金融風險跨市場傳染的驅動機制研究

王優銳 廖越馨

摘? ?要：本文基于廣義預測誤差方差分解測算我國7個金融市場的風險溢出系數，進一步構建大型貝葉斯向量自回歸模型，探析影子銀行發展對我國金融風險跨市場溢出的影響。結論表明：第一，影子銀行強化了我國金融風險跨市場溢出水平，匯率、貨幣、黃金、大宗商品市場的風險凈溢出有所增強，股票、債券、房地產市場的風險凈溢入有所增強。第二，債券市場在所有市場中承壓最大，特別是貨幣市場向債券市場的風險凈溢出效應最強。第三，進一步的格蘭杰因果檢驗發現，影子銀行打破了貨幣市場資金流向債券市場的政策約束，推升債券市場杠桿，這是影子銀行驅動貨幣市場風險向債券市場溢出的根本原因。

關鍵詞：影子銀行；風險跨市場溢出；貝葉斯估計；向量自回歸模型

中圖分類號：F830? 文獻標識碼：A? 文章編號：1674-2265（2024）04-0022-10

DOI：10.19647/j.cnki.37-1462/f.2024.04.003

一、引言

傳染性是系統性金融風險的核心概念，一個金融市場受到嚴重損失后，會通過市場之間的關聯迅速波及與之相關的市場，并最終對整個金融系統造成嚴重沖擊（楊子暉等，2020）[1]。在2008年國際金融危機后的新監管框架中，抑制金融風險的跨市場傳染成為核心內容之一。新常態以來，我國不同金融市場疊加共振的頻率和幅度均有所上升，相關政策部門開始關注金融風險跨市場傳染的危害，并將抑制金融風險跨市場傳染作為政策的重要著力點。中國人民銀行原行長易綱在博鰲亞洲論壇2018年年會“貨幣政策的正常化”分論壇討論上提出，要特別關注跨市場、跨產品、跨機構的風險傳染。《中國金融穩定報告（2019）》中明確指出，金融市場之間風險交叉傳染的可能性加大是金融穩定的重要威脅。2020年證監會原主席易會滿在第十二屆陸家嘴論壇上表示，金融風險跨市場、跨行業、跨領域交叉傳染成為當前重要的風險挑戰。

金融風險跨市場傳染的強度與金融體系的制度安排密切相關。從我國近十余年的金融發展實踐看，影子銀行無疑是推升金融系統關聯性的重要因素。影子銀行投資模式多樣，交易結構復雜，涉及多個主體，聯結多個市場，這些特征雖然一定程度上推動了利率市場化，但也加劇了風險的跨市場傳染，威脅金融穩定。深入研究影子銀行對金融風險傳染的影響，從結構性視角辨析影子銀行對不同金融市場和不同風險傳染路徑的異質性作用，對當前防范化解重大風險具有十分重要的現實意義。

影子銀行對風險傳染的影響受到學術界的廣泛關注。當前關于影子銀行與金融風險傳染的研究有兩個不同的分支方向。一是風險測度。學者們嘗試測算影子銀行作為風險源頭對其他市場的影響，采用網絡分析等方法，將影子銀行視為一個單獨市場，分析影子銀行與其他市場的風險關聯網絡特征（方先明等，2017；張冰潔等，2021）[2，3]。但是，這些研究缺乏對影子銀行的宏觀風險效應的分析，同時也未能很好地解答影子銀行加劇風險傳染的原因和機制。二是風險解釋。學者們通過構建宏觀經濟變量向量自回歸模型或者回歸模型，分析影子銀行放大金融風險的機制（劉超和馬玉潔，2014；李文喆，2020）[4，5]，這一研究范式重點關注影子銀行的宏觀風險效應，給出了影子銀行放大金融風險的機制解釋，但是對于風險傳染的微觀特征缺乏深入探討。本文嘗試融合上述兩類研究方法，先構建一個包含股票、債券、貨幣等7個市場的有向加權風險溢出網絡，分析我國金融風險跨市場溢出的特點，然后構建一個大型貝葉斯向量自回歸模型，研究影子銀行對不同金融市場和風險傳染路徑的異質性影響。本文的主要貢獻是，將影子銀行視為風險跨市場傳染的驅動機制而非一個獨立的金融市場，重點分析影子銀行是否以及如何影響金融風險的跨市場傳染，實現了風險測度和風險解釋的有機融合。

