經(jīng)濟政策不確定性、投資者情緒與銀行系統(tǒng)性風(fēng)險傳染

王周偉 李凱琪

收稿日期：2023-06-10

基金項目：國家自然科學(xué)基金面上項目“結(jié)構(gòu)變化中銀行系統(tǒng)性金融風(fēng)險的多維多重傳染研究”（71973098）

作者簡介：王周偉，男，山西聞喜人，博士，教授，研究方向為金融管理、空間金融、金融計量；李凱琪，女，研究方向為金融風(fēng)險管理、金融計量。

摘? ?要：面對經(jīng)濟政策不確定性和投資者情緒，銀行業(yè)需承擔(dān)應(yīng)對經(jīng)濟衰退、化解銀行風(fēng)險和實現(xiàn)經(jīng)濟高質(zhì)量穩(wěn)定增長的責(zé)任。本文利用MVMQ-CAViaR模型測度了2008—2021年所有上市銀行的系統(tǒng)性風(fēng)險，構(gòu)建面板門限回歸模型和面板平滑轉(zhuǎn)換模型，研究在投資者情緒轉(zhuǎn)換作用下經(jīng)濟政策不確定性影響銀行系統(tǒng)性風(fēng)險多重傳染的邊際效應(yīng)結(jié)構(gòu)變化。研究表明：投資者情緒具有顯著的區(qū)制轉(zhuǎn)換效應(yīng)，使經(jīng)濟不確定性影響銀行系統(tǒng)性風(fēng)險多重傳染的凈邊際效應(yīng)，以指數(shù)轉(zhuǎn)換模式發(fā)生結(jié)構(gòu)變化。據(jù)此提出正確處理經(jīng)濟政策不確定性與銀行系統(tǒng)性風(fēng)險的關(guān)系，投資者要保持理性情緒以及監(jiān)管部門要加強監(jiān)管的建議。

關(guān)? 鍵? 詞：經(jīng)濟政策不確定性；投資者情緒；銀行系統(tǒng)性風(fēng)險；風(fēng)險傳染；指數(shù)平滑轉(zhuǎn)換模式

中圖分類號：F832? ? ? ?文獻標識碼：Ａ? ? ? ? ?文章編號：2096-2517（２０24）０1－0０18－14

DOI：10.16620/j.cnki.jrjy.2024.01.003

一、引言

作為“三大攻堅戰(zhàn)”的首位，防范化解重大風(fēng)險是我國一直以來十分重視的問題，“十四五”規(guī)劃中再次提出要“維護金融安全，守住不發(fā)生系統(tǒng)性風(fēng)險底線”。 處在百年未有之大變局的重要戰(zhàn)略機遇時期，我國的經(jīng)濟發(fā)展同時面臨著經(jīng)濟政策不確定性和金融系統(tǒng)風(fēng)險溢出等諸多挑戰(zhàn)。 在我國金融機構(gòu)中銀行部門發(fā)揮著主導(dǎo)作用，銀行在面臨金融風(fēng)險溢出的同時還需承受經(jīng)濟政策不確定性帶來的負面沖擊[1]。如2008年金融危機爆發(fā)、2010年影子銀行不斷涌現(xiàn)、2013年出現(xiàn)“錢荒”事件、2018年中美貿(mào)易摩擦不斷升級、2020年俄羅斯和沙特爆發(fā)石油戰(zhàn)以及2020年以來全球新冠疫情大爆發(fā)，這些風(fēng)險事件的發(fā)生無疑給銀行的穩(wěn)定發(fā)展帶來了諸多問題和挑戰(zhàn)[2]。面對日益加大的經(jīng)濟政策不確定性，銀行需承擔(dān)應(yīng)對經(jīng)濟衰退、化解系統(tǒng)性金融風(fēng)險和助力實體經(jīng)濟高質(zhì)量穩(wěn)定發(fā)展的責(zé)任。因此，研究經(jīng)濟政策不確定性對銀行系統(tǒng)性風(fēng)險傳染的沖擊影響及其結(jié)構(gòu)變化，具有重要的實踐意義。

學(xué)者們大多研究銀行系統(tǒng)性風(fēng)險的度量、經(jīng)濟政策不確定性對銀行系統(tǒng)性風(fēng)險的影響，較少涉及投資者情緒在其中起到的作用。例如，投資者情緒低落會帶來股市羊群效應(yīng)， 導(dǎo)致投資者拋售股票，加劇銀行的震蕩，在經(jīng)濟政策不確定性上升的時候，會增加銀行系統(tǒng)性風(fēng)險[3]。所以，投資者情緒的不同會使經(jīng)濟政策不確定性對銀行系統(tǒng)性風(fēng)險的影響產(chǎn)生變化。那么，經(jīng)濟政策不確定性對銀行系統(tǒng)性風(fēng)險會產(chǎn)生什么影響？投資者情緒對銀行系統(tǒng)性風(fēng)險產(chǎn)生什么影響？ 在投資者情緒的作用下，經(jīng)濟政策不確定性對銀行系統(tǒng)性風(fēng)險的影響如何變化？厘清這些問題不僅有助于有針對性地制定經(jīng)濟政策，而且對防范和化解重大風(fēng)險起著至關(guān)重要的作用。因此，本文將具體探討經(jīng)濟政策不確定性和投資者情緒對銀行系統(tǒng)性風(fēng)險的影響。

本文的邊際貢獻主要在于：（1） 不同于單方程估算，也不同于多方程的分步估計，為系統(tǒng)反映兩個銀行之間的風(fēng)險傳染關(guān)聯(lián)、風(fēng)險因素關(guān)聯(lián)與外部沖擊關(guān)聯(lián)， 綜合測度其引致的關(guān)聯(lián)傳染風(fēng)險，本文構(gòu)建多元多分位數(shù)條件自回歸（MVMQ-CAViaR）模型，系統(tǒng)擬合了銀行風(fēng)險的多重多源、循環(huán)連鎖的兩個層次八種復(fù)雜關(guān)聯(lián)傳染效應(yīng)特征；（2） 選用面板門限回歸模型，證實了經(jīng)濟政策不確定性對銀行系統(tǒng)性風(fēng)險多重傳染的影響存在結(jié)構(gòu)變化；（3）選用面板平滑轉(zhuǎn)換模型，探索出在投資者情緒的轉(zhuǎn)換作用下經(jīng)濟政策不確定性影響銀行系統(tǒng)性多重風(fēng)險傳染的邊際效應(yīng)平滑變化模式。

