我國商業銀行的系統性風險測度及影響因素研究——基于CCA-POT-Copula方法的分析

王　擎，白　雪，牛　鋒

(1．西南財經大學 中國金融研究中心，四川 成都 611130；2.西南財經大學 金融學院，四川 成都 611130)

?

我國商業銀行的系統性風險測度及影響因素研究
——基于CCA-POT-Copula方法的分析

王擎1，白雪1，牛鋒2

(1．西南財經大學 中國金融研究中心，四川 成都 611130；2.西南財經大學 金融學院，四川 成都 611130)

摘要：本文基于CCA方法測度我國商業銀行的個體風險，利用POT-Copula方法考察危機時期銀行間違約相關性的變化，并對商業銀行的系統性風險貢獻及其影響因素進行實證分析。結果表明：在當前深化金融改革時期，我國商業銀行的個體風險急劇攀升；與國有大型商業銀行和城市商業銀行相比，全國性股份制商業銀行的系統性風險溢出效應總體較高；各商業銀行的系統性風險貢獻呈現明顯的時變特征；杠桿率高、盈利能力強和業務復雜程度高的商業銀行具有更高的系統性風險貢獻。本研究為監管當局根據商業銀行的系統性風險制定逆周期的宏觀審慎監管政策提供了有益參考。

關鍵詞：潛在損失；系統性風險；CCA-POT-Copula方法

一、引言

2008年發端于美國的國際金融危機暴露了金融監管體系對系統性風險的監管缺失,此后，系統重要性金融機構的識別以及金融體系宏觀審慎監管成為國內外學術領域和監管部門關注的焦點。巴塞爾委員會2012年發布《國內系統重要性銀行綱領》，指出一些金融機構即使全球系統重要性程度并不明顯，仍可能對一國或地區的金融穩定產生重要影響。此后，各國掀起了研究國內系統重要性金融機構的浪潮。

長期以來，我國銀行體系在分配資源、投資、風險管理等方面起著主導作用，但其內在風險也在不斷積累。從空間維度看，我國金融機構尤其是商業銀行的資產交叉性和同質性不斷增強，增加了風險相互傳染的可能性[1]；從時間維度來看，我國漸進式的金融改革導致銀行風險過度集中與政府隱性擔保加劇，增加了系統性風險聚集、金融體系崩潰的概率。在當前金融自由化和金融改革的大背景下，研究我國銀行體系內部的經濟相依關系、測度各銀行在極端情形下的風險溢出效應以及潛在損失顯得尤為重要。

國內外學者基于不同的視角提出多種方法測度金融機構的系統性風險。其中，網絡模型法通過金融機構之間的實際業務往來數據估測其系統性風險大小，但信用數據的難以獲得使該方法的應用受到限制；條件在險價值法(CoVaR)和邊際期望損失法(MES)僅僅利用市場數據的單方面信息對金融機構的系統性風險進行度量，而我國股票市場的有效性不足降低了這類方法的可信度；未定權益分析法(CCA)同時運用金融機構的債務、市場收益等多方面信息測度系統性風險，卻很少對金融機構之間的違約相關性加以考慮。

針對以上不足，本文首先，綜合利用商業銀行的財務報表數據和市場數據，采用未定權益分析法(CCA)量化商業銀行的個體風險；其次，本文利用極值理論(EVT)和Copula函數，構建各商業銀行與銀行體系中潛在損失序列的尾部聯合分布，合理刻畫潛在損失序列的“厚尾”特征和非線性、非對稱的尾部相依結構；在此基礎上，我們采用滾動固定窗口的方法考察了商業銀行系統性風險貢獻的動態變化趨勢。

本文結構安排如下：第二部分通過現有文獻提出本文的研究思路；第三部分為研究設計；第四部分基于我國上市商業銀行數據進行實證分析；第五部分是文章的結論及啟示。

二、文獻回顧

為了實施有效的宏觀審慎監管，完善系統性風險監測預警和評估處置機制，各國學者從理論和實證方面對系統性風險做了大量研究。總體來看，分析金融機構間的相互關聯以及對金融機構系統性風險進行測度的方法可大體分為兩類，即結構化方法和簡約化方法。

