基于DCC—GARCH模型的我國上市銀行系統(tǒng)性風(fēng)險研究

王琳++++沈沛龍

內(nèi)容摘要：本文以我國15家上市銀行為研究對象，就銀行間的風(fēng)險聯(lián)動關(guān)系進(jìn)行研究。對銀行間相關(guān)性的研究主要包括三個方面：上市銀行收益率兩兩間的時變相關(guān)系數(shù)測算；4家大型國有商業(yè)銀行與11家股份制商業(yè)銀行間的整體相關(guān)程度的測算；以及根據(jù)我國上市銀行間的動態(tài)相關(guān)關(guān)系構(gòu)建銀行體系風(fēng)險聯(lián)動的預(yù)警指標(biāo)。研究發(fā)現(xiàn)：我國上市銀行間普遍存在顯著的非對稱的動態(tài)相關(guān)關(guān)系，4家大型國有銀行間的平均動態(tài)相關(guān)系數(shù)比他們和其余11家銀行間的相關(guān)系數(shù)高；我國的4家大型國有商業(yè)銀行與11家股份制商業(yè)銀行的整體相關(guān)程度也很高； 15家上市銀行兩兩的動態(tài)條件相關(guān)系數(shù)序列構(gòu)建的銀行體系系統(tǒng)性風(fēng)險預(yù)警指標(biāo)能夠及時檢測市場風(fēng)險。

關(guān)鍵詞：上市銀行 系統(tǒng)性風(fēng)險 動態(tài)相關(guān) 風(fēng)險預(yù)警

Abstract： The article targets at 15 listed banks in China and analyses the risks correlation among banks. The research on the interbank pertinence involves the following three parts： the measurement of time-varying correlation coefficients of yield rate of public banks； the measurement of the overall correlation between 4 large state-owned commercial banks and 11 joint-stock commercial banks； and the establishment of early-warning index of banking system risks correlation according to dynamic correlation among the listed banks in China. The study indicates that： a kind of unsymmetrical dynamic correlation prevails among the listed banks， in which the average dynamic correlation coefficient of four large state-owned commercial banks is higher than that of eleven banks； the overall correlation between four large state-owned commercial banks and eleven joint-stock commercial banks is also found high； the early-warning index of banking system risks correlation built on the basis of dynamic correlation index among fifteen listed banks can detect the market risks in time.

Key words： Listed Bank； Systematic Risk； Dynamic Correlation； Risk Warning

一、引言

銀行機(jī)構(gòu)是大多數(shù)國家金融體系的主導(dǎo)者，銀行系統(tǒng)性風(fēng)險也是金融危機(jī)研究的核心內(nèi)容。無論是1929年美國經(jīng)濟(jì)大危機(jī)，還是2008年以雷曼兄弟破產(chǎn)為導(dǎo)火索的美國次貸危機(jī)，以及這期間數(shù)百次的金融危機(jī)或是困境，都伴隨著銀行體系風(fēng)險的不斷積累、快速傳染、集中爆發(fā)。而銀行間相互密切的業(yè)務(wù)往來關(guān)系使得銀行間收益率的波動存在一定的相關(guān)性。相關(guān)性能夠反映序列間波動的關(guān)聯(lián)程度，市場風(fēng)險的傳染最早就是通過相關(guān)系數(shù)進(jìn)行衡量，相關(guān)系數(shù)的增加反映了聯(lián)動關(guān)系的增強(qiáng)，即風(fēng)險傳染的增強(qiáng)。由此可見，測度銀行體系的相關(guān)程度有助于把握銀行間的風(fēng)險聯(lián)動關(guān)系，對于監(jiān)控經(jīng)濟(jì)金融體系的平穩(wěn)運(yùn)行具有理論和實(shí)踐意義。

金融危機(jī)往往是彼此相關(guān)的金融機(jī)構(gòu)間互相傳染的風(fēng)險和長時間失衡所積累引發(fā)的風(fēng)險共同作用的結(jié)果。那么我國的銀行間是否存在傳染，銀行間的風(fēng)險聯(lián)動程度如何？基于對我國銀行間風(fēng)險聯(lián)動程度的研究目的，本文選擇截止到2010年7月上市的15家銀行進(jìn)行研究，時間軸涵蓋了2008年的金融危機(jī)和危機(jī)后的調(diào)整階段。研究過程使用動態(tài)模型對銀行間兩兩的相關(guān)關(guān)系進(jìn)行了測算，并從整體把握我國大型國有商業(yè)銀行與股份制商業(yè)銀行的相關(guān)程度?；阢y行間動態(tài)的相關(guān)關(guān)系構(gòu)建銀行體系的風(fēng)險聯(lián)動因子可以綜合描繪我國銀行業(yè)的風(fēng)險聯(lián)動關(guān)系。