二、文獻綜述

（一）銀行系統(tǒng)性風(fēng)險的測度

作為風(fēng)險管控領(lǐng)域的核心問題，銀行系統(tǒng)性風(fēng)險傳染測度的主流指標有增量條件風(fēng)險價值（ΔCoVaR）、邊際系統(tǒng)預(yù)期損失（MES）、增量條件預(yù)期損失（ΔCoES）、相對系統(tǒng)性風(fēng)險指數(shù)（%SRISK），其中增量條件風(fēng)險價值是應(yīng)用最為廣泛的指標，它等于銀行風(fēng)險狀態(tài)下的條件風(fēng)險價值（CoVaR）減去其正常狀態(tài)下的條件風(fēng)險價值[4]。對于CoVaR的測度，韓超等（2019）構(gòu)建了時變Copula模型計算系統(tǒng)性風(fēng)險值[5]；李守偉等（2019）在時變Copula模型的基礎(chǔ)上進行了動態(tài)測度[6]；謝賢君等（2023）構(gòu)建了AR-GARCH-DCC模型計算系統(tǒng)性風(fēng)險值[7]；郭品等（2023）利用GRJ-GARCH-Coupla-CoVaR模型測算了銀行系統(tǒng)性風(fēng)險水平[8]；方意等（2023）選用雙重ΔCoVaR模型研究銀行系統(tǒng)性風(fēng)險的溢出效應(yīng)[9]。大部分學(xué)者采用分位數(shù)回歸的方法計算銀行系統(tǒng)性風(fēng)險[10-12]。在分位數(shù)回歸法的基礎(chǔ)上，White等（2015）將CAViaR模型擴展成為多元多分位數(shù)CAViaR（即MVMQ-CAViaR）模型，揭示出市場風(fēng)險是相互影響、相互傳染的[13]。

（二）經(jīng)濟政策不確定性對銀行系統(tǒng)性風(fēng)險的影響

有學(xué)者研究了經(jīng)濟政策不確定性對銀行系統(tǒng)性風(fēng)險的影響。孫琪（2018）研究表明，經(jīng)濟政策不確定性會通過作用于融資流動性進一步影響系統(tǒng)性風(fēng)險，且經(jīng)濟政策不確定性對系統(tǒng)性風(fēng)險具有顯著的促進作用[14]；馮燕妮等（2020）構(gòu)建貝葉斯估計時變參數(shù)模型研究發(fā)現(xiàn)，經(jīng)濟政策不確定性正向顯著作用于股市系統(tǒng)性風(fēng)險， 經(jīng)濟政策不確定性越高，股市的系統(tǒng)性風(fēng)險越大[15]；蔣海等（2021）發(fā)現(xiàn)經(jīng)濟政策不確定性與銀行間網(wǎng)絡(luò)關(guān)聯(lián)性的增加均會帶來銀行業(yè)系統(tǒng)性風(fēng)險，且銀行間網(wǎng)絡(luò)關(guān)聯(lián)性在經(jīng)濟政策不確定性對銀行業(yè)系統(tǒng)性風(fēng)險的影響中發(fā)揮中介作用[16]；歐陽資生等（2023）認為經(jīng)濟政策不確定性對金融機構(gòu)系統(tǒng)性風(fēng)險具有顯著的促進作用[3]；顧海峰等（2022）研究表明，經(jīng)濟政策不確定性顯著正向作用于銀行系統(tǒng)性風(fēng)險，且銀行家樂觀度會抑制經(jīng)濟政策不確定性對銀行系統(tǒng)性風(fēng)險的促進作用[2]；李洋等（2021）在構(gòu)建銀行風(fēng)險傳染網(wǎng)絡(luò)的基礎(chǔ)上研究發(fā)現(xiàn)，經(jīng)濟政策不確定性的提高會通過銀行的風(fēng)險傳染和自身的脆弱性顯著增加銀行系統(tǒng)性風(fēng)險[17]；周亮等（2022）研究發(fā)現(xiàn)，經(jīng)濟政策不確定性正向顯著作用于銀行系統(tǒng)性風(fēng)險，且經(jīng)濟政策不確定性的提高會通過降低投資者的意愿從而增加銀行系統(tǒng)性風(fēng)險[18]；Demir等（2021）選取不同國家的銀行面板數(shù)據(jù)研究發(fā)現(xiàn)，經(jīng)濟不確定性導(dǎo)致銀行信貸總體增長率下降[19]；黃大禹等（2022）認為經(jīng)濟政策不確定性會通過增加銀行不良貸款而降低商業(yè)銀行績效水平，這種效應(yīng)在小規(guī)模的銀行中更加明顯[20]；劉鳳根等（2023）從金融機構(gòu)脆弱性、金融市場脆弱性、風(fēng)險傳染性三個層面系統(tǒng)梳理了經(jīng)濟政策不確定性與系統(tǒng)性金融風(fēng)險的相關(guān)研究，發(fā)現(xiàn)經(jīng)濟政策不確定性的提高會加劇系統(tǒng)性金融風(fēng)險的傳染[21]；張琳等（2022）從“沖擊”和“傳染”兩個維度考察了政策連續(xù)性對銀行系統(tǒng)性風(fēng)險的影響[22]。

（三）投資者情緒對銀行系統(tǒng)性風(fēng)險的影響

學(xué)者們的研究主要聚焦于銀行系統(tǒng)性風(fēng)險的測度及其影響因素，較少涉及投資者情緒對銀行系統(tǒng)性風(fēng)險的影響。童中文等（2016）研究表明投資者情緒顯著負向作用于銀行系統(tǒng)性風(fēng)險，投資者情緒高漲可以抑制銀行系統(tǒng)性風(fēng)險的形成[23]；佟孟華等（2018）通過測度上市金融機構(gòu)的系統(tǒng)性風(fēng)險發(fā)現(xiàn)， 投資者情緒正向顯著作用于系統(tǒng)性風(fēng)險，即投資者情緒越高漲， 上市金融機構(gòu)的系統(tǒng)性風(fēng)險越大[24]；宋玉臣等（2020）構(gòu)建了非線性MS-VAR模型，研究發(fā)現(xiàn)投資者情緒的區(qū)制轉(zhuǎn)換及其作用機制會導(dǎo)致系統(tǒng)性風(fēng)險的積聚，并提出風(fēng)險狀態(tài)轉(zhuǎn)換的相關(guān)建議[25]；邢紅衛(wèi)等（2021）研究表明投資者情緒會帶來系統(tǒng)性風(fēng)險，且投資者情緒低落帶來的股價暴跌風(fēng)險大于投資者情緒高漲帶來的股價暴跌風(fēng)險[26]；張宗新等（2022）認為投資者情緒對銀行系統(tǒng)性風(fēng)險的作用呈倒U型，投資者情緒低落會增加銀行系統(tǒng)性風(fēng)險，投資者情緒高漲會減少銀行系統(tǒng)性風(fēng)險[27]。

