互聯網金融業對傳統金融業風險溢出效應研究

馬理 彭承亮 何啟志 文忠橋

(1.武漢大學經濟與管理學院，湖北 武漢 430072；2.安徽財經大學金融學院，安徽 蚌埠 233030)

引言

隨著科技浪潮的興起，以信息技術為載體的行業模式悄然到來。在金融領域中，互聯網金融模式的誕生即為典型事例。國內的互聯網金融業于2005年后開始萌芽，在2013年開始高速發展，其中以第三方支付、P2P網絡借貸、眾籌等為主要代表模式，這主要歸因于互聯網的高度普及、投融資需求迫切以及自由寬松的內部環境。互聯網金融以其服務的高效性和便捷性為主要特征，推動了普惠金融體系的發展，并且引領傳統金融業的變革。誠然，互聯網金融也在優化資源配置、提高金融效率等層面發揮著積極的功效，但是自身也面臨著亂象叢生的局面，行業運營的規范性較差、高收益難以持續維繼等問題開始凸顯，互聯網金融業的風險逐漸暴露。2015年，諸如日金寶、大大集團等大量互聯網金融理財平臺風險爆發，據中國社科院統計，截止2016年年底，累計停業和問題平臺已高達3429家。互聯網金融平臺停業、倒閉和集資跑路等事件屢見不鮮，部分投資者可能面臨著嚴重的損失。在整治和防范互聯網金融風險層面，相關文件陸續出臺。2015年7月，央行等十部委發布的《關于促進互聯網金融健康發展的指導意見》；2016年10月，互聯網金融被寫入“十三五”規劃綱要；2017年6月，央行等17部門聯合發布了《關于進一步做好互聯網金融風險專項整治清理整頓工作的通知》；2018年3月，健全互聯網金融監管已納入政府工作報告中。由此可見，互聯網金融風險管控是政府和監管當局的一項重要工作。

當下，互聯網金融業務總量不可忽視，由于互聯網金融業與傳統金融業存在著內在的關聯性，當其大規模地發生了極端風險事件時，其對于傳統金融業的風險溢出效應有多大？隨時間變化呈現出如何特征？對于證券業、銀行業和保險業有何差異？這對于互聯網金融風險管控有何指導意義？本文從互聯網金融業自身風險出發，著重關注互聯網金融業的風險溢出效應，對于防范由于互聯網金融業風險溢出而引發的多米洛骨牌效應，抵制系統性金融風險的發生也具有重要的啟示意義，并試圖定量研究互聯網金融業的對銀行業、證券業、保險業風險溢出效應，進而為互聯網金融風險溢出效應防范提供相關對策建議。

文獻綜述

科技進步可以為金融機構帶來市場競爭中的信息優勢(Agarwal和Hauswald，2010)[2]，互聯網金融技術受到傳統金融機構青睞。傳統金融業(如銀行業)應用互聯網金融能夠為客戶帶來便利、降低經營成本并拓展潛在客戶(Raza和Hanif，2013)[7]。但是，互聯網金融亦可能對傳統金融機構的風險產生一定程度影響，在互聯網金融風險層面主要集中于國內學者的研究。郭品和沈悅(2015)[13]基于“文本挖掘法”研究了互聯網金融對商業銀行的風險承擔的影響，結果表現為先降后升，并且小型商業銀行面對互聯網金融的沖擊更為敏感。劉笑彤和楊德勇(2017)[17]基于銀行并購重組選擇視角研究表明不同規模的商業銀行的并購重組對于互聯網金融技術溢出的吸收存在差異性，并購重組對大銀行的技術溢出吸收具有促進作用，對中小型銀行具有抑制作用。顧海峰和楊立翔(2018)[12]利用中資銀行數據研究表明銀行資本充足率決定互聯網金融風險沖擊感知程度，資本充足率越高則風險感知程度越強，互聯網金融總體加劇了銀行風險。戰明華等(2018)[20]利用一般均衡模型，分析了互聯網金融對貨幣政策銀行信貸渠道的影響，結果表明互聯網金融通過家庭、銀行和企業決策弱化了貨幣政策銀行信貸傳導渠道。何啟志和彭明生(2017)[14]基于SVAR模型研究表明互聯網金融發展對于股票市場具有正向沖擊，互聯網金融資金流向了股票市場，助推了股票市場虛假繁榮。譚媛媛和孫蓉(2018)[19]研究表明基于互聯網銷售模式的保險產品加劇了保險契約的不完全性，造成了保險業的經營風險增大。