二、文獻綜述

跨市場傳染是金融風險的主要表現形式，復雜網絡分析是構建跨市場風險傳染網絡的重要工具。研究范式主要有以下三類：一是基于GARCH模型測算風險的跨市場傳染。如Kanas（2000）[6]基于EGARCH模型研究6個發達國家股市和匯市的波動率溢出效應，發現存在股市向匯市的單向波動率溢出。Caporale等（2002）[7]采用BEKK-GARCH模型分析亞洲四國的股市和匯市聯動關系。李成等（2010）[8]采用VAR-GARCH-BEKK模型研究了我國股票、債券、外匯及貨幣市場，發現上述市場具有很強的波動集聚性和持續性。二是基于格蘭杰因果檢驗構建風險傳染復雜網絡并展開分析。Billio等（2012）[9]通過雙變量格蘭杰因果檢驗構建了美國銀行、保險、對沖基金等部門的收益率溢出網絡，發現收益率溢出指標能夠預警金融風險。Brunetti等（2019）[10]基于歐洲上市銀行數據構建國際金融危機前后的銀行間市場收益率關聯網絡，發現危機期間收益率網絡的聯動性顯著增強。楊子暉等（2020）[1]基于非線性的格蘭杰因果檢驗構建全球19個國家股票市場和外匯市場的風險傳染關系發現，股票市場是風險的主要輸出方，外匯市場則是風險的主要接收者。三是基于方差分解構建不同金融市場的風險傳染網絡并進行分析。Diebold和Yilmaz（2012）[11]基于方差分解方法，構建美國股票、債券、外匯和商品市場的波動率溢出網絡，發現上述四個市場中有12%的波動是由跨市場傳染造成的。此后，大量學者基于這一方法進行了深化研究。如Liow等（2018）[12]構建了一個7個國家4類金融市場的波動率溢出網絡，研究發現全球金融市場波動的71.8%來源于不同國家和資產的溢出效應。Reboredo和Ugolini（2015）[13]研究美國綠色債券市場與國債、公司債、股票、貨幣、能源市場之間的收益率溢出關系，發現綠色債券會受到國債和貨幣市場的影響，但反向溢出效應不強。傅強和張穎（2015）[14]基于方差分解方法研究了我國銀行、保險、房地產、證券等板塊的風險溢出效應。劉超等（2017）[15]采用GARCH模型測算貨幣、資本、商品、外匯、黃金、房地產市場的條件方差，并基于方差分解方法研究了不同市場的風險溢出狀況。宮曉莉和熊熊（2020）[16]基于TVP-VAR模型的方差分解研究了我國6類金融市場之間的特質性波動溢出效應。

近年來影子銀行迅速發展，影子銀行對我國金融穩定的影響成為受到廣泛關注的話題。學術界對這一問題的研究主要沿兩個方向展開：一是從微觀機制出發分析影子銀行對金融穩定的影響。Tang和Wang（2016）[17]將銀行費用和傭金收入作為影子銀行業務的代理變量，研究發現銀行通過影子銀行業務規避監管能改善盈利水平，但他們同時認為影子銀行擾亂了信貸體系，給監管制度帶來挑戰。Acharya等（2020）[18]研究發現資管產品的發展給發行銀行帶來較大風險，造成資管產品收益率上升，銀行間市場借貸利率上升，影響了發行銀行在股票市場的表現。二是從宏觀視角出發，通過對經濟金融變量構建宏觀模型，分析影子銀行的影響。如李向前等（2013）[19]將信托貸款和委托貸款作為影子銀行的測度指標，構建了一個金融穩定指數，通過向量自回歸模型的脈沖響應分析發現影子銀行導致我國金融穩定性降低。劉超和馬玉潔（2014）[4]構建了一個包括影子銀行、存貸款余額、同業拆借利率的向量自回歸模型，研究發現影子銀行對金融穩定產生了負向沖擊。方先明等（2017）[2]利用宏觀層面和金融機構層面的指標構建金融穩定指數，并基于TVP-VAR模型研究影子銀行對金融穩定的影響，發現影子銀行規模擴張短期內有助于促進金融穩定，但長期會對金融穩定造成不利影響。馬德功等（2019）[20]發現，商業銀行作為影子銀行體系最主要的資金供給方，與影子銀行的資產負債關聯越高，受到的風險傳染越強。李文喆（2020）[5]運用影子銀行、經濟增長、房價等變量構建結構向量自回歸模型，研究發現影子銀行主要通過房地產價格影響金融穩定。張冰潔等（2021）[3]發現，短期內影子銀行的風險會通過匯率向實體經濟傳遞，而長期內則會通過資產價格渠道傳染到債券市場。

三、金融風險跨市場溢出測度

（一）有向加權風險溢出網絡的構建方法

本文參考Diebold和Yilmaz（2012）[11]提出的方法，通過構建向量自回歸模型并進行廣義預測誤差方差分解來獲得不同市場之間收益率溢出的有向加權網絡。與基于格蘭杰因果檢驗構建的網絡相比，有向加權網絡能夠同時識別出節點風險溢出的方向和強度，目前在金融風險傳染領域應用廣泛。基于有向加權溢出網絡，可以計算總體和結構性溢出系數，用于測度金融風險水平（Liow等，2017；Tsai，2017）[12，21]。

