基于GJR-DCC-MES模型的金融行業(yè)系統(tǒng)性風(fēng)險度量研究

付明

【摘 要】 系統(tǒng)性金融風(fēng)險的防控是社會各界關(guān)注的熱點話題，而系統(tǒng)性金融風(fēng)險度量是其基礎(chǔ)。文章使用GJR-DCC模型來估計MES模型，分別度量以銀行業(yè)、保險業(yè)和證券業(yè)為代表的金融行業(yè)對金融市場體系的風(fēng)險溢出效應(yīng)和金融行業(yè)之間的風(fēng)險溢出效應(yīng)。結(jié)果表明，金融危機事件期間的金融行業(yè)系統(tǒng)性風(fēng)險較大，且證券業(yè)對金融市場體系的風(fēng)險溢出效應(yīng)最大，依次為保險業(yè)和銀行業(yè)。另外，金融行業(yè)間的風(fēng)險溢出效應(yīng)具有顯著的差異性。最后，相關(guān)的系統(tǒng)性金融風(fēng)險防控建議可以為金融監(jiān)管部門提供有益借鑒。

【關(guān)鍵詞】 MES; 金融行業(yè); 系統(tǒng)性金融風(fēng)險

【中圖分類號】 F832? 【文獻(xiàn)標(biāo)識碼】 A? 【文章編號】 1004-5937（2020）24-0092-06

一、引言

金融危機的爆發(fā)讓社會各界意識到金融風(fēng)險具有危害性、傳染性、隱蔽性、突發(fā)性和復(fù)雜性等特征，系統(tǒng)性金融風(fēng)險作為金融風(fēng)險的重要一環(huán)，目前全球的系統(tǒng)性金融風(fēng)險爆發(fā)的頻率和概率較大，并伴隨較高的潛在風(fēng)險。對于金融風(fēng)險監(jiān)管而言，傳統(tǒng)的微觀審慎監(jiān)管模式不能有效防范整體和綜合的系統(tǒng)性金融風(fēng)險，而宏觀審慎監(jiān)管體系尚未成熟和完善，如何有效預(yù)防和控制系統(tǒng)性金融風(fēng)險成為國際一大難題。

目前對系統(tǒng)性金融風(fēng)險的度量方法主要有MES、CoVaR、CCA和SRISK等。其中，CoVaR模型研究在單個金融主體處于金融危機的條件下金融體系的風(fēng)險水平[1-2]，其估計方法主要包括DCC-GARCH、分位數(shù)回歸和Copula et al.[3-5]，后來發(fā)展至多元CoVaR、多元分位數(shù)回歸和藤Copula等方法，以刻畫多個金融機構(gòu)和市場間的風(fēng)險溢出效應(yīng)等[6-7]。CCA模型以包含市場前瞻性信息的未定權(quán)益資產(chǎn)負(fù)債表為基礎(chǔ)，構(gòu)建了一系列的系統(tǒng)性風(fēng)險指標(biāo)，如隱含資本波動率、杠桿率、違約距離、違約概率、違約損失率和尾部預(yù)期不足等[8-9]，SCCA模型在CCA模型的基礎(chǔ)上，考慮了各個單個金融機構(gòu)之間的關(guān)聯(lián)結(jié)構(gòu)和聯(lián)動特征，更為有效刻畫極端金融事件爆發(fā)期間的風(fēng)險傳染加劇和風(fēng)險聚集現(xiàn)象[10-11]。SRISK指數(shù)根據(jù)長期的預(yù)期資本短缺來估計系統(tǒng)性風(fēng)險，側(cè)重考慮規(guī)模、杠桿和關(guān)聯(lián)性等銀行層面的因素，彌補了MES模型在參數(shù)固定的缺點[12-14]。