二、相關(guān)概念及研究進(jìn)展

對于相關(guān)性研究的文獻(xiàn)可以分為以下幾個方向：

一是相關(guān)性與系統(tǒng)性風(fēng)險間的關(guān)系的研究。次貸危機(jī)發(fā)生后，對于多個市場的系統(tǒng)性風(fēng)險度量模型逐漸引起了學(xué)者們的興趣，其中基于相關(guān)性的研究尤顯重要。普遍觀點(diǎn)是金融機(jī)構(gòu)間的高度相關(guān)性往往是系統(tǒng)性危機(jī)發(fā)生的條件，如果機(jī)構(gòu)之間處于較低關(guān)聯(lián)的情況時，單個機(jī)構(gòu)在短期內(nèi)是不可能對金融系統(tǒng)或是實(shí)體經(jīng)濟(jì)造成嚴(yán)重傷害的。Lucey & Voronkova （2008）運(yùn)用DCC-GARCH模型研究發(fā)現(xiàn)，在危機(jī)期間短期的條件相關(guān)性增加了，但危機(jī)過后相關(guān)性比起危機(jī)前并沒有明顯增加。Rustam（2011）認(rèn)為次貸危機(jī)表現(xiàn)出了明顯的外部性，次貸危機(jī)所展現(xiàn)的系統(tǒng)性風(fēng)險正是來自于金融機(jī)構(gòu)的相互關(guān)聯(lián)性。Gai（2011）的研究結(jié)果同樣表明金融網(wǎng)絡(luò)的相關(guān)性、復(fù)雜性使得系統(tǒng)的脆弱性進(jìn)一步放大。Billo（2012）通過研究金融機(jī)構(gòu)回報的相關(guān)性，發(fā)現(xiàn)金融行業(yè)之間的關(guān)聯(lián)性呈現(xiàn)上升的勢頭，總體來說金融機(jī)構(gòu)之間的相關(guān)性和風(fēng)險傳染性成為了次貸危機(jī)發(fā)生時的顯著特點(diǎn)。

二是從相關(guān)性的視角來研究風(fēng)險溢出問題。許多研究表明市場在危機(jī)期間和非危機(jī)期間的相關(guān)性是顯著不同的，也就是說危機(jī)的發(fā)生破壞了市場的相關(guān)關(guān)系，使得市場的相關(guān)性顯著增強(qiáng)，這時就存在了傳染或是風(fēng)險溢出效應(yīng)。有些學(xué)者更是認(rèn)為相關(guān)性的增加就代表著傳染的發(fā)生。Acharya（2009）認(rèn)為由于存在著搜集信息的成本，最初銀行會傾向投資比較類似的風(fēng)險資產(chǎn)，正是投資組合中風(fēng)險資產(chǎn)的高度相關(guān)性增加了系統(tǒng)性風(fēng)險。同時，單個銀行一旦發(fā)生倒閉就會直接影響到其他銀行的業(yè)務(wù)，從而發(fā)生群體性的風(fēng)險轉(zhuǎn)移現(xiàn)象。Harkmann （2014）研究了愛沙尼亞、拉脫維亞、立陶宛、捷克、波蘭、匈牙利、羅馬尼亞、保加利亞八國兩兩間的相關(guān)性，結(jié)果發(fā)現(xiàn)，在雷曼兄弟破產(chǎn)、希臘陷入困境后，東歐國家和歐洲50指數(shù)之間是顯著相關(guān)的。Kuper（2014）使用DCC-GARCH模型研究了印尼、馬來西亞、菲律賓、新加坡、韓國及泰國六個亞洲國家自1994年1月3日到2013年9月27日間股票收益率的動態(tài)關(guān)系，結(jié)果顯示1997年亞洲金融危機(jī)前后以及2008年金融危機(jī)期間，相關(guān)性是明顯增強(qiáng)的。

