中國金融機構系統性金融風險研究

林維維 李莉莉

摘要：為了厘清金融機構間的風險傳染效應，基于滬深上市77家金融機構的日度股票收益率構建分位數回歸的CoVaR模型，度量金融機構系統性風險水平，采用網絡拓撲分析法建立風險傳染網絡。研究結果表明，證券、銀行、保險對系統性金融風險的影響較大，隨著中國金融的不斷發展，多元金融對系統性金融風險的貢獻增加;規模越大的機構更容易成為風險來源;由于業務關聯程度增加，中小規模金融機構在機構風險傳染網絡中的地位不容忽視。

關鍵詞：CoVaR;系統性金融風險;風險溢出;網絡關聯

中圖分類號：F832.59???????? 文獻標志碼：A

自2008年金融危機后，系統性風險受到廣泛關注。學術界和監管者發現僅僅關注個體金融機構的風險并不足以防范金融危機，開始關注系統性金融風險研究。系統性風險是導致眾多市場參與者同時受到損失，且損失又擴散到整個系統的風險[1]，一旦發生，危害將波及整個系統。準確測度系統性風險有助于監管機構高效防控系統性金融風險爆發。目前系統性金融風險測度方法有條件在險價值（Conditional Value at Risk， CoVaR）[2]、邊際期望損失（MES）[3]、資本缺口法（SRISK）[4]等。這些方法基于市場公開數據測度金融機構系統性風險，既各有優勢，亦有局限性。CoVaR側重于從金融機構的日常交易數據（如股票市場收益等）度量系統性風險，邊際期望損失和資本缺口法側重于從系統性風險成因（比如機構在危機中面臨的資本短缺等）度量系統性風險。相較于后兩種方法，CoVaR數據更易獲取且系統性風險預測能力較好，能捕捉金融機構的極端風險[5-8]，容易擴展成高維和非線性的情形[9]。CoVaR雖能較好測度系統性風險，但未考慮金融機構間的風險傳染效應，而網絡關聯可以利用機構特征刻畫機構間的風險傳染關系。眾多學者從網絡關聯視角出發，通過網絡拓撲分析構建風險溢出網絡[10]，分別識別了金融市場[11]、金融部門[12-14]以及行業[15]的風險來源中心。研究發現在全球系統性金融風險傳遞中，中國內地金融市場是風險溢出的凈輸入者[11]。網絡拓撲可以識別出風險溢出機構，銀行類金融機構在行業風險網絡中承擔風險穩定器的功能[16]。因此，從網絡關聯角度研究系統性風險，能更加準確地識別系統重要性金融機構，更有效地刻畫系統性風險。隨著金融行業混業經營趨勢日益明顯，特別是房地產行業與其他行業關聯性增強[17]，金融機構跨部門風險傳染不可忽視。本文選取銀行、證券、保險、房地產、多元金融作為系統性風險的研究對象，基于CoVaR從網絡關聯的角度探討金融機構的系統性金融風險與風險傳染關系，識別系統重要性金融機構。

1 度量方法及數據說明

1.1 基于分位數回歸的CoVaR模型

基于CoVaR度量單個機構陷入危機時對其他金融機構的風險貢獻，探究金融機構在危機期間的關聯效應。考慮到金融機構收益率的尖峰、厚尾特征，選擇分位數回歸[2]，CoVaR的表述為

P（Xj，t≤CoVaRj|i，t，q|Xi，t=VaRi，t，q）=q（1）

Xj，t=αj|i，q+βj|i.qMt-1+γj|i，qXi，t+εj|i，q（2）

CoVaR∧j|i，t，q=α∧j|i，q+β∧j|i，qMt-1+γ∧j|i，qVaR∧i，t，q（3）

其中，Xi，t=ln（Pt/Pt-1）代表金融機構i在t時刻的對數收益率;Pt為樣本股票日收盤價;Mt-1表示t-1時刻反映整體經濟狀況的宏觀狀態變量;α、β和γ為待估參數，其中αj|i，q為q分位數下的截距項，βj|i，q表示q分位數下宏觀狀態變量對金融收益率的影響系數，γj|i，q表示q分位數水平下機構i對機構j的風險溢出系數;α∧、β∧和γ∧為對式（2）進行分位數回歸得到α、β、γ的估計值;VaRi，t，q為機構i在t時刻q分位數的在險價值，對于極端情況下的VaR，取q=0.05。