綜上，大部分文獻都是分別研究經(jīng)濟政策不確定性或者投資者情緒各自對銀行業(yè)系統(tǒng)性風(fēng)險的作用，但研究經(jīng)濟政策不確定性與投資者情緒對銀行業(yè)系統(tǒng)性風(fēng)險傳染的聯(lián)合作用的文獻很少。因此，本文以2008年1月至2021年12月的14家上市銀行為樣本， 利用MVMQ-CAViaR模型測度2008—2021年所有上市銀行的系統(tǒng)性風(fēng)險， 并構(gòu)建面板門限回歸模型和面板平滑轉(zhuǎn)換模型，研究在投資者情緒轉(zhuǎn)換作用下經(jīng)濟政策不確定性影響銀行系統(tǒng)性風(fēng)險多重傳染的邊際效應(yīng)結(jié)構(gòu)變化。

三、理論分析與研究假設(shè)

銀行風(fēng)險之間的系統(tǒng)性傳染主要有跳躍波動關(guān)聯(lián)[28]、股價信息關(guān)聯(lián)[29]、同業(yè)資產(chǎn)負債業(yè)務(wù)關(guān)聯(lián)[30-31]和共同資產(chǎn)價格關(guān)聯(lián)[32]四個路徑。經(jīng)濟政策不確定性增加，會加大實體經(jīng)濟運營風(fēng)險，降低銀行資產(chǎn)收益，同時也會提高銀行資金使用費用，壓縮凈利差，會加劇銀行經(jīng)營風(fēng)險和信用風(fēng)險，凈增加銀行的被動性風(fēng)險承擔(dān)與破產(chǎn)風(fēng)險，經(jīng)過同業(yè)資產(chǎn)負債業(yè)務(wù)關(guān)聯(lián)，銀行風(fēng)險增加會溢出傳染給其他銀行[2]。如果進一步響應(yīng)到金融市場上，經(jīng)濟政策不確定性上升會加劇上市銀行的股價崩盤風(fēng)險，這些多源的銀行風(fēng)險累加，還會通過跳躍波動關(guān)聯(lián)、股價信息關(guān)聯(lián)和共同資產(chǎn)價格關(guān)聯(lián)，多重傳染疊加溢出給其他銀行吸收， 倍增該銀行的系統(tǒng)性風(fēng)險多重傳染。因此，本文提出假設(shè)。

假設(shè)1：經(jīng)濟政策不確定性顯著正向影響銀行系統(tǒng)性風(fēng)險多重傳染。

正常情況下，投資者情緒高漲時，會增加市場流動性，提升交投活躍度，推動金融市場理性繁榮，減弱上市銀行的股價崩盤風(fēng)險，也會順周期地提升銀行市場價值，增加違約距離，減少信用風(fēng)險，這些減弱的銀行風(fēng)險會通過跳躍關(guān)聯(lián)、股價信息關(guān)聯(lián)和共同資產(chǎn)價格關(guān)聯(lián)， 溢出傳染給相關(guān)其他銀行[33]。且大部分投資者在獲取信息的數(shù)量、資金管理能力與交易風(fēng)格等方面不同，對投資收益以及波動的預(yù)期存在差異，投資者產(chǎn)生負面情緒時，低落的投資者情緒引發(fā)羊群效應(yīng)，會對市場穩(wěn)定和銀行等機構(gòu)產(chǎn)生短期和長期沖擊[3]。因此本文提出以下假設(shè)。

假設(shè)2：投資者情緒顯著負向影響銀行系統(tǒng)性風(fēng)險多重傳染。

經(jīng)濟政策不確定性引致的銀行系統(tǒng)性風(fēng)險多重傳染，主要是通過跳躍波動關(guān)聯(lián)、股價信息關(guān)聯(lián)與共同資產(chǎn)價格關(guān)聯(lián)等金融市場渠道傳染的。投資者情緒是金融資產(chǎn)定價的核心因子，情緒波動會引發(fā)金融市場上銀行資產(chǎn)價格波動，誘發(fā)跳躍波動幅度與頻率變化，導(dǎo)致股價信息關(guān)注強度變化，推動銀行共同資產(chǎn)價值彈性變化，由此會調(diào)節(jié)經(jīng)濟政策不確定性帶來的銀行資產(chǎn)風(fēng)險溢價彈性及其系統(tǒng)性風(fēng)險多重傳染的邊際貢獻。作為市場因素，投資者情緒變化會經(jīng)過銀行風(fēng)險共振關(guān)聯(lián)傳染，特別是投資者負面情緒，會顯著提升銀行系統(tǒng)性風(fēng)險多重傳染的范圍、 深度與概率， 加快風(fēng)險傳染速度。此外，投資者應(yīng)對經(jīng)濟政策頻繁調(diào)整所持有的情緒越高漲時，投資者越看好未來政策調(diào)控效果，進一步對銀行信貸投資決策及行為產(chǎn)生影響[2]。投資者情緒對經(jīng)濟政策不確定性與銀行系統(tǒng)性風(fēng)險關(guān)系的轉(zhuǎn)換作用機制如下：高漲的情緒說明投資者認為經(jīng)濟政策不確定性引發(fā)的負面效應(yīng)在可控范圍內(nèi)，于是待經(jīng)濟形勢好轉(zhuǎn)后適度增加信貸資產(chǎn)配置，減少了流動性危機的蔓延。投資者情緒較高會更傾向于追求長期利益而減少盈余管理等短視行為，不僅提高了銀行組織內(nèi)部的治理能力，也使銀行抗風(fēng)險能力得以提升，從而有效抑制了經(jīng)濟政策調(diào)整對銀行系統(tǒng)性風(fēng)險的負面作用。在經(jīng)濟政策不確定性增加時， 金融監(jiān)管部門格外注重流動性的跨周期調(diào)節(jié)，并在滿足銀行流動性需求的前提下實施前瞻性管理，由此使得投資者情緒高漲，進而降低了銀行系統(tǒng)性風(fēng)險水平。因此，本文提出以下假設(shè)。