先構建一個N變量VAP（p）模型：

[xt=i=1pΦixt-1+εt]? ?（1）

其中，[xt]是各市場的收益率指標，[εt]是服從獨立同分布的隨機誤差項，[εt～N（0，Σ）]。上式可以重新表述為移動平均形式：

[xt=i=0∞Aiεt]? ? （2）

其中，[Ai]是一個[N×N]的矩陣，服從如下遞歸過程：[Ai=Θ1Ai-1+Θ2Ai-2+…+ΘpAi-p]，對于[i<0]，有[Ai=0]。通過對上式進行廣義預測誤差方差分解可以獲得金融市場之間的風險溢出效應。[xi]對[xj]的未來Z期的廣義預測誤差方差可以表述為如下形式：

[?gijZ=σ-1jjz=0Z-1e'iAzej2z=0Z-1e'iAzA'zej]? ? ?（3）

其中，[Σ]是[εt]的方差協方差矩陣，[σjj]是[Σ]對角線上第[j]個元素，[ei]是第[i]個元素為1，其余元素為0的N維列向量。在廣義預測誤差方差分解中，每一行的和并不一定為1，因此，Diebold和Yilmaz（2012）[11]對方差分解結果進行標準化處理，公式如下：

[?gijZ=?gijZj=1N?gijZ]? ? （4）

在上式基礎上，可以計算由多個市場組成的整個金融系統的總體關聯度，將其稱為風險總溢出系數，公式為：

[SgZ=i，j=1i≠jN?gijZi，j=1N?gijZ×100]? ? （5）

在整個金融系統中，其他所有市場對市場[i]的風險溢出可以表示為如下公式：

[Sgi?Z=i=1i≠jN?gijZi，j=1N?gijZ×100]? ?（6）

市場[i]對其他所有市場的風險溢出可以表示為如下公式：

[Sg?iZ=j=1i≠jN?gijZi，j=1N?gijZ×100]? ? （7）

市場[i]的風險凈溢出可以表示為市場[i]向其他市場的風險溢出與其他市場向市場[i]的風險溢出的差，將其稱為市場[i]的風險凈溢出系數，其公式為：

[SgiZ=Sg?iZ-Sgi?Z]? ? （8）

根據上述原理，市場[i]對市場[j]的風險凈溢出可以表示為如下公式，將其稱為市場[i]對市場[j]的風險凈溢出系數：

[SgijZ=?gjiZi，k=1N?gikZ-?gijZj，k=1N?gjkZ]? ? ?（9）

（二）變量選擇和數據來源

參考宮曉莉和熊熊（2020）[16]的研究，本文構建我國股票、債券、外匯、黃金、房地產、貨幣、大宗商品7個市場的收益率溢出網絡。樣本區間為2006年1月1日—2020年12月31日，涵蓋了2008年國際金融危機、歐洲主權債務危機、2013年我國銀行間市場“錢荒”、2015年我國“股災”、2016年我國“債災”和2020年新冠疫情等重要風險事件。本文選取的7個市場的相關指標見表1，數據均來源于萬得數據庫。對各指標進行以下處理：首先，由于上述7個市場的交易日并不完全一致，為了保證時間上的一致性，參考既有研究中的數據采集方法，采用共同交易窗口來處理數據，刪除各市場交易時點不匹配的數據，保留公共交易時點下的數據，共得到3646個觀測樣本。其次，按照公式[Rt=logpt/pt-1×100%]，將除貨幣市場利率以外的其他6個指標轉換為收益率數據。最后，對上述7個指標進行ADF單位根檢驗，結果顯示在1%的顯著性水平上所有變量均為I（0）過程，可以用于建立向量自回歸模型。

關于影子銀行的規模，既有文獻采用多種方法進行過測算，如Chang等（2016）[22]以委托貸款、信托貸款、未貼現銀行承兌匯票為基礎測算了我國影子銀行的季度數據并定期對外發布，本文采用他們測算的數據①。

根據AIC準則，確定VAR模型的最優滯后期為1期。參照Diebold 和Yilmaz（2012）[11]，使用廣義向量自回歸的第10步預測計算風險溢出網絡。通過步長為1個交易日、窗口為240個交易日②的滾動估計，獲得時變的風險總溢出系數、不同金融市場的風險凈溢出系數、金融市場兩兩之間的風險凈溢出系數。

（三）金融市場風險總溢出系數的時變特征及驅動因素

圖1給出了金融市場風險總溢出系數的時變特征，我們在圖中標識出近年來的重大風險事件以檢驗本文構建指數的科學性。由于滾動樣本時間窗口為一年，因此，特定時點的風險總溢出系數表示過去一年的總體情況。為使影子銀行增速與風險總溢出系數相對應，圖1中的影子銀行增速為季度環比增速4期移動平均值。

從圖中可以看出，2007年以來風險總溢出系數經歷了四個階段：一是2007年初—2013年6月，波動上升；二是2013年7月—2017年12月，震蕩下行；三是2018年初—2020年3月，快速上升；四是2020年4月至今，高位回落。風險總溢出系數的波動能夠很好地反映重要的風險事件，比如2007年7月美國次貸危機爆發和2009年10月初希臘主權債務危機爆發后，國外風險向國內傳染，風險總溢出系數在此后均經歷了一個上升期；2013年6月我國銀行間市場爆發了歷史上最嚴重的一次“錢荒”，風險總溢出系數在當年6月21日飆升至歷史最高水平；2015年“股災”期間風險總溢出系數震蕩上升；2016年底“債災”期間風險總溢出系數創階段性高峰。可見，本文構建的風險總溢出系數可以有效反映我國金融市場的風險壓力。

