基于變結構KMV模型的商業銀行風險承擔度量研究

基于變結構KMV模型的商業銀行風險承擔度量研究

姚德權，張宏亮，黃學軍

(湖南大學工商管理學院，湖南長沙，410082)

摘要：以16家在滬深股票市場上市交易的商業銀行為樣本，引入資產價格變結構點非參數檢驗方法，基于變結構KMV模型對商業銀行風險承擔進行度量。實證研究結果表明，在2007-2013年，上市商業銀行的資產價格表現出顯著的變結構特征，相對于不良貸款率、加權風險資產占總資產比例以及Z指數等風險承擔度量指標，基于變結構KMV模型的風險承擔度量方法有更強的前瞻性，其風險預警功能相對較強。

關鍵詞：商業銀行；風險承擔；變結構KMV；度量模型

收稿日期：2015-05-19修回日期：2015-09-20

作者簡介：姚德權(1963-)，男，湖南安鄉人，管理科學與工程博士后，湖南大學工商管理學院教授、博士生導師，研究方向：投融資規制與風險管理。

中圖分類號：F832.33

文獻標識碼：A

文章編號：1002-9753(2015)11-0109-14

Abstract：Taking the listed commercial banks as the research object，this paper designs the measurement method of commercial bank risk taking based on variable structure KMV models by introducing the non-parametric test of the structural break point of the asset price.The empirical study is conducted by taking the 16 commercial banks which are listed in Shanghai and Shenzhen Stock Exchange as the samples，the result shows that during the year from 2007 to 2013，the structural break characteristic of the commercial banks’ asset price is significant.Meanwhile，compared to bad loan ratio，weighted risk asset to total asset and the Z-score，the risk taking evaluation technology based on variable structure KMV models is a more forward-looking method with a better risk-warning ability.

An Study on Measurement of Commercial Bank Risk

Taking Based on Variable Structure KMV Models

YAO de-quan，ZHANG Hong-liang,HUANG Xue-jun

(CollegeofBusinessAdministration，HunanUniversity，Changsha410082,China)

Key words:commercial bank;risk taking;variable structure KMV;measurement model

一、引言

近年來，國內銀行業正在經歷新一輪的增長，在2014年，商業銀行全年實現利潤1.55萬億元，同比增加9.7%[1]。然而，在看到商業銀行“靚麗”財務數據的同時，也不應忽視其存在的風險隱患，據銀監會統計，商業銀行不良貸款率雖然較為穩定，但自2011年第3季度以來，不良貸款總額呈上升趨勢，截至2014年末，商業銀行不良貸款總額達8426億元，比2013年年末增加2506億元。在當前的經濟環境下，部分行業產能過剩矛盾突出，房地產行業形勢持續惡化，融資平臺風險不斷釋放。與此同時，商業銀行的經營還受到了互聯網金融等新興金融模式的沖擊。銀行體系作為金融市場的重要組成部分，其運行狀態關系到金融市場、乃至整個經濟體系的健康發展，正因如此，準確度量商業銀行風險承擔，進而采取有效的管理措施，也就成了學界和業界共同關注的問題之一。

近年來，一些學者將KMV模型引入到商業銀行風險承擔的管理中，該方法能夠結合商業銀行的會計信息和市場信息來進行綜合評價，評價結果較準確，且具較強的前瞻性。但已有研究大多假定(或隱含假定)商業銀行資產價值均值和波動率在同一機制(regime)下變化，即不出現資產價值變結構(variable structure)的情形。這一假定能在一定程度上簡化評價模型的計算，但與商業銀行的現實情況有一定的偏差。受外部金融危機沖擊、宏觀政策調整以及行業突發事件等因素影響，商業銀行資產價值可能會出現結構變點，這些結構變點反映了股票市場對商業銀行風險承擔及其預期的結構性變化，因此包含了豐富的預警信息。有鑒于此，本文將商業銀行資產價值結構變點信息納入到商業銀行風險承擔度量模型中，以期使評價模型更契合現實經濟情況，在此基礎上提高風險承擔度量模型的準確性，降低風險低估的概率，為商業銀行風險承擔的管理提供更準確的依據。

