供給側結構性改革降低了中國系統性金融風險嗎？

淳偉德 朱航聰 黎禾森 張鶴立

摘 要：防范系統性金融風險歷來是各國政府的重要任務之一。為了探究供給側結構性改革是否有效降低了系統性金融風險，本文從風險傳染視角出發，以供給側結構性改革提出時間為節點，分成三個時間窗口運用ARMA EGARCH t模型和EVT POT模型對股票市場、外匯市場、債券市場的邊緣分布進行建模，隨后運用Vine Copula模型分析了金融子市場間相依性的變化。實證結果表明，供給側結構性改革對于金融市場間的風險傳染改善程度有限，對于系統性金融風險的降低還不明顯。為了更好地凸顯供給側結構性改革的成效，適應新發展格局，我國應繼續堅定不移地推進供給側結構性改革的深化。

關鍵詞：系統性金融風險;供給側結構性改革;相依性;copula

中圖分類號：F830.2文獻標識碼：A文章編號：1003 5192（2021）04-0038-07doi：10.11847/fj.40.4.38

Abstract：Preventing systemic financial risks has always been one of the important tasks for governments. To explore whether supply side structural reform has effectively reduced the systemic financial risk， this paper embarks from the perspective of risk contagion， takes the time when the supply side structural reform are proposed as the node， and divides into three time window using ARMA EGARCH t model and EVT POT model on the edge of the stock market， foreign exchange market， bond market distribution model， then using the Vine Copula model analyzes the dependence between financial sub markets. The empirical results show that the supply side structural reform has limited improvement in risk contagion among financial markets， and the reduction of systemic financial risks is not obvious.In order to better highlight the effect of supply side structural reform and adapt to the new development pattern， China should continue to unswervingly promote the deepening of supply side structural reform.

Key words：systemic financial risk; supply side structural reform; dependence; copula

1 引言

改革開放40多年以來，中國經濟不斷高速增長，取得了很多驚人的成就，已經成為了名副其實的經濟大國。然而，中國經濟進入新常態以來，供給端的生產成本優勢在逐漸喪失，需求側出現缺乏高質量投資、消費需求低迷等問題，這些結構性矛盾引起了經濟的失衡。而傳統對需求側的管理是針對需求總量進行調控，不易深入至結構，具有相當的局限性。據此，中央適時提出了供給側結構性改革，以“三去一降一補”為著力點，在供給側對經濟結構進行優化。其中去杠桿旨在降低我國各個經濟部門的杠桿率。歷史事件及文獻表明，金融部門的高杠桿率會放大金融系統遭受的風險沖擊[1]，同時，高杠桿率會使得金融系統間的相依關聯結構變得更加錯綜復雜，這表明若單個潛在的風險源爆發，會通過金融系統間的相依結構進行傳染，這種傳染性與金融系統間的相依關系密切相關：相依性強，表明風險更易由一個市場傳染至另外一個市場，引發關聯動蕩，使金融體系穩定性降低，甚至引起金融危機的萌芽。眾所周知，金融危機會給一個國家或地區造成相當嚴重的破壞，不僅會對經濟造成嚴重的打擊，甚至還會危及社會的穩定。近百年以來，縱觀國外，無論是1929年的美股大崩盤、1997年的亞洲金融危機還是2008年的次貸危機，都將金融危機對于經濟和社會的破壞性體現得淋漓盡致。

金融危機是系統性金融風險爆發的必然結果。因此，對系統性金融風險進行研究，對杜絕金融危機具有重要意義。目前，國內外對系統性金融風險的定義沒有一個統一的共識。威廉·夏普于上世紀60年代最早對微觀上的系統性風險進行了定義，即證券市場中不能通過分散投資予以減小風險。宏觀上，國際上具有代表性的定義有以下三種：一是從風險傳染的角度，即單個事件通過關聯結構以多米諾骨牌效應傳導而導致整體系統損失乃至崩盤[2，3];二是從風險危害程度及范圍的角度，即對大范圍金融機構造成損害;三是從對實體經濟影響的角度，即對實體經濟造成嚴重危害。國內學者認為系統性金融風險具有傳染快和波及廣等特征[4]，能夠通過機構間關聯網絡進行擴散[5]，是金融體系的內在脆弱性和外部因素相互作用的結果[6]。綜上，本文認為系統性金融風險是由單個事件積累的潛在風險爆發，通過金融系統間的復雜相依結構進行傳染，并引發金融市場劇烈動蕩、經濟嚴重受損，最終給國家和社會帶來嚴重的后果。基于以上分析，本文將聚焦于對金融市場間的相依結構進行研究，以此探討供給側結構性改革對于降低系統性金融風險的成效。