結構化方法主要通過各金融機構在風險頭寸等方面的關聯數據，研究系統性風險的傳播路徑及影響程度，其中以網絡模型法最為典型。賈彥東，基于我國銀行間支付結算數據構建金融網絡模型，通過“直接貢獻”和“間接參與”兩種方式對商業銀行的風險擴散機制進行分析，并對其系統重要性程度進行測評[2]；隋聰，等構建了完整的測度銀行系統性風險和銀行間違約傳染的研究框架，并在此基礎上研究了不同網絡結構下的銀行系統性風險[3]。網絡模型法將系統性風險的傳染與銀行的實際交易相關聯，使得傳染路徑有跡可尋，但該方法通常只能考察銀行間實際業務往來的風險傳染路徑，而事實上銀行間的風險傳染存在廣泛的間接渠道。

簡約化方法不追究各金融機構之間的相互關聯如何形成，而試圖基于財務報表數據或股價等市場數據直接測度系統性金融風險。該研究方法可大致分為三種：綜合指數法、市場法和未定權益分析法。

綜合指數法在衡量系統性風險時，首先選取影響系統性風險的子指標構建衡量指標體系，然后利用統計方法將各指標進行綜合，利用綜合指數的大小反映系統性風險狀況。Hakkio和Keeton基于美國數據構建了測度金融系統性風險的指標體系KCFSI，并驗證了該指標體系可以有效印證已發生的金融危機[4]。劉春航等從宏觀經濟沖擊、銀行自身經營脆弱性以及傳染等角度構建了我國銀行業系統性風險的度量框架[5]。綜合指數法雖然具有簡單明了、可操作性強的優點，但指標選取的主觀性和任意性較強，且無法度量金融機構的系統性風險貢獻。

市場法通過股價等市場數據考察金融機構之間的風險相關性，進而基于不同視角對系統性風險進行度量[6]。其中，條件在險價值法(CoVaR)，是指單個金融機構處于困境時對其他金融機構或金融市場尾部風險的影響，現有研究大多采用△CoVaR測度金融機構的系統性風險貢獻。高國華和潘英麗，基于GARCH模型計算商業銀行的動態CoVaR，并認為該方法能夠比傳統的分位數回歸更有效地度量銀行的系統性風險貢獻[7]。汪東華、陳守東，等將極值理論(EVT)、Copula理論引入到系統性金融風險的度量中[8-9]。系統性期望損失(SES)和邊際期望損失(MES)方法考察了門限值以外的所有信息而非單一分位點的期望損失。范小云，等采用SES和MES的方法測度了在美國次貸危機時期，我國金融機構對金融系統的邊際風險貢獻程度[10]；方意，等利用SES和MES指標度量了我國金融機構的系統性風險，并對系統性風險的驅動因素進行了分析[11]。

未定權益分析法(CCA)可通過違約距離、違約概率、隱性擔保等一系列風險測度指標衡量金融風險大小。范小云，等指出系統性違約距離與平均違約距離能夠較好地反映我國銀行系統性風險的動態變化[12]；而吳恒煜，等認為組合違約距離與平均違約距離之差更適合作為我國銀行業系統性風險的測度指標[13]。部分學者通過隱性擔保數據反映系統性風險大小，許友傳，等結合我國特有的隱性保險和監管救助特點，運用CCA的分析框架估計了政府對我國上市銀行的隱性救助概率和救助成本[14]；吳恒煜，等采用CCA方法測算我國商業銀行的政府隱性擔保，并指出在銀行違約概率越大時政府對其隱性的擔保則越高[13]。

在已有的研究成果中，CoVaR和MES方法僅僅運用了市場數據的單方面信息，而CCA方法在財務報表數據的基礎上引入市場數據，能夠考慮多維度的風險信息且不失前瞻性。然而，當前運用CCA方法的研究并未充分考慮危機時期銀行間違約相關性的變化，且基于存款保險賠付的角度考察商業銀行個體風險，同時對商業銀行的系統性風險貢獻進行動態度量的文章并不多見。

因此，本文首先綜合運用CCA-POT-Copula方法，在測度商業銀行潛在損失的基礎上進一步考察商業銀行的違約相關性，然后借鑒CoVaR方法的思想測度單個銀行的系統性風險溢出效應并對其影響因素進行實證分析。理論層面上，本文基于存款保險賠付的角度測度銀行業系統性風險，這在一定程度上豐富和拓展了系統性金融風險測度和傳遞理論的研究視閾；實踐層面上，我們分別通過商業銀行的潛在損失和△CoVaR*①測度其個體風險和系統性風險貢獻的動態變化，并在此基礎上探究商業銀行系統性風險的驅動因素，能夠為監管當局制定逆周期的宏觀審慎監管政策提供有益參考。

