基于網絡視角的銀行業系統性風險度量方法

隋 聰，譚照林，王宗堯

(1.東北財經大學金融學院，遼寧 大連 116025；2.東北財經大學商品市場與行為決策研究中心，遼寧 大連 116025；3.東北財經大學薩里國際學院，遼寧 大連 116025)

?

基于網絡視角的銀行業系統性風險度量方法

隋 聰1，2，譚照林1，王宗堯3

(1.東北財經大學金融學院，遼寧 大連 116025；2.東北財經大學商品市場與行為決策研究中心，遼寧 大連 116025；3.東北財經大學薩里國際學院，遼寧 大連 116025)

網絡模型已經成為研究銀行系統性風險的重要方法。然而現有研究忽視了銀行系統性風險的小概率特點，同時也缺少度量銀行系統性風險的統一標準。為此，本文提出了基于網絡模型的銀行系統性風險度量方法：銀行系統性風險VaR和銀行系統性風險ES。首先，本文采用蒙特卡洛模擬方法，模擬銀行外部沖擊造成銀行間網絡損失的大樣本。在銀行間網絡損失大樣本中，估計銀行系統性風險VaR和銀行系統性風險ES。這兩個測度能夠捕捉到銀行間網絡損失的尾部特征，解決了對比隨機沖擊結果無法反映銀行系統性風險的問題。其次，在模擬實驗中，本文利用真實銀行間網絡結構參數，對模擬的三種銀行間網絡進行校準，保證了研究結論真實性和可靠性。最后，在模擬實驗中發現：(1)外部沖擊會引發違約傳染的連鎖反應，并導致銀行間網絡損失分布從近似正態分布轉變成尖峰厚尾分布，最后變成雙峰分布。(2)網絡集中度越高發生違約傳染連鎖反應的概率越小，但是傳染的破壞力會更大。(3)銀行間網絡的潛在傳染作用會極大的放大銀行系統的風險，而且違約傳染效應是呈指數增長的。

系統性風險；銀行間網絡；蒙特卡洛模擬；VaR

1 引言

銀行間同業市場為銀行間調劑流動性提供便利的同時，也為危機的蔓延提供了傳染渠道。通過銀行間同業市場形成的銀行間的借貸網絡，構成了復雜的債權債務網絡——銀行間網絡。銀行間網絡在系統性風險的蔓延過程中扮演著重要的角色，越來越受到金融學家的重視。Iori等[1]研究了銀行間市場作為安全網的作用，研究發現銀行間市場的結構會影響其發揮相互保護的作用。如果銀行是同質的，銀行間市場有利于穩定系統；如果銀行是異質的，銀行間市場穩定系統的作用就會下降。近些年，涌現出大量利用銀行間網絡模型研究銀行系統性風險的文獻。

Allen和Gale[2]最早提出了網絡視角下的銀行間風險傳染的問題。他們的研究認為完全結構網絡比不完全結構網絡更穩定。Nier等[3]研究了銀行間網絡的連接度對風險傳染的影響，并發現網絡連接度存在閾值。當網絡連接度超過閾值時，違約傳染的概率下降；網絡連接度低于閾值時，風險傳染發生的概率隨平均度上升而上升。隨后，May和Arinaminpathy[4]利用平均場近似技術對Nier等[3]的研究結果提供了一個完整細致的解釋。Gai和Kapadia[5]利用矩母函數技術，對發生違約傳染的平均度相變位置作了深入的理論分析。隋聰等[6]研究發現集中程度越高的網絡由于傳染而倒閉的銀行數量就越多，風險傳染的差異并不明顯。Wells[7]對英國的銀行間市場的傳染風險做了分析。研究發現，一家銀行違約引起其他銀行違約的概率很小，但是會降低銀行系統的資本充足率。損失的嚴重程度與銀行間拆借規模和違約損失率密切相關。Lublóy[8]在研究匈牙利銀行業時發現，銀行間的網絡結構對違約傳染具有重要影響。匈牙利的銀行間債務比例低于其他國家，而且銀行間網絡的集中程度適中。所以，發生連鎖傳染的概率低，連鎖傳染的破壞力也低。Mistrilli[9]的研究結果進一步證實了銀行間網絡結構會影響違約傳染。并且發現當違約損失率較高(大于0.8)時，在最大熵方法估計的完全結構網絡中，違約傳染的嚴重程度會更高。這一結論不同于Allen和Gale[2]的完全結構網絡更穩定的觀點。黃聰、賈彥東[10]研究了中國的銀行間網絡，研究發現初始沖擊銀行的規模決定了傳染的影響力。只有四大行受到沖擊時，才會對銀行間網絡產生極端影響。馬君潞等[11]同樣發現初始受到沖擊的銀行能夠決定傳染的力度和范圍。陳庭強和何建敏[12]構建了基于復雜網絡的信用風險傳染模型，通過仿真實驗發現網絡結構異質性越大，風險傳染的概率越小，傳染的影響范圍越小。此外，歐陽紅兵和劉曉東[13]利用最小生成樹和平面極大過濾圖方法，對銀行間網絡節點的系統重要性進行了研究。

