基于動態Copula-CoVaR模型的影子銀行風險溢出效應研究

王帥 李治章

摘?要：依據2007-2017年中國金融市場運行數據，構建動態Copula-CoVaR模型，考量影子銀行風險溢出效應。結果表明：影子銀行與傳統金融市場存在雙向凈風險溢出效應，隨著時間的推移，溢出效應在逐漸增大;極端風險溢出效應存在不對稱特征，影子銀行對傳統金融市場的沖擊較大，且這種沖擊具有滯后效應。鑒此，監管部門應夯實金融體系運行基礎，創新影子銀行監管工具，完善其協調監管模式。

關鍵詞：影子銀行;金融市場;CoVaR;風險溢出效應

中圖分類號：F832.33文獻標識碼：A文章編號：1003-7217（2019）02-0036-05

一、引?言

影子銀行是從事類似銀行信用和流動性轉換功能的實體，但其經營活動較少受到傳統監管部門的監管。據穆迪估計，中國影子銀行規模在2017年6月已達64.7萬億元[1]。而根據WIND數據庫統計，截至2017年6月，中國理財產品資金日均余額為30.15萬億元。影子銀行的發展 ?在一定程度上推動了金融創新和市場深化，彌補了金融抑制產生的融資缺口，但也由于其存在較大的杠桿性和隱蔽性，對金融市場和實體經濟也可能帶來風險隱患。因此，監管部門對其重視程度越來越高，并制定了一系列監管措施，如在2017年11月17日，中國人民銀行等五部門發布了《關于規范金融機構資產管理業務的指導意見（征求意見稿）》，旨在防范影子銀行“脫實向虛”所帶來的風險，以維護金融市場的健康發展。當前，影子銀行雖然在一定程度上得到了規范，但其潛在的風險仍不容小覷，且當前金融系統性風險逐漸增大，稍有不慎便可能“引爆”系統性風險，引發“明斯基時刻”來臨。在此背景下，為防范和化解金融風險，亟需準確地度量影子銀行體系對金融市場的風險溢出效應，并對溢出效應的規律進行剖析。

國內外對影子銀行及其風險溢出效應進行了一定的研究。FSB（2011）指出資產證券化導致新的高風險型債券不斷被引入，這種復雜的結構化金融容易導致代理問題和投資者的非理性決策，銀行和其他金融機構通過杠桿操作進行購買活動，增加資本市場的脆弱性[2]。Adrian（2012）指出，影子銀行通過信用創新工具，將杠桿操縱、金融創新以及過度交易的風險轉移和分散到銀行業等市場之中，進而通過投資組合等影響金融市場風險[3]。Schwarcz（2012）等研究表明影子銀行導致市場分割和不透明，使得市場參與者難以有效處理信息，當積累的風險凸現時，容易引起市場恐慌，此外影子銀行的發展伴隨著杠桿率的提升，投資者的風險偏好將隨著影子銀行規模的擴大而提高，這也將增大金融市場系統性風險[4]。Moshirian（2014）指出新興經濟體的影子銀行增長較快，這可能會增大系統性風險，由此需要加強對影子銀行的全球性治理[5]。Diallo和Al-Mansour（2017）認為保險部門通過影子銀行影響金融體系的穩定性[6]。在國內，隨著影子銀行的快速發展，一些學者對其產生的風險展開了研究。巴曙松（2009）以及何德旭和鄭聯盛（2009）均認為對影子銀行的有效監管有助于維持金融體系的穩定[7，8]。巴曙松（2013）認為影子銀行已納入監管體系，其規模和風險也尚未對系統性風險產生巨大的影響[9]。林琳和曹勇（2015）的研究表明影子銀行通過銀行同業業務釋放風險，商業銀行受影子銀行影響的程度與其同業業務規模呈正相關關系[10]。劉翠（2017）認為在考慮影子銀行體系對商業銀行的風險溢出效應之后，商業銀行體系面臨的風險將會顯著增大[11]。郭曄和趙靜（2017）的研究表明存款競爭顯著增加了影子銀行的規模，而影子銀行的存在則強化了存款競爭與商業銀行系統性風險之間的關系[12]。在銀行風險度量方面，李叢文和閆世軍（2015）基于偏t分布的GARCH-時變Copula-CoVa R模型測度了各影子銀行對商業銀行系統性風險的影響[13]。李丹丹（2016）通過DCC 模型分析影子銀行和商業銀行間的波動溢出效應，發現影子銀行對城商行存在傳染效應，證券公司類的影子銀行對城商行的沖擊較大[14]。已有文獻大多認為影子銀行對金融體系產生了重要影響，并且探討了其對商業銀行的風險傳染效應，但針對影子銀行風險溢出的非線性時變特征及影子銀行與整個金融體系之間的雙向溢出效應則較為少見。