三、研究設計

(一)基于CCA方法的潛在損失測度

1. 違約距離

未定權益分析法(CCA)利用Black-Scholes期權定價模型計算銀行違約的可能性，一般假定銀行的資產價值服從以下幾何布朗運動：

dVt=μvVtdt+σvVtdWt

(1)

其中，μv和σv分別為銀行資產的收益率及其波動率，Wt服從標準布朗運動。根據伊藤引理，銀行的資產價值Vt服從以下對數正態分布：

(2)

這里，N(·)表示標準正態分布的累積分布函數，V0代表銀行資產的初始價值。至負債到期日T時，若銀行資產價值小于負債水平，則銀行發生違約。因此，我們可以得到銀行在t時刻預期的實際違約概率(Probability of Default，PD)為：

(3)

①本文借鑒傳統△CoVaR思想，采用商業銀行潛在損失數據而非市場收益率數據構造△CoVaR*。

式(3)中dt為違約距離。銀行的股權價值Et可以看作以隱含資產價值Vt為標的、以負債的賬面價值Bt為執行價格、以負債的到期期限T-t為持有期的歐式看漲期權，根據BS期權定價模型，其理論價值可以表示為：

(4)

根據伊藤引理，隱含資產波動率σv與股權市值波動率σE之間存在以下關系：

(5)

銀行資產的期望收益率μv通常用無風險利率r代替，負債的到期期限T-t按照慣例取值為1年(許友傳等[14]；吳恒煜等[13])，由以上公式可計算得到違約距離等風險測度指標。

2. 潛在損失

如果存款保險到期時銀行的資產價值大于負債的賬面價值，則保險公司支付的賠償費用為零；反之，保險公司將支付銀行負債與其資產價值的差額部分。根據Merton構建的存款保險定價模型，銀行的風險債務Dt可看作以銀行資產Vt為標的、以負債的賬面價值Bt為執行價格、以負債的到期期限T-t為持有期的看跌期權[15]。根據看跌期權定價公式，存款保險機構到期的賠付為：

(6)

為了方便分析，本文將存款保險機構的到期賠付取為負值，代表商業銀行的潛在損失(Potential Loss，PL)，即PLt=-Dt，整個銀行體系的潛在損失(TPL)為各商業銀行的潛在損失之和。銀行潛在損失序列的測算步驟如圖1所示。

圖1　CCA方法計算銀行潛在損失步驟

(二)潛在損失的聯合分布建模

1. 邊緣分布的擬合

Pickands的研究表明，超過某一閾值的觀測值漸近服從廣義Pareto分布(GPD)[16]。則單個銀行和整個銀行體系潛在損失序列的邊緣分布表示為：

2. 基于Copula的相依結構

Sklar提出的Copula理論通過將聯合分布表示為各邊緣分布的函數，極大拓展了多維聯合分布的應用范圍。其中，阿基米德Copula中的Gumbel Copula和Clayton Copula分別適合于右尾相關性較強和左尾相關性較強的相依結構建模，能夠很好地捕捉隨機變量之間非線性、非對稱的相關關系，因此在金融風險管理領域得到廣泛應用。Copula函數的選擇一直是當前風險管理領域的難題，現有研究主要通過尾部相關系數、樣本平均超越值、邊際似然值等對Copula進行選擇[18]。這里分別使用Gumbel Copula和Clayton Copula對潛在損失的左尾數據進行擬合，選擇似然值較大的Copula構建潛在損失的聯合分布。兩類Copula對應的聯合分布函數分別為：

(8)

(9)

式(8)和式(9)中G(x)、H(y)分別指單個銀行和銀行體系潛在損失對應的邊緣分布。

(三)系統性風險貢獻的度量

(10)

(11)

