宏觀審慎政策有效性分析
——基于銀行系統性風險貢獻度視角

萬光彩， 李少輝

(安徽財經大學 金融學院,安徽 蚌埠 233030)

2008年爆發的金融危機使世界各國金融體系遭受重大沖擊，然而作為導火索的美國次級貸款僅有1萬億美元未償還，雖然數量很大，但還遠不足以引發這場百年一遇的金融危機[1]。危機爆發前，各國主要以貨幣政策和微觀審慎政策配合進行監管，防范單個金融機構發生風險，卻忽略了風險的傳染性。然而正是這種傳染性，促使一場可控的美國金融危機演變成全球金融危機。這次危機的教訓表明，以貨幣政策為核心的政策體系難以維護金融穩定[2]。因此，各國紛紛對現有金融監管體系進行改進，建立自己的宏觀審慎監管體系，致力于維護整個金融體系的穩定。我國于2011年正式引入差別準備金動態調整，并在2016年升級為宏觀審慎評估體系(MPA)，目的就是防范系統性金融風險的發生。然而隨著金融經濟的發展，李政等(2016)指出，2012年以來我國金融機構的總體關聯度明顯上升，2014年的關聯度甚至超過了金融危機期間[3]。關聯度上升意味著系統性金融風險的積累。在此背景下，宏觀審慎政策的實施能否有效降低系統性金融風險是個值得研究的問題，目前就這一問題的研究文獻主要分為兩大類，第一類是建立DSGE模型，并在模型中加入宏觀審慎管理，但這類分析停留在理論層面，缺少實證支撐。第二類是選取商業銀行的不良貸款率、風險加權資產占比和Z值等作為商業銀行風險承擔指標，然后實證分析宏觀審慎政策是否降低了單個銀行自身的風險，但這類研究以銀行自身風險指標為對象，忽略了宏觀審慎政策實施的最終目標，因此并不能充分證實宏觀審慎政策的有效性。

有鑒于此，本文通過使用CoVaR法計算每個銀行對銀行體系系統性風險貢獻度的大小，并以此作為銀行系統性風險承擔指標進行實證分析，使結論更加有效可信。

一、文獻回顧

2008年國際金融危機的教訓使世界各國意識到單純的微觀審慎監管不足以維護整個金融體系的穩定，由此宏觀審慎政策進入各國視野，主要被用來維護整個金融體系的穩定。隨著宏觀審慎政策逐漸被各國當局認可，有關宏觀審慎政策有效性的討論成為人們所關注的焦點。目前有關宏觀審慎政策有效性的討論主要分為三個方面。

第一個方面是研究宏觀審慎政策對信貸的增長和房地產價格等的影響，Akinci和Olmstead-Rumsey(2015)使用全球57個發達經濟體和新興經濟體的數據，研究了7種宏觀審慎政策工具的使用，發現具有針對性的政策作用效果更大，當實施緊縮型宏觀審慎政策時，可以有效降低信貸增速和房地產價格[4]。Kuttner和Shim(2016)研究了57個國家長達30年的數據，結果表明宏觀審慎政策在降低住房信貸和價格增長方面效果顯著，并且能夠有效降低系統性風險[5]。馬草原和李宇淼(2020)基于一個新的凱恩斯DSGE模型，深入分析LTV的作用效果，結果表明LTV調控房價效果顯著，相對于房產稅和限購政策等措施，使用LTV帶來的副作用更小，在實行寬松的貨幣政策時，同時配合LTV使用，可以部分抵消寬松貨幣政策帶來的房價推升效應[6]。

第二個方面是研究宏觀審慎政策與其他政策搭配使用的效果，主要是貨幣政策和宏觀審慎政策搭配形成的“雙支柱”調控體系。郭娜等(2019)通過構建一個包含六部門的DSGE模型，探究雙支柱體系的調控效果，結果表明雙支柱體系在受到技術沖擊和房價沖擊以后，能穩定宏觀經濟的波動，降低系統性金融風險，然而在面臨貨幣政策沖擊時，雙支柱表現出政策配合沖突，系統性金融風險波動變大[7]。金春雨和董雪(2021)認為無論是在宏觀經濟層面還是金融市場層面，宏觀審慎政策和貨幣政策在面對沖擊時都呈現出時變性特征，并且宏觀審慎政策的表現要優于貨幣政策。在政策選擇上，研究認為應該以資本類宏觀審慎政策和價格型貨幣政策的實施為主[8]。另外還有不少學者從匯率制度、金融周期和經濟周期的同步性等方面研究雙支柱的調控效果[9-11]，總體來看，“貨幣政策+宏觀審慎政策”的雙支柱調控體系在穩定金融經濟方面效果顯著。

