宏觀經(jīng)濟(jì)不確定性與系統(tǒng)性金融風(fēng)險(xiǎn)的相依性研究

劉鳳根 ，郅守洋 ，張 敏

(1.湖南工商大學(xué) 財(cái)政金融學(xué)院，湖南 長(zhǎng)沙 410205；2.湖南工商大學(xué) 經(jīng)濟(jì)與貿(mào)易學(xué)院，湖南 長(zhǎng)沙 410205)

一、引言與文獻(xiàn)綜述

近年來(lái)，中國(guó)在堅(jiān)決打好防范化解重大金融風(fēng)險(xiǎn)攻堅(jiān)戰(zhàn)中已經(jīng)取得重要階段性成果。然而，在當(dāng)前百年變局和世紀(jì)疫情交織疊加的背景下，世界進(jìn)入動(dòng)蕩變革期，國(guó)內(nèi)外不穩(wěn)定性不確定性顯著上升(中國(guó)人民銀行金融穩(wěn)定分析小組，2021)[1]，業(yè)已得到有效控制的重點(diǎn)領(lǐng)域、重點(diǎn)金融機(jī)構(gòu)金融風(fēng)險(xiǎn)又呈現(xiàn)出新的特點(diǎn)，對(duì)金融穩(wěn)定造成嚴(yán)重威脅；同時(shí)，多重不確定性因素的疊加沖擊，特別是2020年以來(lái)的新冠肺炎疫情的全球大流行使得大變局加速演進(jìn)，世界經(jīng)濟(jì)下行壓力和宏觀經(jīng)濟(jì)不確定性持續(xù)加大，加劇了微觀主體的債務(wù)違約風(fēng)險(xiǎn)。不確定性已經(jīng)成為引發(fā)系統(tǒng)性金融風(fēng)險(xiǎn)的重大因素之一(Dicks和Fulghieri，2021)[2]，因此，系統(tǒng)考察宏觀經(jīng)濟(jì)不確定性對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的影響，對(duì)新形勢(shì)下防范化解系統(tǒng)性金融風(fēng)險(xiǎn)就具有非常重要的理論價(jià)值和實(shí)踐意義。

厘清宏觀經(jīng)濟(jì)不確定性與系統(tǒng)性金融風(fēng)險(xiǎn)的相依性是探究宏觀經(jīng)濟(jì)不確定性對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的影響的前提。由于Copula函數(shù)法在研究經(jīng)濟(jì)金融變量之間的非正態(tài)、非線性和非對(duì)稱等復(fù)雜尾部相依結(jié)構(gòu)的有效性，包括橢圓形Copula函數(shù)、Gumbel Copula函數(shù)、非線性Copula函數(shù)等一系列Copula模型在研究系統(tǒng)性金融風(fēng)險(xiǎn)的尾部相依性關(guān)系上得到廣泛運(yùn)用。Jondeau和Rockinger(2006)[3]采用動(dòng)態(tài)Copula函數(shù)模型測(cè)度了不同國(guó)家和地區(qū)之間股票市場(chǎng)相依結(jié)構(gòu)的時(shí)變特征。Johansson(2010)[4]選擇自回歸動(dòng)態(tài)Copula函數(shù)模型，驗(yàn)證了中國(guó)股市與國(guó)際股票市場(chǎng)的共同波動(dòng)趨勢(shì)在逐漸加強(qiáng)。Luo(2015)[5]等構(gòu)建了動(dòng)態(tài)MRS-Copula模型，驗(yàn)證了中國(guó)股市與國(guó)際股市之間金融風(fēng)險(xiǎn)的傳染效應(yīng)。Nguyen等(2016)[6]使用混合Copula函數(shù)模型分析了黃金價(jià)格和股票市場(chǎng)的尾部相依關(guān)系。Carvalho等(2020)[7]建立Copula-APARCH模型，分析了巴西股票市場(chǎng)上的系統(tǒng)性風(fēng)險(xiǎn)溢出效應(yīng)。在國(guó)內(nèi)，韋艷華和張世英(2005)[8]采用了時(shí)變Copula函數(shù)研究中國(guó)股市收益的非對(duì)稱尾部相依結(jié)構(gòu)。胡根華(2015)[9]選擇規(guī)則藤Copula函數(shù)研究了人民幣與國(guó)際上的幾種主要通用貨幣的尾部相依性。李志生等(2019)[10]則使用SJC Copula函數(shù)測(cè)度了股票市場(chǎng)的尾部系統(tǒng)性風(fēng)險(xiǎn)。林宇等(2015)[11]在典型事實(shí)的限制條件下，選擇混合Copula函數(shù)來(lái)分析中國(guó)大陸與香港地區(qū)金融市場(chǎng)間的尾部相依關(guān)系。趙林海和陳名智(2021)[12]采用滾動(dòng)窗口動(dòng)態(tài)Copula模型研究中國(guó)金融機(jī)構(gòu)和金融系統(tǒng)之間相依結(jié)構(gòu)的時(shí)變特征，測(cè)度了不同金融機(jī)構(gòu)的系統(tǒng)性金融風(fēng)險(xiǎn)溢出和貢獻(xiàn)。