股票市場、外匯市場和債券市場作為金融市場的三個重要組成部分，其間的相依結構和風險傳染，關乎著金融市場乃至整個國家金融系統的安全平穩運行，在當前供給側結構性改革逐步推進所帶來的債務違約率上升等風險沖擊的背景下，提高對金融子市場之間的相依關系的認識，對這三個金融子市場的相依關系進行準確刻畫將有助于國家提高風險管理水平，避免系統性金融風險的發生。

金融市場間的相依關系和風險傳染一直是理論界和實務界探討的熱點問題。迄今為止，已有大量文獻取得了很多有價值的研究成果。劉慧悅[7]運用了DDC GARCH模型分析了國際金融市場的動態關聯性。劉璐和韓浩[8]運用了一元和二元VAR BEEK GARCH模型分析了保險市場和銀行市場間的風險溢出效應。Baur[9]運用了Granger因果檢驗法分析了8個發達國家股市與債市之間的因果關系。侯縣平等[10]運用了Granger因果檢驗法對金融危機前后債券市場和股票市場的風險傳染效應進行了研究，發現金融危機使市場間的風險傳染效應顯著增強。張秀艷等[11]研究發現中國可轉債市場與股票市場存在長期均衡的協整關系。然而，上述研究方法存在著不足：GARCH族模型需假設研究對象服從同分布，較現實情況有所偏差;Granger因果檢驗未能對金融市場間的非線性關系進行研究;協整檢驗是對金融市場間長期均衡關系的研究，難以處理短期關系。自張堯庭[12]在2002年將Copula引入大家的視線后，運用非線性的Copula函數進行研究的學者便多了起來。徐凱等[13]運用了時變混合Copula分析了大中華區股票市場間的風險傳染效應，得出了風險傳染在不同時期不同地區的關系不同的結論。淳偉徳等[14]運用了混合Copula分析了亞洲股票市場間的極端風險傳染，發現中國股市對其他股市的極端風險傳染顯著。張艾蓮和靳雨佳[15]運用了混合Copula模型研究了股票市場與外匯市場的風險外溢，研究結果表明股票市場與債券市場呈現出非對稱尾部相依結構，且上尾相依性更為顯著。張幫正等[16]運用Vine Copula刻畫了多市場的相關性，并著重分析了在一個市場條件下的其他市場尾部相關性，有利于構建合理的投資組合。雖然現有研究已經構建起了一些研究金融市場相依關系及金融風險傳導的方法，但上述研究成果沒有以供給側結構性改革為背景，更沒有通過對改革不同時期的對比來體現供給側結構性改革的成效，從而無法回答供給側結構性改革是否降低了系統性金融風險。

綜上所述，為了更好地分析供給側結構性改革前后中國系統性金融風險的變化，本文以供給側結構性改革提出的時間為切入點，分成三個時間窗口對中國金融市場三大子市場，即股票市場、外匯市場和債券市場，運用ARMA EGARCH t模型與EVT POT模型對其邊緣分布進行建模，隨后運用Vine Copula理論分析其不同時間窗口相依關系的變化，以此探究系統性金融風險在供給側結構性改革前后的變化，從而在實證層面分析供給側結構性改革的成效，并能更好地說明供給側結構性改革在防范系統性金融風險上的作用。