二、相關文獻綜述

商業銀行風險承擔(risk-taking)是指商業銀行承擔風險或者風險投資的行為，風險承擔的實質是商業銀行在經營管理過程中所承擔的風險總額，不少學者對其進行了研究，并且開發出了基于不良貸款率、資本充足率以及Z指數等度量方法。自Salas和Saurina(2002)[1]，Barth等(2004)[3]以及Gonzalez(2005)[4]運用不良貸款率度量商業銀行風險承擔以來，大多數學者延用了該指標來對商業銀行風險承擔狀況進行研究。蔣海和王麗琴(2011)采用銀行報表披露的不良貸款率作為銀行風險的衡量指標，選擇不良貸款率(RISK)的一階差分(△RISK)作為風險變化的代理變量[5]。吳成頌，黃送欽和錢春麗(2014)以不良資產率作為銀行風險承擔的代理變量[6]。劉海明和許娟(2012)認為資本充足法是最優的風險承擔衡量方法[7]。Hannan和Hanweck(1988)提出了商業銀行風險承擔水平度量的Z值方法[8]，后來Teresa和Dolores(2008)也采用Z指數對西班牙商業銀行的風險承擔行為進行了度量[9]。宋清華、曲良波和陳雄兵(2011)采用Z-scoreit(高管薪酬與風險承擔代理變量)來表明銀行高管薪酬與風險承擔之間呈倒U型關系，這說明隨著高管薪酬的增加銀行風險承擔有不斷增加的趨勢[10]。何維達和于一(2011)基于2000—2008年10家中國上市銀行數據，引入了Z指數衡量中國商業銀行風險承擔，并對外資銀行進入、外資參股與上市銀行Z指數的關系進行實證研究[11]。徐明東和陳學彬(2012)也運用Z值度量商業銀行風險承擔水平，并基于風險承擔度量結果，分析了競爭效應等商業銀行風險承擔的影響機制[12]。

不良貸款率、資本充足率以及Z指數等均屬于商業銀行的財務信息，這一類指標能較好地反映商業銀行風險承擔狀況，但也具有滯后性等局限，對商業銀行當前隱含的風險狀況不能有效識別，因此，一些學者開始嘗試運用市場信息來對商業銀行風險承擔進行度量，其中，運用較多的方法是KMV模型。這類方法以Merton期權定價模型為基礎，將資產價值及其波動與破產風險形成映射關系，從而使評價結果具有一定的前瞻性。Kurbat 和 Korablev(2002)運用校準方法對KMV模型進行了檢驗，認為其所估計出的預期違約率能較準確的反映公司的信用風險狀況[13]。Siedlecki(2014)運用S-curve方法驗證了KMV模型的有效性[14]。Crodlbie 和 Bohn(2003)[15]，Cmara等(2012)[16]以及Chen等(2014)[17]的研究表明KMV模型同樣適用于金融類企業的信用風險評估。彭大衡和張聰宇(2009)利用KMV模型方法，借助預期違約概率(Expected Default Frequency，EDF)和違約距離(Distance to Default)兩個指標分析在我國A股上市的五家中小商業銀行的信用風險[18]。孫潔和魏來(2009)[19]，蘇健，姬明和鐘恩庚(2012)[20]，以及吳恒煜，胡錫亮和呂江林(2013)[21]等文獻分別基于Merton期權定價模型，對商業銀行風險承擔的違約距離進行了估計，其實證結果表明該方法具有較好的評價能力，能較準確地描述商業銀行風險承擔的變化。資產市場價值的變化反映了市場的預期，并且能夠靈敏地反映基礎資產基本面的變化情況，運用商業銀行資產價值及其波動、利率等市場信息來對商業銀行風險承擔進行度量，能夠提高風險度量的前瞻性。