MES模型與CoVaR模型的條件和方向相反，基于“自上而下”的視角，研究在金融體系處于金融危機的條件下，單個金融機構(gòu)的預(yù)期收益率分布狀況。因此，相比于CoVaR模型，MES模型具有次可加性，較好地解決了CoVaR不滿足次可加性的問題[15-18]。MES模型主要使用邊際期望損失和杠桿率兩個指標(biāo)來預(yù)測金融機構(gòu)的系統(tǒng)性期望損失[19-23]。后來發(fā)展至DMES模型、LRMES模型和CES模型，分別從動態(tài)、長期和預(yù)測的角度測量了金融機構(gòu)的邊際貢獻(xiàn)率，以反映系統(tǒng)性金融風(fēng)險的時變性、厚尾性、聚集性和聯(lián)動性等金融特征事實[24-27]。

綜上所述，國內(nèi)外學(xué)者對金融機構(gòu)和金融市場的系統(tǒng)性風(fēng)險研究較多，但從金融行業(yè)視角來研究系統(tǒng)性風(fēng)險的差異性較少，且系統(tǒng)性金融風(fēng)險的度量方法集中于CoVaR模型。本文在國內(nèi)外學(xué)者研究方法的基礎(chǔ)上，對金融行業(yè)的系統(tǒng)性風(fēng)險進(jìn)行全面分析。

二、模型介紹

相比于CoVaR模型，MES模型具有以下優(yōu)勢：第一，MES模型度量了分位數(shù)以下的所有損失，包括極端條件下的尾部風(fēng)險;第二，MES模型可以通過單個金融機構(gòu)的風(fēng)險貢獻(xiàn)度加總來準(zhǔn)確度量系統(tǒng)性風(fēng)險，具有可加性;第三，MES模型考慮了杠桿對系統(tǒng)性金融風(fēng)險的影響。綜上所述，本文選擇MES模型來度量金融行業(yè)的系統(tǒng)性風(fēng)險，其中使用GJR-DCC模型來估計MES模型，具體的模型定義和實現(xiàn)步驟如下：

（一）MES模型

本文基于Acharya et al.[15]的方法，假設(shè)N為金融市場體系的金融機構(gòu)數(shù)量， 為單個金融機構(gòu)（i=1，2，…，N）對系統(tǒng)性金融風(fēng)險的邊際貢獻(xiàn)，Ri，t和Rm，t分別為單個金融機構(gòu)和金融市場體系在t時期的收益率，則有：

其中，？棕i為單個金融機構(gòu)i的總資產(chǎn)在整個金融市場體系總資產(chǎn)的比重。整個金融市場體系的期望損失ES表示在金融市場體系收益率Rm，t小于風(fēng)險臨界值C的條件下，金融市場體系的期望收益率，具體定義如下：

在ES的基礎(chǔ)上，單個金融機構(gòu)的邊際期望損失MESi，t的定義如下：

MESi，t（C）=■=Et-1（Ri，tRm，t

（二）基于GJR-DCC模型估計MES

本文基于Brownlees et al.[16]的兩步法，首先使用GJR模型得到條件波動率和標(biāo)準(zhǔn)化殘差序列，其次使用DCC模型得到單個金融機構(gòu)和金融市場體系的動態(tài)條件相關(guān)性，具體的步驟和過程如下：

第一步，對單個金融機構(gòu)和金融市場體系的波動率建立GJR-GARCH模型，能夠較好地反映好消息和壞消息的非對稱效應(yīng)。具體定義如下：

其中，Ii，t-1=1 Ri，t<00 Ri，t≥0，Im，t-1=1 Rm，t<00 Rm，t≥0

第二步，基于GJR模型的標(biāo)準(zhǔn)化殘差序列，建立DCC模型，通過極大似然估計法進(jìn)行參數(shù)估計，得到單個金融機構(gòu)和金融市場體系的動態(tài)條件相關(guān)系數(shù)序列。

假設(shè)單個金融機構(gòu)和金融市場體系的時變協(xié)方差矩陣如下：

Vari-1Ri，tRm，t=DtPtDt=σi，t 0 0 σm，t0? ？籽t？籽t 0σi，t 0 0 σm，t

（6）

其中，Pt為單個金融機構(gòu)和金融市場體系的動態(tài)條件相關(guān)系數(shù)矩陣，本文在標(biāo)準(zhǔn)的DCC模型中引入偽相關(guān)系數(shù)正定矩陣，具體如下：

