基于極值譜風險模型的銀行業系統性風險度量研究

收稿日期：2024-01-13

基金項目：2022年度河北省社會科學發展研究課題“河北省地方金融風險來源及防控機制研究”（20220202109）

作者簡介：韓光輝，男，河北邯鄲人，博士，副教授，碩士生導師，研究方向為金融風險管理、投資組合管理;楊海超，男，江蘇徐州人，研究方向為風險管理;郝麗星，女，山西陽泉人，研究方向為風險管理。

摘"" 要：近年來極端事件頻發，股市波動呈現出獨特的特征，傳統風險測度方法預測準確性明顯降低，因此，本文首先構建POT譜風險模型測度國有銀行、股份制銀行、農村商業銀行和城市商業銀行在極端事件時期的尾部風險，并運用伯努利模型檢驗法和MAE法評估POT譜風險模型的準確性。其次結合DCC-GARCH模型構建POT-DCC-GARCH模型測度極端事件時期各銀行與金融市場間的風險溢出效應。研究結果表明，99%置信水平的譜風險值在保持理論失效率的同時具有更小的均方誤差;各類型銀行市場均對金融市場產生了正向的風險溢出效應，但我國銀行業系統性風險總體處于較低水平;相對于國有銀行和股份制銀行，農村商業銀行和城市商業銀行的系統性風險更為顯著。

關" 鍵 "詞：系統性風險;極端事件;風險溢出;POT-DCC-GARCH模型

中圖分類號：F830.9""""" 文獻標識碼：A"""""" 文章編號：2096-2517（2024）02-0041-11

DOI：10.16620/j.cnki.jrjy.2024.02.005

一、引言

隨著經濟全球化和信息化的不斷發展，各種新型金融工具不斷產生，金融市場空前繁榮，但金融活動也逐漸脫離實體經濟， 呈現出虛擬化的特點，這使得金融市場的波動日益加劇。近年來受新冠疫情、俄烏戰爭、歐洲能源危機等極端事件的影響，全球股票市場暴漲暴跌現象日益頻繁，恐慌效應在各類投資者間快速傳播， 進一步增加了股市的波動。由于我國金融業起步較晚，雖然行業規模較大且發展迅速，但風險防范措施仍不完善，當極端事件發生時，我國金融市場的波動更為劇烈。銀行業作為我國金融體系的核心組成部分，在金融市場中發揮著關鍵作用，其穩定不僅直接關系到金融系統的健康運行，更深遠地影響著全體人民的美好生活。因此有效測度極端事件時期銀行業的市場風險對于各類投資者和監管部門來說極為重要。

目前主流的風險測度方法如歷史模擬法和蒙特卡羅模擬法通過測算VaR和ES雖然可以較為準確地測度正常市場條件下的市場風險， 但VaR和ES對市場波動的敏感度較低， 當市場波動增加時，其預測準確性明顯降低。而且VaR和ES指標通常假設投資者是風險偏好者或風險中性者，但實際上大多數投資者是風險厭惡者，更大的損失在風險測度中應占更大的權重，然而VaR或ES無法很好地反映投資者風險偏好對市場風險的影響。此外，隨著各市場聯系逐漸加強，各市場間的風險溢出效應變得愈發明顯，僅測度單一市場的風險并不能有效避免市場變動帶來的損失。因此，如何更為準確地測度極端事件時期的股市風險成為各類學者研究的重點。