假設(shè)3： 投資者情緒具有顯著的區(qū)制轉(zhuǎn)換效應(yīng)，使經(jīng)濟不確定性影響銀行系統(tǒng)性風(fēng)險多重傳染的凈邊際效應(yīng)發(fā)生結(jié)構(gòu)變化。

本文理論分析邏輯路線如圖1所示。

四、實證研究方法設(shè)計

（一）銀行系統(tǒng)性風(fēng)險多重傳染的測度與模型設(shè)定

1. 利用MVMQ-CAViaR模型估算銀行業(yè)條件風(fēng)險價值及增量條件風(fēng)險價值

第i個銀行對銀行業(yè)（s）的系統(tǒng)性傳染風(fēng)險，即第i個銀行對銀行業(yè)的風(fēng)險溢出，選用增量條件風(fēng)險價值測度。

？駐CoVaRsit=CoVaRsit（0.95）-CoVaRsit（0.5） （1）

其中，CoVaRsit（0.95）是在95%的置信水平下，銀行i對銀行業(yè)的尾部風(fēng)險溢出（銀行業(yè)條件風(fēng)險價值）；CoVaRsit（0.5）是在正常情況下，銀行i對銀行業(yè)的尾部風(fēng)險溢出（銀行業(yè)條件風(fēng)險價值）。

White等（2015）將傳統(tǒng)的單方程CAViaR模型擴展成為多元多分位數(shù)CAViaR模型（即MVMQ-CAViaR模型）[13]。作為聯(lián)立多方程結(jié)構(gòu)模型，把兩個機構(gòu)的風(fēng)險指標作為內(nèi)生變量，把風(fēng)險因素與風(fēng)險傳染源作為外生變量， 設(shè)立MVMQ-CAViaR模型，就可以系統(tǒng)估算多種風(fēng)險來源與風(fēng)險傳染源及外部沖擊對兩個機構(gòu)風(fēng)險的多重交互影響，檢驗雙向風(fēng)險溢出的存在性以及方向性。而且風(fēng)險具有累積可加性，在模型中引入滯后項，就可以描述兩個機構(gòu)之間風(fēng)險傳染的動態(tài)影響過程。這些都是單方程建模分析很難實現(xiàn)的， 由此本文選用MVMQ-CAViaR模型估算銀行業(yè)條件風(fēng)險價值。

銀行風(fēng)險傳染主要源自自身風(fēng)險序列影響、自身及相鄰機構(gòu)與銀行業(yè)的市場沖擊與風(fēng)險傳染，因此設(shè)估算銀行業(yè)條件風(fēng)險價值的MVMQ-CAViaR模型為：

qit（？茲）=ci+aii|Yit-1|+ais|Yst-1|+bii（？茲）qit-1（？茲）+? ?bis（？茲）qst-1（？茲）qst（？茲）=cs+asi|Yit-1|+ass|Yst-1|+bsi（？茲）qit-1（？茲）+? ?bss（？茲）qst-1（？茲） （2）

其中，下標i表示銀行i（i=1，2，…，n），下標s表示銀行業(yè)，下標t表示時期（t=1，2，…，T）；qit（？茲）、qst（？茲）分別表示在？茲置信水平下銀行i、銀行業(yè)s的尾部風(fēng)險；|Yit-1|、|Yst-1|是銀行i、 銀行業(yè)s的收益率絕對值，其用來代表金融機構(gòu)沖擊，且其滯后一期的正向沖擊和負向沖擊具有相同的作用效果；qit-1（？茲）、qst-1（？茲）是滯后一期的銀行i、銀行業(yè)s尾部風(fēng)險，其用來描述尾部風(fēng)險的自相關(guān)特征。系數(shù)矩陣為A=aii aisasi ass和B=bii bisbsi bss， 其中系數(shù)矩陣A中的主對角線表示前期銀行i或銀行業(yè)s受到的金融機構(gòu)沖擊對當期銀行i或銀行業(yè)s自身尾部風(fēng)險的影響，非主對角線的上三角元素表示了前期銀行業(yè)s受到的金融機構(gòu)沖擊對當期銀行i的尾部風(fēng)險的影響，非主對角線的下三角元素表示了前期銀行i受到的金融機構(gòu)沖擊對當期銀行業(yè)s的尾部風(fēng)險的影響。系數(shù)矩陣B中的主對角線表示前期銀行i或銀行業(yè)s的尾部風(fēng)險對當期銀行i或銀行業(yè)s自身尾部風(fēng)險的序列相關(guān)影響，非主對角線的上三角元素表示了前期銀行i受到的尾部風(fēng)險對當期銀行業(yè)s的尾部風(fēng)險的影響，非主對角線的下三角元素表示了前期銀行業(yè)s的尾部風(fēng)險對當期銀行i的尾部風(fēng)險的影響。

分別在0.95和0.5置信水平下估計MVMQ-CAViaR模型，就可以得到在0.95和0.5置信水平下的銀行業(yè)條件風(fēng)險價值CoVaRsit（0.95）和CoVaRsit（0.5）。

該模型具有收益率聯(lián)合分布特征無先驗性的優(yōu)勢，用最大似然估計法求解模型聯(lián)合似然函數(shù)，可以得到模型參數(shù)估計值。在得到參數(shù)估計值矩陣后，需要進行顯著性檢驗，因此構(gòu)建Wald統(tǒng)計量，檢驗尾部風(fēng)險的溢出效應(yīng)是否顯著。

（R？茁-r）'［R×VC×R］-1（R？茁-r）■？姿2（n） （3）

其中，R是m×n約束矩陣；m是約束方程的個數(shù)；n是系數(shù)的個數(shù)；VC為系數(shù)的方差-協(xié)方差矩陣。

2.利用面板門限回歸模型探索結(jié)構(gòu)變化效應(yīng)