1.2 金融機構間網絡傳染模型

基于分位數回歸的CoVaR模型計算風險溢出值ΔCoVaR，構建金融機構間風險傳染網絡，金融機構間的風險溢出關系見表1。

當該值為正時，說明機構i對于機構j的風險溢出水平大于風險溢入水平，為風險凈溢出機構;當該值為負時，說明該機構為風險凈溢入機構。風險溢出關系表中，“FROM”所在列的元素表示機構i受到其他所有機構的風險傳染效應，“TO”所在行的元素表示機構j對其他所有機構的風險傳染效應。

1.3 數據來源及統計特征

考慮中國金融機構的組成及數據可得性，選取了涵蓋銀行、證券、保險、多元金融（從事綜合金融服務、消費信貸和資本市場等業務的機構）和房地產五個部門的77家滬深上市金融機構，其中銀行15家，保險4家，證券19家，多元金融6家，房地產33家。為有效反映中國金融市場發展狀況，避免2020年新冠肺炎類似突發公共衛生事件對金融市場的影響，將樣本區間定為2015年1月1日至2019年12月31日，計算樣本股票收益率得到1 219個交易日數據。采用上證綜合指數的日收益率衡量金融系統的收益率。受篇幅限制，表2僅展示樣本中各部門規模排名前六金融機構。

本文選取6個宏觀狀態變量[2]：股票市場波動率，用上證綜指指數回報率的增長變動率的絕對值表示，反映股票市場波動情況;3個月國債收益率的增長率，代表債券市場景氣程度的變化;10個月國債與3個月國債收益率之差，反映金融市場流動性;同期10年期國債與10年期AAA企業債收益率之差和上一期10年期國債與10年期AAA企業債收益率之差的差值反映違約風險;7天銀行同業拆借利率反映短期資金流動性;上證房地產指數對數收益率反映房地產行業景氣程度。原始數據均源于CSMAR數據庫。

通過各金融機構收益率及金融系統收益率的描述性統計分析，發現金融機構及金融系統收益率呈現左偏或右偏，且峰度系數大于3，即不服從正態分布，具有尖峰、厚尾的特征。收益率數據特征表明本研究更適用于分位數回歸刻畫金融機構、金融系統的尾部聯動效應。

2 實證研究

2.1 金融機構對系統性金融風險的CoVaR估計

首先采用分位數回歸研究77家金融機構對金融系統的影響，每家金融機構股票收益率和宏觀狀態變量對金融系統收益率的影響均采用式（2）進行回歸，結果顯示γ顯著為正，說明各金融機構的極端收益波動顯著影響金融系統收益，且與金融系統收益同方向波動。股票市場波動率的系數顯著為負，市場收益率波動會導致金融體系收益下降。除東北證券外，其他機構的3個月國債收益率增長率的系數均為負，但不顯著。10個月國債與3個月國債收益率之差的回歸結果中有61%顯著為負，表明當國債收益率的長短利差變大時，貨幣政策趨于收緊，宏觀經濟進入通貨緊縮階段，金融體系收益率隨之下降。68%的7天銀行同業拆借指標回歸結果為負，說明銀行間同業拆借利率上升時，會導致金融體系收益下降。反映違約風險指標系數顯著為負，表示違約風險上升會導致金融系統收益下降。房地產收益率指標的回歸系數顯著為正，表明房地產行業繁榮引發大量資金流向房地產行業，金融系統收益隨之增加。綜上，金融機構股票收益率和宏觀狀態變量能夠捕捉到金融系統收益的尾部變動，可以通過該模型計算金融機構對金融系統的風險貢獻值ΔCoVaR。

通過式（3）和式（4）計算各機構極端情況下的系統性金融風險及系統性風險貢獻值ΔCoVaR，各機構系統性金融風險貢獻值描述性統計分析如表3所示?？梢钥闯觯瑢ο到y性金融風險影響較大的是保險、銀行、證券。保險業在發展過程中，與其他金融機構業務聯系增加，業務經營范圍擴大，規模增大，當其發生極端事件時，極易引起其他金融機構發生風險，進而引發系統性風險。銀行在中國金融系統中占據重要位置，與其他機構的直接風險敞口和間接風險敞口都較大，一旦發生危機，風險將在金融系統內傳播擴散。中國股票市場發展較晚，各方面發展尚不完善。當股市利好時，證券機構由于傭金收入、特別是受到股票市場預期的推動而價格大漲，股價過度上漲是風險的隱患，泡沫一旦破裂會損害整個金融系統。影響金融系統風險排名前十的機構依次是寧波銀行、農業銀行、平安銀行、山西證券、太平洋證券、西南證券、湘財股份、興業證券、長江證券以及招商證券，即系統重要性金融機構，應該重點監控其風險水平。

