我國(guó)商業(yè)銀行系統(tǒng)性風(fēng)險(xiǎn)實(shí)證研究
——基于主成分分析法

□張遠(yuǎn)為，嚴(yán)飛

（1.湖北經(jīng)濟(jì)學(xué)院金融學(xué)院；2.湖北經(jīng)濟(jì)學(xué)院經(jīng)濟(jì)學(xué)系，湖北武漢 430205）

我國(guó)商業(yè)銀行系統(tǒng)性風(fēng)險(xiǎn)實(shí)證研究
——基于主成分分析法

□張遠(yuǎn)為1，嚴(yán)飛2

（1.湖北經(jīng)濟(jì)學(xué)院金融學(xué)院；2.湖北經(jīng)濟(jì)學(xué)院經(jīng)濟(jì)學(xué)系，湖北武漢 430205）

本文運(yùn)用基于主成分分析法的提取率指標(biāo)，利用2007年9月至2016年6月我國(guó)14家上市銀行股票日收益率數(shù)據(jù)，研究了我國(guó)商業(yè)銀行的系統(tǒng)性風(fēng)險(xiǎn)。研究發(fā)現(xiàn)，在銀行股票收益率最低的三個(gè)時(shí)期，提取率都很高，并且提取率的上升先于股票收益率的下降。本文的研究結(jié)果表明，提取率可作為我國(guó)監(jiān)管當(dāng)局監(jiān)測(cè)商業(yè)銀行系統(tǒng)性風(fēng)險(xiǎn)的一個(gè)很好的指標(biāo)。

系統(tǒng)性風(fēng)險(xiǎn)；主成分分析；提取率

2008 年全球金融危機(jī)給世界經(jīng)濟(jì)帶來(lái)巨大損失。這次金融危機(jī)的一個(gè)重要教訓(xùn)是：只關(guān)注單個(gè)金融機(jī)構(gòu)風(fēng)險(xiǎn)的微觀審慎監(jiān)管對(duì)金融風(fēng)險(xiǎn)監(jiān)管來(lái)說(shuō)是必要但并非充分的。為防范金融危機(jī)，必須監(jiān)測(cè)系統(tǒng)性金融風(fēng)險(xiǎn)，對(duì)金融體系實(shí)施宏觀審慎監(jiān)管（Bernanke，2011）［1］。在這一背景下，對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的測(cè)度成了學(xué)術(shù)界和監(jiān)管部門(mén)關(guān)注的焦點(diǎn)，人們提出了多種測(cè)度系統(tǒng)性金融風(fēng)險(xiǎn)的方法。

當(dāng)前，我國(guó)金融體系還不完善，以銀行為中介的間接融資在資金融通中仍占主要地位，監(jiān)測(cè)和防范銀行系統(tǒng)性風(fēng)險(xiǎn)對(duì)維護(hù)金融體系的穩(wěn)定有著極為重要的現(xiàn)實(shí)意義。本文采用一種測(cè)度系統(tǒng)性金融風(fēng)險(xiǎn)的新方法——主成分分析法來(lái)測(cè)度我國(guó)商業(yè)銀行系統(tǒng)性風(fēng)險(xiǎn)。雖然國(guó)內(nèi)已有不少學(xué)者研究過(guò)我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)，但運(yùn)用主成分分析法研究系統(tǒng)性金融風(fēng)險(xiǎn)的文獻(xiàn)目前還沒(méi)有。本文的研究可以豐富我國(guó)在系統(tǒng)性金融風(fēng)險(xiǎn)領(lǐng)域的研究成果。

1 文獻(xiàn)回顧

研究系統(tǒng)性金融風(fēng)險(xiǎn)，首要的任務(wù)是如何定義它。不幸的是，對(duì)于系統(tǒng)性金融風(fēng)險(xiǎn)沒(méi)有一個(gè)公認(rèn)的定義。De Bant和Hartmann’s（2000）將系統(tǒng)性風(fēng)險(xiǎn)定義為對(duì)大量金融機(jī)構(gòu)和金融市場(chǎng)產(chǎn)生沖擊、從而嚴(yán)重影響金融市場(chǎng)功能正常發(fā)揮的事件［2］。該定義強(qiáng)調(diào)傳染性，一個(gè)金融機(jī)構(gòu)或金融市場(chǎng)的經(jīng)營(yíng)失敗會(huì)嚴(yán)重地傳染給其它金融機(jī)構(gòu)或金融市場(chǎng)。Monica Billo等（2012）將系統(tǒng)性風(fēng)險(xiǎn)定義為威脅到金融系統(tǒng)的穩(wěn)定或公眾對(duì)金融系統(tǒng)的信心的事件［3］。根據(jù)這一定義，1987年10月19日美國(guó)股票市場(chǎng)的暴跌不是系統(tǒng)性金融風(fēng)險(xiǎn)，而2010年5月6日美國(guó)股市暴跌屬于系統(tǒng)性金融風(fēng)險(xiǎn)，因?yàn)楹笳咭鹆斯妼?duì)金融系統(tǒng)信心的喪失但前者沒(méi)有。國(guó)際貨幣基金組織（2009）將系統(tǒng)性風(fēng)險(xiǎn)定義為金融系統(tǒng)大面積遭受損失并造成大范圍的金融服務(wù)供給中斷、給實(shí)體經(jīng)濟(jì)帶來(lái)嚴(yán)重影響的風(fēng)險(xiǎn)［4］。