在已有的研究中，大多數文獻假定商業銀行資產價值和波動率的狀態保持不變，這一假定與現實情況有較大的偏差，受外部金融危機沖擊、宏觀政策調整以及行業突發事件等因素影響，金融資產價值可能會出現結構變點，Calmès和Théoret(2010)認為表外活動(off-balance-sheet activities)和政策的變化會導致商業銀行資產收益出現結構性變點[22]。Kanas(2014)的研究表明，管理政策的變化會導致商業銀行權益資產價格出現變化，同時引起違約風險發生改變[23]。劉淳,劉慶和張晗(2011)以及齊培艷等(2013)分別運用不同的方法對股票資產價值進行了變結構檢驗，其實證研究均表明，中國股票市場存在顯著的資產價格變結構效應[24-25]。陸靜和胡曉紅(2014)發現商業銀行資產價值等變量會受極端事件影響而出現顯著變化[26]。劉曉星等(2014)基于資產價格度量了股票流動性，發現受歐美主權債務危機的影響，英、日等發達國家以及中、印等新興國家的股票市場出現了流動性變結構點[27]。由此可見，金融資產價值的均值和波動出現變結構點是較為普遍的現象，而這些變結構點是市場對金融資產內在風險的一種反映和預期，是一種有效的市場信息，忽視這些信息將可能導致風險評價模型出現設定偏差，從而使得評價結果出現較大的誤差。

綜合以上考慮，本文參考已有研究，在對商業銀行資產價格進行變結構點檢驗的基礎上，將資產價格變結構點引入商業銀行風險承擔度量中，設計基于變結構KMV模型的商業銀行風險承擔度量模型，從而實現對風險承擔度量模型的改進。

三、商業銀行資產價格變結構點的非參數檢驗

對商業銀行資產價格進行變結構檢驗，進而檢測其變結構點的位置是構建變結構KMV模型的前提。本節參考Wu和Zhao(2007)的研究[28],設計商業銀行資產價格均值和方差變結構點的檢驗方法，并對其進行實證檢驗。

(一)商業銀行資產價格變結構點檢驗模型的基本設定

商業銀行的資產價格(資產價格為商業銀行股本與其股票流通價格之積)隨市場行情發生變化，設定資產價格的平均值在m個時刻發生突變，變化的時刻為k1,k2,…,km，同時設定資產價格的方差在w個時刻發生突變，時刻為s1,s2,…,sw，以Wu和Zhao(2007)的研究為基礎[28]，將變結構資產價格模型設定為：

(1)

(2)

其中，s1,s2,…,sw為w個方差變點。進一步地，可以假設數據在每兩個變點之間服從具體的分布或模型，本文選取的模型為GARCH模型，然后對模型進行估計。對于一個給定的資產價格和給定的區間長度ln。定義相鄰區間差異：

其中

(3)

在此設定下，根據資產價格的時間序列數據即可得商業銀行資產價格均值和方差變結構點。

(二)均值變結構點的非參數檢驗步驟設計

均值資產價格為非平穩時間序列，隨時間變化的特征明顯。但總體來說，在不同的時間段，其變化的規律有所差異。探測均值變結構點，可更好地識別資產價格變化的規律。商業銀行資產價格均值變結構點的非參數檢驗分為以下3個主要步驟：

步驟 1：計算Di，ln≤i≤n-ln，其中ln=[nβ]。在這一步驟中，β值決定了樣本量ln，樣本量太少，局部均值估計不準確，樣本量太大，會漏掉真正的變點。Wu和Zhao(2007)給出了最優的ln為nβ，其中β用來控制樣本量的大小，其范圍為 1/2<β<2/3，在實例分析中Wu和Zhao(2007)選取n0.6作為局部均值的樣本長度[28]，因此本文的計算過程中也選取β=0.6。

步驟 2：找出所有滿足以下條件的區間[j1,j2]：

Di>cm,i∈[j1,j2]

(4)