Pt=diag（Qt）-1/2Qidiag（Qt）-1/2? （7）

其中，diag（Qt）為矩陣Qt中的對角線元素為其對角線元素的對角矩陣，然后對Qt構(gòu)建如下回歸模型：

其中，？著？觹t-1=diag（Qt）-1/2？著t-1，？著t-1為GJR-GARCH模型的標(biāo)準(zhǔn)化殘差序列，S為無條件協(xié)方差矩陣。

綜上所述，通過對GJR-DCC模型的構(gòu)建和估計，可以得到單個金融機構(gòu)的動態(tài)條件波動率σi，t、金融市場體系的動態(tài)條件波動率σm，t、單個金融機構(gòu)和金融市場體系的動態(tài)條件相關(guān)系數(shù)？籽t?；诖丝梢杂嬎銌蝹€機構(gòu)的邊際期望損失MESi，t，具體計算公式如下：

其中，？著m，t和？灼i，t為均值為0且方差為1的獨立同分布隨機變量。

根據(jù)式9可知，單個機構(gòu)的邊際期望損失（MESi，t）和其動態(tài)條件波動率（σi，t）之間存在正向關(guān)系。

三、實證結(jié)果與分析

（一）數(shù)據(jù)來源與分析

銀行業(yè)、保險業(yè)和證券業(yè)是金融市場的主體，本文從金融行業(yè)的視角來研究系統(tǒng)性金融風(fēng)險。具體而言，分別使用申銀萬國二級行業(yè)指數(shù)的銀行指數(shù)（代碼：801192.SI）、保險指數(shù)（代碼：801194.SI）和證券指數(shù)（代碼：801193.SI）來反映金融行業(yè)，使用上證綜合指數(shù)（代碼：000001.SH）來反映金融市場體系。其中，申銀萬國的分類標(biāo)準(zhǔn)主要面向投資和管理，主要考慮了上市公司產(chǎn)品和服務(wù)的關(guān)聯(lián)性，并充分考慮了我國金融行業(yè)的發(fā)展?fàn)顩r和特點，故本文選擇申萬研究發(fā)布和編制的行業(yè)指數(shù)。本文以最晚的保險指數(shù)為基準(zhǔn)時間，即時間范圍為2007年1月17日至2019年6月30日，樣本容量為3 028個，數(shù)據(jù)來源于Wind數(shù)據(jù)庫，實證工具為Matlab軟件。

對于銀行指數(shù)的編制，截至2019年6月30日，新的成分股和權(quán)重為招商銀行（16.76%）、興業(yè)銀行（11.57%）、民生銀行（9.20%）、工商銀行（6.45%）、浦發(fā)銀行（6.06%）、交通銀行（5.98%）、平安銀行（5.41%）、農(nóng)業(yè)銀行（4.93%）、中國銀行（4.17%）、北京銀行（3.67%）、建設(shè)銀行（3.60%）、光大銀行（3.40%）、上海銀行（3.14%）、寧波銀行（2.99%）、南京銀行（2.33%）、江蘇銀行（2.27%）、華夏銀行（1.95%）、中信銀行（0.96%）、成都銀行（0.90%）、貴陽銀行（0.82%）、杭州銀行（0.75%）、常熟銀行（0.64%）、蘇農(nóng)銀行（0.26%）、張家港行（0.26%）、無錫銀行（0.25%）、江陰銀行（0.23%）、青農(nóng)商行（0.22%）、西安銀行（0.19%）、長沙銀行（0.18%）、鄭州銀行（0.17%）、青島銀行（0.16%）和紫金銀行（0.15%），共計32家銀行機構(gòu)。

對于保險指數(shù)的編制，截至2019年6月30日，新的成分股和權(quán)重分別為中國平安（81.27%）、中國太保（8.71%）、中國人壽（3.97%）、新華保險（3.69%）、天茂集團(tuán)（1.03%）、中國人保（0.92%）和西水股份（0.42%），共計7家保險機構(gòu)。