2 模型設定

2.1 邊緣分布構建

金融市場常常表現出尖峰、有偏、自相關性、波動聚集等典型事實，因此在對邊緣分布進行建模時要能將這些典型事實進行刻畫。本文首先采用了ARMA EGARCH t模型對各個市場的對數收益率進行建模，該模型能夠很好地對變量的自回歸、異方差性和杠桿效應進行刻畫

為了更細致地分析改革進程中各金融市場的相依關系變化，本文將 樣本細分為三種時間窗口進行研究：時間窗口一為[t-1，t+1]、時間窗口二為[t-2，t+2]、時間窗口三為[t-3，t+3]。其中供給側結構性改革提出時間表示為t，括號中數字單位為年。

描述性統計結果表明，在三個市場中，股票市場收益率序列具有最大的標準差，表明其波動性較大，漲跌較為劇烈，而債券市場標準差較小，表明其運行較為平穩。同時，J B統計量表明，各市場各時期收益率在1%的顯著性水平上不服從正態分布;同時峰度均顯著大于3，即呈現出尖峰厚尾特征。

3.2 邊緣分布構建

本文首先采用了ARMA EGARCH t對邊緣分布進行過濾，參數估計結果如表1所示，其中條件均值方程依據AIC準則選取階數。

若要運用EVT方法，則要求序列近似滿足i.i.d.的條件，需對標準化殘差序列進行BDS檢驗來判斷其是否獨立同分布，因此本文對于標準化殘差序列進行了BDS檢驗，檢驗結果表明，在1%的顯著性水平下，我們上文得到的標準化殘差序列不能拒絕i.i.d.的假設，因此可以使用EVT POT模型對標準化殘差序列建模。

使用極值理論需要確定一個尾部閾值μ，而如何確定該值還沒有一個統一的定論。若閾值μ過大，則超過該閾值的數據樣本就越少，使得估計精度較低，還可能會使得參數估計的方差變大;若閾值μ過小，雖然因此獲得的數據樣本較多，但會增強數據樣本的中心分布特征，使參數估計值偏離。目前對于選取閾值μ的方法有圖解法，即根據樣本的超限期望函數圖或Hill圖來確定;除此之外還有計算法，如峰度法、厚尾分布與正態分布相交法等。DuMouchel[21]選取了10%的樣本量作為極值，從而確定閾值進行研究，取得了較好的效果。因此，本文選取各市場數據的10%作為極值進行擬合，對于上下尾部之間的部分則采用核平滑方法進行處理，結果如表2所示。

在對各市場尾部數據進行擬合后，需要對擬合后的數據進行K S（Kolmogorov Smirnov）檢驗來判斷數據是否符合（0，1）上的均勻分布，以此符合Copula函數的建立條件。檢驗結果表明，各時期各市場的序列都符合在（0，1）上的均勻分布。

3.3 Vine Copula模型分析

為了便于敘述，選用編號1來代表股票市場，編號2來代表外匯市場，編號3來代表債券市場。根據前節相應模型過濾得到的各市場的邊緣分布，基于AIC準則選取最適合的兩元Copula函數并結合Vine Copula模型獲得了兩兩市場的非條件相依性和在一個市場條件下兩個市場的條件相依性。結果如表3所示，相依系數為kendall秩相依系數，其中N、T和F分別是對稱的Normal copula、Studentt copula和Frank copula，C代表對下尾敏感的Clayton copula，G和J分別是對上尾敏感的Gumbel copula和Joe copula，SC代表Clayton copula旋轉了180度，SJ代表Joe copula旋轉了180度，RC 90和RC 270代表Clayton copula分別旋轉了90度和270度，RJ 90和RJ 270代表Joe copula分別旋轉了90度和270度，RBB7 270代表BB7 copula旋轉了270度，RBB8 90代表BB7 copula旋轉了90度。

由于系統性金融風險具有強傳染性和強關聯性等特征，同時結合本文對其定義，若在供給側結構性改革前后，各市場間的相依系數減小，代表一個市場出現風險而傳染至另一個市場的可能性下降，表明系統性金融風險發生的可能性也下降，由此可以說明供給側結構性改革對于降低系統性金融風險取得了較好成效。

