中國金融機構關聯(lián)性與系統(tǒng)性風險貢獻研究
——基于尾部風險溢出網絡視角

王綱金，徐梓雙，謝 赤

(湖南大學工商管理學院，長沙 410082)

0 引 言

2008年次貸危機爆發(fā)后，金融機構間的關聯(lián)性以及系統(tǒng)性風險引起了學術界與監(jiān)管者的廣泛關注. 系統(tǒng)性風險指在由不同行業(yè)的金融機構組成的體系中，一個事件可以影響整個金融體系的功能，同時也讓看似不相關的第三方遭受損失. 由于金融工具的不斷創(chuàng)新，各類衍生品涌現(xiàn)，表外業(yè)務范圍擴大，金融機構個體間的聯(lián)動性逐漸上升，金融市場風險傳染速度加快. 金融機構間的過度關聯(lián)使得負面沖擊在機構個體之間、部門行業(yè)間以及金融系統(tǒng)和實體經濟之間傳導擴散，沖擊破壞力急劇上升，影響范圍迅速擴大，放大了風險傳染的渠道與可能性. 正是機構間的相互關聯(lián)，造成了系統(tǒng)性風險的傳播.

從當前國內背景來看，金融業(yè)改革不斷深化，從目前的分業(yè)經營模式過渡至混業(yè)經營趨勢明顯. 同時，在企業(yè)與居民對差異性金融產品需求上升的環(huán)境下，金融創(chuàng)新產品發(fā)展迅速，金融服務的廣度和深度不斷擴展. 2015年的股災便是金融機構大力開展影子業(yè)務，規(guī)避監(jiān)管部門約束，從而引發(fā)系統(tǒng)關聯(lián)性上升和風險聚增的集中體現(xiàn)[1]. “一委一行兩會”新的監(jiān)管格局正是監(jiān)管部門應對目前金融混業(yè)和綜合經營形勢的新舉措.2020年12月2日，中國人民銀行和中國銀行保險監(jiān)督管理委員會聯(lián)合發(fā)布了2021年1月1日起正式實施的《系統(tǒng)重要性銀行評估辦法》，從規(guī)模、關聯(lián)度、可替代性和復雜性等四個維度構建評估指標體系以識別我國系統(tǒng)重要性銀行，通過對系統(tǒng)重要性銀行進行差異化監(jiān)管，以降低其發(fā)生重大風險的可能性，防范系統(tǒng)性風險. 盡管指標評估方法能透明、簡捷地獲取系統(tǒng)重要性銀行的名單，但是該方法無法動態(tài)地捕捉金融機構間的風險傳染效應與負外部性影響，且無法分辨金融機構的系統(tǒng)性風險貢獻與其參與風險性事件的區(qū)別[2]. 同時，在經濟新常態(tài)的背景下，經濟下行壓力加大，面臨潛在系統(tǒng)性風險逐步顯性化的問題. 愈加復雜的金融系統(tǒng)更易引發(fā)極端事件發(fā)生，同時尾部極端風險容易通過網絡傳染至其它機構，從而加劇系統(tǒng)性風險發(fā)生的可能性.

另一方面，在國際視角下當前中國金融市場逐步推動對外開放. 隨著近兩年A股市場正式分別納入MSCI指數(shù)與FTSE Russel指數(shù)、放寬或取消外資在國內金融機構的持股比例、2018年12月正式啟動滬倫通計劃以及進一步完善內地與中國香港兩地股票市場互聯(lián)互通機制等舉措出臺落地，中國金融系統(tǒng)與國際金融系統(tǒng)的聯(lián)系不斷加深. 金融系統(tǒng)的穩(wěn)定是保證經濟平穩(wěn)發(fā)展的關鍵，尤其在“十九大報告”強調“健全金融監(jiān)管體系，守住不發(fā)生系統(tǒng)性金融風險的底線”是金融工作永恒主題的背景下，加強對整個金融系統(tǒng)的宏觀審慎監(jiān)管的關注，探究如何防范外部金融風險沖擊，把握金融系統(tǒng)的關聯(lián)性，衡量金融機構系統(tǒng)性風險貢獻對落實有效金融監(jiān)管措施、維護金融系統(tǒng)健康穩(wěn)定具有重要意義.

在此背景下，本文旨在利用尾部風險度量方法，衡量金融機構的尾部風險，構建尾部風險溢出網絡以測度金融系統(tǒng)關聯(lián)性，探究金融機構系統(tǒng)性風險貢獻，評估個體金融機構處于極端條件下對整體系統(tǒng)性風險的貢獻，從中識別具有系統(tǒng)重要性的機構. 從理論意義角度，本文在金融機構尾部風險溢出網絡關聯(lián)性的基礎之上，引入評估金融機構財務狀況的公司特征變量，提出網絡-市場-賬面(network-market-book)相結合的系統(tǒng)性風險貢獻測度，該測度綜合考慮尾部風險網絡的關聯(lián)性以及影響金融機構系統(tǒng)性風險貢獻的公司特征(如規(guī)模、杠桿率、流動性)，從而更充分地探究金融機構“太關聯(lián)而不能倒”與“太大而不能倒”等道德風險問題. 從現(xiàn)實意義角度，在系統(tǒng)性金融風險不斷累積、金融行業(yè)中業(yè)務相關性和交叉性增強的背景下，通過測度金融機構系統(tǒng)性風險貢獻能在金融管理實踐中為系統(tǒng)性風險防范與宏觀審慎監(jiān)管提供一定參考依據(jù).

1 文獻綜述

根據(jù)對系統(tǒng)性風險定義的不同，測度方法分為宏觀和微觀兩種. 宏觀方法是將金融系統(tǒng)視為一個有機整體，并對其風險大小進行衡量；微觀方法則是將重心放在金融機構個體的表現(xiàn)上，通過機構間的風險傳染衡量個體機構對其它機構的風險溢出及其系統(tǒng)性風險貢獻.