對于證券指數(shù)的編制，截至2019年6月30日，新的成分股和權(quán)重分別為中信證券（18.69%）、海通證券（9.17%）、華泰證券（8.86%）、國泰君安（7.14%）、廣發(fā)證券（3.77%）、申萬宏源（3.30%）、招商證券（3.19%）、東方證券（3.03%）、興業(yè)證券（2.81%）、方正證券（2.80%）、財通證券（2.41%）、長江證券（2.39%）、國信證券（2.13%）、太平洋（2.12%）、國金證券（1.89%）、光大證券（1.88%）、東吳證券（1.83%）、西部證券（1.57%）、國投資本（1.56%）、西南證券（1.33%）、中國銀河（1.32%）、國元證券（1.27%）、國海證券（1.23%）、第一創(chuàng)業(yè)（1.22%）、東興證券（1.21%）、東北證券（1.19%）、山西證券（1.18%）、華西證券（1.05%）、浙商證券（1.02%）、南京證券（0.93%）、中信建投（0.93%）、華安證券（0.90%）、哈投股份（0.65%）、華創(chuàng)陽安（0.59%）、錦龍股份（0.58%）、國盛金控（0.57%）、天風(fēng)證券（0.56%）、長城證券（0.52%）、華林證券（0.50%）、中原證券（0.47%）和越秀金控（0.23%），共計41家證券機構(gòu)。

本文基于銀行指數(shù)、保險指數(shù)、證券指數(shù)和上證綜合指數(shù)的日收盤價數(shù)據(jù)，分別計算其對數(shù)收益率，具體計算公式如下：

Rt=100×Ln（Pt /Pt-1） （10）

其中，Rt為第t天的指數(shù)對數(shù)收益率，Pt和Pt-1分別為第t天和第t-1天的指數(shù)收盤價。

根據(jù)表1可知，在金融行業(yè)中，銀行業(yè)的收益率序列均值最大，且標(biāo)準(zhǔn)差最小，表明銀行業(yè)的收益率高，波動程度較小。相反，根據(jù)標(biāo)準(zhǔn)差可知，相比于金融行業(yè)和金融市場，證券業(yè)的波動最大，離散程度最高，表明證券業(yè)可能存在較大的風(fēng)險。另外，根據(jù)偏度、峰度和JB統(tǒng)計量的P值可知，以銀行指數(shù)、保險指數(shù)和證券指數(shù)為代表的金融行業(yè)和以上證指數(shù)為代表的金融市場體系均不服從正態(tài)分布，存在“尖峰厚尾”現(xiàn)象。

（二）金融行業(yè)系統(tǒng)性風(fēng)險的度量分析

限于論文篇幅有限，本文以銀行業(yè)對金融市場體系的動態(tài)風(fēng)險溢出效應(yīng)為例，對金融行業(yè)系統(tǒng)性風(fēng)險的估計過程和相關(guān)特征進(jìn)行介紹和說明。

圖1從上至下分別為銀行指數(shù)序列和上證指數(shù)序列的收益率和VaR時序圖，實線代表收益率，虛線代表VaR。對于收益率的時序，銀行指數(shù)和上證指數(shù)的收益率在2007—2009年、2015年的價格波動較大，而在其他年份時間的價格波動變化程度較小，表明銀行指數(shù)和上證指數(shù)的收益率序列均存在明顯的波動集聚效應(yīng)，較為適合建立GARCH類模型，其模型能夠較好地去擬合銀行指數(shù)和上證指數(shù)收益率序列的條件波動率;對于VaR的時序，銀行指數(shù)和上證指數(shù)的風(fēng)險價值變化趨勢基本一致，但銀行指數(shù)的風(fēng)險價值波動變化程度大于上證指數(shù)的風(fēng)險價值波動變化程度。另外，銀行指數(shù)時變VaR的均值為2.8077，大于上證指數(shù)時變VaR的均值2.5467。