在風險定量刻畫上，條件風險值(CoVaR)逐漸成為國內學者們廣泛使用的度量指標，其測算方法也多種多樣。在Adrian和Brunnermeier(2008)[1]最初提出CoVaR時，就給予了分位數回歸的測度方法。López-Espinosa等(2012)[6]利用該法將CoVaR技術應用于銀行業風險溢出效應研究；高國華和潘英麗(2011)[9]運用此法研究不同商業銀行對于銀行業風險的貢獻度。其次，還有學者利用GARCH類模型的方法測度CoVaR，如Girardi和Ergun(2010)[3]利用GARCH-EVT的方法測度不同類型的金融機構對系統性金融風險的貢獻度；劉向麗和顧舒婷(2014)[15]利用AR-GARCH方法測度了房地產市場對于金融系統的風險溢出效應。此外，還有學者利用Copula方法計算CoVaR，如劉曉星，段斌和謝福座(2011)[16]通過EVT-Copula模型的數值方法計算美國股票市場對其他國家的股票市場的風險溢出效應；Hakwa等(2015)[5]基于Adrian和Brunnermeier(2008)[1]提出的CoVaR，給予了Copula-CoVaR解析計算方法。

從已有的研究文獻來看，互聯網金融風險研究的成果較為豐富。但是，多數文獻研究互聯網金融對于商業銀行的風險溢出，對于其他金融機構的風險溢出研究相對較少；也鮮有文獻細致分析互聯網金融風險溢出效應動態變化特征；在風險度量層面也少有文獻考慮極端風險狀況的溢出效應。本文研究選題考慮互聯網金融業極端風險狀況下對于銀行業、證券業和保險業的風險溢出程度和動態特征，CoVaR正是考慮到風險關聯情形下的極端風險度量指標，△CoVaR即為風險溢出效應度量指標，適用于本文的分析。

實際中，往往使用行業收益率序列計算CoVaR，考慮到收益率序列波動存在的條件異方差性和非對稱性，可以選擇EGARCH模型提取標準化新息，同時，為了更為精確度量收益率序列的分布，采用極值理論(EVT)中的閾值模型(POT)度量收益率的尾部分布(茍紅軍等，2015)[11]，考慮到不同收益率序列間可能存在非線性關系，采用Copula函數作為連接不同行業收益率的函數，為了更為精確地計算CoVaR，采用Hakwa等(2015)[5]給出的基于Copula函數計算CoVaR的解析方法。故而，構建EGARCH-POT-Copula-CoVaR模型來研究互聯網金融業的風險溢出效應。

互聯網金融業風險溢出效應的內在邏輯

互聯網金融業雖屬于新興的行業，但其仍然逃脫不了金融的本質，并且與傳統金融業在技術、資金、業務等之間存在關聯性，聯系也日益緊密。當非理性的互聯網投資者較多、互聯網金融平臺內部管理不當以及外部監管政策的不明確時，互聯網金融業可能會發生風險，在一定程度也會通過技術、資金、業務等渠道擴散傳染到傳統金融業。

一、互聯網金融業與銀行業的關聯性與風險溢出

對于銀行業而言，互聯網金融業，諸如各類“寶寶類”理財、P2P網貸等最直接的沖擊就是分流銀行客戶存款和加重銀行資金成本，直接加劇銀行經營風險。盡管如此，互聯網金融會激發商業銀行的學習效應(陳藝云，2017)[8]，銀行業與互聯網金融通過優勢互補而加強合作。主要體現在：第一，技術層面上，互聯網金融技術尤其是大數據分析對于商業銀行風險管理有著重要的應用價值，商業銀行也逐漸借鑒和使用互聯網金融的相關技術手段，使得互聯網金融客戶信息共享成為了可能；第二，資金管理層面上，互聯網金融的資金管理與商業銀行聯系緊密，根據相關規定要求，互聯網金融公司需實現第三方資金存管，除了第三方支付公司存管外，更多的互聯網金融公司選擇商業銀行存管，因為在一定程度上可以借助銀行的公信力為平臺增信；第三，業務層面上，商業銀行不斷發展表外業務，積極搭建自身的網上商城，同時也利用互聯網金融平臺的線上營銷優勢，拓寬理財產品的銷售渠道。所以，當互聯網金融在技術、流動性和信用等層面發生風險會在一定程度上傳染至商業銀行，例如大數據分析技術存在漏洞造成風險管控不嚴、平臺擠兌一定程度上也會加劇商業銀行的流動性風險、互聯網金融平臺跑路對于有業務合作的上銀行會直接面臨損失。