Kaminskya和Reinhartb[3]提出的信號法是從宏觀層面出發(fā)的代表性早期預警指標方法. 這種方法監(jiān)測選定指標的動態(tài)變化，并根據(jù)超出閾值的預警指標數(shù)量判斷金融危機發(fā)生的可能性. 在亞洲金融危機之后，IMF[4]提出了金融穩(wěn)健性指標，通過對資本充足率、資產質量、流動性水平等指標考察評價金融體系的穩(wěn)健性. 延續(xù)綜合指數(shù)的思路，陶玲和朱迎[5]結合我國轉軌體制特點和現(xiàn)實情況，提出了包含7個維度的系統(tǒng)性風險綜合指數(shù)對風險指標狀態(tài)及其拐點進行識別和判斷.

相比通過宏觀經濟變量評估系統(tǒng)性金融風險，微觀市場數(shù)據(jù)的優(yōu)勢在于能利用高頻市場交易數(shù)據(jù)，反映機構間的動態(tài)風險傳染信息. 基于收益率損失度量系統(tǒng)性風險貢獻是通過高頻市場數(shù)據(jù)判斷系統(tǒng)性風險大小、衡量機構系統(tǒng)重要性的一個重要方法. 在傳統(tǒng)風險價值(value-at-risk, VaR)模型基礎之上，Adrian和Brunnermeier[6]提出條件風險價值(conditional VaR, CoVaR)，并采用某一機構陷入困境時與其正常經營時的風險價值之差(ΔCoVaR)來衡量金融機構的系統(tǒng)性風險貢獻. 肖璞等[7]利用CoVaR量化商業(yè)銀行的風險溢出效應，并測度銀行陷入困境時對銀行系統(tǒng)的風險貢獻程度. Acharya等[8]則在CoVaR的基礎上進一步考慮了更為極端情況下的期望損失(expected shortfall, ES)，提出邊際期望損失(marginal expected shortfall, MES)測度金融機構系統(tǒng)性風險貢獻以及系統(tǒng)性期望損失考察面對系統(tǒng)性風險時金融系統(tǒng)的可能損失. 楊子暉等[9]分別采用VaR、MES、CoVaR和ΔCoVaR等4種方法對金融機構和房地產公司的系統(tǒng)性風險貢獻進行評估和比較，發(fā)現(xiàn)這4種方法均能有效識別金融行業(yè)風險集聚的尾部事件. Brownlees和Engle[10]完善MES未曾考慮金融機構本身規(guī)模及杠桿率的問題，提出系統(tǒng)性風險指數(shù)(systemic risk index, SRISK)，并實證測度美國95家金融機構的系統(tǒng)性風險，證實該指數(shù)有助于捕捉金融危機的早期現(xiàn)象. 梁琪等[11]基于SRISK估計中國上市金融機構的資本短缺程度，識別系統(tǒng)重要性機構，發(fā)現(xiàn)加強機構杠桿率審慎監(jiān)管對監(jiān)管實務具有重要意義. 雖然以上CoVaR, MES和SRISK等方法得到了廣泛的關注與應用，但是此類方法主要關注單個金融機構與金融系統(tǒng)或者兩個金融機構之間的關聯(lián)性，卻忽視了不同金融機構之間的關聯(lián)性以及整個系統(tǒng)的網絡關聯(lián)性，從而無法準確識別復雜金融網絡的系統(tǒng)性風險.

考慮到金融實體間復雜的交互行為以及金融系統(tǒng)是復雜的巨系統(tǒng)，學者們開始運用復雜網絡理論來研究金融機構間的關聯(lián)性以測度系統(tǒng)性風險并識別系統(tǒng)重要性金融機構[12-17]. 相關性網絡模型是基于市場數(shù)據(jù)構建復雜金融網絡的代表性方法，主要通過過濾金融實體間相關性矩陣來構建相對應的金融網絡. 常見的相關性網絡建模方法有：最小生成樹[18]、平面最大限度濾波圖[19]、閾值法[20]和偏相關性[21]. 雖然相關性網絡能有效度量金融實體間的關聯(lián)性及其演化特性，并廣泛應用于資產組合的選擇與優(yōu)化，但是它們?yōu)闊o向網絡，只能反映金融實體間的相關性，無法捕捉到金融實體之間領先滯后的信息溢出關系. 因此，在當前金融機構聯(lián)系愈加緊密的趨勢下，評估機構間信息溢出效應也是衡量系統(tǒng)性風險的重要思路，許多學者從信息溢出網絡關聯(lián)性角度開展研究. 例如，Billio等[22]提出Granger因果網絡(又稱均值溢出網絡)測度金融機構間的關聯(lián)性，并發(fā)現(xiàn)近年來金融系統(tǒng)關聯(lián)性不斷上升. Wang等[23]基于VaR指標和風險Granger因果檢驗提出極端風險溢出網絡，實證研究84家金融機構間的關聯(lián)性與動態(tài)演化行為，發(fā)現(xiàn)銀行業(yè)是極端風險的凈溢出者. Diebold和Ylmaz[24]基于向量自回歸模型與方差分解框架提出溢出指數(shù)方法，并據(jù)此構建波動率溢出網絡(又稱方差分解網絡). Wang等[25]采用波動溢出網絡研究中國銀行系統(tǒng)的關聯(lián)性及其動態(tài)演化行為，以探討規(guī)模大的國有商業(yè)銀行是否貢獻更多的波動關聯(lián)性. 在CoVaR的基礎上，Hautsch等[26]結合分位數(shù)回歸和LASSO算法提出尾部風險網絡模型；Fang等[27]在此基礎上構建中國金融機構尾部風險網絡，并度量不同階段的尾部風險傳染大小. H?rdle等[28]擴展CoVaR模型，引入金融機構的非線性關系，提出了基于尾部事件驅動的網絡(TENET)模型，構建納斯達克上市的100家金融機構的尾部風險關聯(lián)網絡，并發(fā)現(xiàn)銀行具有較高的系統(tǒng)重要性. Wang等[29]采用TENET模型研究中國上市金融機構關聯(lián)性與系統(tǒng)性風險，并發(fā)現(xiàn)一些規(guī)模較小的金融機構也有較強的風險溢出效應. TENET模型[28]相較于Billio等[22]提出的Granger因果網絡以及楊子暉等[30]提出的非線性Granger因果網絡具有以下兩方面的優(yōu)點：1) (非線性) Granger因果網絡為有向無權網絡，而TENET為有向加權網絡. 因此TENET能有效測度金融機構間的溢出強度，相比前者它蘊含更多的關聯(lián)性溢出信息；2) (非線性) Granger因果網絡為均值溢出網絡，而TENET為尾部風險溢出網絡，故它能有效捕捉極端風險或尾部事件對金融機構關聯(lián)性的影響. 另外，與Diebold和Ylmaz[24]提出的方差分解網絡相比，TENET模型[28]具有以下優(yōu)勢：1)方差分解網絡只考察了金融機構的均值或波動率溢出效應，而忽略TENET模型所捕捉的尾部風險溢出效應，故不能有效測度極端尾部風險下的金融機構關聯(lián)性；2)方差分解網絡為有向完全圖，即任意兩個頂點之間都有兩條方向相反的邊相連接，因此包含了較多的冗余信息，而TENET則為包含非線性關聯(lián)性的有向圖.

