我國(guó)國(guó)有商業(yè)銀行風(fēng)險(xiǎn)溢出效應(yīng)研究

（寧波大學(xué)，浙江 寧波 315211）

如今，我國(guó)經(jīng)濟(jì)迅速發(fā)展，在我國(guó)步入經(jīng)濟(jì)新常態(tài)的過程當(dāng)中涌現(xiàn)了越來越多的金融機(jī)構(gòu)，而這些機(jī)構(gòu)相互影響，不斷創(chuàng)造和推出了各類金融產(chǎn)品以及金融衍生品。經(jīng)濟(jì)的快速發(fā)展帶動(dòng)了各大金融機(jī)構(gòu)間資金流通的速度，因此金融機(jī)構(gòu)間的運(yùn)轉(zhuǎn)效率有所加強(qiáng)。但同時(shí)，這也是一把雙刃劍。在資金流通過程中，金融機(jī)構(gòu)間的風(fēng)險(xiǎn)也在快速傳播，而個(gè)別金融機(jī)構(gòu)間的風(fēng)險(xiǎn)會(huì)導(dǎo)致局部風(fēng)險(xiǎn)，最終演變成系統(tǒng)性金融風(fēng)險(xiǎn)。

巴塞爾協(xié)議是國(guó)際銀行業(yè)競(jìng)爭(zhēng)規(guī)則和國(guó)際慣例。其概述內(nèi)容對(duì)國(guó)際銀行業(yè)具有重大意義，在面對(duì)沖擊時(shí)，各銀行的防范措施具有重要參考價(jià)值。目前，經(jīng)濟(jì)快速發(fā)展至今，隨著越來越多金融機(jī)構(gòu)間風(fēng)險(xiǎn)問題的涌現(xiàn)，防范系統(tǒng)性風(fēng)險(xiǎn)迫在眉睫。商業(yè)銀行之間密切的業(yè)務(wù)往來以及相互持有對(duì)方資產(chǎn)使得銀行之間的關(guān)聯(lián)度越來越高。中國(guó)五大行是綜合性大型商業(yè)銀行，其業(yè)務(wù)范圍廣、創(chuàng)新能力強(qiáng)，是我國(guó)金融界以及銀行業(yè)最雄厚的資本和實(shí)力的代表。對(duì)于中國(guó)來說，準(zhǔn)確測(cè)度五大商業(yè)銀行在我國(guó)金融銀行體系中的風(fēng)險(xiǎn)溢出效應(yīng)互相之間的風(fēng)險(xiǎn)溢出強(qiáng)度，這對(duì)我國(guó)金融銀行業(yè)的發(fā)展具有理論意義和現(xiàn)實(shí)意義。

一、理論及文獻(xiàn)綜述

（一）關(guān)于金融機(jī)構(gòu)影響系統(tǒng)性風(fēng)險(xiǎn)的理論基礎(chǔ)

早在20 世紀(jì)70 年代，信息不對(duì)稱理論開始出現(xiàn)，為市場(chǎng)經(jīng)濟(jì)提供了一個(gè)新的視野。在實(shí)際中，由于資源配置，從事交易活動(dòng)的買方和賣方所掌握的信息不對(duì)等，此類現(xiàn)象被稱為信息不對(duì)稱。降低資源的有效配置的原因有逆向選擇和道德風(fēng)險(xiǎn)，這兩者會(huì)降低市場(chǎng)效率，存在風(fēng)險(xiǎn)溢出效應(yīng)。

我國(guó)國(guó)有商業(yè)銀行作為中間機(jī)構(gòu)，也會(huì)面臨信息不對(duì)稱所帶來的問題。在貸款業(yè)務(wù)方面，銀行應(yīng)該對(duì)不同的貸款人進(jìn)行篩選，以便根據(jù)貸款人的風(fēng)險(xiǎn)大小決定貸款數(shù)量。在存款業(yè)務(wù)方面，銀行需要有足夠的魅力去吸引存款人存款，那么就需要存款人對(duì)銀行有信心，只有在存款者對(duì)銀行有一個(gè)良好的預(yù)期下，才不會(huì)出現(xiàn)存款者大量提取存款的情況。