(四)系統性風險貢獻的影響因素研究

我國的銀行體系存在“太大而不能倒”和“太關聯而不能倒”的現象。因此，從微觀層面和宏觀層面研究我國銀行系統性風險貢獻的影響因素，對維護國內金融穩定具有重要意義。本文以△CoVaR*作為被解釋變量，根據已有研究(范小云等[12]；白雪梅等[20])，選取商業銀行規模、杠桿率、不良貸款率、總資產收益率、業務復雜性以及與其他銀行的關聯程度等作為解釋變量，以經濟結構和經濟增長等宏觀經濟因素作為控制變量，建立面板數據回歸模型對銀行系統性風險貢獻的影響因素進行實證分析。具體回歸模型如下：

(12)

其中，Size為銀行資產規模的自然對數；Leverage表示銀行的杠桿率；NPLR為銀行的不良貸款率；ROA表示銀行的總資產收益率；LR為銀行的拆出資金與其自身資產規模的比例，代表銀行與其他銀行的關聯程度；OR為銀行其他業務收入占總營業收入的比例，表示銀行自身經營的復雜程度；MGR為M2與GDP的比值，代表宏觀經濟結構；GDPG為GDP同比增長速度，表示宏觀經濟增長；εit為殘差項。

四、實證結果分析

(一)樣本與數據

本文選取的樣本包括中國工商銀行、中國銀行、中國建設銀行和交通銀行4家國有大型商業銀行，招商銀行、平安銀行、浦發銀行、民生銀行、華夏銀行、興業銀行、中信銀行7家全國性股份制商業銀行，寧波銀行、南京銀行、北京銀行3家城市商業銀行。本文的研究區間選擇為2007年第四季度到2014年底。

文中各上市商業銀行財務數據和市場數據均來自wind資訊金融數據庫和CSMAR研究數據庫。無風險利率為中國人民銀行公布的一年期定期存款基準利率與其實際執行天數的加權平均；為了得到商業銀行每日的潛在損失，本文采用三次樣條差值法將違約障礙的季度數據轉變為日度數據；時變的股權波動率采用GARCH(1,1)建模獲得。

(二)商業銀行的潛在損失

1. 數據的統計特征

基于各商業銀行的財務報表和市場數據，本文利用CCA方法得到各銀行的潛在損失，表1報告了我國商業銀行潛在損失的描述性統計結果。①由表1可以看出，各商業銀行和銀行體系的偏度系數均小于0，表明潛在損失序列具有明顯的左偏特征，峰度系數均大于正態分布對應的3，呈現“尖峰厚尾”的特征；JB檢驗的p值均為0，則在5%的顯著性水平下均拒絕原假設，表明各商業銀行及銀行體系潛在損失序列均顯著異于正態分布。

表1　潛在損失的統計描述

2. 潛在損失數據趨勢分析

圖2報告了研究區間內各商業銀行潛在損失的變化趨勢。為方便比較，我們將研究樣本分為國有大型商業銀行(圖2-a)、全國性股份制商業銀行(圖2-c、2-d)和城市商業銀行(圖2-b)。從圖2可以發現，總體來看，國有大型商業銀行的潛在損失最高，全國性股份制商業銀行次之，城市商業銀行的個體潛在損失相對較小。

①潛在損失的單位為十億元人民幣，下同。

圖2　各商業銀行的潛在損失

注：為了方便分析，圖中報告的是潛在損失的絕對值，數值越大表明商業銀行的個體風險越大。

此外，我國銀行體系的潛在損失具有明顯的波動性。2007-2008年期間，受金融危機沖擊，我國商業銀行的整體風險較為突出；2010年歐債危機時期，由于國有大型商業銀行國際業務占比相對較高，個體潛在損失明顯上升，而全國性股份制商業銀行和城市商業銀行所受影響相對較小；2013年銀行“錢荒”時期，全國性股份制商業銀行和城市商業銀行的風險明顯增加，而國有大型商業銀行風險無明顯變化；2014年以來，隨著我國利率市場化的推進以及人民幣國際化等金融改革進程的加快，我國商業銀行蘊藏的風險也在急劇攀升。