美國(guó)次貸危機(jī)以來(lái)，系統(tǒng)性金融風(fēng)險(xiǎn)得到學(xué)術(shù)界和金融監(jiān)管當(dāng)局的高度重視。但國(guó)內(nèi)外文獻(xiàn)關(guān)于系統(tǒng)性金融風(fēng)險(xiǎn)的研究主要側(cè)重于系統(tǒng)性風(fēng)險(xiǎn)的積累和傳染的測(cè)度。大量的諸如邊際期望損失(MES)[13]、條件在險(xiǎn)價(jià)值(CoVar)[14]、系統(tǒng)性風(fēng)險(xiǎn)指數(shù)(SRISK)[15]等方法得到廣泛的運(yùn)用。在系統(tǒng)性風(fēng)險(xiǎn)傳染方面，歐陽(yáng)資生和莫廷程(2017)[16]通過(guò)建立廣義CoVar模型來(lái)分析中國(guó)上市銀行之間的風(fēng)險(xiǎn)傳染效應(yīng)。劉超和劉彬彬(2020)[17]綜合考慮極值理論和GARCH模型，采用非對(duì)稱的CoVar模型，研究了中國(guó)金融市場(chǎng)上金融機(jī)構(gòu)尾部風(fēng)險(xiǎn)的溢出效應(yīng)。楊子暉等(2020)[18]則在新冠肺炎疫情背景下，采用廣義預(yù)測(cè)誤差方差分解構(gòu)建風(fēng)險(xiǎn)結(jié)構(gòu)關(guān)聯(lián)網(wǎng)絡(luò)，分析不同金融行業(yè)之間的風(fēng)險(xiǎn)傳染效應(yīng)。

國(guó)內(nèi)學(xué)術(shù)界鮮有研究宏觀經(jīng)濟(jì)不確定性對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的影響。少量文獻(xiàn)以經(jīng)濟(jì)政策不確定性作為宏觀經(jīng)濟(jì)不確定性的替代變量，對(duì)該問(wèn)題進(jìn)行了一定程度的研究。比如劉玚等(2019)[19]從全球經(jīng)濟(jì)政策不確定性影響短期資本流動(dòng)渠道分析外部不確定性對(duì)中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)的沖擊作用，楊子暉和王姝黛(2020)[20]、楊子暉(2021)[21]分別從市場(chǎng)層面和宏觀層面考察了經(jīng)濟(jì)政策不確定性對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的影響機(jī)制，李洋等(2021)[22]則從微觀機(jī)構(gòu)層面分析中國(guó)經(jīng)濟(jì)政策不確定性如何影響系統(tǒng)性金融風(fēng)險(xiǎn)。以上研究有助于理解不確定性對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的影響機(jī)制，但以經(jīng)濟(jì)政策不確定性作為經(jīng)濟(jì)不確定性的代理變量，并不能全面反映宏觀經(jīng)濟(jì)不確定性對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的影響。

鑒于此，本文在借鑒Jurado等(2015)[23]的方法對(duì)中國(guó)經(jīng)濟(jì)不確定性進(jìn)行測(cè)度基礎(chǔ)上，通過(guò)不同的Copula模型實(shí)證研究了中國(guó)經(jīng)濟(jì)不確定性與金融機(jī)構(gòu)極值風(fēng)險(xiǎn)、金融機(jī)構(gòu)間的傳導(dǎo)效應(yīng)、金融市場(chǎng)的波動(dòng)性和流動(dòng)性與信用風(fēng)險(xiǎn)四個(gè)層面的系統(tǒng)性金融風(fēng)險(xiǎn)的相依性關(guān)系。

本文對(duì)文獻(xiàn)的邊際貢獻(xiàn)主要如下：一是以中國(guó)132維大維數(shù)據(jù)為基礎(chǔ)，去除經(jīng)濟(jì)變量波動(dòng)的可預(yù)測(cè)成分，以不可預(yù)測(cè)成分構(gòu)建中國(guó)經(jīng)濟(jì)不確定性指數(shù)，有效地刻畫了宏觀經(jīng)濟(jì)不確定性中不可預(yù)測(cè)的成分，揭示了中國(guó)宏觀經(jīng)濟(jì)不確定性的真正含義，同時(shí)規(guī)避了以往各種主流方法的固有缺點(diǎn)，如以經(jīng)濟(jì)金融變量波動(dòng)率構(gòu)建的不確定性代理指標(biāo)可能會(huì)受到投資者時(shí)變風(fēng)險(xiǎn)厭惡因素的干擾，以調(diào)查預(yù)測(cè)誤差來(lái)衡量經(jīng)濟(jì)不確定性又會(huì)受到調(diào)查者與被調(diào)查者主觀看法的影響；以文本分析法構(gòu)建不確定性指數(shù)則會(huì)出現(xiàn)過(guò)度關(guān)注政治不確定性的缺點(diǎn)。二是以不同的Copula函數(shù)首次研究了經(jīng)濟(jì)不確定性與系統(tǒng)性金融風(fēng)險(xiǎn)的尾部相依關(guān)系。結(jié)果顯示二者的上尾分布呈現(xiàn)很強(qiáng)的正向相依性，下尾分布相依性則較弱。揭示了宏觀經(jīng)濟(jì)不確定性與系統(tǒng)性金融風(fēng)險(xiǎn)會(huì)出現(xiàn)同向的急劇上升狀況，而較少出現(xiàn)同向急劇下降狀況，即中國(guó)宏觀經(jīng)濟(jì)不確定性的上升常常會(huì)伴隨著系統(tǒng)性金融風(fēng)險(xiǎn)的快速積累，但宏觀經(jīng)濟(jì)不確定性的下降卻與系統(tǒng)性金融風(fēng)險(xiǎn)的降低關(guān)系較弱。該結(jié)論為進(jìn)一步探究宏觀經(jīng)濟(jì)不確定性與系統(tǒng)性金融風(fēng)險(xiǎn)的關(guān)系提供了重要的依據(jù)。

