率的突然上升。其他一些研究，如Schwarcz［2］和IMF［3］，從不均衡、相關(guān)暴露、信息擾動、傳染以及負(fù)外部性的角度定義了系統(tǒng)性金融風(fēng)險。

系統(tǒng)性金融風(fēng)險的研究包括關(guān)注系統(tǒng)性金融風(fēng)險總量隨時間的生成演化機(jī)制的“時間維度”和考慮單一金融機(jī)構(gòu)或市場對整體金融系統(tǒng)的風(fēng)險貢獻(xiàn)以及系統(tǒng)重要性金融機(jī)構(gòu)的識別的“橫截面維度”兩個方面。按照使用的方法和模型的不同，我們將以往度量系統(tǒng)性金融風(fēng)險的文獻(xiàn)分為四類。

一是利用聯(lián)合違約概率或組合信用風(fēng)險度量的結(jié)構(gòu)化方法。Lehar［4］按照Merton［5］的模型，在資產(chǎn)收益正態(tài)分布原假設(shè)下給出金融機(jī)構(gòu)聯(lián)合違約概率度量系統(tǒng)性金融風(fēng)險，并且通過預(yù)期損失計算一個銀行對于銀行系統(tǒng)整體風(fēng)險的貢獻(xiàn)。對邊際違約風(fēng)險信息使用特定Copula結(jié)構(gòu)得到聯(lián)合違約概率或組合信用風(fēng)險進(jìn)行系統(tǒng)性風(fēng)險度量的代表性的文獻(xiàn)主要有：Avesani，Pascual和Li Jing［6］，Huang Xin，Zhou Hao和Zhu Haibin［7］，以及Segoviano和Goodhart［8］。

二是關(guān)注于收益歷史分布的簡約化方法。A-drian和Brunnermeier［9］使用分位數(shù)回歸技術(shù)在單一銀行資產(chǎn)損失條件下，計算整個金融系統(tǒng)的VaR，度量單一銀行對系統(tǒng)性風(fēng)險的貢獻(xiàn)。Acharya等［10］對單個金融機(jī)構(gòu)對系統(tǒng)性風(fēng)險的貢獻(xiàn)用系統(tǒng)性預(yù)期差額SES來度量，即當(dāng)系統(tǒng)作為整體資本不足時，單一金融機(jī)構(gòu)也存在資本不足的傾向。

三是網(wǎng)絡(luò)分析方法。網(wǎng)絡(luò)分析方法是基于金融機(jī)構(gòu)之間的資產(chǎn)負(fù)債表相互敞口數(shù)據(jù)研究系統(tǒng)性風(fēng)險的方法，其主要思想是通過金融機(jī)構(gòu)之間的相互敞口和交易數(shù)據(jù)建立網(wǎng)絡(luò)，根據(jù)網(wǎng)絡(luò)形狀模擬風(fēng)險相互傳染情況，從而測算每個網(wǎng)絡(luò)中積累的系統(tǒng)性風(fēng)險［11］。相關(guān)研究可參考Kritzman等［12］，Chan-Lau等［13］以及Billio等［14］的研究。

四是使用單一或加總的宏觀經(jīng)濟(jì)、金融指標(biāo)度量。國際貨幣基金組織（IMF）和世界銀行（WB）在金融部門評估計劃（FSAP）中使用的金融穩(wěn)健指標(biāo)（FSI）是典型的基于資產(chǎn)負(fù)債表信息的指標(biāo)度量方法。Alessi和Detken［15］基于實(shí)體和金融指標(biāo)（包括GDP及其成分、通貨膨脹、利率和貨幣總量），構(gòu)建了早期預(yù)警指標(biāo)。Borio和Drehmann［16］將房地產(chǎn)價格、股票價格和信用利差的同時極值作為金融系統(tǒng)的風(fēng)險信號。

目前國內(nèi)的研究主要有：宋群英［17］使用阿基米德Copula函數(shù)分析中國的銀行系統(tǒng)間的風(fēng)險傳染性。高國華和潘英麗［18］構(gòu)建了GARCH-Co VaR模型，研究我國上市商業(yè)銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)度及其影響因素。丁庭棟和趙曉慧［19］使用Co VaR方法，借助分位數(shù)回歸技術(shù)，研究國內(nèi)銀行業(yè)、保險業(yè)、多元金融服務(wù)業(yè)及房地產(chǎn)行業(yè)之間以及對金融系統(tǒng)整體的波動溢出效應(yīng)。賈彥東［20］使用金融網(wǎng)絡(luò)模型度量國內(nèi)主要銀行的系統(tǒng)性金融風(fēng)險。陳守東和王妍［21］通過選取銀行部門、證券市場、外匯市場指標(biāo)構(gòu)建了一個金融壓力指數(shù)研究中國金融系統(tǒng)的壓力。