根據(jù)GJR-DCC模型的參數(shù)估計結(jié)果，圖2從上至下分別為銀行指數(shù)收益率序列的條件波動率、上證指數(shù)收益率序列的條件波動率、銀行指數(shù)和上證指數(shù)的動態(tài)條件相關(guān)系數(shù)。根據(jù)圖2可知，銀行指數(shù)收益率序列的條件波動率變化波動程度大于上證指數(shù)收益率序列的條件波動率變化波動程度，且銀行指數(shù)收益率序列的條件波動率均值為1.7443，大于上證指數(shù)收益率序列的條件波動率均值1.6766。值得注意的是，銀行指數(shù)和上證指數(shù)的條件波動率在2007—2009年、2015年處于較高的水平，表明銀行業(yè)和金融市場受到金融危機、股票價格極端波動等金融事件的影響，危機事件期間能夠顯著地提升銀行業(yè)和金融市場體系的風(fēng)險水平。另外，銀行指數(shù)和上證指數(shù)的動態(tài)條件相關(guān)系數(shù)均值為0.7700，表明銀行業(yè)和金融市場體系之間的條件相關(guān)關(guān)系較強，但其變化趨勢較為穩(wěn)健。

對于研究方法而言，MES和CoVaR模型是系統(tǒng)性金融風(fēng)險度量的兩種主要方法，本文為了進(jìn)行方法和結(jié)果進(jìn)行比較分析，同樣使用DCC模型估計CoVaR，得到ΔCoVaR值。圖3是基于MES和CoVaR兩種方法的銀行業(yè)對金融市場體系的風(fēng)險溢出效應(yīng)，其中實線為MES，虛線為ΔCoVaR。根據(jù)圖3可知，MES和ΔCoVaR的變化趨勢基本一致，MES的均值為2.8626，大于ΔCoVaR的均值1.9084，表明MES模型比CoVaR模型的系統(tǒng)性風(fēng)險度量結(jié)果大，且MES的波動變化程度大于ΔCoVaR的波動變化程度。具體而言，2007—2009年、2013年、2015年和2019年等時間區(qū)間的MES值較大，這與銀行指數(shù)和上證指數(shù)的條件波動率變化趨勢較為類似，表明在金融危機、歐債危機、英國脫歐、股票價格異常波動和中美貿(mào)易摩擦等時期，銀行業(yè)對金融市場體系的風(fēng)險溢出效應(yīng)較大。

對于金融行業(yè)而言，前文研究了銀行業(yè)對金融市場體系的風(fēng)險溢出效應(yīng)，本文還繼續(xù)研究保險業(yè)和證券業(yè)對金融市場體系的風(fēng)險溢出效應(yīng)。根據(jù)圖4可知，銀行業(yè)、保險業(yè)和證券業(yè)的系統(tǒng)性風(fēng)險變化趨勢基本一致，表明系統(tǒng)性風(fēng)險在時間上具有一定的耦合性和連續(xù)性，同時金融行業(yè)容易受到危機事件的影響。具體而言，保險業(yè)對金融市場體系的風(fēng)險溢出效應(yīng)MES均值為3.4693，證券業(yè)對金融市場體系的風(fēng)險溢出效應(yīng)MES均值為4.5940，即存在證券業(yè)>保險業(yè)>銀行業(yè)的關(guān)系?？梢?，證券業(yè)的價格波動劇烈，資本市場較為活躍，往往能夠?qū)鹑谑袌鲶w系形成較大的風(fēng)險沖擊。

金融行業(yè)的系統(tǒng)性風(fēng)險除了包括金融行業(yè)對金融市場體系的風(fēng)險溢出效應(yīng)之外，還包括金融行業(yè)之間的風(fēng)險溢出效應(yīng)，具體包括銀行業(yè)對保險業(yè)的風(fēng)險溢出效應(yīng)、銀行業(yè)對證券業(yè)的風(fēng)險溢出效應(yīng)、保險業(yè)對銀行業(yè)的風(fēng)險溢出效應(yīng)、保險業(yè)對證券業(yè)的風(fēng)險溢出效應(yīng)、證券業(yè)對銀行業(yè)的風(fēng)險溢出效應(yīng)和證券業(yè)對保險業(yè)的風(fēng)險溢出效應(yīng)。金融行業(yè)間風(fēng)險溢出效應(yīng)具有一定的差異性，為了更為直觀地比較各個金融行業(yè)間的風(fēng)險溢出效應(yīng)，本文分別對時變MES值進(jìn)行基本的統(tǒng)計分析，具體結(jié)果如表2所示。