結合表3中的相依系數的變化，可以發現：股市與匯市之間除開在時間窗口一的后期其相依性為正，其余時期均為負相依關系。這表明僅在15～16時期，股市上漲與人民幣貶值是同向變化。股市與債市之間的非條件相依性在時間窗口一由正變為負，結合條件相依性進行分析，發現在時間窗口一的前期股市與債市的條件相依性不同于非條件相依性，表明在以匯市為條件市場的情況下，股市與債市呈現反向運行。在時間窗口二，股市與債市的非條件相依性和條件相依性均處于同一形態，但相依系數的數值在不斷提升，表明股市與債市間的相依性在不斷提升。在時間窗口三股市與債市的相依性則在降低。

通過對相依性的分析，可以探究到在不同時期內金融市場運行存在的問題，進而對供給側結構性改革的成效進行分析。2016年是“十三五”規劃的開端之年，也是供給側結構性改革提出后的首年，在新常態的背景下，經濟增長面臨著種種困難和挑戰。對于在時間窗口一的后期，股市與匯市的相依性出現的特殊情況，即相依性變化為正，表明出現股市上漲而人民幣反而貶值的情況。通過查詢我國貨物出口總額發現，2016年出口量較去年減少了兩千多億元人民幣，然而2016年人民幣卻處于貶值趨勢，理論上這會使我國出口量增加。究其原因，本文認為這是由于“去產能”還處于布局階段，會給企業帶來較大不確定因素，因此造成了短暫的出口減少，2017年和2018年出口量的攀升則表明貿易活動得到了較大改善。后續時窗期間股市與匯市的相依性在不斷降低，兩個子市場間的聯動性有所下降，表明系統性金融風險也在不斷減小。然而，股市與債市相依性的上升且出現正負相依性反復波動的情況，這表明此子市場間的風險傳染在增強，加劇了系統性金融風險在此間傳導的可能性。究其原因，本文認為這是因為隨著供給側結構性改革的不斷推進，去杠桿的過程不可避免地會帶來債務違約率上升、“僵尸企業”涌現等風險沖擊，從而給股市與債市的運行帶來了很大程度的不確定性。債市與匯市間的相依程度在不同時窗的變化較為輕微，表明在當前供給側結構性改革對于降低債市與匯市間的風險傳染還不明顯。

4 結論與啟示

本文以中國股票市場、外匯市場和債券市場為研究對象，通過構建ARMA EGARCH t和EVT POT模型對各市場邊緣分布進行建模，將得到的序列經概率積分轉換后運用Vine Copula模型分析了供給側結構性改革前后不同時間窗口中國金融子市場之間的相依性變化。研究結果表明，供給側結構性改革在當前對于金融子市場間的風險傳染程度改善不一，降低了股市與匯市的風險傳染，而對于股市與債市、債市與匯市的風險傳染降低較不明顯，表明系統性金融風險未能同時在這三個金融子市場間得到顯著改善。

供給側結構性改革是為了保障我國經濟長期健康運行而制定的國策，從長遠來看將有助于提升我國經濟系統的穩健性，也有助于我國經濟高質量發展。但就短期而言，供給側結構性改革的不斷推行會使得經濟金融中隱含的風險顯現，帶來一定的危害和不確定性。本文的研究也發現在當前供給側結構性改革的進程中，我國金融子市場之間的風險傳染沒有整體顯著下降，表明金融風險通過其間的相依結構進行傳染而造成系統性金融風險爆發的不確定性仍值得密切關注。