為了驗證假設(shè)3，研究經(jīng)濟政策不確定性影響銀行系統(tǒng)性風(fēng)險多重傳染的結(jié)構(gòu)變化，本文首先建立面板門限回歸模型，驗證經(jīng)濟政策不確定性影響銀行系統(tǒng)性風(fēng)險多重傳染有沒有結(jié)構(gòu)變化， 回答“是否存在結(jié)構(gòu)變化”問題。然后，用面板平滑轉(zhuǎn)換模型，探索分析投資者情緒的轉(zhuǎn)換作用，以及經(jīng)濟政策不確定性影響銀行系統(tǒng)性風(fēng)險多重傳染的邊際效應(yīng)結(jié)構(gòu)變化模式，進一步驗證假設(shè)3，回答“結(jié)構(gòu)如何變化”問題[34]。

對于面板數(shù)據(jù){yit，xit，qit：1≤i≤n，1≤t≤T}，其中i表示個體，t表示時間，固定效應(yīng)門限回歸模型如下：

yit=？滋i+？茁1xit+？著it，若qit≤？酌yit=？滋i+？茁2xit+？著it，若qit>？酌? （4）

其中，yit為被解釋變量；個體截距項為？滋i，其若顯著存在表明這是固定效應(yīng)模型； 解釋變量xit為外生變量向量，與擾動項？著it不相關(guān)；？茁1、？茁2為解釋變量xit向量的參數(shù)向量； 擾動項？著it為獨立同分布的正態(tài)隨機項；qit為門限變量（可以是解釋變量xit的一部分）；？酌為待估計的門限值。

門限效應(yīng)檢驗的原假設(shè)H0為：？茁■■=？茁■■，即不存在門限效應(yīng)；備擇假設(shè)H1為：？茁■■≠？茁■■，即存在門限效應(yīng)。LR檢驗統(tǒng)計量為：

（5）

其中，RSS為原假設(shè)約束下的殘差平方和；RSS為無原假設(shè)約束的殘差平方和。

3.利用面板平滑轉(zhuǎn)換模型探索結(jié)構(gòu)變化模式

固定效應(yīng)的面板平滑轉(zhuǎn)換模型的表達式為[35]：

yit=a+xit ？茁+G（sit；c，？酌）zit？琢+ui+？著it

G（st；c，？酌）=

［1+exp（-？酌（sit-c））］-1 Logistic，LSTR1-exp（-？酌（sit-c）2） Exponential，ESTR？椎（？酌（sit-c）） Normal，NSTR （6）

其中，yit為被解釋變量；a為常數(shù)項；？茁為解釋變量的參數(shù)向量；xit 為線性作用的解釋變量向量；zit為非線性平滑轉(zhuǎn)換作用的解釋變量向量；？琢為變量向量zit的參數(shù)向量；G（st；c，？酌）是平滑轉(zhuǎn)換函數(shù)，其值介于0和1之間，其轉(zhuǎn)換模式有邏輯轉(zhuǎn)換（LSTR）、指數(shù)轉(zhuǎn)換（ESTR）和正態(tài)轉(zhuǎn)換（NSTR）三種模式；？酌為平滑轉(zhuǎn)換系數(shù)，大于0，反映平滑轉(zhuǎn)換的速度和平滑度，當？酌→∞，G（st；c，？酌）成為指示函數(shù)；？椎（·）為正態(tài)分布函數(shù)；sit為發(fā)揮平滑轉(zhuǎn)換作用的轉(zhuǎn)換變量；uit是個體效應(yīng)，允許其與xit或zit相關(guān)。

（二）變量指標選用

1.被解釋變量。為驗證三個假設(shè)，選取銀行業(yè)系統(tǒng)性風(fēng)險多重傳染作為被解釋變量。

2.解釋變量與轉(zhuǎn)換變量。（1）經(jīng)濟政策不確定性是增加銀行系統(tǒng)性風(fēng)險多重傳染的重要途徑之一[16]，因此本文選取經(jīng)濟政策不確定性作為核心解釋變量。 本文選取的經(jīng)濟政策不確定性指數(shù)是由Baker等根據(jù)關(guān)鍵詞統(tǒng)計合成得到[16]。（2）為驗證模型的穩(wěn)健性， 本文收集了Steven J.Davis等給出的經(jīng)濟政策不確定性指數(shù)。（3） 投資者情緒是許多學(xué)者研究的熱點問題。本文采用換手率反映銀行股票交投活躍程度和購買意愿及流動性好壞程度，結(jié)合股價漲跌反映的樂觀和悲觀情緒，組合測度銀行股票的投資者情緒[36]。

3.控制變量。（1）選取銀行微觀特征作為控制變量。銀行規(guī)模、成本收入比和存貸比反映了銀行的盈利能力及情況，不良貸款率和資本充足率反映了銀行的業(yè)績水平和銀行股基本面的好壞。（2）選取部分宏觀變量作為控制變量， 如貨幣供應(yīng)量、銀行間同業(yè)拆借加權(quán)利率、滬深300收益率、居民消費價格指數(shù)和經(jīng)濟發(fā)展增速。滬深300收益率度量了股票市場波動性，貨幣供應(yīng)量和銀行間同業(yè)拆借加權(quán)利率反映了當前貨幣市場情況，居民消費價格指數(shù)反映了通貨膨脹和貨幣購買力變動情況，經(jīng)濟發(fā)展增速影響著中央銀行的管理決策和銀行業(yè)的發(fā)展。

各變量定義說明如表1所示。

（三）樣本選取與數(shù)據(jù)收集

本文選取2008之前已經(jīng)上市的所有銀行共14家，包括中國銀行、工商銀行、交通銀行、建設(shè)銀行等4家國有銀行，平安銀行、浦發(fā)銀行、民生銀行、招商銀行、華夏銀行、興業(yè)銀行、中信銀行等7家股份制銀行，寧波銀行、南京銀行、北京銀行等3家城市發(fā)展銀行。這些銀行占據(jù)了近80%的中國銀行系統(tǒng)資產(chǎn)，包含了70%左右原銀保監(jiān)會認定的系統(tǒng)重要性金融機構(gòu)，能較好地反映中國銀行業(yè)的主要特征。 收集了2008年1月1日至2021年12月31日期間的銀行日交易收盤價， 共3605條數(shù)據(jù)，用于測度銀行系統(tǒng)性風(fēng)險和投資者情緒變量的日數(shù)據(jù)，將日數(shù)據(jù)平均得到月度數(shù)據(jù)，銀行股價數(shù)據(jù)來自國泰安數(shù)據(jù)庫。銀行層面的其他數(shù)據(jù)來自同花順iFind數(shù)據(jù)庫和銀行的季度報告， 將銀行的季度報告數(shù)據(jù)插值平滑得到月度數(shù)據(jù)。經(jīng)濟政策不確定性指數(shù)來自Baker統(tǒng)計的數(shù)據(jù)， 投資者情緒指數(shù)和其余控制變量來自國泰安和同花順iFind數(shù)據(jù)庫。其中，選取收盤價一階差分的對數(shù)來計算股價的對數(shù)收益率，并將其擴大100倍。其中，銀行業(yè)的收益率通過對14家銀行的收益率進行加權(quán)平均得到，即rmt=■witrit，權(quán)重為各自銀行的總市場價值比重。