雖然學(xué)者們對(duì)系統(tǒng)性風(fēng)險(xiǎn)沒(méi)有一個(gè)統(tǒng)一的定義，但從不同角度的定義具有共性。首先，系統(tǒng)性風(fēng)險(xiǎn)不是關(guān)注單個(gè)金融機(jī)構(gòu)的風(fēng)險(xiǎn)，而是關(guān)注金融體系整體的風(fēng)險(xiǎn)；其次，系統(tǒng)性風(fēng)險(xiǎn)具有傳染性的特點(diǎn)，一個(gè)金融機(jī)構(gòu)（或市場(chǎng)）的風(fēng)險(xiǎn)會(huì)傳染給其它機(jī)構(gòu)（或市場(chǎng)）、甚至傳染到實(shí)體經(jīng)濟(jì)。

為有效地監(jiān)管系統(tǒng)性金融風(fēng)險(xiǎn)，必須準(zhǔn)確及時(shí)地測(cè)度它的大小。測(cè)度系統(tǒng)性風(fēng)險(xiǎn)的方法有很多，這些方法主要可以分為以下兩大類。

第一類方法是基于金融機(jī)構(gòu)資產(chǎn)負(fù)債表的關(guān)聯(lián)性來(lái)衡量系統(tǒng)性風(fēng)險(xiǎn)，這類方法根據(jù)金融機(jī)構(gòu)之間資產(chǎn)負(fù)債表的關(guān)聯(lián)建立一個(gè)網(wǎng)絡(luò)，并據(jù)此來(lái)模擬風(fēng)險(xiǎn)由不同節(jié)點(diǎn)在正向或負(fù)向沖擊下風(fēng)險(xiǎn)擴(kuò)散的特性來(lái)測(cè)度系統(tǒng)性風(fēng)險(xiǎn)?；谠摲椒ǖ奈墨I(xiàn)主要有：Furfine（2003）運(yùn)用美國(guó)聯(lián)邦基金數(shù)據(jù)來(lái)研究美國(guó)大型銀行破產(chǎn)所引起的傳染效應(yīng)，得出市場(chǎng)傳染性不大的結(jié)論［5］。Well（2004）對(duì)英國(guó)銀行的系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行了研究，得出個(gè)別銀行的破產(chǎn)很少會(huì)傳染給其他銀行、傳染性的大小與違約損失率以及貸款結(jié)構(gòu)分布有關(guān)的結(jié)論［6］。Lehar（2003）通過(guò)模擬銀行資產(chǎn)的波動(dòng)情況，運(yùn)用銀行資產(chǎn)間的相關(guān)系數(shù)來(lái)測(cè)度金融風(fēng)險(xiǎn)的傳染，計(jì)算出系統(tǒng)性風(fēng)險(xiǎn)在特定條件下發(fā)生的概率［7］。Billio等（2012）用主成分分析法和Granger因果網(wǎng)絡(luò)法研究了美國(guó)基金、經(jīng)紀(jì)、銀行和保險(xiǎn)四大金融行業(yè)資產(chǎn)收益率的關(guān)聯(lián)性，研究結(jié)果表明，在市場(chǎng)崩潰時(shí)，四大行業(yè)資產(chǎn)收益率之間的關(guān)聯(lián)性增加。［8］其他一些學(xué)者的研究也得出類似的結(jié)論：市場(chǎng)下行時(shí)與市場(chǎng)上行時(shí)相比，市場(chǎng)的相關(guān)性會(huì)增加（Brunnermeier等（2012）［9］、Battiston等（2012）［10］、Antonio等（2014）［11］）。國(guó)內(nèi)學(xué)者，范小云（2011）研究了單個(gè)銀行對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)大小和相對(duì)系統(tǒng)重要性程度［12］。劉紅忠等（2011）通過(guò)構(gòu)建銀行系統(tǒng)性風(fēng)險(xiǎn)測(cè)度模型來(lái)研究樣本銀行的風(fēng)險(xiǎn)占總風(fēng)險(xiǎn)的比率，研究結(jié)果表明：相對(duì)于中小銀行來(lái)說(shuō)，國(guó)有大銀行在系統(tǒng)重要性中占有主要地位［13］。歐陽(yáng)紅兵和劉曉東（2015）采用最小樹(shù)生成法對(duì)我國(guó)銀行間同業(yè)拆借市場(chǎng)進(jìn)行了實(shí)證分析，研究結(jié)果表明該方法可以對(duì)系統(tǒng)性風(fēng)險(xiǎn)傳導(dǎo)潛在路徑的識(shí)別以及系統(tǒng)性風(fēng)險(xiǎn)的宏觀審慎監(jiān)管提供有效的手段［14］。

