網絡相關性、結構與系統性金融風險的關系研究

胡宗義，黃巖渠,2，喻采平

(1.湖南大學 金融與統計學院，湖南 長沙 410006 ; 2.中國人民銀行長沙中心支行， 湖南 長沙 410005；3.長沙理工大學 經濟與管理學院，湖南 長沙 410076)

一、引言

我國經濟已經由高速增長階段轉變到高質量發展階段,轉變發展方式,優化經濟結構,轉換增長動力是當前的重要任務。金融系統作為現代經濟系統的功能核心，也需要完成質量、效率與動力的變革，服務好實體經濟，使金融經濟的增長更穩健，風險更可控。從系統論的觀點看，系統的穩定性與各組成部分之間的聯系和系統結構有關，研究表明系統性金融風險也與金融機構的相關性及金融網絡結構直接關聯。深化金融系統改革，服務好實體經濟，可以降低金融機構相關性，優化系統結構，從而達到有效降低系統性金融風險的目的。

國內外在系統性風險測量的研究方面主要包含網絡分析法、尾部度量法、或有權益分析法以及宏觀壓力測試法四類[1]。網絡分析研究是最近系統性金融風險的熱點[2]，研究表明網絡關聯性與系統性風險之間不是單調關系，但關聯性處在高位時，外部沖擊會給系統帶來更大的損失。在網絡結構方面，已有文獻主要在不同的網絡結構下研究金融系統的傳染性、系統性風險大小等，提出利用資本管理、流動性管理來調整網絡結構，從而干預系統性風險。

二、文獻回顧

在網絡分析研究方面，Allen等人[3]基于DD模型分析了流動性與網絡關聯度，發現分散風險和增加關聯度可以降低系統性風險。Iori等人[4]分析了風險分散與系統性風險的關系，認為網絡關聯度與系統性風險之間沒有單調性關系存在。Stiglitz[5]認為分散風險和傳染性增加是一體的，關聯性增加使風險分散，但增強了大沖擊下的傳染性。Gai等人[6]利用數值模擬方法證明，當關聯程度低時，傳染發生頻率低破壞性小，當關聯程度高時，傳染更容易發生破壞性大。茍文均[7]通過CCA模型證實債務杠桿增加了系統性風險的生成和傳染。唐文進[8]研究了極端事件對系統性風險的影響并提升了預測能力。鄭振龍[9]利用平均相關系數對股票、債券市場進行了研究，發現平均相關系數反映了系統性風險。對金融網絡建模時，一般采用銀行間存貸數據、支付數據、CDS數據、風險敞口數據等單一數據，而銀行間的相關性關系是多維度的。Thrner等人[10]指出在金融網絡中銀行間市場是很重要的，但擔保市場和信用派生市場在放大波動方面也有非常重要的作用。Bargigli等人[11]以墨西哥銀行數據構建了多層次網絡，發現不同層的網絡結構是不一樣的。Poledna等人[12]進一步利用墨西哥銀行的相互存款、交叉持有債券、派生產品和外匯研究了系統性風險。方意[13]研究了四類傳染渠道，發現杠桿渠道和負債違約渠道對系統性風險的影響更為重要。本文采用唐文進[8]、鄭振龍[9]、Acharya等[14]、Chen等[15]文獻中采用的上市金融機構數據測度網絡相關性。

在網絡結構的研究方面，Mantegna[16]研究了機構之間的Pearson相關系數，認為相關性大的機構不僅受經濟政策的影響，也受產業政策的影響，而相關性小機構的主要受經濟政策的影響。Vladimir[17]利用美國股市數據證明了在交叉相關系數大于0.2時，網絡是無標度網絡。Brusco[18]建立了一個考慮道德因素的模型，得出了完全網絡結構比不完全結構更容易引發金融危機的結論。Castiglionesi[19]研究了網絡效率與分散風險能力，得出最優網絡結構為中心外圍式網絡結構。Lenzu等人[20]通過隨機沖擊試驗結果表明隨機網絡比無標度網絡更穩定。隋聰[21-22]的研究表明網絡集中度越高，傳染的可能性越小但傳染損失越大。鄧超[23]研究發現中心外圍式網絡比無標度網絡更容易造成傳染，但金融困境時恢復力更強。

