金融網絡關聯與我國影子銀行的風險溢出效應——基于GARCH-Copula-CoVaR模型的分析

馬亞明 宋羚娜

(天津財經大學 經濟學院，天津 300222)

金融網絡關聯與我國影子銀行的風險溢出效應——基于GARCH-Copula-CoVaR模型的分析

馬亞明 宋羚娜

(天津財經大學 經濟學院，天津 300222)

在系統闡述我國影子銀行體系的特征及其與傳統商業銀行的關聯性基礎上，采用GARCH-Copula-CoVaR拓展模型測度我國各類影子銀行機構對傳統商業銀行的系統性風險溢出及其動態效應。結果表明：證券類影子銀行對我國商業銀行的風險溢出效應最大，其次是信托業，最后是民間借貸類機構。整體而言，各類影子銀行的風險溢出強度處于可控狀態，但在2015年的股災中，其風險溢出效應明顯增強。

影子銀行；商業銀行；系統性風險；風險溢出效應

一、引言

在對傳統商業銀行融資進行有益的補充的同時，影子銀行也充當貨幣資金體外循環與“貨幣窖藏”的通道，使大量資金囤積在虛擬經濟領域，進而助長資產泡沫的形成。在股票市場的場外配資以及非理性增長的房地產市場中，均有影子銀行的“身影”。Turner(2012)證實，影子銀行增加了金融工具的交易環節，使得交易鏈條延長，將影子銀行的風險轉移到了商業銀行、保險等傳統金融部門，而在這個過程中如果存在過度交易、監管不力的情況，就會導致風險大量聚集到傳統金融部門，使得金融系統不穩定，可能引發金融危機。影子銀行在其產品設計和信息披露方面存在不透明性，表現為高杠桿操作、期限結構極端錯配和過度創新等特征，因而具有內在的脆弱性，再加上現代金融體系的復雜關聯結構、信息傳染途徑和資產價格波動途徑等，極易導致風險在整個金融體系內擴散。一旦影子銀行體系爆發局部危機，投資者信心喪失和資產價格崩潰會導致信用鏈條斷裂，在影子銀行遭到市場擠兌時，商業銀行就會通過出售金融資產的去杠桿化方式來減少損失，但去杠桿化會加劇金融資產價格的下跌和企業財富的縮水，進一步加劇信貸緊縮，進而可能演變為整個金融體系的系統性風險。李政(2016)等通過網絡分析法發現，2012年以來，我國影子銀行與其他金融機構的關聯性呈現明顯的上升趨勢，2014 年的關聯程度甚至超過了金融危機期間。據穆迪估算，截至2016年底，我國影子銀行的規模達到64.5萬億元人民幣，占GDP的87%。由于規模的急劇擴張以及與商業銀行千絲萬縷的聯系，我國影子銀行潛在的風險或者在桌面下的風險遠比我們實際看到的大得多，在我國經濟步入“新常態”的背景下，測度其累積的系統性風險及其對傳統商業銀行的風險外溢效應，對維護我國金融的安全與穩定無疑具有重要的理論價值與現實意義。