第三個方面是研究宏觀審慎政策對銀行風險的影響效果，這類研究主要包含兩大部分：對個別宏觀審慎政策工具有效性進行討論和對構建宏觀審慎政策整體指標進行討論。張銘等(2019)分別以存款準備金率和貸款價值比研究宏觀審慎政策的效果，研究表明宏觀審慎政策可以在一定程度上降低我國商業銀行的風險承擔，采取逆經濟周期的宏觀審慎政策可以弱化風險承擔，平滑信貸周期[12]。沈沛龍等(2015)研究發現杠桿率、損失準備金的提高會增加當前銀行風險，但對6個月后的銀行風險具有顯著降低作用，而資本充足率的提高無論是對當期還是未來期的銀行風險都有降低作用[13]。目前單獨討論個別宏觀審慎政策工具對銀行風險作用的研究較少，大部分學者還是通過構建宏觀審慎政策整體實施指標對其效果進行評價。Altunbas 等(2018)對全球61個經濟體的數據進行分析，認為在緊縮的經濟周期實施宏觀審慎政策效果更好。另外，批發融資份額高的小型銀行對宏觀審慎政策的反應更強烈[14]。邵夢竹(2019)通過對53個國家的數據進行分析，指出銀行系統性風險的降低與宏觀審慎政策實施力度為正相關關系，進一步研究發現大部分宏觀審慎政策工具都能通過不同渠道降低銀行風險，但借款人工具對銀行風險的影響尚不明確[15]。

通過對現有文獻進行梳理發現，宏觀審慎政策有效性研究已經取得一定成果，但目前仍然存在一定問題，大多數研究在探討宏觀審慎政策對銀行風險影響時，選取不良貸款率、貸款損失準備金、風險加權資產比率和Z值來衡量銀行風險，這樣選取指標確實可以在一定程度上代表銀行不同時段的風險，然而這些指標衡量的終究是單個銀行自身風險。所以在用這些指標分析宏觀審慎政策作用時，即使支持宏觀審慎政策降低銀行自身風險的結論，也不能有效證實宏觀審慎的有效性，因為宏觀審慎政策實施的最終目標是維護整個金融系統的穩定，而不是降低個體銀行自身風險。所以使用不良貸款率等指標作為被解釋變量，等于忽略了宏觀審慎政策的最終目標。因此本文在關注到這點后，使用在險價值法測度我國商業銀行的系統性風險貢獻度，并作為本文被解釋變量來研究宏觀審慎政策的有效性。

二、理論分析

宏觀審慎政策實施的目標是降低系統性金融風險，維護金融穩定。針對我國宏觀審慎政策實施的種類，可以把宏觀審慎政策大致分為四大類：稅收類工具、資本類工具、信貸類工具和流動類工具。