圖1顯示影子銀行與風險總溢出系數密切相關。2012年之前，二者走勢高度一致，如影子銀行增速分別在2008年3月和2010年6月達到階段性高點，風險總溢出系數則分別在2008年2月和2010年6月達到階段性高點，影子銀行增速與風險總溢出系數幾乎完全同步。2013年中—2016年末，影子銀行增速和風險總溢出系數在大趨勢上仍然具有很強的一致性，影子銀行增速從2013年6月的8.2%下降至2016年“債災”時的1%，同期風險總溢出系數從44.6%回落至23.2%，二者均呈回落趨勢。2017年以來，影子銀行增速和風險總溢出系數的同向變動趨勢開始反轉，兩者呈現反向波動特征，如2016年12月—2017年12月影子銀行增速穩步回升，但風險總溢出系數波動下行；2018年1月—2019年1月影子銀行增速觸底回升，而同期風險總溢出系數則持續回落。

（四）各市場和不同傳染路徑風險凈溢出系數的特征分析

圖2給出了樣本期內不同金融市場的風險凈溢出系數，可以看出不同市場的風險凈溢出差異較大。股票、房地產市場大多數時候表現為風險凈溢出，外匯、黃金、貨幣市場大多數時候則表現為風險凈溢入，債券、大宗商品市場呈現出風險凈溢出和風險凈溢入的雙向特征，在金融風險傳染中扮演的角色較為復雜。本文測算的風險凈溢出系數較好捕捉了極端風險事件。以2013年“錢荒”為例，風險主要從貨幣市場和債券市場溢出并向股票市場和房地產市場傳染。這一風險事件主要在國內金融市場傳染，涉外金融市場未受明顯影響，故大宗商品市場和外匯市場的風險凈溢出系數未受到明顯影響。

直觀對比來看，影子銀行對大宗商品市場的風險溢出可能存在一定影響。2014年之前影子銀行快速增長，大宗商品市場主要表現為風險凈溢出；2014年之后影子銀行增長放緩，大宗商品市場風險凈溢入情況有所增加。這可能與影子銀行快速發展的驅動內核在2014年前后發生了轉變有關。2014年前，影子銀行的快速擴張實際是銀行傳統資產負債業務向表外延伸，這期間實體經濟融資需求旺盛，影子銀行對大宗商品市場的影響程度不高。2014年后，融資需求逐漸萎縮，影子銀行的進一步擴張轉向了監管空白領域，大量資金進入各類市場，影子銀行也更多地開始借助大宗商品進行金融套利。由于不同市場風險溢出的特征差異較大且比較復雜，因此，僅通過直觀對比無法精確刻畫影子銀行對金融風險傳染機制的影響。

圖3進一步給出了不同市場兩兩之間的風險凈溢出情況，由于篇幅有限，此處僅展示樣本期內方差最大的前10條風險傳染路徑。可以看出，方差最大的前10條傳染路徑主要涉及債券、匯率、商品三個市場。債券市場向貨幣市場溢出的強度較大、波動性較高，這與我國貨幣市場資金主要投向債券市場的現實情況相吻合。股票市場向匯率市場的溢出較強，尤其是2018年以來溢出強度明顯提高，一個可能的解釋是“滬港通”和“深港通”開通后外資持有我國A股的比例不斷上升，股市波動對外匯市場的影響隨之增大。匯率向房地產市場的溢入強度較高，即風險從房地產市場向匯率市場傳染，外資購買我國房產的規模較大，房地產波動會導致匯率承壓。

市場兩兩之間的風險凈溢出波動性較大。一方面，雖然凈溢出系數的方向變化不大，但凈溢出系數的水平波動較大，如股市—商品市場的凈溢出系數在樣本期內大部分時期為正，但溢出的強度呈現明顯的周期性波動；另一方面，凈溢出系數的方向和強度均波動較大，如債券—匯率市場的風險溢出方向和強度均呈現出較強的波動性。

上述分析表明，金融市場風險總溢出系數與影子銀行具有很強的相關性。但是，金融風險跨市場傳染會受到多種因素的影響，各市場的凈溢出系數、市場兩兩之間的凈溢出系數表現出很強的波動性，僅通過描述性分析和直觀觀察很難捕捉到影子銀行對風險傳染的影響機制。因此，我們構建向量自回歸模型并進行脈沖響應分析，來進一步捕捉影子銀行發展對我國金融風險跨市場傳染的影響機制。