總之，以往測度金融機構系統(tǒng)性風險貢獻的文獻存在以下三方面的不足：1)類似CoVaR、MES、SRISK等方法都只關注金融機構間的局部關聯(lián)水平(即，單個金融機構與金融系統(tǒng)或成對金融機構間的關聯(lián)性)，忽視了金融網絡的整體結構特征，即沒有全面地考察金融機構間所有可能的關聯(lián)性，從而使得度量結果具有一定的片面性；2)盡管目前利用網絡分析方法探討關聯(lián)性的文獻較多，但在極端事件頻發(fā)的環(huán)境下，只有較少工作從尾部風險溢出視角展開研究，研究對象也多集中于銀行同業(yè)市場；3)現(xiàn)有的網絡分析法還只停留在關注金融網絡的總體關聯(lián)性以及金融機構的關聯(lián)性強度與排序，較少有研究將網絡關聯(lián)性(特別是尾部風險溢出網絡關聯(lián)性)與影響金融機構系統(tǒng)性風險貢獻的其它因素全面、有機地相結合而構建相應的系統(tǒng)性風險貢獻測度. 具體而言，從網絡理論出發(fā)能有效捕捉金融機構間的風險溢出關聯(lián)性及其動態(tài)變化，然而現(xiàn)有文獻主要探討的是系統(tǒng)性風險的整體水平和機構的關聯(lián)網絡結構，較少結合尾部風險溢出網絡關聯(lián)性與公司微觀特征并從個體角度分析金融機構對系統(tǒng)性風險的貢獻水平.

盡管H?rdle等[28]和Wang等[29]基于TENET網絡提出了結合金融機構規(guī)模和關聯(lián)性的系統(tǒng)性風險貢獻測度，但是該測度只是簡單地將金融機構的規(guī)模與關聯(lián)性相乘，這使得所測算的金融機構系統(tǒng)性風險貢獻過度依賴其規(guī)模，即金融機構規(guī)模越大，則其系統(tǒng)性風險貢獻則大，從而忽略了關聯(lián)性的重要性；并且該測度也沒有考慮其他影響公司風險的個體特征(如，杠桿和流動性). 比如，應用廣泛的SRISK指標[9]的優(yōu)勢在于它同時考慮了金融機構關聯(lián)性、規(guī)模和杠桿的影響，但是該指標沒有考慮金融機構間的網絡關聯(lián)性. 因此，為了克服以往研究的不足，本文提出一種新的系統(tǒng)性風險貢獻測度，有機地結合了尾部風險溢出網絡下金融機構的網絡關聯(lián)性與金融機構個體特征(如，規(guī)模、杠桿、流動性)，基于改進的PageRank算法構建網絡-市場-賬面相結合的系統(tǒng)性風險貢獻測度，以期為完善宏觀審慎監(jiān)管框架提供實踐參考依據(jù).

2 研究設計

由于尾部風險溢出網絡TENET模型擴展于雙變量CoVaR模型，因此本節(jié)將首先介紹雙變量CoVaR模型，其次引入考慮非線性和變量選擇的半參數(shù)分位數(shù)回歸框架來構建TENET網絡，然后從系統(tǒng)整體、部門行業(yè)、機構個體三方面引入網絡關聯(lián)性測度，最后在尾部風險溢出網絡關聯(lián)性的基礎上，提出基于改進的PageRank算法構建網絡-市場-賬面相結合的系統(tǒng)性風險貢獻測度.

2.1 CoVaR尾部風險

VaR是衡量市場風險大小的重要方法，其定義為在一定時期內、一定置信水平下金融機構或資產組合未來遭受的最大可能損失，可表示為

Pr(Xi,t≤VaRi,t,τ)≡τ

(1)

其中τ為置信水平，Xi,t為機構i在時刻t下的收益率.

由Adrian和Brunnermeier[6]提出的條件風險價值(CoVaR)方法是傳統(tǒng)VaR方法的改進，該方法考慮了金融機構間的溢出效應和宏觀環(huán)境的影響. 在時刻t，考慮兩個金融機構i和j，機構j的CoVaR定義為當機構i處于某種極端風險狀態(tài)或事件C(Xi,t)時機構j的風險價值，即CoVaRj |C(Xi,t),t,τ隱含地定義為條件概率分布的τ分位數(shù)

Pr(Xj,t|C(Xi,t)≤CoVaRj |C(Xi,t),t,τ)≡τ

(2)

其中信息集C(Xi,t)包含了Xi,t=VaRi,t,τ的事件和宏觀經濟狀態(tài)Mt-1.簡單起見，將CoVaRj|C(Xi, t),t,τ簡記為CoVaRj|i,t,τ.