并且，Dj1-1≤cm和Dj2+1≤cm，其中cm是均值檢驗的臨界值，可以從表1中查。如果表1中沒有對應的臨界值，可以通過線性插值的方法獲得。

表1　均值變點檢驗的臨界值

表1為均值檢驗的臨界值。對于表1的每一個值，生成n個標準正態分布的隨機數，則可計算統計量D，重復做100萬次實驗，然后算出1-α分位數就是相應水平的臨界值。

步驟3：對于步驟2中的每個區間[j1,j2]，找出j*使得Dj*最大，那么j*便是一個均值變結構點。

(三)方差多變點非參數檢驗步驟設計

商業銀行資產價格方差變結構點的非參數檢驗分為以下3個主要步驟：

(5)

步驟2：標準化rt，即：rest=rest/sd(res)，其中sd(res)表示rest的標準差。

表2　方差變點檢驗的臨界值

表2為方差檢驗的臨界值。與均值檢驗的臨界值相似，對于表2的每一個值，生成n個標準正態分布的隨機數，則可計算統計量D，重復做100萬次實驗，然后計算出1-α分位數就是相應的水平的臨界值。

(四)商業銀行資產價格變結構點非參數檢驗的實證結果及分析

本節運用國內16家商業銀行的資產價格作為實證研究對象來驗證本文方法的有效性。樣本期限為2007年第1季度至2013年第4季度。運用本文設計的非參數方法對資產價格的均值和均值變點做出檢測，估計出變點的位置，結果參見圖1。

圖1　均值和方差變結構點的檢驗結果圖示

圖1描述了商業銀行權益資產價格變結構點的位置，其中，各個子圖分別為每家樣本商業銀行的變結構點估計結果，如第1行第1幅子圖為平安銀行(000001)的變結構點示意圖，其余以此類推。圖1中曲線代表的是權益資產價值的條件波動率，實線和虛線直線分別代表方差和均值變結構點的位置。從估計結果來看，商業銀行權益資產價格的均值和方差變結構點大多在4個以上，反映了本文所設計的方法能夠一次性檢測出時間序列的多個變結構點，參數估計結果也表明商業銀行權益資產價并不是在單一狀態下波動，大多數商業銀行權益資產價格的均值和方差均出現了變結構點，將其假定為單一狀態進行時間序列的建模分析可能會導致模型偏差。因此，本文將考慮商業銀行權益資產價值的變結構點，來構建變結構KMV模型來實現對商業銀行風險承擔的度量。

四、商業銀行風險承擔度量的變結構KMV模型設計

(一)變結構KMV模型的設計思路

在以往對KMV模型的研究過程中，大多數文獻假定資產價值在同一個狀態下波動，即運用一個統一的模型來對波動率進行估計。從第3節的實證研究結果來看，商業銀行資產價值的波動存在變結構點，在此情況下，如果不區分波動狀態，將會降低違約距離和風險承擔估計的準確度。本文考慮商業銀行資產價格的變結構點，對基于變結構KMV模型設定如下：

(6)

E=VN(d1)-De-rtN(d2)

(7)

其中，E為商業銀行股票市值，D為和V分別為銀行債務和資產市場價值，參數τ為其債務D的到期期限，r為無風險利率，d1和d2分別為：

(8)

(9)

其中，σv為商業銀行資產價值波動率。

假定商業銀行資產價值Vt服從：dVt=(r-δ)Vtdt+σvVtdZt，可得：

(10)

聯立上式和式(7)，可得到隱含變量V和σv。在KMV模型框架下，銀行資產價值小于某臨界點時，商業銀行將會破產。可根據破產數據，估算出商業銀行的預期違約率。KMV公司的研究表明，長期債務具有一定的緩沖作用，因此違約臨界點位于短期債務與總負債之間。由于中國市場缺少相關破產數據，因而不能難以估計預期違約率，只能夠運用其他指標來替代預期違約率，參考相關研究，本文運用違約距離來進行替代：

(11)