國內(nèi)學(xué)者主要是運(yùn)用相關(guān)性研究方法對中國金融市場間的聯(lián)動關(guān)系和風(fēng)險傳染進(jìn)行了探討。曹廣喜（2008）研究了我國滬深兩市的動態(tài)相關(guān)性及動態(tài)溢出效應(yīng)，結(jié)果表明滬深股市收益率之間表現(xiàn)出了一定程度的動態(tài)相關(guān)性，且相關(guān)性呈現(xiàn)逐步提高的態(tài)勢。方意（2012） 利用DCC-GARCH模型對我國金融機(jī)構(gòu)的系統(tǒng)性風(fēng)險進(jìn)行了測度，進(jìn)一步分析了我國金融機(jī)構(gòu)系統(tǒng)性風(fēng)險的影響因素。鄭振龍（2012）也采用DCC-GARCH模型對我國股市和債市間的相關(guān)性進(jìn)行了分析，結(jié)果表明我國股票和債券收益之間的相關(guān)性呈現(xiàn)出了動態(tài)時變的特征，同時相關(guān)性變動的幅度很大。陳忠陽（2013）運(yùn)用我國上市商業(yè)銀行股票收益率數(shù)據(jù)進(jìn)行了相關(guān)性分析和CoVaR方法測度系統(tǒng)性風(fēng)險。結(jié)論表明，股份制商業(yè)銀行、城市商業(yè)銀行的平均相關(guān)性高于國有大型商業(yè)銀行，同時股份制銀行和城商行陷入困境引發(fā)銀行系統(tǒng)陷入困境的概率也高于國有大型商業(yè)銀行。

關(guān)于相關(guān)性研究的現(xiàn)有文獻(xiàn)基本集中在股票市場間的相關(guān)性研究或是股票市場與其他市場如債券市場、外匯市場、黃金市場以及能源市場等的相關(guān)性研究等問題上。但是現(xiàn)有文獻(xiàn)中對市場間聯(lián)動關(guān)系的動態(tài)變化缺乏準(zhǔn)確的度量，對重大事件的沖擊對市場間相關(guān)關(guān)系的時變性影響方面也缺乏比較系統(tǒng)的研究。從研究對象看，現(xiàn)有的文獻(xiàn)基本集中在對股票市場和商品市場以及期貨市場間的相關(guān)性進(jìn)行分析，對于銀行間相關(guān)性分析研究甚少。

三、實(shí)證模型和數(shù)據(jù)

（一）實(shí)證模型

對相關(guān)性的度量，Karl Pearson在19世紀(jì)80年代提出Pearson相關(guān)系數(shù)，度量兩個定比變量序列之間的靜態(tài)相關(guān)關(guān)系。但是在度量金融市場上變量間的相關(guān)性時存在諸多缺陷：首先Pearson相關(guān)系數(shù)度量的是變量間的線性相關(guān)關(guān)系，未考慮金融時間序列的“尖峰厚尾”現(xiàn)象；其次它是一個靜態(tài)指標(biāo)，對信息的反應(yīng)和度量具有單調(diào)性和滯后性。Bollerslev（1986）在研究波動性的ARCH模型基礎(chǔ)上進(jìn)行了擴(kuò)展，提出了廣義自回歸條件異方差波動率結(jié)構(gòu)——GARCH模型，此后經(jīng)不斷改進(jìn)，產(chǎn)生了應(yīng)用于不同情境下的GARCH類模型。目前GARCH類模型全面考慮了市場上普遍存在的波動非對稱性以及序列的多種分布狀態(tài)等方面已廣泛應(yīng)用于描述股市波動性。2002年，Engle（2002）針對Bollerslev提出的常系數(shù)條件相關(guān)模型存在的缺陷，再次提出動態(tài)條件相關(guān)（Dynamic Conditional Correlation， DCC）模型。該模型能夠捕捉到收益率序列之間時變的波動相關(guān)程度，解決了隨時間變動的條件方差、協(xié)方差矩陣在計(jì)算時的復(fù)雜性，也使得多個變量間的相關(guān)性估計(jì)更加簡單，同時還可以得到不同變量間的時變相關(guān)系數(shù)。

上圖顯示：截止2008年上市至今的14家銀行中，三家大型國有銀行處于地圖的左上角，且間距離很小，而與其他11家銀行相對較遠(yuǎn)；地方性銀行之間相關(guān)系數(shù)也比較高。另外，散點(diǎn)的大小表示的各銀行的相對規(guī)模顯示，3家國有銀行的規(guī)模實(shí)力遠(yuǎn)遠(yuǎn)大于另外11家銀行。