四、影子銀行對風險跨市場傳染的影響——基于BVAR模型

（一）貝葉斯向量自回歸模型介紹

無約束向量自回歸模型（以下簡稱VAR）是宏觀經濟分析的重要工具，但存在參數過多、過度擬合等問題。本部分構建的向量自回歸模型變量較多而樣本期較短，采用常規估計會面臨“維數詛咒”問題，無法準確估計模型參數，因此，我們采用貝葉斯方法估計模型參數。貝葉斯向量自回歸模型將參數看作是具有某種先驗分布的隨機變量，先驗分布與似然函數結合得到后驗分布，避免了VAR模型的自由度損失問題。假設一個滯后期為p的VAR模型：

[yt=a0+j=1pAjyt-1+εt]? （10）

其中，[yt]是一個m×1階的矩陣，[εt]是m×1階的殘差項，[εt?N0，Σε]，上式可以寫成如下緊湊形式：

[Y=XA+E] 或者[y= Im?Xθ+e]? （11）

其中，[Y]和[E]是T×m階的矩陣，[X= x1，…，xt']是一個T×（mp+1）階矩陣，[xt=1，y't-1，…，y't-q]，[θ=VECA]，[e?N（Σε?IT）]。貝葉斯估計的優勢在于對先驗信息的利用，本文采用常用的Minnesota先驗分布。Minnesota先驗分布假設[Σε]已知，先驗分布[θ?Nθ0，V0]。根據貝葉斯定理，后驗分布可以表述成如下形式：

[πθ|y∝exp-12θ-θ'V-1θ-θ]? ? （12）

其中，后驗均值[θ]為：

[θ=V-10+Σ-1??X'X-1V-10θ0+Σ-1??X'y]

（13）

后驗方差[V]為：

[V= V-10+Σ-1??X'X-1]? ? （14）

采用Minnesota先驗分布進行估計時，需要先設定模型超參數。對于先驗分布的均值[θ0]，參考既有研究將其設定為0。對于先驗分布的方差[V0]，其元素為[vlij]，[l=1，…，p]，[vlij]，形式如下：

[vlij=λ1lλ32，i=jλ1λ2σilλ3σj2， i≠j]? ? （15）

其中，[σi]是矩陣[Σε]對角線上的第[i]個元素。[λ1]的取值范圍是[0，∞]，[λ2]的取值范圍是（0，1），[λ3]的取值范圍是[0，1]。在確定模型參數時，本文使用matlab BayVAR工具包，以誤差平方和最小為目標對超參數進行搜索，最終確定參數值。

本部分通過構建的貝葉斯向量自回歸模型考察影子銀行對金融風險跨市場傳染的影響，共涉及以下三類變量：一是影子銀行季度環比增速，根據Chang等（2016）[22]測算的影子銀行規模計算得到。二是風險總溢出系數、金融市場風險凈溢出系數、兩兩市場之間的風險凈溢出系數，均由本文測算得到。由于影子銀行數據的頻率為季度，為了使風險溢出數據和影子銀行數據匹配，我們分季度重新測算了風險溢出系數值。三是GDP季度環比增速、各項貸款季度環比增速，引入這兩項指標是為了控制經濟增長和正規金融對風險溢出的影響，該兩項指標根據Chang等（2016）[22]的數據計算得到。樣本期為2006年第一季度—2020年第四季度。ADF單位根檢驗顯示在5%的顯著性水平上所有變量均為I（0）過程。

（二）影子銀行對各金融市場風險凈溢出的影響

先構建一個包含金融市場風險總溢出系數、7個市場風險凈溢出系數、影子銀行季度環比增速、GDP季度環比增速和各項貸款季度環比增速共11個變量的貝葉斯向量自回歸模型，考察影子銀行對總體金融風險和各市場的影響。網格搜索確定的超參數取值為[λ1] =0.31，[λ2] =0.21，[λ3] =0.91，AIC準則顯示模型最優滯后期為2。由于無法確定不同變量之間影響的先后順序，此處采用廣義脈沖響應進行分析。

影子銀行發展對金融風險跨市場溢出產生了顯著影響。從脈沖響應圖可以看出（見圖4）：一是影子銀行提升了金融市場的總體風險溢出程度，1單位的影子銀行沖擊導致風險總溢出系數最多上升0.6個單位，且這一影響持續兩年左右。可見，影子銀行復雜的業務結構將不同市場關聯起來，確實會增大風險跨市場傳染的壓力。二是影子銀行對不同金融市場的影響存在顯著的異質性。影子銀行強化了外匯市場、貨幣市場、黃金市場和大宗商品市場的風險凈溢出，即影子銀行的發展使得上述四個市場的風險更容易傳染給其他市場。其中，黃金市場的反應最強烈，影子銀行1單位沖擊導致黃金市場風險凈溢出上升2個單位，但這一影響僅持續了一個季度；對外匯市場影響的持續性最強，在沖擊發生后的8個季度后回歸至0，持續時間長達兩年。貨幣市場和大宗商品市場的脈沖響應強度均在1.5左右，持續時間均為1個季度。三是影子銀行造成股票市場、債券市場和房地產市場的風險凈溢出下降，即影子銀行使上述三個市場更容易受到其他市場的影響。其中，債券市場反應最強烈，1單位影子銀行沖擊導致債券市場風險凈溢出下降了4.5個單位，在所有市場中受到的沖擊最大。影子銀行的發展使得債券市場成為風險“洼地”，主要是由于大量資金通過影子銀行產品最終流向債券市場，其他市場的風險極易沿著資金鏈向債券市場溢出。房地產市場風險凈溢出下降1.5個單位，影響持續8個季度左右。股票市場風險凈溢出在第1期上升0.2個單位，但第2期之后開始下降且一直持續至第8期。