由于銀行的資產(chǎn)負(fù)債數(shù)據(jù)一般較難獲得，再加上資產(chǎn)負(fù)債數(shù)據(jù)的時(shí)效性不強(qiáng)，使得基于資產(chǎn)負(fù)債表的網(wǎng)絡(luò)分析法實(shí)用性不強(qiáng)。

第二類方法是基于市場(chǎng)數(shù)據(jù)的測(cè)度方法，這類方法力圖從市場(chǎng)數(shù)據(jù)（包括股價(jià)和CDS價(jià)差等）中推導(dǎo)出市場(chǎng)對(duì)風(fēng)險(xiǎn)相關(guān)性的預(yù)期，如CoVaR方法、SSCA方法、DIP模型和EVT-GARCH-CoVaR模型等。Giulio Girardi和Tolga Ergun（2013）用改進(jìn)的CoVaR模型，研究了四大金融行業(yè)對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的貢獻(xiàn)大小以及金融機(jī)構(gòu)的特性與貢獻(xiàn)大小之間的關(guān)系［15］。Hua Chen（2014）等基于信用違約互換價(jià)差的日數(shù)據(jù)和股票價(jià)格的日內(nèi)數(shù)據(jù)，采用Granger因果檢驗(yàn)法研究美國(guó)銀行和保險(xiǎn)公司之間的相互關(guān)聯(lián)性，結(jié)果表明銀行對(duì)保險(xiǎn)公司的影響比后者對(duì)前者的影響更大并且時(shí)間上更持久。壓力測(cè)試也證實(shí)銀行給保險(xiǎn)公司帶來(lái)了顯著的系統(tǒng)風(fēng)險(xiǎn)，但不存在反向的影響［16］。Acemoglu等（2015）的研究結(jié)果表明，金融傳染呈現(xiàn)出階段變化性，也即是：如果負(fù)向沖擊很小，這時(shí)金融機(jī)構(gòu)之間的緊密關(guān)聯(lián)能夠增加金融系統(tǒng)的穩(wěn)定性；然而，當(dāng)負(fù)向沖擊超過(guò)某一臨界值后，金融機(jī)構(gòu)之間的緊密關(guān)聯(lián)會(huì)使沖擊更易于擴(kuò)散，使金融系統(tǒng)變得更脆弱。他們強(qiáng)調(diào)，同一要素在某些條件下可能有助于使金融系統(tǒng)恢復(fù)穩(wěn)定，但在另外條件下卻會(huì)成為系統(tǒng)性風(fēng)險(xiǎn)的來(lái)源［17］。Lamont Black等（2016）用DIP模型度量了歐洲銀行體系的系統(tǒng)性風(fēng)險(xiǎn)，該模型綜合考慮了銀行規(guī)模、違約概率和關(guān)聯(lián)性大小。他們研究發(fā)現(xiàn)：在歐洲債務(wù)危機(jī)期間，主權(quán)債務(wù)違約的擴(kuò)散增加了歐洲銀行體系的系統(tǒng)性風(fēng)險(xiǎn)，并且意大利銀行和西班牙銀行在歐洲銀行體系中系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)度顯著上升［18］。國(guó)內(nèi)學(xué)者，鄭振龍等（2014）利用中國(guó)股票市場(chǎng)和債券市場(chǎng)的數(shù)據(jù)，研究了平均相關(guān)系數(shù)與系統(tǒng)性風(fēng)險(xiǎn)的關(guān)系，發(fā)現(xiàn)債券市場(chǎng)與股票市場(chǎng)的平均相關(guān)系數(shù)衡量了系統(tǒng)性風(fēng)險(xiǎn)［19］。張蕊等（2015）運(yùn)用EVTGARCH-CoVaR模型，利用股票市場(chǎng)數(shù)據(jù)，對(duì)極端市場(chǎng)條件下單個(gè)金融機(jī)構(gòu)對(duì)中國(guó)金融體系系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)及其隨時(shí)間變動(dòng)的趨勢(shì)進(jìn)行了動(dòng)態(tài)測(cè)算［20］。李志輝等（2016）運(yùn)用優(yōu)化后的SCCA方法以我國(guó)10家上市銀行為樣本研究了我國(guó)銀行業(yè)的系統(tǒng)性風(fēng)險(xiǎn)，認(rèn)為“單個(gè)銀行的邊際預(yù)期損失分布和不同銀行之間的風(fēng)險(xiǎn)相依結(jié)構(gòu)具有時(shí)變性。如果忽視風(fēng)險(xiǎn)相依結(jié)構(gòu)的變化，簡(jiǎn)單地對(duì)系統(tǒng)內(nèi)所有機(jī)構(gòu)的損失進(jìn)行加總，并以此作為系統(tǒng)性風(fēng)險(xiǎn)的度量和監(jiān)測(cè)指標(biāo)，可能使決策者對(duì)風(fēng)險(xiǎn)形勢(shì)出現(xiàn)誤判”［21］。

