基于SFAVAR的銀行業(yè)風險承擔波動的影響因素研究

何 凱

華僑大學 經(jīng)濟與金融學院，福建 泉州 362021

蘇梽芳

中國社會科學院經(jīng)濟研究所 博士后流動站，北京 100836

華僑大學 經(jīng)濟與金融學院，福建 泉州 362021

一、引言

一是內(nèi)部環(huán)境對銀行風險承擔的影響。銀行自身的財務狀況會影響銀行風險水平，且資產(chǎn)負債表特征也表現(xiàn)了銀行風險承擔的偏好與意愿(Ehrmann et al．，2003)［2］。在研究中，通常主要注重以下幾個特征，即資本狀況、流動性水平、資產(chǎn)規(guī)模以及杠桿率水平。張雪蘭和何德旭(2012)［3］、宋清華等(2011)［4］研究表明銀行資本越充足，其抵御系統(tǒng)性風險的能力越強。由于銀行流行性短缺是信貸危機的特征之一，De Nicolòet al．(2010)［5］認為銀行流動性對銀行風險有重要影響。目前，人們在資產(chǎn)規(guī)模對銀行風險承擔的作用方向上仍有爭議，Haldane(2009)［6］認為大型銀行可通過建立較為完善的金融安全網(wǎng)來分散風險，故風險承擔能力更強，而López et al．(2011)［7］的研究表明，大型銀行的融資渠道相比中小型銀行更多元化，加之前者吸收負債的利率也較低，風險承擔水平往往更低。Delis and Kouretas(2011)［8］研究發(fā)現(xiàn)杠桿率有順周期性特征，當資產(chǎn)負債表擴張時，杠桿率將增加，銀行風險承擔的意愿越強，反之越弱。

二是外部環(huán)境對銀行風險承擔的影響。諸多研究表明宏觀經(jīng)濟、貨幣政策與銀行市場結構等外部因素對銀行風險承擔也有重要影響。López et al．(2011)研究發(fā)現(xiàn)，隨著經(jīng)濟增長率增加，銀行對未來更加樂觀，其風險承受能力會增強，但于一和何維達(2011)［9］認為較快的經(jīng)濟增長率會降低貸款項目的失敗概率，客觀提高了信貸質(zhì)量，從而會降低銀行風險承擔。De Nicolòet al．(2010)認為寬松的貨幣政策會提高銀行風險承擔水平。但Jiménez et al．(2009)［10］發(fā)現(xiàn)貨幣政策對銀行風險承擔的影響在時間上具有不對稱性，即貨幣政策工具與銀行風險承擔在短期正相關，中長期負相關。隨著市場競爭的加劇，銀行迫于目標利潤的實現(xiàn)與維持或為擴大其在信貸市場中的份額，可能會降低信貸標準，提高風險容忍度，從而增加風險承擔(Brisssimis and Delis，2010)［11］。

現(xiàn)有研究存在如下不足之處。首先，目前一般采用面板模型研究銀行風險承擔的影響因素，模型設定形式單一，而且單一指標解釋變量對經(jīng)濟信息的解釋能力有限;其次，現(xiàn)有文獻沒有探究銀行內(nèi)外部因素對其風險承擔波動的動態(tài)影響及其貢獻程度;再次，Akerlof and Shiller(2009)［12］肯定了市場預期在貨幣政策與宏觀經(jīng)濟中的重要作用，但尚無文獻研究市場預期對中國銀行風險承擔的影響;最后，尚無文獻研究金融市場是否對銀行風險承擔波動有影響。有鑒于此，本文運用Belviso and Milani(2006)［13］提出的結構因子增廣向量自回歸模型，將影響銀行風險承擔的大量內(nèi)外部經(jīng)濟變量納入該模型，并系統(tǒng)地探究這些因素對中國銀行風險承擔的影響及其程度。