綜上，影子銀行提升了我國金融市場的風險溢出強度，導致金融風險從匯率、黃金、貨幣和大宗商品市場向債券、股票和房地產市場傳染，特別是債券市場受影子銀行的沖擊最大。

（三）影子銀行對不同風險傳染路徑的影響分析

進一步構建一個包含金融市場兩兩之間風險凈溢出系數③、影子銀行季度環比增速、GDP季度環比增速和各項貸款季度環比增速共24個變量的貝葉斯向量自回歸模型，考察影子銀行對不同風險傳染渠道的影響。網格搜索確定的超參數為[λ1] =0.91，[λ2] =0.01，[λ3] =0.01，AIC準則顯示模型最優滯后期為2。圖5給出了影子銀行對不同市場兩兩風險凈溢出系數的沖擊，其中第i行第j列表示的是市場j向市場i的風險凈溢出系數對影子銀行沖擊的脈沖響應圖。

由于影子銀行業務模式具有高度復雜性和多樣性，不同風險傳染渠道對影子銀行沖擊的脈沖響應差異明顯。通過脈沖響應圖可以看出，影子銀行極大地增強了債券市場的風險溢入，影子銀行的發展導致其余六個市場向債券市場的風險傳染均有所提高。特別是貨幣市場向債券市場的風險溢出，最多上升了2.3個單位，影響持續三個季度，在所有風險傳染渠道中反應最強烈。其次是黃金市場向債券市場的風險溢出，最多上升0.96個單位；再次是商品市場向債券市場的風險溢出，最多上升0.91個單位。影子銀行提升了黃金市場的風險凈溢出水平，即影子銀行的發展加劇黃金市場向其余六個市場的風險傳染，特別是黃金市場向債券市場的風險傳染上升最明顯。

影子銀行對其他市場風險溢出路徑的影響更加復雜。如股票市場，面對影子銀行沖擊，股票市場向債券、房地產和貨幣市場的風險溢出增強，向外匯、黃金和商品市場的風險溢入增強，即影子銀行的發展導致股票市場的風險更容易向債券、房地產和貨幣市場傳染，但同時也導致外匯、黃金和商品市場的風險更容易傳染至股票市場。影子銀行的發展使股票市場成為風險傳染的“中繼器”。貨幣、外匯、房地產和商品市場的表現與股票市場類似。影子銀行對不同風險傳染路徑的這種異質性復雜影響，極大提升了風險防范的難度，這是影子銀行威脅金融穩定的一個重要表現。

五、業務視角下影子銀行扭曲風險傳染機制的再討論

前述分析表明，債券市場的風險傳染特征受影子銀行影響最大，特別是貨幣市場向債券市場的風險溢出在所有傳染渠道中受影響最大。本部分從業務視角出發，以貨幣市場向債券市場的風險溢出為例，進一步討論影子銀行扭曲金融風險傳染的內在機制。

（一）關于影子銀行影響貨幣向債券市場風險溢出的兩個假設

2015年以來我國貨幣市場進入低利率、低波動時期，2015—2020年7天銀行間同業拆借利率均值為2.97%，標準差為0.56，而2010—2015年的均值和標準差分別為3.54%和1.27。在這樣一種宏觀背景下，從貨幣市場融入低成本短期資金，并在債券市場加杠桿投資，成為金融機構獲得超額利潤的一種普遍操作模式。但是，在影子銀行出現之前，債券投資者只能通過場內回購的方式加杠桿，政策約束較多，杠桿水平被嚴格限制。如《上海證券交易所債券質押式回購交易風險控制指引》規定，融資回購交易放大倍數最大不超過五倍；證監會《公開募集證券投資基金運作管理辦法》規定，公募基金場內回購形成的凈杠桿不超過40%。影子銀行使金融機構有了突破監管限制的工具，投資者通過場外產品設計，利用委外投資、債券代持等結構化影子銀行產品，掃清了資金流動障礙，打通了貨幣市場和債券市場，將債券市場杠桿推升至較高水平。中央國債登記結算有限責任公司2016年底測算顯示，我國債券代持規模為12萬億元，債券代持使債券市場杠桿從109%上升至156%。貨幣市場推升債券市場杠桿這一現象增大了貨幣市場風險向債券市場傳染的壓力。當市場流動性穩定時，貨幣市場資金大量涌入債券市場，兩個市場的聯系日益緊密，債券市場杠桿不斷上升；而當貨幣市場出現波動，資金面較為緊張時，貨幣市場向債券市場的資金流動便會停滯甚至發生逆轉，債券市場杠桿高位承壓，甚至出現擠兌式拋售，導致價格大幅波動，最終體現為貨幣市場風險向債券市場傳染。上述關系如圖6所示。