(三)邊緣分布和Copula函數的參數估計

本文以兩年作為時間窗口，通過滾動更新數據對商業銀行以及銀行體系的聯合分布進行建模。表2報告了2013-2014年期間的參數估計結果，其中大多數銀行的形狀參數k大于零，表明潛在損失呈現出“厚尾、拖尾”的特征；而浦發銀行、興業銀行、中信銀行和平安銀行的形狀參數k小于零，說明潛在損失在極端值處具有“截尾”特征[21]。由于各商業銀行與銀行體系潛在損失序列具有非線性和非對稱性的相關關系，我們采用Copula函數對該相依結構進行擬合，并根據極大似然函數值確定合適的Copula類型，由表2中Copula函數的選擇及參數估計結果可以看出，不同商業銀行與銀行體系的相依結構存在明顯差異。

(四)商業銀行的系統性風險貢獻

該部分基于單個銀行與銀行體系潛在損失的相依結構對各銀行的系統性風險貢獻進行度量。由于不同時期宏觀經濟狀況和各商業銀行的經營狀況會發生變化，我們采用滾動固定窗口的方法測度不同時間段內各商業銀行的系統性風險溢出效應。圖3以5%分位點下的△CoVaR*為例，報告了我國各商業銀行系統性風險貢獻的變化趨勢。

圖3　我國上市商業銀行的△CoVaR*_5%

注：(1)△CoVaR*的實際值為負，為方便分析圖中均取其絕對值，數值越大表明系統性風險貢獻越大。

(2)圖中縱坐標單位為十億元。

由圖3可以看出，各商業銀行的系統性風險貢獻呈現明顯的時變特征，其中在2008年金融危機時期，商業銀行的系統性風險溢出效應整體較高，2010年之后有所回落并維持在較低水平，而2014年以來隨著我國金融改革進程加速，各商業銀行的系統性風險貢獻迅速上升。整體來看，全國性股份制商業銀行的系統性風險貢獻較大，而國有大型商業銀行雖然個體風險較大，但其對銀行系統的風險溢出效應卻相對較小。

表2　參數估計結果

表3選取2007-2008年金融危機、2009-2010年歐債危機以及2013-2014年我國深化金融改革時期三個區間，報告了我國商業銀行系統性風險貢獻的度量結果及其排序。

表3　我國商業銀行的△CoVaR_5%

由表3可以看出，2007-2008年金融危機時期我國商業銀行系統性風險整體較高，其中招商銀行、南京銀行和華夏銀行等系統性風險貢獻排在前列，而國有大型商業銀行的系統性風險貢獻相對較小。這一現象可能是由于中小型商業銀行在金融危機前受利益驅使迅速增加杠桿，因而在遭到沖擊時的風險溢出效應加大；而在此期間，國有大型商業銀行杠桿率增加程度相對較小，系統性風險貢獻也相應地較低。

2009-2010年歐債危機時期，各商業銀行系統性風險貢獻相對較小，中信銀行和國有大型商業銀行的系統性風險貢獻排序靠前。這可能是由于歐債危機主要對我國銀行業的國際業務產生較大沖擊，而中信銀行的國際業務一直領跑行業，國有大型商業銀行的國際業務規模也相對較大，因此在這一階段的系統性風險貢獻相對較高。

2013-2014年深化金融改革時期，我國商業銀行系統性風險的溢出效應整體較大。其中，興業銀行、中信銀行等全國性股份制商業銀行的系統性風險貢獻較高，國有大型商業銀行的風險貢獻總體處于中間水平，城市商業銀行風險貢獻相對較小。近年來，由于股份制商業銀行“影子銀行”業務發展迅速，并且當前面臨的市場定位、風險管理等問題較為突出，在深化金融改革過程中系統性風險增加迅速。而城市商業銀行主要為地方經濟以及地方居民提供金融服務，客戶關系網絡穩定，因此該時期系統性風險貢獻相對較小。

(五)系統性風險貢獻的影響因素

本文采用14家上市商業銀行2007-2014年的年度財務數據對銀行系統性風險貢獻的影響因素進行實證分析，由于各時點的△CoVaR*值由歷史兩年數據計算得到，因此各解釋變量取對應時間區間內的平均值。回歸結果如表4所示。