目前國外對系統(tǒng)性金融風(fēng)險的研究更多的是使用基于市場價格信息的結(jié)構(gòu)化方法，但是鑒于數(shù)據(jù)局限性這類方法沒有在我國得到很好的應(yīng)用。國內(nèi)的研究主要關(guān)注系統(tǒng)性金融風(fēng)險度量的簡約化方法以及網(wǎng)絡(luò)分析方法。然而，網(wǎng)絡(luò)分析方法所需要的銀行間的風(fēng)險暴露數(shù)據(jù)的獲取，對于監(jiān)管機(jī)構(gòu)外的研究者來說較為困難。國內(nèi)的研究主要利用基于收益率歷史數(shù)據(jù)的簡約化方法。簡約化方法需要從有限的收益時間序列中獲取尾部事件，這需要對收益分布尾部行為的強(qiáng)假設(shè)。但是目前利用分位數(shù)回歸的研究方法往往是在收益率正態(tài)分布假設(shè)下進(jìn)行的，這與收益率的“尖峰厚尾”性不相符，不能體現(xiàn)收益率的尾部特征。

為了研究極端的系統(tǒng)性金融風(fēng)險，即金融機(jī)構(gòu)面臨嚴(yán)重?fù)p失的情形，本文將處理極端問題的極值理論引入到系統(tǒng)性金融風(fēng)險度量中；從橫截面的維度出發(fā)，借助極端分位數(shù)回歸技術(shù)，研究極端風(fēng)險情形下單一金融機(jī)構(gòu)對我國金融系統(tǒng)的風(fēng)險貢獻(xiàn)，并識別出系統(tǒng)重要性的金融機(jī)構(gòu)。本文的研究將為宏觀審慎監(jiān)管工具的開發(fā)以及協(xié)調(diào)機(jī)制的設(shè)計提供借鑒參考。

2 極端分位數(shù)回歸下的CoVaR模型和估計方法

本部分給出使用極端分位數(shù)回歸技術(shù)估計系統(tǒng)性金融風(fēng)險Co VaR的方法，以及單個機(jī)構(gòu)對金融系統(tǒng)整體風(fēng)險貢獻(xiàn)的度量。

2.1 CoVaR的估計

Adrian和Brunnermeier給出了系統(tǒng)性金融風(fēng)險的一種度量方法Co VaR，即單一機(jī)構(gòu)陷入困境的條件下金融系統(tǒng)的在險價值VaR，并且定義機(jī)構(gòu)對系統(tǒng)性風(fēng)險的貢獻(xiàn)為機(jī)構(gòu)在困境條件下的Co VaR與機(jī)構(gòu)正常條件下的Co VaR之差。考慮時變性時，我們對單一機(jī)構(gòu)的VaR以及對金融系統(tǒng)的Co-VaR使用下面的模型，Xit和Xsystemt的數(shù)據(jù)生成過程為：

這里Mt-1為滯后的狀態(tài)變量向量。通過分位數(shù)回歸我們可以得到公式（1）和公式（2）中的分位數(shù)回歸系數(shù)，這樣可以計算：

由于我們考慮的是尾部的風(fēng)險聯(lián)動性，并且更關(guān)注的是分布的左尾，也就是說q的值一般較小，這樣使用正態(tài)分布假設(shè)下的分位數(shù)回歸技術(shù)可能存在偏差，因此我們用下文介紹的基于極值分布的極端分位數(shù)回歸技術(shù)估計分位數(shù)回歸系數(shù)、單一機(jī)構(gòu)的以及。進(jìn)一步可得到金融機(jī)構(gòu)對金融系統(tǒng)整體的風(fēng)險貢獻(xiàn)，即為：

2.2 極端分位數(shù)回歸

Chernozhukov［22］在Koenker和Bassett［23］分位數(shù)回歸模型基礎(chǔ)上進(jìn)一步給出了極端分位數(shù)回歸的基本模型：