上面這些基于網絡模型的研究都發現，銀行間網絡結構是影響風險傳染和銀行系統性風險的關鍵因素。但是，在網絡結構是如何影響銀行系統性風險的問題上，研究的結論還存在差異。這主要有兩個方面的原因。

第一，缺少系統性風險度量方法。基于網絡模型的研究普遍采用違約銀行數量或違約銀行比率作為衡量系統性風險的指標。在Nier等[3]的研究中，每次沖擊一家銀行，假設該銀行的外部資產全部損失。依次，對所有銀行單獨沖擊，并比較違約銀行數量的平均值以及觀測結果的95%范圍。針對每一個參數，每組實驗進行100次，用違約銀行數量衡量系統性風險狀況。May和Arinaminpathy[4]在Nier等[3]的研究基礎上，增加考慮了違約銀行的頻率分布。Gai和Kapadia[5]采用了隨機的方式，每次選出一家銀行進行沖擊，同樣假設該銀行的外部資產全部損失，并利用違約銀行比例衡量傳染范圍。同時，Gai和Kapadia[5]將傳染超過5家定義為出現傳染，即發生系統性風險，并利用出現傳染的頻率衡量系統性風險。隋聰等[6]同樣采用了隨機的沖擊方式，但與Gai和Kapadia[5]不同。首先，隨機選擇一家銀行，假設該銀行外部資產損失。然后，再隨機增加一家銀行進行沖擊。同理，將沖擊不斷進行下去。最后，利用違約銀行數量衡量系統性風險狀況。Lublóy[8]模擬了匈牙利的39家銀行50天的情景。每次沖擊一家銀行，假設該銀行損失其全部一級資本。利用第一輪和第二輪倒閉銀行數量度量系統性風險。黃聰和賈彥東[10]，馬君潞等[11]模擬特定銀行發出流動性沖擊，利用違約銀行比率、傳染輪次度量系統性風險。綜上，在銀行間網絡模型的研究中沒有統一的系統性風險測度方法。不同的研究對比的標準不同。而且，無論是隨機方式還是特定方式的沖擊都遠不能涵蓋現實中所有可能出現的情景。事實上，銀行系統性風險往往是在極端情況下發生的，是一個典型的小概率事件。

第二，網絡結構差異大。Allen和Gale[2]利用4家銀行構建的簡單網絡模型，比較了完全結構網絡和不完全結構網絡對風險傳染的影響。但是只有4家銀行的網絡太過簡單很難反映真實的銀行間網絡特征。Nier等[3]，May和Arinaminpathy[4]，Gai和Kapadia[5]以隨機網絡為基礎，系統分析了違約傳染與影響因素的關系以及傳染過程，比較了不同連接度對系統性風險的影響。隋聰等[6]用無標度網絡構造銀行間網絡，并研究了不同標度參數的無標度網絡對風險傳染以及系統性風險的作用。Wells[7]網絡模型的參數數據是基于英國銀行間市場的真實數據。Lublóy[8]采用了匈牙利的銀行間業務數據。同時發現匈牙利的銀行系統呈現一種多重貨幣中心結構，由10—15家大銀行扮演貨幣中心的角色。Mistrilli[9]利用意大利銀行間的雙邊債務數據，對比了真實債務矩陣和利用最大熵方法估計的債務矩陣兩種銀行間網絡的違約傳染過程。黃聰和賈彥東[10]利用中國人民銀行支付系統的銀行間支付數據，構建銀行間網絡。馬君潞等[11]采用的是中國商業銀行的資產負債表數據，并利用最大熵方法構建銀行間網絡。需要指出，最大熵方法構建的網絡是完全結構網絡，并不是真實的銀行間網絡。可見，不同研究所采用的網絡結構差異很大。

針對這些問題，本文提出了銀行系統性風險VaR(Value at Risk)和銀行系統性風險ES(Expected Shortfall)兩種測度方法。該方法利用蒙特卡洛模擬確定銀行間網絡的損失分布，利用VaR和ES度量銀行系統性風險。通過蒙特卡洛模擬方法模擬外部沖擊可能出現的所有情景，利用銀行系統性風險VaR和銀行系統性風險ES度量極端情況下銀行間網絡的損失，即系統性風險。此外，Boss等[14]、Soram?ki 等[15]、Becher等[16]、Krause和Giansante[17]等文獻對不同國家的銀行間網絡結構進行了卓有成效的研究。因此，為了解決隨機網絡與規則網絡與真實銀行間網絡差異很大的問題，本文采用銀行間網絡結構的相關研究結論對網絡進行校準。從而保證了研究結論符合真實銀行間網絡結構的特點。