基于市場(chǎng)數(shù)據(jù)的系統(tǒng)性風(fēng)險(xiǎn)測(cè)度方法有以下優(yōu)點(diǎn)：首先，市場(chǎng)價(jià)格的變化反映了市場(chǎng)對(duì)未來(lái)的預(yù)期，故采用市場(chǎng)數(shù)據(jù)具有前瞻性；其次，市場(chǎng)數(shù)據(jù)會(huì)及時(shí)發(fā)生變化，因此具有及時(shí)性；第三，市場(chǎng)數(shù)據(jù)相對(duì)于資產(chǎn)負(fù)債數(shù)據(jù)來(lái)說(shuō)更容易獲得。因此，近年來(lái)，基于市場(chǎng)數(shù)據(jù)的系統(tǒng)性風(fēng)險(xiǎn)測(cè)度方法受到了學(xué)者和監(jiān)管當(dāng)局的青睞。

本文采用基于市場(chǎng)數(shù)據(jù)的方法來(lái)測(cè)度我國(guó)商業(yè)銀行系統(tǒng)性風(fēng)險(xiǎn)。對(duì)我國(guó)上市商業(yè)銀行的股票收益率數(shù)據(jù)，運(yùn)用主成分分析法來(lái)提取銀行股票收益受某幾個(gè)因素影響的程度大?。淬y行之間關(guān)聯(lián)緊密程度的大?。瑥亩鴾y(cè)度銀行系統(tǒng)性風(fēng)險(xiǎn)的大小。

2 模型與數(shù)據(jù)

主成分分析是一種多元統(tǒng)計(jì)方法，它可用來(lái)分析變量之間相關(guān)性的大小。主成分分析的目的是運(yùn)用少數(shù)幾個(gè)主成分來(lái)解釋多個(gè)變量的內(nèi)部結(jié)構(gòu)，也即是，從初始的多個(gè)變量中導(dǎo)出少數(shù)幾個(gè)主成分，讓這少數(shù)幾個(gè)主成分盡量多地保留原始變量的信息，并且這幾個(gè)主成分互不相關(guān)（張文彤，2004）［22］。主成分的概念由Karl Pearson于1901年提出，以后經(jīng)眾多學(xué)者的發(fā)展逐步完善。自20世紀(jì)中期以來(lái)，得益于計(jì)算機(jī)技術(shù)的發(fā)展，主成分分析在眾多領(lǐng)域得到了廣泛應(yīng)用。

人們運(yùn)用主成分分析的目的是：對(duì)原始數(shù)據(jù)進(jìn)行壓縮。在科學(xué)研究中，為研究事物之間的關(guān)系，人們需要觀察、收集多個(gè)變量的數(shù)據(jù)。雖然這些數(shù)據(jù)攜帶了反映事物之間關(guān)系的信息，但由于變量很多，給數(shù)據(jù)分析帶來(lái)了不少困難；另外，這些變量之間也許存在較強(qiáng)的相關(guān)性，變量的觀測(cè)數(shù)據(jù)所攜帶的信息，可能有一部分是重復(fù)的。主成分分析就是要在盡可能少損失原有信息的情況下，將原始的多個(gè)變量濃縮為少數(shù)幾個(gè)主成分，這幾個(gè)主成分能夠高度涵蓋原始數(shù)據(jù)中的信息，從而達(dá)到既減少了變量個(gè)數(shù)，同時(shí)又能夠再現(xiàn)事物之間關(guān)系的目的。

假設(shè)初始變量的個(gè)數(shù)為p，每個(gè)變量觀測(cè)值的個(gè)數(shù)為n。主成分分析所運(yùn)用的方法是將初始p個(gè)變量的線性組合作為新的綜合指標(biāo)，即主成分。如果將選取的第一個(gè)線性組合即第一個(gè)主成分記為F1，則F1中能反映的初始變量的信息越多越好。包含的“信息”的多少怎么度量呢？最經(jīng)典的方法是用F1的方差Var（F1）來(lái)度量，方差Var（F1）越大則表示F1所包含的初始變量的信息越多。因此，在全部的線性組合中，第1個(gè)主成分的方差應(yīng)該是最大的。如果研究者認(rèn)為第1個(gè)主成分所涵蓋初始變量的信息不夠，則可以考慮選取第2個(gè)線性組合F2，即第2個(gè)主成分。依此類推，可視情況決定是否選取第3個(gè)、第4個(gè)、……主成分。選取的這些主成分方差是遞減的，并且它們之間互不相關(guān)。在實(shí)際研究中，一般只需要選取前面幾個(gè)最大的主成分就夠了。雖然主成分分析損失了少量信息，但減少了變量的數(shù)量，也即是抓住了研究問(wèn)題的主要矛盾，有利于對(duì)問(wèn)題的分析和處理。

