基于股票交易數據的商業銀行傳染風險研究

劉志洋

（東北師范大學經濟與管理學院，吉林長春 130117）

傳染風險與系統性風險密切相關。Shenoy and Williams（2017）指出，非系統性沖擊能夠在金融體系內蔓延，進而導致系統性事件發生，危害資產價格和金融中介的經營。2017年中國共產黨十九大報告中指出，“健全貨幣政策和宏觀審慎政策雙支柱調控框架”，“守住不發生系統性金融風險的底線”。對于中國的金融體系來講，由于銀行體系在中國金融體系中居于絕對的核心地位，商業銀行之間的傳染風險極易引發金融系統性風險的爆發。然而，研究商業銀行體系傳染風險的難點在于缺乏商業銀行之間雙邊風險敞口的數據。從我國學者的研究來看，大多數研究都是基于網絡理論，而且使用了模擬的方法進行理論分析和仿真分析。由于商業銀行之間相互持有頭寸數據的可得性很差，學者在使用網絡理論進行研究時，往往需要對銀行間相互交易的結構進行假設，且要依賴于資產負債表數據進行模擬分析。然而相比于資產負債表數據，股票交易數據以其具有前瞻性和可得性得到國際學者更為廣泛的應用。本文擬使用商業銀行股票交易數據研究中國商業銀行體系的傳染風險，以期為中國管理金融系統性風險提供參考。

一、基于Kalman濾波的商業銀行體系傳染風險測度

傳染風險是指商業銀行股票收益率中排除系統風險因子影響的超額收益率部分對銀行體系中其他商業銀行的影響（Piccotti，2017）。本文借鑒Diebold and Yi Imaz（2011）的方差分解思想，使用狀態空間模型進行實證分析。首先本文假設商業銀行股票收益率受到給定的系統風險因子的影響。在系統風險因子的選取方面，本文使用Fama-French三因素模型中的三個風險因子：市場組合溢價（MKTPRE）、市值因子（SMB）和賬面市值因子（HML）。具體模型如（1）式：

根據Patton and Ramadorai（2013），本文使用Kalman濾波方法估計（1）式。由于（1）式中的狀態轉移方程允許估計系數是時變的，因此本文可以使用Kalman濾波方法得到動態的非系統沖擊。根據Patton and Ramadorai（2013），本文假設服從正態分布，進而使用極大似然估計方法估計參數。根據（1）式，本文可以得出商業銀行在t時刻所面臨的個體沖擊：

其中f表示（1）式中的風險因子，Ft-1表示在t-1時刻的信息集。E表示期望算子。在（2）式基礎上，本文將所得到的個體商業銀行i的沖擊變量（）對基于市值加權的銀行業整體收益率（剔除商業銀行i）做回歸分析。根據Piccotti（2017），本文設定模型如（3）式和（4）式：

由于本文假設（3）式的殘差項服從正態分布，因此可以得到Kalman濾波的似然函數。根據Kalman濾波理論，本文系數估計值具有一致性。需要說明的是，在估計（1）式和（3）式中，本文并沒有辦法完全區分傳染的方向是“個體到總體”還是“總體到個體”，但這對本文結果不產生任何影響。在估計（3）式基礎上，本文在每一個時間點t將所有商業銀行的估計系數進行加總。由于（3）式屬于線性模型系統，因此根據射影定理（Projection Theorem），（3）式系數估計值為：

該指標值越大，說明商業銀行非系統沖擊對銀行體系的傳染風險就越高。

二、傳染風險測度實證結果

由于測度傳染風險需要使用股票交易數據，因此本文使用中國上市商業銀行月度股票收益率作為研究樣本，樣本期間為2007年至2017年，數據來源為wind數據庫。在系統風險因子選擇方面，本文使用HS300指數作為市場組合的代表。本文的樣本包括平安銀行、寧波銀行、江陰銀行、張家港行、浦發銀行、華夏銀行、民生銀行、招商銀行、無錫銀行、江蘇銀行、杭州銀行、南京銀行、常熟銀行、興業銀行、北京銀行、上海銀行、農業銀行、交通銀行、工商銀行、光大銀行、建設銀行、中國銀行、貴陽銀行、中信銀行和吳江銀行。

CR值計算結果顯示，除交通銀行外，其余國有四家大型商業銀行CR值的最小值均大于股份制商業銀行和城市商業銀行的最大值。平均來看，中國工商銀行傳染風險最高，CR值平均為0.249，中國建設銀行平均CR值為0.196。對于股份制商業銀行來講，CR平均值最高的是招商銀行，為0.053。浦發銀行、民生銀行、興業銀行和中信銀行的CR平均值也均在0.03以上。從城市商業銀行來看，北京銀行和上海銀行CR平均值最高，分別為0.014和0.015?？傮w上，CR值的統計特征表明，國有大型商業銀行的傳染風險顯著高于其他商業銀行。