二、文獻綜述

關于如何準確測度極端事件時期的股市風險，有學者關注原始數據的處理，使其滿足特定的概率分布假設，從而更精確地測度風險;還有學者關注數據的波動性和異方差性，這些方法在正常市場條件下呈現出極高的預測準確性，但對于極端事件時期的預測準確性明顯降低。Pickands-Balkema-de Haan定理表明，無論總體服從何種分布，超出值都可以用廣義帕累托分布（GPD）擬合，因此各國研究者廣泛使用極值理論（EVT）來測度極端事件時期的市場風險。 （1）國外研究方面。Melina等（2023）結合VaR、CvaR和EVT方法使用半系統文獻綜述（S-SLR） 技術對新冠疫情時期股票市場投資風險進行了分析和估計， 研究結果表明，EVT理論可以有效預測極端事件時期的股市波動率，將VaR-EVT和機器學習方法結合能夠明顯提高模型的預測準確性[1]。Edem等（2021）使用極值分布理論BMM模型對盧旺達證券交易所的基加利銀行股票風險進行建模， 研究表明，超出值服從GPD分布，99.5%置信水平下的VaR值覆蓋了尾部風險[2]。De Jesús R等（2011）基于GEV法測度拉丁美洲、巴西和墨西哥股票市場的左尾和右尾回報并使用CvaR確定風險敞口，結果表明，與傳統的風險測度方法相比，基于EVT的VaR和CVaR可以更精確和可靠地測度市場風險[3]。Paul等（2017）使用GARCH-EVT方法計算了印度Samp;P CNX Nifty指數、 英國富時100指數和美國標準普爾500指數日內VaR和ES， 研究結果表明基于t分布的GARCH-EVT預測結果更佳[4]。Karmakar等（2016）基于條件EVT方法計算了亞洲、歐洲、北美、拉丁美洲、非洲和澳大利亞16個股票市場的日內VaR和ES，研究結果表明，條件EVT模型能夠準確捕捉收益的平均值和波動性，在市場動蕩時期具有明顯優勢[5]。（2）國內研究方面。謝赤等（2013）將隨機波動均值內（SV-M）模型、POT模型以及冪譜風險測度（PSRM）方法相結合構建了SV-M-POT-PSRM模型，并基于滬深300股指期貨5分鐘高頻數據分別對多頭和空頭保證金水平進行設定，研究表明，基于SV-M-POT-PSRM模型設置的維持保證金水平能使資金使用效率大幅提高[6]。葛曉波等（2020）將ARMA-EGARCH模型與極值理論結合構建ARMA-EGARCH-POT模型并對原油期貨WTI進行風險度量，研究結果表明，ARMA-EGARCH-POT模型能夠有效捕捉原油期貨價格的極端風險，且置信度越高，模型計算出的風險值越精確[7]。嚴佳佳等（2015）將極值理論和AR-GARCH模型結合度量了不同期限香港離岸人民幣同業拆借利率的風險值，同時對比研究了倫敦歐洲美元同業拆借利率市場對應期限的風險，研究發現，香港離岸人民幣同業拆借市場正處于國際貨幣離岸市場發展的初始階段，未來其總體風險將減少并且風險值會隨著期限的延長而增加[8]。耿文靜等（2021）構建了QRNN-GARCH-POT模型并將其應用于滬市和深市綜合指數收益率極端VaR風險測度，研究結果表明，相對于GARCH模型，QRNN-GARCH模型的VaR風險預測效果更佳，而QRNN-GARCH-POT模型改善了極端VaR風險測度效果[9]。張昱城等（2021）將統計理論中的斜率變點理論引入到POT模型閾值選取方法中并用于中國滬深A股市場風險測度， 研究結果表明，95%置信水平下的VaR值比90%置信水平下VaR值的估計結果更可信，且尾部風險與流動性呈反向變化[10]。