有鑒于現實需要與已有研究的不足，本文對影子銀行與金融市場的風險溢出效應進行了實證研究。在運用2007-2017年中國金融市場運行數據的基礎上，構建了動態Copula-CoVaR模型，對影子銀行的風險溢出效應進行了度量，研究發現影子銀行與金融市場存在雙向風險溢出效應，且影子銀行對金融市場的風險溢出效應逐年增強。同時，極端風險溢出效應存在不對稱特征，影子銀行對傳統金融市場的沖擊較大，并且這種沖擊具有滯后效應。本文的研究一方面考慮風險溢出的動態效應，構建了動態Copula-CoVaR模型，為風險溢出效應的度量提供了可供參考的方法;另一方面通過實證研究發現和總結了當前影子銀行風險溢出效應的規律和特征，為管理層制定相關監管政策和投資者的投資組合管理提供經驗借鑒。

二、影子銀行風險溢出效應度量的動態Copula-CoVaR模型構建

其中C（u， v）為Copula函數。為了更全面準確地衡量影子銀行體系對金融市場的風險，考慮到風險傳染的下尾相關特征，本文選用Clayton Copula函數作為基準Copula函數。為了衡量時變的風險傳染效應，本文沿用Patton（2006）的思想，用一個類似ARMA（1，10）的過程對Copula函數的相關參數進行動態描述[17]。

三、基于動態Copula-CoVaR模型的影子銀行風險溢出效應實證研究

為了檢驗影子銀行的風險溢出效應，本文基于動態Copula-CoVaR模型，運用中國金融市場的相關數據進行實證研究。首先在選取研究樣本的基礎上，對Copula函數的邊緣分布進行估計，接著對動態Copula函數進行參數估計，從而得到擬合樣本數據最佳的Copula函數，最后基于動態Copula函數，求解CoVaR，進而對影子銀行的風險傳染效應進行分析。

（一） 研究樣本的選取

分別選取銀行指數、證券指數、保險Ⅱ指數以及房地產Ⅱ指數代表銀行市場、證券市場、保險市場和房地產市場的運行情況。由于房地產市場屬于資金密集型行業，并且其資產負債率較高，具有較強的金融屬性，且房地產在國內的投資功能比較顯著，所以本文將其納入金融市場進行分析。樣本的起始時間為2007年1月4日至2017年12月15日，該樣本期間涵蓋了多次金融危機，能夠反映金融市場運行不同周期的波動狀況。由于影子銀行體系并不透明，其運行數據難以獲取，本文選取了從事產業基金、小貸、典當、投資以及證券等金融業務的上市公司，一方面這些上市公司的業務具有較強的影子銀行性質，在一定程度上反映了影子銀行的運行特征;另一方面其運行數據按照資本市場制度進行披露，具有較高的可信度，且可以公開獲取。經過篩選，本文將渤海金控、民生控股、海德股份、中油資本、經緯紡機、錦龍股份、越秀金控、九鼎投資、易見股份、新力金融、五礦資本、熊貓金控、愛建集團、綠庭投資、中航資本、香溢融通、和華鐵科技作為樣本公司。將這些公司的總市值作為權重，編制了影子銀行的運行指數衡量影子銀行的運行狀況，樣本的起止時間為2007年1月4日至2017年12月15日。各市場的運行指數參見圖1。

