大金融科技行業風險識別與溢出效應測度

摘" "要：近年來，大型科技公司憑借資本、技術、平臺優勢，與金融業加速融合，成為跨界混業的新型大金融科技行業。科技行業逐步金融化，加劇了新舊金融風險疊加、衍化和傳染溢出。本文從“太大而不能倒”和“太關聯而不能倒”雙維角度出發，選取2015—2022年銀行、證券、保險及港股科技指數作為樣本，建立DCC-GARCH-CoVaR模型并結合風險溢出路徑，對中國大金融科技行業的風險情況進行識別與評估。結果表明：大金融科技行業收益率波動大于傳統金融業;大金融科技行業與證券業、保險業的動態關聯性處于較高水平，與銀行業動態相關性相對較低;大金融科技行業與傳統金融業風險溢出效應有雙向性，且呈現不對稱性，其中前者風險溢出更為顯著，存在明顯時變性。本文認為，要有效防范大金融科技行業風險滋生與溢出，必須樹立先進監管理念，建立大金融科技行業反壟斷機制，改進大金融科技行業監管模式。

關鍵詞：大科技公司;金融科技;風險識別分析;風險溢出效應;DCC-GARCH-CoVaR

DOI：10.3969/j.issn.1003-9031.2024.08.001

中圖分類號：F832" " " " " " "文獻標識碼：A" " "文章編號：1003-9031（2024）08-0003-15

一、引言

近年來，第四次工業革命方興未艾，數字化浪潮勢不可擋，大數據、區塊鏈、云計算、人工智能等新興技術廣泛運用，推動了互聯網金融向金融科技的衍化升級。頭部科技平臺憑借固有資本、技術、數據等優勢，競相逐鹿金融科技行業進行跨界混業經營，大金融科技行業因此應運而生。金融科技在推動金融創新、提升金融效率的同時也帶來一系列風險隱患。當前，大金融科技行業內頭部企業在第三方支付市場占有絕對優勢，具備系統重要金融機構的特征，風險可能由傳統基礎平臺傳染至金融科技市場。此外，由于“科技+金融”的雙重屬性，加上固有平臺特征，大金融科技行業不僅存在傳統金融風險，還會引發數據泄露、算法歧視、技術漏洞等新型風險，各種風險相互交織疊加，形成十分復雜隱蔽的金融科技風險。

金融科技行業的頭部企業具備系統重要性，“數字壟斷”優勢的存在使得其金融業務競爭優勢加強;同時基于業務規模和重要市場職能，大金融科技行業處于金融系統的網絡中心并與其他行業聯系緊密，風險關聯性也更強。從一定程度上來說，這些平臺金融巨頭正在形成新的“太大而不能倒”和“太關聯而不能倒”，一旦風險爆發，對金融市場造成的沖擊難以估量。基于此，本文利用2015—2022年上市機構數據，構建DCC-GARCH-CoVaR模型，計算CoVaR值和ΔCoVaR值以測度大金融科技行業與傳統金融業間的風險溢出效應。在此基礎上，探究包含關鍵信息的%CoVaR風險溢出路徑，識別大金融科技行業風險貢獻度;最后探討大金融科技行業風險防控對策，建立大金融行業公司監管機制。