根據(jù)表2可知，從MES的均值來看，在金融行業(yè)間的風(fēng)險溢出效應(yīng)中，證券業(yè)對保險業(yè)的風(fēng)險溢出效應(yīng)值最大，高達(dá)3.9568，其次為證券業(yè)對銀行業(yè)的風(fēng)險溢出效應(yīng)，表明證券業(yè)對其他金融行業(yè)的風(fēng)險傳染效應(yīng)更為強烈。同時，從MES的標(biāo)準(zhǔn)差來看，證券業(yè)對保險業(yè)的風(fēng)險溢出效應(yīng)標(biāo)準(zhǔn)差為1.7386，證券業(yè)對銀行業(yè)的風(fēng)險溢出效應(yīng)標(biāo)準(zhǔn)差為1.5829，表明證券業(yè)影響其他金融行業(yè)的風(fēng)險波動變化程度較大。從金融行業(yè)的角度來看，某行業(yè)對其他金融行業(yè)的風(fēng)險溢出效應(yīng)的大小排序是證券業(yè)>保險業(yè)>銀行業(yè)，這與金融行業(yè)對金融市場體系的風(fēng)險溢出效應(yīng)的次序相一致。

四、結(jié)語

本文通過GJR-DCC-MES模型量化分析了金融行業(yè)對金融市場體系的風(fēng)險溢出效應(yīng)和金融行業(yè)間的風(fēng)險溢出效應(yīng)。結(jié)果表明：第一，從時間維度來看，金融行業(yè)系統(tǒng)性風(fēng)險在金融危機事件期間較大，伴隨著金融危機和極端事件的發(fā)生，系統(tǒng)性風(fēng)險的增長較為敏感;第二，從橫截面維度來看，證券業(yè)對金融市場體系的風(fēng)險溢出效應(yīng)最大，這需要重點的金融風(fēng)險預(yù)警和監(jiān)管;第三，從金融行業(yè)的角度來看，證券業(yè)對其他金融行業(yè)的風(fēng)險溢出效應(yīng)仍然維持較高的水平。

對于金融行業(yè)系統(tǒng)性風(fēng)險的防控，主要是構(gòu)建和完善宏觀審慎監(jiān)管體系，具體如下：第一，健全系統(tǒng)性金融風(fēng)險預(yù)警指標(biāo)體系和預(yù)警機制，將風(fēng)險損失防范于未然。除了考慮金融市場或金融機構(gòu)直接相關(guān)指標(biāo)外，還將宏觀經(jīng)濟(jì)和國際沖擊等多個維度的指標(biāo)包含進(jìn)來，合理確定各個指標(biāo)的權(quán)重，形成科學(xué)的有機整體。另外，通過科學(xué)的方法和模型，并綜合我國金融市場的實際情況，對系統(tǒng)性風(fēng)險的預(yù)警閾值和區(qū)間進(jìn)行合理的設(shè)置，對系統(tǒng)性風(fēng)險的安全和危機等信號進(jìn)行準(zhǔn)確識別，對系統(tǒng)性金融風(fēng)險的累積和爆發(fā)進(jìn)行科學(xué)預(yù)測，及時了解系統(tǒng)性金融風(fēng)險存在的問題，對系統(tǒng)性金融風(fēng)險進(jìn)行有效的反饋和評估，最終實現(xiàn)對系統(tǒng)性金融風(fēng)險的全方位和多層次的實時預(yù)警。