假設(shè)初始變量的個(gè)數(shù)為p，每個(gè)變量觀測(cè)值的個(gè)數(shù)為n，初始數(shù)據(jù)矩陣為：X=（X1，X2，…Xp），令∑為協(xié)方差矩陣，令協(xié)方差矩陣的特征根值為λ1≥λ2≥…≥λp，所以有Var（F1）≥Var（F2）≥…≥Var（Fp）≥0，向量l1，l2，…lp為相應(yīng)的單位特征向量，則X的第i個(gè)主成分可以表示為：

由于協(xié)方差矩陣往往是未知的，我們可以用其估計(jì)值S（即樣本協(xié)方差矩陣）來(lái)代替它。另外，由于數(shù)據(jù)的量綱可能不同，因此在計(jì)算前一般要將初始數(shù)據(jù)標(biāo)準(zhǔn)化來(lái)消除量綱的影響，此時(shí)：

根據(jù)上式可以計(jì)算出相關(guān)矩陣，從而得到特征值并進(jìn)行主成分分析。對(duì)于含有n個(gè)變量的數(shù)據(jù)，原則上可以提取出主成分的最多個(gè)數(shù)為n個(gè)，但如果將它們?nèi)刻崛〕鰜?lái)則失去了主成分分析簡(jiǎn)化數(shù)據(jù)的意義了。通常的做法是根據(jù)貢獻(xiàn)率的大小提取前k個(gè)主成分，多數(shù)情況下提取出前2-3個(gè)主成分已包含了原始數(shù)據(jù)80%以上的信息，其余的則可以忽略不計(jì)。

主成分分析可用來(lái)研究銀行系統(tǒng)性金融風(fēng)險(xiǎn)大小。一般來(lái)說(shuō)，當(dāng)銀行收益之間的相關(guān)性增大時(shí)，銀行系統(tǒng)性風(fēng)險(xiǎn)隨之增大。因?yàn)?，銀行收益之間的相關(guān)性越大，意味著銀行之間的關(guān)聯(lián)越緊密。在不利沖擊發(fā)生時(shí)，銀行系統(tǒng)遭受全面損失的可能性也就越大。但直接用銀行收益之間的相關(guān)系數(shù)來(lái)測(cè)度系統(tǒng)性風(fēng)險(xiǎn)有其局限性，特別是相關(guān)系數(shù)只能反映銀行收益兩兩之間的關(guān)系，不能反映銀行整體的關(guān)聯(lián)程度，從而也就不能反映不利沖擊對(duì)整個(gè)銀行體系收益的全面影響。而主成分分析法，能夠提取出對(duì)銀行系統(tǒng)整體收益產(chǎn)生影響的背后因素，即主成分（一個(gè)主成分可能代表利率、匯率或其它，也可能是它們其中幾個(gè)的組合）。少數(shù)幾個(gè)主成分能解釋的銀行整體收益變動(dòng)的比例越大，則意味著銀行之間的關(guān)聯(lián)越緊密。這樣，當(dāng)不利沖擊發(fā)生時(shí)，不利沖擊在銀行之間的傳染會(huì)更快更廣泛，少數(shù)幾家銀行遭受損失，會(huì)引起銀行系統(tǒng)遭受全面損失，因此銀行系統(tǒng)性風(fēng)險(xiǎn)越高。

本文用提取率（the rate of extraction）作為測(cè)度商業(yè)銀行之間關(guān)聯(lián)緊密程度（即系統(tǒng)性風(fēng)險(xiǎn)）的指標(biāo)。我們將提取率定義為：

上式中，ROEt表示t時(shí)期的提取率，n表示提取的主成分的個(gè)數(shù)，N表示商業(yè)銀行的數(shù)量，σ2Ei表示第i個(gè)主成分的方差，σ2Aj表示第j個(gè)商業(yè)銀行收益率的方差。提取率衡量了銀行收益率變動(dòng)中能被提取的幾個(gè)主成分解釋的比例。

