銀行系統性風險度量

呂燕軍+謝麗強

（山西財經大學）

2008年國際金融危機以來，系統重要性金融機構的識別、測度和監管成為國內外學術界和政府部門關注的焦點.IMF、歐盟及美國等在發布的金融監管改革研究文獻中均將系統性風險的累積和宏觀審慎監管的缺失作為導致國際金融危機的重要因素之一.本文應用GARCH-CoVaR模型對我國上市銀行的系統性風險貢獻度及其與銀行財務特征和宏觀經濟波動的關系進行了分析，為銀行系統性風險識別和監管提供了實證依據，對于構建穩健的中國銀行業的微觀結構具有重要政策意義.

1 文獻綜述

計量和分析銀行機構之間的相互關聯乃至系統性風險貢獻度主要有2種方法：（1）結構化方法.如網絡模型，通過研究資產負債表相互關聯，以及對共同風險因子敞口等因素，在假定銀行體系遭受沖擊引發雙邊頭寸清算條件下，對危機傳染路徑、波及程度和資本損失進行估測，并對系統重要性銀行進行識別. （2）簡約化方法.即不去研究銀行間的相關關聯究竟是如何形成，而是力圖從市場數據，包括股價和CDS價差中推導出市場對銀行風險相關性的預期，如動態相關性、CoVaR方法和系統性風險保險定價法等.該方法的有效性取決于金融市場的有效性：當金融市場為“強有效”時，市場數據分析法可以通過對股價的分析、模擬，得出較為準確的系統性風險狀況；當金融市場為“半強勢”有效時，對歷史數據進行分析的準確性會有所下降；當金融市場為“弱有效”時，該方法將幾乎失去效用.

2 基于GARCH模型的CoVaR方法

2.1 測度銀行系統性風險

CoVaR模型在傳統度量市場風險的方法中，VaR（Value atRisk）在險價值方法是主流方法，其代表一定的概率水平下，資產或投資組合在未來特定時間內的最大可能損失.若X代表某一資產或投資的損失，其密度函數是f（x），則VaR可表示為VaRp= inf| x| f（X≤ x）> p|Adrian等在VaR模型基礎上，建立了考慮金融機構之間風險溢出關系的在險價值模型，稱為CoVaR模型，它表示在一定概率水平下，當某一資產在未來特定時間內的損失等于VaR時，其他資產或投資組合的最大可能損失.因此，給定置信水平1- q，當銀行i的損失值為VaR時，銀行j的條件在險價值CoVaRj iq為Pr（Xj≤ CoVaRj| iq| Xi= VaRiq）= q這一定義意味著，CoVaRj iq本質上是條件VaR，代表了銀行i對j的風險溢出效應.CoVaRj iq反映了銀行j的總風險價值，包含了無條件在險價值和溢出風險價值，為了更真實地反映當銀行i出現最大可能損失這一極值事件發生時銀行j的風險增加值，定義溢出風險價值為ΔCoVaRj| iq= CoVaRj| iq- VaRjq，與無條件VaRjq值相比，CoVaR方法考慮了銀行間市場風險的溢出性和傳導性，能夠反映危機時期機構間相關性增加的事實，是對傳統VaR模型的改進.同理，銀行i對系統性風險的邊際貢獻為當銀行i發生最大可能損失時，銀行體系的條件風險與無條件風險之差為ΔCoVaRsys| iq= CoVaRsys| iq- VaRsysq

2.2 基于GARCH模型的動態CoVaR計算方法

基于GARCH模型的動態VaR方法可以給出在一定置信水平下資產每日的最大損失值，并充分考慮了發生極端事件時的風險狀況.這為投資者和監管機構實時評價單個銀行的市場風險提供了標準和依據.Kuester等[12]研究發現，應用AR（1）-GARCH（1，1）對收益率序列建模并假設殘差序列服從t分布的參數估計結果，比傳統分位數回歸的效果更好.因此，本文引入基于GARCH模型的CoVaR方法來度量我國上市銀行的潛在系統風險貢獻度.