隨著極端事件發生愈加頻繁， 市場波動更為劇烈，針對單一市場的風險管理政策已不能有效規避市場波動帶來的損失。周小川（2017）指出，當前金融風險的隱患反映在監管體制機制設計缺陷、金融業對外開放不足和金融企業治理程度不足等方面[11]。 因此，研究金融風險防控問題需要深入了解系統性金融風險的演化機理與傳染路徑。于是，學術界和監管者開始關注金融風險跨市場交叉傳染和系統性金融風險問題。（1）國外研究方面。Yuan等（2020）使用Copula函數分析了EU ETS與股票市場間風險溢出， 結果表明，EU ETS與股票市場間的風險溢出效應表現為非對稱且上尾風險溢出系數更大[12]。Borri等（2022）研究了不同危機時期歐洲銀行的系統性風險貢獻，結果發現，在極端事件時期，主權違約風險是系統性風險的主要影響因素[13]。Gandrud等（2015）運用核主成分分析（KPCA）技術， 以經濟學人智庫的月度國別報告作為數據來源，構建了金融市場壓力指數，該方法不僅可監測各國金融市場壓力和金融危機， 還為機器學習和文本分析提供了新的探索[14]。（2）國內研究方面。倪健惠等（2023）運用ΔCoVaR方法測算了商業銀行系統性金融風險水平，研究結果表明，影子銀行規?？刂圃诤侠淼姆秶鷥饶軌蚍稚⑾到y性金融風險沖擊， 當影子銀行規模超過拐點時， 其對系統性風險具有集聚傳染效應[15]。王思遙等（2023）利用DCC-SVR-GARCH-CoVaR模型測算了中國36家上市銀行系統性風險溢出率， 研究發現，ESG評級提高能顯著削弱我國商業銀行的系統性風險水平，其削弱作用主要由公司治理驅動[16]。王周偉等（2024）研究了投資者情緒轉換作用下經濟政策不確定性影響銀行系統性風險多重傳染的邊際效應結構變化，認為投資者情緒具有顯著的區制轉換效應，使經濟不確定性影響銀行系統性風險多重傳染的凈邊際效應以指數轉換模式發生結構變化[17]。

金融收益通常具有尖峰厚尾分布特征，現有的分布模型難以準確擬合。極值風險測度模型僅對分布尾部進行建模，而不需要對整個樣本的分布做出先驗假設，不僅可以在樣本內表現出優越的風險測度能力，而且在樣本外同樣具有可靠的預測推廣能力，具有更強的適應性。此外，極值風險測度模型專注于市場中的極端事件，從而提供了更全面的風險評估，可以最大程度地減少極端事件可能帶來的損失。而譜風險測度結合了資產組合損益分布的具體形狀和投資者的主觀風險厭惡，滿足一致性風險測度要求，并且具有凸性，充分體現了投資者行為偏好對市場風險的影響。因此，將極值風險測度與譜風險測度相結合構建的極值譜風險模型有望增強樣本外預測推廣能力，提升對金融市場風險測度的精確度和穩健性。現有研究表明，基于極值理論的分塊樣本極值模型（BMM）和超閾值模型（POT） 可以較為準確地對極端事件導致的風險進行測度。而POT模型由于待估參數少于BMM模型，對數據的要求也更為寬松，其應用場合也更為廣泛。 另外，銀行業是中國金融體系的核心組成部分，具有極高的金融資源集中度，在金融市場中發揮著關鍵作用， 因此本文使用POT譜風險模型測度極端事件時期的銀行業市場風險， 并結合DCC-GARCH模型構建POT-DCC-GARCH模型計算CoVaR以研究銀行業的風險溢出效應。

三、模型設計

（一）POT模型

POT模型的原理是對超過閾值的樣本數據進行建模， 以描述超過閾值的尾部分布特征。假設u表示閾值，X表示樣本中超過閾值u的樣本觀測值，則超過閾值u的過度虧損的分布函數可表示為：

Fu（x）=P（X-u≤x|Xgt;u）"""""""""""" （1）

其中，Fu（x）為總體X對閾值u的超額分布函數，由條件概率公式可推導出：

Fu（x）=" x?0（2）

Pickands-Balkema-de Haan定理表明，無論X服從何種分布，Fu（x）都收斂于廣義帕累托分布GPD，即：

Gξ，β（x）=1-（1+ξ

）-1/ξ" ξ≠0

1-exp（-

）"" ξ=0 （3）

其中，ξ為規模參數，β為形狀參數。

假設觀測值總數為n，Nu表示超過閾值的樣本數，則F（u）可用代替，結合式（2）、式（3）可得POT模型下的VaR表達式：

VaRα=u+[

（1-α）]-ξ-1 （4）

（二）譜風險測度模型

傳統的VaR和ES指標只考慮了資產組合的損失或尾部風險，對投資者的風險態度沒有給予關注。而在極端事件時期，投資者的行為會極大地推動股市波動，因此極端事件時期需要充分考慮投資者態度對市場風險的影響。譜風險測度表達式為：