第二，健全危機救助機制，完善應(yīng)急處置機制。加快建立監(jiān)管協(xié)調(diào)機制，加強宏觀審慎監(jiān)管，強化統(tǒng)籌協(xié)調(diào)能力，推進(jìn)金融業(yè)綜合統(tǒng)計和監(jiān)管信息共享，形成風(fēng)險防控的合力，將財政救助、貨幣政策和宏觀審慎監(jiān)管政策相結(jié)合，設(shè)計金融監(jiān)管和財政貨幣政策的協(xié)同機制，發(fā)揮財政政策和貨幣政策等其他工具在風(fēng)險防控和危機救助等方面的作用，使系統(tǒng)性金融風(fēng)險的防控工作制度化和具體化。另外，系統(tǒng)性金融風(fēng)險具有復(fù)雜性、傳染性和突發(fā)性等特征，必須提前對各種系統(tǒng)性金融風(fēng)險產(chǎn)生的不良影響和相應(yīng)的救助體系進(jìn)行全面和深入的推演和診斷，把主動防范化解系統(tǒng)性金融風(fēng)險放在更加重要的位置，科學(xué)防范，早識別、早預(yù)警、早發(fā)現(xiàn)、早處置，完善金融風(fēng)險處置預(yù)案，防止單體局部風(fēng)險演變?yōu)橄到y(tǒng)性全局風(fēng)險，使系統(tǒng)性金融風(fēng)險的防控工作有序化和規(guī)范化。

第三，健全宏觀審慎管理部門的職能權(quán)限和制度安排。其職能包括但不限于：牽頭建立宏觀審慎政策框架和基本制度以及系統(tǒng)重要性金融機構(gòu)評估、識別和處置機制，這是目前系統(tǒng)性金融風(fēng)險防控的主要任務(wù)之一。對于微觀主體而言，牽頭金融控股公司等金融集團(tuán)和系統(tǒng)重要性金融機構(gòu)基本規(guī)則擬訂、監(jiān)測分析、并表監(jiān)管。對于外匯市場而言，牽頭外匯市場宏觀審慎管理，研究、評估人民幣匯率政策。擬訂并實施跨境人民幣業(yè)務(wù)制度，推動人民幣跨境及國際使用，實施跨境資金逆周期調(diào)節(jié)。協(xié)調(diào)在岸、離岸人民幣市場發(fā)展。推動中央銀行間貨幣合作，牽頭提出人民幣資本項目可兌換政策建議。對于宏觀經(jīng)濟(jì)而言，要堅定執(zhí)行穩(wěn)健的貨幣政策，處理好穩(wěn)增長、調(diào)結(jié)構(gòu)、控總量的關(guān)系。貫徹新發(fā)展理念，堅持標(biāo)本兼治，運用市場化法治化手段，深化金融風(fēng)險防控方面的改革，積極穩(wěn)妥推動金融業(yè)對外開放，推進(jìn)“一帶一路”建設(shè)金融創(chuàng)新，做好相關(guān)風(fēng)險防控的制度設(shè)計，提高金融服務(wù)實體經(jīng)濟(jì)的水平。

【參考文獻(xiàn)】

[1] ADRIAN T，BRUNNERMEIER M.CoVaR[J].American Economic Review，2016，7（106）：1705-1741.

[2] GIRARDI G，ERGüN A T.Systemic risk measurement：Multivariate GARCH estimation of CoVaR[J].Journal of Banking & Finance，2013，37（8）：3169-3180.

[3] XU Q，CHEN L，JIANG C，et al.Measuring systemic risk of the banking industry in China：A DCC-MIDAS-t approach[J].Pacific-Basin Finance Journal，2018，

51（10）：13-31.

[4] 歐陽資生，莫廷程.基于廣義CoVaR模型的系統(tǒng)重要性銀行的風(fēng)險溢出效應(yīng)研究[J].統(tǒng)計研究，2017（9）：36-43.

[5] REBOREDO J C，UGOLINI A.Quantile dependence of oil price movements and stock returns[J].Energy Economics，2016，54（5）：33-49.

[6] 趙樹然，米月，任培民.群體分析視角下商業(yè)銀行對金融體系的風(fēng)險溢出效應(yīng)研究[J].統(tǒng)計研究，2018（3）：52-65.

[7] SHAHZAD S，ARREOLA-HERNANDEZ J，BEKIROS S，et al.A systemic risk analysis of Islamic equity markets using vine copula and delta CoVaR modeling[J].Journal of International Financial Markets，Institutions and Money，2018，56（9）：104-127.