2.2 金融機構間的風險貢獻

金融機構之間由于業務關聯或相互持有資產，在發生極端事件時，容易發生風險傳染效應。為此，構建機構兩兩之間的股票收益率分位數回歸，研究當某一機構發生極端事件時，對其他金融機構的影響。對外溢出、接受溢出以及凈溢出排名前十的金融機構見表4。從對外溢出來看，證券機構平均對外溢出水平較高，其次是保險和房地產。這可能由于證券機構經營范圍涵蓋高風險的融資融券業務，自身風險水平比較高。另一方面，隨著中國直接融資比重上升，證券機構逐漸成為其他機構獲得投融資的重要渠道，與其他機構的業務關聯加強，金融衍生品頭寸逐漸增多，但證券機構規范程度較弱，政府的監管力度不夠，其脆弱性逐漸凸顯。因此，證券機構一旦發生風險，將會波及業務關聯的機構。保險業在發展的過程中，與其他金融部門的業務不斷增加，規模增大，另外由于保險機構涉獵的領域不斷擴大也導致其對外溢出增大，例如中國平安橫跨保險、銀行、證券三大領域。2012年中國房價開始新一輪上漲，導致資金向房地產集中繼而促進了房價上漲。這不僅導致金融資源持續向房地產集中，也進一步增加了房地產機構面臨的風險。另外，參控股金融機構進入房地產行業，亦提高了房地產機構的風險水平。房地產機構自身風險水平的提高與外部關聯性的增強，增加了其風險對外溢出的可能性。

從接受溢出來看，房地產、保險機構受到的風險沖擊較大。房地產投資周期長、投資規模大，融資依賴于其他金融機構，因此房地產成為主要的接受溢出機構。此外，一些房地產機構通過控股方式參與到其他金融機構的經營，其系統性風險水平及跨部門關聯水平也會上升，增加了受到風險傳染的機會，例如，新湖中寶擁有銀行、證券、保險、期貨等多家金融機構的股權。

從凈溢出來看，華金資本的凈溢出值最大，達到2.490 5，而當其他機構處于極端事件時，華金資本受到的風險沖擊僅為0.362 6，也就是說，在系統發生危機時，華金資本更容易將自身危機蔓延，成為風險傳染源，通過影響其他機構的風險水平影響系統性風險。其余機構均是證券和房地產機構，即在系統發生危機時，證券和房地產機構極容易成為風險傳染源，影響其他機構的風險水平。

綜合風險溢出水平來看，房地產機構容易成為風險來源，也更容易受到風險沖擊。對外溢出和凈溢出值較大的金融機構均是規模較大券商和房地產機構，其業務經營領域寬泛，與其他機構的業務關聯較大，屬于系統重要性金融機構。

2.3 金融機構間的網絡傳染效應分析

基于計算的風險溢出值構建金融機構風險關聯矩陣，從規模、對外風險溢出和接受風險溢出的視角，分析金融機構的風險傳染情況。規模排名前六金融機構的關聯機構情況見表5?？芍ど蹄y行風險最容易傳至中國太保，而又容易受到中國平安影響，即中國平安發生危機時，極容易導致工商銀行發生風險。風險通過在機構之間傳導，進而影響整個系統。中國銀行、平安銀行、農業銀行的相互傳染力較強。對外溢出和接受溢出排名前十金融機構及關聯機構見表6。對外風險溢出最大的機構是北辰實業，其風險最容易傳至華夏幸福，同時又受到保利地產的風險沖擊，這三家機構均為房地產機構，風險容易在部門內部傳染。風險傳染較強的機構中房地產和證券機構占60%，銀行類機構占25%，因此，金融危機的發生不僅與銀行部門的機構有關，還有可能來自其他金融部門。對外溢出和接受溢出排名前十金融機構及關聯機構的風險傳染圖如圖1所示，北辰實業、泛?？毓?、華夏幸福在網絡傳染中扮演著風險傳播的角色，說明系統重要性金融機構不僅只有大型金融機構，規模較小但與系統緊密關聯的金融機構也有可能產生極大影響。

3 結論

本文基于分位數回歸的CoVaR模型和網絡拓撲方法，研究探討了2015—2019年77家金融機構的系統性風險與網絡傳染效應。研究結果表明，證券等傳統金融機構是系統性風險的主要來源。隨著金融業趨于混業經營，機構間的網絡傳染效應不容忽視。建議監控系統性風險除了重點防控傳統部門，應加強監控新興部門如多元金融及中小規模金融機構風險水平。金融機構系統性風險水平除了受到宏觀經濟環境的影響，也會受到其自身規模、資產負債率、杠桿水平等因素的影響。下一步研究在構建CoVaR模型時充分考慮微觀因素的影響，提升測度系統性風險水平的精準度。

參考文獻

[1]BENOIT S， COLLIARD J E， HURLIN C， et al. Where the risks lie： A survey on systemic risk[J]. Review of Finance， 2017， 21（1）： 109-152.