二、文獻綜述

美國金融危機調查委員會(FCIC)2010年曾指出，由于高杠桿、依賴短期資金市場、缺乏明確的政府支持等原因，影子銀行體系在金融動蕩下極度脆弱，容易傳導到商業銀行體系，引發金融危機。Bernanke(2010)提出，影子銀行體系與傳統銀行體系的競爭與合作，促使商業銀行過度冒險或深度參與運作，突破了其傳統的經營邊界，從而導致了系統的不穩定性。Schwarcz(2012)認為，影子銀行體系容易引發風險的原因是，在復雜的金融體系下，眾多的金融機構參與其中，導致了市場分割、關聯性和不透明性，市場主體無法有效地處理信息，市場恐慌易被觸發并鏈式傳遞，形成系統性風險。我國的影子銀行根植于傳統的商業銀行，與國外相比有著完全不同的特征和形態，最本質的差異在于我國影子銀行體系受商業銀行主導，因而與商業銀行之間存在更密切的關聯關系。陸曉明(2014)認為，我國影子銀行雖然獨立于商業銀行，但兩者在所有權、客戶、資金等方面都存在“你中有我，我中有你”的特征，進而為商業銀行留下風險敞口；不僅如此，由于影子銀行的通道業務、同業業務以及商業銀行非標證券化業務的急劇擴張，我國影子銀行部門與商業銀行的系統關聯性還在不斷增強。龔明華等(2011)認為，影子銀行與傳統銀行體系的業務界限日益模糊，商業銀行深度參與影子銀行的各項業務，因而風險交叉傳染不可避免。毛澤盛等(2012)發現，我國影子銀行規模與銀行體系穩定性之間存在閾值效應，當影子銀行規模大于 6.07 萬億元人民幣時，會降低銀行體系的穩定性。宋巍等(2012)利用 CoVaR 和面板數據模型，考察了外部影子銀行和內部影子銀行體系對商業銀行的風險溢出效應，結果表明，考慮影子銀行對商業銀行的風險溢出后，商業銀行的風險值將明顯增大，而且各影子銀行對國有大型商業銀行風險溢出強度尤為顯著。林琳等(2015)以D-D模型為基礎，構建一個包含商業銀行和影子銀行的金融復雜網絡系統模型，通過仿真實驗發現：影子銀行的出現和參與增大了商業銀行系統的脆弱性；而且，影子銀行與商業銀行關聯的規模越大，商業銀行被傳染的可能性和風險越大。李叢文等(2015)將偏 t分布引入 GARCH 殘差項模型，測度了各類型影子銀行對商業銀行的整體以及局部動態風險溢出效應，結果表明，信托類影子銀行的風險溢出最大，而且影子銀行系統對股份制商業銀行的風險溢出最高。涂曉楓等(2016)以我國16 家上市銀行為樣本進行的研究表明，銀行的影子業務與銀行系統性風險之間呈顯著的U型關系，銀行的影子規模不斷增大會造成銀行之間的關聯性過高，風險傳染會放大該銀行的系統性風險。

2008年全球金融危機爆發以后，不同金融領域內的風險擴散傳遞成為研究的熱點，定量測度不同金融子系統間的風險傳染效應引起國內外學者的普遍關注。主要研究方法有結構化方法和簡化性方法兩類。結構化方法即利用資產負債表中的數據來衡量單個銀行對銀行系統的風險溢出效應。相對于結構化方法，簡化方法采用市場數據對機構的未來表現進行預期估計，成本低，能更準確地測度金融系統性風險水平。Adrian et al.(2008)采用條件風險價值模型來度量單一機構陷入極端危機時整個系統的風險外溢程度，填補了機構之間系統性風險測度的空白。但該方法不具有可加性，單個機構測度的風險價值之和并不能反映整個系統的風險價值。基于此，Tarashev(2009)采用Shapley值分解法來評估系統性風險水平，但存在著機構數目眾多和計算負擔重的嚴重弊端，因此只能應用于簡單數量機構間的風險水平測度。Acharya et al.(2010)提出了邊際期望損失(MES)的概念來測度單個機構的邊際貢獻度，其局限性在于無法得到整個系統的系統性風險貢獻度。楊有振等(2013)采用分歸的方法計算了我國商業銀行的系統性風險溢出程度，但這種方法對殘差的假設往往忽略了金融時間序列普遍存在的GARCH效應。針對此假設缺陷，章番(2014)利用多元DCC-GARCH模型來估計邊際貢獻度，更加準確描述極端情況下的系統期望損失。GARCH模型能夠很好地刻畫金融時間序列波動聚集效應，但其存在的參數估計、邊緣分布等局限性仍然不能準確地描述金融系統內的估計值。李叢文等(2015)基于我國影子銀行的特點與主要業務，認為CoVaR在測度影子銀行系統風險溢出方面更加貼近我國現實。因此，本文擬在CoVaR基礎上構建GARCH模型，并引入Copula連接函數來描述金融市場系統風險的非線性相依結構，即結合GARCH模型和Copula函數對CoVaR進行計算，測度我國影子銀行對商業銀行的風險溢出效應。