2 基于蒙特卡洛模擬的系統性風險度量

2.1 基礎模型

2.1.1 債務矩陣

為了研究銀行間的風險傳染，本文假設每家銀行的資產包括同業資產(Interbank Assets，IA)和外部資產(External Assets，EA)，負債包括同業負債(Interbank Liability，IL)和存款(Deposits，D)，以及股東權益(Equity，E)。

銀行間的債務聯系將銀行連接成一個相互交織的銀行間網絡。利用債務矩陣可以概括銀行間網絡的基本要素。債務矩陣L表示為：

(1)

由于銀行間交易的私密性特點，具體的銀行間貸款lij數據很難獲得。所以，現有研究確定銀行間債務矩陣有兩種方法。一種方法是全完采用模擬。另一種方法是根據真實銀行的總量數據(同業資產和同業資產)，利用最大熵方法估計債務矩陣。最大熵方法最早由Sheldon和Maurer[18]引入銀行系統性風險研究領域，并受到學者們的廣泛認可和使用。

2.1.2 違約動態

(1)沖擊和傳染

外部沖擊是指銀行系統外部事件對銀行系統造成的沖擊影響，導致某些銀行違約。本文利用蒙特卡洛模擬方法，模擬每家銀行外部資產受到不同程度的損失，來反映外部沖擊。在外部沖擊下，銀行違約可以表示為：

(2)

(3)

(2)違約清算

由于銀行間債務是一個復雜的網絡，當網絡中同時存在基礎違約和傳染違約銀行時，確定銀行間債務的清算支付就變得十分困難。Eisenberg & Noe(2001)[19]提出了銀行間債務網絡的清算支付方法。銀行違約清算時按債務比例償還，因此債務矩陣中的每筆同業負債除以其總的同業負債，可以得到一個償還比例矩陣Π，其中的元素為：

(4)

銀行能夠收回的同業資產IA*取決于其他銀行能夠償還多少同業負債IL*，即：

(5)

因此計算能夠收回的同業資產IA*就轉換成計算能夠償還多少同業負債IL*。銀行i的償還支付表示為：

(6)

2.2 蒙特卡洛模擬

銀行業的系統性風險是小概率事件。現有研究側重正常狀態下不同銀行間網絡結構的比較分析，很難有效捕捉這一小概率事件，不足以解釋極端情況下的系統性風險的嚴重程度。研究這一小概率事件，需要大量的樣本，而現實世界不可能提供這么多的樣本。因此，本文利用蒙特卡洛模擬方法，模擬銀行間網絡遭受沖擊的多種情景，從而可以幫助我們研究系統性風險這樣極端事件。

蒙特卡洛模擬基本思路：首先，選擇外部資產損失變動的隨機過程和分布；其次，針對外部資產的每次變動，統計銀行間網絡的損失；最后，重復前述操作，得到足夠多的樣本數量。

在蒙特卡洛模擬中，確定外部資產損失變動的分布形式是基礎。由于本文旨在研究銀行間網絡的風險傳染，銀行外部資產的損失情況不是本文的研究重點。因此，本文將銀行外部資產的損失變動看成是外生的，這并不會影響本文的研究結論。我們借鑒Iori等[1]的研究思路，假設銀行外部資產損失服從半正態分布。銀行外部資產的變動表示為：

EAi=EAi-|εi|EAi，εi～N(0,τi2)

(7)

其中，εi表示銀行i的外部資產的損失比例，εi服從標準差為τi的正態分布。稱τi為銀行資產的波動率，它反映了銀行系統外部沖擊的大小。

為簡化而不失一般性，假設每家銀行的εi是獨立且同分布的。因此式(7)等價于：

EAi=EAi-|εi|EAi，εi～N(0,τ2)

(8)

銀行間網絡風險傳染的蒙特卡洛模擬基本步驟：

1)確定外部沖擊大小(即標準差τ)，根據式(8)對每家銀行的外部資產EAi進行隨機抽樣。

2)根據式(6)計算每家銀行的償還支付，然后分別依據式(2)和(3)判斷基礎違約和傳染違約。進而統計總違約銀行數量、基礎違約銀行的數量、傳染違約銀行的數量，用以衡量銀行系統的損失。

3)重復上述步驟M次，獲得M個銀行間網絡損失的樣本。

2.3 銀行系統性風險度量

由于銀行系統性風險的小概率特點，因此研究銀行間網絡損失分布的尾部特征顯得格外重要。現有同類研究都關注不同沖擊強度的差異、不同網絡結構的差異等問題，卻忽略了沖擊的極端情況，即損失分布的尾部特征。由于沖擊是隨機的，沖擊造成的結果也是隨機的。所以對隨機結果的比較并不具有代表性，也不能反映系統性風險的小概率特點。