Mφ=φ（p）VaRpdp （5）

其中，φ（p）為風險頻譜函數，滿足：

φ（p）dp=1（6）

根據式（4）和式（5），可構建POT極值譜風險模型：

Mφ=φ（p）VaRpdp

=φ（p）×u+

[

（1-α）]-ξ-1（7）

（三）POT-DCC-GARCH模型

DCC-GARCH模型主要用來描寫兩個變量在同一時刻的非線性關系， 雙變量的DCC-GARCH模型表達式為：

Xt=μt+et" （8）

et=Hεt （9）

Ht=DtRtDt （10）

Rt=QQtQ" （11）

Qt=（1-θ1-θ2）Q+θ1（εε）+θ2Qt-1" （12）

其中，Xt=（X，X），X、X分別表示i、j于t時刻的收益率，μ=（μ1，μ2）'，et=（e，e），εt為擾動項。Dt=diag{，}為時變對角標準差矩陣，Qt、

Q為條件標準差矩陣，元素（m=i，j）的計算方法為：

h=wm+?（ε）2+φh （13）

另外，Rt、θ1、θ2分別為動態條件相關系數矩陣、正的標量參數、負的標量參數，且θ1+θ2lt;1。qij為t時刻i、j間的協方差。

因此，DCC-GARCH（1，1）模型的動態相關系數ρij，t計算公式為：

根據式（7）和式（14）可得基于POT-DCC-GARCH模型的CoVaR的計算公式：

CoVaR=M（σ+ρσ） （15）

其中，M為系統j譜風險測度值，ρ為系統i和系統j在t時刻的動態相關性，σ和σ分別為系統i和系統j在t時刻的條件方差。

系統j對系統i的風險溢出值（ΔCoVaR）計算公式為：

ΔCoVaR=CoVaR-VaR （16）

將風險溢出值進行去量綱化處理，定義風險溢出貢獻度為%ΔCoVaR。

%ΔCoVaR= （17）

（四）回測檢驗模型

伯努利模型檢驗法根據二項分布和中心極限定理計算統計量拒絕域，統計量落入拒絕域則表示模型錯誤。假設模型正確，在α的顯著性水平下，其拒絕域為：

Z=

?Z α/2 （18）

其中，x為特例事件次數，p=1-c，c為置信水平，N為樣本總觀測次數。當所求Z值的絕對值大于Z α/2，說明所使用的模型是錯誤的;反之，模型則為正確。

四、實證分析

（一）數據的選擇

本文以中證銀行指數、 國有大型銀行板塊指數、股份制銀行板塊指數、農村商業銀行板塊指數和城市商業銀行板塊指數為實證研究對象，通過日收盤價波動分別測度銀行業、國有銀行、股份制銀行、農村商業銀行和城市商業銀行市場風險。數據來源為同花順財經指數日收盤價， 選取2017年7月5日至2023年8月31日共1500期指數日收盤價數據，以預測期前500期的對數收益率作為歷史數據對預測期譜風險指標值進行計算。通過數據統計分析，各類型銀行指數對數收益率的均值、方差等信息如表1所示，交易日指數收盤價和日對數收益率走勢如圖1所示。