二、實證模型

鑒于銀行風險承擔影響因素的復雜性，僅憑有限的幾個變量既無法充分反映中國銀行業(yè)風險承擔波動的真實情況，也無法完全涵蓋影響銀行業(yè)整體風險承擔變動的信息。故本文采用Belviso and Milani(2006)提出的SFAVAR模型，先對初始搜集的大量經(jīng)濟變量依據(jù)其經(jīng)濟性質(zhì)分類，再從每類變量中提取單一因子，從而使該因子具有了經(jīng)濟意義，進而運用脈沖響應函數(shù)與方差分解全面的刻畫影響中國銀行業(yè)整體風險承擔波動的機制。

1．SFAVAR模型。假設Xt為維度N×1的初始經(jīng)濟變量集合，Yt為貨幣政策，且t=1，2，……，T。假設存在K×1階的不可觀測動態(tài)因子向量Ft，其能解釋可觀測經(jīng)濟變量 Xt的動態(tài)變化，則有 Xt= λFt+ut，其中，E(Ft，ut)=0 ，E(utus)=0，t≠s，t，s=1，2，…，N。另外，不可觀測動態(tài)因子Ft和Xt可分別表示為和，其中為Ni×1向量，為Ki×1階向量，而且對 ?i∈{1，2，…，K} ，都有 Ki?Ni。因此，可得到式(1)，其中，λi為 Ni× Ki階動態(tài)因子載荷矩陣。

然后設定Ki=1，即向量能被一個動態(tài)因子所解釋。因此，將從Xt經(jīng)分類后的子類別中提取的單一不可觀測因子(i=1，2，…，K)和 Yt代入 FAVAR 模型，得到= Φ(L)+ νt，其中，νt為隨機擾動項，并記Ρt=同時，考慮到各因子之間的同期影響關系，故在各因子之間施加一個識別約束。從而得到Γ0Ρt=Φ(L)Ρt－1+νt，其中Γ0=，i，j=1，2，…，7 ，若 Γ0為非奇異矩陣，則在該式兩邊同乘 Γ0－1，得到式縮減的 VAR模型:

基于NMR測試混凝土微觀結構的試驗樣本，為圖2中隨機切割下來的尺寸為40 mm×40 mm×40 mm的混凝土立方體，盡量保持樣本中的粗骨料基本一致。圖3為 NMR法測試微觀結構的混凝土樣本。

2．模型估計與結構識別?？紤]到計算的簡便性，本文采用兩步主成分分析法來估計不可觀測因子。具體步驟如下:第一步，先將N×1階變量集合Xt依據(jù)其經(jīng)濟性質(zhì)分為K類×1階向量，然后提取K個子類變量的單一因子估計值，進而進行OLS回歸得到因子載荷估計值與殘差值;第二步，將連同 Yt代入(2)式，得到(L) 與。在估計好式(1)與式(2)后，對各因子之間施加短期約束以識別模型，然后進行脈沖響應與方差分解分析。

三、數(shù)據(jù)說明與參數(shù)設定

1．數(shù)據(jù)說明。本文對納入SFAVAR模型的170個經(jīng)濟變量依據(jù)其經(jīng)濟性質(zhì)分類，然后再對各分類群組提取單一公共因子，從而得到銀行流動性因子(liquidity)、銀行資產(chǎn)規(guī)模因子(state)、銀行風險承擔因子(risk)、實體經(jīng)濟因子(economy)、金融市場因子(financial)與市場預期因子(expectation)，同時，將上海銀行間同業(yè)拆借7天利率作為貨幣政策的代理變量(shibor7d)。另外，將前三個因子和后四個因子分別代表影響銀行業(yè)風險承擔的內(nèi)部環(huán)境因子(internal)和外部環(huán)境因子(external)。