在網絡相關性方面，文獻大多采用Pearson相關系數、交叉相關系數。Kritzman等人[24]采用相關系數矩陣的特征值，鄭振龍[9]、Kolanovic等人[25]采用平均相關系數，Engle等人[26]采用交叉相關系數的平均值。由于Pearson相關系數只適合測度線性相關，本文構造互信息系數來衡量網絡相關性，互信息系數相對Pearson系數來說，一是可以度量非線性相關，二是不需要計算相關的參數，比Pearson系數測量相關性更穩定。

三、基于互信息的網絡關聯模型

(一)建立互信息相關系數矩陣的時間序列

Rothman[27]研究了經濟領域時間序列中非線性相關與處理，金融變量非線性相關廣泛存在，在很多情況下，采用Pearson相關系數、交叉相關系數等來計算金融變量之間的相關性是不適宜的。Dionisio等人[28]構造了X，Y的關系為一個增加擾動的余弦波函數(X，Y強相關)，計算得出Pearson相關系數為0，Rank相關系數為0，互信息系數為0.91，證實互信息不僅能測量線性相關，也能測量非線性相關關系。本文采用互信息系數來計算相關性，預期比Pearson相關系數，交叉相關系數更穩定。

X為隨機變量，PX(x)為X的概率密度函數，X的信息熵H(X)定義為：

(1)

Y是另外一個隨機變量，概率密度函數為PY(y)，X，Y的聯合分布密度函數為PXY(x,y)，聯合熵H(X,Y)定義為:

H(X,Y)=-?PXY(x,y)log(PXY(x,y))dxdy

(2)

X發生情況下Y發生的條件熵H(Y|X)定義為:

(3)

X，Y的互信息I(X,Y)定義為：

I(X,Y)=H(X)-H(Y|X)=H(Y)-H(X|Y)=H(X)+H(Y)-H(X,Y)

(4)

(5)

通過(5)式計算互信息系數，X，Y之間不相關時，由于I(X,Y)=0，相關系數為0；X，Y之間有函數關系時，相關系數為1。上式較好地描述了X，Y之間的相關關系。我們通過(4)，(5)計算金融機構的互信息系數矩陣時間序列，以每個時點的相關系數矩陣為鄰接矩陣，我們建立起金融網絡的時間序列，該網絡隨著時間變化不斷變化。

金融網絡可以用圖來表示，圖的數學表達式為：G=(V,E)，由頂點集合V(v)和邊集合E(e)組成。其中V是頂點的集合，E是邊的集合。本文中考慮的金融機構之間的相關性關系，頂點為金融機構，頂點的值為金融機構的總市值，邊為金融機構之間相關性，值為金融機構之間的互信息相關系數，由于互信息相關系數是對稱的，本文中金融機構網絡為無向圖。

(二)網絡相關性與系統性風險

本文使用機構的每日總市值來測度金融機構的相關性，主要依據是因為資產小于等于負債是多數文獻對金融機構倒閉的假定，資產與負債之差是機構的所有者權益，而所有者權益的市場價值對上市公司來說是公司的總市值。相對股價來說總市值考慮了機構規模，機構分紅與擴股，采用總市值比股市價格更具備合理性。本文采用總市值來計算金融機構之間的相關性，認為這種相關性已經包含了金融機構的直接相關性與間接相關性。

在計算相關系數時遵從Engle等人[26]動態等相關模型(DECO)關于機構間一天內的相關系數不變的假設，相關系數隨著日期變化，并采用網絡對手相關系數的均值來計算整個網絡的相關性，計算方式為：

(6)