（三）實(shí)證研究

1. 上市銀行非對稱相關(guān)性研究

接下來在研究銀行間時變的風(fēng)險聯(lián)動關(guān)系時，將市場上普遍存在的非對稱性考慮在內(nèi)，通過GARCH模型所得的各銀行收益率的標(biāo)準(zhǔn)化殘差計(jì)算上市銀行間的動態(tài)條件相關(guān)系數(shù)。對15家上市銀行分別建立兩兩的非對稱動態(tài)條件相關(guān)模型。在95%的置信水平下，中、建、工、農(nóng)4家銀行與其余銀行之間的非對稱動態(tài)條件相關(guān)模型待估參數(shù)大部分通過了顯著性檢驗(yàn)。中行與建行、中信、北京、興業(yè)以及南京銀行之間的非對稱項(xiàng)不顯著；與其余銀行間的參數(shù)估計(jì)均通過5%顯著性檢驗(yàn)。建行與農(nóng)行、中信、招商、民生、浦發(fā)、寧波銀行之間存在非對稱的動態(tài)相關(guān)關(guān)系；建行與興業(yè)銀行之間不存在非對稱的相關(guān)關(guān)系；將顯著性水平放松到10%，則建銀與其余銀行間的非對稱動態(tài)條件相關(guān)參數(shù)估計(jì)均通過顯著性檢驗(yàn)。工行與興業(yè)銀行間也不存在相關(guān)的非對稱性，其與北京、南京、華夏、寧波銀行之間的非對稱項(xiàng)在10%的顯著性水平下有效，其余參數(shù)均通過5%的顯著性水平檢驗(yàn)。非對稱項(xiàng) 有正有負(fù)，但中行與其余銀行的非對稱相關(guān)項(xiàng)大部分為負(fù)，說明中行與其余銀行間的相關(guān)系數(shù)在收益率同漲狀態(tài)下比兩家銀行收益率同消狀態(tài)下大。

對11家股份制銀行同樣建立兩兩非對稱動態(tài)條件相關(guān)模型， 11家銀行兩兩間的動態(tài)條件相關(guān)模型參數(shù)估計(jì)結(jié)果顯示：11家股份制銀行兩兩之間的模型參數(shù)大部分通過了5%的顯著性水平檢驗(yàn)。中信銀行與華夏、南京、招商銀行之間的動態(tài)相關(guān)模型，非對稱項(xiàng)參數(shù)為正，南京銀行與浦發(fā)、寧波、民生銀行之間的非對稱參數(shù)也為正，民生銀行與華夏、浦發(fā)銀行間的非對稱項(xiàng)也為正，說明這幾家銀行間相關(guān)關(guān)系在他們的收益率序列同消時比同漲時更為緊密。而其余銀行組合的非對稱項(xiàng)均為負(fù)值，說明銀行間收益率序列同漲時比同消時更為緊密。這是因?yàn)殂y行作為金融系統(tǒng)的核心機(jī)構(gòu)，在市場利好時，業(yè)務(wù)往來頻繁，相關(guān)性趨于提高。

2. 國有銀行與股份制銀行的整體相關(guān)性研究

我們將銀行分成中、建、工、農(nóng)四家大型國有商業(yè)銀行，命名為第一類銀行，以及其余11家股份制商業(yè)銀行的第二類銀行。將用于研究兩組變量之間相關(guān)關(guān)系的典型相關(guān)分析法引進(jìn)來，對兩類銀行之間的相關(guān)性以整體數(shù)量化的描述，得到兩類銀行總體上的相關(guān)程度。

典型相關(guān)分析是研究兩組變量之間相關(guān)關(guān)系的一種統(tǒng)計(jì)方法。其目的是找出第一組變量的加權(quán)值與第二組變量的加權(quán)值，使這兩組變量的線性組合的相關(guān)性達(dá)到最大。本文引入典型相關(guān)分析的思想，對國有銀行進(jìn)行加權(quán)組合之后所獲得的 稱為國有銀行典型相關(guān)指數(shù)；對11家股份制銀行進(jìn)行加權(quán)組合之后所獲得的 稱為股份制銀行典型相關(guān)指數(shù)；對兩類銀行求得的相關(guān)系數(shù) 稱為兩類銀行間的第一典型相關(guān)系數(shù)。若典型相關(guān)系數(shù)很大，則說明兩類銀行間存在密切的相關(guān)關(guān)系，當(dāng)市場上風(fēng)險發(fā)生時，需要及時采取措施，避免風(fēng)險的傳染。