具體來說①考慮到篇幅，未列出詳細的數(shù)據(jù)，如有需要可向筆者索取。，本文選取國內(nèi)生產(chǎn)總值和全社會用電量等共計34個變量以度量實體經(jīng)濟因子。市場預期因子則包含企業(yè)景氣指數(shù)和股市漲跌比率等共計33個變量。金融市場因子則包括了股市與房地產(chǎn)市場等27個經(jīng)濟變量。銀行流動性因子包含14家主要上市銀行②本文選取的14家上市銀行分別為中國工商銀行、中國建設銀行、中國銀行、交通銀行、招商銀行、平安銀行、浦發(fā)銀行、寧波銀行、南京銀行、北京銀行、民生銀行、中信銀行、興業(yè)銀行和華夏銀行。存款等共計28個變量。銀行狀態(tài)因子包含了14家主要商業(yè)銀行的資產(chǎn)等共計15個變量。而銀行風險因子則包括14家上市銀行的不良貸款率和貸款損失準備額 /總貸款等共計33個變量。

本文對數(shù)據(jù)的預處理如下:首先對缺失數(shù)據(jù)運用三次樣條插值法補齊;其次運用X12方法進行季節(jié)調(diào)整以消除季節(jié)性因素的影響;再次對所有數(shù)據(jù)進行ADF單位根檢驗以保證各數(shù)據(jù)平穩(wěn)。本文數(shù)據(jù)來源于中國人民銀行網(wǎng)站、銀監(jiān)會網(wǎng)站、國泰安數(shù)據(jù)庫以及中經(jīng)網(wǎng)數(shù)據(jù)庫，樣本區(qū)間為2005年第一季度至2013年第一季度。

2．短期約束矩陣Γ0的設定。如果Γ0可逆，根據(jù)κt=，然后可利用(2)式對縮減式進行估計，但對于K+1元p階的SVAR模型還至少需要K(K+1)/2個限制條件才能識別出結構性沖擊。基于中國實際情況和已有的研究成果，并令實體經(jīng)濟、銀行風險承擔、銀行狀態(tài)、流動性、金融市場、市場預期和貨幣政策分別與i=1，2，…，7對應，本文給出如下約束條件:(1)其余因子雖然都會對實體經(jīng)濟產(chǎn)生影響，但這一影響存在時滯(Lin，2010)［14］，故假定 a1i=0，i=2，…，7;(2)銀行風險承擔與資產(chǎn)規(guī)模在當期存在相互影響(徐明東和陳學彬，2012)［15］，且銀行受到外部沖擊時，首先調(diào)整的是資產(chǎn)規(guī)模，而不是股權結構(Adrian and Shin，2009)［16］，故不會立即對其他經(jīng)濟變量產(chǎn)生反應，因而設定a2i=0，i=1，4，5，6，7;銀行資產(chǎn)規(guī)模中流動資產(chǎn)對利率的變動反應迅速，銀行風險承擔也會引起銀行規(guī)模的當期調(diào)整(徐明東和陳學彬，2012)，故設定a3i=0，i=1，4，5，6;貨幣政策與金融市場會影響當期的銀行流動性，故本文設定a4i=0，i=1，2，3，6;(4)所有經(jīng)濟信息會在當期反應在金融市場上，實體經(jīng)濟與金融市場會在當期影響市場預期的調(diào)整，實體經(jīng)濟與市場預期的變化會成為貨幣政策調(diào)整的當期原因(Lin，2010;Belviso and Milani，2006)，故本文設定 a6i=0，i=2，3，4，7 ，a7i=0，i=2，3，4，5 。

四、實證結果及分析

1．結構動態(tài)因子的提取與描述。在表1中，方差1和方差2分別為每類經(jīng)濟變量中提取的第一個因子的方差和前3個因子的方差之和，解釋度為方差1與方差2的比值，表征從每類經(jīng)濟變量中提取的第一個公共因子解釋該類變量經(jīng)濟信息的能力。具體來說，實體經(jīng)濟因子、銀行風險承擔因子、金融市場因子與市場預期因子的解釋度都超過了65%，只有銀行流動性因子與銀行資產(chǎn)規(guī)模因子的解釋度略低于50%。因此，本文提取的不可觀測動態(tài)因子有較強的解釋力。

表1 各結構動態(tài)因子描述性統(tǒng)計

2．短期約束矩陣的估計結果。本文采用貝葉斯信息準則作為選擇SVAR模型的最優(yōu)滯后期數(shù)的準則，并選擇滯后兩期進行模型估計。表2為模型短期約束矩陣Γ0的估計結果。