其中v為某一時點的網絡相關性，xij為第i個機構與第j個機構的相關系數，n為機構總數量。通過(6)式，我們計算出每個時點的網絡相關性，得到網絡相關性的時間序列。

在系統性風險測量上，我們采用金融指數表示。從直觀上看指數越大，系統性風險越高。我們假定從長期看金融系統的總市值滿足一個固定的概率分布，X是將來可能的損失，用VaRα(X)表示系統性風險的大小，VaRα(X)=-inf{x|P(X≥x)≥1-α}。我們固定α時，因為總市值滿足一個固定的概率分布，將來可能的損失只與當前的總市值相關，當前的總市值越高，將來可能遭受的損失越大。實際上可以證明，只要系統性風險測量方法(如VAR，ES等)滿足風險一致性測量中的平移原理[31]，即ρ(x+a)=ρ(x)-a，就可以用指數曲線近似代替風險曲線。因為如果在指數為α點測到的風險為ρ(x)，在滿足平移原理的情況下，在指數為β的點測到的風險一定為ρ(x)+λ(β-α)，λ(β-α)是系統風險損失準備金(其中λ為常數)。系統性風險曲線是系統指數曲線在y軸平移距離ρ(x)后再放大λ倍的結果。當前交易商流行的計算指數期貨的保證金算法，就是以指數為基準計算。

本文實證中通過網絡相關性時間序列與指數時間序列的比較來分析相關性與系統性風險的關系。通過x1>x2(x1，x2的值為各時點網絡相關性)時，是否有f(x1)>f(x2),f(x1),f(x2)的值為各時點的金融指數，以此判斷網絡相關性與系統性風險之間是否有單調關系。

(三)網絡結構與系統性風險

以相關系數矩陣為鄰接矩陣的網絡是全連通網絡。為了研究網絡結構，需要對網絡進行壓縮。本文采用Vladimir等人[17]等文獻中的假設，即在外部沖擊下，相關性小的部分對系統性風險的影響可以忽略，本文采用兩種方式壓縮，一是保持連通性下的相關性壓縮，即壓縮為最大生成樹；二是完全基于相關性的壓縮。

1.基于最大生成樹的壓縮。使用最大生成樹進行壓縮是為了展示網絡總體結構。最大生成樹數學表示為：GT=(VT,ET),由于本文中G是全連通的圖，我們尋找的最大生成樹頂點數與原圖一樣，有VT=V我們定義圖G上邊的一個函數f(e)為：

2.基于相關性的壓縮。使用相關性壓縮的目的是研究網絡內部結構與內部相關性，本文中使用θ=0.7壓縮，具體做法是將相關性小于閥值的邊從全連通圖中移除，可以證明壓縮后的網絡為無標度網絡。也可以采用其他閥值，閥值的大小不影響本文的結論。

我們使用網絡偏心距判別網絡結構與系統性風險之間的趨勢性關系。網絡中節點之間的距離定義為兩個節點最小的邊的數目，節點的偏心距定義為節點到圖中所有節點的距離的最大值。網絡偏心距定義為網絡中最小的節點偏心距，網絡平均偏心距定義為網絡中所有節點的平均偏心距。平均偏心距實際上是網絡集中度的一種量度。從偏心距的定義可以看出，偏心距越小，越接近中心外圍式網絡，偏心距最小的節點為網絡的中心。本文利用網絡偏心距描述網絡結構，并將偏心距用在最大生成樹、相關性壓縮的網絡中。我們通過網絡偏心距來判斷網絡的集中度，偏心距越小，認為網絡越呈現為中心外圍式結構，偏心距大時，呈線性結構或松散結構。

本文分別計算各時點最大生成樹、相關性壓縮網絡的偏心距，形成偏心距時間序列，通過偏心距曲線與指數曲線的對比，判斷網絡結構與系統性風險是否有趨勢性關系。

(四)網絡內部相關性與系統性風險

本文用最大團方法挖掘網絡中聯系最緊的小團體，分析形成最大團的原因，提出干預系統性風險的方法。最大團是圖中最大的全連通子圖，最大團的含義是機構中聯系最緊密的團體。由于最大團中的個體相關性強，個體會對整個團產生比較顯著的影響。