（二）風(fēng)險(xiǎn)溢出效應(yīng)的傳導(dǎo)機(jī)制

在銀行業(yè)內(nèi)部來說，風(fēng)險(xiǎn)溢出效應(yīng)可以從以下渠道傳導(dǎo)：

資本渠道。由于各個(gè)銀行之間所持資產(chǎn)和負(fù)債的相互聯(lián)系性，當(dāng)某一個(gè)銀行發(fā)生風(fēng)險(xiǎn)事件時(shí)，可以通過股權(quán)、負(fù)債等渠道將風(fēng)險(xiǎn)傳染給其他銀行機(jī)構(gòu)，整個(gè)銀行業(yè)的網(wǎng)絡(luò)結(jié)構(gòu)相當(dāng)緊密，關(guān)聯(lián)性強(qiáng)，則風(fēng)險(xiǎn)傳染的速度也會(huì)越快。

職能與業(yè)務(wù)相似性。銀行的職能與業(yè)務(wù)雖然有所不同，但是也有提供相同或者相似的金融產(chǎn)品或者金融衍生品，這些相似性在某一程度上加快了系統(tǒng)性風(fēng)險(xiǎn)的傳導(dǎo)，當(dāng)某一業(yè)務(wù)或者金融產(chǎn)品出現(xiàn)問題時(shí)，往往相似業(yè)務(wù)也會(huì)產(chǎn)生一定影響。

對(duì)于外部性來說，如果實(shí)體經(jīng)濟(jì)發(fā)生問題，勢(shì)必影響整個(gè)金融體系，同樣金融體系發(fā)生問題，則對(duì)實(shí)體經(jīng)濟(jì)的影響也是巨大的。當(dāng)實(shí)體企業(yè)盈利能力下降，企業(yè)則向銀行舉債，會(huì)加重企業(yè)的財(cái)務(wù)負(fù)擔(dān)，如果出現(xiàn)過度融資和過度擔(dān)保等行為，則債務(wù)風(fēng)險(xiǎn)會(huì)通過擔(dān)保迅速傳染給整個(gè)金融體系，導(dǎo)致銀行業(yè)壞賬增大，信貸風(fēng)險(xiǎn)增大。如果銀行業(yè)的風(fēng)險(xiǎn)增大，那么金融產(chǎn)品的價(jià)格和金融杠桿率則會(huì)不斷增大，那么對(duì)于企業(yè)來說，企業(yè)的實(shí)際債務(wù)水平提高，則會(huì)引發(fā)一連串的多米諾骨牌效應(yīng)。

（三）國(guó)內(nèi)外文獻(xiàn)綜述

早在1996 年，Brenda Gonzálezlez-Hermosillo[1]把系統(tǒng)性風(fēng)險(xiǎn)分為傳染性和溢出性的特征。Sachs 等（1996）[2]采用線性回歸的方法建立STV 模型，選取了20 個(gè)國(guó)家的截面數(shù)據(jù)來建立預(yù)警模型。Frankel和Rose（1996）[3]通過分析引發(fā)金融危機(jī)的原因，用FR 概率模型來估計(jì)金融危機(jī)發(fā)生的概率。而Kaminsky（1998）[4]則用KLR 信號(hào)法來預(yù)計(jì)金融危機(jī)可能發(fā)生的概率。

在20 世紀(jì)90 年代，G30 集團(tuán)在研究衍生品的基礎(chǔ)上提出了VaR 理論[5]，而J.P.Morgan 利用VaR這一測(cè)定技術(shù)，將其應(yīng)用在了風(fēng)險(xiǎn)領(lǐng)域。如今，越來越多的學(xué)者將這一技術(shù)用于金融風(fēng)險(xiǎn)防控監(jiān)管上[6]。Adrian 和Brunnermeier（2008）[7]在VaR 的基礎(chǔ)上，通過兩兩聯(lián)系金融機(jī)構(gòu)的風(fēng)險(xiǎn)溢出效應(yīng)，提出了CoVaR 模型，觀測(cè)某一銀行或金融機(jī)構(gòu)對(duì)其他金融機(jī)構(gòu)或整個(gè)市場(chǎng)的風(fēng)險(xiǎn)溢出值。Roengpitya（2011）[8]針對(duì)泰國(guó)數(shù)據(jù)對(duì)國(guó)內(nèi)金融機(jī)構(gòu)的風(fēng)險(xiǎn)溢出效應(yīng)進(jìn)行了測(cè)定，結(jié)果顯示，當(dāng)單個(gè)銀行度過金融危機(jī)后，其對(duì)整個(gè)銀行業(yè)的風(fēng)險(xiǎn)貢獻(xiàn)率將會(huì)上升。Adams 等（2013）[9]利用分位數(shù)回歸方法下的CoVaR 模型檢驗(yàn)并分析了金融機(jī)構(gòu)之間的風(fēng)險(xiǎn)溢出效應(yīng)。