違約距離越大，說明商業銀行的違約風險越小，其風險承擔水平較低，反之，當商業銀行違約距離較小時，其破產清算的可能性越高，其相應的風險承擔水平也較高。

(二)變結構KMV模型的參數設置

為了準確的度量商業銀行風險承擔水平，對基于變結構KMV模型的的相關參數進行如下設置：

(1)商業銀行股權價值(E)。考慮到股權存在流通和非流通兩種情形，商業銀行股權價值的計算方法如下：

E=P×L+EPS×NL

(13)

其中，P為商業銀行流通股的收盤價格，L為流通股股本總數，EPS為每股盈利。

(3)違約點DPT的確定。為了計算銀行的違約距離，需要獲取到期債務和長期債務價值。銀行資產負債率遠遠高于其他非金融企業，長期債務也有特殊性，定期存款(到期時間大于1年的定期存款)的到期時間雖然長，但在銀行擠兌事件發生的時候，儲戶可能寧愿損失利息，也會將定期存款取出，此時，長期債務便轉化成了短期債務，因此，本文將違約點設定為所有負債之和，即DPT=SD+LD，其中SD為短期債務，LD為長期債務[29]，樣本銀行負債的描述性統計參見表4。從表4可以發現，受銀行規模的影響，各銀行的負債水平有較大的差異。總體來說，國有控股商業銀行的負債水平較高，而其他股份制銀行的負債相對較小。

表3　樣本銀行股權價值波動率的描述性統計

表4　樣本銀行負債的描述性統計　(單位：萬元)

(4)無風險利率(r)。本文以存款利率為無風險利率，其原因在于存款利率有較大的社會影響力，是公眾投資進行參考的主要利率之一。以央行公布的一年期存款利率為基準，無風險利率的設定參見表5。

(5)債務期限(τ)。與大多數文獻保持一致[30-32]，本文對商業銀行債務期限設定為1年。

五、基于變結構KMV模型的商業銀行風險承擔度量及結果分析

(一)商業銀行風險承擔度量結果及分析

根據以上參數設定，聯立式(7)-式(11)，可求出商業銀行風險承擔的違約距離(DD)，估計結果參見圖2。圖2中，R代表商業銀行風險承擔的違約距離(DD)，即基于變結構KMV模型的商業銀行風險承擔動結果，R越大，說明違約距離越大，表明商業銀行風險承擔越小，R-IV為運用灰色關聯方法，綜合了不良貸款率、資本充足率和Z值指數等財務信息的風險承擔度量結果*為了對比不同模型的度量結果，本文參考近期文獻，運用不同方法對商業銀行的風險承擔進行了度量，其中，R-I為商業銀行不良貸款率，R-II為商業銀行風險加權資產占總資產比例，R-III為根據文獻[8]和[9]所計算出的Z值指數，R-IV為運用灰色關聯方法對R-I,R-II和R-III進行綜合所得到的綜合度量結果，每一家樣本商業銀行的度量結果參見附錄A。，R與R-IV表現出了類似地波動軌跡，表明變結構KMV模型能有效地反映商業銀行風險承擔變化趨勢。

從商業銀行風險承擔的變化趨勢來看，大多數商業銀行在2008年的風險承擔水平出現了明顯上升，在此期間，商業銀行不同程度受到了次債危機的影響，風險承擔水平的上升一直持續到2009年初，隨后，商業銀行的風險水平又有了一定程度的降低。商業銀行風險承擔變化的趨勢也表明了國內商業銀行的風險承擔并不是來源于國際金融市場的直接風險傳染，而是全球金融危機影響了實體經濟的發展和國內外消費需求的變化，而導致國內商業銀行風險承擔的增加。從圖3.9-3.10可以發現，在次債危機開始爆發以及傳染早期(2007年)，國內商業銀行風險承擔并沒有出現顯著增加，而在2008年，國內企業，特別是中小企業受次債危機的沖擊逐漸顯現，企業景氣指數一路下滑(圖3)，此時銀行風險承擔逐漸提高，在2009年第二季度以后，隨著經濟刺激計劃的執行，企業景氣程度有所上升(圖3)，大多數商業銀行的風險承擔也隨之下降。但不同商業銀行風險承擔降低的開始時間略有不同，如招商銀行調整的時間較早，這也反映出不同商業銀行風險調整能力有一定的差異。