一個(gè)高的提取率，意味著少數(shù)幾個(gè)因素（主成分）可以解釋商業(yè)銀行體系大部分收益率的變動(dòng)，這幾個(gè)因素對(duì)商業(yè)銀行存在普遍影響，商業(yè)銀行之間關(guān)聯(lián)的緊密程度高，金融風(fēng)險(xiǎn)在商業(yè)銀行之間的傳染會(huì)更快更廣泛，因此系統(tǒng)性風(fēng)險(xiǎn)較高。但需要指出的是，高提取率不一定意味著商業(yè)銀行的普遍虧損和銀行危機(jī)的爆發(fā)；高提取率只意味著，如果有不利沖擊發(fā)生，由于商業(yè)銀行之間的關(guān)聯(lián)程度高，風(fēng)險(xiǎn)的擴(kuò)散會(huì)更快更廣泛，一家銀行的虧損或倒閉會(huì)導(dǎo)致其他銀行大面積虧損或倒閉。

本文采用我國(guó)上市銀行的股票收益率數(shù)據(jù)來(lái)分析我國(guó)商業(yè)銀行系統(tǒng)性風(fēng)險(xiǎn)，數(shù)據(jù)來(lái)源于銳思金融研究數(shù)據(jù)庫(kù)。截止2016年，我國(guó)上市銀行共有16家。這16家銀行中，2006年以前上市的僅有5家，2006年至2007年上市的有9家，2010年上市的有2家（光大銀行和中國(guó)農(nóng)業(yè)銀行）。如果數(shù)據(jù)從2006年以前開(kāi)始選取，銀行家數(shù)太少，缺乏代表性；如從2010年開(kāi)始選取，數(shù)據(jù)期限又太短。故本文數(shù)據(jù)的選取從2007年9月開(kāi)始，至2016年6月為止，共選取除光大銀行和中國(guó)農(nóng)業(yè)銀行以外的14家上市銀行的股票日收益率作為研究對(duì)象。

3 實(shí)證結(jié)果分析

主成分分析，要求觀測(cè)值的個(gè)數(shù)不少于變量的個(gè)數(shù)。本文選取的銀行數(shù)量為14家，進(jìn)行主成分分析時(shí)以20個(gè)交易日作為一期。有些交易日，某些銀行日收益率數(shù)據(jù)為空值，本文研究時(shí)剔除這些交易日。不同的時(shí)期，收益率有空值的天數(shù)不一樣，如2008年剔除空值后剩下224個(gè)交易日，而2010年剔除空值后只剩下125個(gè)交易日。剔除空值后，本文選取從2007年9月至2016年6月的1 800個(gè)有效交易日進(jìn)行研究，每20個(gè)有效交易日為一組進(jìn)行主成分分析，一共進(jìn)行90組主成分分析。

本文用Stata12.0軟件進(jìn)行主成分分析。圖1顯示了分別選取一個(gè)、兩個(gè)、三個(gè)主成分時(shí)能解釋的銀行股票收益率變動(dòng)的比例。

圖1 ：主成分解釋股票收益率變動(dòng)的比例

從圖1可以看出，基于本文的數(shù)據(jù)，選取一個(gè)主成分就能解釋大部分銀行股票收益率的變動(dòng)。在某些時(shí)期，一個(gè)主成分甚至能解釋90%以上的銀行股票收益率變動(dòng)，這說(shuō)明某一因素就能對(duì)銀行整體收益產(chǎn)生大的影響，銀行之間的關(guān)聯(lián)緊密。經(jīng)計(jì)算，在整個(gè)樣本研究期間，選取一個(gè)、兩個(gè)、三個(gè)主成分平均能解釋銀行股票收益率變動(dòng)的比例分別為79.4%、86.5%、90.5%。用主成分分析法時(shí)，一般要求選取的主成分能解釋原始變量變動(dòng)的80%以上，故本文在下面的研究中選取兩個(gè)主成分。

圖1中橫坐標(biāo)相鄰兩個(gè)刻度之間均對(duì)應(yīng)剔除空值后的200個(gè)交易日，但由于不同時(shí)期空值數(shù)量不一樣，故相鄰兩個(gè)刻度之間對(duì)應(yīng)的自然日期天數(shù)并不相等（圖2也是如此）。

圖2顯示了樣本期間的提取率和銀行股票收益率之間的關(guān)系。左邊縱軸度量用公式（3）計(jì)算的提取率，右邊縱軸度量14家銀行股票的平均收益率。從圖2可以看出，股票收益率最低的三個(gè)時(shí)期，分別是2008年底至2009年初、2013年下半年和2015年上半年。這三個(gè)時(shí)期，也是提取率高的時(shí)期，并且提取率的上升先于股票收益率的下降。在提取率相對(duì)較高的2010和2011年，銀行股票的收益率也很高。結(jié)合我國(guó)當(dāng)時(shí)的經(jīng)濟(jì)背景分析，以上三個(gè)時(shí)期我國(guó)商業(yè)銀行股票收益率下降的原因主要是：2008年底至2009年初，受美國(guó)金融危機(jī)影響，我國(guó)商業(yè)銀行遭受較大損失，銀行股票收益率大幅度下降。2013年我國(guó)宏觀經(jīng)增長(zhǎng)動(dòng)力不足，經(jīng)濟(jì)部門(mén)負(fù)債率高企，受此影響，銀行部門(mén)利潤(rùn)受到很大影響。2015年，受實(shí)體經(jīng)濟(jì)產(chǎn)能過(guò)剩突出、經(jīng)濟(jì)下行壓力增大影響，銀行部門(mén)利潤(rùn)下降，系統(tǒng)性風(fēng)險(xiǎn)顯著加大。