從CR值走勢分析來看，國有大型商業銀行的CR值除交通銀行外，均在0.1以上，整體中國工商銀行CR值最高。而股份制商業銀行CR值整體處在0.1以下，而城市商業銀行CR值沒有高過0.025?？傊袊ど蹄y行和中國建設銀行對銀行體系的傳染風險非常高，中國農業銀行和中國銀行基本持平，同時也顯著高于股份制商業銀行和城市商業銀行。同時，計算結果顯示國有大型商業銀行在2008年金融危機爆發之前傳染風險非常高，但之后呈現下降走勢，基本穩定在0.15左右。對于股份制商業銀行來講，雖然整體CR值低于國有大型商業銀行但是波動性要高一些，且從2013年期呈現出略微上升態勢。對于城市商業銀行來講，CR值在2016年之前都非常平穩，從2016年年末起出現了顯著的下降。

之后本文對商業銀行股票收益率與傳染風險（CR值）進行相關性檢驗。結果顯示，國有大型商業銀行股票收益率與傳染風險（CR值）的相關性不顯著，且除交通銀行外，其余四家大型商業銀行的相關系數呈現負值。在八家大型股份制商業銀行中，所有相關系數均為正值，且除平安銀行和中信銀行的顯著性較差外，其余六家股份制商業銀行的相關系數均顯著為正值。在十二家城市商業銀行中，商業銀行股票收益率與傳染風險（CR值）的相關系數估計值為正值，且有八家商業銀行通過了顯著性檢驗。

三、傳染風險與商業銀行股票收益率

如果傳染風險與股票收益率存在相關性，則我們需要考慮的一個問題是投資者是否能夠分散傳染風險，即如果傳染風險可以作為系統風險因子引入Fama-French三因素模型且估計系數顯著，則說明傳染風險不可分散；反之，說明傳染風險可以被投資者分散。此結果對于資產組合管理以及宏觀審慎監管的實施都非常重要。

本文在每一個時間點，根據每家商業銀行的傳染風險對商業銀行進行排序。傳染風險高于中值的樣本為高傳染風險樣本，低于中值的樣本為低傳染風險樣本。在構建投資組合時，本文購買高傳染風險的商業銀行的股票，賣空低傳染風險的商業銀行股票。本文在t時間根據傳染風險構造投資組合，在t+1時刻計算組合收益率，并在t+1時刻根據商業銀行傳染風險的大小重新構造投資組合，以此逐月進行。在計算投資組合收益率時，本文使用基于市值加權方法計算t時刻的累積收益率，計算頻率為月度。投資表現表明，累積市值加權月度收益率的表現非常理想。T檢驗P值分別為0.0000，可以在1%顯著性水平上拒絕零假設。95%水平顯著性檢驗的置信區間是[0.9981,1.0032]，因此投資組合獲得很好的投資效果。

為了進一步驗證股票市場是否對商業銀行傳染風險進行定價，本文在每一個時間點，按照傳染風險的大小，將樣本平均分為兩部分：高于樣本傳染風險中值（高風險組）和低于樣本傳染風險中值（低風險組）。對每一組商業銀行計算基于市值加權的平均收益率，并用高風險組得到的收益率減去低風險組得到的收益率，進而得到傳染風險因子（HLCR）收益率。本文在Fama三因子模型基礎上，將傳染風險引入回歸分析模型：

表1 各個商業銀行HLCR系數估計結果

由于本文在進行回歸分析時已將無風險利率減掉，因此常數項表示剔除四類風險因子之后的由于非系統沖擊所導致收益率。如果常數項顯著，則說明還有其他非系統沖擊影響商業銀行股票收益率；常數項不顯著，說明非系統沖擊可以忽略不計。從表2可以看出，對于HLCR系數估計顯著的商業銀行，有一半以上的商業銀行常數項估計不顯著。在城市商業銀行中，北京銀行常數項估計值不顯著；國有大型商業銀行中農業銀行、工商銀行和中國銀行的置信區間出現了零值；股份制商業銀行中，平安銀行、浦發銀行、招商銀行和興業銀行的置信區間出現了零值。此結果說明，雖然傳染風險雖然不能完全解釋商業銀行股票收益率除去Fama三因子模型所能夠解釋的剩余部分，但也說明傳染風險是影響商業銀行股票收益率的重要風險因子之一。

表2 常數項估計結果

四、結論

2008年金融危機爆發后，實施宏觀審慎監管成為全球金融監管當局的共識。而宏觀審慎監管主要關注商業銀行的系統性風險，而傳染風險無疑是能夠引發系統性風險的主要來源之一。以往對于傳染風險的研究往往使用資產負債表數據，因此不可避免的面對數據不足的問題。本文的主要貢獻在于，本文使用商業銀行股票市場收益率數據，使用Kalman濾波方法，測度每家商業銀行對不包含此商業銀行的其他商業銀行所組成的整體的傳染風險。同時，本文將傳染風險因子納入Fama三因素模型進行實證分析，實證結果表明，整體上商業銀行傳染風險能夠被我國股票市場顯著的定價；國有大型商業銀行和大型股份制商業銀行的傳染風險被股票市場顯著定價；而大多數中小城市商業銀行由于傳染風險較低，股票市場沒有對其進行定價。雖然傳染風險雖然不能完全解釋商業銀行股票收益率除去Fama三因子模型所能夠解釋的剩余部分，但也說明傳染風險是影響商業銀行股票收益率的重要風險因子之一。