表2 約束矩陣的估計結果

3．脈沖響應分析。在SFAVAR模型參數(shù)估計之后，可利用脈沖響應函數(shù)在各滯后期的大小來考察模型內(nèi)的經(jīng)濟變量在遭受特異性沖擊時的跨期動態(tài)響應。圖1與圖2分別顯示了銀行內(nèi)部環(huán)境與外部環(huán)境對中國銀行業(yè)整體風險承擔的結構沖擊效應。

在圖1中，銀行風險承擔在自身一個標準差的正向沖擊下，脈沖響應顯著為正，在第1期達到最大值，為0．036個單位，在滯后12期內(nèi)平均影響在0．02個單位左右，表明中國銀行業(yè)的風險承擔存在一定程度的慣性。銀行風險承擔受銀行資產(chǎn)規(guī)模因子一個標準差的正向沖擊之后，脈沖響應顯著為正，并在第1期達到峰值，為0．081個單位，表明資產(chǎn)規(guī)模對銀行風險承擔的同向沖擊效應顯著，這與Haldane(2009)的結論一致。合理的解釋是:不同規(guī)模的銀行在受“大而不倒”隱性保險程度和金融安全網(wǎng)建設等方面存在差異，大型銀行往往對信貸投放有較高的風險忍受能力，從而表現(xiàn)更激進，這說明中國國有銀行比股份制銀行和城商行具有更高的風險承擔意愿。當給定銀行流動性因子一個標準差的正向沖擊后，銀行風險承擔的脈沖響應顯著為負，在第4期達到最小值，為－0．029個單位，說明銀行流動性能有效抵御銀行系統(tǒng)性風險，當銀行體系流動性增加會維持公眾信心，并降低“擠兌”風險，且能以合理的成本迅速變現(xiàn)獲得足夠的資金，能為負債的減少或資產(chǎn)的增加及時提供融資，減少損失或破產(chǎn)的風險，從而降低銀行風險承擔水平。

從圖2可以看出，銀行風險承擔在實體經(jīng)濟因子一個標準差的正向沖擊下，第1期下降0．014個單位，在滯后2期內(nèi)呈負響應，從第3期開始影響轉為正向，且正向影響具有持續(xù)性?？梢钥闯觯诎肽陜?nèi)，中國實體經(jīng)濟向好有助于改善銀行業(yè)風險承擔水平，但從滯后3期開始銀行風險承擔具有順周期性。合理的解釋是，在滯后2期內(nèi)，實體經(jīng)濟向好，企業(yè)經(jīng)營環(huán)境較好，會降低銀行貸款項目的失敗率，在客觀上提高了信貸質(zhì)量，從而降低了銀行風險承擔水平;但隨著經(jīng)濟增長的加快，銀行對未來更為樂觀，進而會低估其貸款項目在未來失敗的概率，這會誘使增加信貸投放額，從而增加銀行風險承擔。

銀行風險承擔在金融市場因子一個標準差的正向沖擊下，在第1期呈正響應，為0．009個單位，并在前10期均保持正向影響，隨后影響逐漸減小直至收斂。原因在于，金融市場向好吸引了銀行現(xiàn)存和潛在的優(yōu)質(zhì)信貸客戶，從而促進了銀行“脫媒”，故銀行有較強的傾向開發(fā)風險更高的中小企業(yè)，銀行貸款客戶質(zhì)量相對下降，故其風險承擔增加，這與 Dell’Ariccia et al．(2008)［17］的結論一致。

在市場預期因子一個標準差的正向沖擊之下，銀行風險承擔在滯后2期內(nèi)呈負反應，并在第1期達到最小值，為－0．015個單位，隨后呈顯著的正反應，說明銀行風險承擔在市場預期向好的作用下，在半年內(nèi)會先降低，隨后會增加。原因是:市場預期向好，在短期會改善企業(yè)的經(jīng)營環(huán)境和發(fā)展預期，客觀上使銀行信貸項目的違約概率下降，而在長期也會增強市場信心，并會影響微觀經(jīng)濟主體的行為，如企業(yè)會加大生產(chǎn)投資規(guī)模，增加信貸需求，同時也會提升銀行的信貸投放意愿，造成貸款違約的潛在可能性增加，從而銀行風險承擔也增加。