表4中，10%分位點下的△CoVaR*對應的回歸結果顯示，Size的系數顯著為正，表明銀行自身的資產規模與其系統性風險貢獻呈負相關關系，由于規模越大的商業銀行經營的穩定性越好，在一定程度上其對銀行業的系統性風險貢獻就越小，這一結論與白雪梅和石大龍[20]的研究結果一致；Leverage系數顯著為負，表明在發生危機時杠桿率越高的銀行風險傳染和風險溢出效應越大；ROA的系數顯著為負，由于收益較高的銀行往往從事具有更高風險的業務，因此在極端情形下的系統性風險貢獻越高；OR的系數顯著為負，說明銀行的經營復雜程度越高，其經營風險越難掌控，相應的風險貢獻就會越大。當以5%分位點下的△CoVaR*為被解釋變量時，所得結論并無實質性差異。

表4　銀行系統性風險貢獻影響因素的實證結果

除了銀行自身特征之外，宏觀經濟狀況也對商業銀行的系統性風險溢出效應具有顯著影響。表4的實證結果表明，M2/GDP的值越大，即宏觀經濟杠桿率越高，商業銀行的系統性風險溢出效應越大；此外，以GDP增速表示的實體經濟波動同樣會促進銀行業系統性風險的擴散。

五、結論與啟示

本文基于CCA方法測度了我國商業銀行的個體風險，采用POT-Copula方法構建各商業銀行與銀行體系潛在損失的聯合分布；在此基礎上，我們對商業銀行的系統性風險貢獻及其影響因素進行實證分析。研究結果表明：(1)2007-2008年金融危機、2010年歐債危機、2013年銀行“錢荒”以及2014年以來深化金融改革時期，我國商業銀行的個體風險較大，潛在損失較高。(2)總體來看，盡管國有大型商業銀行個體潛在損失較高，但其系統性風險溢出效應卻相對靠后，而全國性股份制商業銀行具有較高的系統性風險貢獻。(3)各商業銀行的系統性風險貢獻呈現明顯的時變特征，金融危機時期和當前深化金融改革階段全國性股份制商業銀行的系統性風險貢獻較大，而國有大型商業銀行在歐債危機時期系統性風險貢獻排序明顯上升。(4)杠桿率、總資產收益率和業務復雜程度越高的商業銀行系統性風險貢獻越大，宏觀經濟的杠桿率和波動性提高也會促進銀行體系系統性風險的擴散。

本文結論對當前我國金融監管具有以下啟示：第一，由于規模和業務特征存在明顯差異，各商業銀行在宏觀經濟沖擊下的個體風險表現不同。因此，在深化金融改革時期政府部門應當針對不同類型的商業銀行制定差異化的監管政策。第二，部分個體風險低的商業銀行可能具有較高的系統性風險貢獻，監管部門應當同時重視個體潛在損失和極端情形下的系統性風險溢出效應，將微觀審慎和宏觀審慎監管相結合。第三，各商業銀行在不同研究區間內的系統性風險貢獻存在差異，監管當局應當根據宏觀經濟環境變化對監管政策進行及時調整，提高金融監管的有效性。第四，一些規模相對較小、但杠桿率較高和業務較為復雜的商業銀行具有較高的系統性風險貢獻，政府部門應當結合銀行規模、經營特點以及宏觀經濟狀況等多重因素，完善相應的信息披露和資本附加制度。

參考文獻：

[1] 劉春航,苗雨峰,朱元倩. 銀行業同質性的度量及其對金融穩定的影響[J].金融監管研究,2012(2):18-31.

[2] 賈彥東. 金融機構的系統重要性分析——金融網絡中的系統風險衡量與成本分擔[J].金融研究,2011(10):17-33.

[3] 隋聰,遲國泰,王宗堯. 網絡結構與銀行系統性風險[J].管理科學學報,2014(4):57-70.

[4] Hakkio C S, Keeton W R. Financial stress: what is it, how can it be measured, and why does it matter? [J]. Federal Reserve Bank of Kansas Economic Review, 2009:5-50.

[5] 劉春航,朱元倩. 銀行業系統性風險度量框架的研究[J].金融研究,2011(12):85-99.

[6] 徐超. 系統重要性金融機構識別方法綜述[J].國際金融研究,2011(11):57-64.

[7] 高國華,潘英麗. 銀行系統性風險度量——基于動態CoVaR方法的分析[J].上海交通大學學報,2011(12):1753-1759.

[8] 汪冬華,黃康,龔樸. 我國商業銀行整體風險度量及其敏感性分析——基于我國商業銀行財務數據和金融市場公開數據[J]. 系統工程理論與實踐,2013(2):284-295.