五、實證結(jié)果及分析

（一）描述性統(tǒng)計情況

主要變量的描述性統(tǒng)計情況如表2所示。14家上市銀行的系統(tǒng)性風(fēng)險的最小值和最大值分別是-6.2209、-0.8061，經(jīng)濟政策不確定性指數(shù)取對數(shù)后的最小值和最大值分別是3.2636、6.8782，投資者情緒的最小值和最大值分別是-0.0115、0.0412，這表明不同月份不同銀行的系統(tǒng)性風(fēng)險、投資者情緒以及經(jīng)濟政策不確定性存在較大的差異，符合研究的基本需求。另外，銀行層面和宏觀層面的控制變量的最小值和最大值存在較大的差異，兩者與均值也存在差距，這表明了本文選取控制變量的正確性與必要性。

（二）各變量的平穩(wěn)性檢驗與各變量之間的協(xié)整關(guān)系檢驗結(jié)果與分析

為避免偽回歸，建立面板回歸模型，需要利用單位根檢驗驗證樣本數(shù)據(jù)的平穩(wěn)性，利用協(xié)整檢驗驗證指標數(shù)據(jù)之間的協(xié)整關(guān)聯(lián)。 面板平穩(wěn)性LLC檢驗的最大滯后期設(shè)置為12，面板平穩(wěn)性IPS檢驗的最大滯后期設(shè)置為8， 兩個檢驗結(jié)果都表明，除存貸比之外的其他指標數(shù)據(jù)都不存在單位根，這些指標數(shù)據(jù)是平穩(wěn)的。 在進行LLC檢驗和IPS檢驗時，存貸比結(jié)果出現(xiàn)不一致的情況，進一步做HT檢驗，其p值為0.0074并小于0.05，也表明存貸比面板數(shù)據(jù)不存在單位根過程。

采用KAO和PO檢驗進行協(xié)整檢驗， 檢驗結(jié)果表明面板數(shù)據(jù)變量之間存在協(xié)整關(guān)系，應(yīng)該建立多方程模型做系統(tǒng)估計。

（三）經(jīng)濟政策不確定性和投資者情緒分別影響銀行系統(tǒng)性風(fēng)險多重傳染的實證結(jié)果及分析

為驗證假設(shè)1和假設(shè)2，本文利用固定效應(yīng)和隨機效應(yīng)的面板回歸模型，把銀行系統(tǒng)性風(fēng)險多重傳染作為被解釋變量，以經(jīng)濟政策不確定性和投資者情緒分別作為核心解釋變量，銀行層面和宏觀層面的變量指標作為控制變量，檢驗經(jīng)濟政策不確定性和投資者情緒對銀行系統(tǒng)性風(fēng)險多重傳染的影響。表3報告了固定效應(yīng)和隨機效應(yīng)的面板回歸結(jié)果，并做了效應(yīng)識別的豪斯曼檢驗。豪斯曼檢驗的p值均小于0.05， 因此拒絕原假設(shè)， 可以認為固定效應(yīng)的面板回歸結(jié)果更佳。且對經(jīng)濟政策不確定性和投資者情緒對銀行系統(tǒng)性風(fēng)險的影響分別進行多重共線性檢驗，VIF值均小于5，表明不存在嚴重的共線性問題。

從表3可以看出，經(jīng)濟政策不確定性及其時間滯后項均正向顯著影響銀行系統(tǒng)性風(fēng)險多重傳染，經(jīng)濟政策不確定性每增加1個單位，銀行當期的系統(tǒng)性風(fēng)險多重傳染會隨之增加0.0413個單位，銀行下一時期的系統(tǒng)性風(fēng)險多重傳染會隨之顯著增加0.0867個單位。 這是由于經(jīng)濟政策不確定性增加會加劇銀行經(jīng)營風(fēng)險和信用風(fēng)險，經(jīng)過同業(yè)資產(chǎn)負債業(yè)務(wù)關(guān)聯(lián)， 銀行風(fēng)險增加會溢出傳染給其他銀行，還會通過跳躍波動關(guān)聯(lián)、股價信息關(guān)聯(lián)和共同資產(chǎn)價格關(guān)聯(lián)， 多重傳染疊加溢出給其他銀行吸收，倍增該銀行的系統(tǒng)性風(fēng)險多重傳染。

投資者情緒負向顯著作用于銀行系統(tǒng)性風(fēng)險多重傳染，投資者情緒每高漲1個單位，銀行的當期系統(tǒng)性風(fēng)險多重傳染就會減少16.2931個單位，銀行下一時期的系統(tǒng)性風(fēng)險多重傳染就會顯著減少10.0885個單位。 這是由于投資者情緒高漲會增加市場流動性，提升交投活躍度，推動金融市場理性繁榮，也會順周期地提升銀行市場價值，增加違約距離，減少信用風(fēng)險，且這些減弱的銀行風(fēng)險會通過跳躍關(guān)聯(lián)、 股價信息關(guān)聯(lián)和共同資產(chǎn)價格關(guān)聯(lián)，溢出傳染給相關(guān)其他銀行。

銀行風(fēng)險會通過跳躍關(guān)聯(lián)、股價信息關(guān)聯(lián)和共同資產(chǎn)價格關(guān)聯(lián)等路徑傳染，因此銀行吸收整個銀行業(yè)的傳染風(fēng)險正向影響銀行系統(tǒng)性風(fēng)險多重傳染。作為銀行層面的控制變量，銀行規(guī)模正向顯著作用于銀行系統(tǒng)性風(fēng)險多重傳染。而成本收入比和存貸比可以反映出銀行的盈利能力，因此成本收入比正向顯著影響銀行系統(tǒng)性風(fēng)險多重傳染，而存貸比可以減少銀行系統(tǒng)性風(fēng)險多重傳染。 因此，降低成本收入比以及增加存貸比可以減少銀行系統(tǒng)性風(fēng)險多重傳染。作為宏觀層面的控制變量，貨幣供應(yīng)量、銀行間同業(yè)拆借加權(quán)利率、居民消費價格指數(shù)和滬深300收益率的增加，都會在一定程度上增加銀行系統(tǒng)性風(fēng)險多重傳染。