采用線性分位數(shù)回歸估計時變VaR與CoVaR，該回歸方法不必關注資產收益率的概率分布，其表達式為

Xi,t=αi+γiMt-1+εi,t

(3)

Xj,t=αj |i+γj |iMt-1+βj |iXi,t+εj |i,t

(4)

其中系數(shù)βj|i表示金融機構j對機構i收益率變化的敏感度，即i對j的影響程度，或者說是i對j的溢出風險的大小，Mt-1為影響風險溢出效應的宏觀狀態(tài)變量.VaRi,t,τ和CoVaRj|i,t,τ可代入式(3)和式(4)進行估計，具體為

(5)

(6)

2.2 尾部風險溢出網絡模型

本文根據(jù)H?rdle等[28]的TENET模型，構建金融系統(tǒng)的尾部風險溢出網絡. TENET模型擴展了雙變量CoVaR模型，并采用非線性關聯(lián)估計方法，引入更多影響機構間尾部風險溢出的因素，構建高維網絡模型. TENET方法首先利用式(5)估計各個金融機構的VaR. 其次，采用單指數(shù)分位數(shù)回歸構建尾部風險關聯(lián)網絡，即

(7)

(8)

(9)

其中Xj,t為機構j的收益率，Rj,t≡{X-j,t,Mt-1,Bj,t-1}.X-j,t≡{X1,t,X2,t,…,Xk,t}為引入的解釋變量，包含金融系統(tǒng)中除機構j以外其它金融機構的收益率，k為金融系統(tǒng)中機構數(shù)目. 由于信息傳遞具有滯后性，Mt-1為滯后一期的宏觀經濟變量.Bj,t-1為基于各機構資產負債表計算出的企業(yè)特征變量，包括杠桿率、期限匹配度、賬面市值比、規(guī)模.

(10)

2.3 網絡關聯(lián)性測度

(11)

從行業(yè)角度，分別采用行業(yè)出度強度與入度強度對行業(yè)在系統(tǒng)中的風險溢出與溢入進行描述. 行業(yè)出度強度(out-strength of sector, OSS)定義為某一個行業(yè)整體對外尾部風險溢出絕對值的總和

(12)

行業(yè)入度強度(in-strength of sector, ISS)定義為其它行業(yè)對某一行業(yè)的溢出程度絕對值的總和

(13)

其中Vm為屬于行業(yè)m的機構集合.

通過引入跨行業(yè)風險溢出強度(the strength of cross sector, SCS)評估不同行業(yè)間的風險關聯(lián)和動態(tài)變化，以分析行業(yè)間及行業(yè)內部的尾部風險溢出關系，具體表達式為

(14)

其中n和m代表不同行業(yè)，Nn和Nm分別為行業(yè)n和行業(yè)m的機構數(shù)量. 當衡量行業(yè)內部的尾部風險溢出時，Nn=Nm-1，Vn=Vm，并且i≠j.

從個體角度，引入機構出度強度和入度強度衡量個體在系統(tǒng)中所產生和接受的風險溢出強度. 機構出度強度定義為某機構對其它機構風險溢出水平的絕對值之和，而入度強度則為其它機構對該機構風險溢出水平的絕對值之和. 具體地，機構出度強度(out-strength of institution, OSI)和入度強度(in-strength of institution, ISI)分別定義為

(15)

(16)

2.4 系統(tǒng)性風險貢獻測度

盡管H?rdle等[28]在網絡關聯(lián)性的基礎上結合金融機構市值提出了系統(tǒng)性風險溢出指數(shù)與接收指數(shù)來測度金融機構系統(tǒng)性風險貢獻，但是這兩個指數(shù)忽略了金融機構的個體微觀風險特征，如杠桿與流動性，從而不能全面有效地度量金融機構系統(tǒng)性風險貢獻. 為了有效刻畫金融機構對系統(tǒng)性風險的貢獻，比較不同機構對系統(tǒng)性風險的影響程度，參照Van De Leur等[31]和Dungey等[32]的研究，構建一種基于改進的PageRank算法，衡量網絡中心性并考慮了機構規(guī)模、杠桿和流動性的系統(tǒng)性風險貢獻測度.

一般地，若某金融機構與許多其它金融機構具有較強的風險溢出關聯(lián)性，或它與其它系統(tǒng)重要性金融機構具有緊密的關聯(lián)性，則該機構具有系統(tǒng)重要性. 因此，假定Si,t表示機構i在時刻t的系統(tǒng)性風險貢獻或系統(tǒng)重要性，它取決于與之相連接機構的系統(tǒng)重要性，即

(17)

(18)

(19)

其中N×1維向量St中第i個元素Si,t表示機構i的系統(tǒng)性風險貢獻，該值越高，表示機構i在系統(tǒng)性風險中有更大的貢獻；t為機構間N×N維風險溢出矩陣. 根據(jù)Van De Leur等[31]和Dungey等[32]的研究，若給定t，式(19)的解St可由PagkRank算法得到，即t為特征值所對應的歸一化特征向量. PageRank最早應用于Google搜索引擎中，是一種基于網頁鏈接結構對網頁重要性進行排序的方法，其基本思想是認為被更多高質量網頁指向的網頁具有更高的重要性.

(20)

其中α為小于1的權重以調節(jié)網絡關聯(lián)性的貢獻，γ為正數(shù)的權重向量以調整企業(yè)特征的貢獻. 對于N個金融機構組成的金融系統(tǒng)，可將式(20)寫成向量形式

(21)

進一步轉化可得

St=(I-αCt)-1γ′fct

(22)

以上即為PageRank算法的一個改進版本，而PageRank又源自特征向量中心性測度. 參考Van De Leur等[31]和Dungey等[32]的研究，設定α=0.66，γ′=(0.4, 0.4, 0.2)，其中規(guī)模(sizei,t)為資產總市值，杠桿(levi,t)定義為負債賬面價值與市值的比值，流動性(liqi,t)為現(xiàn)金與短期投資之和與資產賬面價值的比值. 由于三個解釋變量的絕對數(shù)值相差較大，故進行以下標準化處理

(23)

(24)

(25)

因此，所構建的網絡-市場-賬面相結合的系統(tǒng)性風險貢獻測度不僅充分考慮了金融系統(tǒng)尾部風險溢出網絡的關聯(lián)性，而且還結合了個體金融機構的規(guī)模、杠桿、流動性特征.

3 樣本數(shù)據(jù)

借鑒Adrian和Brunnermeier[6]，H?rdle等[28]和Wang等[29]的工作，解釋變量分別選取7個宏觀經濟變量：短期流動息差、短期債券利率差、期限結構、信用利差、市場回報率、市場波動率、房地產收益率，分別反映流動性風險、利率風險、不同期限的資金供求關系、信用違約風險、股市收益、股市波動、房地產市場收益，以及反映金融機構內在脆弱性和規(guī)模的4個企業(yè)特征變量：杠桿率、期限錯配、市場賬面比、規(guī)模，具體如表2所示. 由于企業(yè)特征變量主要從機構季度財務報表中獲取，故通過樣條插值將其季度頻率轉為周度. 以上相關數(shù)據(jù)均來源為Wind，樣本期內各時間序列包含474個觀測值.