給定X=x，Y的條件分位數(shù)函數(shù)表示為：

假設(shè)存在一個輔助參數(shù)βe，擾動項U≡Y-X′ βe的端點(diǎn)（end-point）為0或負(fù)無窮，當(dāng)τ→0時，其條件分位數(shù)函數(shù)（τ｜x）滿足下面的尾等價關(guān)系：

Chernozhukov［24］給出了極端分位數(shù)回歸模型的估計方法，用極值分布作為極端次序序列下回歸分位數(shù)的漸進(jìn)分布，并給出正則化的回歸統(tǒng)計量ZT（τ）：

3 中國金融機(jī)構(gòu)系統(tǒng)性風(fēng)險貢獻(xiàn)的實(shí)證分析

本文選取在中國證券市場公開發(fā)行上市的33家金融機(jī)構(gòu)為研究對象，其中包括16家銀行、13家證券公司、3家保險公司以及1家信托公司。以各金融機(jī)構(gòu)交易日的總市值和通過資產(chǎn)負(fù)債表信息計算的杠桿率為基礎(chǔ)數(shù)據(jù)，通過轉(zhuǎn)換得到金融機(jī)構(gòu)市場價值的總資產(chǎn)的交易日數(shù)據(jù)。本文使用市場價值的總資產(chǎn)數(shù)據(jù)計算總資產(chǎn)收益率并以總資產(chǎn)收益的損失度量風(fēng)險。使用總資產(chǎn)收益數(shù)據(jù)是因為它能綜合反映出公司總體的財務(wù)狀況以及在股票市場上的表現(xiàn)，并且Adrian和Brunnermeier［9］的研究同樣使用市場價值的總資產(chǎn)收益率數(shù)據(jù)。定義市場價值的總資產(chǎn)的收益率Xit為：

（1）股票市場波動，通過計算滬深300指數(shù)的GARCH波動率代表；

（2）股票市場收益，由滬深300指數(shù)日收盤價格計算的收益率代表；

（3）流動性利差，度量短期流動性風(fēng)險，由銀行同業(yè)拆借加權(quán)平均利率與6個月的固定利率國債到期收益率的差近似代表；

（4）短期國債收益率變化，使用六個月國債到期收益率的變化計算得到；

（5）期限利差，由10年期國債到期收益率與6個月國債到期收益率的差近似代表。

樣本區(qū)間為2007年10月8日至2013年3月29日，共1335個樣本數(shù)據(jù)，對于2007年10月8日未上市的金融機(jī)構(gòu)，從該金融機(jī)構(gòu)上市之日開始選取樣本數(shù)據(jù)，其中樣本最短的是2010年10月14日上市的興業(yè)證券，樣本長度為600。本文使用的樣本量可以保證下文1%的極端分位數(shù)回歸估計的有效性。數(shù)據(jù)來源為WIND數(shù)據(jù)庫。下文的實(shí)現(xiàn)過程使用R軟件和EVIEWS軟件完成。

我們首先分析33家上市的金融機(jī)構(gòu)總資產(chǎn)收益率數(shù)據(jù)的基本描述統(tǒng)計量，鑒于機(jī)構(gòu)個數(shù)較多，我們在各類別中選取代表性的10家金融機(jī)構(gòu)。表1的描述統(tǒng)計量可見，選取的10家金融機(jī)構(gòu)的市場價值總資產(chǎn)收益率峰度均大于3，明顯的異于正態(tài)分布的峰度；J-B檢驗統(tǒng)計量也均較大，概率均為0，拒絕了總資產(chǎn)收益率為正態(tài)分布的原假設(shè)，并且研究發(fā)現(xiàn)對于其余的23家金融機(jī)構(gòu)也得到了相同的結(jié)論。進(jìn)一步地研究金融機(jī)構(gòu)總資產(chǎn)收益率的分布，我們給出每類金融機(jī)構(gòu)中的一家金融機(jī)構(gòu)的Q-Q圖，繪于圖1。這四家金融機(jī)構(gòu)市場價值總資產(chǎn)收益率的中間部分與正態(tài)分布較一致，尾部（更關(guān)注左邊尾部的分布）顯著的異于正態(tài)分布，對其余金融機(jī)構(gòu)的分析也得到了同樣的結(jié)論。因此，我們使用正態(tài)分布下的分位數(shù)回歸技術(shù)估計正常狀態(tài)下的（50%），使用帕累托型尾部下的極端分位數(shù)回歸技術(shù)估計在險價值，本文中q取0.01。