[2]ADRIAN T， BRUNNERMEIER M K. CoVaR[J]. American Economic Review， 2016， 106 （7）： 1705-1741.

[3]ACHARYA V V， PEDERSEN L H， PHILIPPON T， et al. Measuring systemic risk[J]. Review of Financial Studies， 2017， 30（1）： 2-47.

[4]BROWNLEES C， ENGLE R. SRISK： A conditional capital shortfall measure of systemic risk[J]. Review of Financial Studies， 2017， 30（1）： 48-79.

[5]陳建青， 王擎， 許韶輝. 金融行業間的系統性金融風險溢出效應研究[J]. 數量經濟技術經濟研究， 2015， 32（9）： 89-100.

[6]楊子暉， 陳雨恬， 謝銳楷. 我國金融機構系統性金融風險度量與跨部門風險溢出效應研究[J]. 金融研究， 2018（10）： 19-37.

[7]吳婷婷， 華飛， 江世銀. 中國金融機構系統性金融風險貢獻度的量化研究—基于極端分位數回歸的CoVaR模型[J]. 江西社會科學， 2020， 40（9）： 54-65.

[8]DENKOWSKA A， WANAT S. A tail dependence-based MST and their topological indicators in modeling systemic risk in the European insurance sector[J/OL]. Risks， 2020， 8（2）： 1-22[2021-11-21]. https：//www. webofscience.com/wos/alldb/full-record/WOS：000551226600034. DOI： 10.3390/risks8020039.

[9]張興敏， 傅強， 張帥， 等. 金融系統的網絡結構及尾部風險度量—基于動態半參數分位數回歸模型[J]. 管理評論， 2021， 33（4）： 59-70.

[10] DIEBOLD F X， YILMAZ K. On the network topology of variance decompositions： Measuring the connectedness of financial firms[J]. Journal of Econometrics， 2014， 182（1）： 119-134.

[11] 楊子暉， 周穎剛. 全球系統性金融風險溢出與外部沖擊[J]. 中國社會科學， 2018（12）： 69-90+200-201.

[12] BILLIO M， GETMANSKY M， LO A W， et al. Econometric measures of connectedness and systemic risk in the finance and insurance sectors[J]. Journal of Financial Economics， 2012， 104（3）： 535-559.

[13] 周天蕓， 楊子暉， 余潔宜. 機構關聯、風險溢出與中國金融系統性風險[J]. 統計研究， 2014， 31（11）： 43-49.

[14] 梁琪， 常姝雅. 我國金融混業經營與系統性金融風險—基于高維風險關聯網絡的研究[J]. 財貿經濟， 2020， 41（11）： 67-82.

[15] 任英華， 劉洋， 彭慶雪， 等. 中國系統性金融風險信息溢出者是誰—來自SRISK模型及網絡分析法的經驗證據[J]. 湖南大學學報（社會科學版）， 2021， 35（3）： 49-59.

[16] 陳少凌， 譚黎明， 楊海生， 等. 我國金融行業的系統重要性研究—基于HD-TVP-VAR模型的復雜網絡分析[J]. 系統工程理論與實踐， 2021， 41（8）： 1911-1925.

[17] 王守峰， 陳陽， 岑彩云. 中國房地產業與其他行業的關聯性—基于行業股價收益率的連通性分析[J]. 青島大學學報（自然科學版）， 2020， 33（4）： 101-109.

Research on Systemic Financial Risks of Chinese Financial Institutions

LIN Wei-wei， LI Li-li

（College of Economics， Qingdao University， Qingdao 266061， China）

Abstract：

Based on the daily stock return of 77 financial institutions listed in Shanghai and Shenzhen， CoVaR model of quantile regression was used to measure the systemic risk of financial institutions， which could clarify the risk contagion effect among financial institutions. Then the network topology analysis method was used to establish the risk contagion network. The results show that securities， banks and insurance have a great influence on systemic financial risk. The contribution of diversified finance to systemic financial risk increases with the continuous development of China's finance. Larger institutions are more likely to become a source of risk. Due to the increase of business relevance， the position of small and medium-sized financial institutions to systemic risk can not be ignored.

Keywords：

CoVaR; systemic financial risk; risk spillover; network correlation

收稿日期：2021-09-07

基金項目：

山東省金融應用重點研究項目（批準號：2020-JRZZ-03）資助。

通信作者：

李莉莉，女，博士，教授，主要研究方向為金融統計、統計調查與預測。E-mail： lili_lee2003@126.com