在2013年，各商業銀行的風險承擔曲線出現了向下變化的趨勢，這說明商業銀行風險承擔又有了一定程度的上升，這可能與較為緊縮的宏觀經濟環境有一定的關系，2011年GDP的季度同比增長率分別為9.80%、9.60%、9.30%和8.70%，而2012年第1季度至2013年第4季度的GDP季度同比增長率分別為7.90%、7.40%、7.30%、7.90%、7.70%、7.50%、7.80%和7.70%，經濟增長速度有所降低，商業銀行外部經營環境所帶來的挑戰增大，房地產行業風險、鋼貿行業風險、地方融資平臺風險等均導致了商業銀行的風險承擔持續上升。同時，隨著網絡金融的強勢發展，商業銀行在金融市場的競爭壓力增大，也導致其承擔的風險有所上升。如2013年6月，互聯網金融理財產品余額寶上線，其后在短短1個季度的時間內，其基金份額超過了1000億元，成為T+0貨幣基金中規模最大的一只，銀行業整體負債端的成本壓力倍增，其市場競爭風險也隨之上升。值得關注的是，部分銀行如平安銀行和民生銀行等在2013年的風險承擔水平并沒有提高，反而出現了降低的現象，這與其經營策略有較大的關系。平安銀行在管理創新、業務模式創新、產品與服務創新均取得了較大突破，推出了包括貸貸平安商務卡、口袋銀行2.0、社區模式發展、互聯網金融、票據金融等一系列創新產品與服務，全年新增客戶10049戶，新增日均存款741元，新增日均貸款21億元，實現非利息凈收入6.37億元，零售貸款月較2012年增長了44.20%*數據來源于《平安銀行股份有限公司2013年年報》。，增速領先銀行行業的平均水平，經營模式和業務結構的調整使得平安銀行增強了市場競爭力，并有效地降低了其風險承擔水平。民生銀行從2013年第一季度開始就確立了社區銀行概念，并在第三季度與阿里巴巴進行互聯網金融合作，其經營模式逐漸開始突破物理網點的約束，通過滿足差異化需求與提供互聯網金融服務，從而有效地降低了其風險承擔水平。

表5　無風險利率的設定(2007/1/1-2013/12/31)

數據來源：中國人民銀行官方網站(http://www.pbc.gov.cn/)，其中，2007-1代表2007年第1季度，2007-2代表2007年第2季度，其余依次類推。

圖2　基于變結構KMV模型的商業銀行風險承擔度量結果

圖3　企業景氣指數(2007-1至2013-4) 注：數據來源于Wind數據庫，國家統計局和中國人民銀行。

(二)商業銀行風險承擔度量結果的比較分析

基于市場風險的度量結果與基于財務信息的度量結果有較強的相似性，對于每一家樣本商業銀行，其風險承擔度量程度的時序變化趨勢大多一致，兩類方法結果差異不明顯，表明這兩類方法均具有一定的適用性。進一步地，為了檢驗基于市場信息的商業銀行風險度量方法是否具有前瞻性，本文對基于變結構KMV模型的商業銀行風險度量結果及其滯后變量與基于財務信息的風險承擔度量結果進行了相關分析，相關分析的結果如表6所示。

表6中，R-I，R-II和R-III分別為基于不良貸款率、資本充足率和Z指數的風險承擔水平，RT，RT-1，RT-2，RT-3和RT-4分別為當期、滯后1期、滯后2期、滯后3期和滯后4期的基于市場信息的商業銀行風險承擔水平(R)。從R與R-I,R-II,R-III和R-IV的相關性度量結果可以發現，除樣本數據較少的601288和601818外，對于大多數樣本銀行，滯后1期的R與基于財務信息的風險度量結果相關性最大，且相關系數在統計上顯著，同時，大多數銀行滯后1期的R與基于綜合財務信息的度量結果相關系數超過0.7，且比R與R-I，R-II，R-III的相關系數大，這說明基于變結構KMV模型的銀行風險承擔度量方法是前瞻性(Forward-looking)的技術，可以較好地度量銀行整體的風險承擔狀況，該方法將市場價值和波動率映射到銀行的預期違約率與違約距離，更加全面地反映了市場預期，并且對市場變化更為敏感，因此具有更強的前瞻性。由此也可以發現，基于市場信息的商業銀行風險承擔度量方法不僅能夠較好地識別商業銀行當前的風險承擔狀況，同時還具有較好的預警功能。