本文的主要貢獻在于：(1)從金融網絡關聯的視角系統闡述影子銀行對傳統商業銀行產生風險溢出效應的原因，并利用GARCH-Copula-CoVaR拓展模型，測度我國各類影子銀行機構對傳統商業銀行的系統性風險溢出及其動態效應；(2)樣本數據涵蓋2008年全球金融危機和2015年我國發生股災這兩個特殊時期，研究結論有助于在極端風險下研判我國影子銀行體系的風險溢出效應。

三、研究方法及模型

(一)條件風險價值CoVaR

(1)

(2)

(3)

(二)GARCH-Copula-CoVaR模型

1．利用GARCH模型估計邊緣分布

Bollerslev(1986)提出了估計更為有效的GARCH模型，克服了ARCH模型滯后階數q過大的不足，GARCH(p,q)模型表達式如下：

(4)

其中，p>0，q>0，α>0，γi≥0，βj≥0(i=1,2，…，p;j=1,2，…，q)。

為了刻畫金融時間序列的尾部性特征，一般GARCH模型中ξ服從t分布、GED分布。

2. 采用Copula連接函數

Copula函數是用來描述變量間的相關關系結構的一種函數集合，其功能是作為聯合分布函數和邊緣分布函數之間的的橋梁。N 維Copula函數C(u1,u2,…,uN)應滿足以下性質：

(ⅰ)定義域為[0,1]N；

(ⅱ)具有零基面且是 N 維遞增函數；

(ⅲ)其邊緣分布函數應滿足Ci(ui)=C(1,…,1,ui,1,…,1)=u，其中ui∈[0,1]，i=1,2,…,N。

3. 結合GARCH和Copula函數計算風險溢出效應值

首先，利用各金融機構時間序列GARCH(1,1)-t的參數估計得到：

(5)

其中，qTv(·)代表自由度v的標準化t分布的分位數，σt代表條件標準差。

(6)

(7)

(8)

四、中國影子銀行風險溢出效應實證分析

(一)數據選取和基本統計量描述

考慮到數據的可得性，本文將上市影子銀行體系相關的機構和上市商業銀行作為實證分析的對象，截取樣本數據的時間跨度為2007年1月5日到2015年12月31日，覆蓋了2008年金融危機和2015年我國發生股災兩個特殊時期，期間也經歷了利率市場化改革、四萬億財政刺激政策、銀行理財與管道業務的快速發展、互聯網金融的崛起等重大事件。選取廣發證券、東北證券、國海證券、國金證券、國元證券、海通證券、西南證券、長江證券、中信證券等作為證券類影子銀行代表；選取安信信托、陜國投A以及愛建集團作為信托類影子銀行代表；選取香溢融通、魯信創投及渤海租賃作為民間借貸類影子銀行的代表；同時，選取工商銀行、中國銀行、建設銀行、浦發銀行、民生銀行、華夏銀行、北京銀行、南京銀行、寧波銀行等作為我國商業銀行系統的代表。

表1 描述性統計結果

將各子系統時間序列進行平穩性檢驗，在表2中可以看到，ADF檢驗統計量明顯均小于各自5%顯著水平下的臨界值，表明各收益率序列平穩。而實證表明GARCH(1,1)-t模型可以較好地描述各收益率序列的尖峰厚尾以及波動叢集的特征，為此，本文擬在GARCH(1,1)模型殘差項服從t分布的假設下計算溢出風險價值。

表2 各子系統ADF檢驗結果

(二)風險溢出效應的計算

根據GARCH(1,1)-t模型得到殘差序列，通過概率積分轉化為[0,1]均勻分布，再帶入Copula函數求解參數。確定了各收益率序列的邊緣分布后，選擇具有對稱尾部的二維t-Copula函數來更好地捕捉隨機變量之間的相關結構關系，用Matlab軟件進行參數估計，結果如表3所示。