(五)數據與計算方法

本文數據獲取自國泰安數據庫。考慮到2015年的股災和2016年初的股災，選取時間段為2014-2016年。剔除2015年以后上市的機構后，銀行類機構總計16家，證券類機構24家，保險類機構6家，其他類機構7家，實際53家金融機構列入計算。首先利用每日機構總市值數據計算金融機構之間的互信息(R軟件中infoeth軟件包，版本號1.2.0)，使用互信息建立互信息矩陣時間序列，再計算基于互信息的系數矩陣時間序列；然后利用系數矩陣構造最大生成樹與相關性網絡；最后計算最大生成樹與相關性網絡的偏心距(Eccentricity)并研究網絡相關性、結構與系統性風險的關系。結合互信息計算要求與我國證券市場波動的頻率，本文選擇125個數據為一個滑動窗口來計算。

四、實證結論與分析

為了統計方便，機構代碼以字母標示，銀行類機構以Y開頭，保險類機構以B開頭，證券類機構以Z開頭，其他金融機構以Q開頭，代碼數據在后文的實證分析中使用，機構類數據如下表：

表1 金融機構代碼表

我們使用平均相關系數法對系統性風險作預測，圖1中a是平均互信息系數序列與金融指數的疊加，b是平均Pearson系數時間序列與金融指數的疊加。為了比較方便，我們將基期(2014年7月8日)的互信息系數與相關系數設置為100。

互信息系數表示的是金融機構個體之間的相關程度，平均互信息系數表示金融機構整體的內部相關程度。從圖1 a我們發現，平均互信息相關系數增強時，一般情況下指數也增大，但相關性增加總是先于指數到達高點，網絡相關性高點發生在風險發生前。我們發現在部分時段，網絡相關性與金融指數之間的關系不是單調的，例如2014年11月17日至2015年12月2日，相關性從x1=0.5536959降低到x2=0.4627035，而指數從f(x1)=113.4497上升到f(x2)=140.1508。在x1f(x2)成立，而且不是個別現象，在2014年11月17日至2015年12月2日，2015年3月5日至4月10日等區間普遍成立。所以相關性與系統性風險之間不是單調關系。

2015年我國系統性金融風險主要是金融杠桿造成的，在金融指數的上漲期(2015年6月8日前)，金融機構間的相關性增加，系統性風險增加，在2015年4月30日互信息到達高點后，最后一輪的上漲，金融機構之間的相關性并沒有增強，而是開始回落，經濟學的解釋是市值的上漲已經不是普漲，而是出現了分化，相關性開始降低，這可以從各機構市值曲線圖中得到驗證。在金融指數的下跌期(2015年6月8日后)，機構間的平均相關性同步回落，指數下跌與相關性基本同時到達低點。最低點過后，機構之間的相關性開始增強，系統吸收風險，金融指數出現上漲。

圖1 互信息系數平均、相關系數平均與指數比較圖

圖2 互信息系數平均、指數與偏心距

從圖1 a可以看到基于互信息的相關系數曲線較好地與指數曲線吻合。由于上漲最后階段總是存在一個階段的分化期，基于互信息的相關系數總是能提前回落，所以能夠較好地預測風險，在2015年4月30日互信息到達高點后，金融指數2015年6月8日才到達最高點，每一次金融指數的上漲，互信息相關系數都提前到達高點然后回落。基于互信息系數的相關性對指數的漲跌更為清晰，而圖1 b基于Pearson相關系數的時間序列預測性不是很理想，可能原因是機構之間的部分相關性是非線性的。

為了比較各時期網絡結構，本文將網絡壓縮形成最大生成樹，并計算每棵生成樹的偏心距，并采用平均偏心距作為網絡結構的特性。圖2分別是2014年7月8日至2016年12月31日金融系統平均偏心距、金融系統互信息系數與金融指數，銀行系統平均偏心距、銀行系統互信息系數與銀行指數疊加，為了便于觀察，平均偏心距、相關性、金融指數的初期數值定義為10以便比較。圖2 a，實線是金融平均偏心距，點劃線是金融指數。圖2 b，實線是銀行平均偏心距，點劃線是銀行指數。