3實證結果分析

本文選取2002-11-12～ 2010-11-18滬深兩市14家上市銀行的收盤價作為樣本數據，其中包括4家國有銀行，10家股份制銀行.2003～ 2010年這14家銀行的總資產占我國商業銀行資產總額的比例高達75%以上，具有很好的代表性.數據來源Wind數據庫，數據處理使用Eviews 6.0和Splus.首先對樣本序列Xit（i= 1，2，… ，14，表示14家上市銀行）的平穩性進行檢驗，單位根檢驗結果表明，在95%和99%的置信水平下，所有收益率數據均拒絕單位根原假設，即收益率序列均為平穩序列，可以直接建立GARCH模型計算VaR和CoVaR等值.通過實證分析結果如下：在本文所作的各個不同尾部分布假設和不同概率水平的分析框架下，工商銀行、建設銀行和招商銀行的日平均VaR損失值最小，表現出良好的穩健性和風險控制能力；而寧波銀行和興業銀行在正態分布下的日均VaR值最大，南京銀行、深發展和寧波銀行在t分布假設下的日均VaR損失值最大.可見，以VaR指標衡量的單個銀行風險中，中小商業銀行的潛在風險較高，具有更大的損失可能.

傳統的微觀審慎監管側重于單個銀行和資產，其主要風險管理工具VaR方法沒有考慮到風險溢出效應的影響，而CoVaR能夠有效地反映單個銀行對系統風險的影響和貢獻度.計算結果顯示，在正態分布假設下，建設銀行對整個銀行系統的風險貢獻度最為顯著，在5%和1%的置信水平下日均CoVaR值分別為- 21.4%和- 32.7%，遠高于系統性影響位于第2位的工商銀行.而在t分布假設下，中國銀行、工商銀行、建設銀行的系統性風險貢獻度最為顯著，其日均CoVaR值小于- 30%，不同分布假設下的結論基本吻合，表明其結果具有穩健性。ΔCoVaRsys iq，t衡量了當某一銀行發生最大可能損失時，其對銀行系統的風險溢出大小與CoVaR相比，這一指標減去了銀行體系在正常狀態下的無條件風險值，能更準確地反映單個銀行對系統性風險的真實度.結果顯示，在正態分布假設下，建設銀行、深發展、工商銀行、交通銀行的系統性風險貢獻程度最大，尤其以建設銀行最為顯著，在5%置信水平下，其對銀行系統的溢出風險值為- 17.4%，比系統性影響最小的寧波銀行高出14個百分點；在t分布下，工商銀行、建設銀行、中國銀行對系統性風險的影響最為顯著.可見，對我國銀行體系而言，系統重要性銀行主要是4大國有銀行，尤其以建設銀行、中國銀行和工商銀行最為突出.

究其深層原因，銀行的資產質量、相對規模和系統性關聯程度是決定其系統性風險貢獻率的重要因素.

4結論

本文以Adrian等研究為基礎，應用股票價格數據對我國14家上市商業銀行的系統性風險貢獻度進行測算，度量了當一家銀行發生最大損失（或違約）時整個銀行體系的脆弱性，從而計算出單個銀行違約的溢出風險，并對其影響因素進行了實證分析.研究發現：①銀行系統性風險貢獻度與其自身VaR之間并無顯著線性關系，對我國銀行體系而言，系統重要性銀行主要是4大國有銀行，尤其以建設銀行、中國銀行和工商銀行的系統性影響最為顯著，其他股份制行的風險溢出和傳染效應遠小于這3家銀行.②銀行的溢出風險ΔCoVaR、自身風險VaR水平、不良貸款率以及宏觀經濟波動對于預測銀行系統性風險的邊際貢獻具有顯著影響.值得注意的是，盡管CoVaR模型簡潔明了并反映了市場對于銀行風險相關性的預期，但該方法只適用于在股票交易所上市的銀行，并且要求資本市場是有效的，即全部信息都被反映到股價上.因此，股價的波動就代表了該銀行資產質量和風險狀況的變化，這一條件對于大多數證券市場很難滿足.