表3 二維t-Copula函數的參數估計

表4 不同類型影子銀行的風險價值及溢出效應

根據GARCH(1,1)-t模型的殘差序列，可以計算各類影子銀行在不同年份的風險價值VaR和條件風險價值CoVaR；然后根據式(2)和(3)可以求出不同類型影子銀行對商業銀行的風險溢出價值△CoVaR和去量綱化的風險溢出價值%CoVaR，如表4所示(顯著性水平為5%)。

為了直觀比較，將年度各類型影子銀行的系統性風險衡量指標VaR、CoVaR均取絕對值來表示。由結果可知，以風險貢獻度為測度依據的話，信托類影子銀行的VaR均值為4.48，民間借貸類影子銀行的VaR均值為4.41，證券類影子銀行的VaR均值為4.19。但如果考查各類影子銀行對商業銀行的溢出風險程度，則發現證券類影子銀行的風險程度最高，其去量綱化的風險溢出價值%CoVaR為0.48，其次為信托類影子銀行，其%CoVaR均值為0.45，民間借貸類影子銀行風險溢出程度最小，其%CoVaR均值為0.36。證券類影子銀行的風險溢出程度之所以最高，一方面是因為以銀證合作為基礎的證券公司通道業務的快速擴張，而且樣本期內我國股市經歷了大起大落；另一方面是在我國68家信托公司中，上市的3家信托公司規模較小，因而信托類影子銀行的風險溢出效應被嚴重低估。就整體而言，各類型影子銀行對我國商業銀行的風險溢出程度不是很高，這說明目前我國影子銀行系統性風險處于可控狀態，引發金融危機的可能性不大，這與李建軍等(2014)、李叢文等(2015)等的研究結論基本一致。當然，這也與自2013年以來我國金融監管當局對影子銀行相關業務進行規范與監管，在一定程度上限制了影子銀行規模的急劇擴張，有效控制了影子銀行的風險溢出有關。與李建軍等(2014)、李叢文等(2015)等認為對商業銀行風險溢出貢獻最大的是信托類影子銀行不同，本文的結論是證券類影子銀行的風險溢出效應最大，造成結論偏差的可能原因是它們的研究樣本沒有考慮2015年發生的股災，而股災直接放大了證券類影子銀行的風險溢出效應。

圖1我國影子銀行對商業銀行的風險溢出的時變特征

為考察各類影子銀行對商業銀行的風險溢出的動態特征，以2007—2015年月度數據為基礎，分別計算不同類影子銀行的月度去量綱化的風險溢出價值%CoVaR，如圖1所示。不難發現：首先，民間借貸類影子銀行對商業銀行的風險溢出效應波動相對較小，但由于2011年溫州“跑路”現象引致的民間借貸危機，2012年7月借貸類影子銀行對商業銀行的風險溢出效應達到了最大。在銀行信貸政策趨緊時，部分商業銀行通過各種方式成為了民間借貸的資金來源；此外，受利差誘使，客戶挪用銀行貸款，將銀行資金投入民間借貸，一旦企業資金鏈斷裂，勢必波及商業銀行。由于民間借貸操作不規范、部分民間借貸有龐氏融資之嫌、新型民間借貸形式P2P的興起等，自2011年以來，民間借貸違約事件不斷發生，其對商業銀行的負面外溢效應也不容忽視。其次，信托類影子銀行對商業銀行的風險溢出效應波動也相對平穩，風險溢出程度處于相對較高水平。近些年來，銀信合作理財業務的發展日益繁榮，其業務渠道與商業銀行關聯性較強，極易強化風險傳染的鏈條。自2012年以來，國內經濟經歷結構性轉型的陣痛及實體經濟增速放緩，投向實體產業的信托類產品收益正在走低，風險正在放大；同時，證監會打擊場外配資及對傘形信托的清理，也使得證券類信托產品整體陷入低迷，僅2015年就有近20個信托產品出現兌付違約，也進一步暴露了風險外溢效應。最后，溢出效應波動最為明顯的是證券類影子銀行。2010年，由于銀監會頒布《關于規范銀信理財合作業務有關事項的通知》，銀信合作有萎縮的趨勢，銀行理財開始轉向與證券合作，銀證合作成為證券類影子銀行風險外溢的重要渠道。證券類影子銀行風險外溢效應動態特征一般折射出證券市場行情的變化，由圖1中可以看出，其與股價變動高度相關，證券類影子銀行對商業銀行的外溢效應在2010、2012、2014以及2015年波動明顯，溢出值較高，尤其是2015年6月下旬爆發的股災也使其溢出程度達到了高峰點。這說明，證券市場的極端風險可能會加劇影子銀行的風險溢出，甚至成為引發系統性金融風險的導火索。