我們從圖2可以看到，不管是金融系統還是銀行系統，在外部沖擊的作用下，網絡結構發生周期性震蕩。金融系統的網絡結構比銀行系統網絡結構變化更大，這不僅是機構規模問題，銀行系統的網絡結構相對金融系統更為穩定。在外部的沖擊下，金融網絡結構改變，但網絡自身按周期性回復結構狀態。在沖擊作用下網絡相關性有下降，釋放風險后，網絡結構從線型變為中心外圍式結構，但只要沖擊結束，網絡結構便開始恢復，金融網絡是一個有彈性的網絡。觀察沖擊規律可以發現，在發生正向沖擊后，網絡結構滯后一個時段出現平均偏心距上漲，網絡結構變得松散，發生負向沖擊時，網絡結構的平均偏心距立即下降。但在沖擊結束后的指數振蕩期，網絡結構都會對沖擊的結果快速恢復。從圖2可以看到系統性風險和網絡結構沒有趨勢性關系。

我們以金融系統平均偏心距為觀察點，經過采樣，網絡的偏心距在2015年4月16日達到最高值18.03774，在2015年9月23日達到最低值7.811321。在以上兩個時間點的生成樹如圖3。可以看到2015年4月16日的生成樹呈線形結構，而2015年9月23日成分層結構(中心-外圍式結構)。在2015年4月16日，由于杠桿作用，推動了金融機構總市值的上漲，這種相關性主要是金融杠桿造成的，消弱了機構之間的產業關聯性，金融系統的結構變得松散，表現為線型結構。而2015年9月23日，風險釋放，相關性降低，金融系統產業關聯性顯現，可以清晰地看到在圖3 b中，銀行系統分屬幾組連接在一起。在沖擊下，金融系統釋放了風險到外部經濟系統，網絡結構變為分層結構(中心外圍式結構)。

圖4是θ=0.7時，金融網絡壓縮成相關性網絡后的是相關性網絡的平均偏心距、金融平均互信息系數、金融指數的比較。基于相關性的壓縮可能會出現離散的點，離散的點表明該機構與金融系統中其它的機構沒有很強的聯系。

相關性網絡的偏心距同時受相關性與網絡結構的影響。首先，我們觀測到相關性較高的時間段，平均偏心距較低。這是因為在相關性高的時間，根據我們的壓縮規則，相關性網絡的連通度更高，所以平均偏心距偏低；而在相關性低的時刻，平均偏心距偏高。同時我們觀察到沖擊對網絡結構的影響，可以觀測到當發生正向沖擊時，平均偏心距滯后上升，當發生負向沖擊時，平均偏心距立即下降，但沖擊結束后，網絡結構立即回調，這在各個震蕩期更為明顯。銀行機構的相關性網絡與金融機構的相關性網絡盡管偏心距曲線不一致，但規律一樣。在相關性網絡中，也顯現出通過結構變化來應對沖擊的特點。

我們重點觀察金融指數從6月8日開始的三次下跌，第一次6月8日至6月29日，指數從224.1885下降到182.5848；第二次為2015年7月10日至2015年7月27日，指數從200.7612點下降到170.1463點；第三次為2015年8月19日至8月25日，指數從169.0346點下降到130.6283點。三次下跌期，平均偏心距的變化為第1次從3.113208下降到2.849057，第2次為從3.754717下降到3.339623，第3次為從4.962264到4.396226。

圖3 不同時點的生成樹

圖4 相關性網絡的平均相關系數、指數、平均偏心率

圖5 不同時點的無標度網絡

沖擊力度一次比一次大。另外我們觀察到由于相關性在降低，平均偏心距在不斷上升。由于相關性，外部沖擊的原因，網絡結構發生劇烈的波動，適應外部變化。

我們來觀察最后一次沖擊后網絡結構的變化。圖5a是2015年8月21日金融相關性網絡，圖5b是2015年9月7日基本穩定后的相關性網絡，平均偏心距從5.339623下降到3.056604。在此期間，平均相關系數變化不大，主要是沖擊的影響。我們可以看到，在沖擊前，沒有離散的節點，在沖擊后出現了離散的節點，證明負向沖擊較大，有一些連接斷裂。由于平均相關性變化不大，一些機構的連接被加強，如建設銀行(YJS)，在沖擊前只有一條連接，在沖擊后有三條連接，又如興業銀行(YXY)沖擊前3條，沖擊完成后10條連接。網絡結構從平均偏心距的變化也可以看出，受沖擊后的網絡更加中心化。