表1 金融機構樣本及其收益率描述性統(tǒng)計

表2 宏觀經濟變量與公司特征變量選取

4 實證分析

本文采用滾動窗口分析方法，設定窗寬W=51 (約為1個交易年)，分位數(shù)τ=0.01，計算系統(tǒng)整體、部門行業(yè)、個體機構的關聯(lián)性，并以此測度金融機構系統(tǒng)性風險貢獻大小，最后分析2015年股災期間市場極端下行時金融機構關聯(lián)性與系統(tǒng)性風險貢獻.

4.1 金融系統(tǒng)總體關聯(lián)性分析

圖1為金融系統(tǒng)總體關聯(lián)性在2011年9月至2019年12月期間的動態(tài)演化結果. 整體來看，中國上市金融機構尾部風險網絡總體關聯(lián)性具有一定的周期性.

圖1 金融系統(tǒng)動態(tài)總體關聯(lián)性

從2011年至2012年初，全球經濟進入后危機時代，總體關聯(lián)性在波動中下降，并于2012年第二季度達到最低點16.28. 至2012年，總體關聯(lián)性水平開始回升，并在隨后兩年在15到30區(qū)間中波動. 一方面，中國央行于2月和5月兩次調低存款準備金率，同時雙向擴大存貸款利率浮動區(qū)間，提高市場流動性，金融機構資金往來頻繁，實際關聯(lián)性加深. 另一方面，歐債危機的惡化也對國內投資者情緒造成沖擊，使得風險通過信息機制傳染. 在經歷了2012年至2014年第二季度的相對穩(wěn)定期后，從2014年第三季度開始，即中國股市進入牛市后，系統(tǒng)總體關聯(lián)性有了明顯上升并維持較高位. 隨后，中國股市也出現(xiàn)了巨大震蕩，在2015年～2016年的股災中，上證綜合指數(shù)跌幅高達32%，上市公司大面積停牌. 2016年年初出臺的熔斷機制也推高了整體關聯(lián)性. 楊曉蘭和金雪軍[33]的研究發(fā)現(xiàn)，熔斷機制會造成賣單的大量涌現(xiàn)，提高市場訂單流的不平衡性，產生“磁力效應”，并引發(fā)股市波動. 自2016年年中開始，系統(tǒng)總體關聯(lián)性維持在高位水平，并以較大幅度波動. 2017年7月，全國金融工作會議召開，國務院金融穩(wěn)定發(fā)展委員會設立，通過統(tǒng)一協(xié)調引導金融回歸實體經濟本源，并強化了人民銀行宏觀審慎管理的職責，強烈的金融監(jiān)管信號穩(wěn)定了市場，總體關聯(lián)性下降. 而隨后國內國際金融市場不確定性增強，總體關聯(lián)性整體上雖有下降但仍然維持較高水平. 比如，2017年，歐洲央行宣布縮減量化寬松；同年年底，美國實行大規(guī)模減稅法案，使其國內面臨巨大的資金流出壓力，資產泡沫破裂加強，銀行流動性下降. 為應對互聯(lián)網金融因缺乏監(jiān)管造成的風險暴露，央行聯(lián)合銀監(jiān)會共同下發(fā)《關于規(guī)范整頓“現(xiàn)金貸”業(yè)務的通知》等網絡貸款監(jiān)管文件，明確統(tǒng)籌監(jiān)管，使得資金市場進一步緊張. 經歷2017年“史上最嚴”金融監(jiān)管年后，次年爆發(fā)了中美貿易戰(zhàn)，總體關聯(lián)性有所下降但維持在較高水平并一直持續(xù)到2018年上半年. 隨著中美貿易戰(zhàn)的常態(tài)化以及P2P網貸行業(yè)的縮水，在2019年總體關聯(lián)性呈現(xiàn)下降趨勢并保持在較低水平.

4.2 金融行業(yè)關聯(lián)性分析

圖2為行業(yè)入度強度與出度強度演化圖，顯示了金融系統(tǒng)三大行業(yè)在樣本期內尾部風險溢入和尾部風險溢出的強弱及其動態(tài)變化. 圖2上圖為行業(yè)入度強度變化圖，反映了行業(yè)接受外部尾部風險溢出的情況. 從縱向分析強度的動態(tài)變化，不同行業(yè)在危機時刻的趨勢具有一定的相似性，如在2015年三個行業(yè)的入度強度都有一定的上升；從橫向對比不同行業(yè)的結果，銀行業(yè)和證券業(yè)接受風險相對較高. 圖2下圖為行業(yè)出度強度變化圖，顯示了行業(yè)整體對外溢出尾部風險的動態(tài)特征. 整體上上下兩圖具有相似的時變特征，如在股市動蕩時期，銀行業(yè)和證券業(yè)的尾部風險的入度強度與出度強度都呈上升趨勢，但保險業(yè)的出度強度在樣本期內則處于相對穩(wěn)定的狀態(tài)，表明保險業(yè)對其它行業(yè)的影響相對較弱.

