基于CoVaR方法的我國銀行業系統性風險測度

嚴一鋒

（1.北京大學 經濟學院博士后流動站，北京 100871；2.中國銀監會博士后工作站，北京 100140）

0 引言

我國金融領域相繼發生貨幣市場“錢荒”、銀行資產質量惡化、股市劇變波動、債市違約頻發等重大風險事件。當前金融風險呈現出系統性、交叉性特征，對系統性風險的監測度量提出了十分迫切的需求。系統性風險度量方法主要包括金融壓力指數[1，2]、網絡分析法[3，4]、系統性或有權益分析、條件在險價值[5]、邊際期望損失和系統性期望損失[6]、系統性風險指數、困境保險費、Shapley值[7]、聯合風險模型等。其中，條件在險價值（CoVaR）將在險價值（VaR）的理念用于度量金融機構之間或金融機構與金融系統之間的尾部風險相關性，用金融機構分別處于正常和困境兩種狀態下金融系統條件在險價值的變化來度量該金融機構的系統性風險水平。CoVaR方法具有數據易得、操作便捷的優點，比較適用于我國系統性風險的度量，可用于以下四個方面：一是論證宏觀審慎監管的必要性[8,9]；二是識別系統重要性金融機構[10,11]；三是研究金融機構的風險溢出效應[12-14]；四是辨析系統性風險的影響因素[15，16]?；诖?，本文采用CoVaR方法度量我國銀行業的系統性風險水平，給出系統性風險的歷史演變，為當前系統性風險防控提供實證支持。

1 計量模型與估計方法

1.1 基本概念

CoVaR方法是VaR方法的衍生。概率下，金融機構i的最大可能損失，即金融機構i損失變量Xi的q%分位數：

C(Xi)的條件下，金融機構j的在險價值。可定義為下述條件概率分布的q%分位數：

金融機構i對金融機構j的風險溢出可表示為金融機構i分別處于正常和困境(Xi=)兩種狀態下金融機構j的CoVaR變化：

同理，金融機構i對金融系統的系統性風險貢獻可表示為：

1.2 分位數回歸

CoVaR可由分位數回歸估計得到，金融系統損失變量對金融機構i損失變量Xi的q%分位數回歸如式（5）所示：

因此，如果將Xi=代入式（5），就可以得到金融機構i的：

金融機構i的系統性風險貢獻Δ可由式（8）計算得到：

1.3 動態條件在險價值

為了估計動態ΔCoVaR，將VaR和 CoVaR進一步表示為狀態變量Mt-1的函數，并做以下分位數回歸：

通過上述分位數回歸，可得到以下估計值：

因此，金融機構i的動態系統性風險ΔCoVaR可由式（13）計算得到：

2 數據說明與描述性統計

2.1 損失率變量

本文收集了2010年8月27日至2016年12月30日平安銀行、浦發銀行、民生銀行、招商銀行、華夏銀行、中國銀行、工商銀行、興業銀行、中信銀行、交通銀行、寧波銀行、南京銀行、北京銀行、建設銀行、農業銀行和光大銀行16家上市銀行每周最后一個交易日的股票收盤價相對于上一周最后一個交易日收盤價的漲跌幅，并取其相反數作為各家銀行損失率的代理變量；將各家銀行損失率的市值加權平均值作為銀行系統損失率的代理變量。損失率的描述性統計如表1所示。數據來自WIND。

表1 上市銀行和銀行系統損失率的描述性統計 （單位：%）

2.2 狀態變量

本文選取的狀態變量包括：（1）3月期國債到期收益率的變化。采用3月期國債到期收益率每周最后一個交易日較上一周最后一個交易日的變化作為代理變量。（2）長短期利差的變化。長短期利差用10年期國債到期收益率和3月期國債到期收益率的差來表示。（3）流動性利差。采用3月期上海銀行間同業拆放利率（SHIBOR）和3月期國債到期收益率之間的差作為代理變量。（4）信用利差的變化。信用利差用10年期AAA級企業債到期收益率和10年期國債到期收益率的差來表示。（5）市場收益率。用滬深300指數每周最后一個交易日較上一周最后一個交易日的漲跌幅作為代理變量。（6）房地產業與金融業利差。分別計算房地產行業指數和金融行業指數每周最后一個交易日較上一周最后一個交易日的漲跌幅，將房地產行業指數和金融行業指數漲跌幅的差作為房地產業與金融業利差的代理變量。（7）波動率。將滬深300指數日度漲跌幅的22天滾動標準差作為代理變量。狀態變量時間跨度從2010年8月27日至2016年12月30日，共計326個觀測數據。狀態變量的走勢如圖1所示，描述性統計見表2。數據來自WIND。

圖1 狀態變量的走勢（單位：%）

表2 狀態變量的描述性統計 （單位：%）

3 實證分析

3.1 上市銀行的系統性風險水平

將銀行系統的損失率作為因變量、16家銀行的損失率分別作為自變量，代入式（5）估計99%分位數回歸模型。接著，將銀行損失率的50%分位數VaR50和99%分位數VaR99代入式（8），計算得到該銀行的系統性風險貢獻ΔCoVaR99。計算結果及16家銀行ΔCoVaR99的排名如表3所示。