從以上指數的運行軌跡可以發現，影子銀行與金融市場的聯動性較強，但在不同時間段，其波動也

有一定的差異性，如在2016年之前影子銀行與金融市場的波動軌跡較為相似度較高，而在2016年之后，其相似度略有下降，這可能與監管周期有一定的關系。

（二） 邊緣分布模型的參數估計

對于邊緣分布，本文運用GARCH（1，1）模型來進行描述：

其中，rt分別為銀行指數、證券指數、保險指數、地產指數和影子銀行指數的對數收益率，分別以BANK， SECU， INSU， REAL和SHAD表示。ht為方差方程，其中誤差分布為GED分布。各序列的GARCH模型參數估計結果如表1所示。

上表顯示GARCH模型的擬合效果較好，同時體現了收益率序列的波動集聚性和持續性。GARCH模型能較好地描述收益率序列的波動，其條件波動率序列如圖2所示。

從圖2可以發現，雖然影子銀行與金融市場的波動軌跡較為相似，但是其也有一定的差異性，這體現出影子銀行相對于傳統金融市場有一定的獨特運行規律。為了準確地把握影子銀行風險傳染效應，本文接下來運用動態Copula-CoVaR模型對風險溢出程度進行度量。

（三）動態Copula及CoVaR模型的參數估計

運用Matlab 2016對Copula函數進行參數估計，估計結果如表2所示，根據t統計量可以發現，Copula函數的參數在95%的置信水平下均顯著，模型具有較好的擬合效果，因此本文運用Clayton Copula函數計算CoVaR值。

運用動態Copula函數及公式（6），可以得到樣本期內影子銀行與金融市場的凈風險傳染效應ΔCoVaRx→y（ΔCoVaRx→y=ΔCoVaRy|xq-ΔCoVaRx|yq）如圖3所示。

圖3中，橫坐標為樣本時間，縱坐標為凈風險傳染效應，ΔCoVaRx→y為負，表明各金融市場對影子銀行有凈風險傳染效應，金融市場對影子銀行的沖擊較大，ΔCoVaRx→y為正時，影子銀行對金融市場的沖擊較大，其對金融市場輸出了較大的金融風險。從圖3可以發現影子銀行與金融市場的風險傳染特點。其一，在樣本期，影子銀行與金融市場之間存在雙向的風險傳染效應。金融市場對影子銀行有凈的風險輸出，同時影子銀行對金融市場也有風險傳染，且這種風險傳染存在時變和非線性特征。影子銀行在傳統金融的基礎產生，其資金來源、業務經營、流動性創造等與銀行、證券、保險、地產市場均有緊密的聯系，一旦發生影子銀行違約事件，其他傳統金融機構也會受到影響。而另一方面，在傳統金融機構流動性減小時，影子銀行機構也會受到一定的壓力。經過多年的發展，影子銀行已經滲透到傳統金融市場的各個領域，甚至形成了一系列金控集團或金融服務平臺，與傳統金融形成了“你中有我，我中有你”[18]、緊密聯系的發展狀態。其二，雖然影子銀行與金融市場之間存在雙向溢出效應，但從極端風險溢出效應看，如圖3下半部分顯示，其極端值明顯大于上半部分的極端值，且出現的次數也相對較多。這反映出在樣本期影子銀行與金融市場的極端風險傳染存在一定程度的不對稱性。傳統金融機構出現風險事件時，由于其監管相對完善，運行的透明程度相對較高，其對其他金融子市場或金融體系產生的影響也相對容易控制。與之相反，影子銀行具有不透明性和杠桿高的特點，對其監管難以形成有效穿透，在當前影子銀行規模較大的情形下，影子銀行市場一旦出現風險，可能會導致金融市場出現恐慌情緒，并產生連鎖放大效應，由此使得極端風險不對稱傳染現象的產生。其三，影子銀行對金融市場的沖擊在逐漸增大（如圖3所示，在方框A之后），在2015年和2016年的股災之中，影子銀行和傳統銀行之間不僅存在雙向的即時風險溢出效應，而且出現了對傳統金融市場極端風險的滯后溢出效應（如方框B所示），即在金融市場下跌之后，影子銀行對傳統金融市場產生了一個更大的滯后性沖擊，這凸顯了影子銀行體系對金融市場的重要影響。