二、互聯網金融業與證券業的關聯性與風險溢出

互聯網金融與證券公司在具有解決企業融資問題的功能，只不過前者偏向于服務于小微企業，而后者偏向于服務于大、中型企業，盡管在業務上分工明確，但仍然具有密切聯系。主要體現在：第一，技術層面上，互聯網技術對于實現海量客戶數據挖掘、降低信息搜尋成本具有重要的意義。證券公司也積極對接互聯網金融的客戶群，對于經紀業務、資產管理業務的不斷發展也具有重要的推動作用。第二，資金流向層面，證券市場尤其是股票市場是互聯網金融客戶資金重要流向，例如互聯網金融理財中的投資標的中一籃子股票占有重要的比重，以維持互聯網金融理財較高的收益率，互聯網金融借貸中的借款人資金流向也可能部分流入股票市場，更有甚者互聯網金融平臺可能是股票市場場外配資的重要場所。第三，業務層面上，券商開始積極發展網絡證券業務，例如經紀、資管、信息咨詢、IPO等相關業務網絡化，降低人工成本，打破物理空間格局的限制，實現“有形”市場到“無形”市場的轉變(龔映清，2013)[10]。此外，券商理財業務也通過互聯網金融平臺搭建銷售橋梁。所以，當互聯網金融發生風險，會減少券商的客戶流量，加之，互聯網金融板塊本身可能是一熱門投資板塊，對券商的經紀業務有著一定程度的影響。此外，由于互聯網金融資金可能較大規模流向股票市場，當互聯網金融風險會傳染至股票市場，一定程度上會對券商的經營和發展造成沖擊。同時，理財等業務間的聯系也可能會加劇券商面臨的風險。

三、互聯網金融業與保險業的關聯性與風險溢出

由于保險行業的前期發展存在的一些問題以及投資者心理因素使得保險行業在國內業務拓展具有一定程度的壓力，保險行業某種程度上更急切地于互聯網金融合作。主要表現在：第一，技術層面上，保險業對于被保險人的風險管控有更為嚴格的要求。保險公司可以借助于互聯網金融大數據技術分析，精準定位客戶需求，推送相關產品。同時，利用結構化和非結構化數據對客戶風險進行準確評估。第二，資金流向層面，互聯網金融理財投資標的中資產配置也涉及一些中低風險的保險產品以保障基本收益。同時，多數互聯網金融平臺本身也是保險公司的客戶，平臺運用部分自有資金為客戶投保，保障客戶資金安全。第三，業務層面，互聯網金融平臺已經成為了保險公司平臺銷售的重要渠道，互聯網金融的客戶信息資源可以很好地與保險公司實現對接。此外，保險公司也根據互聯網金融平臺的客戶需求，積極開發新產品。所以，當互聯網金融發生風險，會增加保險公司對客戶資金損失的賠付，增加保險公司的風險管控難度，也會降低保險產品銷售收益，嚴重的情形下，保險公司可能直接面臨破產的風險。

圖1 互聯網金融風險溢出機理圖

CoVaR與測算模型

一、風險溢出測度指標CoVaR

在金融風險管理中，VaR作為一項重要的評價指標，廣泛的應用于銀行業乃至整個金融業。然而，VaR在其風險測度層面也存在著一定缺陷，其沒有考慮金融風險之間的關聯性。金融機構以及金融市場等之間的風險可能會相互傳染，出現多米諾骨牌效應，從而可能加劇金融危機的爆發。Adrian和Brunnermeier(2008)[1]提出ΔVaRCoVaR用來度量金融機構或金融市場等之間的風險溢出效應。本文將其應用到金融子行業間的風險溢出效應分析。在某一金融子行業(這里記為b)出現極端風險時(置信水平為1-q)，另一金融子行業(這里記為a)所面臨的風險水平為(本文也將其置信水平設定為1-q)，則其定義式如下：