二、文獻綜述

（一）大金融科技行業

金融穩定理事會（FBS）在2016年將金融科技定義為“技術帶動的金融創新”，即通過人工智能、大數據、區塊鏈等前沿技術推動金融業出現新模式、新應用及新服務。Gai et al.（2018）則認為FinTech除了指代被金融服務機構采用的新技術外，通常還可用于指代業務范圍寬泛的企業或機構中的金融技術部門，這些主體使用信息技術以提升服務質量。Carstens（2019）指出狹義的金融科技主體通常是科技公司，分為初創型金融科技公司與大型金融科技公司。巴曙松和白海峰（2016）認為金融科技是將大數據、區塊鏈、人工智能等技術運用于金融行業，進而降低金融行業成本并提高效率的手段。皮天雷等（2018）主張金融科技是以新興科技為后端支撐，給傳統金融行業帶來業務模式的金融創新，提升了金融服務效率，革新了金融市場，同時創造了新金融產品、新金融服務需求以及新金融業務模式。方意等（2021）研究認為大科技公司依托數據流量、新興技術及平臺優勢跨界金融領域，引發出新一輪金融創新，進一步提升金融效率，但也帶來一系列金融風險隱患。尹振濤和馮心歌（2020）認為大金融科技是具有數字技術優勢的大型領先科技公司在多重供需因素的驅動下涉足金融領域，并逐步構建獨特的運營模式和金融生態。

（二）大金融科技行業風險傳播與效應

Parminder et al.（2022）研究發現金融科技影響金融業，傳統銀行業可以從新興技術中獲益，但易帶來對技術依賴性增加、成本高昂、與數據有關的安全風險等弊端。Vu[C][ˇ]ini[C]['] Milena and Luburi[C]['] Radoica（2022）認為金融科技創新（FinTech）正在改變傳統金融服務提供方式，對金融體系構成潛在威脅。Anagnostopoulos（2018）研究認為金融科技會衍生出交叉風險。方意等（2021）對大型科技公司典型商業模式進行分析，認為大科技公司進入金融領域，兼具互聯網屬性和金融屬性。盡管兩種屬性可以產生協同作用但并未改變金融業務的本質，反而形成了混業經營的綜合化金融平臺，其風險隱患具有內外部雙重效應。蔚趙春和徐劍剛（2017）認為金融科技產生跨界金融，不同業務之間進行關聯滲透，市場風險滲透力和傳染力更強。根據馬太效應，金融科技巨頭強者恒強，容易產生寡頭壟斷風險。孫天琦（2020）認為金融科技帶來新的系統性風險傳染渠道，金融科技應用越廣，越容易產生復雜的網絡效應和傳染性。曹齊芳和孔英（2021）用TENET方法構建了金融科技公司和傳統金融機構的風險關聯網絡，研究指出金融科技公司與銀行和證券相比具有更強的內部和外部風險暴露。王志宏和孫鵬（2021）采用分位數回歸的CoVaR方法測度金融科技對商業銀行體系的風險溢出效應，結果表明金融科技對商業銀行體系的系統性風險溢出效應均大于商業銀行對金融科技的溢出效應。

（三）大金融科技行業風險監管

Magnuson（2018）認為應對金融科技風險進行實質性監管，一方面賦予監管者事前限制傳播機制的權限，以防止潛在的風險關聯;另一方面為穩定金融科技市場，可以設立權威機構采取具體而直接的事后行動來抑制沖擊。Ramona and Stefan（2022）提出監管是金融科技公司發展過程中的重要問題，其中亟待解決的是缺乏適合金融科技行業的特殊監管框架。尹振濤等（2020）提出要采取更加審慎的監管措施，避免因過度監管而阻礙行業發展，或因監管不力而引致風險。胡濱和楊濤等（2021）認為要合理把握大金科技金融監管的度和邊界，使得金融監管、社會治理和政府監管的協同發展。高惺惟（2021）主張加快構建大科技金融的監管框架，遏制無序的資本擴張，促進公平競爭，維護金融市場秩序，從而防控系統性金融風險。郭文偉等（2023）指出為了及時識別潛在的金融科技整體風險和個體風險，監管當局可以采用大數據分析和數據可視化技術建立金融科技監測和預警機制。陳萌（2022）從反壟斷、數據核查和隱私保護、科技監管等方面提出了改進金融科技監管的思路。