由表1和圖1可知， 銀行業整體收益率較低，僅國有銀行指數和股份制銀行指數為正收益，但五大指數標準差較低，說明我國銀行業整體處于低收益低風險水平。農村商業銀行和城市商業銀行價格波動明顯高于國有銀行和股份制銀行，說明這兩類銀行更易受到市場波動沖擊。值得注意的是，農村商業銀行指數在2017—2018年出現暴跌， 之后趨向平穩。 由于農村商業銀行主要依托當地經濟，2017—2018年中美貿易戰愈演愈烈， 經濟下行壓力持續增大，加之以螞蟻金服為首的互聯網金融公司借助金融科技創新普惠金融服務方式，不斷擠壓農村商業銀行的市場空間， 導致其經營環境惡劣，指數暴跌。但隨著鄉村振興戰略的全面實施，農村商業銀行迎來了新的發展機遇， 2018年之后農村商業銀行指數波動相對平穩。中證銀行指數、國有銀行指數、股份制銀行指數、農村商業銀行指數和城市商業銀行指數偏度分別為0.34、0.56、0.40、0.06和0.37，五大指數均為右偏態，且各指數峰度大于3，說明各類銀行指數具有尖峰厚尾特征。各指數J-B統計量p值遠小于0.05，表明各指數序列均不服從正態分布。

（二）POT模型閾值的確定

POT極值模型對超過閾值的樣本數據建模，以描述超過閾值的尾部分布特征。Pickands-Balkema-de Haan定理表明超過閾值的尾部分布與總體分布無關，即不同樣本極端值的分布具有相同的分布形式，超出值超額條件分布函數可用廣義帕累托分布（GPD）近似。因此，應用POT極值模型擬合時間序列數據需要確定合適的閾值，如果選擇的閾值偏小，較多的超額數據無法保證模型的適用性;如果閾值偏大，較少的超額數據無法對分布參數進行估計。對股票指數確定閾值的方法主要有Hill圖、MLE圖、經驗法、平均超額函數圖、峰度法等，這些方法各有優劣，經過綜合考慮本文選取平均超額函數圖和Hill圖確定閾值，各指數平均超額函數圖和Hill圖如圖2所示。

以中證銀行指數為例，平均超額函數圖在0.0190至0.0200時處于正斜率，Hill圖在樣本統計量為90時圖像趨于穩定，對應閾值在0.0200左右，因此中證銀行指數閾值最終確定為0.0195。國有銀行指數、股份制銀行指數、農村商業銀行指數和城市商業銀行指數閾值最終確定為0.0165、0.0195、0.0270和0.0208。

（三）風險頻譜函數的構造

一般來說， 投資者通常都是風險厭惡型的。風險厭惡型的投資者更偏好確定性收入，而不愿意承擔有風險的投資條件下的期望收入，而且對于風險厭惡者來說， 損失程度越大厭惡程度也就越大，所以在測度尾部風險時應該給予較大損失更高的權重。因此，本文選擇基于風險厭惡型效用函數的雙曲風險譜函數構造譜風險測度所需的權重函數，雙曲風險譜函數表達式如下：

?（p）= （19）

其中，α為顯著性水平，γ為風險厭惡系數。不同風險厭惡系數下的雙曲風險譜函數圖像如圖3所示。

由圖3可知，雙曲風險譜函數賦予尾部損失的權重受損失和個人風險厭惡程度的雙重影響。風險厭惡系數γ為0.01和0.2時，權重變化幅度較為接近;風險厭惡系數為0.5時，權重變化幅度明顯加劇。這說明同一置信水平下，風險因子γ越大，隨著分位數的增長其權重增長速度越快。較小的風險厭惡系數意味著投資者相對較為冒險，更愿意承擔高風險但可能帶來高回報的投資。為充分研究不同風險厭惡系數對銀行業市場風險的影響程度，本文選擇0.01、0.2和0.5三種風險厭惡系數對銀行業市場風險進行測度。

（四）譜風險測度

本文以預測期前500期的對數收益率作為歷史數據， 使用MLE法估計POT模型的規模參數β和形狀參數ξ，根據所估計的參數，計算不同置信水平下的VaR值，之后結合所構造的雙曲風險譜函數計算不同風險厭惡系數的譜風險測度值。不同風險厭惡系數和置信度下的譜風險測度值如圖4所示。