分別對兩類銀行進(jìn)行加權(quán)之后得到的兩類銀行典型相關(guān)指數(shù)的前三典型相關(guān)系數(shù)及其假設(shè)檢驗(yàn)，結(jié)果如下表：

上表顯示，對兩類銀行分別進(jìn)行加權(quán)之后得到的兩個典型相關(guān)指數(shù)之間存在很大的相關(guān)關(guān)系。第一、第二、第三典型相關(guān)系數(shù)分別為0.886、0.227和0.114，且檢驗(yàn)結(jié)果顯示，三大典型相關(guān)系數(shù)均通過了5%的顯著性水平檢驗(yàn)，說明三大系數(shù)均具有統(tǒng)計(jì)學(xué)意義。而且第一典型相關(guān)系數(shù)遠(yuǎn)遠(yuǎn)大于后兩個典型相關(guān)系數(shù)，說明兩類銀行分別加權(quán)得到的第一組的兩個典型相關(guān)指數(shù)足以表達(dá)兩類銀行的相關(guān)信息。從第一典型相關(guān)指數(shù)看出兩類銀行總體的相關(guān)系數(shù)達(dá)到0.886，說明我國這兩類銀行之間的相關(guān)性很強(qiáng)，一類銀行風(fēng)險的爆發(fā)，極易傳染給另一類銀行。

上表給出了兩類銀行分別被自身典型相關(guān)指數(shù)解釋的比例，說明第一典型指數(shù)解釋了兩類銀行的絕大多數(shù)信息，模型設(shè)定良好。

總之，通過對兩類銀行進(jìn)行線性加權(quán)組合，最大化提取兩類銀行收益率序列內(nèi)的信息，得到的兩類銀行的典型相關(guān)指數(shù)間的相關(guān)性達(dá)到88.6%，說明我國這兩類銀行之間的相關(guān)性很強(qiáng)，一類銀行風(fēng)險的爆發(fā)，極易傳染給另一類銀行。

3. 銀行間時變的相關(guān)關(guān)系

非對稱的DCC-GARCH模型在對銀行收益率間的非對稱相關(guān)性進(jìn)行檢驗(yàn)之后，同時又給出了銀行序列的動態(tài)相關(guān)系數(shù)。先以中行為例，為了方便觀察，給出中國銀行與建設(shè)銀行、中信銀行、平安銀行、北京銀行之間的時變條件相關(guān)系數(shù)圖。

從時間點(diǎn)上看，銀行間的動態(tài)條件相關(guān)性在2008年、2009年下半年、2013年的年初和年末以及2015年上半年相對較高，反映出這段時間銀行間具有較強(qiáng)的共振性特征。而在這些時間段內(nèi)恰好我國金融市場波動較為劇烈，這充分說明我國上市銀行之間的動態(tài)相關(guān)性在市場波動劇烈時表現(xiàn)趨于一致。因此一家銀行風(fēng)險的擴(kuò)大需要得到高度重視，否則其余銀行也將暴露在風(fēng)險之中。

對銀行間時變的動態(tài)條件相關(guān)系數(shù)的計(jì)算，首先對中、建、工三家銀行分別與其余銀行間的動態(tài)條件相關(guān)系數(shù)序列進(jìn)行描述性統(tǒng)計(jì)，結(jié)果顯示4家大型國有銀行間的相關(guān)系數(shù)比其余他們和其余11家銀行間的相關(guān)系數(shù)高。從時變相關(guān)系數(shù)的標(biāo)準(zhǔn)差來看，4家大型國有銀行間的相關(guān)系數(shù)序列標(biāo)準(zhǔn)差普遍大于11家股份制銀行間的標(biāo)準(zhǔn)差，說明4家國有銀行間的動態(tài)條件相關(guān)性受市場影響較大，波動劇烈，而與11家股份制銀行間的相關(guān)性波動較小，相關(guān)關(guān)系維持在一個穩(wěn)定的水平上。