綜上，目前學術界對金融機構系統性風險溢出和風險監管予以較多關注并進行了深入研究，而對大金融科技行業風險未予以足夠的關注，雖然有少數學者開始注意到大金融科技行業，但主要集中于大金融科技行業的特征與效應研究，對大金融科技行業風險的系統研究鮮見。本文基于金融科技風險識別和傳染溢出的相關研究，建立DCC-GARCH-CoVaR模型對中國大金融科技行業的風險情況進行定量識別與評估。

三、研究設計

（一）風險模型

1.VaR模型

VaR（Value at Risk）模型，即風險價值模型，能度量一定時間內某一資產或投資組合在給定置信度下可能的最大損失，模型可以表示為：

P（△P≤VaR）=1-α（1）

其中，P為概率，α為置信度，△P=P-P為標的在未來△t時間區間內的損失值，P為標的在t時間的價值。

2.CoVaR模型

CoVaR模型是一種多變量風險管理模型，旨在評估系統性風險貢獻。與VaR模型相比，其考慮到了各金融板塊間的相互影響和關聯關系，具有更為全面的統計功能，可以測量分析出市場上某一金融部門遭遇極端情況時，市場上與其相關聯的金融部門所面臨的風險水平，因此能夠更好地反映系統性風險，CoVaR模型可以表示為：

P（X≤CoVaR|X≤VaR）=q%，0lt;qlt;1（2）

其中，CoVaR是機構i在機構j收益率為VaR時的風險價值，由i的在險價值VaR和j對i的風險溢出值△CoVaR兩部分組成，表示為：

CoVaR=VaR+△CoVaR（3）

將該公式變形可得△CoVaR：

△CoVaR=CoVaR-VaR（4）

（二）波動模型

1.ARCH 模型

ARCH（Autoregressive Conditional Heteroskedasticity）模型，是一種用于描述時間序列中異方差性的經濟計量模型。ARCH模型通常應用于金融市場和宏觀經濟學領域，通過分析金融時間序列誤差項的方差，對金融資產收益率和波動率的變化進行建模和預測。滯后階的ARCH（p）模型可表示為：

y=β+βx+μ，μ～N（0，σ）（5）

σ=E（μ|μ，μ，…）=α+αμ（6）

其中，μ為無序列相關性的隨機干擾項，σ數理意義為t時刻干擾項方差，代表金融序列風險水平，然而ARCH模型估計結果往往會因為參數過多而不理想。

2.GARCH 模型

GARCH模型（廣義ARCH模型），將σ的多個滯后項用自身一個滯后項替代，有效減少了所需參數的個數，提升了模型估計的效率和精度，表示為：

σ=α+αa+βσ（7）

a=υσ（8）

其中，a為擾動項，υ是一組白噪聲序列，σ為時間的條件異方差，通常是a的函數，a稱為ARCH項，σ稱為GARCH項。學者發現GARCH（1，1）對金融序列波動性擬合效果好，且模型簡單易用。GARCH（1，1）模型公式表示為：

σ=α+αa+βσ（9）

其中，α、α、β均大于零，為了保證

a平穩，要求α+βlt;1。擾動序列a表示為：

a=υ（10）

3.DCC-GARCH 模型

Engle（2002）提出了DCC-GARCH（Dynamic Conditional Correlation GARCH）模型，是GARCH模型的擴展，其在GARCH模型基礎上引入了動態相關系數，能夠同時對多個資產的波動率和相關性進行建模，并在時間上動態調整相關系數，準確地反映不同資產之間的相關性變化。具體而言，DCC-GARCH模型可表示為：

H=（h）=DRD（11）

R=QQQ（12）

Q1-α-β+αεε-βQ（13）

Dt=diga（14）

其中，H為協方差矩陣，D為標準差結果取對角項，R表示研究序列的動相關性，ε為標準化處理后的殘差項，是標準殘差的條件方差，α和β分別表示樣本外部敏感度和衰減系數，α和β之和小于1，越接近1代表收益率序列波動越平穩和持久。