圖2 ：提取率與股票收益率之間的關(guān)系

以上實(shí)證結(jié)果表明，提取率是測(cè)度銀行系統(tǒng)性風(fēng)險(xiǎn)的一個(gè)很好指標(biāo)，在銀行股票收益率下降之前，提取率往往會(huì)上升。然而，需要再次強(qiáng)調(diào)的是，高收益率不一定意味著銀行系統(tǒng)的全面虧損或危機(jī)的爆發(fā)，但反過(guò)來(lái)，即銀行危機(jī)爆發(fā)之前提取率很高是正確的。

4 研究結(jié)論

準(zhǔn)確及時(shí)地測(cè)度銀行體系的系統(tǒng)性風(fēng)險(xiǎn)是防范風(fēng)險(xiǎn)在銀行間傳染、保證銀行體系高效穩(wěn)健運(yùn)行的前提。本文采用我國(guó)14家上市銀行的股票日收益率數(shù)據(jù)，運(yùn)用基于主成分分析法的提取率指標(biāo)，對(duì)我國(guó)商業(yè)銀行系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行了實(shí)證分析。提取率定義為少數(shù)幾個(gè)主成分能解釋的銀行股票收益率變動(dòng)的比例。一個(gè)高的提取率意味著銀行之間聯(lián)系緊密，少數(shù)因素會(huì)對(duì)銀行體系收益產(chǎn)生普遍影響，銀行系統(tǒng)性風(fēng)險(xiǎn)大。相反，一個(gè)低的提取率意味著銀行體系之間的聯(lián)系松散，少數(shù)因素不會(huì)對(duì)銀行體系收益產(chǎn)生普遍影響，銀行系統(tǒng)性風(fēng)險(xiǎn)小。

本文研究發(fā)現(xiàn)，在樣本期間的2007年9月至2016年6月，14家上市銀行股票收益率最低的三個(gè)時(shí)期（2008年底至2009年初、2013年下半年和2015年上半年）對(duì)應(yīng)的提取率都很高，并且提取率的上升先于股票收益率的下降。在提取率高的2010年和2011年，銀行系統(tǒng)股票收益率也高。以上結(jié)果表明，高提取率意味著銀行之間聯(lián)系緊密、系統(tǒng)性風(fēng)險(xiǎn)高，銀行危機(jī)爆發(fā)的可能性增加。但高提取率并不意味著一定會(huì)爆發(fā)銀行危機(jī)，高提取率加上不利沖擊才會(huì)導(dǎo)致銀行危機(jī)的爆發(fā)，也即是，高提取率是銀行危機(jī)爆發(fā)的一個(gè)必要但并非充分條件。

本文的研究結(jié)果表明，提取率可作為我國(guó)監(jiān)管當(dāng)局監(jiān)測(cè)銀行系統(tǒng)性風(fēng)險(xiǎn)的一個(gè)很好的指標(biāo)。本文所運(yùn)用的研究方法的另一個(gè)優(yōu)點(diǎn)是使用股票市場(chǎng)數(shù)據(jù)，時(shí)效性強(qiáng)。金融監(jiān)管當(dāng)局可以通過(guò)對(duì)提取率的測(cè)度來(lái)及時(shí)監(jiān)控銀行系統(tǒng)性風(fēng)險(xiǎn)的變動(dòng)狀況，在系統(tǒng)性風(fēng)險(xiǎn)上升時(shí)可以及時(shí)采取相關(guān)措施防范銀行危機(jī)的爆發(fā)。

［1］Bernanke，B.Implementing a Macroprudential Approach to Supervision and Regulation.47th Annual Conference on Bank Structure and Competition，Chicago，2011.

［2］De Bandt，Hartmann，P.Systemic Risk：a Survey［R］.European Central Bank Working paper No.35，2000.

［3］Monica Billio，Mila Getmansky，Andrew W.Lo，Loriana Pelizzon.Econometrica Measures of Connectedness and Systemic Risk in the Finance and Insurance Sectors［J］.Journal of Financial Economics，2012，（104）：535-559.

［4］International Monetary Fund.Global Financial Stability Report：Responding to the Financial Crisis and Measuring Systemic Risks［R］.April 2009.www.imf.org

［5］Furfine C.Interbank Exposures：Quantifying the Risk of Contagion［J］.Journal of Money Credit and Banking，2003（35）：111-128.