二、 宏觀經(jīng)濟(jì)不確定性測(cè)度

(一)宏觀經(jīng)濟(jì)不確定性測(cè)度方法

不確定性是一個(gè)模糊的概念，本身并沒(méi)有確切的定義，現(xiàn)有學(xué)術(shù)界一般將不確定性界定為對(duì)未來(lái)事件發(fā)生的無(wú)法預(yù)測(cè)性。主流研究文獻(xiàn)區(qū)分了兩種不同類型的不確定性，一是理性的行為人在做出決定時(shí)面臨的不確定性，這種不確定性的產(chǎn)生是因?yàn)榧词剐袨槿丝梢院侠淼乜紤]所有可能的自然狀態(tài)及其發(fā)生可能性，但自然狀態(tài)的實(shí)現(xiàn)本身也不是完全可以預(yù)測(cè)到，即知道隨機(jī)事件發(fā)生的概率分布。二是市場(chǎng)主體無(wú)法獲得未來(lái)事件發(fā)生的概率所帶來(lái)的不確定性。Knight (1921)[24]認(rèn)為市場(chǎng)主體不能全面地考慮所有可能發(fā)生的自然狀態(tài)，或不能得出它們的概率分布，即不確定性表示一種對(duì)未來(lái)不再可能形成穩(wěn)定期望的狀況。本文所指的宏觀經(jīng)濟(jì)不確定性是后一種不確定性。

(1)

對(duì)單個(gè)宏觀經(jīng)濟(jì)變量的不確定性估值進(jìn)行加權(quán)平均，就獲得了總的宏觀經(jīng)濟(jì)不確定性：

(2)

(3)

采用主成分分析方法(PCA)從總信息集合(Ft)中提取共同因子，因子個(gè)數(shù)的選擇采用Bai和Ng (2002)[25]提出的方法確定。為了計(jì)算預(yù)測(cè)誤差的條件波動(dòng)率，利用提取得到的共同因子Ft建立因變量yjt的動(dòng)態(tài)方程：

(4)

(5)

(6)

t處的預(yù)測(cè)誤差方差為：

(7)

一般地，均方預(yù)測(cè)誤差的時(shí)間變化是由于對(duì)yjt和預(yù)測(cè)因子Zt的沖擊反應(yīng)具有時(shí)變性。當(dāng)h=1時(shí)：

(8)

當(dāng)h>1時(shí)yjt+h的預(yù)測(cè)誤差方差為：

(9)

(10)

按照式(2)對(duì)單個(gè)不確定性指標(biāo)進(jìn)行加權(quán)平均，得到總的宏觀經(jīng)濟(jì)不確定性指標(biāo)。

(二)宏觀經(jīng)濟(jì)不確定性指數(shù)測(cè)度

1. 變量與數(shù)據(jù)說(shuō)明

基于數(shù)據(jù)可得性，本文選取中國(guó)132維的經(jīng)濟(jì)信息集合，按照上文的設(shè)定構(gòu)建模型，對(duì)宏觀經(jīng)濟(jì)變量集合中的元素進(jìn)行預(yù)測(cè)，數(shù)據(jù)區(qū)間為2007年1月至2020年12月。其中總的經(jīng)濟(jì)信息集合分為8個(gè)部分，分別為貨幣市場(chǎng)、債券市場(chǎng)、證券市場(chǎng)、宏觀經(jīng)濟(jì)指數(shù)、價(jià)格水平、房地產(chǎn)市場(chǎng)、匯率市場(chǎng)和政府支出，共計(jì)132個(gè)經(jīng)濟(jì)變量。選擇這些信息集合主要遵循三個(gè)原則：一是所選經(jīng)濟(jì)變量要盡可能涵蓋宏觀經(jīng)濟(jì)的各個(gè)主要方面，能夠從不同維度綜合反映中國(guó)經(jīng)濟(jì)運(yùn)行的整體態(tài)勢(shì)；二是選擇的變量盡可能涵蓋中國(guó)官方宏觀經(jīng)濟(jì)景氣監(jiān)測(cè)指數(shù)；三是部分同比增長(zhǎng)率數(shù)據(jù)要符合因子增廣向量矩陣(FAVAR)模型的要求。總的中國(guó)經(jīng)濟(jì)不確定性是通過(guò)加權(quán)平均132個(gè)宏觀經(jīng)濟(jì)變量不確定性獲得。本文選取的各變量數(shù)據(jù)均為月度數(shù)據(jù)，數(shù)據(jù)來(lái)源于wind數(shù)據(jù)庫(kù)、國(guó)泰君安數(shù)據(jù)庫(kù)和同花順數(shù)據(jù)庫(kù)等。