表6　R與基于財務信息的商業銀行風險承擔的相關性分析

注：下劃線的數值代表R-I,R-II,R-III,R-IV分別與RT，RT-1，RT-2，RT-3，RT-4之間相關系數的最高值。

六、結論

對商業銀行風險承擔進行準確的度量是商業銀行進行風險管理的前提之一，本文在對商業銀行資產價格進行變結構點檢驗的基礎上，設計了基于變結構KMV模型的銀行風險承擔度量方法，以2007—2013年滬深兩市的上市商業銀行為樣本進行了實證研究。研究得到了以下結論：(1)商業銀行資產價值具有較為顯著的變結構特征，在樣本期間，上市商業銀行資產價值并不是在單一狀態下波動，大多數商業銀行權益資產價格的均值和方差均出現了多個變結構點，因此，對商業銀行資產價值波動行為描述需要考慮其變結構特征；(2)基于變結構KMV模型的銀行風險承擔度量方法能夠有效地度量上市商業銀行的風險承擔，其度量結果能較好地契合現實經濟金融情況，且相比只運用財務信息的風險承擔度量方法，該方法將市場預期映射到商業銀行風險承擔中，因而具有較強的前瞻性。基于以上研究結論，本文得到以下啟示：(1)商業銀行在風險管理過程中要更積極關注資產價格的變結構點，變結構點是其內外因素沖擊的結果，一旦出現，便證明商業銀行的風險狀態出現了較大變化，商業銀行應及時發現變結構點，并深入分析產生的原因，進而找到準確的風險管理對策；(2)投資者在構建投資組合時，應根據資產價格變結構情況來考慮商業銀行風險承擔水平，并參考風險承擔的度量結果，構建更有效的投資組合；(3)在商業銀行風險承擔的監管過程中，監管層可根據本文的度量方法和結果，制定更有針對性的對策，如在逆周期監管過程中，充分運用基于變結構風險承擔度量方法的前瞻性優勢，提前判斷商業銀行風險承擔情況，為風險管理措施的實施贏得更長的風險緩沖時間。

參考文獻：

[1]中國銀行業監督管理委員會.中國銀行業運行報告(2014年度)[R/OL].[2015-9-22].http://www.cbrc.gov.cn.

[2]SALAS V，SAURINA J.Credit risk in two institutional regimes：Spa-nish commercial and savings banks[J].Journal of Fin-ancial Service，2002，22(3)：203-224.

[3]BARTH J R，CAPRIO G，LEVINE R.Bank supervision and regul-ation：What works best? [J].Journal of Financial Interme-diation，2004，13(2)：205-248.

[4]Gonzalez F.Bank regulation and risk-taking incentives：An international comparison of bank risk[J].Journal of Banking & Finance，2005，29：1153-1184.

[5]蔣海，王麗琴.金融危機對資本充足率監管與銀行風險承擔激勵的影響：基于我國上市銀行的實證比較[J].產經評論，2011(4)：67-76.

[6]吳成頌，黃送欽，錢春麗.高管背景特征對銀行風險承擔的影響——來自中國上市銀行的經驗證據[J].現代財經：天津財經大學學報，2014(5)：3-14.

[7]劉海明，許娟.商業銀行風險承擔：指標及其有效性[J].金融論壇，2012(11)：23-30.

[8]HANNAN T，HANWECK A.Bank insolvency risk and the mar-ket for large certificates of deposit[J].Journal of Money，Credit and Banking，1988，20(2)：203-211.