表1 10家金融機(jī)構(gòu)總資產(chǎn)收益率的描述統(tǒng)計量

圖1 4家金融機(jī)構(gòu)總資產(chǎn)收益率Q-Q圖

這里僅列出了其中10家金融機(jī)構(gòu)的估計值以及金融機(jī)構(gòu)的平均水平。另外，極端分位數(shù)回歸的系數(shù)估計結(jié)果進(jìn)行了Chernozhukov［24］的中位數(shù)偏差修正?？紤]對于任意非零向量φ的參數(shù)φ‘β（τ），φ‘ZT（τ）的α分位數(shù)定義為c（α），通過合適的極值參數(shù)ξ以及bootstrap技術(shù)可以得到估計值^c（α），則φ‘β（τ）的中位數(shù)偏差修正估計量以及α% 的置信區(qū)間分別為：和。表2中的估計結(jié)果可見，股票市場波動對金融機(jī)構(gòu)總資產(chǎn)收益的影響系數(shù)一般為負(fù)，意味著股票市場的波動越大，機(jī)構(gòu)在險價值VaRit（q）的絕對值越大，即在一定概率水平下面臨的損失越大。而股票市場收益的影響系數(shù)一般為正，說明股票市場收益越大，金融機(jī)構(gòu)將面臨的損失越小。短期國債收益的變化影響系數(shù)一般也為正，意味著正的收益變化越大，機(jī)構(gòu)的損失就越小，而負(fù)的收益變化越大，機(jī)構(gòu)的損失就越大。流動性利差和期限利差對金融機(jī)構(gòu)總資產(chǎn)收益率的影響在不同金融機(jī)構(gòu)之間具有較大差異。表3中系數(shù)的大小可以反應(yīng)金融機(jī)構(gòu)總資產(chǎn)收益率對金融系統(tǒng)整體的影響系數(shù)，可見銀行類金融機(jī)構(gòu)尤其是國有商業(yè)銀行對金融系統(tǒng)的影響要明顯高于證券類、保險類以及信托類金融機(jī)構(gòu)。

表2 10家金融機(jī)構(gòu)參數(shù)估計結(jié)果以及金融機(jī)構(gòu)平均水平

表3 10家金融機(jī)構(gòu)system｜i估計結(jié)果及機(jī)構(gòu)平均水平

表3 10家金融機(jī)構(gòu)system｜i估計結(jié)果及機(jī)構(gòu)平均水平

系數(shù) 工商銀行建設(shè)銀行興業(yè)銀行南京銀行東北證券中信證券華泰證券中國平安保險中國太平洋保險陜西國際信托機(jī)構(gòu)平均水平^βsystem｜i0.72 0.82 0.43 0.36 0.07 0.24 0.20 -0.07 0.36 0.05 0.31

進(jìn)一步由式（5）可以計算出單一機(jī)構(gòu)對金融系統(tǒng)的風(fēng)險貢獻(xiàn)水平。我們對金融機(jī)構(gòu)系統(tǒng)性風(fēng)險貢獻(xiàn)的日度數(shù)據(jù)取負(fù)值并計算平均值，得到33家金融機(jī)構(gòu)對金融系統(tǒng)的風(fēng)險貢獻(xiàn)的平均水平，繪于圖2?？梢姡y行類的系統(tǒng)性風(fēng)險貢獻(xiàn)水平普遍較高，其中建設(shè)銀行和工商銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)最高，平安銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)最低；證券類金融機(jī)構(gòu)的系統(tǒng)性風(fēng)險貢獻(xiàn)水平普遍較低，其中興業(yè)證券和中信證券相對較高；保險類金融機(jī)構(gòu)風(fēng)險貢獻(xiàn)處于中間水平，信托類金融機(jī)構(gòu)風(fēng)險貢獻(xiàn)較低。另外，圖中平安保險的系統(tǒng)性風(fēng)險貢獻(xiàn)最低，且由表3中同樣可看出平安保險對金融系統(tǒng)的影響系數(shù)為負(fù)值，這說明平安保險的風(fēng)險程度與金融系統(tǒng)整體呈反向變化趨勢。圖3更直觀地描繪出了各金融機(jī)構(gòu)系統(tǒng)性風(fēng)險貢獻(xiàn)的日度數(shù)據(jù)在2011.01. 04-2013.03.29期間的變化。由圖3同樣可以發(fā)現(xiàn)，總體上來看銀行部門的系統(tǒng)性風(fēng)險貢獻(xiàn)要高于證券機(jī)構(gòu)、保險機(jī)構(gòu)和信托機(jī)構(gòu)的系統(tǒng)性風(fēng)險貢獻(xiàn)；建設(shè)銀行和工商銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)在任何時候都要較高，農(nóng)業(yè)銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)波動較大，個別時期出現(xiàn)了極端的高風(fēng)險貢獻(xiàn)；證券機(jī)構(gòu)中的興業(yè)證券和中信證券的系統(tǒng)性風(fēng)險貢獻(xiàn)較高，并且波動也較大；保險機(jī)構(gòu)中的太平洋保險的系統(tǒng)性風(fēng)險貢獻(xiàn)較高；銀行類的系統(tǒng)性風(fēng)險貢獻(xiàn)水平的波動幅度普遍較大，而信托類和保險類波動較小。