由圖4可知，中證銀行指數譜風險測度值較為平穩，說明銀行業市場環境較為穩定，但農村商業銀行和城市商業銀行的譜風險測度值高于國有銀行和股份制銀行，說明這兩類銀行面臨著相對較大的市場風險。除個別時期外，不同風險厭惡系數和不同置信水平下的譜風險測度值都可以覆蓋大多數尾部風險， 說明基于POT模型的譜風險測度可以很好地度量銀行業市場風險。同一置信水平、不同風險厭惡系數的譜風險測度值差異較小，而同一厭惡系數、不同置信水平的譜風險測度值存在明顯差異，說明相對于風險厭惡系數，置信水平對譜風險測度值的影響更為顯著。值得注意的是，基于POT模型的譜風險測度較好地覆蓋了波動劇烈時期的尾部風險， 但由于正常時期其指標值明顯偏大，過高的風險指標值意味著更高的管理費用支出，因此極值理論更適用于極端事件時期的風險管理。

中證銀行、國有銀行、股份制銀行、農村商業銀行和城市商業銀行在99%置信度下平均譜風險收益率分別為-3.64%、-2.96%、-3.44%、-6.19%和-4.54%。中證銀行預期收益率為-3.64%， 說明我國銀行遭受極端事件時的最大損失為3.64%，極端事件帶來的市場沖擊對我國銀行業的影響相對較小。農村商業銀行和城市商業銀行收益率預期損失高于銀行業平均水平，表明這兩類銀行在極端事件發生時更易遭受市場風險沖擊，需要更高的風險準備金以防止突發事件的發生。

（五）回測檢驗

為了評估譜風險測度模型的精確程度，本文使用失效率檢驗法和伯努利模型檢驗法對所預測的譜風險測度指標值進行后驗分析。譜風險測度回測檢驗結果見表2。

由表2可知，在99%、99.5%置信度下， 各指數不同風險厭惡系數的譜風險測度值均通過了回測檢驗，說明譜風險測度值可以較好地測度我國銀行業市場風險;同一置信度不同風險厭惡系數下的譜風險測度值理論失效率相差不大，說明置信水平相對于風險厭惡系數對譜風險測度值的影響更為顯著;國有銀行和股份制銀行預測失效率比農村商業銀行和城市商業銀行預測失效率更為接近理論失效率，說明基于POT模型的譜風險指標測度劇烈波動的市場風險時較為保守。 除農村商業銀行外，90%置信水平的譜風險值具有更小的均方誤差，說明我國銀行選取90%置信水平進行風險管理更為合適。

（六）風險溢出效應

隨著經濟全球化和信息化的發展，各市場風險溢出效應逐漸加強，因此，本文選取我國金融市場作為銀行業系統性風險溢出對象，使用POT-DCC-GARCH模型計算CoVaR值以研究各類型銀行對我國金融市場的影響。選取上證指數作為我國金融市場代理變量，數據來源為WIND數據庫，置信水平和風險厭惡系數分別選為90%和0.01，上證指數收益率如圖5所示。

由圖5可知，除個別時期外，上證指數變化趨勢相對平穩， 說明近年來我國金融市場發展較為穩定，未遭受較大的外部沖擊。隨著各市場之間聯系加強，各市場之間的溢出效應逐漸明顯。為準確刻畫各類型銀行與金融市場的相依性， 使用DCC-GARCH模型估計各類型銀行市場與金融市場之間的動態相關性，估計結果如圖6所示。

由圖6可知，各類型銀行和金融市場相關性均為正相關狀態，但相關程度具有較大差異。國有銀行和股份制銀行與金融市場的相關性基本維持在0.5以上， 而農村商業銀行和城市商業銀行與金融市場相關性變化較大， 甚至有數期處于0.1左右。值得關注的是，在新冠疫情期間，銀行業與金融市場之間的相關性變化相對平穩， 然而在2019年前后， 兩者之間的相關性出現了較大的波動。 原因可能是2019年原中國銀行業監督管理委員會出臺一系列新的監管政策，對商業銀行理財子公司的設立和運營進行了規范，加強了銀行業的風險管理。由此可以說明，相對于極端事件，政策變動對銀行業的影響更為顯著。