本文提出利用風險價值VaR(Value at Risk)和期望損失ES(Expected Shortfall)兩個測度構建銀行系統性風險的度量模型。同時，利用違約銀行數量衡量銀行間網絡損失。銀行系統性風險VaR的含義可以概括為，在某一概率水平下，銀行間網絡的最大可能損失，即最壞情況時銀行間網絡的損失。用公式表示：

P(Δ≤VaRα)=1-α

(9)

其中，Δ表示銀行間網絡損失的統計量，α表示顯著性水平，1-α則表示為置信水平。式(9)的含義是銀行間網絡損失小于VaRα的可能性為1-α。

在實際應用中，VaR不滿足次可加性，而且表現并不穩定。所以本文同時構建了另一個度量模型，銀行系統性風險ES。銀行系統性風險ES含義是，當銀行間網絡損失超過VaR閥值時所遭受的平均損失程度。ES在VaR的基礎上進一步考慮了出現極端情況時的平均損失程度，可以更完整地衡量銀行間網絡的極端損失風險。用公式表示：

(10)

銀行系統性風險VaR和銀行系統性風險ES衡量了銀行間網絡的極端損失風險，體現了銀行系統性風險的小概率特點。從而能夠解決現有研究比較隨機沖擊結果無法反映系統性風險的問題。

3 模擬實驗

3.1 銀行間網絡的參數校準

銀行間風險傳染是通過銀行間債權債務網絡實現的。所以，模擬實驗之前需要對銀行間債務網絡的相關參數進行設置和校準。首先，構造符合銀行間網絡特征的網絡結構，即確定鄰接矩陣。其次，確定每家銀行的同業資產和同業負債的總量。再次，根據同業資產和同業負債與總資產和股東權益的統計關系，確定每家銀行的總資產、股東權益、外部資產、存款等資產負債表數據。最后，根據鄰接矩陣、同業資產和同業負債，利用交叉熵估計銀行間債務矩陣。

3.1.1 銀行間網絡結構

大量文獻表明，銀行間網絡是無標度網絡[14-17]。為了保證模擬實驗符合真實銀行間網絡結構特征，本文根據文獻[6]提出的無標度網絡構建方法模擬了三種規模為200家銀行的無標度網絡，并利用鄰接矩陣分別表示三種銀行間網絡的結構。根據網絡集中度從大到小排列，三種銀行間網絡的基本特征參數列入表1。

表1 三種網絡的特征參數

從表1可以看出，三種網絡的平均度和平均路徑長度差別不大，而網絡差異主要體現在聚集系數和集中度。聚集系數和集中度都是反映網絡的集中程度的指標。本文以網絡集中度來區別三個銀行間網絡的差異。

3.1.2 同業資產和同業負債

Barrat 等[20]把與一個節點的所有連線的權重之和定義為節點強度。在銀行間網絡中，銀行i的同業資產IAi和同業負債ILi分別代表了銀行i的出度強度和入度強度，銀行i的債務銀行數量和債權銀行數量分別代表了銀行i的出度和入度。Soram?ki等[15]的研究表明銀行間網絡中節點度和節點強度符合下面的冪函數關系：

s=αkβ, k∈[1,+∞)

(11)

由3.1.1模擬的三種銀行間網絡的鄰接矩陣，可以得到節點出度和入度。并利用式(11)確定銀行間網絡中的同業資產IAi和同業負債ILi。

3.1.3 總資產和股東權益

Soram?ki等[15]的研究還發現總資產與同業資產之間也存在著式(11)所表示的冪函數關系。本文利用取自Bankscope的2012年的中國的110家商業銀行的數據進行了檢驗，得到了下面的回歸結果：

adj_R2=0.9101

(12)

(13)

其中，TAi表示總資產，IAi、ILi分別表示同業資產和同業負債，Ei表示股東權益。括號內是t統計量，adj_R2是調整后的R2統計量。

根據式(12)和(13)確定銀行間網絡中每家銀行的總資產和股東權益。然后根據銀行資產負債表的平衡性確定銀行外部資產和存款，從而獲得銀行間網絡中每家銀行的完整資產負債表信息。

3.1.4 債務矩陣的估計

根據3.1.1確定的三種網絡的鄰接矩陣、3.1.2確定的同業資產與負債數據，利用交叉熵方法可以估計債務矩陣，即式(1)。交叉熵方法可以表示為下面的優化問題：

(14)

同時，滿足約束條件：

(15)

其中，L為要估計的債務矩陣，lij∈L。E表示銀行間網絡的鄰接矩陣，eij∈E，eij等于0或1，eij=0表示銀行i沒有貸款給銀行j，eij=1表示銀行i有貸款給銀行j。