圖3 33家金融機(jī)構(gòu)日度系統(tǒng)性風(fēng)險貢獻(xiàn)負(fù)值

圖2 33家金融機(jī)構(gòu)系統(tǒng)性風(fēng)險貢獻(xiàn)平均水平

表4 金融機(jī)構(gòu)系統(tǒng)性風(fēng)險貢獻(xiàn)排序

金融機(jī)構(gòu)29 29 29 29 29光大證券 20 22 22 21 19廣發(fā)證券 26 25 24 28 28國金證券 30 30 30 30 30國元證券 23 23 23 23 23海通證券 24 24 25 24 24宏源證券 25 26 26 25 25華泰證券 21 15 18 19 21太平洋證券 27 28 27 27 26興業(yè)證券 11 10 10 9 11招商證券 22 19 19 22 22中信證券2012Q1 2012Q2 2012Q3 2012Q4 2013Q1東北證券15 16 16 15 17

對33家金融機(jī)構(gòu)按照2012年和2013年季度平均的系統(tǒng)性風(fēng)險貢獻(xiàn)水平△Co VaR進(jìn)行排序，結(jié)果見表4。證券機(jī)構(gòu)、保險機(jī)構(gòu)和信托機(jī)構(gòu)系統(tǒng)性風(fēng)險貢獻(xiàn)的排序變化不大，而銀行機(jī)構(gòu)變化較大。工商銀行和農(nóng)業(yè)銀行近期的系統(tǒng)性風(fēng)險貢獻(xiàn)排名降低，而浦發(fā)銀行和興業(yè)銀行的排名升高。系統(tǒng)性風(fēng)險貢獻(xiàn)最大的前十個金融機(jī)構(gòu)基本為銀行類金融機(jī)構(gòu)。按2013年一季度系統(tǒng)性風(fēng)險貢獻(xiàn)進(jìn)行排名，前十的金融機(jī)構(gòu)分別為：建設(shè)銀行、民生銀行、浦發(fā)銀行、興業(yè)銀行、招商銀行、工商銀行、交通銀行、中國銀行、太平洋保險和農(nóng)業(yè)銀行。

對本文使用極端分位數(shù)回歸技術(shù)得到的金融機(jī)構(gòu)系統(tǒng)性風(fēng)險貢獻(xiàn)按照總體平均水平排序，并將得到的前十名的銀行類系統(tǒng)重要性機(jī)構(gòu)與張強(qiáng)和吳敏［25］的指標(biāo)法和賈彥東［20］使用銀行內(nèi)部支付結(jié)算數(shù)據(jù)的網(wǎng)絡(luò)模型的結(jié)果比較，見表5。研究發(fā)現(xiàn)，以往研究中國有商業(yè)銀行的系統(tǒng)重要性程度最高，而本文考慮了極端情形的尾部風(fēng)險聯(lián)動性時，股份制商業(yè)銀行如招商銀行、浦發(fā)銀行對金融系統(tǒng)的風(fēng)險貢獻(xiàn)排名上升。在對系統(tǒng)重要性金融機(jī)構(gòu)進(jìn)行評估時，不能單純依賴一種模型方法，而應(yīng)該使用不同的方法從多角度來衡量金融機(jī)構(gòu)的系統(tǒng)性風(fēng)險貢獻(xiàn)。另外，本文使用上市公司公開數(shù)據(jù)作為研究基礎(chǔ)，相對銀行內(nèi)部的交易結(jié)算數(shù)據(jù)的網(wǎng)絡(luò)分析方法更可得，我們的研究結(jié)果可以為系統(tǒng)重要性金融機(jī)構(gòu)的評估以及進(jìn)一步地宏觀審慎監(jiān)管提供借鑒與參考。