對11家股份制商業(yè)銀行的收益序列的時變相關(guān)系數(shù)進(jìn)行相同處理，所得描述性統(tǒng)計(jì)結(jié)果顯示11家股份制銀行間的動態(tài)條件相關(guān)系數(shù)也有一定規(guī)律性，地方性銀行之間的相關(guān)系數(shù)普遍較高；交通銀行與中信銀行間也表現(xiàn)出較高的相關(guān)性。而華夏銀行與招商銀行之間、興業(yè)銀行與浦發(fā)銀行之間同樣均表現(xiàn)出較高的相關(guān)性，這與常相關(guān)系數(shù)的結(jié)果相互驗(yàn)證。從標(biāo)準(zhǔn)差看，11家股份制銀行間的動態(tài)相關(guān)性的波動有高有低，但總體小于4家國有銀行間相關(guān)性的波動，說明11家股份制銀行間的相關(guān)性較為穩(wěn)定。

研究15家銀行兩兩之間的整體動態(tài)條件相關(guān)系數(shù)，并取全部樣本動態(tài)相關(guān)系數(shù)在每個時點(diǎn)上的平均值，便得到我國上市銀行整體間的平均動態(tài)相關(guān)性水平。同樣將整體相關(guān)系數(shù)平均值與滬深300指數(shù)收盤價進(jìn)行對比研究，表現(xiàn)在圖形中則為下圖：

由上圖可得：整個樣本期間看，銀行間整體動態(tài)相關(guān)系數(shù)波動較大。2008年年中往后，系數(shù)一直處在高位，2008年的金融危機(jī)使得銀行間相關(guān)系數(shù)升至0.75以上，這段時期的系數(shù)水平也是整個研究期間的較高水平。危機(jī)過后到2009年年初的小段時間里，相關(guān)系數(shù)有所下降，隨后又上升至0.75以上并保持了較長時間，說明金融危機(jī)的發(fā)生使銀行間的風(fēng)險傳染效應(yīng)有所加強(qiáng)。2010年一季度到2012年末，相關(guān)系數(shù)下降到0.75以下，這段時間正是我國經(jīng)歷了金融危機(jī)后的平穩(wěn)調(diào)節(jié)期，滬深300也保持平穩(wěn)。到2012年末、2013年年初以及2014年年末、2015年年初，整體相關(guān)系數(shù)值一度到達(dá)0.75以上，說明銀行間整體動態(tài)條件相關(guān)存在一定的季節(jié)性因素，年末相關(guān)性趨于增大。從2014年11月到2015年7月，相關(guān)系數(shù)處于0.75以上的時點(diǎn)比較長。回望滬深300指數(shù)從去年年末至今，振幅巨大，上市銀行整體動態(tài)條件相關(guān)系數(shù)也表現(xiàn)為處于高位。

由此可得，我國上市銀行整體動態(tài)條件相關(guān)系數(shù)的波動與市場上宏觀經(jīng)濟(jì)變動大致趨于一致，當(dāng)市場波動劇烈時，反映在銀行間相關(guān)性上則為系數(shù)值明顯上升。因此銀行間整體的時變相關(guān)系數(shù)能夠?qū)崟r識別并預(yù)測市場風(fēng)險，可以作為監(jiān)測市場上因?yàn)轱L(fēng)險傳染和信息不對稱等造成的系統(tǒng)性風(fēng)險的指標(biāo)因子。

四、結(jié)論與建議

本文對上市銀行分別建立非對稱的動態(tài)條件相關(guān)模型進(jìn)行聯(lián)動性研究，同時引入典型相關(guān)分析研究類別間的整體相關(guān)性，最后使用基于非對稱DCC-GARCH模型得到的銀行間時變動態(tài)條件相關(guān)系數(shù)，建立了市場預(yù)警因子。研究得出以下結(jié)論：我國上市銀行收益率的波動存在非對稱的動態(tài)相關(guān)性。大部分銀行收益率的相關(guān)水平在序列同漲狀態(tài)下大于它們在同消狀態(tài)下的相關(guān)程度。同時，國有銀行與股份制銀行整體間也具有很強(qiáng)相關(guān)性，說明一類銀行風(fēng)險的爆發(fā)，極易傳染給另一類銀行。最后，我國上市銀行的風(fēng)險聯(lián)動性與市場上宏觀經(jīng)濟(jì)變動大致趨于一致，當(dāng)市場波動劇烈時，反映在銀行間相關(guān)性上，表現(xiàn)為系數(shù)序列均值水平的明顯上升。我國上市銀行整體動態(tài)條件相關(guān)系數(shù)可以作為銀行系統(tǒng)性風(fēng)險的指標(biāo)因子。

