互聯網金融對商業銀行的系統性風險溢出效應測度分析

孫航

【摘 要】互聯網金融借助于信息技術快速發展，對商業銀行造成巨大沖擊，商業銀行必須要對風險溢出效應高度警惕。基于此，本文先分析了互聯網金融對于商業銀行的風險溢出，然后詳細分析了系統性風險溢出效應的測度，并提出防范風險的對策。以期能夠提高商業銀行風險防范能力，加強風險防范。

【關鍵詞】互聯網金融;商業銀行;系統性風險溢出;風險測度

互聯網金融的出現，加速了我國金融脫媒的腳步，但也帶來金融風險，讓商業銀行受到嚴重沖擊。為保證互聯網金融和商業銀行同時發展，需要了解互聯網金融對于商業銀行的風險溢出效應，掌握互聯網金融對于商業銀行的風險影響，進而輔助商業銀行采取科學的措施，加強風險防范，保證商業銀行的健康發展。

一、互聯網金融對商業銀行的風險溢出

銀行在我國金融體系中占據舉足輕重的地位，進入信息時代后，互聯網金融快速發展，商業銀行受到沖擊的同時面臨著轉型的挑戰。由于互聯網金融尚未發展成熟，隱藏多種風險，風險會向銀行業溢出。商業銀行在和互聯網金融合作過程中，在資產業務、中間業務以及負債業務上發生合作和競爭，產生風險傳遞的可能[1]。此外，互聯網金融會對宏觀經濟產生影響，導致經濟政策變化，造成商業銀行產生系統性風險。金融信息之間的傳遞也會造成風險，且互聯網金融尚未形成完善的監管機制，存在技術性、隱性以及流動性風險，危及商業銀行，容易爆發系統性風險。

二、互聯網金融對商業銀行的系統性風險溢出效應測度

（一）選取數據

本文以商業銀行、互聯網金融等銀行在2017年5月～2019年5月的468個數據為例，互聯網金融指數涵蓋余額寶、P2P、活期寶等多個概念股。國有銀行和商業銀行股票價格是各個股票價格加權平均股數，使用Matlab和Eviews8軟件進行數據的處理。將商業銀行指數以及互聯網金融指數收盤價經過對數化處理，可以獲得日收益率。對各股指收益率描述，發現股指收益率逐漸減小，趨向于0，在互聯網金融中，標準差比商業銀行更大，尤其是互聯網金融出現較大波動。互聯網金融和國有銀行兩者的偏度系數都逐漸趨近于0，表現出左偏，商業銀行表現出右偏，峰度系數遠超過3，尖峰特性較為顯著，存在尖峰厚尾的特征，使用JB檢驗，概率值為0，因此拒絕假設，收益率序列不滿足正態分布。

（二）數據檢驗

分析收益率序列偏自相關和自相關，可以發現商業銀行和互聯網金融的收益率顯著相關，統計量結果顯示拒絕相關系數，三個收益率序列存在自相關關系。為了深入了解各股指日收益率特征，將股票收益率序列時間上的變化進行描繪，可以發現波動集聚時間一致，三者存在相互關系。各個市場在2018年間發生較大波動，可能受到融資融券機制的影響，互聯網金融收益率的變化幅度顯著高于商業銀行，和互聯網金融初始發展階段不穩定相符合。先對數據平穩性進行分析，利用ADF進行檢驗，檢驗P值不超過0.05，因此拒絕原假設，認為收益率平穩。序列不符合正態分布，存在波動集聚的情況，代表存在ARCH效應。所有序列均表現出ARCH效應，由于數據具備尖峰厚尾的特征，要結合GED分布估計序列邊緣。

（三）邊緣分布預估和檢驗

通過對互聯網金融和國有銀行的觀察，得出在GED基礎上使用GARCH模型進行模擬可以獲得最佳效果。按照5%概率水平，參數t統計量和p值較為顯著。在國有銀行、商業銀行以及互聯網金融的方差公式中，GARCH項、ARCH項系數和均小于1，滿足對參數的約束條件。互聯網金融a值比較小，代表互聯網金融對于市場信息反應較慢，傳遞信息的效率較低，商業銀行更能快速反應市場短期信息。互聯內網金融b值也大于商業銀行，互聯網金融的服務對象多為小微型企業和個體投資者，缺少對市場信息的判斷能力，造成大部分信息得不到保障，消化信息需要吸收更長的時間[2]。商業銀行發展時間較久，具備完善的市場披露制度，投資者可以根據市場信息快速反應。