從圖1中還可以發現，我國影子銀行對商業銀行的風險溢出程度與經濟周期密切相關。在次貸危機爆發的2007年以及歐債危機爆發的2010年，各類型影子銀行機構的%CoVaR較低。而伴隨著危機逐漸退去，在推出經濟刺激方案的2008、2009年，以及歐債危機高峰期后的2011、2012年，各類型影子銀行機構的%CoVaR又普遍回升。這說明監管部門應順應經濟發展的周期，正確認識影子銀行子系統間的風險傳染性，加強系統性風險動態監管機制。

五、研究結論與政策建議

我國影子銀行與傳統商業銀行通過管道業務、同業業務、支付結算等業務渠道以及股權關系等形成系統關聯，影子銀行的業務模式和特性使得其風險的傳染性逐步顯露，進而影響到商業銀行的經營與穩定。本文從我國影子銀行的自身特殊性出發，采用能刻畫非線性風險相依變化的GARCH-Copula-CoVaR模型測度影子銀行系統的風險溢出效應。結果表明，證券類子系統風險溢出程度最顯著，其次為信托類，民間金融風險溢出程度較小。盡管我國影子銀行對商業銀行系統的風險溢出程度較小，局部風險可控，引發全面系統性風險的可能性較小，但由于利率市場化改革和金融創新的不斷深化，商業銀行與影子銀行的網絡關聯度在不斷增強，影子銀行風險向商業銀行溢出和傳染的通道和條件已經形成，因此，監管部門還需嚴密防控影子銀行的風險溢出。

有鑒于此，本文在此提出以下政策建議：

第一，加強對影子銀行體系的監管和引導，防范影子銀行業務盲目擴張引致的系統性風險。一方面，要密切關注影子銀行體系資金的流向，嚴格控制其流向房地產和一些不符合國家產業政策的產能過剩部門；同時，應盡量減少影子銀行資金在金融體系內轉，引導其流向新能源、高端裝備制造業、新興信息產業等戰略性新興產業。另一方面，防范影子銀行過度金融創新可能引發的風險。在當前我國金融分業經營的背景下，信托公司、證券公司等影子銀行利用其經營的靈活性，進行各類交叉性金融產品的創新，這些產品橫跨信貸市場、資本市場、貨幣市場、衍生品市場、房地產市場等，可能引致跨市場金融風險，因而，建立人民銀行、銀監會、保監會、證監會的協調聯合監管機制勢在必行。

第二，在影子銀行與商業銀行之間建立風險隔離機制，避免影子銀行風險向商業銀行蔓延和擴散。一方面，嚴格監控商業銀行內部的影子銀行業務，限制商業銀行表內資金過度表外化；另一方面，應該限制商業銀行資金流向外部影子銀行機構，禁止商業銀行信用注入影子銀行、為影子銀行提供隱性擔保、承諾保底和無風險收益等行為。

第三，強化對影子銀行機構的資本與杠桿率監管。一方面，加強對證券公司和信托公司資本充足率的監管，將其債務的杠桿率水平控制在合理的范圍內；另一面，應該對商業銀行繞開資本充足率、存款準備金率和存貸比等指標而開展的表外理財等影子銀行業務進行并表處理或者計提風險資本，嚴格控制杠桿率水平。

龔明華，張曉樸，文竹. 2011. 影子銀行的風險與監管[J]. 中國金融(3)：41-44.