通過某種模型或方法(本文構建EGARCH-POT-Copula-CoVaR模型)可算得同時定義風險溢出值：

同時，為了對比風險溢出效應的差異，對風險溢出值做標準化處理，溢出比例為：

二、EGARCH-POT-Copula-CoVaR模型測算步驟

1.利用EGARCH研究收益率序列rt的波動特征，其并且得到標準化的新息序列zt，同時預測條件標準差，方程形式設定如下：

c、a0、a1、a2、γ為待估參數，ht為條件方差，γ為檢驗波動的非對稱效應的系數，若γ≠0顯著，即證明波動的非對稱效應，當γ＞0，說明市場中“壞消息”較之“好消息”對收益率波動影響更為強烈，即為“杠桿效應”。

2.利用基于POT模型分布函數F(z)擬合序列zt的分布，其中，左右尾采用廣義帕累托分布(GPD)擬合，中間部分采用經驗分布函數，形式如下：

其中，ul、ur分別為是左側和右側閾值，、表示超左側閾值和超右側閾值的樣本個數，其中nz表示樣本總個數。βl、βr分別為左尾和右尾GPD分布的尺度參數，ξl、ξz分別為左尾和右尾GPD分布形狀參數。Φ(z)為經驗分布函數。

根據分布函數F(z)，得VaRzq的估算式：

4.利用Copula函數求解CoVaR

Hakwa(2011)[24]有如下的證明結果：

其中C(ua,ub)為Copula函數，g(ua,ub)為Copula函數對ub的偏導數，并將(9)式結果記為q。則：

Hakwa等(2015)[20]給予了常見的幾種Copula函數(Gauss、t、Clayton、Frank和Gumbel)的CoVaR的計算結果，如t-Copula下的CoVaR的計算公式為：

其中，tv(·)表示自由度為v的學生t分布的分布函數，ρ、v分別為t-Copula函數的參數。其證明方法可以參閱其文獻，這里不再贅述。此外，可得到原收益率序列的時變和如下：

基于(12)和(13)式結果，再根據(2)和(3)式，可計算出時變風險溢出值和溢出比例。

互聯網金融業風險溢出效應研究

一、指標選取與數據描述

目前很難找到能完全刻畫互聯網金融業狀況的指標，現有研究成果主要以單一的P2P網貸指數、支付指數或者眾籌指數來代表互聯網金融行業，其存在一定的缺陷。本文選取同花順互聯網金融板塊指數作為互聯網金融業的市場狀況指標，其成分股主要由125家上市企業構成，涵蓋金融平臺、金融應用、眾籌和征信等類型。銀行業、證券業和保險業選取情況申萬三級行業指數，其中銀行指數成分主要由國內26家商業銀行構成；證券指數成分主要由國內的33家券商構成；保險指數成分主要由6家國內保險公司及從事保險業務的公司構成(上述指數成分股數在不同時期內可能有所調整)。數據為工作日數據，時間跨度2012年7月2日～2017年12月29日，剔除個別日缺失數據后，四種指標均含有1341個樣本。上述數據均來源于同花順iFinD數據庫。對于上述四種指標，計算每日對數收益率：

表1 變量描述性統計

圖2 四種行業日收益率波動時序圖

本文中的rn,t，rb,t，rs,t，ri,t分別表示根據上式計算的互聯網金融業、銀行業、證券業和保險業的對數收益率，其描述性統計結果如表1所示，波動時序圖如圖2所示。

從表1來看，互聯網金融業的平均收益率較之其他行業相對較高，同時其波動幅度較大。從圖2觀察數據的動態特征，發現四種收益率序列均波動均表現出“叢集性”，并且在2014年10月～2016年5月尤為明顯，這也反映行業之間的內在關聯性。此外，從已有的事實來看，互聯網金融業和證券業均經歷了迅速發展至迅速回落，二者之間的風險關聯性可能更強。互聯網金融高收益吸收的客戶資金可能大量流入股票市場，推動股票市場的短期繁榮。其次，由于互聯網金融與銀行業和保險業的內在關聯性，可能也會導致一定程度的風險溢出效應。同時，可以看出四種收益率均不服從正態分布，在分布特征度量上，本文采用一種更為精確的方法，即左右尾采用廣義帕累托(GPD)，中間部分采用經驗分布函數擬合，這樣有助于提高VaR和CoVaR的計算精度。