目前，國(guó)內(nèi)有關(guān)風(fēng)險(xiǎn)溢出效應(yīng)的測(cè)算主要有GARCH 模型以及分位數(shù)回歸法等等。本文采用較常見的GARCH 模型。

在GARCH 模型擬合的方法中，張雅慶（2019）[10]選用了GARCH-CoVaR 模型，測(cè)算8 家上市股份制商業(yè)銀行VaR、CoVAR 及風(fēng)險(xiǎn)溢出效應(yīng)，構(gòu)建了銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)評(píng)估模型，也從宏觀層面和微觀層面提出了相應(yīng)的對(duì)策建議。丁慧和吳康成（2018）[11]測(cè)量單個(gè)上市銀行對(duì)整個(gè)銀行業(yè)風(fēng)險(xiǎn)貢獻(xiàn)程度以及銀行間的風(fēng)險(xiǎn)溢出效應(yīng)利用ARMA-GARCH-CoVaR模型來測(cè)度。孫鵬和程春梅（2018）[12]對(duì)我國(guó)四大國(guó)有銀行系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行了研究，其結(jié)果表明，在我國(guó)銀行業(yè)發(fā)生系統(tǒng)性風(fēng)險(xiǎn)時(shí)，農(nóng)業(yè)銀行和建設(shè)銀行受到的外部性沖擊比其他國(guó)有銀行大。根據(jù)以往研究經(jīng)驗(yàn)，大型國(guó)有商業(yè)銀行自身的風(fēng)險(xiǎn)水平比其他城市商業(yè)銀行要低，但是對(duì)整個(gè)銀行業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)強(qiáng)度最大，由此表明，監(jiān)管國(guó)有商業(yè)銀行有利于對(duì)我國(guó)銀行系統(tǒng)的風(fēng)險(xiǎn)控制。

本文旨在利用國(guó)有五大銀行的銀行日收益率，根據(jù)不同的GARCH 模型分別計(jì)算并得到VaR、CoVaR 和%CoVaR。同時(shí)，比較五大銀行自身的風(fēng)險(xiǎn)防范能力以及對(duì)總體銀行業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)。

二、模型設(shè)計(jì)

首先需要檢驗(yàn)樣本銀行日收益率數(shù)據(jù)的ARCH效應(yīng)。

建立一元回歸模型如下：

其中，γt表示單個(gè)銀行的日收益率，γmt為上證指數(shù)的日收益率（市場(chǎng)收益率），ut為殘差項(xiàng)。對(duì)ut進(jìn)行ARCH 效應(yīng)的檢驗(yàn)，證明其是否存在ARCH 效應(yīng)，并且擬合單個(gè)銀行及銀行指數(shù)的收益率序列。根據(jù)不同的GARCH 模型擬合某銀行以及代表銀行業(yè)指數(shù)，選擇最恰當(dāng)?shù)腉ARCH 模型。模型均值方程如下所示：

GARCH 模型的方差方程為：

EGARCH 模型的方差方程為：

TARCH 模型的方差方程為：

其中，γt為單個(gè)銀行的收益率，γmt為上證指數(shù)的收益率，A（L）和B（L）為表示滯后因子，并利用ARMA 模型進(jìn)行修正，最后選擇一個(gè)擬合效果最佳的模型。

在計(jì)算CoVaR 時(shí)，需要向上述步驟一樣選用適合的GARCH 模型進(jìn)行擬合，由于計(jì)算VaR 對(duì)收益率的影響，均值方程變化如下：

三、實(shí)證分析

本文以我國(guó)5 家國(guó)有商業(yè)銀行2012 年7 月1日至2019 年7 月31 日（除去節(jié)假日）的股票日度收益率作為研究樣本。用上證指數(shù)180 日收益率代替市場(chǎng)收益率，銀行系統(tǒng)指數(shù)選用具有代表性的申銀萬國(guó)二級(jí)銀行業(yè)指數(shù)。