李叢文，閆世軍. 2015. 我國影子銀行對商業銀行的風險溢出效應:基于GARCH-時變Copula-CoVaR 模型的分析[J]. 國際金融研究(10)：64-75.

李建軍，薛瑩. 2014. 中國影子銀行部門系統性風險的形成、影響與應對[J]. 數量經濟技術經濟研究(8)：117-130.

李政，梁琪，涂曉楓. 2016. 我國上市金融機構關聯性研究:基于網絡分析法[J]. 金融研究(8)：95-110.

林琳, 曹勇. 2015.基于復雜網絡的中國影子銀行體系風險傳染機制研究[J]. 經濟管理(8)：109-119.

陸曉明. 2014. 中美影子銀行系統比較分析和啟示[J]. 國際金融研究(1)：55-63.

毛澤盛, 萬亞蘭. 2012. 中國影子銀行與銀行體系穩定性閾值效應研究[J]. 國際金融研究(11)：65-73.

宋巍，劉俊奇. 2015. 我國影子銀行對商業銀行風險溢出效應的實證研究[J]. 武漢金融(2)：56-60.

涂曉楓，李政. 2016. 銀行的影子：風險分擔還是風險傳染[J]. 當代經濟科學(2)：20-29.

楊有振，王書華. 2013. 中國上市商業銀行系統性風險溢出效應分析:基于CoVaR技術的分位數估計[J]. 山西財經大學學報(5)：24-33.

章番. 2014. 中國金融業系統性風險研究:基于DCC-GARCH模型[J]. 東北財經大學學報(3)：30-38.

ACHARYA V， PEDERSEN L， PHILIPPON T, et al. 2010. Measuring systemic risk [R]. FRB of Cleveland Working Paper No.10-02.

ADRIAN T， BRUNNERMEIER M K. 2009. CoVaR [R]. Fed Reserve Bank of New York Staff Report.

BERNANKE B S. 2010. Causes of the recent financial and economic crisis [Z]. Testimony before the Financial Crisis Inquiry Commission， Waohington， D. C.

BOLLERSLEV T. 1986. Generalized autoregressive conditional heteroscedasticity [J]. Journal of Econometrics， 31(3)：307-327.

SCHWARCZ S. 2012. Regulating shadow banking [J]. Review of Banking and Financial Law， 31(1)：619-642.

TARASHEV N, BORIO C, TSATSARONIS K. 2009. The systemic importance of financial institutions [J]. BIS Quarterly Review， (3)：75-87.

TURNER A. 2012. Shadow banking and financial instability [Z]. Speech at CASS Business School.

(責任編輯 劉志煒)

FinancialNetworkInterconnectednessandRiskSpilloverEffectsofShadowBankingSysteminChina:EmpiricalAnalysisofGARCH-Copula-CoVaRModel

MA YaMing SONG LingNa

(School of Economics, Tianjin University of Finance and Economics, Tianjin 300222)

Based on systematic formulation of the characteristics of shadow banking system and its interconnectedness with commercial banks in China, the extending model of GARCH-Copula-CoVaR is used in this paper to measure the systemic risk spillover effects of various shadow banking systems on traditional commercial banks. The result shows that the biggest effect comes from the securities industry, followed by the trust industry, and finally the folk lending industry. The overall strength of risk spillover is in a controllable state, but it is amplified in the stock market disaster of 2015.

shadow banking; commercial banking; systemic risk; risk spillover effect

2017-05-18

馬亞明(1973--)，男，湖北赤壁人，天津財經大學經濟學院教授，博士生導師。 宋羚娜(1992--)，女，天津人，天津財經大學經濟學院碩士生。

國家社科基金重點項目“新常態下我國影子銀行體系的風險溢出效應及其對貨幣政策的影響研究”(15AJY021)，并得到天津財經大學研究生科研項目“我國影子銀行體系的風險溢出效應研究”(2015TCS11)的資助。

F832.33

：A

：1001-6260(2017)07-0069-08

10.19337/j.cnki.34-1093/f.2017.07.007