表2 不同收益率序列的EGARCH(1,1)估計結果

二、行業及市場收益率波動研究

從上述數據特征觀察可知，行業收益率波動均存在“叢集性”特征，同時為了檢驗波動是否存在“非對稱性”，使用EGARCH(1,1)模型。經檢驗，四種收益率序列均為平穩性序列。這里，均值方程設定為(4)式形式，方差方程設定為(5)式形式，估計結果如表2所示。可以看出：第一，a1和a2均大于0，四種行業的收益率波動均表現為叢集性和持久性；第二，關于非對稱效應的檢驗，四種行業表現出差異性。銀行業和保險業表現出的杠桿效應較為明顯，即行業收益率波動受不利因素影響的程度更大，一種可能的原因：銀行業和保險業運作相對穩健，對于正面積極的消息反應并不如負面消息強烈。互聯網金融業和證券行業杠桿效應并不顯著，一種可能的解釋：互聯網金融受外部消息影響大，對于政策開放包容、行情看好時的積極擴張與風險頻發、監管強壓下的迅速收縮反應程度同等強烈；證券業對低迷后的復蘇及繁榮后的衰退可能存在同等程度的過度反應。這使得收益率波動沒有呈現出顯著的非對稱性。這也與所選時間段的互聯網金融及股票市場前后行情變化也相對吻合。此外，基于EGARCH模型提取標準化殘差序列，雙尾在采用GPD分布擬合時，閾值選取按照樣本總數10%的方法確定，GPD分布參數結果估計和標準化殘差分布擬合圖如表3和圖3所示。

表3 不同收益率標準化殘差序列的閾值選取及參數估計

圖3 四種行業標準化殘差分布擬合圖

三、互聯網金融業與傳統金融業的關聯度度量——基于Copula函數

基于常見的五種Copula函數作為zn,t和zb,t、zs,t、zi,t的連接函數，并估計出相關參數，結果如表4所示。同時，根據估計結果的對數似然值最大的原則，三組序列均選擇t-Copula函數作為最優Copula函數。這也與其他學者使用t-Copula函數不謀而合(馬亞明和宋羚娜，2017)[18]。從t-Copula函數的線性相關系數來看，從t-Copula中的相關系數參數數值來看，銀行業、保險業收益率與互聯網金融業收益率的相關性遠不如證券業和互聯網金融業的相關性。現實中，互聯網金融是促進解決中小企業融資，還是助漲股票市場泡沫？這點值得深思。

四、互聯網金融風險溢出效應研究

1.VaR風險測度

基于本文的標準化殘差的分布假設，可以計算四種標準化殘差序列的VaRzq。同時，計算出原收益率序列的時變VaRq,t，其描述統計特征如表5所示。從風險值水平來看，在95%的置信水平下，互聯網金融業和證券業VaRq,t的平均水平較低，而且VaRq,t自身的波動較大；而銀行業和保險業VaRq,t的平均水平相對較高，而且VaRq,t自身的波動相對較小。同時，隨著置信水平的提高至99%，上述關系仍然成立。這意味著互聯網金融業和證券業自身蘊含著較高的風險，行業起伏變化較大；相比較而言銀行業和保險業的自身風險較小，行業運營較為穩健。

表4 Copula函數參數估計結果

表5 四種行業收益率VaRq,t計算結果描述性統計

2.互聯網金融業的風險溢出效應計算結果

基于t-Copula函數，根據(11)式計算了標準化殘差序列下的CoVaRabq，同時計算原序列CoVaRabq,t。由于針對原收益率序列的溢出效應計算是時變數據，所以，這里給出平均溢出效應值和溢出比例值，結果如表6所示。可以看出互聯網金融業對于三個行業均存在一定的溢出效應。第一，從平均溢出效應絕對值來看，隨著置信水平的提高，溢出效應的絕對值逐漸增大，證券業最大，保險業次之，銀行業最小；第二，從平均溢出比例值來看，在95%的置信水平下，互聯網金融對于證券業的平均溢出比例高達69.1%，對于保險業和銀行業的平均溢出比例達43.6%和34.3%。置信水平的提高并不必然導致平均溢出比例的增加，但是可以看出在平均溢出比例上，99%的置信水平下仍然是證券業最大、保險業次之、銀行業最小。由此可見，在平均量上觀測互聯網金融業的風險溢出水平，互聯網金融業如果發生風險，則對于證券行業的沖擊最強。盡管來說，在互聯網金融業迅猛發展時，其對于傳統銀行業收益率造成一定程度上的沖擊，在風險的影響直覺上可能是超過證券業和保險業的。但是，當互聯網金融發生風險時，對于行業沖擊造成最大的卻是證券業，這與互聯網金融資金的運用有著一定的關系，互聯網資金流向大多集中于證券類資產以追求較高的收益率，而涉及銀行和保險類產品比例相對較小。加之，銀行業和保險業由于內部風險控制制度相對完善，行業運營相對穩健，當互聯網金融業發生風險時，風險傳染能夠在一定程度上被隔離。