網絡相關性和網絡結構對系統性風險都有很大的影響。從風險溢出的角度看，網絡相關性的強度和網絡結構對風險溢出都有顯著作用。本文認為當網絡結構受到沖擊發生變化時，網絡相關性的增強可以彌補網絡結構弱化帶來的風險溢出，網絡相關性在實際的系統性金融風險中占主導地位。在金融系統受到沖擊時，正向沖擊使金融系統的網絡相關性增加，系統性風險增加；負向沖擊使金融系統的網絡相關性減小，系統性風險減小；網絡結構隨著外部的沖擊發生變化，但有一定的彈性。

根據上文的結論，相關性雖然與系統性風險沒有單調關系，但相關性變化過程是系統性風險積累與釋放的過程，而網絡結構與系統性風險沒有趨勢關系，在沖擊作用下網絡結構發生震蕩。本文認為對系統性風險的管理者來說，采用干預網絡結構不如干預網絡相關性更有效。在2015年的股市沖擊下，考慮到融資融券、結構化產品、融資擔保等因素，政府為了避免股市沖擊導致發生系統性金融風險，對股市進行救助。為了保證救援的效果，在救市優先考慮對股指影響比較大的權重股，但效果并不明顯。本文認為在下跌的間歇期，最好的救市政策是首先找到相關性變化的原因，從解決根源入手，其次是對相關性較大的機構團體救助，降低整個系統網絡的相關性，利用機構間的相關性使資產的同步下跌減緩。考慮網絡內部的相關性，本文使用最大團在相關性網絡中挖掘全相關的機構團體。為了簡單，我們選擇2015年7月6日，2015年7月29日，2015年9月9日的數據來挖掘最大團。

2015年7月6日的最大團有2個，公共部分為ZTP，ZDB，ZDW，ZXN，ZJL，ZGF，ZZS，ZXY，YNJ，ZCJ，ZHT，ZHT，ZFZ。第一個團多出ZGD，第二個團多出ZZX，2015年7月29日的最大團有1個，為ZCJ，ZDB，ZHT，ZFZ，ZZX，ZXY，ZGF，ZTP，ZDW ，ZJL，ZZS，ZXN，ZHT，ZGD。2015年9月9日的最大團有兩個，交集為ZZX ，ZHT， ZFZ， ZDB ，ZCJ， ZZS， ZHT，ZGX，ZGH，ZXN，ZTP，ZXY，ZDW，YPA，ZGY，ZGJ，ZGF，ZSX，其中1個中多了BSH，YNJ，ZXB，BPA，另一個為ZGD，ZLT，QSG，QZH。我們對最大團取交集，得到ZTP(太平洋)，ZDB(東北證券)，ZDW(東吳證券)，ZXN(西南證券)，ZGF(廣發證券)，ZZS(招商證券)， ZXY(興業證券)，ZCJ(長江證券)，ZHT(華泰證券)，ZFZ(方正證券)等10家機構。即在市值下跌過程中，這10家機構保持很高的同步性，平均相關性明顯比金融系統的平均相關性強。從原因分析，這10家機構都是證券機構，與本次系統性風險的原因主要是由融資融券的杠桿引起的有關，對這10家機構的救助，首先需要在解決融資融券杠桿問題的基礎上，才能有效地防止出現系統性的風險；其次根據相關性原則，對這10家中的1家或幾家機構救助，能夠最大程度地改變整個金融網絡的相關性，從而更有效地干預系統性風險。