2.中國(guó)宏觀經(jīng)濟(jì)不確定性的描述性統(tǒng)計(jì)特征

本文預(yù)測(cè)了未來(lái)1～12個(gè)月的不確定性，圖1僅僅展示了h=1,3,6時(shí)得出的宏觀經(jīng)濟(jì)不確定性預(yù)測(cè)數(shù)據(jù)。從圖中可以看出不確定性隨著月度h的增加而增加，不確定性的變異性卻在減小，預(yù)測(cè)更接近于平均值。這是因?yàn)楦L(zhǎng)的預(yù)測(cè)期間誤差會(huì)更大，不確定性也就越高，同時(shí)長(zhǎng)期的預(yù)測(cè)受到短期突發(fā)事件的影響會(huì)更小，波動(dòng)性也就越小。中國(guó)經(jīng)濟(jì)不確定性大致在2008—2011年、2015—2016年和2020年達(dá)到峰值，聯(lián)系現(xiàn)實(shí)情況，每一次不確定性的上升都與重大經(jīng)濟(jì)事件密切相關(guān)，如2008年的金融危機(jī)，2015年的股災(zāi)和2020年的新冠肺炎疫情沖擊。

圖1 中國(guó)經(jīng)濟(jì)不確定性指數(shù)

三、中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)測(cè)度

(一)系統(tǒng)性金融風(fēng)險(xiǎn)度量指標(biāo)及測(cè)度方法

本文從金融機(jī)構(gòu)極值風(fēng)險(xiǎn)、金融機(jī)構(gòu)間的傳染風(fēng)險(xiǎn)、金融市場(chǎng)的波動(dòng)性以及流動(dòng)性與信用風(fēng)險(xiǎn)四個(gè)層面對(duì)中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行了測(cè)度。

1.金融機(jī)構(gòu)極值風(fēng)險(xiǎn)。采用的測(cè)度指標(biāo)為：①條件在險(xiǎn)價(jià)值(CoVaR)，該指標(biāo)由Adrian和Brunnermeier(2016)[14]在VaR理論的基礎(chǔ)上提出，重點(diǎn)在于測(cè)度金融市場(chǎng)中個(gè)體機(jī)構(gòu)對(duì)其他機(jī)構(gòu)乃至整個(gè)市場(chǎng)的風(fēng)險(xiǎn)溢出效應(yīng)。具體可以表示為Pr(Xi

4.流動(dòng)性與信用風(fēng)險(xiǎn)。金融市場(chǎng)上的流動(dòng)性強(qiáng)弱和信用風(fēng)險(xiǎn)是影響系統(tǒng)性金融風(fēng)險(xiǎn)的一大因素，本文選取以下三個(gè)指標(biāo)來(lái)反映這方面的風(fēng)險(xiǎn)：①個(gè)股流動(dòng)性，以股票換手率來(lái)表示，代表該股票的流動(dòng)性強(qiáng)弱。②信用利差。本文以上海同業(yè)拆借利率與國(guó)債收益利率的差額作為中國(guó)信用利差，信用利差越大，即代表金融系統(tǒng)的流動(dòng)資金越緊張，金融機(jī)構(gòu)就越缺乏流動(dòng)性，實(shí)體經(jīng)濟(jì)的借貸成本也就越大，整個(gè)經(jīng)濟(jì)體系的系統(tǒng)性風(fēng)險(xiǎn)也越大。③期限利差。本文以10年期國(guó)債和3個(gè)月國(guó)債到期收益率之差度量期限利差，期限利差越小則系統(tǒng)性風(fēng)險(xiǎn)的可能性越大。

(二)中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)的測(cè)度與分析

1. 數(shù)據(jù)來(lái)源說(shuō)明

為了能全面而系統(tǒng)地刻畫中國(guó)金融體系面臨的系統(tǒng)性風(fēng)險(xiǎn)，本文從中國(guó)金融系統(tǒng)內(nèi)挑選45家上市公司作為實(shí)證分析的研究樣本，樣本包含了分別來(lái)自銀行、保險(xiǎn)和證券三個(gè)部門的上市公司，代表性與金融覆蓋性較強(qiáng)。樣本期間自2007年1月至2020年8月，共164個(gè)月的數(shù)據(jù)，以每個(gè)公司的日開盤價(jià)、收盤價(jià)計(jì)算個(gè)股收益率作為數(shù)據(jù)基礎(chǔ)，為了保持樣本的連續(xù)性和數(shù)據(jù)的有效性，剔除相關(guān)財(cái)務(wù)數(shù)據(jù)不足三年的樣本。樣本期間涵蓋了2008年次貸危機(jī)、2015年股災(zāi)、2018年開始的中美貿(mào)易摩擦和2020年初的新冠肺炎疫情等重大事件，可以幫助我們精確地描繪中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)的變化狀況。除此之外，我們以滬深300指數(shù)作為中國(guó)金融市場(chǎng)的月市場(chǎng)收益率，通過(guò)人工收集各上市公司財(cái)務(wù)報(bào)表展示的資產(chǎn)總額、負(fù)債總額等數(shù)據(jù)，來(lái)測(cè)算各公司的賬面杠桿率和市場(chǎng)杠桿率，所用數(shù)據(jù)來(lái)源于Wind數(shù)據(jù)庫(kù)和同花順數(shù)據(jù)庫(kù)。