銀行風險承擔在貨幣政策一個標準差的正向沖擊下，在滯后2期內(nèi)呈正響應，并在第2期達到最大值，為0．061個單位，隨后呈負響應。這表明，中國存在貨幣政策的銀行風險承擔渠道，且貨幣政策對銀行風險承擔的正向影響在時間上具有不對稱性，即在半年內(nèi)影響為正，隨后影響為負，這與Jiménez et al．(2009)的結論一致。可能的原因是:在短期，央行提高利率會增加借款者的利息負擔，增加企業(yè)不能還本付息的可能性，從而增加銀行風險承擔;而在中長期，利率上升降低了貸款企業(yè)的抵押品價值及其資產(chǎn)凈值，銀行會增加對企業(yè)貸款違約的估計，從而促使銀行提高信貸標準，減少風險貸款的投放，轉而增加安全資產(chǎn)的持有比重，進而降低銀行風險承擔。

4．方差分解分析。方差分解通過分析每一特異性沖擊對模型內(nèi)某一變量波動的貢獻度來評價該變量的重要程度。表3顯示了中國銀行業(yè)風險承擔方差分解的結果。

表3 銀行業(yè)風險承擔波動的方差分解結果 單位:%

首先，從銀行內(nèi)部沖擊對銀行風險承擔波動的解釋力來看，資產(chǎn)規(guī)模的解釋力在第1期達到最大值，為71．23%，此后一直下降，并穩(wěn)定在19%;流動性的解釋力從第1期的7．58%，一直上升并穩(wěn)定在16%;銀行風險承擔自身沖擊的解釋力度穩(wěn)定在11%?？梢钥闯?，在銀行內(nèi)部沖擊中，資產(chǎn)規(guī)模的解釋力最大，說明銀行風險承擔在期初的波動主要源于銀行通過資產(chǎn)負債表對自身規(guī)模的調(diào)整，而且銀行流動性能比較有效地抵御銀行系統(tǒng)性風險。其次，從銀行風險承擔的外部沖擊來看，實體經(jīng)濟的解釋力從第1期的2．24%上升到第5期的28．63%，并最終穩(wěn)定在27%;貨幣政策的解釋力從第1期的2．13%一直上升，最終穩(wěn)定在9%，貨幣政策沖擊有較大的解釋力;市場預期的解釋力穩(wěn)定在17%，而金融市場的解釋力在所有滯后期內(nèi)都沒超過2%。這說明，在銀行外部沖擊中，實體經(jīng)濟沖擊與市場預期沖擊對中國銀行風險承擔波動的主要來源，解釋力達到44%。而實體經(jīng)濟的解釋力最強，這與現(xiàn)實情況一致，銀行信貸是中國實體經(jīng)濟發(fā)展的主要資金來源，實體經(jīng)濟發(fā)展的好壞將直接影響銀行信貸質(zhì)量，進而影響銀行的風險承擔，但金融市場因子沖擊的解釋力很微弱，可能與中國當前金融市場發(fā)育不完善與不成熟有關。再次，在滯后1期，銀行內(nèi)部沖擊對銀行風險承擔波動的解釋力要大于外部沖擊，其中內(nèi)部沖擊的解釋力達92．53%，從第2期開始，外部沖擊的解釋力要大于內(nèi)部沖擊，外部沖擊的解釋力最終穩(wěn)定在54%，而內(nèi)部沖擊的解釋力則穩(wěn)定在46%。這說明，銀行內(nèi)部沖擊是銀行風險承擔在短期波動的主要原因，而外部沖擊則是其在中長期波動的主導因素。