五、結論與政策建議

本文建立了一個基于互信息的金融系統相關性網絡，從相關性、結構兩個方面研究了我國金融系統的系統性風險。在相關性方面，主要依據相關系數矩陣時間序列建立的平均互信息系數時間序列，研究發現相關性增加導致系統性風險增加，相關性對系統性風險有加強作用，但并不完全同步，在風險積聚的最后階段，總會發生相關性分化造成平均相關性降低的現象，可以利用相關性預測系統性風險的出現。在網絡結構方面，研究了最大生成樹以及相關性網絡的平均偏心距，發現網絡結構與系統性風險沒有趨勢性關系。網絡結構在外部的沖擊下具備彈性，在受到沖擊后結構更加中心化，網絡結構變化是系統緩解外部沖擊的一種方式。雖然靜態情況下網絡結構對風險溢出有顯著影響，從在動態角度看，相關性與網絡結構是相互影響，只有在相關性不變的情況結構比較才有意義。根據網絡相關性、結構與系統性風險的關系，本文認為管理系統性風險方面，通過干預網絡相關性的方式比干預網絡結構的方式更有效。最后本文基于系統相關性提出了干預系統性風險的一種方法。

我國當前金融系統主要風險包括互聯網金融、銀行理財產品、房地產、地方融資平臺等方面累積的風險，從風險溢出角度看可以分為通過銀行間債務、支付渠道等引起的直接傳染，以及價格、共同風險暴露引起的間接傳染兩類。系統性風險的主要表現一是金融空轉現象，如銀行系統的理財產品與投資數量之差擴大，大量資金脫實向虛，以錢炒錢，金融投機等，造成金融機構之間的關聯性增加，系統性風險持續增長。二是金融經濟杠桿造成機構之間相關性以杠桿倍率增加，如各種衍生品工具，融資融券帶來的杠桿效應，增加了金融機構之前的關聯度，累積了系統性風險；三是金融機構投資的同質化(如房地產、地方融資平臺)造成的部分金融機構相關性增加，引起系統性風險增加；四是金融創新和混業經營加速，金融機構、市場、產品之間關聯性加強，增加了系統性風險。為了防范和化解我國的系統性金融風險，主要的政策建議如下：

一是轉變發展觀念，深化金融改革。提高金融供給側的質量與效率，實現金融去杠桿與經濟穩定增長的統一，把更多金融資源配置到經濟社會發展的重點領域和薄弱環節上，增強金融系統的健壯性，促進金融經濟健康發展。

二是引導金融回歸本源，服務好實體經濟。實體經濟發展是金融穩定增長的動力。提高直接融資比重，促進多層次資本市場的健康發展。發展普惠金融，在信貸方面，創新抵押物，推動信用體系建設；在債券方面，開發各種債券、證券化產品，降低中小企業的融資成本。打擊非法集資、亂加杠桿、亂做表外業務、違法違規套利行為；深化利率匯率市場化改革，完善市場化利率匯率形成機制，提高服務實體經濟水平。理順金融發展與經濟發展的關系，實現金融經濟協調可持續發展，防止系統性金融經濟危機的發生。

三是健全貨幣政策和宏觀審慎政策雙支柱調控框架。在貨幣政策方面運用貨幣政策工具與方法，保持物價穩定；在宏觀審慎政策方面加強對系統性風險的監管，密切關注金融機構關聯性與金融系統結構，從逆周期角度防止風險積聚，從空間維度防止風險傳染，從而保持金融系統穩定。

四是健全金融監管體系。做好監管統籌與協調工作，解決監管空白與多頭監管問題；強化穿透式監管，提高市場透明度；逐步適應金融機構與金融市場的創新變化，有效提高監管水平，著力防范可能出現的“黑天鵝”“灰犀牛”，著力構筑金融的安全防線，從而守住不發生系統性風險的底線。

[1]陸 婷.如何度量金融系統性風險：一個文獻述評[J].金融監管研究，2017(6):1-15.

[2]Neveu A R. A survey of network-based analysis and systemic risk measurement[J]. Journal of Economic Interaction & Coordination，2016:1-41.

[3]Allen F，Gale D. Financial contagion[J]. Levines Working Paper Archive，1999，108(1):1-33.

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

[5] Stiglitz Joseph. Risk and global economic architecture: why full financial integration may be undesirable[J]. American Economic Review，2010，100(100):388-392.

[6]Gai P，Haldane A，Kapadia S. Complexity，concentration and contagion[J]. JMonet Econ . 2011，58(5):453-470.