2. 中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)描述性統(tǒng)計(jì)特征

本文測(cè)度的14種系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)如表1所示。整體上看，計(jì)算方法不同的系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)取值也頗有不同，由赫芬達(dá)爾指數(shù)代表的金融市場(chǎng)規(guī)模集中度和負(fù)債總額與市值總額計(jì)算的市場(chǎng)杠桿率平均值和方差最大，最小值和最大值的差距也最大(1.5200～34.4500和1.3200～19.8900)。金融市場(chǎng)收益波動(dòng)率的取值范圍最小，波動(dòng)在0.0100～0.0700之間。金融機(jī)構(gòu)極值風(fēng)險(xiǎn)的四個(gè)指標(biāo)波動(dòng)幅度最為相似，金融市場(chǎng)波動(dòng)性的四個(gè)指標(biāo)變化程度差距最大，這可能是因?yàn)榍罢叨际怯缮鲜泄救帐找媛蕼y(cè)算的，誤差較小。各指標(biāo)之間的取值雖然有差異，但變化幅度卻有一定的相似性，具體的變化趨勢(shì)需要進(jìn)一步分析。

表1 14種系統(tǒng)性金融風(fēng)險(xiǎn)的統(tǒng)計(jì)特征

圖2 系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)的時(shí)序波動(dòng)

圖2展示了邊際期望損失、相關(guān)系數(shù)、信用利差和收益波動(dòng)率四個(gè)代表性指標(biāo)在2007年1月至2020年8月的變動(dòng)趨勢(shì)。為了能準(zhǔn)確觀察各指標(biāo)的時(shí)序變化趨勢(shì)，我們對(duì)4個(gè)代理指標(biāo)都進(jìn)行了標(biāo)準(zhǔn)化處理。整體上，4個(gè)指標(biāo)的變化趨勢(shì)雷同，在2008年次貸危機(jī)時(shí)段和2015年中國(guó)股災(zāi)時(shí)段都出現(xiàn)了波動(dòng)加強(qiáng)的現(xiàn)象。仔細(xì)對(duì)比各指標(biāo)的具體變化趨勢(shì)，收益波動(dòng)率和邊際期望損失的變化最為相似，并且對(duì)于2015年股災(zāi)的反應(yīng)最為激烈，2015年兩者的變化曲線呈明顯尖峰狀。而相關(guān)系數(shù)的波動(dòng)相較之下最為強(qiáng)烈，對(duì)于次貸危機(jī)、股災(zāi)乃至2020年的疫情沖擊都有明顯反應(yīng)，對(duì)金融市場(chǎng)風(fēng)險(xiǎn)的變化最為敏感，而信用利差的波動(dòng)最小。從2007以來(lái)各指標(biāo)大的波動(dòng)趨勢(shì)來(lái)看，信用利差和邊際期望損失主要呈下降趨勢(shì)，而收益波動(dòng)率和相關(guān)系數(shù)則有逐漸上升的趨勢(shì); 再?gòu)?015年股災(zāi)各指標(biāo)反應(yīng)靈敏度來(lái)看，收益波動(dòng)率和相關(guān)系數(shù)出現(xiàn)高峰的時(shí)間較早，之后是邊際期望損失，信用利差的波動(dòng)不明顯?？梢钥闯龈鱾€(gè)不同的指標(biāo)有自己獨(dú)特的變化趨勢(shì)，他們都是在某一方面描繪了中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)的變化趨勢(shì)，想要全面了解中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)的狀況，需要從多方面、多維度進(jìn)行考察。

四、宏觀經(jīng)濟(jì)不確定性與系統(tǒng)性金融風(fēng)險(xiǎn)的相依性分析

(一) 計(jì)量模型與樣本數(shù)據(jù)

1. 模型選擇

借鑒主流研究文獻(xiàn)，我們選擇Copula函數(shù)來(lái)描繪宏觀經(jīng)濟(jì)不確定性和系統(tǒng)性金融風(fēng)險(xiǎn)之間的相依性結(jié)構(gòu)。Copula函數(shù)最早由Sklar(1959)[29]提出，是一種利用樣本數(shù)據(jù)和各種風(fēng)險(xiǎn)資產(chǎn)收益率的邊緣分布近似確定其聯(lián)合分布的數(shù)學(xué)建模方法，后來(lái)被眾多學(xué)者用于研究各種隨機(jī)變量之間的相依性。

假定F(x)和G(y)分別是隨機(jī)變量x,y的邊緣分布函數(shù)，H(x,y)為這兩個(gè)變量的聯(lián)合分布，則一個(gè)二元Copula函數(shù)可以定義為：

H(x,y)=C(F(x),G(y))

(11)

宏觀經(jīng)濟(jì)不確定性和系統(tǒng)性金融風(fēng)險(xiǎn)的相依性問(wèn)題可以通過(guò)代理指標(biāo)的條件概率來(lái)進(jìn)行一定程度上的反映：P[X>x|Y>y]，它代表了當(dāng)Y>y時(shí)，X>x的概率，即當(dāng)宏觀經(jīng)濟(jì)不確定性和系統(tǒng)性金融風(fēng)險(xiǎn)一方發(fā)生強(qiáng)烈波動(dòng)時(shí)另一方的反應(yīng)；當(dāng)x,y→∞時(shí)，P[X>x|Y>y]就反映了宏觀經(jīng)濟(jì)不確定性和系統(tǒng)性金融風(fēng)險(xiǎn)之間的尾部相關(guān)性。因此，我們需要先確定二者的邊緣分布函數(shù)，再對(duì)比不同類型Copula函數(shù)的擬合效果，選擇合適的相關(guān)系數(shù)來(lái)刻畫宏觀經(jīng)濟(jì)不確定性和系統(tǒng)性金融風(fēng)險(xiǎn)間的相依結(jié)構(gòu)。