選取Steven J.Davis等構(gòu)建的另外一種經(jīng)濟政策不確定性指數(shù)，代替Baker的經(jīng)濟政策不確定性指數(shù)，對模型結(jié)果作穩(wěn)健性檢驗，也得到了類似的結(jié)論（見表3）。至此，假設(shè)1和假設(shè)2得到驗證。經(jīng)濟政策不確定性顯著正向影響銀行系統(tǒng)性風(fēng)險多重傳染，而投資者情緒顯著負向影響銀行系統(tǒng)性風(fēng)險多重傳染。

（四）經(jīng)濟政策不確定性影響銀行系統(tǒng)性風(fēng)險多重傳染的門限效應(yīng)檢驗結(jié)果與分析

1.門限估計值的檢驗

為驗證假設(shè)3， 本文利用面板門限回歸模型，以投資者情緒作為門限變量，探究投資者情緒的轉(zhuǎn)換作用及其對經(jīng)濟政策不確定性影響不同銀行的系統(tǒng)性風(fēng)險多重傳染的邊際效應(yīng)結(jié)構(gòu)變化的調(diào)節(jié)作用存在性。門限效應(yīng)檢驗結(jié)果如表4所示。

由表4可知， 投資者情緒為在5%水平上顯著的門限轉(zhuǎn)換變量， 其顯著具有單個門限值0.0016，模型具有單一門限效應(yīng)。因此，單個門限值為具有狀態(tài)轉(zhuǎn)換效應(yīng)的解釋變量總體作用（包含線性作用和非線性作用）的轉(zhuǎn)換門限值。

圖2為利用似然比估計法對門限值進行的似然比檢驗統(tǒng)計量值。圖2中折線的最低點為門限估計值0.0016， 折線與虛線的兩個交點即為門限值95%的置信區(qū)間［0.0013，0.0017］，門限估計值在真實性檢驗的置信區(qū)間內(nèi)。

2.門限回歸結(jié)果與分析

表5報告了基準回歸結(jié)果。

由表5的基準回歸結(jié)果可知，在不同程度的投資者情緒作用下，經(jīng)濟政策不確定性對銀行系統(tǒng)性風(fēng)險多重傳染的影響不同。 當投資者情緒低于0.0016時，經(jīng)濟不確定性對銀行系統(tǒng)性風(fēng)險多重傳染的顯著影響為0.0972，這說明經(jīng)濟不確定性會顯著增加銀行系統(tǒng)性風(fēng)險多重傳染；當投資者情緒高于0.0016時，經(jīng)濟不確定性對銀行系統(tǒng)性風(fēng)險多重傳染的影響為0.0769，這說明在投資者情緒高漲的時候，經(jīng)濟不確定性增加系統(tǒng)性風(fēng)險的力度有所下降。這是由于投資者負面情緒會顯著提升銀行系統(tǒng)性風(fēng)險多重傳染的范圍、深度與概率，加快風(fēng)險傳染速度。因此，隨著投資者情緒高漲，經(jīng)濟政策不確定性使銀行系統(tǒng)性風(fēng)險多重傳染的凈效應(yīng)發(fā)生結(jié)構(gòu)轉(zhuǎn)換。穩(wěn)健回歸結(jié)果（見表3）得到類似的結(jié)論，假設(shè)3的結(jié)論是穩(wěn)健的。

就控制變量而言， 銀行間同業(yè)拆借加權(quán)利率、居民消費價格指數(shù)和滬深300收益率在一定程度上都會正向作用于銀行系統(tǒng)性風(fēng)險多重傳染。

（五）經(jīng)濟不確定性影響銀行系統(tǒng)性風(fēng)險多重傳染的平滑轉(zhuǎn)換效應(yīng)檢驗結(jié)果與分析

1.平滑轉(zhuǎn)換效應(yīng)的實證結(jié)果

由理論分析和表5驗證結(jié)果可知，在投資者情緒的轉(zhuǎn)換效應(yīng)下，經(jīng)濟不確定性影響銀行系統(tǒng)性風(fēng)險多重傳染的凈效應(yīng)發(fā)生了結(jié)構(gòu)轉(zhuǎn)換。門限模型是探究投資者情緒的轉(zhuǎn)換作用及其對經(jīng)濟政策不確定性影響不同銀行的系統(tǒng)性風(fēng)險多重傳染的邊際效應(yīng)結(jié)構(gòu)變化的調(diào)節(jié)作用存在性，需要進一步使用面板平滑轉(zhuǎn)換模型，研究在投資者情緒的轉(zhuǎn)換作用下經(jīng)濟政策不確定性邊際效應(yīng)的動態(tài)轉(zhuǎn)換模式，進一步證實假設(shè)3成立。

為驗證加入平滑轉(zhuǎn)換項的合理性，本文首先建立多元線性回歸模型且對模型進行拉姆齊非線性平滑轉(zhuǎn)換檢驗，從而確定是否存在非線性平滑轉(zhuǎn)換效應(yīng)。 拉姆齊非線性檢驗的F檢驗統(tǒng)計量值為101.27，p值為0.0000且在1%水平下顯著。這表明，使用非線性平滑轉(zhuǎn)換模型具有合理性，繼而建立單變量兩區(qū)制的面板平滑轉(zhuǎn)換模型，探索分析經(jīng)濟政策不確定性邊際效應(yīng)的動態(tài)轉(zhuǎn)換模式。

表6報告了面板平滑轉(zhuǎn)換模型的回歸結(jié)果。其中，第（1）列是LSTR模型回歸的結(jié)果，第（2）列是ESTR模型回歸的結(jié)果，第（3）列是NSTR模型回歸的結(jié)果。在三種面板平滑轉(zhuǎn)換模型中，比較擬合優(yōu)度R2、BIC、HQIC值的大小可以發(fā)現(xiàn)， 擬合優(yōu)度基本相當，但ESTR模型的BIC和HQIC最低。因此，ESTR平滑轉(zhuǎn)換模型優(yōu)于LSTR和NSTR模型， 下面用ESTR模型回歸結(jié)果分析在投資者情緒的轉(zhuǎn)換作用下經(jīng)濟政策不確定性的邊際效應(yīng)結(jié)構(gòu)變化模式。