信貸類工具主要包括貸款價值比、債務償還收入比和各種貸款限制，目的是限制貸款總量以及信貸速度的增長。稅收類工具包括對金融機構征稅，主要是對資產和負債的征稅，以此降低金融中介的杠桿率。信貸類工具和稅收類工具的實施都是通過影響貸款人融資成本和對未來的預期進而影響資產價格和信貸總量，從而維護金融穩定。在經濟發展繁榮、信貸增速迅猛時期，逆周期使用緊縮性信貸類工具和稅收類工具，能有效抑制信貸的快速膨脹，降低金融體系的風險積累。如呂進中等(2018)使用包含宏觀審慎政策工具的DSGE模型，發現逆周期實施貸款價值比不但能有效穩定金融體系，還能保證實體經濟正常運行[16]。Yu(2013)通過使用DSGE模型研究表明貸款價值比可以顯著抑制經濟波動，起到逆周期調控效果，稅收政策則通過控制金融中介機構的資產負債表穩定信貸市場。資本類工具主要包括逆周期資本緩沖、銀行資本要求和貸款損失動態撥備等，通過這些指標的設定，保證金融機構在正常運轉盈利的情況下，還具備抗擊風險的能力。實施資本類工具首先會對銀行自身資本比率產生影響，迫使不達標的銀行進行資產調整，資產的調整促使銀行風險加權資產占比發生變化，進一步影響到融資人的融資成本，融資成本變化使得信貸總量發生改變，最終達到維護金融穩定的目標。同樣，實施資本類工具可以通過影響公眾預期來影響信貸總量，實現金融體系的穩定。如孟憲春和張屹山(2021)通過構建NK-DSGE模型，發現當金融系統受到債務違約沖擊時，無論是資本類工具還是信貸類工具搭配貨幣政策的效果均優于單一的貨幣政策[17]。流動類工具主要包括杠桿率、流動性要求和存款準備金率等，其中流動性要求又包括對流動性覆蓋率、流動資產比率和凈穩定資金比率等的最低要求。流動類工具的實施同樣通過兩條路徑影響金融穩定。其一，使用流動性工具首先影響到銀行的流動資產和負債，進而影響融資成本，通過融資成本的改變影響信貸總量，最終實現金融穩定。其二，流動類工具也可以影響公眾預期，再通過預期影響信貸總量，達到政策目標。如金春雨和董雪(2019)通過構建SV-TVP-FAVAR模型發現流動性政策工具在維護金融穩定方面效果明顯，具有顯著的正向影響[18]。楊昊龍等(2017)通過使用VAR模型研究指出稅收類、資本類、信貸類和流動類工具均可有效維護金融穩定，其中流動類和稅收類工具在信貸市場表現較好，信貸類工具則在維護房價目標方面表現更優，而資本類工具則有明顯的目標傾向性[19]。

通過上述分析，不難發現多數學者使用DSGE模型進行理論層面的探究，雖然此模型包含非常全的信息，但作為模擬結果，其解釋性仍有待探究。實證分析的論文則忽略了宏觀審慎政策的最終目標，未能有效識別系統性風險，因而結論并沒有很強的說服力。因此本文創新性地使用CoVaR法構建能反映系統性風險的指標，并以此進行實證分析，使結論更加有效可信。此外，通過理論分析可以發現宏觀審慎政策要想達到最終目標需要一定時間，特別是對資本類和流動類工具來說，傳導路徑更長，時滯更久。所以在探究宏觀審慎政策有效性時選擇銀行體系進行研究，并對變量進行滯后處理。選擇銀行體系作為研究對象的原因有兩個，首先是銀行在我國金融體系中的重要地位，使得銀行體系不發生系統性風險就等于保證了系統性金融風險的底線。其次，大多數宏觀審慎政策的直接作用對象是銀行，所以選取銀行為研究對象得到的結果更有說服力。

三、研究設計

(一)銀行系統性風險貢獻度測算

1.ΔCoVaR模型構建

考慮到宏觀審慎政策實施目標是運用宏觀審慎工具控制系統性風險，所以本文使用CoVaR法測度單個銀行對銀行體系的系統性風險貢獻度作為本文的被解釋變量。當一家銀行由正常經營變為經營困難時，CoVaR法可以測度出這家銀行的變化帶給整個銀行系統的風險溢出效應，即該銀行系統性風險貢獻度。CoVaR法最初是由Adrian和Brunnermeier在2011年提出[20]。目前在測量銀行體系系統性風險貢獻度時，多數文獻均使用CoVaR法進行度量[21-23]，因此，本文同樣使用基于分位數的CoVaR法測量銀行系統性風險貢獻度，借鑒Adrian和Brunnermeie(2011)以及程小慶和葛璐瀾(2020)的做法[20,22]，首先用分位數回歸估計以下模型:

(1)

(2)

估計出上式方程以后，把估計出的系數帶入方程(3)和(4)，得出每個銀行在一定分位數下的VaR和CoVaR。

(3)

(4)

估計方程(1)和(2)時，分別設置5%和50%的置信水平，計算每個銀行在正常經營和經營困難時的CoVaR，然后根據下式計算出每個銀行的ΔCoVaR。

(5)

ΔCoVaR表示的是一家銀行由正常經營變為經營困難時，這家銀行對整個銀行體系的風險溢出大小，這種影響是負面影響，所以ΔCoVaR值為負。ΔCoVaR絕對值的大小表示銀行對整個銀行體系的風險溢出大小，絕對值越大，表示這家銀行發生風險時整個銀行體系受到的危害就越大。