表6 互聯網金融業平均風險溢出效應及溢出比例

圖4 互聯網金融風險溢出效應(ΔCoVaR)動態變化

圖5 互聯網金融風險溢出比例(%CoVaR)動態變化

3.互聯網金融風險溢出效應動態特征研究

基于上述模型，計算出的互聯網金融業對于銀行業、證券業和保險業的時變溢出效應大小和比例系數的動態變化圖如圖4和圖5所示。可以發現：第一，互聯網金融對于銀行、證券和保險業均存在明顯的風險溢出效應，且ΔCoVaR絕對值隨著時間而波動。同時可以發現，在互聯網金融風險集中爆發的時間段內，對于三個行業風險溢出效應均增大，如圖4中2015年1月～2016年1月時間段。第二，互聯網金融對于銀行業和保險業的溢出比例動態變化具有相似性，在一定程度上趨勢趨同；而對于證券業的溢出比例動態變化與銀行業和保險業卻呈現出差異性，甚至出現相反的變化趨勢。第三，從局部變化來看，在2015年1月～2016年1月的風險高發期，對于銀行業和保險業而言，互聯網金融業對于二者沖擊程度位于歷史最低階段，而對于證券業的沖擊位于歷史最高階段，由此可見互聯網金融實際發生風險時對三個行業作用強度存在差異性。現實中，互聯網金融對于銀行業和保險業的風險溢出程度可能被高估，對于證券業的風險溢出程度可能被低估。第四，從與股市震蕩的關聯來看，在2015年1月～2016年1月，股票市場經歷了迅速繁榮與迅速衰退，而此時互聯網金融業對于證券業的溢出比例也是最高時期。這從一定程度上可以反映互聯網金融可能是股票市場短期繁榮的助推器，互聯網金融平臺可能是股票市場場外配資和增加股市杠桿的重要利器；互聯網金融風險集聚爆發也可能較大程度上導致股市風險的爆發。所以，從監管的角度來看，監管當局不僅需要關注互聯網金融平臺的資金存放、網絡技術安全、客戶權益保障等層面，還應限制互聯網金融的資金流向，避免互聯網金融資金流向高風險的投資領域而引發系統性金融風險，引導流向真正資金短缺的實體經濟，助力解決小微企業融資難問題。

結論與建議

本文從邏輯上分析了互聯網金融對于傳統金融業存在風險溢出效應，并通過建立EGARCH-POT-Copula-CoVaR模型進行實證研究。結果表明：第一，如果互聯網金融市場面臨極端風險，其對于銀行業、證券業和保險業均存在明顯的風險溢出效應，平均溢出比例較高，并且平均溢出效應和比例均是證券業最高、保險業次之、銀行業最小；第二，在現實中的互聯網金融業風險集中爆發的時間段內，溢出效應ΔCoVaR絕對值均增大，但是溢出比例%CoVaR卻呈現出差異性，其對于證券業溢出比例增大，而對于銀行業和保險業反而減小；第三，互聯網金融可能在一定程度上助漲了股票市場泡沫，監管當局需要嚴格防范互聯網金融風險引發的股市危機。

在風險溢出效應管控層面，ΔCoVaR和%CoVaR可以作為一個重要的監測指標。現實中，監管當局可能更加關注互聯網金融對于銀行業的沖擊，但實際對于證券業的沖擊可能更大。監管當局應當規范互聯網金融產品的投資領域，限制涉及股票等高風險產品的投資比例，減少投機性資金進入證券業，降低資本市場杠桿率。互聯網金融平臺尤其是借貸平臺應當貸前核實借款人的資金用途，對于真實的生產經營的資金需求應當優先撮合交易，必要時事后做好盡職調查，杜絕投資者利用互聯網平臺進行股市場外配資。傳統金融業尤其是證券業在關注自身的風險狀況，更要建立諸如互聯網金融業等外部風險溢出的預警機制，監測風險溢出效應的動態變化。傳統金融機構與互聯網金融合作中，也要保持明確的界限，以減少技術、資金和業務渠道的風險溢出。