表3 銀行系統性風險排名

表3表明，農業銀行的系統性風險水平最高，工商銀行、建設銀行和中國銀行的系統性風險分別排名第4、7和8位，由此可見，四家國有大型銀行的系統性風險水平總體處于行業較高水平。在全國性股份制銀行中，華夏銀行、民生銀行和興業銀行的系統性風險排名靠前，分別排名第3、5和6位。在城市商業銀行中，除了南京銀行的系統性風險較大之外，寧波銀行和北京銀行均排名靠后，分別排在第11和14位。

圖2顯示，條件在險價值和在險價值明顯不同，事實上，兩者的相關系數僅為0.068。一方面，在險價值雖然可以較好地度量金融機構的單體風險，但難以充分反映系統性風險狀況。另一方面，單體機構風險較低并不意味著系統性風險可控，致力于單體機構安全的微觀審慎監管無法有效防控系統性風險。該結果為宏觀審慎監管提供了實證支持。

圖2 在險價值和條件在險價值的比較

3.2 系統性風險的動態變化

為了進一步認識我國上市銀行系統性風險的動態變化，將16家銀行的損失率分別作為式（9）的因變量、狀態變量Mt-1作為自變量，估計99%和50%兩類分位數回歸模型；將銀行系統損失率作為式（10）的因變量狀態變量Mt-1和銀行損失率作為自變量，估計99%分位數回歸模型。將式（9）估計得到的測值以及式（10）估計得到的代入式（13），計算得到銀行i的動態系統性風險，結果如圖3所示。

圖3 銀行系統性風險的動態變化

圖3顯示，各銀行的系統性風險走勢存在相似之處，比如：寧波銀行、華夏銀行、民生銀行、招商銀行、南京銀行、興業銀行、農業銀行、交通銀行、工商銀行、光大銀行、建設銀行、中國銀行、中信銀行這13家銀行的系統性風險在2015年明顯上升，該階段正是銀行信用風險加速惡化、盈利水平持續下滑的時期，我國股票市場也在2015年經歷了劇烈波動。多數銀行的系統性風險在2016年呈現下行態勢，但部分銀行的系統性風險在2016年底有所抬頭，比如：浦發銀行、華夏銀行、南京銀行、興業銀行、農業銀行、交通銀行、工商銀行、建設銀行、中國銀行這9家銀行的系統性風險在2016年底反彈比較明顯，預示著未來系統性風險防控壓力仍然較大。

為了進一步描述銀行業系統性風險的動態變化，將16家銀行的動態系統性風險按照市值加權平均，結果如圖4所示?？梢钥闯?015年以前，銀行業的系統性風險基本保持平穩運行，波動范圍在均值加減1個標準差左右；2015至2016年初，銀行業的系統性風險大幅超過歷史均值，尤其是2015年6至8月份，系統性風險達到歷史高位，比均值高出2～3個標準差以上，該階段正是股票市場劇烈波動時期，股市系統性風險向銀行業溢出的效應十分明顯；2016年末，銀行業的系統性風險觸底反彈，短時間內抬升幅度超過1個標準差，應對系統性風險上升勢頭保持高度警惕。

圖4 銀行業系統性風險的動態變化

4 結論及建議

本文采用條件在險價值方法測度了我國16家上市銀行的系統性風險水平。結果表明：農業銀行、工商銀行、建設銀行和中國銀行四家國有大型銀行的系統性風險處于行業較高水平；全國性股份制銀行中，華夏銀行、民生銀行和興業銀行的系統性風險排名靠前；城市商業銀行的系統性風險相對較小。本文還進一步估計了動態條件在險價值，描述了系統性風險的歷史演變，發現多數銀行的系統性風險在2015年明顯升高，該階段正是銀行信用風險加速惡化、盈利水平持續下滑的時期，我國股票市場也在2015年經歷了劇烈波動；此外，銀行的系統性風險在2016年總體下行，但部分銀行在2016年底觸底反彈，預示著未來系統性風險防控壓力仍然較大。為了應對錯綜復雜的風險形勢，結合本文測度結果，提出以下政策建議：

一是要充分借鑒國內外研究成果，構建適用于我國金融發展水平的系統性風險監測預警體系。要從系統性風險著眼，全面審視監管制度短板、工具缺失和信息不足的問題，加快構建系統性風險聯防聯控機制及監測預警體系，及時發現系統性風險隱患，采取有力措施開展全面風險防范。

二是要突出重點，強化系統重要性機構監管。本文發現，銀行的系統性風險水平隨著時間推移發生明顯變化，不同銀行在不同時點發揮系統重要性作用。因此，要定期開展系統性風險監測，識別系統重要性機構，重點針對這類機構提高風險緩釋能力，增強資本實力、夯實撥備水平、提升盈利能力，著力消除機構自身脆弱性，確保機構對外部沖擊具有充分的免疫力。

三是不能忽視中小銀行引發系統性風險的可能。股份制銀行尤其是城市商業銀行等中小銀行雖然在規模上和國有大型銀行存在不小差距，但是中小銀行在業務創新性、外部關聯性等方面更加突出，而且中小銀行在內部經營管理和流動性上更容易發生風險。因此，要根據大型銀行和中小銀行的不同特點，開展有針對性、差異化的風險防控，積極處置存量風險、嚴格控制增量風險。