現有研究表明，金融股票時間序列的風險損失服從有條件的二元正態分布，因此本文設定金融市場與各類型銀行市場均服從多元正態分布，通過R軟件計算各類型銀行市場與金融市場95%置信水平動態CoVaR如圖7所示， 描述統計如表3所示。其中，R代表金融市場，R1至R5分別代表銀行業市場、國有銀行市場、股份制銀行市場、農村商業銀行市場以及城市商業銀行市場。

由圖7和表3可知，各類型銀行市場均對金融市場產生了正向的風險溢出效應，但我國銀行業系統性風險總體處于較低水平。國有銀行的系統性風險低于銀行業平均水平，而農村商業銀行和城市商業銀行的系統性風險明顯大于銀行業平均水平。其原因可能是：國有銀行市場規模較大，且具有極高的政策扶持力度，本身監管體系也較為完善，因此具有較低的風險水平。農村商業銀行和城市商業銀行具有明顯的地域性特征，其客戶主要集中在小微企業領域，一旦市場發生變動，極有可能引發潛在的風險損失。

五、結論及建議

在極端事件時期， 股市的波動呈現出獨特的特征，傳統的風險測度方法顯然不再適用。本文基于POT-DCC-GARCH譜風險模型測度了各類型銀行在極端事件時期的系統性風險。 實證分析結果表明，我國銀行業整體處于低收益低風險狀態，極端事件時期尾部風險增大但相對穩定。相對于國有銀行和股份制銀行，農村商業銀行和城市商業銀行的系統性風險更為顯著。

基于本文分析結果，對我國銀行業未來發展提出以下建議：

1.銀行業可適度放寬風險管理政策，積極開發新型金融產品。銀行業整體表現為低收益低風險水平， 未來可以適度放寬風險管理政策， 減少過多的風險準備。銀行機構應積極開發新型金融產品和服務，適當引入風險，追求更高的潛在回報，為銀行業發展注入新的活力。適度的風險管理可以增加銀行機構的韌性，使其能更好地應對市場的不確定性。

2. 農村商業銀行和城市商業銀行要進一步提升風險管理水平。 農村商業銀行和城市商業銀行抗風險能力相對較差，通過提高機構專業能力、金融素質和定期合規檢查等措施構建完善的監管體系，避免市場變動可能帶來的損失。此外，隨著鄉村振興戰略的全面實施，小微企業和農村地區迎來了新的發展機遇。農村商業銀行和城市商業銀行未來需要加強在農村地區的金融服務，積極投資于金融科技創新，提供適合農村地區和小微企業的金融產品。 還應積極開展綠色金融業務，包括綠色貸款、環保項目融資和可持續投資等，提升農村商業銀行和城市商業銀行的穩健性和競爭力。

3.實施資產組合的動態管理。各類市場和資產之間的相關性并非靜態不變，而是在不同時間段內呈現出動態變化的趨勢。特別是在政策變動或極端事件發生時，相關性可能會發生急劇變化，甚至呈現出截然相反的狀態。相關性的動態變化性使得投資者需要時刻保持對各項資產相關性的實時監控。通過深入了解資產之間的相關性變化，投資者能夠構建更為均衡和抗風險的投資組合，提高投資組合的韌性，使投資者更好地適應市場變化。

參考文獻：

[1]Melina，Sukono，NAPITUPULU H，et al.A Conceptual Model of Investment-Risk Prediction in the Stock Market Using Extreme Value Theory with Machine Learning：A Semisystematic Literature Review[J].Risks，2023，11（3）：1-24.

[2]EDEM K D，NDENGO M.Modeling Bank of Kigali Stock Risks in Rwanda Stock Exchange Using Extreme Value Distribution[J].Journal of Financial Risk Management，2021，10（3）：225-240.

[3]De Jesús R，ORTIZ E.Risk in Emerging Stock Markets from Brazil and Mexico：Extreme Value Theory and Alternative Value at Risk Models[J].Frontiers in Finance and Economics，2011，8（2）：49-88.