（三）風險溢出模型

CoVaR模型下的風險溢出模型包括分位數回歸法、Copula函數法及DCC-GARCH模型法。其中，分位數CoVaR對于非線性結構的風險相關關系計算不準確，適用于線性關系。Copula函數法特別強調尾部風險研究，而在處理二元變量時容易導致稀疏性問題，并且模型的計算十分復雜。而DCC-GARCH模型能有效估計大規模變量矩陣，更準確地衡量相鄰時期間的風險傳遞，有效反映動態相關性的變化，在風險管理和投資組合優化方面具有較好的應用前景，有利于研究時變與非線性的變量關系。此外，與其他多元GARCH模型相比，該模型具有較高的計算效率和較強的穩健性，能夠應對金融市場中變量之間的異質性和非對稱性等復雜特征。因此，本文主要利用DCC-GARCH模型方法進行CoVaR值計算。

姜永宏等（2019）研究發現，金融股票時間序列的風險損失往往服從有條件的二元正態分布，即：

X，X～N00， （15）

其中，σ和σ是金融序列α、β的條件方差和動態條件相關系，根據正態分布可得：

X|X～N，1-（ρ）（σ）（16）"Prx=VaR≤=q%（17）

由于～N（0，1），且α序列的VaR=Φ（q%），則在α序列發生風險損失時，β序列條件在險價值表示為：

CoVaR=Φ（q%）σ+Φ（q%）ρσ（18）

金融序列α對金融序列β的邊際風險溢出程度和風險貢獻度分別為：

ΔCoVaR=Φ（q%）ρσ（19）

%ΔCoVaR=ΔCoVaR/VaR（20）

四、實證結果與分析

（一）大金融科技行業風險分析

1.數據選取和變量說明

本文主要研究大金融科技行業與傳統金融業的風險溢出情況，中證指數有限公司編制的港股科技指數包含科技龍頭公司，能較好反映大金融科技行業的整體情況，因此本文采用中證港股科技指數測量大金融科技行業風險水平。金融機構選擇方面，大金融科技行業業務合作方和競爭方主要是銀行、證券和保險這三個行業。基于此，本文參照郭文偉和王禮昱（2019）等的研究結果，選取中證銀行指數、中證全指證券公司指數、中證方正富邦保險主題指數以及中證香港科技指數代表我國銀行業、證券業、保險業以及大金融科技行業的發展狀況。在此基礎上，將各指數作為解釋變量，對其日度收盤價進行處理，進而分析大金融科技行業的風險溢出效應。

本文研究目標為2016年及之后我國金融科技迅速發展階段，因此選取了各指數2015年1月1日至2022年12月31日的交易日收盤價，剔除非交易日數據，并對存在缺失數據進行刪除或插補，共得到1948個有效交易日樣本，數據來源于中證指數（CSI）、同花順。具體指數構成如表1所示。

由于選取各板塊指數的原始數據是每日收盤價，而收盤價時間序列一般波動性較大，因此本文進行一階對數差分處理，得到相對平穩的對數收益率：

r=100 ln（21）

2.描述性統計分析

在建模前，先對中國銀行業、保險業、證券業及大金融科技行業的收益率進行描述性統計分析，了解各收益率序列的統計分布和相關性特征，結果如表2所示。

由表2可以看出，第一，比較各金融板塊收益率均值，大金融科技行業平均收益率最高，其次為銀行業，證券業最低。第二，從收益率標準差來看，各金融板塊中證券業2.21為最大，說明其收益率波動程度較大，但收益率最高值19.20和最低值-12.07均出現在大金融科技行業中，這表明大金融科技行業收益率也存在較大不確定性，綜合來看銀行業收益率最為平穩。第三，從偏度、峰度和J-B檢驗值來看，各部門偏度系數均不為0，銀行業和證券業收益率都呈現左偏趨勢，而保險業和大金融科技行業呈現右偏趨勢，且峰度系數均比3大，J-B檢驗顯示樣本數據明顯不服從正態分布，這表明各金融部門收益率指數序列具有“非對稱厚尾”的特點。這表明本文選用CoVaR方法具備可行性與合理性。