利用信息熵中RAS算法求解式(14)和(15)可以獲得銀行間債務矩陣L。由于交叉熵方法引入了鄰接矩陣，從而保證了校準后的銀行間網絡保持無標度網絡特征，避免了最大熵方法只能獲得完全結構網絡的問題。

應當指出，本文中銀行間債務網絡相關參數的設置和校準更加符合真實的銀行間債務網絡。第一，無標度網絡設計符合真實銀行間網絡結構特征。第二，同業資產、同業負債、總資產、股東權益等資產負債表信息是根據真實銀行業數據回歸結果確定的。第三，交叉熵方法估計的債務矩陣保持了無標度網絡結構，避免了完全結構網絡的問題。

3.2 銀行間網絡的蒙特卡洛模擬

3.2.1 銀行間網絡損失與違約傳染概率

針對3.1建立的三種銀行間網絡，首先根據不同的銀行外部資產損失的標準差τ，確定25種外部沖擊情景，其中τ∈(0,0.1]。其次，針對每一種沖擊情景，根據式(8)對每家銀行的外部資產EAi進行10000次隨機抽樣。并利用清算支付向量式(6)、違約類型判別條件式(2)和(3)，記錄每次沖擊的總違約銀行數量、基礎違約銀行數量、傳染違約銀行的量。最后，統計三種銀行間網絡在25種外部沖擊情景下的損失分布。

根據國際清算銀行的定義，銀行系統性風險的一個特征是違約傳染發生連鎖反應，形成多米諾效應。為了研究這一特征，本文將傳染違約銀行的數量達到10家(5%)以上，確定為銀行系統發生了違約傳染的連鎖反應。在10000模擬中統計出現違約傳染連鎖反應的頻率，并將其定義為違約傳染概率。圖1展示了三種銀行間網絡在25種沖擊情景下的違約傳染概率。其中，橫坐標代表不同外部沖擊情景，縱坐標代表違約傳染概率，三角代表網絡1，圓圈代表網絡2，星號代表網絡3。

由圖1可以發現，當外部沖擊較小時(τ≤0.03)，違約傳染概率很小，在三種銀行間網絡中幾乎不會發生違約傳染的連鎖反應。隨著外部沖擊的加大，違約傳染概率也在逐漸增加。當外部沖擊達到τ=0.05時，違約傳染概率達到了20%。平均每5次沖擊，就會出現1次違約傳染的連鎖反應。當外部沖擊較大時(τ≥0.07)，幾乎可以確定銀行間網絡必然會出現違約傳染連鎖反應。更重要的是，我們發現網絡集中度越高發生違約傳染的概率越低。也就是說，銀行間網絡越集中，越不容易發生違約傳染。

圖1 傳染違約發生的概率

為了對比三種銀行間網絡的損失情況，我們統計的每種沖擊情景下10000次模擬中，銀行間網絡的平均損失程度(總違約銀行數量的平均值、基礎違約銀行數量的平均值、傳染違約銀行數量的平均值)。圖2展示了三種銀行間網絡不同沖擊情景下的銀行間網絡的平均損失程度，其中代表三種銀行間網絡的符號與圖1相同。

由圖2可以發現，三種銀行間網絡的總違約銀行數量的平均值、基礎違約銀行數量的平均值、傳染違約銀行數量的平均值幾乎沒有任何差別。平均來看，銀行間網絡的損失程度與網絡集中度沒有明顯關系。可見，在現有研究中用隨機的沖擊結果來比較銀行間網絡的損失程度是沒有意義的。

圖2 平均違約銀行數量

3.2.2 銀行間網絡的損失分布

銀行間網絡的平均損失相似，并不代表損失分布是相同。接下來我們將考察三種銀行間網絡下的損失分布情況。我們選取了六種沖擊情景，τ=0.03,0.04,…,0.08。每一種沖擊情景都有10000次的模擬結果。我們利用每次模擬結果中總違約銀行數量衡量銀行間網絡的損失。六種沖擊情景下的不同銀行間網絡損失的描述性統計量被列入表2中。

根據每種沖擊情景下10000次的模擬結果，畫出總違約銀行數量的頻率直方圖，見圖3。為了更加直觀的展示損失分布的特征，圖3中每個子圖還包括了銀行間網絡損失分布的概率密度估計曲線、正態分布密度曲線。概率密度估計曲線是根據銀行間網絡損失數據估計出來的密度曲線，它反映了損失數據的分布特征，在圖3中用虛線表示。正態分布密度曲線則是對應銀行間網絡損失數據均值和標準差的正態分布密度曲線，它反映了正態分布特征，在圖3中用實線表示。圖3中的每一行子圖依次代表了不同的沖擊情景，τ=0.03,0.04,…,0.08。每一列子圖按照順序分別代表了三種銀行間網絡。