通過上述梳理可以發現，較低且穩定的貨幣市場利率會催生金融機構對于影子銀行業務的需求，而影子銀行的存在則進一步便利了債券市場的加杠桿行為，推高債券市場杠桿，這是影子銀行加劇貨幣市場風險向債券市場傳染的內在邏輯。我們提出兩個假設，利用格蘭杰方法進一步檢驗這一論斷：

假設1：貨幣市場利率和波動性是影子銀行增速的格蘭杰原因。

假設2：影子銀行增速是債券市場杠桿的格蘭杰原因。

（二）指標構建及檢驗結果

假設1和假設2共涉及4項指標。由于影子銀行數據為季度頻率，因此，我們采用季度數據進行格蘭杰因果檢驗。其中，影子銀行增速（gshb）的含義與第四部分相同。其余指標的含義如下：

1. 債券市場杠桿率（blev）。參考市場機構的做法，用債券托管量/（債券托管量-待回購債券余額）測度債券市場杠桿率。根據上述指標的月度值計算得到月度的杠桿率，然后進行季度平均獲取季度的債券市場杠桿率數據。

2. 貨幣市場利率（int）和波動率（vol）：直接采用7天銀行間同業拆借利率代表貨幣市場利率水平。對于貨幣市場波動率，目前并沒有官方指標，因此，我們采用GARCH（1，1）模型提取貨幣市場利率的條件方差測度市場波動率，GARCH（1，1）模型如下：

[Rt=μt+σtεt，εt～WN0，1]? ? （16）

[σ2t=ω+αRit-1-μi2+βσ2t-1]? ? （17）

其中，[Rt]是銀行間7天同業拆借利率，[μt、ω、α、β]是模型的系數，[σt]是條件方差時間序列，用以測度市場波動率的測度。[Rt]和[σt]均為日度頻率數據，對其取季度平均得到季度的貨幣市場利率（int）和波動率（vol）數據。格蘭杰因果檢驗的樣本期為2006年第一季度—2020年第四季度。對blev、int、vol和gshb四個變量進行平穩性檢驗，結果表明四個變量均為I（0）過程，可以直接進行格蘭杰因果檢驗。AIC準則顯示最優的滯后期為2個季度。檢驗結果見表2。可以看到，模型在5%的顯著性水平上拒絕了int不是gshb的格蘭杰原因的原假設，即貨幣市場利率是影子銀行增速的格蘭杰原因；在1%的顯著性水平上拒絕了vol不是gshb的格蘭杰原因的原假設，即貨幣市場波動率是影子銀行增速的格蘭杰原因。據此，假設1得到了驗證，貨幣市場利率和波動率會引起影子銀行增速的變動。模型在5%的顯著性水平上拒絕了gshb不是blev的格蘭杰原因，即影子銀行的增速會引起債券市場杠桿的變化，假設2也得到驗證。

六、結論與政策建議

本文基于廣義預測誤差方差分解，構建我國股票、債券等7個金融市場的有向加權風險溢出網絡，測算不同金融市場和傳染渠道的風險溢出系數，進一步構建包含風險溢出系數和影子銀行增速的大型貝葉斯向量自回歸模型，探析影子銀行發展對我國風險跨市場傳染的影響機制。結論表明：一是影子銀行強化了我國金融風險跨市場溢出水平，影子銀行1單位沖擊導致風險總溢出系數最大上升0.6個單位，持續時間為兩年。影子銀行增強了匯率、貨幣、黃金和大宗商品市場的風險凈溢出，其中黃金市場反應強度最大，匯率市場反應持續時間最長。影子銀行增強了股票、債券和房地產市場的風險凈溢入，其中債券市場反應強度最大，房地產市場反應持續時間最長。二是影子銀行沖擊使債券市場承壓最大，其他6個子市場向債券市場的風險溢出均有所增強。影子銀行導致股票、貨幣、外匯、房地產和商品市場向一部分市場的風險溢出上升，向另一部分市場的風險溢入上升，強化了這些市場風險傳染的“中繼器”作用。三是面對影子銀行沖擊，貨幣市場向債券市場的風險溢出在所有傳染渠道中反應最強烈。進一步基于格蘭杰因果檢驗的分析發現，貨幣市場利率和波動率是影子銀行增速的格蘭杰原因，影子銀行增速是債券市場杠桿的格蘭杰原因。影子銀行成為貨幣市場資金流向債券市場的中介，刺激債券市場杠桿率上升，加大了貨幣市場風險向債券市場傳染的壓力。