[9] 陳守東,王妍. 我國金融機構的系統性金融風險評估——基于極端分位數回歸技術的風險度量[J].中國管理科學,2014(7):10-17.

[10] 范小云,王道平,方意. 我國金融機構的系統性風險貢獻測度與監管——基于邊際風險貢獻與杠桿率的研究[J]. 南開經濟研究,2011(4):3-20.

[11] 方意,趙勝民,王道平. 我國金融機構系統性風險測度——基于DCC-GARCH模型的研究[J].金融監管研究,2012(11):26-42.

[12] 范小云,方意,王道平. 我國銀行系統性風險的動態特征及系統重要性銀行甄別：基于CCA與DAG相結合的分析[J].金融研究,2013(11):82-95.

[13] 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.

[14] 許友傳,劉慶富,陳可楨. 中國政府對上市銀行的隱性救助概率和救助成本[J].金融研究,2012(10):60-74.

[15] Merton R. An analytic derivation of the cost of loan guarantees and deposit insurance: an application of modern option pricing theory [J]. Journal of Banking and Finance, 1977, 1(1):3-11.

[16] Pickands J. Statistical inference using extreme order statistics [J]. The Annals of Statistics, 1975, 3(1):119-131.

[17] Dumouchel W H. Estimating the stable index α in order to measure tail thickness: a critique [J]. Annals of Statistics, 1983, 11(4):1019-1031.

[18] Rocco M. Extreme value theory in finance: a survey [J]. Journal of Economic Surveys, 2014, 28(1):82-108.

[19] Adrian T, Brunnermeier M K. CoVaR [R]. FRB of New York Staff Reports, 2008:1-51.

[20] 白雪梅,石大龍. 中國金融體系的系統性風險度量[J].國際金融研究,2014(6):75-85.

[21] 桂文林,韓兆洲,潘慶年. POT模型中GPD“厚尾”性及金融風險測度[J].數量經濟技術經濟研究,2010(1):107-118.

責任編輯、校對：郭燕慶

The Systemic Risk Measurement and Influencing Factors of Chinese Commercial Banks—An Analysis Based on CCA-POT-Copula Method

WANG Qing1, BAI Xue1, NIU Feng2

(1. Center for Chinese Financial Research, Southwest University of Finance and Economics, Chengdu 611130, China; 2. School of Finance, Southwest University of Finance and Economics, Chengdu 611130, China)

Abstract:This paper measures the individual risks of Chinese commercial banks based on CCA method, investigates the interbank default relativity change in crisis period and empirically analyzes the systematic risk contribution of commercial banks and its influencing factors. The results show that: the individual risks of Chinese commercial banks rise sharply when the financial reform is being deepened currently. In comparison with that of large stated owned commercial banks and urban commercial banks, the spillover effect of the individual risks of Chinese commercial banks is generally relatively high. The systematic risk contribution of each commercial bank has clear time-change features. The commercial banks that have higher leverage, stronger profitability and more complex degree of businesses have higher systematic risk contribution. This study provides beneficial reference for the regulatory authority to make countercyclical macro-prudential regulation policy according to the systematic risks of commercial banks.

Key words:Potential Loss; Systematic Risk; CCA-POT-Copula Method

文獻標識碼：A

文章編號：1002-2848-2016(02)-0001-09

作者簡介：王擎(1973-)，重慶市人，西南財經大學中國金融研究中心、金融安全協同創新中心教授，博士生導師，研究方向：宏觀金融、公司金融、資本市場；白雪(1989-)，女，河南省周口市人，西南財經大學中國金融研究中心博士研究生，研究方向：宏觀金融風險管理、資本市場；牛鋒(1990-)，安徽省阜陽市人，西南財經大學金融學院博士研究生，研究方向：金融風險管理、實證資產定價。

基金項目：國家自然科學基金項目“銀行資本約束下我國系統性金融風險傳遞研究”(71473200)；教育部人文社科重點研究基地重大項目“基于金融穩定的貨幣政策與宏觀審慎監管協調配合研究”(15JJD790027)；2015年中央高校基本科研業務費專項資金項目“企業財務杠桿與銀行業系統性風險”(JBK1507028)和“基于EVT-Copula的我國金融機構系統性風險研究”(JBK1507031)。

收稿日期：2015-11-17