表2 銀行間網絡損失的描述性統計量

圖3 銀行間網絡損失的頻率分布直方圖

從表2和圖3可以看出銀行間網絡損失分布的兩個明顯特征。第一，隨著沖擊強度的增加，銀行間網絡損失分布從近似正態分布轉變成尖峰厚尾分布，最后變成雙峰分布。當外部沖擊較小時(τ=0.03)，銀行間網絡損失分布近似正態分布。圖3中第一行子圖顯示，概率密度估計曲線與正態分布密度曲線相對接近。同時，從表2第1行可以看出，此時損失分布的偏度接近0，峰度接近3，相對接近正態分布。從對圖1的分析可知當τ=0.03，銀行間網絡不會出現違約傳染連鎖反應。可見，此時銀行間網絡中違約的銀行幾乎都是基礎違約。由于沖擊是隨機的，所以銀行間網絡損失會近似正態分布。圖3中第二、三、四行子圖顯示，概率密度估計曲線與正態分布密度曲線相比，峰部更尖尾部更厚。同時，從表2第2、3、4行可以看出，損失分布的峰度明顯高于3，說明當外部沖擊加大后(τ=0.04,0.05,0.06)，銀行間網絡損失具有尖峰厚尾的分布特征。當外部沖擊加大后，銀行間網絡出現違約傳染連鎖反應的概率也相應的增加。盡管基礎違約的銀行數量仍然近似正態分布，但是疊加了違約傳染連鎖效應后導致了銀行間網絡損失呈現出尖峰厚尾分布特征。當外部沖擊達到必然引發違約傳染連鎖效應的程度后(τ=0.07,0.08)，違約傳染徹底改變了銀行間網絡損失的分布形態。從圖3最后兩行子圖的概率密度估計曲線(虛線)可以明顯看出，銀行間網絡損失分布呈現雙峰分布特征。其中，左邊大峰部是基礎違約和傳染違約疊加后的結果，而右邊小峰部是傳染違約影響的結果。也就是說，此時銀行間的違約傳染導致銀行間網絡的極端損失(尾部分布)不再是小概率事件。可見，傳染違約是導致銀行系統性風險爆發的關鍵。

第二，當銀行間網絡損失分布呈現尖峰厚尾特征時，網絡集中度越高銀行間網絡損失分布的厚尾現象越明顯。從表2第2、3、4行可以看出，當銀行間網絡損失具有尖峰厚尾的分布特征時(τ=0.04,0.05,0.06)，網絡集中度越高，銀行間網絡損失的峰度越大。可見，銀行間網絡集中度越高，損失分布的厚尾現象越明顯。但是，從表2第1、5、6行來看，銀行間網絡損失分布呈現近似正態分布(τ=0.03)和雙峰分布(τ=0.07,0.08)時，峰度統計量的差異并不明顯。

為了進一步比較不同網絡結構下銀行系統性風險的差異，下面將采用本文提出的兩種系統性風險測度(銀行系統性風險VaR和銀行系統性風險ES)進行對比。

3.3 銀行系統性風險的測度結果

根據每種外部沖擊下的10000次隨機模擬的銀行間網絡損失結果，可以估計出對應置信水平銀行系統性風險VaR值和銀行系統性風險ES值。表3列出了部分98%置信水平下的VaR估計結果和ES估計結果。表4列出了部分99%置信水平下的VaR估計結果和ES估計結果。

表3和表4的前三列是三種網絡下VaR的估計結果。其含義是在對應置信水平下銀行間網絡最大的損失(即總違約銀行數量)。第4到6列是對應的傳染違約銀行數量。例如，表3第5行第1列數值是64，第5行第4列數值是24。這表示在第一種銀行間網絡中98%的概率下，最多會有64家銀行違約，其中傳染違約的銀行數量是24家。

表3 銀行間系統性風險的測度結果(98%置信水平)

表4 銀行間系統性風險的測度結果(99%置信水平)

表3和表4的第7到9列是三種網絡下ES的估計結果。其含義是在對應置信水平下銀行間網絡損失超過VaR閥值時的平均損失程度(即平均總違約銀行數量)。第10到12列是對應的平均傳染違約銀行數量。例如，表3第5行第7列數值是95，第5行第10列數值是55。這表示在第一種銀行間網絡中98%的概率下，超過VaR閥值時，平均會有95家銀行發生違約，其中傳染違約的銀行數量是55家。

為了更加直觀，我們同時用圖形展示銀行系統性風險VaR和銀行系統性風險ES的估計結果。圖4中兩個子圖分別展示了98%置信水平下的VaR估計結果和ES估計結果。圖5對應的是99%置信水平下估計結果。橫坐標對應的是不同的外部沖擊情景，縱坐標對應的是銀行系統性風險估計結果。圖中三角、圓圈、星號依次代表三種網絡。

圖4 銀行間系統性風險VaR與ES(98%置信水平)