3.收益率序列動態波動時序分析

將大金融科技行業與傳統金融行業的收益率時間序列圖進行比較，由圖1所示。長期來看，我國各金融部門的動態波動率通常處于較低水平，各部門波動率的高低水平也相對穩定，具有“波動集聚”效應，且呈現協同波動趨勢，這說明各部門間存在較大關聯性。但各部門內部對數收益率的最值相差較大，橫向比較三類傳統金融機構主體可知，證券業和保險業的波動性相對較大，銀行的波動性最小。此外，各板塊的收益率呈現相似的變動趨勢，在2015年前后、2018年前后和2020年以后這三個時間段波動較為劇烈。而2016年以后大金融科技行業的波動圖線幾乎包絡了三類傳統金融業，因此大金融科技行業的收益率波動是最大的。

具體來看，2015—2016年，受中國“股災”影響，各金融板塊波動率達到峰值，其中證券業受影響最大，而中國金融科技處于興起階段，其收益存在較大的不確定性。2018—2019年中美貿易戰、P2P爆雷，中國股市出現了寬幅震蕩，各金融板塊的波動率相對升高。2020年初，新冠疫情暴發，全球經濟發展受到巨大影響，中國金融市場內各金融板塊波動程度有所增加。2020年7月，中國創業板全面實行注冊制改革，各金融板塊也隨之產生一定程度的波動，尤其是證券板塊。此外，自2020年下半年以來，金融監管部門發布了一系列金融科技行業的監管規定，這表明我國正在加強對科技平臺所進行金融活動的監督和審查。此后，大金融科技行業收益率波動程度達到歷史新高。

4.平穩性、自相關效應及ARCH效應檢驗

本文使用R語言軟件對銀行業、證券業、保險業及大金融科技行業的收益率序列進行檢驗，判斷時間序列是否平穩、具有自相關以及條件異方差性。結果如表3、表4和表5所示。

平穩性檢驗結果（ADF）表明各部門收益率序列伴隨概率（P值）都為0.01，在99%的置信水平上拒絕原假設，表明不存在單位根，收益率序列均是平穩的。

分析滯后一期的自相關檢驗結果可知，各板塊都存在正相關性，且在置信水平為95%時，各部門自相關系數均顯著，因此收益率序列存在自相關的現象。

ARCH效應檢驗結果顯示，在99%的置信水平下，所有部門LM統計量均大于對應臨界值，說明各部門的收益率序列均存在條件異方差性，因此滿足構建DCC-GARCH模型的條件。

（二）大金融科技行業與傳統金融業風險溢出效應測度

1.在險價值（VaR）的動態時序圖

圖2為我國大金融科技行業、銀行業、保險業和證券業在險價值的動態序列圖。可以看出大金融科技行業風險價值處于較高水平上，而銀行業的波動最小，VaR值也處于最低水平。

2.動態相關系數及動態風險溢出

（1）DCC-GARCH風險溢出的參數估計

由于GARCH（1，1）模型的估計效果較為理想，且易于計算。本文借助R軟件進行GARCH（1，1）擬合，結果如表6所示。可以看出，銀行業和大金融科技行業GARCH擬合表中α參數值相對較高，β參數值相對較低，說明其收益率對于市場信息反應較靈敏，且收益率波動受外部沖擊影響較大，同時其收益率衰減速度較快。相對而言，保險業和證券業α值較低、β值較高，表明其收益率對市場信息反應較弱，受內部和歷史波動影響較大，衰減速度相對較慢。總體來看，各板塊值均小于且接近1，說明各金融部門收益率波動都具有平穩性和長期性。

