互聯網金融對商業銀行風險溢出效應研究

郭柳含 單勇霖 張芮嘉

（吉林財經大學，吉林 長春 130000）

一、引言

互聯網金融作為一種新型金融業務模式，從上市之初就備受關注，褒貶不一。因其雖加速了金融脫媒的進程，但同時也存在管理弱、風險大等問題。從2015年開始，互聯網金融的理財平臺風險爆發，各種問題層出不窮，時至今日，互聯網金融風險已經成為國內學者關注的焦點問題之一。

關于互聯網金融對商業銀行的影響，經驗研究和理論研究結論尚未統一。一是認為應用互聯網金融有助于商業銀行發展。代婉瑞等（2020）研究得出，互聯網金融與商業銀行風險存在不對稱的正向風險溢出。二是認為互聯網金融對商業銀行有消極的影響。Claessens等（2012）、章連標等（2013）表示互聯網金融會影響商業銀行經營模式從而增加商業銀行風險。

在對金融市場間風險溢出的測度方面，Adrian（2009）為衡量危機后金融市場間的風險溢出效應，提出了CoVaR模型。陳珂等（2017）研究互聯網貨幣市場基金和金融市場的風險溢出效應引入了GARCH-CoVaR模型。Sklar（1959）最先提出Copula模型，其廣泛運用于刻畫變量間的相依結構。Patton（2006）通過二元Copula模型研究三國匯率收益率相關關系，結論看出Copula可以用于刻畫非對稱相依的金融市場。而后有大量學者將CoVaR與Copula模型相結合度量金融市場間的風險溢出效應。王帥等（2019）構建動態Copula-CoVar模型考量影子銀行和金融市場之間的風險溢出效應。

本文承襲前人的研究方法，采用最新的數據，研究互聯網金融在極端風險下對各類商業銀行的風險溢出程度。

二、互聯網金融對商業銀行的風險影響途徑

互聯網金融為民眾提供了多樣的理財手段與儲蓄方式，同時也加大了銀行的經營壓力。以市場中的各類活期理財產品為例，此類產品起點低、風險低、操作便捷，其收益率與銀行定期存款利率相差不多，但是靈活性卻比銀行定期存款高很多。這些理財產品多是各個基金公司發行的貨幣市場基金，借助互聯網金融平臺能夠使民眾很方便地申贖?；ヂ摼W理財產品的出現吸收了一部分銀行客戶，加之利率市場化進程的推進，使得商業銀行傳統負債業務拓展面臨著巨大壓力。

除此之外，由于互聯網金融蠶食了銀行的部分客戶，中小銀行可能會選擇風險較高的客戶來拓展自己的貸款業務，從而維持原有的盈利能力，由此給銀行的信用風險防控帶來很大壓力。商業銀行與互聯網金融平臺的合作也會放大銀行的風險。銀行為了拓寬自身的盈利渠道，會借助互聯網金融平臺的獲客渠道，通過向互聯網金融平臺提供資金來發放聯合貸款。而目前我國互聯網金融平臺良莠不齊，而一旦這些網上金融平臺出現違約，風險必然會通過信用渠道向銀行傳導，致使銀行出現嚴重的風險，進而對銀行業經營穩定性造成沖擊。而對上市銀行而言，互聯網金融對銀行經營的沖擊除了會削弱銀行的盈利能力，還會加大銀行股價的波動性，在一定程度上影響銀行板塊的穩定性。

三、模型介紹

1.VaR模型

VaR又稱在險價值，指的是金融主體或金融市場在某一特定置信區間水平下可能發生的最大損失值，其一般表達式為：

2.CoVaR模型

CoVaR模型，又稱為條件在險價值，是指在某一置信度水平下，當某一金融主體發生極端風險時，其他金融主體可能產生的最大風險，其表達式為：

Girardi等（2013）對CoVaR模型進行了改進，并且定義了風險溢出值CoVaRqy|x，其表達式為：

3.GARCH-CoVaR模型

GARCH模型又被稱為廣義自回歸條件異方差模型，是由Bollerslev（1986）發展起來的。GARCH模型的發展很好地解決了金融數據中由于“波動率的集聚性”所造成的異方差的問題，并且在預測數據的波動性和均值方面有很好的效果。其表達式為：

上式中：利用ARMA模型進行修正，具體的滯后階數由估計得出的模型中的擬合優度及顯著性水平來確定，選擇式（6）標準GARCH 模型進行在險價值VaR 的計算，其中隨機擾動項采用偏t分布。在計算VaR時，利用GARCH模型進行相關參數預測估計，由此根據式（1），可將式（5）寫為如下形式：