圖5 銀行間系統性風險VaR與ES(99%置信水平)

圖4和圖5中每個子圖都有三組線。最上面一組線代表了三種網絡下銀行系統性風險VaR(左邊子圖)和銀行系統性風險ES(右邊子圖)，也就是銀行系統中總的違約銀行數量。中間的一組線表示傳染違約銀行數量，最下面一組線表示基礎違約銀行數量。

從表3和表4可以看出，當外部沖擊較小時(τ≤0.03)，銀行間網絡的損失很小，而且在不同的網絡中沒有差異。τ=0.02，最多有1家銀行違約；τ=0.028最多有6到7家銀行違約。當外部沖擊加大后(τ>0.03)，銀行間網絡的損失增加，而且在不同的網絡中也體現出差異。總的表現為，銀行間網絡越集中，損失越大。這種規律在銀行系統性風險ES上表現的更加穩定和明顯。同時可以明顯的看出，不同網絡下銀行系統性風險的差異主要來自違約傳染的影響差異。

圖4和圖5更直觀的展現出表3和表4的結論。網絡越集中，銀行系統性風險VaR和銀行系統性風險ES(總違約銀行數量)越大。而且在圖4和圖5中看出，基礎違約銀行數量差異不大(ES表現更明顯)。這再一次證明了銀行系統性風險在不同網絡中的差異是來自于違約傳染。銀行間網絡越集中，違約傳染的銀行數量越多。我們發現了一個有趣的結論，網絡集中度越高發生違約傳染連鎖反應的概率越小(圖1)，但是網絡集中度越高違約傳染連鎖反應的破壞力越大(圖4、5)。

從表3、4和圖4、5中還發現兩個結論。第一，外部沖擊在0.04<τ<0.06范圍內，銀行系統性風險有一個加速上升的過程。而且，銀行間違約傳染的連鎖反應加速過程更加明顯。這說明外部沖擊對銀行系統性風險的貢獻不是線性的，而是近似指數型形式的加速過程。這個加速過程是由銀行間的違約傳染造成的。銀行間債務關系形成的銀行間網絡，構成了潛在的違約傳染渠道。在外部沖擊下，銀行間網絡的潛在傳染作用會極大的放大銀行系統的風險，即爆發銀行系統風險。第二，外部沖擊在τ=0.06左右，銀行系統內違約傳染影響力達到最大。本文模擬了很極端的外部沖擊，在τ=0.06時，銀行間網絡會出現大量的銀行違約。外部沖擊再提高就會直接造成銀行基礎違約，所以傳染違約銀行會下降。但這并不代表違約傳染影響力會下降。

4 結語

本文提出了基于網絡模型的銀行系統性風險度量方法：銀行系統性風險VaR和銀行系統性風險ES。大量銀行違約引發銀行系統性風險是極為罕見的，可供研究的樣本非常少。為此，我們采用蒙特卡洛模擬方法，模擬銀行外部沖擊造成的銀行間網絡損失的大樣本。利用銀行間網絡損失大樣本估計銀行系統性風險VaR和銀行系統性風險ES，能夠有效的捕捉銀行系統性風險的尾部特征，解決對比隨機沖擊結果無法反映銀行系統性風險的問題。

在模擬實驗中，本文利用真實銀行間網絡結構參數，對模擬的三種銀行間網絡進行校準，保證了研究結論真實性和可靠性。在對三種不同集中度的銀行間網絡的模擬實驗中，我們發現了一些對監管當局頗有意義的結論。第一，隨著外部沖擊加大，銀行間網絡損失分布從近似正態分布轉變成尖峰厚尾分布，最后變成雙峰分布。這是由于外部沖擊加大引起了違約傳染的連鎖反應。第二，網絡集中度越高發生違約傳染連鎖反應的概率越小，但是網絡集中度越高違約傳染連鎖反應的破壞力越大。第三，違約傳染是導致銀行系統性風險爆發的關鍵。銀行間網絡的潛在傳染作用會極大的放大銀行系統的風險。而且違約傳染效應是呈指數增長的。

[1] Iori G, Jafarey S, Padilla F.Systemic risk on the interbank market [J].Journal of Economic Behavior & Organization, 2006, 61(4): 525-542.

[2] Allen F, Gale D.Financial contagion [J].Journal of Political Economy, 2000, 108(1): 1-33.

[3] Nier E, Yang Jing, Yorulmazer T, et al.Network models and financial stability [J].Journal of Economic Dynamics and Control, 2007, 31(6): 2033-2060.

[4] May R M, Arinaminpathy N.Systemic risk: The dynamics of model banking systems [J].Journal of the Royal Society Interface, 2010, 7(46): 823-838.

[5] Gai P, Kapadia S.Contagion in financial networks [J].Proceedings:Macthematical,Physical and Engineering Sciences,2010,466(2120):2401-2423.