守住不發生系統性金融風險的底線，是國之大事，也是供給側結構性改革的重要一環。在當前供給側結構性改革對于降低系統性金融風險成果有限的局面下，為了更好地凸顯供給側結構性改革的成效，我國應堅定不移地推動改革的進一步深化，以“三去一降一補”為著力點，對經濟結構中失衡的地方進行有效調整。與此同時在金融市場中要逐步消除股市中存在的不合理高杠桿行為，逐漸剔除泡沫，避免股市出現暴漲暴跌現象而帶來劇烈風險;要對債市中債券的運行進行監控，避免其受到改革的短期影響而出現違約情況，從而確保債市的平穩運行;也要保持我國人民幣匯率相對穩定，避免資本過度流動而帶來的風險。將金融風險在相依結構中傳染前將其有效防范，會更加有利于供給側結構性改革對我國系統性金融風險的化解。此外，推進改革深化也有助于有效疏通國內經濟大循環的堵塞點，為構建新發展格局提供有力支撐，從而逐步提升經濟發展質量并改善金融市場運行，讓系統性金融風險沒有誕生的土壤。系統性金融風險得到有效消除是我國金融市場平穩運行的保障，只有金融穩，才能讓金融更好地服務于實體經濟，從而改善我國經濟結構，使經濟得以高質量增長。

參 考 文 獻：

[1]Caballero R J， Krishnamurthy A. Global imbalances and financial fragility[J]. American Economic Review， 2009， 99（2）： 584 588.

[2]Kaufman G G. Bank failures， systemic risk， and bank regulation[J]. Cato Journal， 1996， 16（1）： 17 -45.

[3]Hart O， Zingales L， How to avoid a new financial crisis[R]. Working Paper， University of Chicago， 2009.

[4]張曉樸.系統性金融風險研究：演進、成因與監管[J].國際金融研究，2010，（7）：58 -67.

[5]王朝陽，王文匯.中國系統性金融風險表現與防范：一個文獻綜述的視角[J].金融評論，2018，10（5）：100 113，125 126.

[6]陶玲，朱迎.系統性金融風險的監測和度量——基于中國金融體系的研究[J].金融研究，2016，（6）：18 36.

[7]劉慧悅.基于DCC GARCH模型的新興市場金融傳染效應檢驗[J].統計與決策，2016，（12）：151 155.

[8]劉璐，韓浩.我國保險市場與銀行市場間的風險溢出效應研究——基于上市銀行和保險公司的實證分析[J].保險研究，2016，（12）：3 14.

[9]Baur D G. Stock bond co movements and cross country linkages[J]. International Journal of Banking， Accounting and Finance， 2010， 2（2）： 111 129.

[10]侯縣平，黃登仕，徐凱，等.金融危機對中國證券市場傳染效應的影響[J].系統工程學報，2015，30（3）：331 343.

[11]張秀艷，張敏，閔丹.我國可轉換債券市場與股票市場動態傳導關系實證研究[J].當代經濟研究，2009，（8）：52 55.

[12]張堯庭.連接函數（copula）技術與金融風險分析[J].統計研究，2002，（4）：48 51.

[13]徐凱，潘攀，曹雅晴.基于時變混合Copula的金融市場傳染效應研究[J].軟科學，2015，29（8）：135 139.

[14]淳偉德，付君實，趙如波.基于混合Copula函數的金融市場非線性極端風險傳染研究[J].預測，2015，34（4）：53 58.

[15]張艾蓮，靳雨佳.股票市場和外匯市場極端風險的非對稱外溢[J].西安交通大學學報（社會科學版），2020，40（5）：30 36.

[16]張幫正，魏宇，余江，等.基于EVT Vine copula的多市場相關性及投資組合選擇研究[J].管理科學，2014，27（3）：133 144.

[17]Balkema A A， De Haan L. Residual life time at great age[J]. Annals of Probability， 1974， 2（5）： 792 -804.

[18]Pickands III J. Statistical inference using extreme order statistics[J]. The Annals of Statistics， 1975， 3（1）： 119 131.

[19]Sklar M. Fonctions de repartition an dimensions et leurs marges[J]. Publ Inst Statist Univ Paris， 1959， 8： 229 231.

[20]Joe H. Families of m variate distributions with given margins and m（m 1）/2 bivariate dependence parameters[J]. Lecture Notes Monograph Series， 1996， 28： 120 141.

[21]DuMouchel W H. Estimating the stable index α in order to measure tail thickness： a critique[J]. The Annals of Statistics， 1983， 11（4）： 1019 1031.