[4]PAUL S，KARMAKAR M.Relative Efficiency of Component GARCH-EVT Approach in Managing Intraday Market Risk[J].Multinational Finance Journal，2017，21（4）：247-283.

[5]KARMAKAR M，PAUL S.Intraday Risk Management in International Stock Markets：A Conditional EVT Approach[J].International Review of Financial Analysis，2016，44：34-55.

[6]謝赤，楊姣姣，趙亦軍.基于SV-M-POT-PSRM模型的期貨維持保證金水平設定——關于滬深300股指期貨高頻數據的實證分析[J].系統管理學報，2013，22（6）：768-776.

[7]葛曉波，張陳，周新苗.基于極值理論的原油期貨風險測度研究[J].價格理論與實踐，2020（8）：112-115.

[8]嚴佳佳，郭春松，張莉.香港離岸人民幣同業拆借利率風險度量研究——基于AR-GARCH-POT方法的分析[J].財貿經濟，2015（6）：73-84.

[9]耿文靜，王星惠，汪正飛.基于QRNN-GARCH-POT模型滬深指數收益率風險度量的研究[J].數理統計與管理，2021，40（6）：1127-1140.

[10]張昱城，葛林潔，李延軍.股票流動性對股市尾部風險的影響——基于POT模型的實證研究[J].東北大學學報（社會科學版），2021，23（2）：21-28.

[11]周小川.守住不發生系統性金融風險的底線[N].人民日報，2017-11-22（6）.

[12]YUAN N，YANG L.Asymmetric Risk Spillover Between Financial Market Uncertainty and the Carbon Market：A GAS-DCS-copula Approach[J].Journal of Cleaner Production，2020，259：120750.

[13]BORRI N，Di Giorgio G.Systemic Risk and the COVID Challenge in the European Banking Sector[J].Journal of Banking amp; Finance，2022，140：106073.

[14]GANDRUD C，HALLERBERG M.What is a Financial Crisis？ Efficiently Measuring Real-Time Perceptions of Financial Market Stress with an Application to Financial Crisis Budget Cycles[R].CESifo Working Paper，2015.

[15]倪健惠，阮加.影子銀行對系統性金融風險的影響機理與傳導機制[J].統計與決策，2023，39（19）：158-163.

[16]王思遙，沈沛龍.ESG評級對我國商業銀行系統性風險的影響研究[J].經濟體制改革，2023（5）：193-200.

[17]王周偉，李凱琪.經濟政策不確定性、投資者情緒與銀行系統性風險傳染[J].金融理論探索，2024（1）：18-31.

Banking Systemic Risk Measurement Based on Extreme Value Spectrum Risk Model

Han Guanghui， Yang Haichao， Hao Lixing

（School of Management Engineering and Business， Hebei University of Engineering， Handan 056038， China）

Abstract： In recent years， extreme events have occurred frequently， and the stock market has shown unique characteristics in its volatility. The predictive accuracy of traditional risk measurement methods has significantly decreased. Therefore， this paper first constructs a Peaks Over Threshold （POT） spectral risk model to measure the tail risks of state-owned banks， joint-stock banks， rural commercial banks， and city commercial banks during extreme events. The accuracy of the POT spectral risk model is assessed by using the Bernoulli model test method and Mean Absolute Error （MAE） method. Secondly， the DCC-GARCH model is employed to measure the risk spillover effects between various banks and the financial market during extreme events. The research results indicate that the 99% confidence level of spectral risk values maintains a smaller mean square error while preserving the theoretical inefficiency. All types of banking markets have had a positive risk spillover effect on the financial market， but the systemic risk of the banking industry in China is generally at a lower level. Compared to state-owned banks and joint-stock banks， rural commercial banks and city commercial banks demonstrate more significant systemic risks.

Key words： systemic risk; extreme events; risk spillover; POT-DCC-GARCH model

（責任編輯：李丹;校對：龍會芳）