表5 不同方法的系統(tǒng)重要性機(jī)構(gòu)比較

4 結(jié)語

本文基于極值理論，使用極端分位數(shù)回歸技術(shù)估計了33家中國上市金融機(jī)構(gòu)的系統(tǒng)性風(fēng)險貢獻(xiàn)水平，并對金融機(jī)構(gòu)的系統(tǒng)重要性進(jìn)行了排序，得到的結(jié)論主要有：

（1）金融機(jī)構(gòu)市場價值總資產(chǎn)收益率的非正態(tài)分布特征為使用帕累托型尾部下的極端分位數(shù)回歸技術(shù)提供了依據(jù)；股票市場波動越大，金融機(jī)構(gòu)面臨的損失越大；正的股票市場收益和短期國債收益的變化會降低金融機(jī)構(gòu)的損失。流動性利差和期限利差對不同類型金融機(jī)構(gòu)的影響具有較大差異。

（2）銀行部門的系統(tǒng)性風(fēng)險貢獻(xiàn)水平高于證券機(jī)構(gòu)、保險機(jī)構(gòu)和信托機(jī)構(gòu)，其系統(tǒng)性風(fēng)險貢獻(xiàn)的波動較大；建設(shè)銀行和工商銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)高于其他金融機(jī)構(gòu)；證券類金融機(jī)構(gòu)的系統(tǒng)性風(fēng)險貢獻(xiàn)水平普遍較低，其中興業(yè)證券和中信證券相對較高并且波動也較大；保險類金融機(jī)構(gòu)風(fēng)險貢獻(xiàn)處于中間水平，信托類金融機(jī)構(gòu)風(fēng)險貢獻(xiàn)較低。

（3）系統(tǒng)性風(fēng)險貢獻(xiàn)最大的前十個金融機(jī)構(gòu)基本為銀行類金融機(jī)構(gòu)，按2013年一季度系統(tǒng)性風(fēng)險貢獻(xiàn)進(jìn)行排名，得到前十位的具有系統(tǒng)重要性的機(jī)構(gòu)分別為建設(shè)銀行、民生銀行、浦發(fā)銀行、興業(yè)銀行、招商銀行、工商銀行、交通銀行、中國銀行、太平洋保險和農(nóng)業(yè)銀行。

（4）相對于以往研究，考慮到極端情形的尾部風(fēng)險聯(lián)動性時，股份制商業(yè)銀行如招商銀行、浦發(fā)銀行對金融系統(tǒng)的風(fēng)險貢獻(xiàn)上升。在進(jìn)行系統(tǒng)重要性金融機(jī)構(gòu)評估時，應(yīng)該結(jié)合多種方法從不同角度進(jìn)行。本文以更易獲得的上市公司公開數(shù)據(jù)為研究基礎(chǔ)的系統(tǒng)性風(fēng)險貢獻(xiàn)研究可以為系統(tǒng)重要性金融機(jī)構(gòu)的宏觀審慎監(jiān)管提供借鑒與參考。

［1］De Bandt O，Hartmann P.Systemic risk：A survey［R］. ECB working paper，European Central Bank，2000.

［2］Schwarcz S L.Systemic risk［R］.Studies Paper，Duke University，2008.

［3］IMF.Republic of Latvia：First review and financing assurances review under the stand-by arrangement，requests for waivers of nonobservance of performance criteria，and rephasing of purchases under the arrangement［R］.IMF Country Report，2009.

［4］Lehar A.Measuring systemic risk：A risk management approach［J］.Journal of Banking and Finance，2005，29（10）：2577-2603.

［5］Merton R.On the pricing of corporate debt：The risk structure of interest rates［J］.Journal of Finance，1974，29（2）：449-470.

［6］Avesani R，Pascual A G，Li Jing.A new risk indicator and stress testing tool：A multifactor Nth-to-default CDS basket［R］.IMF Working Paper，2006.

［7］Huang Xin，Zhou Hao，Zhu Haibin.A framework for assessing the systemic risk of major financial institutions［J］.Journal of Banking and Finance，2009，33（11）：2036-2049.

［8］Segoviano M A，Goodhart C.Banking stability measures［R］.Financial Markets Group，Discussion paper，2009.