由于擾動項μx服從學生t分布，故式（1）可寫為以下形式：

在上式中：μx為GARCH模型一步向前預測的均值；σx為一步向前預測的條件均值； Q（q）為置信水平q下的分位數。

在計算CoVaR 時，同樣利用GARCH 模型進行CoVaR的計算，模型構建如下：

四、實證分析

1.指標選取與數據處理

本文選取中證互聯網金融指數來刻畫互聯網金融的風險狀況，該指數由中證指數有限公司編制，選取與互聯網金融相關的代表性滬深A股作為樣本股。數據來源于Wind數據庫。商業銀行選取了5家國有商業銀行和9家股份制商業銀行，根據其性質不同劃分為兩組，分別測算互聯網金融對國有商業銀行和股份制商業銀行的風險溢出程度。商業銀行數據來源于國泰安數據庫。

本文的數據選取的是2016年1月29日至2020年12月31的互聯網金融指數和商業銀行的日收盤價作為樣本數據，數據為工作日數據，刪掉了個別日缺失的收盤價數據，三種指標分別含有1198個數據。將三組序列的每日收盤價除以前一日的收盤價，記為互聯網金融與商業銀行的收益率序列，為了解決計算的誤差問題，因此將三組收益率序列取對數，即=ln(Pt)-ln(Pt-1)，其中Pt為第T日的收盤價，Pt-1為第T-1日的收盤價，γt為第T日的收益率。其對數收益率的描述性統計見表1。

表1 收益率序列描述性統計

根據表1數據，三序列的標準差都偏大，說明皆具有一定的波動強度，根據其偏度和峰度的統計值來看，三序列均呈現了尖峰厚尾的特征，符合了金融時間序列的一般特點。最后，因為其JB統計量和P值均為0，拒絕了正態分布的假設，所以三組序列均不服從正態分布，因此在后續建模過程，本文選取適用于尖峰厚尾分布的t分布。

2.收益率序列波動性研究

因為ARMA-GARCH模型中要求使用平穩的時間序列數據，若收益率序列不平穩會造成在回歸分析中出現偽回歸的現象。因此使用ADF單位根檢驗判斷序列是否平穩，根據ADF檢驗結果可以判斷，三組收益率序列均為平穩時間序列，因此可以進行ARMA-GARCH模型的建模。

通過觀察互聯網金融、國有銀行和股份制銀行的最優滯后階數，根據AIC準則和SC、HQ比對，最后選擇GARCH（2，1）模型，根據結果可以判斷出：ω、α的值均大于0，因此三種行業的收益率波動是具有從集性和波動性的，各參數系數都和統計檢驗量都十分顯著，因此通過了顯著性檢驗。

五、結果分析

根據GARCH模型中得到的自由度以及5%的顯著性水平可以計算出相應的t值，然后根據式（10）計算出VaR值，如表2所示，在5%的顯著性水平下，國有銀行的VaR值相對較小，股份制銀行和互聯網金融的VaR值偏大，這符合互聯網金融與股份制銀行起步晚發展慢的事實。

使用恰當的GARCH模型，對互聯網金融指數日收益率與之前計算得出的各個銀行的VaR進行擬合，可以得到最終選用的模型為ARMA（1，1）-GARCH（2，1）模型，計算出t-copula數值后，通過式（12）計算出CoVaR的值，根據（4）式可求出。結果如表2所示。

表2 互聯網金融與商業銀行風險情況

六、結論與啟示

通過研究本文共得出以下結論和啟示。

從三序列VaR值看，互聯網金融的風險水平高于國有銀行，與股份制銀行持平，國有銀行中風險最小的是建設銀行和工商銀行，風險最大的是中國銀行。因為互聯網金融發展起步晚，各種制度仍不健全，并且作為新興行業尚未成熟，所以自身的風險值會偏大。

根據風險溢出值判斷，風險溢出程度最大的是國有銀行，其中對建設銀行和工商銀行的風險溢出程度最大，建設銀行和工商銀行自身的風險最小，由此可見商業銀行自身的風險大小與受互聯網金融的風險溢出程度成反比。究其原因，是因為互聯網金融造成的系統性風險對于自身風險小的銀行反而突顯其受影響的程度之大。股份制銀行也可再次驗證這一結論，股份制銀行本身風險大，但是其風險溢出值偏小。

基于上述結論，本文從政府、互聯網金融行業及商業銀行三個角度提出建議。政府可以通過提供政策上的支持作為鼓勵和引導，如減稅降負、增加政企合作，另外政府應當盡快完善法律法規、加強監管，提高行業的準入機制。商行在加強自身的風險管控，提升自身的抗風險能力的同時，也要建立諸如互聯網金融業等外部風險溢出的預警機制?；ヂ摼W金融企業把握住AI、大數據等互聯網技術，回歸技術服務，減少操作風險和網絡技術安全風險發生的可能性。