時(shí)間序列的波動(dòng)是對(duì)隨機(jī)變量的變化過(guò)程進(jìn)行標(biāo)識(shí)的重要指標(biāo)，能夠刻畫宏觀經(jīng)濟(jì)和金融市場(chǎng)伴隨時(shí)間推進(jìn)產(chǎn)生的動(dòng)態(tài)行為。對(duì)于宏觀經(jīng)濟(jì)不確定性和系統(tǒng)性金融風(fēng)險(xiǎn)而言，構(gòu)造何種Copula函數(shù)來(lái)描繪它們之間的相依性結(jié)構(gòu)取決于時(shí)間序列數(shù)據(jù)的分布和擬合，如果這兩個(gè)變量是平穩(wěn)的時(shí)間序列，適宜采用Copula-ARMA來(lái)構(gòu)建模型，而如果它們的回歸殘差具有異方差性，則適宜采用Copula-GARCH方法來(lái)構(gòu)建模型。一般地，在金融時(shí)間序列的分析中，經(jīng)濟(jì)與金融變量的邊緣分布往往存在顯著的異方差性，采用GARCH模型可以很好地描繪這些時(shí)間序列的波動(dòng)性特征。我們假定宏觀經(jīng)濟(jì)不確定性和系統(tǒng)性金融風(fēng)險(xiǎn)代理指標(biāo)服從一個(gè)GARCH過(guò)程，則一個(gè)簡(jiǎn)單的二元Copula-GARCH模型可以表示為：

yit=Xit+εit

εit=vitσit

(v1t,v2t)|It-1～Ct(F1(v1t),F2(v2t))

(12)

上式中，Ct為我們選定的某一個(gè)二元Copula分布。

我們可以通過(guò)估計(jì)相關(guān)變量的邊緣分布函數(shù)來(lái)確定Copula函數(shù)的分布形式。假設(shè)一個(gè)二元變量(X1,X2)它的邊緣分布函數(shù)為Fi(xi,ai)，密度函數(shù)為fi(xi,ai)，那么就可以將(X1,X2)的聯(lián)合分布函數(shù)和密度函數(shù)定義為：

F(x1,x2;a1,a2;δ)=C[F1(x1,a1),F2(x2,a2);δ]

(13)

(14)

式(13)、式(14)中ai與δ分別代表變量xi和Copula分布的相關(guān)參數(shù)，根據(jù)極大似然法，則分布參數(shù)向量ω=(a1,a2;δ)的對(duì)數(shù)似然函數(shù)可以表示為：

(15)

式(15)中j表示樣本容量。

式(13)和式(14)所建立的模型隱含Copula函數(shù)的參數(shù)是常系數(shù)的假設(shè)。但由于宏觀經(jīng)濟(jì)面臨的不確定性沖擊難以預(yù)測(cè)，且金融市場(chǎng)的系統(tǒng)性風(fēng)險(xiǎn)結(jié)構(gòu)同樣會(huì)隨著金融部門內(nèi)部變量或外部經(jīng)濟(jì)環(huán)境的變化而產(chǎn)生相應(yīng)的變化，即它們之間的相依結(jié)構(gòu)理應(yīng)是動(dòng)態(tài)時(shí)變的。這種時(shí)變Copula 系數(shù)變化趨勢(shì)和選擇構(gòu)建的Copula函數(shù)具體形式有關(guān)，Granger(2006)[30]提出了一個(gè)基于ARMA過(guò)程的時(shí)變相依性描述結(jié)構(gòu)(假定正態(tài)性的Normal Copula 函數(shù))：

(16)

但Normal Copula 函數(shù)所要求的對(duì)稱尾部相依性假定現(xiàn)實(shí)中很難滿足，因此，Patton(2009)[31]進(jìn)一步提出了SJC-Copula(Symmetrized Joe-Clayton,SJC)模型：

Copula_SJC(u,v|τU,τL)=0.5(CJC(u,v|τU,τL)+CJC(1-u,1-v|τU,τL)+u+v-1)

(17)

并在式(17)的基礎(chǔ)上推演了SJC-Copula函數(shù)的時(shí)變相依性結(jié)構(gòu)變化過(guò)程：

(18)

2.樣本數(shù)據(jù)說(shuō)明

我們選擇上文構(gòu)建的中國(guó)132維經(jīng)濟(jì)數(shù)據(jù)合成的EU指數(shù)作為宏觀經(jīng)濟(jì)不確定性的代理指標(biāo)，具體是以誤差最小的u1作為經(jīng)濟(jì)不確定性指標(biāo)；同時(shí)代表性地選取MES、Average_Cor、Volatility、Credit_spread四個(gè)指標(biāo)分別代表金融機(jī)構(gòu)極值風(fēng)險(xiǎn)、傳染效應(yīng)、波動(dòng)性和不穩(wěn)定性、流動(dòng)性和信用風(fēng)險(xiǎn)情況四個(gè)層面的系統(tǒng)性金融風(fēng)險(xiǎn)。