四、結論及建議

本文運用中國金融市場數據，在編制影子銀行運行指數的基礎上，構建了動態Copula CoVaR模型對影子銀行的風險傳染效應進行實證研究。研究結果表明影子銀行與傳統金融市場之間存在雙向的凈風險溢出效應，對于極端風險溢出，影子銀行對金融市場的影響更大，且隨著時間的推移，影子銀行與金融市場之間的風險溢出效應在增大，在出現風險事件之后，影子銀行對金融市場還會產生滯后的風險沖擊。考慮到影子銀行發展的特征事實，以及當影子銀行的風險傳染規律，可形成以下監管啟示：首先，在服務實體經濟的前提下，應嚴格限制影子銀行體系內的“資金空轉”，合理有序降低杠桿率，引導影子銀行體系內的資金流向制造業等實體經濟領域，一方面促進實體經濟發展，另一方面也能夠夯實金融體系的運行基礎，增強金融市場的風險抵抗能力，降低影子銀行與金融市場風險溢出效應的危害;其二，結合影子銀行運行溢出效應的特點進行監管工具創新，一方面創新影子銀行測算與風險度量工具，建立影子銀行風險指數，動態監視其風險溢出效應，并據此創新與之相適應的財政政策、貨幣政策等監管工具;其三，監管部門可進一步完善跨部門監管協調模式，針對交叉性金融業務，統一協調銀行、證券、保險等各個金融子市場的監管，運用大數據推動全面精準監管，減少監管套利空間，提高影子銀行運營的透明性，從而降低影子銀行風險溢出效應，維護金融市場的健康發展。

參考文獻：

[1]巴曙松.中國影子銀行的特征與風險化解之道[EB/OL]. http：//baijiahao.baidu.com， 2017-11-26.

[2]Financial Stability Board. Shadow banking：scoping the issues[R]. BIS Report，2011-04-12.

[3]Adrian T， Ashcraft A. Shadow banking regulation [J]. The Annual Reviews of Financial Economics， 2012（4）：99-140.

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

[5]Moshirian F. Global governance：global banks and shadow banks supervision[J].Journal of Banking & Finance， 2014，48（11）：307-311.

[6]Diallo B， Al-Mansour A. Shadow banking， insurance and financial sector stability[J]. Research in International Business and Finance， 2017， 42（12）：224-232.

[7]巴曙松. 應從金融結構演進角度客觀評估影子銀行[J]. 經濟縱橫， 2013（4）：27-30.

[8]何德旭， 鄭聯盛. 影子銀行體系與金融體系穩定性[J]. 經濟管理， 2009， 31（11）：20-25.

[9]巴曙松. 應從金融結構演進角度客觀評估影子銀行[J]. 經濟縱橫， 2013（4）：27-30.

[10]林琳， 曹勇. 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， 2015， 37（8）：109-119.

[11]劉翠. 影子銀行、金融穩定與風險溢出效應分析[J]. 現代財經（天津財經大學學報）， 2017， 37（11）：41-51.

[12]郭曄， 趙靜. 存款競爭、影子銀行與銀行系統風險——基于中國上市銀行微觀數據的實證研究[J]. 金融研究， 2017（6）：81-94.

[13]李叢文， 閆世軍. 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， 2015（10）：64-75.

[14]李丹丹. 中國影子銀行和商業銀行的傳染效應研究——基于DCC模型的風險分析. 管理現代化， 2016（1）：17-19.

[15]Adrian T， Brunnermeier M K. CoVaR[J].Amerian Economic Review， 2016，106（7）：1705-1741.

[16]Girardi G， Ergun A. Systemic risk measurement：multivariate GARCH estimation of CoVaR[J]. Journal of Banking & Finance， 2013， 37（8）：3169-3180.

[17]Patton A. Modeling asymmetric exchange rate dependence[J]. International Economic Review， 2006， 47（2）：527-556.

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

（責任編輯：鐘?瑤）