（2）動態相關系數時序圖

通過繪制出相關系數時序走勢圖，可以直觀地看出銀行、保險、證券三大傳統金融業與大金融科技行業收益率動態關聯性，如圖3所示。

總體來說，各金融板塊指數動態相關性較強且具有明顯的時變性，尤其是金融市場波動較大的時候，這種相關性相對更大，這也側面反映出各金融板塊之間具有較大的風險傳染和交互作用，某一部門的風險很容易引起其他部門甚至整個市場的震蕩。其中，大金融科技行業與證券業的動態相關系數最大，維持在0.4上下，與保險業關聯性也處于較高水平但波動較大，與銀行業之間動態相關系數相對較低。

3.條件在險價值（CoVaR）的計算

溢出風險價值為負數表明產生了正向溢出效應，即關聯雙方中某一方風險增加，另一方風險也將增加。根據表7來看，CoVaR值均為負數，說明大金融科技行業對傳統金融業均產生了正向的風險溢出效應。其中，大金融科技行業對證券業的CoVaR值最大，達到了4.50（已取絕對值），對保險業次之，對銀行業最低。

4.ΔCoVaR值計算及波動時序圖

由表8和圖4可知，首先，總體上大金融科技行業與傳統金融業的風險溢出具有較強關聯性，并呈現相似波動趨勢，這也反映出各金融板塊間存在風險傳導性。同時，大金融科技行業圖線基本在傳統金融業的下方，得出大金融科技行業ΔCoVaR絕對值總體上大于傳統金融業，即大金融科技行業的動態風險溢出水平高于傳統金融業。其次，觀察傳統金融業，2015—2016年的股市動蕩期其動態風險溢出值均顯著提高并達到峰值，隨后有所下降，2018年及2020年風險溢出值再次提高，其中證券業尤為顯著。最后，觀察大金融科技行業風險溢出情況，其ΔCoVaR值在2015—2016年股市動蕩期、2018—2019年貿易戰、P2P爆雷及2020年新冠疫情、監管新規等沖擊下都有相應增加，并在2021年達到最高。

5.部門間系統相對風險貢獻度（%CoVaR）的測度與分析

表9為大金融科技行業與傳統金融業相對風險貢獻度%CoVaR的大小，為了更準確體現趨勢變化，本文給出了每年相對風險貢獻度%CoVaR的平均值。首先，表中%CoVaR都為正值，說明大金融科技行業與傳統金融業之間的風險溢出效應是正向且是雙向的，但溢出效應具有不對稱性，大金融科技行業對傳統金融業的風險貢獻度明顯更強。具體而言，大金融科技行業對銀行業、保險業的風險貢獻度達到了58.31%、52.94%，而銀行業、保險業對大金融科技行業的貢獻度為26.08%、40.14%;證券業對大金融科技行業的風險貢獻度達到了54.52%，略高于大金融科技行業對證券業的48.31%。總體看，大金融科技行業對傳統金融業風險貢獻度較高。其次，觀察2015—2022年每年度的%CoVaR平均值動態變化情況，從大金融科技行業向傳統金融業風險溢出角度看，大金融科技行業對證券業的風險溢出比例值相對較低，對銀行業的溢出比例值相對較高。由時間序列來看，大金融科技行業對傳統金融業的風險貢獻度呈現逐漸提高的趨勢，其中2016年、2018年、2022年較往期有顯著提升。從傳統金融業向大金融科技行業風險溢出角度看，銀行業的風險貢獻度較低，證券業和保險業的風險溢出比例較高，且傳統金融業的相對風險貢獻度呈現逐漸下降的趨勢。

選取典型階段部門間系統風險貢獻度進行路徑分析，由圖5可以看出，2015年傳統金融機構風險溢出較大，其中風險溢出比例最大的是證券行業，而大金融科技行業風險吸收比例較大。在2018年、2020年和2022等年份中大金融科技行業風險溢出比例越來越大，已超過傳統金融機構，吸收比例相比于溢出比例逐漸減少。