2.指標測算

本文選取16家上市銀行2012年到2019年的數據(1)16家銀行為平安銀行、寧波銀行、上海浦東發展銀行、華夏銀行、中國民生銀行、招商銀行、南京銀行、興業銀行、北京銀行、中國農業銀行、交通銀行、中國工商銀行、中國光大銀行、中國建設銀行、中國銀行、中信銀行。，使用每家銀行股票日度收盤價計算收益率。股票數據來自國泰安CSMAR數據庫，狀態變量數據均來自Wind 數據庫。收益率計算公式(6)如下:

(6)

通過測算，16家上市銀行2012—2019年的系統性風險貢獻度走勢如圖1。

由圖可以看出，2013年和2015年銀行部門的系統性風險溢出效應明顯更大，其中2015年的風險溢出效應遠高于其他年份。原因是2013年6月中國遭遇錢荒事件，銀行部門資金短缺，隔夜拆借利率迅速上升，導致恐慌情緒蔓延。此外，2015年股市大幅動蕩以及2016年因熔斷機制引發的股市震蕩都導致銀行部門風險水平快速增加[23]。

圖1 銀行系統性風險貢獻度走勢

表1是各銀行系統性風險貢獻度排名，ΔCoVaR、VaR和CoVaR的值是由2012年至2019年計算的日度值進行平均得出，銀行以ΔCoVaR的絕對值大小進行排序，排名越靠前，說明此銀行發生風險時對整個銀行體系的危害越大。第三列是銀行自身風險水平，第四列是包含銀行在正常經營下風險水平的風險溢出大小。由表可以看出，國有五大行排名非常靠前，其中工商銀行、農業銀行、中國銀行、建設銀行位列前四位，交通銀行雖然沒有排進前五，但排名依然很高，充分體現了五大行在我國銀行系統中的重要地位。招商銀行、華夏銀行和南京銀行排名也較為靠前，猜測與其較高的CoVaR和VaR水平有關。

表1 銀行系統性風險貢獻度

(二)變量選取

1.被解釋變量

被解釋變量選取本文測度的ΔCoVaR，表示當一家銀行處于風險狀態時，整個銀行體系受到風險溢出大小。因為可以表示銀行的風險溢出效應，所以更符合宏觀審慎政策實施的最終目標。

2.核心解釋變量

宏觀審慎政策整體指標構建(MPI)：本文使用的宏觀審慎政策指標來自國際貨幣基金組織的官方數據，最初由 Alam 等人構建的IMF綜合宏觀審慎政策數據庫(2)Alam, Zohair, Adrian Alter, Jesse Eiseman, Gaston Gelos, Heedon Kang, Machiko Narita, Erlend Nier, and Naixi Wang (2019) “Digging Deeper-Evidence on the Effects of Macroprudential Policies from A New Database”, IMF Working Paper No. 19/66.。選取其中使用較為頻繁的16個政策工具，具體政策指標及含義如表2所示。如果一國實施了寬松的宏觀審慎政策，則變量記為-1，實施了緊縮的宏觀審慎政策，變量記為+1，實施的宏觀審慎政策為中性，則記為0，最后對每個年度的宏觀審慎政策指標進行加總，得到宏觀審慎政策指標MPI，該指標的大小表示一國宏觀審慎政策總體實施的力度大小。同時分別對緊縮宏觀審慎政策和寬松宏觀審慎政策進行統計，以考察宏觀審慎政策實施松緊的差異性，記緊縮型宏觀審慎政策為MPIT，寬松型宏觀審慎政策為MPIL。

表2 宏觀審慎政策工具

3.控制變量

為了更精確地得到宏觀審慎政策對銀行系統性風險貢獻度的影響，本文在前人研究的基礎上選取了兩大維度的控制變量：宏觀環境變量(MV)和銀行自身變量(BV)。

宏觀環境變量選取國內生產總值同比增速(GGDP)和廣義貨幣增長率(BMGR)。國內生產總值代表一國整體經濟發展水平，反映宏觀經濟狀況。廣義貨幣指的是貨幣和準貨幣的總和，廣義貨幣增長率代表貨幣增長速度，反映貨幣市場情況。

銀行自身變量選取資本充足率(CAP)、平均資本回報率(ROAA)和資產總量(LnAs)。資本充足率是銀行總資產對風險加權資產的比值，反映銀行抵御風險的能力，資本充足率越高，表明銀行抵御風險的能力越強。平均資本回報率代表銀行資產盈利水平能力，回報率越高表示銀行資產盈利能力越強，但同時也表示銀行大部分資產處于高風險狀態。資產總量代表銀行的規模，資產總量大的銀行，業務往往分布較為廣泛，抵御風險能力也較強，參照前人研究，對其進行取對數處理。