使用GARCH模型，ARCH效應和自相關沒有關聯，受到篇幅的限制，未提供對應數據。若邊緣分布模型得到準確估計，標準化殘差序列可以使用概率積分變換獲得，屬于獨立分布的一種隨機變量序列，滿足均勻分布。檢驗分布設定，將標準化殘差序列進行概率積分的變換，使用KS和AD軟件檢驗，原假設服從均勻分布。在5%顯著性水平下檢驗各階矩，不能拒絕原假設。KS檢驗以及AD檢驗p值超過0.05，選擇GED分布較為合理。

（四）選取Copula函數

使用Copula函數參數擬合邊緣分布的標準化殘差，獲得Copula函數參數值，根據對數似然值選取Copula函數。T-Copula函數具有最大的對數似然值，使用t-Copula函數進行CoVaR值進行計算。

（五）結果分析

在1%顯著性水平中，互聯網金融具有更高的風險值，和市場初期不成熟的規律相符合。股份制銀行比國有銀行具有更高的風險，由于國有銀行具有國家信譽的擔保，進入到成熟發展階段，風險相對較小。預估t-Copula參數后，計算CoVaR值。可以得出：（1）互聯網金融對于其他兩種銀行風險溢出表現為正，且較為顯著。由于我國互聯網金融正處于發展階段，主要圍繞P2P、第三方支付作為主要業務，造成金融業內，銀行成為風險傳導對象，我國金融體系是銀行主導型。（2）而1%顯著性水平中，互聯網對于股份制銀行的風險溢出明顯大于對于國有銀行的風險溢出，主要是由于兩種銀行采取不同的經營模式，且受到自身機構性質的影響，產生較大差異。

三、政策建議

（一）商業銀行加強風險監管

商業銀行必須要加強風險管理，包括杠桿率控制以及信用風險等，需要對風險建立正確認知，能夠對金融業風險準確計算，同時讓風險控制能力得到提高。互聯網貨幣基金具有負向風險溢出效應，傳統銀行要和互聯網金融聯合建立監管機制，尋找全新的融合模式，利用大數據技術對金融信息進行分析，避免發生傳統營銷模式中存在的漏洞，將先進信息技術融入傳統金融業，充分發揮技術優勢，加強對金融業發展的保障，加強風險的控制[3]。另外對于網貸業務尤其要重視，網貸業務在銀行業中存在正向風險溢出效應，必須要加強P2P監管，控制風險傳染。不僅需要正確識別風險，更要注意風險隔離，提高銀行業的應急反應能力，避免風險溢出引發聯鎖反應。金融業要聯合建立信息披露機制，提高網貸業務透明度，規避風險危機。

（二）互聯網金融關注風險溢出

互聯網金融在自身風險管理的同時要加強風險溢出的控制，規避系統性風險。互聯網金融要不斷完善法律監管體制，根據行業發展特點，建立完善風險管控機制，形成透明的信息披露機制，減少風險行為，形成完善共享金融信息平臺，讓參與者能夠及時了解金融信息。信用評級機構要完善征信體系，消除客戶和互聯網金融平臺之間的信息不對稱情況，保護投資者利益。尤其是P2P業務，風險溢出效應較強，互聯網金融需要集中提高風險防范能力，提高網貸平臺軟件設施以及技術含量，保證平臺的穩定運行。同時注意循序漸進推動產品創新，只有做到創新，才能賦予互聯網金融持續發展的動力。互聯網金融在產品創新過程中要充分發揮信息優勢。但也要注意風險的控制，決不能出現急功近利的情況，需要將金融創新融入金融監管體系內，控制創新帶來的金融風險。

四、結論

綜上所述，本文針對2017～2019年互聯網金融指數和商業銀行指數數據，結合GARCH-Copula-CoVaR模型，測度系統性風險溢出效應。針對測度結果，提出相關政策建議，商業銀行要加強風險監管，互聯網金融需關注風險溢出，進而加強金融風險控制。

【參考文獻】

[1]荊帥. 互聯網金融對我國銀行業系統性風險的影響研究[D].山西財經大學，2019.

[2]程小珊. 我國互聯網金融風險測度及風險溢出效應分析[D].山東大學，2019.

[3]李治章，王帥.互聯網金融對中國商業銀行系統性風險溢出效應的測度——基于GARCH-CoVaR模型的研究[J].經濟研究導刊，2018（36）：50-53+69.