表1 五大國(guó)有銀行收益率數(shù)據(jù)統(tǒng)計(jì)結(jié)果

從表1 統(tǒng)計(jì)數(shù)據(jù)中，從偏度和峰度的角度來說，所有銀行均出現(xiàn)尖峰現(xiàn)象，并且正態(tài)分布假設(shè)P值為0，則表明該分布不滿足正態(tài)分布。因此，在之后的建模過程選擇上，我們將用尖峰后尾的t 分布來取代正態(tài)分布。

接下來進(jìn)行ARCH 效應(yīng)檢驗(yàn)，分別建立5 家國(guó)有商業(yè)銀行與上證指數(shù)收益率的一元回歸模型，對(duì)殘差進(jìn)行分析。

用Eviews 軟件逐個(gè)進(jìn)行ARCH 效應(yīng)檢驗(yàn)，殘差的波動(dòng)具有明顯的集聚性，中間偏左側(cè)的波動(dòng)較大，中間部分與右側(cè)的波動(dòng)相對(duì)較小，表明可能存在ARCH 效應(yīng)。我們進(jìn)一步對(duì)該數(shù)據(jù)進(jìn)行ARCHLM 檢驗(yàn)，對(duì)殘差項(xiàng)進(jìn)行更加有效地證明，得出了滯后階數(shù)為1 的ARCH-LM 檢驗(yàn)結(jié)果。5 家國(guó)有商業(yè)銀行的ARCH 檢驗(yàn)的P 值均小于顯著性水平5%，可見，各家銀行的收益率均存在ARCH 效應(yīng)，則可以表明，我們選用的GARCH 模型在本文中是合理的。

計(jì)算5 大國(guó)有銀行VaR、CoVaR、風(fēng)險(xiǎn)溢出效應(yīng)（%CoVaR）。根據(jù)上文模型建設(shè)對(duì)5 家樣本銀行分別進(jìn)行GARCH 模型模擬，我們得到了單個(gè)銀行不同的VaR 估計(jì)模型。

我們以交通銀行為例，GARCH 模型的擬合優(yōu)度為0.492 5；TARCH 的優(yōu)度為0.492 5；EGARCH模型的擬合優(yōu)度為0.494 6。可以得到EGARCH 模型擬合優(yōu)度最高，并且反應(yīng)不對(duì)稱性的的概率p值為0.000 0，在5%的置信水平下顯著。因此綜合考慮來看，交通銀行收益率面臨沖擊時(shí)的不對(duì)稱性是存在的，并且用EGARCH 模型擬合更為合適。加入ar（1）后模型不顯著，因此，在這一輪的模型選擇中，我們選擇了EGARCH 模型。

其他4 家銀行同上分析。

接下來以銀行指數(shù)的收益率序列為因變量，上證指數(shù)180 日收益率代替市場(chǎng)收益率為自變量，建立GARCH 模型擬合，求出銀行業(yè)在特定的時(shí)間內(nèi)最大可能損失。

銀行業(yè)GARCH 模型的擬合優(yōu)度為0.662 636；TARCH 的優(yōu)度為0.662 579；EGARCH 模型的擬合優(yōu)度為0.662 225。針對(duì)銀行業(yè)，結(jié)果表明，GARCH模型中的擬合優(yōu)度是最高的，相比而言，另兩種反映不對(duì)稱性的TARCH 和EGARCH 模型擬合優(yōu)度相對(duì)較差。選擇GARCH 模型后加入ar（1）項(xiàng)，模型不顯著。最后結(jié)果分析，我們選擇GARCH 模型。

在得到樣本銀行及銀行指數(shù)的VaR 序列后。依據(jù)銀行指數(shù)收益率為因變量、樣本銀行VaR 序列為自變量，建立GARCH 模型進(jìn)行擬合，并計(jì)算CoVaR序列。

對(duì)其進(jìn)行合理排序，從不同角度體現(xiàn)單家銀行的風(fēng)險(xiǎn)水平，具體結(jié)果如表2 所示。

表2 5 家國(guó)有商業(yè)銀行的VaR、CoVaR、%CoVaR 的中位數(shù)結(jié)果

從第二列的VaR 計(jì)算結(jié)果看，五大行的絕對(duì)值VaR 均小于3%，而中國(guó)銀行最低，僅為1.86%。說明在這五大銀行中，中國(guó)銀行的風(fēng)險(xiǎn)防范能力最強(qiáng)，在應(yīng)對(duì)風(fēng)險(xiǎn)時(shí)的控制能力也是最強(qiáng)的。