[9]TERESA G，DOLORES R.Risk-taking behavior and ownership in the banking industry：The Spanish evidence[J].Journal of Economics and Business，2008，60(4)：332-354

[10]宋清華，曲良波，陳雄兵.中國商業銀行規模、治理與風險承擔的實證研究[J].當代財經，2011(11)：57-70.

[11]何維達，于一.外資進入與中國商業銀行的風險承擔[J].金融論壇，2011(1)：43-49.

[12]徐明東，陳學斌.貨幣環境、資本充足率與商業銀行風險承擔[J].金融研究，2012(7)：48-62

[13]KURBAT M，KORABLEV I.Methodology for testing the level of the EDFTM credit measure[R].White Paper，Moody’s KMV Revised August，2002.

[14]SIEDLECKI R.Forecasting company financial distress us-ing the gradient measurement of development and S-curve[J].Procedia Economics and Finance，2014，(12)：597-606

[15]CROSBIE P，BOHN J R.Modeling default risk[R].White Paper，Moody’s KMV，2003.

[17]CHEN R，CHIDAMBARAN N，IMERMAN M，et al.Li-quidity，leverage，and Lehman：A structural analysis of financial institutions in crisis[J].Journal of Banking & Finance，2014，45(8)：117-139

[18]彭大衡，張聰宇.銀行信用風險演變的KMV模型分析——以五家中小商業銀行為例[J].經濟數學，2009(3)：60-69.

[19]孫潔，魏來.基于或有權益資產負債表的中國上市商業銀行風險分析[J].武漢大學學報：哲學社會科學版，2009(4)：462-466.

[20]蘇健，姬明，鐘恩庚.我國銀行業整體風險的度量——基于CCA方法的定量測算[J].金融理論與實踐，2012(10)：12-17.

[21]吳恒煜，胡錫亮，呂江林.我國銀行業系統性風險研究——基于拓展的未定權益分析法[J].國際金融研究，2013(7)：85-96.

[23]KANAS A.Default risk and equity prices in the U.S.ban-king sector：Regime switching effects of regulatory changes[J].Journal of International Financial Markets，Institutions and Mo-ney，2014，33(11)：244-258

[24]劉淳，劉慶，張晗.使用Bayes方法識別股市變結構模型[J].清華大學學報：自然科學版，2011(2)：245-249，254.

[25]齊培艷，田錚，段西發，等.異方差非參數回歸模型均值與方差變點的小波估計與應用[J].系統工程理論與實踐，2013，33(4)：988-995.

[26]陸靜，胡曉紅.基于條件在險價值法的商業銀行系統性風險研究[J].中國軟科學，2014(4)：25-42

[27]劉曉星，方琳，張穎，等.歐美主權債務危機的股票市場流動性變點檢測[J].管理科學學報，2014，17(7)：82-94.

[28]WU W B，ZHAO Z B.Inference of trends in time series[J].Journal of the Royal Statistical Society：Series B(Statis-tical Methodology)，2007，69(2)：391-410.

[29]劉海龍，楊繼光.基于銀行監管資本的存款保險定價研究[J].管理科學學報，2011，14(3)：73-82.

[30]張玲，楊貞柿，陳收.KMV模型在上市公司信用風險評價中的應用研究[J].系統工程，2004，22(11)：84-89.

[31]馬若微.KMV模型運用于中國上市公司財務困境預警的實證檢驗[J].數理統計與管理，2006，25(5)：593-601.

[32]陳曉紅，張澤京，王傅強.基于KMV模型的我國中小上市公司信用風險研究[J].數理統計與管理，2008，27(1)：164-175.

(本文責編：海洋)

附錄A商業銀行風險承擔度量結果

附錄A1　基于不良貸款率的商業銀行風險承擔度量結果

附錄A2　樣本商業銀行加權風險資產占總資產比例的年度變化

附錄A3　基于Z值的商業銀行風險承擔度量結果

附錄A4　基于綜合財務信息的商業銀行風險承擔度量結果