[6] 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, 2014,17(4): 57-70.

[7] Wells S.UK interbank exposures: Systemic risk implications [J].Financial Stability Review, 2002, 13(12): 175-182.

[9] Mistrulli P.E.Assessing financial contagion in the interbank market: Maximum entropy versus observed interbank lending patterns [J].Journal of Banking & Finance, 2011, 35(5): 1114-1127.

[10] 黃聰, 賈彥東.金融網絡視角下的宏觀審慎管理——基于銀行間支付結算數據的實證分析[J].金融研究, 2010(4): 1-14.

[11] 馬君潞, 范小云, 曹元濤.中國銀行間市場雙邊傳染的風險估測及其系統性特征分析[J].經濟研究, 2007(1): 68-78.

[12] 陳庭強, 何建敏.基于復雜網絡的信用風險傳染模型研究[J].中國管理科學, 2014, 22(11): 1-10.

[13] 歐陽紅兵, 劉曉東.中國金融機構的系統重要性及系統性風險傳染機制分析——基于復雜網絡的視角[J].中國管理科學, 2015, 23(10): 30-37.

[14] Boss M, Elsinger H, Summer M, et al.Network topology of the interbank market [J].Quantitative Finance, 2004, 4(6): 677-684.

[15] Soram?ki K, Bech M L, Arnold J, et al.The topology of interbank payment flows [J].Physica A, 2007, 379(1): 317-333.

[16] Becher C, Millard S, Soram?ki K.The network topology of CHAPS Sterling [R].Working Paper UK: Bank of England, 2008.

[17] Krause A, Giansante S.Interbank lending and the spread of bank failures: A network model of systemic risk [J].Journal of Economic Behavior and Organization, 2012, 83(3): 583-608.

[18] Sheldon G, Maurer M.Interbank lending and systemic risk: an empirical analysis for Switzerland [J].Swiss Society of Economics and Statistics, 1998, 134(4): 685-704.

[19] Eisenberg L, Noe T H.Systemic risk in financial systems [J].Management Science, 2001, 47(2): 236-249.

[20] Barrat A, Barthelemy M, Pastor-Satorras R,et al.The architecture of complex weighted networks [J].Proceedings of the National Academy of Sciences, 2004, 101(11): 3747-3752.

A Network Perspective Measurement Method for Banking Systemic Risk

SUI Cong1，2, TAN Zhao-lin1, WANG Zong-yao3

(1.School of Finance, Dongbei University of Finance and Economics, Dalian 116025, China;2.Center for Commodity Markets and Behavioral Decision Research, Dongbei University of Finance and Economics, Dalian 116025, China; 3.Surry International Institute, Dongbei University of Finance and Economics, Dalian 116025, China)

The interbank network is convenient for liquidity adjustment of the interbank market.But, the network configuration also increases risk contagion among the interbank market.However, the relationship between the network configuration and the systemic risk is a disputable issue in the research area.On one hand, the systemic risk is a typical small probability event which only happens in extreme circumstance.On the other hand, simulated interbank market network in the research area is different from real interbank market configuration.So building a realistic network model and researching the behavior of real network model in extreme circumstance are the key issues.Based on reality interbank network model, two evaluation parameters of the systemic risk: VaR and ES are presented in this paper.Firstly, Monte Carlo method is utilized to simulate the external impact of interbank system.Then, the systemic risk VaR and ES which can reflect the small probability characters of the systemic risk are estimated and the tail properties of interbank system loss are captured.Secondly, real bank parameters are utilized to calibrate three kinds of interbank network in simulation.Such a method ensures the reality and reliability of simulation results.Finally, three valuable conclusions are drawn: (1) External impact will trigger contagion.The interbank system loss will change from norm distribution to heavy tail distribution and then to bimodal distribution.(2) The contagion probability of high density interbank network is smaller than that of low density network, but the destruction is much higher.(3) The potential contagion will enlarge the systemic risk and default contagion effect will increase exponentially.A model which can evaluate the extent of the destruction of the systemic risk in extreme condition is presented.Furthermore, the simulation results comprehensively reveal the relationship between the network configuration and the systemic risk.

systemic risk; interbank network; monte carlo simulation; VaR

1003-207(2016)05-0054-11

10.16381/j.cnki.issn1003-207x.2016.05.007

2014-12-19；

2015-12-07

國家自然科學基金項目(71571034，61304180)；教育部人文社會科學基金項目(12YJCZH211)；遼寧省高等學校優秀人才支持計劃資助項目(WJQ2015012)

簡介：隋聰(1978-)，男(漢族)，遼寧沈陽人，東北財經大學金融學院博士，副教授，碩士生導師，研究方向：銀行系統性風險、網絡模型、金融工程、銀行風險管理，Email: suicong2004@163.com.

F830

A