當(dāng)單個(gè)銀行的VaR 值對(duì)銀行業(yè)利率產(chǎn)生影響時(shí)，從所產(chǎn)生的風(fēng)險(xiǎn)溢出效應(yīng)研究結(jié)果看，建設(shè)銀行的風(fēng)險(xiǎn)溢出值最大為8.932 2，中國(guó)銀行次之為8.163 5，風(fēng)險(xiǎn)溢出值最小的是農(nóng)業(yè)銀行為5.827 8。這說明了，5 家銀行對(duì)國(guó)內(nèi)銀行業(yè)的風(fēng)險(xiǎn)貢獻(xiàn)程度各不相同，風(fēng)險(xiǎn)溢出值（%CoVaR）越大，那么風(fēng)險(xiǎn)傳染性和貢獻(xiàn)度則越大。

綜上分析，國(guó)有五大行的風(fēng)險(xiǎn)溢出效應(yīng)各不相同，且存在較大的差異，并且通過建設(shè)銀行和中國(guó)銀行的VaR 值、%CoVaR 得到，銀行之間的風(fēng)險(xiǎn)溢出效應(yīng)與其自身的風(fēng)險(xiǎn)水平并沒有直接聯(lián)系。工商銀行、建設(shè)銀行和中國(guó)銀行對(duì)銀行體系的風(fēng)險(xiǎn)貢獻(xiàn)度較高，如果這些銀行沒有完善的預(yù)防措施，在面對(duì)風(fēng)險(xiǎn)沖擊時(shí)會(huì)對(duì)整個(gè)銀行體系的沖擊較大。

四、政策建議

五大國(guó)有商業(yè)銀行作為金融機(jī)構(gòu)，處于行業(yè)的領(lǐng)先位置，如果其遭受很大的系統(tǒng)性風(fēng)險(xiǎn)沖擊，那么對(duì)于整個(gè)銀行業(yè)乃至金融行業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)也是非常巨大的。并且我國(guó)國(guó)有銀行作為支柱性銀行，與其他金融行業(yè)乃至企業(yè)的關(guān)聯(lián)度較高，在風(fēng)險(xiǎn)傳染方面也會(huì)一定程度地使其他關(guān)聯(lián)產(chǎn)業(yè)受到?jīng)_擊。因此加強(qiáng)對(duì)國(guó)有銀行的監(jiān)管以及風(fēng)險(xiǎn)防控刻不容緩。基于以上研究結(jié)論有如下幾點(diǎn)啟示：

一般來說，國(guó)有商業(yè)銀行對(duì)金融機(jī)構(gòu)的風(fēng)險(xiǎn)貢獻(xiàn)程度大于其他股份制銀行，當(dāng)這些銀行面臨風(fēng)險(xiǎn)時(shí)，其抵御能力也是強(qiáng)于股份制銀行。而國(guó)有銀行往往依賴于國(guó)家扶持，會(huì)有大量不良資產(chǎn)以及金融創(chuàng)新失敗的產(chǎn)品，因此國(guó)家應(yīng)在推動(dòng)金融創(chuàng)新的同時(shí)，健全宏觀審慎監(jiān)管框架，建立風(fēng)險(xiǎn)評(píng)級(jí)制度，積極應(yīng)對(duì)宏觀環(huán)境下的風(fēng)險(xiǎn)沖擊[13]。其次，政府應(yīng)加強(qiáng)統(tǒng)計(jì)數(shù)據(jù)整理以及建模分析，科學(xué)合理的選用系統(tǒng)性風(fēng)險(xiǎn)指標(biāo)，加快完善系統(tǒng)中的潛在風(fēng)險(xiǎn)甄別能力；最后，政府應(yīng)最大化利用政策監(jiān)管工具，例如存款保險(xiǎn)制度和最后貸款人政策等。

商業(yè)銀行自身也應(yīng)建立起預(yù)警制度，結(jié)合自身業(yè)務(wù)發(fā)展的特點(diǎn)，選取并建立起全面又靈敏的風(fēng)險(xiǎn)溢出測(cè)量指標(biāo)，在考慮監(jiān)管部門的要求下，根據(jù)銀行資產(chǎn)情況設(shè)立預(yù)警系統(tǒng)。