圖2 行業(yè)入度強度與出度強度

圖3展示了樣本期間金融系統(tǒng)中各行業(yè)對自身和其它行業(yè)風險溢出強度在樣本期間的動態(tài)變化，這在一定程度上可以刻畫各行業(yè)在整體的系統(tǒng)性風險中的重要程度. 可以看出，銀行、證券以及保險行業(yè)內部關聯(lián)程度較為緊密，在大部分時間內行業(yè)內部風險溢出強度比跨行業(yè)風險溢出強度更高. 但不同金融行業(yè)間的尾部風險關聯(lián)性具有明顯差異性. 首先，在2012年下半年至2013年年初期間銀行業(yè)對證券業(yè)有顯著的風險溢出，正值證券業(yè)成立“金融超市”進一步推動了混業(yè)經營. 2014年中期至2015年第1季度的股市牛市期間，銀行業(yè)對證券業(yè)的風險溢出主導了此時總體關聯(lián)性先上升與后下降的趨勢. 銀行業(yè)對保險業(yè)在2015年～2016年股市暴跌階段的尾部風險溢出明顯高于同時期銀行業(yè)對證券業(yè)的風險溢出. 在此期間銀行業(yè)與保險業(yè)間的風險溢出具有非對稱性，即銀行業(yè)對保險業(yè)的風險溢出影響大于保險業(yè)對銀行業(yè)的影響，這也與徐華等[34]的實證研究一致. 其次，證券業(yè)在危機期間對銀行業(yè)和保險業(yè)的風險溢出水平也有上升，這可能是由于證券業(yè)中以個人投資者為主，易受極端情況下恐慌情緒影響，造成風險傳染. 特別地，在2015年～2016年股災期間，證券業(yè)對保險業(yè)存在顯著風險溢出，而在2016年年中至2017年第2季度期間證券業(yè)對銀行業(yè)存在先上升后下降的風險溢出，但各自的風險溢出水平都要小于證券業(yè)內部的溢出水平. 最后，保險業(yè)內部的風險溢出水平要顯著高于它對銀行業(yè)與證券業(yè)的風險溢出水平，并且其趨勢存在顯著的周期性波動.

圖3 跨行業(yè)風險溢出

4.3 金融機構關聯(lián)性分析

從機構個體角度，圖4給出了金融系統(tǒng)中各個機構入度強度的動態(tài)變化，反映了機構接受風險溢出的強度. 白色代表機構接受的風險溢出強度高，黑色則代表接受風險溢出強度低. 在2012年，興業(yè)銀行為主要的風險溢出接受者. 在2014年～2015年股市牛市期間，證券機構，例如東北證券、長江證券、國金證券、太平洋證券、興業(yè)證券等，是主要的風險溢出接受者. 值得注意的是，在2015年～2016年股市震蕩時期，各機構對應熱力圖顏色由深黑色變?yōu)橄鄬^淺的灰色或白色，表明在宏觀金融環(huán)境不穩(wěn)定時期不同行業(yè)機構所受風險溢出均上升. 其中，尤以中國平安的變化最為明顯，其作為保險業(yè)混業(yè)經營的領導者，且不同于其它保險機構以國有控股為主的狀態(tài)，中國平安股權呈現(xiàn)高度分散化，對市場動蕩的反映也更為明顯. 在2017年至2018年期間，南京銀行接受的尾部風險溢出明顯加強. 在2018年年中至2019年期間，金融機構所對應的熱力圖顏色都為黑色，這與總體關聯(lián)性下降趨勢類似.

圖4 機構入度強度

圖5為金融系統(tǒng)中各機構出度強度的動態(tài)變化，反映了機構個體對其它機構的風險溢出強度. 在2012年至2014年期間，北京銀行、民生銀行等股份制商業(yè)銀行對外風險溢出效應較強；而農業(yè)銀行、工商銀行、中國銀行等國有大型銀行對外風險溢出維持在一個較為穩(wěn)定的水平. 在2015年至2016年的股災時期，寧波銀行、中信銀行以及證券業(yè)中的華泰證券和光大證券產生的風險溢出影響較大；在2017年興業(yè)銀行和招商銀行成為主要的風險溢出者. 相對于大型國有商業(yè)銀行，股份制商業(yè)銀行對外的風險溢出更為強烈，這可能與其商業(yè)模式有關. 股份制商業(yè)銀行涉及業(yè)務廣泛，盈利動機較強，在銀行同業(yè)市場中參與度高，對系統(tǒng)流動性風險影響強[35]. 其中，尤其是以有“同業(yè)之王”之稱的興業(yè)銀行為代表，通過設立“銀銀平臺”以及加強銀證、銀信、銀保合作等舉措便利了業(yè)務辦理，加強了資源整合和行業(yè)合作. 在2018年～2019年期間，大多數(shù)銀行所對應的熱力圖顏色由淺灰色逐漸轉變?yōu)樯詈谏C券與保險機構則多保持為灰色，這表明金融系統(tǒng)總體關聯(lián)性所呈現(xiàn)的下降趨勢主要是由于銀行的風險溢出水平下降所導致的.

圖5 機構出度強度

4.4 金融機構系統(tǒng)性風險貢獻度量與排序

為進一步分析金融機構在不同時期對整體系統(tǒng)性金融風險的影響，利用企業(yè)財務報表季度數(shù)據(jù)計算金融機構系統(tǒng)性風險貢獻的動態(tài)變化. 圖6為各機構系統(tǒng)性風險貢獻值的熱力圖，其中白色代表貢獻值高，黑色代表貢獻值低. 首先從系統(tǒng)整體動態(tài)變化來看，隨時間推移熱力圖顏色變淺，特別是在2015年后，銀行和保險機構的顏色由淺灰色突變?yōu)榘咨?，表明各機構系統(tǒng)性金融風險貢獻程度不斷增強，也反映了中國金融系統(tǒng)關聯(lián)性水平上升. 其次從行業(yè)角度，三大行業(yè)系統(tǒng)性風險貢獻具有較大差異性. 分別位于上半部分的銀行業(yè)和位于底部的保險業(yè)顏色偏白，說明這兩個行業(yè)的機構系統(tǒng)性風險貢獻值較高. 其中，保險業(yè)的中國人壽和中國平安兩家機構的系統(tǒng)性風險貢獻明顯上升，這可能與國家加快保險業(yè)改革，放開保險資金運用空間有關. 位于下半部分的證券業(yè)在樣本期間機構系統(tǒng)性風險貢獻圖像則以灰色與黑色為主，表示證券業(yè)對系統(tǒng)性風險貢獻程度相對較低. 圖7根據(jù)各季度機構系統(tǒng)性風險貢獻值給出了機構在系統(tǒng)內的排名，并以此繪制了排名的動態(tài)熱力圖. 顏色偏白代表機構系統(tǒng)性風險貢獻排名靠前，偏黑則代表排名靠后.