5．貨幣政策沖擊對銀行風險承擔的異質(zhì)性變動分析。由于經(jīng)SFAVAR模型提取的銀行風險承擔因子不能被直接觀測到，用該因子來代表中國銀行體系的風險承擔缺乏直觀性，也不容易操作。在實踐中，常把不良貸款率作為評價中國銀行信貸資產(chǎn)安全程度和衡量銀行風險承擔的重要指標。因此，下面將具體分析不同類型銀行的不良貸款率在貨幣政策沖擊下的脈沖響應，如圖3。其中，Npfl、State owned、Joint stock和Citycom分別代表銀行業(yè)、國有銀行、股份制銀行以及城商行的不良貸款率，Response Comparison比較了后3者的不良貸款率在貨幣政策沖擊下的脈沖響應。

在圖3中，銀行業(yè)的不良貸款率在貨幣政策一個標準差的正向沖擊下，在第1期上升0．209個單位，保持一年的正響應，從第5期開始呈負反應。分類來看，國有銀行、股份制銀行和城商行的不良貸款率在一個標準差的貨幣政策正向沖擊下，在第1期分別上升0．209、0．104 和0．024，都在第2 期達到最大峰值，分別為0．495、0．413 和0．275，均從第5期開始變?yōu)樨撝?。不難發(fā)現(xiàn)，這四種類型銀行均保持4期的正向反應，且都在第2期時達到峰值，這與中國不良貸款率在利率調(diào)整下，一般滯后半年達到最大值一致，在長期，負向影響具有持續(xù)性。

從橫向比較看，利率上升對國有銀行信貸質(zhì)量的影響最大，其次是股份制銀行，而城商行最小，這與于一和何維達(2011)的結論一致。合理的解釋是國有銀行常受到政府的強大干預，加之其貸款對象主要為國有企業(yè)，由于產(chǎn)權不明晰造成信貸軟約束，因而當央行提高利率時，國企短期的財務成本與利息負擔增加，國有銀行往往成為國企的虧損承擔者，不良貸款量不斷擴張。而在長期，國企的資產(chǎn)凈值與抵押品價值會下降，國有銀行會提高信貸標準，減少信貸投放量，從而將減少風險承擔。由于股份制銀行與城商行的規(guī)模相對較小，受政府干預不如國有銀行那么強，并受資本金的約束，經(jīng)營相對較為穩(wěn)健，加之市場化經(jīng)營程度也相對較高，故利率上升對二者信貸質(zhì)量的影響相對較小。

五、研究結論與政策啟示

本文研究了銀行內(nèi)部環(huán)境和外部環(huán)境對中國銀行風險承擔的動態(tài)沖擊效應以及貨幣政策沖擊對不同類型銀行風險承擔的影響。研究發(fā)現(xiàn)，從銀行內(nèi)部影響因素來看，資產(chǎn)規(guī)模對銀行風險承擔有顯著的同向沖擊效應;流動性對銀行風險承擔有顯著的反向沖擊效應，說明流動性能比較有效的抵御銀行系統(tǒng)性風險;從銀行外部影響因素來看，實體經(jīng)濟的正向沖擊在半年內(nèi)有助于改善銀行風險承擔水平，但在長期，銀行業(yè)風險承擔的順周期性特征明顯;金融市場對銀行風險承擔的正向沖擊效應不明顯;市場預期的正向沖擊對銀行風險承擔的影響比較明顯;銀行業(yè)風險承擔在貨幣政策的正向沖擊下，在滯后2期內(nèi)呈正向反應，隨后呈負向反應，且對國有銀行風險承擔的影響最大，其次是股份制銀行，而城商行最小。

上述實證分析結果有十分明顯的政策含義，結合中國經(jīng)濟發(fā)展、宏觀經(jīng)濟政策與銀行業(yè)風險監(jiān)管面臨的主要任務，可以得出以下三點啟示。

第一，必須妥善處理好經(jīng)濟發(fā)展與銀行系統(tǒng)性風險防范之間的關系。雖然實體經(jīng)濟向好會在短期內(nèi)降低銀行風險承擔，但不應忽視經(jīng)濟增長在中長期對銀行體系穩(wěn)定的破壞作用。