銀行自身變量來自BankFocus數據庫，宏觀環境變量來自Wind數據庫，表3是各變量描述性統計結果。

表3 描述性統計

(三)模型構建

參照Lim等(2011)和劉志洋(2018)的研究[24-25]，本文建立以下模型：

ΔCoVaRi,t=α0+α1ΔCoVaRi,t-1+α2MPIi,t-1+

α3BVi,t-1+α4MVi,t-1+ui+εi,t

其中，ΔCoVaRi,t代表測度的銀行系統性風險貢獻度，ΔCoVaRi,t-1是其一階滯后項，MPIi,t-1是宏觀審慎政策一階滯后項，BVi,t-1是銀行特征滯后項，MVi,t-1是宏觀經濟環境滯后項，ui是個體效應，εi,t是隨機擾動項。

為了研究宏觀審慎政策的實施能否起到逆周期調節作用，所以在上述模型的基礎上分別加入宏觀審慎政策變量與宏觀經濟變量的交互項，模型如下：

ΔCoVaRi,t=γ0+γ1ΔCoVaRi,t-1+γ2MPIi,t-1+

γ3BVi,t-1+γ4MVi,t-1+γ5MMVi,t-1+ui+εi,t

其中MMVi,t-1是宏觀審慎政策變量與宏觀經濟環境交互項的滯后項，系數γ4和γ5是模型主要的考察對象，如果兩者符號相反，則表明逆周期實施宏觀審慎政策能降低經濟周期變化帶來的系統性風險波動，平滑經濟周期。

四、實證結果分析

(一)宏觀審慎政策對銀行系統性風險貢獻度的影響

表4列出了不同維度下宏觀審慎政策的回歸結果，觀察系統GMM回歸檢驗結果發現三個方程的自相關檢驗和Hansen檢驗均顯著拒絕了原假設，說明估計結果有效可信。

表4 不同維度宏觀審慎政策實施效果

由表可以看到ΔCoVaR的滯后項都在10%的顯著性水平上為正，表明銀行系統性風險貢獻具有慣性。考慮到ΔCoVaR為負值，所以絕對值越大表明銀行系統性風險貢獻度越大，在表4中，宏觀審慎政策整體指標和緊縮指標均顯著為正，表明宏觀審慎政策的實施可以有效降低銀行系統性風險貢獻度，反觀寬松型宏觀審慎政策的系數為負，雖然并不顯著，但從反面證實了宏觀審慎政策實施力度越大，降低銀行系統性風險貢獻度的效果越好。

觀察控制變量發現，方程(1)和(2)的資本充足率均在5%顯著性水平下為正，方程(3)雖然不顯著，但也為正值。表明資本充足率越高的銀行，在面臨風險時表現得越好，從而對銀行系統性風險的貢獻更小。方程(1)和(3)的銀行資產規模回歸系數為正，而方程(2)為負，但結果均不顯著，這可能是因為資產規模越大的銀行在抵御自身風險時表現良好，但對于銀行系統性風險貢獻的表現并非如此。三個方程的平均資產收益率系數都在1%的顯著性水平下為負，表明平均資產收益越高的銀行對系統性風險的貢獻越大，平均資產收益率高意味著銀行更多的資金處于貸出狀態，并且貸出的資金面臨著較高的風險，所以更高的平均資產收益率會增加銀行系統性風險貢獻度。方程(1)和(3)的國內生產總值系數在1%的顯著性水平下顯著為負，方程(2)的系數雖然不顯著，但依然是負值。表明國內生產總值的較快增長會使銀行系統性風險貢獻度增加，即銀行體系系統性風險表現出順周期的特點。三個方程的廣義貨幣增長率系數在1%顯著性水平下為正，表明貨幣增長率的提高會降低銀行系統性風險貢獻度，這是因為貨幣總量的增加使得銀行體系資金更加充裕，進而不易發生風險，當資金匱乏時，情況就截然相反，這點在2013年錢荒時期體現得非常明顯，從本文測度的銀行系統性風險貢獻度可以看到，2013年錢荒使所有銀行的系統性風險貢獻度絕對值顯著變大。