圖6 金融機構系統(tǒng)性風險貢獻值

圖7 金融機構系統(tǒng)性風險貢獻排名

圖7與圖6具有相同的特征，排名靠前的機構集中于銀行業(yè)和保險業(yè)，證券機構則相對排名靠后. 銀行業(yè)對系統(tǒng)性風險具有重要影響的原因在于中國經濟的迅速增長和直接融資市場的有限體量造成的“過度銀行化”[36]. 在經濟快速發(fā)展和政策刺激下，中國銀行信貸增長，寬松型貨幣政策通過提高銀行杠桿化程度加劇了銀行風險承擔[37]. 國內居民的儲蓄偏好特征也推動銀行資產負債表擴大. 同時，長期以來中國社會融資過度依賴間接融資，直接融資占比較低，作為間接融資主要中介機構的銀行承擔了社會融資中大部分的違約風險. 此外，游離于監(jiān)管系統(tǒng)之外的影子銀行雖然提高了社會信用創(chuàng)造能力，但對它們的監(jiān)管缺失也使行業(yè)內存在剛性兌付、期限錯配等問題. 因此，銀行業(yè)積累了大量風險. 除銀行業(yè)之外，保險業(yè)也在系統(tǒng)性風險貢獻方面占據(jù)了重要地位. 在金融混業(yè)經營趨勢下，保險機構逐漸向業(yè)務多元化方向發(fā)展，與資本市場的互動增強，逐漸成為信用保證市場的重要參與者. 證券業(yè)系統(tǒng)性風險貢獻排名靠后的主要原因是，盡管存在機構間日益復雜的業(yè)務關聯(lián)、投資者心理預期以及監(jiān)管機制不健全[38]，但由于券商規(guī)模較小和資本相對充足，其對整體的系統(tǒng)性風險貢獻較小.

4.5 2015年股災期間金融機構關聯(lián)性與系統(tǒng)性風險貢獻

為了研究市場極端下行時金融機構關聯(lián)性與系統(tǒng)性風險貢獻，本節(jié)考察了2015年股災期間金融機構尾部風險溢出網絡. 同時為了比較，也考察了全樣本期間金融機構尾部風險溢出網絡. 具體地，前者選取圖1中系統(tǒng)總體關聯(lián)性在2015年股災期間的高點，即2015年第二季度，同時涵蓋了“6·19”暴跌和“6·26”暴跌等極端尾部事件，后者選取2010年10月至2019年12月的季度均值. 圖8和圖9分別給出了全樣本期間與2015年第二季度中國金融機構尾部風險平均溢出網絡. 網絡圖中各個節(jié)點代表樣本機構，其中銀行、證券和保險業(yè)分別以圓形、方形和球體標記. 連邊代表網絡中機構間的風險溢出關系，其寬度反映了風險溢出強度，越粗代表強度越大；連邊的箭頭方向指示了風險溢出的對象；連邊的類型代表產生風險溢出的機構所屬行業(yè)，其中虛線(---)、實線(—)、虛點線(-·-)分別表示產生風險溢出的機構為銀行、證券、保險. 由于金融系統(tǒng)各個機構聯(lián)系緊密，為使網絡能更清晰地刻畫風險溢出，圖中僅保留系數(shù)大于0.5的連邊.

圖8 全樣本期間金融機構尾部風險溢出網絡

圖9 2015年第二季度金融機構尾部風險溢出網絡

從圖8可發(fā)現(xiàn)，各機構箭頭主要指向同形狀節(jié)點，且箭頭指向大多為雙向，表明行業(yè)內部的聯(lián)系相對緊密. 其中，銀行與證券機構之間連邊密集，說明銀行業(yè)和證券行業(yè)內部風險溢出效應較強. 相較之下，圖9也體現(xiàn)了部分相似特征，即同行業(yè)之間聯(lián)系緊密. 但值得注意的是，極端事件下的尾部風險溢出網絡顯示出了不同的網絡拓撲特征. 一方面，圖9中網絡的連邊更粗，表明極端事件下金融機構間的尾部風險溢出效應更強；另一方面，在2015年第二季度，跨行業(yè)間的網絡連邊數(shù)量顯著增加，特別是證券機構與銀行之間存在大量跨行業(yè)連邊，表明這兩個行業(yè)之間存在顯著的尾部風險溢出效應.

更具體地，表3給出了圖9尾部風險溢出網絡的(跨)行業(yè)出度及強度，其中出度表示風險從某行業(yè)金融機構溢出到其它行業(yè)或自身機構的連邊數(shù)，而出度強度則表示某行業(yè)金融機構對其他行業(yè)或自身機構的風險溢出強度. 從行業(yè)自身出度及強度來看，銀行業(yè)的出度最大，證券業(yè)次之，但是證券業(yè)的出度強度要大于銀行業(yè)，表明此時證券業(yè)內部的風險溢出要強于銀行業(yè)內部. 無論是跨行業(yè)出度還是其出度強度，證券業(yè)對銀行業(yè)的風險溢出都要強于銀行業(yè)對證券業(yè)，進一步表明2015年股災期間證券業(yè)是風險的主要溢出者. 相對而言，保險業(yè)內部與對外的風險溢出都較小，但它對銀行業(yè)的風險溢出僅小于其內部的風險溢出，表明銀行業(yè)是保險業(yè)風險溢出的主要接受者.