(二)描述性統(tǒng)計(jì)及相關(guān)性檢驗(yàn)

表2給出了宏觀經(jīng)濟(jì)不確定性和四個(gè)系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)的描述性統(tǒng)計(jì)?？梢杂^察到：①系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)中代表流動(dòng)性和信用風(fēng)險(xiǎn)的信用利差波動(dòng)最大，波動(dòng)率指標(biāo)的方差最小，宏觀經(jīng)濟(jì)不確定性指標(biāo)波動(dòng)幅度也較??；②除了Averagecor的偏度小于0外，其他四個(gè)指標(biāo)的偏度均大于0，說(shuō)明五個(gè)時(shí)間序列的分布都是不對(duì)稱的，Averagecor序列的分布圖為左偏，其他序列的分布為右偏，都具有一定厚尾性；③大多數(shù)序列的峰度顯著大于3，具有尖峰性，明顯異于正態(tài)分布，從Jarque-Bera檢驗(yàn)的結(jié)果看，均顯著拒絕了正態(tài)分布的假設(shè)，總體上各指標(biāo)表現(xiàn)出尖峰厚尾分布特征，在一定意義上反映了系統(tǒng)性金融風(fēng)險(xiǎn)對(duì)經(jīng)濟(jì)不確定性的正反饋特征。

表2 股指收益率的描述性統(tǒng)計(jì)

圖3給出了宏觀經(jīng)濟(jì)不確定性和MES的二元聯(lián)合分布狀況，從二元頻率直方圖和二元聯(lián)合概率分布函數(shù)可以看出，二者的聯(lián)合分布并不完全呈對(duì)稱結(jié)構(gòu)，上尾分布和下尾分布的相關(guān)性差異很大，因而，到底采取何種形式的Copula函數(shù)模型對(duì)聯(lián)合分布進(jìn)行擬合，還需要下文進(jìn)一步的檢驗(yàn)。

圖3 EU和MES邊緣分布的二元聯(lián)合直方圖及概率分布

借鑒Sklar(1959)[29]的研究，我們可以將宏觀經(jīng)濟(jì)不確定性和系統(tǒng)性金融風(fēng)險(xiǎn)的聯(lián)合分布分解成幾個(gè)邊緣分布和一個(gè)適合的Copula函數(shù)，該Copula函數(shù)模型能夠精確地度量序列間的相依結(jié)構(gòu)?；谝粋€(gè)經(jīng)濟(jì)不確定性指標(biāo)和四個(gè)系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)，第一步對(duì)它們的邊緣分布進(jìn)行擬合。出于篇幅限制，我們選取宏觀經(jīng)濟(jì)不確定性和MES作為例子。

(19)

(20)

為了準(zhǔn)確估計(jì)EUt和MESt的邊緣分布，我們?cè)诰捣匠?19)和方程(20)中對(duì)它們的最優(yōu)滯后階數(shù)進(jìn)行綜合檢驗(yàn)(T統(tǒng)計(jì)值和AIC信息準(zhǔn)則等)，再采用標(biāo)準(zhǔn)GARCH(1,1)模型擬合它們的邊緣分布，同時(shí)提取標(biāo)準(zhǔn)殘差序列進(jìn)行概率積分變換，對(duì)新序列進(jìn)行KS檢驗(yàn)。結(jié)果表明新序列符合均勻分布條件，采用概率積分變換后的新序列構(gòu)建Copula模型來(lái)刻畫EU和MES之間的相依結(jié)構(gòu)。

(三)宏觀經(jīng)濟(jì)不確定性和系統(tǒng)性金融風(fēng)險(xiǎn)相依性的實(shí)證分析

表3給出了宏觀經(jīng)濟(jì)不確定性和MES聯(lián)合分布的不同Copula函數(shù)的擬合結(jié)果，通過(guò)對(duì)正態(tài)性Copula函數(shù)、Gumbel Copula函數(shù)、Frank copula函數(shù)和SJC copula函數(shù)等不同函數(shù)模型擬合的最優(yōu)似然比進(jìn)行比較，可以看出，基于時(shí)變的SJC copula函數(shù)模擬的情況最優(yōu)。