五、結論與政策建議

（一）結論

本文立足于我國大金融科技行業金融業務發展的現實背景，利用金融信息指數，構建DCC-GARCH-CoVaR模型，計算CoVaR值和ΔCoVaR值以測度大金融科技行業與傳統金融業兩類主體間的風險溢出效應;在此基礎上，構建包含關鍵信息的%CoVaR風險溢出路徑，識別大金融科技行業的風險貢獻度;最后探討大金融科技行業監管的機制模式，提供相關的政策建議。主要結論如下：大金融科技行業與證券業、保險業的動態關聯性處于較高水平，與銀行業之間動態相關性相對較低;大金融科技行業對銀行業、證券業和保險業的CoVaR值均為正，說明大金融科技行業提升了傳統金融業的風險承擔;大金融科技行業ΔCoVaR絕對值大于傳統金融業，即大金融科技行業的動態風險溢出水平高于傳統金融業;各部門的%CoVaR都為正值，說明兩類主體間的風險溢出效應是正向的且是雙向的，但大金融科技行業對傳統金融業的風險貢獻度明顯更強，并且會隨著外部市場環境的改變和自身行業發展的不同階段呈現動態變化。

（二）政策建議

樹立先進監管理念。一是推行包容審慎監管原則，監管機構應踐行“對產業包容，對企業審慎”的監管思路，針對大金融科技行業的金融產品和技術創新持鼓勵和保護態度，但也要積極預防和控制其創新過程中的潛在風險。同時堅守風險底線原則，確保不損害金融消費者權益，保證金融市場穩定健康運行。二是強化宏觀審慎監管作用，基于大金融科技行業的數據統計分析優勢，構建相關金融業務有效監管指標，提高風險監測、預警能力，完善宏觀審慎監管框架。三是側重功能監管而非機構監管，遵循“相同業務，相同監管”原則，縮小大金融科技行業與傳統金融業的監管差距，避免監管套利亂象及監管空白。這種統一監管模式更能適應金融科技背景下的“混業經營”，解決大金融科技行業各種金融科技創新的監管困境，防范因金融科技創新引發的系統性金融風險。

建立大金融科技行業的反壟斷機制。一是明確大金融科技行業的數據責任，對金融數據監管進行規范。基于金融科技產品和業務模式特殊性，形成針對大金融科技行業內企業的市場支配地位、數據濫用等制定“壟斷標準”，防范金融科技市場的不正當競爭。二是在法律規制層面上進行規范，構建完善的金融數據治理法規體系。優化金融數據犯罪認定，針對金融領域中的各類違法行為進行準確判斷和懲處，從而保障金融數據安全。三是構建協同監管機制，大金融科技行業的壟斷問題涉及多方利益，其潛在金融風險是金融領域的重大問題。各金融監管部門應厘清監管職責，對大金融科技行業的金融業務進行全方位監管。同時構建信息共享平臺，形成多元協同治理體系，提高金融監管部門的監管效率。

改進大金融科技行業監管模式。一是推動大金融科技行業設立更多金融控股公司，將符合條件的金融控股公司納入宏觀審慎監管范疇，同時金融管理部門對金融控股公司的設立、治理和風險管理等提出明確規定。二是建立大金融科技行業內企業金融業務的風險隔離機制，將金融業務剝離開來從而最大程度上防范混業經營，建立信息披露機制，在信息系統、關聯交易多方面設置“防火墻”，防范金融風險交叉感染。三是運用監管科技手段完善“監管沙盒”模式。一方面，充分利用云計算、大數據等手段，實現數字化、標準化和程序化監管，提升監管效率及監管準確性。另一方面，及時總結“監管沙盒”模式試點經驗，積極將“監管沙盒”運用于大金融科技行業創新業務監管模式，使大金融科技行業在創新與風險動態平衡中穩健發展。

（責任編輯：夏凡）

參考文獻：

[1]Gai K，Qiu M，Sun X.A Survey on FinTech[J].Journal of Network and Computer Applications，2018，103：262-273.