表3 2015年第二季度(跨)行業(yè)出度及強度

表4 2015年第二季度金融機構風險溢出強度前10條邊

表5測度了2015年第二季度金融機構整體的系統(tǒng)性風險貢獻值及其排名. 整體來看，銀行業(yè)的系統(tǒng)性風險貢獻值要大于保險業(yè)、證券業(yè)，此時規(guī)模在決定單個機構系統(tǒng)性風險貢獻水平上具有關鍵作用，但是如浦發(fā)銀行和寧波銀行等規(guī)模相對較小的股份制商業(yè)銀行和城市商業(yè)銀行具有非?？壳暗呐琶? 這一方面可能是由于這些規(guī)模相對較小的金融機構的產權比率較高，削弱了其抵御外部沖擊的能力，另一方面是這些商業(yè)銀行具有較強的網絡關聯(lián)性或中心性，使得其具有較大的系統(tǒng)性風險貢獻值. 國有大型商業(yè)銀行的系統(tǒng)性風險貢獻排名相對不高，這一方面是由于它們有國家信用做擔保，故市場預期國有大型商業(yè)銀行“太大而不能倒”，即當它們一旦陷入經營困境或財務危機，市場參與者相信國家會通過救市或者救助來維護金融系統(tǒng)穩(wěn)定，從而這種市場信心與“太大而不能倒”的預期充分反映在它們的股價之中；另一方面是相對于城市商業(yè)銀行和股份制商業(yè)銀行，國有大型商業(yè)銀行的股權結構較為集中，例如中國銀行的最大股東中央匯金公司擁有其64%的股份，而像寧波銀行的最大股東寧波開發(fā)投資集團有限公司僅擁有其約18%的股份，因此國有大型商業(yè)銀行的股價受市場極端下行或波動的影響相對較小. 證券機構中，長江證券對系統(tǒng)性風險貢獻最大，太平洋證券的貢獻較小. 整體而言，中國銀行業(yè)由于其體量優(yōu)勢和業(yè)務的廣度與深度，系統(tǒng)性金融風險貢獻程度較強，這也說明系統(tǒng)性金融風險防范的重點依然在銀行.

表5 2015年第二季度金融機構系統(tǒng)性風險貢獻值與排名

5 結束語

基于CoVaR和TENET模型，本文構建了2010年至2019年中國32家上市金融機構的尾部風險溢出網絡以度量金融系統(tǒng)關聯(lián)性，并引入公司規(guī)模、杠桿和流動性指標，在改進PageRank算法的基礎上提出了網絡-市場-賬面相結合的金融機構系統(tǒng)性風險貢獻測度方法. 實證結果表明：1)網絡總體關聯(lián)性水平在市場危機時刻上升. 例如，股市動蕩、熔斷機制時期系統(tǒng)總體關聯(lián)性攀升、風險跨行業(yè)傳染效應顯著增強；而在2012年和2017年以來兩個時間段，總體關聯(lián)性呈回落態(tài)勢，表明市場平和與金融強監(jiān)管時期風險水平下降. 2)行業(yè)內關聯(lián)性水平總體高于行業(yè)間關聯(lián)性水平，但在極端情況下跨行業(yè)風險溢出程度增強，并存在非對稱性. 例如，在2015年股災期間，不同行業(yè)間尾部風險溢出強于全樣本期間平均溢出強度，銀行業(yè)對保險業(yè)的風險溢出強度大于反方向的溢出強度. 由于機構的業(yè)務范圍、財務狀況存在差異，行業(yè)內不同機構風險溢出效應也不同，如股份制銀行更易受到其它行業(yè)風險溢出影響.3)從個體角度看，隨著金融系統(tǒng)各行業(yè)業(yè)務關聯(lián)性和復雜度上升，機構系統(tǒng)性風險貢獻值整體呈上升趨勢. 作為間接融資主要中介機構的銀行和與金融市場不斷融合的保險公司對系統(tǒng)性金融風險具有顯著的貢獻水平，其中銀行業(yè)中國有大型商業(yè)銀行對整體系統(tǒng)性風險影響較大，另外規(guī)模相對較小但關聯(lián)性較強的股份制商業(yè)銀行和城市商業(yè)銀行也具有較高的系統(tǒng)性風險貢獻排名. 無論是從靜態(tài)還是動態(tài)結果來看，證券業(yè)對系統(tǒng)性風險的貢獻水平都要顯著低于銀行業(yè)與保險業(yè).

本文實證結果有如下幾點啟示.

首先，當前中國金融系統(tǒng)依然呈現(xiàn)出以銀行為主的態(tài)勢，因此銀行，尤其是國有大型商業(yè)銀行依然是金融風險防范與宏觀審慎監(jiān)管的重點. 近年來，各金融機構系統(tǒng)性風險貢獻水平隨時間而不斷增強，因此監(jiān)管當局在通過指標法確定系統(tǒng)重要性金融機構的同時，還可通過金融系統(tǒng)潛在的尾部風險傳染效應動態(tài)實時地測度金融機構系統(tǒng)性風險貢獻并評估其系統(tǒng)重要性，從而達到交叉驗證與實時監(jiān)測的目的. 對于系統(tǒng)重要性金融機構，應對其進行差異化監(jiān)管，可適時地提高其金融監(jiān)管標準，比如提出額外資本要求.

其次，盡管中小商業(yè)銀行影響力遜于大型國有商業(yè)銀行，但不能忽視中小商業(yè)銀行因其高的外部關聯(lián)性而可能造成的系統(tǒng)性風險，也說明規(guī)模并不是決定金融機構系統(tǒng)性風險貢獻的唯一因素. 例如，2015年股災期間，部分股份制銀行和城市商業(yè)銀行因其較高的網絡關聯(lián)性與中心性而具有非?？壳暗南到y(tǒng)性風險貢獻排名. 因此，對于這些關聯(lián)性較高、風險溢出較大的中小商業(yè)銀行，監(jiān)管當局需實時關注它們的經營現(xiàn)狀與風險控制，防范“太關聯(lián)而不能倒”所引發(fā)的系統(tǒng)性風險與道德風險. 這也說明在識別出系統(tǒng)重要性金融機構的同時，監(jiān)管當局應實時地辨別系統(tǒng)重要性差異的來源以及關注極端市場狀態(tài)下金融系統(tǒng)的關聯(lián)性，從而實施差異化監(jiān)管以有效維護金融系統(tǒng)穩(wěn)定.

最后，在市場極端條件或尾部事件下，盡管各行業(yè)的內部關聯(lián)性仍占據(jù)系統(tǒng)總體關聯(lián)性的主導地位，但是跨行業(yè)關聯(lián)性與風險溢出效應會呈現(xiàn)出明顯的上升趨勢，例如2015年股災期間銀行業(yè)與證券業(yè)存在顯著的雙向風險溢出. 因此，在市場極端下行時，監(jiān)管當局應當關注跨行業(yè)間的關聯(lián)性指標、密切監(jiān)測跨行業(yè)金融機構間的業(yè)務關聯(lián)與往來，同時加強不同監(jiān)管部門的協(xié)同合作.