［6］Well S.Financial Interlinkages in the United Kingdom’s Interbank market and the Risk ofContagion.2011-01-05.http：//ideas.repec.org/p/boe/ boeewp/230.htm l

［7］Lehar A.Measuring Systemic Risk：a Risk Management Approach［J］.Journal of Bank and Finance，2003（10）：2577-2603.

［8］Billio，M.，Getmansky，M.，Lo，M.，and Pelizzon，L.Econometric Measures of Connectedness and Systemic Risk in the Finance and Insurance Sectors［J］.Journal of Financial Economics，2012 104（3）：535-559.

［9］Brunner Meier，Markus K.and Martin Oehmke.Bubbles，F(xiàn)inancial Crises，and Systemic Risk［M］.In Handbook of the Economics of Finance（George M.Constantinides，Milton Harris，and Rene M.Stulz，eds.），2012，（2），North Holland.

［10］Battiston Stefano，Domenico Delli Gatti，Mauro Gallegati，Bruce Greenwald，and Joseph E.Stiglitz.Liaisons Dangereuses：Increasing Connectivity，Risk Sharing，and Systemic Risk［J］.Journal of Economic Dynamics and Control，2012（36）：1121-1141.

［11］Antonio Cabrales，Piero Gottardi，F(xiàn)ernando Vega-Redondo.Risk-Sharing and Contagion in Networks［R］.CESifo Working Paper Series No.4715，March 16，2014：1-71.

［12］范小云，王道平，方意.我國(guó)金融機(jī)構(gòu)的系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)測(cè)度與監(jiān)管：基于邊際風(fēng)險(xiǎn)貢獻(xiàn)與杠桿率的研究［J］.南開(kāi)經(jīng)濟(jì)研究，2011（4）：3-20.

［13］劉紅忠，趙玉潔，周冬華.公允價(jià)值會(huì)計(jì)能否放大銀行體系的系統(tǒng)性風(fēng)險(xiǎn)［J］.金融研究，2011（4）：82-99.

［14］歐陽(yáng)紅兵，劉曉東.中國(guó)金融機(jī)構(gòu)的系統(tǒng)重要性及系統(tǒng)性風(fēng)險(xiǎn)傳染機(jī)制分析：基于復(fù)雜網(wǎng)絡(luò)的視角［J］.中國(guó)管理科學(xué)，2015（10）：30-37.

［15］Girardi Giulio，Tolga Ergün，A.Systemic Risk Measurement：Multivariate GARCH Estimation of CoVaR［J］.Journal of Banking and Finance，2013（37）：3169-3180

［16］Hua Chen，J.David Cummins，Krupa S.Viswanathan，Mary A.Weiss.Systemic Risk?and the Interconnectedness Between Banks and Insurers：An Econometric Analysis［J］.Journal of Risk and Insurance，2014（3）：623-652.

［17］Acemoglu Daron，Ozdaglar Asuman，Tahbaz-Salehi Alireza.Systemic Risk and Stability in Financial Networks［J］.The American Economic Review，2015（2）：564-608.

［18］Lamont Black，Ricardo Correa，Xin Huang，and Hao Zhou.The Systemic Risk of European Banks during the Financial and Sovereign Debt Crises［J］.Journal of Banking and Finance，2016（63）：107-125.

［19］鄭振龍，王為寧，劉楊樹(shù).平均相關(guān)系數(shù)與系統(tǒng)性風(fēng)險(xiǎn)：來(lái)自中國(guó)市場(chǎng)的證據(jù)［J］.經(jīng)濟(jì)學(xué)（季刊），2014（3）：1047-1064.

［20］張蕊，賀曉宇，戚逸康.極端市場(chǎng)條件下我國(guó)金融體系系統(tǒng)性風(fēng)險(xiǎn)度量［J］.統(tǒng)計(jì)研究，2015（09）：30-38.

［21］李志輝，李源，李政.中國(guó)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)監(jiān)測(cè)研究：基于SCCA技術(shù)的實(shí)現(xiàn)與優(yōu)化［J］.金融研究，2016（03）：92-106.

［22］張文彤.SPSS統(tǒng)計(jì)分析高級(jí)教程［M］.高等教育出版社，2004：213-233.

責(zé)任編輯 許巍

10.14180/j.cnki.1004-0544.2017.02.020

F830.22

A

1004-0544（2017）02-0111-06

張遠(yuǎn)為（1971－），男，湖北大冶人，經(jīng)濟(jì)學(xué)博士，湖北經(jīng)濟(jì)學(xué)院金融學(xué)院副教授；嚴(yán)飛（1970－），男，湖北武漢人，經(jīng)濟(jì)學(xué)博士，湖北經(jīng)濟(jì)學(xué)院經(jīng)濟(jì)學(xué)系教授。

湖北金融發(fā)展與金融安全研究中心課題基金項(xiàng)目（2016Y003）；湖北省教育廳科學(xué)研究計(jì)劃項(xiàng)目（B2016145）。