結合本文結論，針對下一步影子銀行發展和我國金融風險防控，提出如下政策建議：一是加大風險監測力度。建立全覆蓋的資管統計監測體系，建立風險跨市場傳染的監測制度，重點加強債券市場風險監測，防范貨幣市場流動性風險向債券市場傳染。提升對外匯、大宗商品等外向型市場的風險預警水平，防范外部風險通過影子銀行業務向國內傳染。二是嚴控不合規加杠桿行為。影子銀行所引發的不合規加杠桿是重要的風險隱患，容易成為金融風險的導火索。因此，要完善監管政策措施，加大政策執行力度，提升金融機構內控水平，控制債券交易加杠桿行為。三是推動《關于規范金融機構資產管理業務的指導意見》平穩有序實施。一方面，要積極推動影子銀行風險化解，特別是對于違規影子銀行業務要及時取締；另一方面，也要密切關注影子銀行壓降過程中的苗頭性風險，給予金融機構必要的轉型時間。

注：

①相關數據見：https：//www.atlantafed.org/cqer/research/china-macroeconomy.aspx。

②2006—2020年金融市場每年平均有243個交易日，故將窗口設定為240個交易日相當于1年。

③由于A對B的溢出與B對A的溢出是相反數，因此，7個市場兩兩之間共存在21條不同絕對值的傳染渠道。

參考文獻：

[1]楊子暉，陳里璇，陳雨恬.經濟政策不確定性與系統性金融風險的跨市場傳染——基于非線性網絡關聯的研究 [J].經濟研究，2020，（01）.

[2]方先明，謝雨菲，權威.影子銀行規模波動對金融穩定的溢出效應 [J].經濟學家，2017， （01）.

[3] 張冰潔，汪壽陽，魏云捷，趙雪婷.我國影子銀行的風險傳導渠道及監管對策研究 [J].系統工程理論與實踐，2021，41（01）.

[4]劉超，馬玉潔.影子銀行系統對我國金融發展、金融穩定的影響——基于2002—2012年月度數據的分析[J].經濟學家，2014，（04）.

[5]李文喆.中國影子銀行的經濟學分析：對金融穩定的影響 [J].金融監管研究，2020，（05）.

[6]Kanas A. 2000. Volatility Spillovers Between Stock Returns and Exchange Rate Changes： International Evidence [J].Journal of Business Finance & Accounting， （3）.

[7]Caporale G M，Pittis N，Spagnolo N. 2002. Testing for Causality‐in‐Variance：An Application to the East Asian Markets [J].International Journal of Finance & Economics，（3）.

[8]李成，馬文濤，王彬.我國金融市場間溢出效應研究—基于四元VAR-GARCH（1，1）-BEKK模型的分析 [J].數量經濟技術經濟研究，2010，（06）.

[9]Billio M，Getmansky M，Lo A W，Pelizzon L. 2012. Econometric Measures of Connectedness and Systemic Risk in the Finance and Insurance Sectors [J].Journal of financial economics， 3.

[10]Brunetti C，Harris J H，Mankad S，Michailidis G. 2019. Interconnectedness in the interbank market [J].Journal of Financial Economics，（2）.

[11]Diebold F X，Yilmaz K. 2012. Better to Give than to Receive： Predictive Directional Measurement of Volatility Spillovers [J].International Journal of Forecasting，（1）.

[12]Liow K H，Liao W C，Huang Y. 2018. Dynamics of International Spillovers and Interaction：Evidence from Financial Market Stress and Economic Policy Uncertainty [J].Economic Modelling， （68）.

[13]Reboredo J C，Ugolini A. 2015. Systemic Risk in European Sovereign Debt Markets：A CoVaR-copula Approach [J].Journal of International Money和Finance， （51）.

[14]傅強，張穎.我國金融系統的風險溢出效應研究—基于溢出指數的實證分析 [J].宏觀經濟研究，2015，（07）.

[15]劉超，徐君慧，周文文.中國金融市場的風險溢出效應研究——基于溢出指數和復雜網絡方法 [J].系統工程理論與實踐，2017，（04）.

[16]宮曉莉，熊熊.波動溢出網絡視角的金融風險傳染研究 [J].金融研究，2020，（05）.

[17]Tang J，Wang Y. 2016. Effects of Shadow Banking on Return：A Empirical Study Based on Chinese Commercial Banks [J].International Journal of Financial Research，（1）.

[18]Acharya V V，Qian J，Su Y，Yang Z. 2020. In the Shadow of Banks：Wealth Management Products and Issuing Banks' Risk in China [J].NYU Stern School of Business.

[19]李向前，諸葛瑞英，黃盼盼.影子銀行系統對我國貨幣政策和金融穩定的影響 [J].經濟學動態，2013，（05）.

[20]馬德功，趙新，韓喜昆.商業銀行參與影子銀行業務與金融風險傳染——基于影子銀行體系資金供給方的視角 [J].重慶大學學報（社會科學版），2019，25（03）.

[21]Tsai? I C. 2017. The Source of Global Stock Market Risk：A Viewpoint of Economic Policy Uncertainty [J].Economic Modelling，（60）.

[22]Chang C，Chen K，Waggoner D F，Zha T. 2016. Trends and Cycles in China's Macroeconomy [R].NBER MacroeConomics Annual， 30（1）.