第二，應重視貨幣政策調(diào)整對銀行風險承擔的作用。以往在貨幣政策制定中忽視了其對銀行風險承擔的作用，但本文發(fā)現(xiàn)貨幣政策會通過銀行風險承擔渠道威脅到金融安全。

第三，應重視內(nèi)部環(huán)境對銀行風險承擔波動的影響。由于銀行自身經(jīng)營行為對銀行風險承擔有重要影響，因而銀監(jiān)會應轉變對銀行體系的監(jiān)管方式，由合規(guī)性監(jiān)管向風險性監(jiān)管轉變，并將宏微觀審慎監(jiān)管有機結合，從而審慎監(jiān)管好銀行體系的風險承擔。

［1］Borio，C．，and Zhu，H．，2012．Capital Regulation，Risk －taking and Monetary Policy:A Missing Link in the Transmission Mechanism?Journal of Financial Stability，Vol．8，No．4:236－251．

［2］Ehrmann，M．，A．，Müller，M．，R．，A．，and Vogel，R．，F(xiàn)．，2003．Molecular Analysis of Sourdough Reveals Lactobacillus Mindensis sp．nov，International Journal of Systematic and Evolutionary Microbiology，Vol．53，No．1:7－13．

［3］張雪蘭，何德旭．貨幣政策立場與銀行風險承擔——基于中國銀行業(yè)的實證研究(2000－2010)［J］．經(jīng)濟研究，2012(5)．

［4］宋清華，曲良波，陳雄兵．中國商業(yè)銀行規(guī)模、治理與風險承擔的實證研究［J］．當代財經(jīng)，2011(11)．

［5］De Nicolò，G．，Dell’Ariccia，G．，Laeven，L．，and Valencia，F(xiàn)．，2010．Monetary Policy and Bank Risk Taking．

［6］Haldane，A．，2009．Rethinking the Financial Network．Speech Delivered at the Financial Student Association，Amsterdam．

［7］López，M．，Tenjo，F(xiàn)．，and Zárate，H．，2011．The Risk －Taking Channel and Monetary Transmission MechanisMin Colombia．Ensayos sobre POLíTICA ECONóMICA，Vol．29，No．64:212 －234．

［8］Delis，M．D．，and Kouretas，G．，P．，2011．Interest Rates and Bank Risk －taking，Journal of Banking ＆Finance，Vol．35，No．4:840－855．

［9］于一，何維達．貨幣政策，信貸質(zhì)量與銀行風險偏好的實證檢驗［J］．國際金融研究，2011(12)．

［10］Jiménez，G．，Ongena，S．，Peydro，J．，L．，and Saurina，Salas，J．，2009．Hazardous Times for Monetary Policy:What Do Twenty－Three Million Bank Loans Say about the Effects of Monetary Policy on Credit Risk－Taking?

［11］Brissimis，S．，N．，and Delis，M．，D，．2010．Bank Heterogeneity and Monetary Policy Transmission．European Central Bank，No．1233．

［12］Akerlof，G．，and A．，Shiller，R．，J．，2010．Animal Spirits:How Human Psychology Drives the Economy，and Why it Matters for Global Capitalism，Princeton University Press．

［13］Belviso，F(xiàn)．，and Milani，F(xiàn)．，2006．Structural Factor－augmented VARs(SFAVARs)and the Effects of Monetary Policy，Topics in Macroeconomics，Vol．6，No．3．

［14］Lin，C．，C．，2010．The Role of Emotion Factor in the Monetary Policy Transmission Process－Structural Factor－Augmented VAR Approach．

［15］徐明東，陳學彬．貨幣環(huán)境，資本充足率與商業(yè)銀行風險承擔［J］．金融研究，2012(7)．

［16］Adrian，T．，and Shin，H．，S．，2009．Prices and Quantities in the Monetary Policy Transmission Mechanism，Staff Report，F(xiàn)ederal Reserve Bank of New York，No．396．

［17］Dell＇Ariccia，G．，Igan，D．，and Laeven，L．，2008．Credit Booms and Lending Standards:Evidence froMthe Subprime Mortgage Market．