［9］Adrian T，Brunnermeier M K.Co VaR［R］.Staff Reports，F(xiàn)ederal Reserve Bank of New York，2009.

［10］Acharya V，Pedersen L，Philippon T，et al.Measuring systemic risk［R］.Working paper，New York University，2010.

［11］IMF.Guidance to assess the systemic importance of financial institutions markets and instruments：Initial considerations［R］.Background Papers（Basel），2009.

［12］Kritzman M，Li Yuanzhen，Page S，et al.Principal components as a measure of systemic risk［J］.The General of Portfolio Management，2011，37（4）：112-126.

［13］Chan-Lau J，Espinosa M，Sole J.On the use of network analysis to assess systemic financial linkages［R］.IMF Working Paper，2009.

［14］Billio M，Getmansky M，Lo A W，et al.Econometric measures of systemic risk in the finance and insurance sectors［R］.NBER Working Paper，2010.

［15］Alessi L，Detken C.Real time early warning indicatorsfor costly asset price boom/bust cycles：A role for global liquidity［R］.ECB Working Paper，European Central Bank，2009.

［16］Borio C，Drehmann M.Towards an operational framework for financial stability：‘fuzzy'measurement and its consequences［R］.BIS Working Papers，Bank for International Settlements，2009.

［17］宋群英.基于Copula函數(shù)的系統(tǒng)重要性銀行的傳染性研究［J］.金融與經(jīng)濟(jì)，2011，（10）：12-17.

［18］高國華，潘英麗.銀行系統(tǒng)性風(fēng)險度量—基于動態(tài)Co-VaR方法的分析［J］.上海交通大學(xué)學(xué)報，2011，（12）：1753-1759.

［19］丁庭棟，趙曉慧.不同行業(yè)與金融系統(tǒng)的波動溢出效應(yīng)分析［J］.統(tǒng)計與決策，2012，（3）：162-166.

［20］賈彥東.金融機(jī)構(gòu)的系統(tǒng)重要性分析—金融網(wǎng)絡(luò)中的系統(tǒng)風(fēng)險衡量與成本分擔(dān)［J］.金融研究，2011，（10）：17-33.

［21］陳守東，王妍.金融壓力指數(shù)與工業(yè)一致合成指數(shù)的動態(tài)關(guān)聯(lián)研究［J］.財經(jīng)問題研究，2011，（10）：39-46.

［22］Chernozhukov V.Extremal quantile regression［J］. Annals of Statistics，2005，33：806-839.

［23］Koenker R，Bassett G.Regression quantiles［J］.Econometrica，1978，46：33-50.

［24］Chernozhukov V.Inference for extremal conditional quantile models，with an application to birthweights［R］.Working Paper，MIT，2006.

［25］張強(qiáng)，吳敏.中國系統(tǒng)重要性銀行評估：來自2006-2010年中國上市銀行的證據(jù)［J］.上海金融，2011，（11）：39-42.

Measuring Systemic Financial Risk of China's Financial Institution——Applying Extremal Quantile Regression Technology and CoVaR Model

CHEN Shou-dong1，2， WANG Yan2
（1.Center for Quantitative Economics，Jilin University，Changchun 130012，China；2.School of Business，Jilin University，Changchun 130012，China）

Based on the extreme theory，a new approach is presented for measuring systemic financial risk. Using extremal quantile regression，33 listed financial institutions'contributions to the systemic risk of financial system are estimated and systemically important institutions in China's financial system are recagnjzed.It is found that，the distributions of the growth rate of market valued total assets and the co-movement of the tail risk can be accurately estimated using the extremal quantile regression.The level and variance of the systemic risk contribution in bank sector are the highest.The top ten systemically important financial institutions are almost in bank sector.The levels of systemic contribution in security sector，insurance sector and trust sector are relatively low.Moreover，systemic contributions of joint-stock commercial banks are higher in our study.An empirical tool is provided in this paper for further macro-prudential regulation of systemically important institutions.

systemic financial risk；Co VaR；extremal quantile regression；risk measure

F830

A

1003-207（2014）07-0010-08

2012-12-07；

2014-02-19

教育部人文社科重點(diǎn)研究基地重大項目（2009JJD790015）；國家社科基金項目（12BJY158）

陳守東（1955-），男（漢族），天津薊縣人，吉林大學(xué)商學(xué)院，教授，博士生導(dǎo)師，研究方向：金融計量分析.