表3 EU和MES聯(lián)合分布的最優(yōu)Copula函數(shù)選擇

圖4展示了基于時(shí)變SJC Copula函數(shù)擬合的宏觀經(jīng)濟(jì)不確定性和邊際期望損失聯(lián)合分布的相依結(jié)構(gòu)，可以看出上尾相關(guān)性顯示了較強(qiáng)的正向相依結(jié)構(gòu)，下尾分布相關(guān)性較弱，同時(shí)，上尾顯示的相關(guān)性表現(xiàn)出了隨著時(shí)間發(fā)展，二者之間相關(guān)性逐漸減弱的現(xiàn)象。說(shuō)明在宏觀經(jīng)濟(jì)不確定性較強(qiáng)時(shí)，系統(tǒng)性金融風(fēng)險(xiǎn)也會(huì)顯著加強(qiáng)，但在宏觀經(jīng)濟(jì)不確定性較弱時(shí)，二者的關(guān)系并不顯著。同時(shí)從圖4可以看出二者上下尾相依結(jié)構(gòu)具有極其明顯的非對(duì)稱性，上下尾相依系數(shù)的變化特征十分不同，上尾相關(guān)系數(shù)變化頻率較大，波動(dòng)性較強(qiáng)，而下尾相關(guān)系數(shù)相較之下比較平穩(wěn)，但在特定區(qū)間則會(huì)出現(xiàn)劇烈波動(dòng)。圖5所示宏觀經(jīng)濟(jì)不確定性和其他系統(tǒng)性金融風(fēng)險(xiǎn)代理指標(biāo)之間相依性也顯示了隨著時(shí)間推進(jìn)而減弱的現(xiàn)象。另外三類指標(biāo)都以Time-varying normal Copula模型的擬合效果最好。宏觀經(jīng)濟(jì)不確定性與Averagecor和Credit_spread的相關(guān)系數(shù)變化趨勢(shì)較為相似，但前者的相關(guān)系數(shù)大多為正，后者的相關(guān)系數(shù)則大多為負(fù)，即宏觀經(jīng)濟(jì)不確定性越強(qiáng)，系統(tǒng)性金融風(fēng)險(xiǎn)的傳導(dǎo)效應(yīng)也就越強(qiáng)，而信用利差則傾向于縮小。宏觀經(jīng)濟(jì)不確定性與Volatility的相依結(jié)構(gòu)最為符合股市變化，在2008年金融危機(jī)、2015年股災(zāi)時(shí)期和2020年初新冠肺炎疫情期間，時(shí)變相關(guān)系數(shù)都劇烈提高，顯示出了極強(qiáng)的正向相依關(guān)系。

圖4 基于SJC Copula模型的宏觀經(jīng)濟(jì)不確定性和邊際期望損失的時(shí)變相依性

圖5 宏觀經(jīng)濟(jì)不確定性和其他系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)的Copula分布及時(shí)變相依結(jié)構(gòu)

五、結(jié)論與建議

本文首先采用2007年1月至2020年8月中國(guó)132維的大維經(jīng)濟(jì)信息集合，運(yùn)用因子增廣向量矩陣測(cè)度中國(guó)宏觀經(jīng)濟(jì)不確定性指數(shù)；其次，以45家分別來(lái)自銀行、保險(xiǎn)和證券三個(gè)部門的上市公司月度數(shù)據(jù)測(cè)算14種系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)；最后，建立Copula函數(shù)模型實(shí)證分析宏觀經(jīng)濟(jì)不確定性與系統(tǒng)性金融風(fēng)險(xiǎn)之間的相依性關(guān)系，獲得了以下基本結(jié)論：

(1)宏觀經(jīng)濟(jì)不確定性對(duì)重大經(jīng)濟(jì)事件的反應(yīng)較為靈敏，在2008年的金融危機(jī)、2015年的股災(zāi)和2020年的新冠肺炎疫情沖擊下都出現(xiàn)了峰值，整體上波動(dòng)較為頻繁，中國(guó)面臨的不確定性沖擊挑戰(zhàn)還很大。

(2)各系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)的數(shù)值大小雖然有所差異，但其變化幅度卻呈現(xiàn)一定的相似性，整體上呈逐漸增大的趨勢(shì)。

(3)宏觀經(jīng)濟(jì)不確定性和系統(tǒng)性風(fēng)險(xiǎn)之間存在相依性，上下尾相關(guān)性具有很大差異，上尾相關(guān)性顯示宏觀經(jīng)濟(jì)不確定性和系統(tǒng)性金融風(fēng)險(xiǎn)有較強(qiáng)的正向相依結(jié)構(gòu)，下尾分布則相關(guān)性較弱，同時(shí)，上尾顯示的相關(guān)性表現(xiàn)出了隨著時(shí)間發(fā)展逐漸減弱的現(xiàn)象。中國(guó)宏觀經(jīng)濟(jì)不確定性和系統(tǒng)性金融風(fēng)險(xiǎn)在上漲期聯(lián)動(dòng)趨勢(shì)較強(qiáng)，下降期則較弱，表現(xiàn)出非對(duì)稱性。

本文的研究結(jié)論對(duì)當(dāng)前新冠肺炎疫情背景下應(yīng)對(duì)經(jīng)濟(jì)不確定性沖擊和防范化解系統(tǒng)性金融風(fēng)險(xiǎn)具有重要的指導(dǎo)意義。一方面，政府要建立健全全方位、多層次的資本市場(chǎng)體系，加強(qiáng)金融市場(chǎng)抵御不確定性沖擊的能力，尤其是要加強(qiáng)抵御外部不確定性沖擊和削弱國(guó)際市場(chǎng)系統(tǒng)性風(fēng)險(xiǎn)傳染的能力；另一方面，監(jiān)管部門要建立常態(tài)化的系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警體系，從多角度、多層面對(duì)金融市場(chǎng)進(jìn)行監(jiān)管，而不應(yīng)迷信某幾個(gè)金融指標(biāo)，完善金融主管部門對(duì)金融市場(chǎng)異常波動(dòng)的監(jiān)控處理機(jī)制并進(jìn)行宏觀審慎監(jiān)管。