[2]Carstens A.Big tech in Finance and New Challenges for Public Policy[J].SUERF Policy Note，2019，2（54）：1-12.

[3]Parminder V，Shivinder N，Kiran S， et al.Thematic Analysis of Financial Technology（Fintech） Influence on the Banking Industry[J].Risks，2022，10（10）：186-186.

[4]Victor M，Efthymios R，Markos Z.The Impact of the FinTech Revolution on the Future of Banking： Opportunities and Risks[J].International Review of Financial Analysis，2022，（prepublish）：102103.

[5]Anagnostopoulos I.Fintech and Regtech： Impact on Regulators and Banks[J].Journal of Economics and Business，2018，100：7-25.

[6]Magnuson W.Regulating Fintech[J].VANDERBILT LAW REVIEW，2018，71（4）：1176-1226.

[7]Ramona R，StefanW.FinTech Development and Regulatory Scrutiny：A Contradiction？The Case of Latvia[J].Risks，2022，10（9）：167-167.

[8]Engle R.Dynamic Conditional Correlation[J].Journal of Business amp; Economic Statistics，2002，20（3）：339-350.

[9]巴曙松，白海峰.金融科技的發展歷程與核心技術應用場景探索[J].清華金融評論，2016（11）：99-103.

[10]皮天雷，劉垚森，吳鴻燕.金融科技：內涵、邏輯與風險監管[J].財經科學，2018（9）：16-25.

[11]方意，王琦，等.大科技公司的金融風險隱患和監管[J].學習與實踐，2021（8）：54-66.

[12]尹振濤，馮心歌.大科技金融：概念、發展與挑戰[J].金融評論，2020（3）：65-75+125.

[13]蔚趙春，徐劍剛.監管科技RegTech的理論框架及發展應對[J].上海金融，2017（10）：63-69.

[14]孫天琦.對數字金融/金融科技與金融穩定關系的幾點思考[J].清華金融評論，2020（12）：91-96.

[15]曹齊芳，孔英.基于復雜網絡視角的金融科技風險傳染研究[J].金融監管研究，2021（2）：37-53.

[16]王志宏，孫鵬.金融科技對商業銀行系統性風險溢出效應研究[J].廣西社會科學，2021（11）：126-133.

[17]尹振濤，侯姝琦，李蘊霏.互聯網金融風險治理效果評估及改革取向——基于P2P網絡借貸專項整治問卷調查數據[J].經濟縱橫，2020（11）：111-118.

[18]胡濱，楊濤，程煉，等.大型互聯網平臺的特征與監管[J].金融評論，2021，13（3）：101-122+126.

[19]高惺惟.平臺壟斷與金融風險問題研究[J]. 現代經濟探討，2021（7）：68-75.

[20]陳萌.平臺經濟泛金融化與金融科技監管的研究——基于數據要素的視角[J].新金融，2022（10）：32-38.

[21]郭文偉，朱洪進，唐靖，等.金融科技風險傳染效應的識別與防范研究[J].海南金融，2023（5）：20-33.

[22]姜永宏，穆金旗，等.國際石油價格與中國行業股市的風險溢出效應研究[J].經濟與管理評論，2019（5）：99-112.

[23]郭文偉，王禮昱.關聯網絡、風險溢出與重要系統性金融機構識別——基于市場、行業和機構的實證[J].中央財經大學學報，2019（5）：33-48.

[24]胡剛，陸岷峰.科技金融促進新質生產力形成路徑研究——基于新目標策略影響分析[J].區域金融研究，2024（2）：31-38.

基金項目：本文系國家社科基金項目“新關聯網絡下金融科技風險疊加衍化、傳染溢出及監管政策研究”（22BJY111）階段性研究成果。

作者簡介：譚中明（1963-），男，湖南益陽人，金融學博士，江蘇大學財經學院教授、碩士生導師;

趙" " 夏（2001-），女，安徽宿州人，江蘇大學財經學院碩士研究生。