[7]茍文均.債務杠桿與系統性風險傳染機制[J].金融研究，2016(3):74-91.

[8] 唐文進.極端金融事件對系統性風險的影響分析[J].經濟研究，2017(4):17-33.

[9] 鄭振龍.平均相關系數與系統性風險[J].經濟學(季刊)，2014(4):1047-1064.

[10]Thurner S，Poledna S. DebtRank-transparency: controlling systemic risk in financial networks[J]. Scientific Reports，2013，3(5):1888.

[11]Bargigli L，di Iasio G，Infante L，Lillo F，Pierobon F. The multiplex structure of interbank networks[J].Quant Finance. 2015，15(4):673-691.

[12]Poledna S，Molina-Borboa J L，Martínez-Jaramillo S，et al. The multi-layer network nature of systemic risk and its implications for the costs of financial crises[J]. Journal of Financial Stability， 2015，20:70-81.

[13] 方 意.系統性風險的傳染渠道與度量研究[J].管理世界，2016(8):32-57.

[14]Acharya，Viral V，Brownlees，Christian，Engle，Robert，et al. Measuring systemic risk[J]. Working Paper，2010，29(1002):85-119.

[15]Chen H， Cummins J D， Viswanathan K S， et al. Systemic risk and the interconnectedness between banks and insurers: an econometric analysis[J]. Journal of Risk & Insurance，2013， 81(3):623-652.

[16]Mantegna R N. Hierarchical structure in financial markets[J]. The European Physical Journal B-Condensed Matter and Complex Systems，1999，11(1):193-197.

[17]Vladimir Boginski A，Sergiy Butenko B，Panos M. Pardalosa. Statistical analysis of financial networks[J]. Computational Statistics & Data Analysis，2005(48):431-443.

[18]Brusco S. Liquidity coinsurance，moral hazard and financial contagion[J]. Department of Economics Working Papers， 2005， 62(5):2275-2302.

[19]Castiglionesi， Fabio，Navarro， Noemí. Optimal fragile financial networks[J]. Social Science Electronic Publishing，2007(100):1-39.

[20]Lenzu S，Tedeschi G. Systemic risk on different interbank network topologies[J]. Physica A Statistical Mechanics & Its Applications，2012，391(18):4331-4341.

[21]隋 聰.基于網絡視角的銀行業系統性風險度量方法[J].中國管理科學，2016(5):54-64.

[22]隋 聰.網絡結構與銀行系統性風險[J].管理科學學報，2014(4):57-70.

[23]鄧 超.基于多主體建模分析的銀行間網絡系統性風險研究[J].中國管理科學，2016(1):67-75.

[24] Kritzman，Mark，Li，Yuanzhen，Page，Sebastien et al. Principal components as a measure of systemic risk[J]. Social Science Electronic Publishing，2010，37(4):112-126.

[25] Kolanovic M，Silvestrini D，Lee T. S. K.，Naito M. Rise of cross-asset correlations.JP Morgan Global Equity Derivatives & Delta One Strategy[EB].May. 2011，URL:www.cboe.com/ Institutional/JPMCrossAssetCorrelations.pdf.

[26] Engle R，Kelly B. Dynamic equicorrelation[J]. Journal of Business & Economic Statistics， 2012， 30(2):212-228.

[27] Rothman P. Nonlinear time series analysis of economic and financial data[M]. Springer. 1999，Vol.1.

[28] Dionisio A，Rui M，Mendes D A. Mutual information: a measure of dependency for nonlinear time series[J]. Physica A Statistical Mechanics & Its Applications，2004，344(1-2):326-329.

[29] Darbellay，Georges A. An adaptive histogram estimator for the mutual information[R]. 1996.

[30] Jain N，Murthy C A. A new estimate of mutual information based measure of dependence between two variables: properties and fast implementation[J]. International Journal of Machine Learning & Cybernetics，2016，7(5):857-875.

[31] Artzner P，Delbaen F， Eber J, Heath D. Coherent measures of risk[J]. Mathematical Finance，1999，9(3)，203-228.