[8] INSTEFJORD N，NAWOSAH V，YANG P.A contingent claims analysis of optimal investment subsidy[J].Journal of Economic Dynamics and Control，2016，73（12）：354-372.

[9] 唐文進(jìn)，蘇帆.極端金融事件對系統(tǒng)性風(fēng)險的影響分析——以中國銀行部門為例[J].經(jīng)濟(jì)研究，2017（4）：17-33.

[10] 巴曙松，居姍，朱元倩.SCCA方法與系統(tǒng)性風(fēng)險度量[J].金融監(jiān)管研究，2013（3）：1-12.

[11] 李志輝，李源，李政.中國銀行業(yè)系統(tǒng)性風(fēng)險監(jiān)測研究——基于SCCA技術(shù)的實現(xiàn)與優(yōu)化[J].金融研究，2016（3）：92-106.

[12] CAI J，EIDAM F，SAUNDERS A，et al.Syndication，interconnectedness，and systemic risk[J].Journal of Financial Stability，2018，34（2）：105-120.

[13] ELYASIANI E，JIA J.Relative performance and systemic risk contributions of small and large banks during the financial crisis[J].The Quarterly Review of Economics and Finance，2019，74（2）：220-241.

[14] 陳湘鵬，周皓，金濤，等.微觀層面系統(tǒng)性金融風(fēng)險指標(biāo)的比較與適用性分析——基于中國金融系統(tǒng)的研究[J].金融研究，2019（5）：17-36.

[15] ACHARYA V，PEDERSEN L，PHILIPPON T，et al.Measuring systemic risk[D].Working paper，2010.

[16] BROWNLEES C T，ENGLE R.Volatility，correlation and tails for systemic risk measurement[D].Working paper，2011.

[17] 范小云，王道平，方意.我國金融機構(gòu)的系統(tǒng)性風(fēng)險貢獻(xiàn)測度與監(jiān)管——基于邊際風(fēng)險貢獻(xiàn)與杠桿率的研究[J].南開經(jīng)濟(jì)研究，2011（4）：3-20.

[18] 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].財經(jīng)理論與實踐，2014（6）：2-7.

[19] LEE J，LIN E，LIN J，et al.Bank systemic risk and CEO overconfidence[J].The North American Journal of Economics and Finance，2019（3）：67-92.

[20] YUN T，JEONG D，PARK S.“Too central to fail” systemic risk measure using PageRank algorithm[J].Journal of Economic Behavior & Organization，2019，

162：251-272.

[21] 趙進(jìn)文，張勝保，韋文彬.系統(tǒng)性金融風(fēng)險度量方法的比較與應(yīng)用[J].統(tǒng)計研究，2013（10）：46-53.

[22] 劉璐，王春慧.基于DCC-GARCH模型的中國保險業(yè)系統(tǒng)性風(fēng)險研究[J].宏觀經(jīng)濟(jì)研究，2016（9）：90-99.

[23] 朱衡，卓志.保險公司系統(tǒng)重要性識別及其影響因素研究——基于系統(tǒng)性風(fēng)險敞口與貢獻(xiàn)的視角[J].保險研究，2019（3）：3-16.

[24] BANULESCU G，DUMITRESCU E.Which are the SIFIs？ A component expected shortfall approach to systemic risk[J].Journal of Banking & Finance，2015，

50（1）：575-588.

[25] HMISSI B，BEJAOUI A，SNOUSSI W.On identifying the domestic systemically important banks：the case of Tunisia[J].Research in International Business and Finance，2017，42（12）：1343-1354.

[26] 張曉玫，毛亞琪.我國上市商業(yè)銀行系統(tǒng)性風(fēng)險與非利息收入研究——基于LRMES方法的創(chuàng)新探討[J].國際金融研究，2014（11）：23-35.

[27] 張?zhí)祉?，張?我國金融市場系統(tǒng)重要性機構(gòu)的評估及政策啟示[J].管理評論，2018（1）：24-35.