我國上市銀行存在緊密的風(fēng)險聯(lián)動關(guān)系，而銀行機(jī)構(gòu)的風(fēng)險爆發(fā)又會極大地影響我國實(shí)體經(jīng)濟(jì)的發(fā)展。縱觀我國銀行系統(tǒng)，中、建、工、農(nóng)四家國有銀行規(guī)模大，關(guān)系更加緊密，且對金融體系的影響也大；11家股份制銀行中的地方性銀行間同質(zhì)性嚴(yán)重導(dǎo)致相關(guān)性水平較高。因此應(yīng)對銀行分類監(jiān)管，差異化監(jiān)管。同時，應(yīng)時刻關(guān)注上市銀行風(fēng)險狀況，小型銀行雖對系統(tǒng)影響較小，但自身穩(wěn)定性較低；大型國有銀行自身具有一定的抗風(fēng)險能力，但同時對金融系統(tǒng)的影響也大。差異化控制市場風(fēng)險才能防范金融危機(jī)的蔓延。

主要參考文獻(xiàn)

[1] King M， Sentana E， Wadhwani S. Volatiltiy and links between national stock markets[R]. National Bureau of Economic Research， 1990.

[2] Bertero E， Mayer C. Structure and performance： Global interdependence of stock markets around the crash of October 1987?[J]. European Economic Review， 1990， 34（6）： 1155-1180.

[3] Lucey B M， Voronkova S. Russian equity market linkages before and after the 1998 crisis： Evidence from stochastic and regime-switching cointegrationtests[J]. Journal of International Money and Finance， 2008， 27（8）： 1303-1324.

[4] Gai P， Haldane A， Kapadia S. Complexity， concentration and contagion[J]. Journal of Monetary Economics， 2011， 58（5）： 453-470.

[5] Billio，Econometricmeasures of connectedness and systemic risk in the finance andinsurance sectors[J].Journal of Financial Economics，2012 （104） ： 535-559.

[6] Acharya V . A theory of systemic risk and design of prudential bank regulation[J]. Journal of financial stability， 2009， 5（3）： 224-255.

[7] Harkmann K. Stock Market Contagion from Western Europe to Central and Eastern Europe During the Crisis Years 2008-2012[J]. Eastern European Economics， 2014， 52（3）： 55-65.

[8] Lestano， Kuper G H. Correlation dynamics in East Asian financial markets[J]. Emerging Markets Finance and Trade， 2015： 1-18.

[9] Bollerslev T. Generalized autoregressive conditional heteroskedasticity[J]. Journal of econometrics， 1986， 31（3）： 307-327.

[10] Engle R. Dynamic conditional correlation： A simple class of multivariate generalized autoregressive conditional heteroskedasticitymodels[J]. Journal of Business & Economic Statistics， 2002， 20（3）： 339-350.

[11] 曹廣喜，姚奕. 滬深股市動態(tài)溢出效應(yīng)與動態(tài)相關(guān)性的實(shí)證研究——基于長記憶 VAR—BEKK （DCC）-MVGARCH （1， 1） 模型[J]. 系統(tǒng)工程， 2008， 26（5）： 47-54.

[12] 方意，趙勝民，王道平. 我國金融機(jī)構(gòu)系統(tǒng)性風(fēng)險測度——基于 DGC-GARCH 模型的研究[J]. 金融監(jiān)管研究， 2012 （11）： 26-42.

[13] 鄭振龍， 楊偉. 金融資產(chǎn)收益動態(tài)相關(guān)性： 基于 DCC 多元變量 GARCH 模型的實(shí)證研究[J]. 當(dāng)代財(cái)經(jīng)， 2012， 7： 41-49.

[14] 陳忠陽， 劉志洋. 國有大型商業(yè)銀行系統(tǒng)性風(fēng)險貢獻(xiàn)度真的高嗎——來自中國上市商業(yè)銀行股票收益率的證據(jù)[J]. 財(cái)貿(mào)經(jīng)濟(jì)， 2013 （9）： 57-66.

[15] 高國華， 潘英麗. 基于動態(tài)相關(guān)性的我國銀行系統(tǒng)性風(fēng)險度量研究[J]. 管理評論， 2013， 25（1）： 9-15.

[16] 宋清華， 姜玉東. 中國上市銀行系統(tǒng)性風(fēng)險度量——基于 MES 方法的分析[J]. 財(cái)經(jīng)理論與實(shí)踐， 2014， 35（6）： 2-7.