(二)穩健性檢驗

因為本文的被解釋變量選取的是ΔCoVaR，衡量的是當單個銀行處于風險水平時，整個銀行體系遭受損失的大小，所以本文在做穩健性檢驗時，考慮使用CoVaR作為銀行系統性風險貢獻度的代理變量，選擇使用CoVaR而不是不良貸款率和風險加權資產等指標是因為CoVaR同樣反映的是單個銀行對銀行系統風險的貢獻度，但其中包含了銀行在正常經營下的無條件風險價值，同樣符合宏觀審慎政策實施目標，這點是僅反映銀行自身風險的不良貸款率和風險加權資產等指標不能比擬的。表5顯示了穩健性檢驗的結果，由表可以看到三個回歸方程的自相關檢驗和Hansen檢驗均顯著拒絕原假設，說明估計結果可信。再看回歸結果的系數發現CoVaR滯后項為正，宏觀審慎指標和緊縮型宏觀審慎指標均在1%的顯著性水平下為正，宏觀審慎寬松指標為負值且在5%的水平下顯著。這些結果強化了前文實證的可信度，從而進一步驗證了宏觀審慎政策的實施可以降低銀行系統性風險貢獻度。

表5 穩健性檢驗

(三)宏觀審慎政策與宏觀經濟交互項對銀行系統性風險貢獻度影響

表6顯示了宏觀審慎變量與宏觀經濟變量交叉項的回歸結果，其中MG表示宏觀審慎代理變量與GGDP的交互項，MB表示宏觀審慎代理變量與BMGR的交互項。通過觀察表6可以發現，加入宏觀審慎政策和宏觀經濟變量交互項以后，三個回歸方程的ΔCoVaR滯后項和宏觀審慎代理變量表現得并不好，有的回歸方程甚至符號都出現了相反的情況。然而通過觀察交互項系數發現，方程(1)的宏觀審慎代理變量和GGDP的交互項系數在1%的顯著性水平上為正，與GGDP回歸系數相反，方程(2)的兩者符號相反，但并不顯著。說明經濟發展態勢較好時，實施宏觀審慎政策進行逆周期調節，可以抵消部分由經濟發展過快帶來的銀行系統性風險貢獻度的上升。同時方程(1)的宏觀審慎政策與BMGR的交互項在1%顯著性水平上為負，同樣與BMGR的回歸系數相反，其他兩個方程雖然不顯著，但符號仍然相反。表明當廣義貨幣增速較慢時，實施宏觀審慎政策進行調節可以部分抵消廣義貨幣增速較慢帶來的銀行系統性風險貢獻度的上升。交互項的回歸結果表明宏觀審慎政策的逆周期調控效果顯著，能有效降低銀行系統性風險貢獻度。

表6 宏觀審慎與宏觀經濟交叉效應

五、結論與建議

(一)結論

本文基于我國16家上市銀行數據，構建銀行系統性風險貢獻度指標，并以此作為本文的被解釋變量進行實證研究，得到以下結論。

1.通過本文測度的指標可以看出國有五大行系統性風險貢獻度位居前列，充分體現了五大行在我國銀行系統中的重要地位。這與其自身資金規模大，業務范圍廣以及網點眾多密切相關。

2.宏觀審慎政策能夠降低銀行系統性風險貢獻度，且逆周期實施宏觀審慎政策效果較好，在經濟繁榮時期實施緊縮型宏觀審慎政策，經濟下行時期使用寬松型宏觀審慎政策，能有效弱化經濟波動帶來的系統性風險，平滑經濟周期。

3.銀行自身因素同樣會對系統性風險產生影響，其中資本更充足、平均資產收益更低的銀行對系統性風險的貢獻更小。

(二)建議

根據本文的分析結果以及宏觀審慎在我國實施的情況，給出以下建議。

1.在對銀行的實際監管過程中，應給予大型商業銀行更嚴格的管控，除去常規的宏觀審慎評估體系，還要對幾家尤為重要的銀行進行更為嚴格的監管。

2.宏觀審慎政策應以逆周期實施為主，在經濟繁榮時期，加大宏觀審慎政策實施力度。此外，應擴展宏觀審慎政策監管對象，因為許多金融產品和市場同樣存在順周期性。所以拓展宏觀審慎政策監管對象可以更加全面地維護金融體系穩定，平滑經濟周期。

3.創新政策工具，對商業銀行自身指標提出要求。設定指標，不僅有助于提升商業銀行自身抵御系統性風險的能力，還能間接實現宏觀審慎政策的目標。