由表6中ESTR模型回歸的結(jié)果可知，在投資者情緒比較低，低于其門限值-0.0051時，平滑轉(zhuǎn)換函數(shù)為正值且趨于0，經(jīng)濟不確定性的非線性作用部分趨于0或者比較小，此時經(jīng)濟不確定性對銀行系統(tǒng)性風(fēng)險多重傳染產(chǎn)生正向線性影響，意味著經(jīng)濟不確定性增加了系統(tǒng)性風(fēng)險，需要對經(jīng)濟不確定性進行監(jiān)管。投資者情緒會調(diào)節(jié)經(jīng)濟政策不確定性帶來的銀行資產(chǎn)風(fēng)險溢價彈性及其系統(tǒng)性風(fēng)險多重傳染的邊際值。隨著投資者情緒的高漲，其值超過門限值-0.0051時，平滑轉(zhuǎn)換函數(shù)為正值且趨于1， 經(jīng)濟不確定性的非線性作用部分從趨于零轉(zhuǎn)換到顯著負向影響系統(tǒng)性風(fēng)險，此時經(jīng)濟不確定性的正向作用難以抵消投資者情緒的負向影響，從而整體上減少系統(tǒng)性風(fēng)險，并帶來“投資者樂觀情緒高漲的羊群效應(yīng)”問題[14]。對于線性作用部分，銀行層面的銀行規(guī)模和成本收入比會正向影響系統(tǒng)性風(fēng)險；存貸比的提高表明銀行的業(yè)績水平良好，可以減少銀行的系統(tǒng)性風(fēng)險。而滬深300收益率、銀行間同業(yè)拆借加權(quán)利率、居民消費價格指數(shù)、貨幣供應(yīng)量都會正向作用于銀行系統(tǒng)性風(fēng)險。

2. 經(jīng)濟政策不確定性的邊際效應(yīng)結(jié)構(gòu)變化圖形及分析

把指數(shù)平滑轉(zhuǎn)換模型的Lnr參數(shù)轉(zhuǎn)換成r，得到r參數(shù)估計值顯著為5273.4284， 表明在單變量兩區(qū)制之間的轉(zhuǎn)換速度和平滑程度為5273.4284， 該數(shù)值相對比較大，表明模型非線性效應(yīng)的轉(zhuǎn)變并不是一個相對平緩的過程，根據(jù)模型的參數(shù)可以把此轉(zhuǎn)換過程可視化為圖3。

從圖3可以看出，整體上經(jīng)濟不確定性產(chǎn)生的非線性作用在投資者情緒的區(qū)間內(nèi)比較陡峭地變化。當投資者情緒在區(qū)間（-0.014，-0.005）時，投資者情緒的提高將會導(dǎo)致平滑轉(zhuǎn)換函數(shù)比較平穩(wěn)地減少。當投資者情緒在區(qū)間（-0.005，0.005）時，投資者情緒的提高將會導(dǎo)致平滑轉(zhuǎn)換函數(shù)比較平穩(wěn)地增加。隨著投資者情緒高漲，平滑轉(zhuǎn)換的速度也隨之加快。 當投資者情緒大約在區(qū)間（0.005， 0.02）內(nèi)，投資者情緒的高漲使得平滑轉(zhuǎn)換函數(shù)比較陡峭地增加。當投資者情緒超過0.02以后，平滑轉(zhuǎn)換函數(shù)長期趨于1，比較平穩(wěn)地保持不變。

3.指數(shù)平滑轉(zhuǎn)換模型設(shè)定的合理性驗證

接下來，對指數(shù)平滑轉(zhuǎn)換模型的殘差進行線性檢驗，驗證指數(shù)平滑轉(zhuǎn)換模型的合理性。檢驗結(jié)果如表7所示。

表7的結(jié)果顯示，第一部分泰勒展開式一至四階的系數(shù)p值均大于0.05，并不顯著，表明殘差部分不存在非線性部分；第二部分泰勒展開式的四階線性檢驗的結(jié)果也不顯著，說明殘差部分也不存在非線性部分；第三部分的p值大于0.05，接受原假設(shè)，再次說明殘差部分不存在非線性部分。因此，殘差部分不存在非線性部分，說明指數(shù)平滑轉(zhuǎn)換模型的非線性部分作用比較顯著，證實了所選模型的合理性。這說明在投資者情緒的轉(zhuǎn)換作用下，經(jīng)濟政策不確定性非線性作用于銀行系統(tǒng)性風(fēng)險多重傳染， 其邊際作用結(jié)構(gòu)變化為指數(shù)平滑轉(zhuǎn)換模式。

至此，假設(shè)3得到進一步證實，即投資者情緒具有顯著的區(qū)制轉(zhuǎn)換效應(yīng)，使經(jīng)濟不確定性影響銀行系統(tǒng)性風(fēng)險多重傳染的凈邊際效應(yīng)，按指數(shù)平滑模式發(fā)生結(jié)構(gòu)變化。

六、結(jié)論與建議

本文以14家上市銀行為研究樣本， 通過MVMQ-CAViaR模型估算銀行系統(tǒng)性風(fēng)險多重傳染，并基于面板基準回歸、面板門限回歸模型和面板平滑轉(zhuǎn)換模型，研究經(jīng)濟政策不確定性和投資者情緒對銀行系統(tǒng)性風(fēng)險多重傳染的邊際效應(yīng)及結(jié)構(gòu)變化，研究發(fā)現(xiàn)：

1. 經(jīng)濟政策不確定性與投資者情緒對上市銀行系統(tǒng)性風(fēng)險的影響方向與大小存在差異。具體來看，經(jīng)濟政策不確定性會對銀行系統(tǒng)性風(fēng)險產(chǎn)生顯著的正向影響，即經(jīng)濟政策不確定性越大，銀行系統(tǒng)性風(fēng)險越高。同時，投資者情緒對銀行系統(tǒng)性風(fēng)險產(chǎn)生顯著的負向影響，抑制銀行系統(tǒng)性風(fēng)險多重傳染。即投資者情緒越高漲，銀行系統(tǒng)性風(fēng)險越低，反之，銀行系統(tǒng)性風(fēng)險越高。

2. 投資者情緒會調(diào)節(jié)經(jīng)濟政策不確定性影響銀行系統(tǒng)性風(fēng)險多重傳染的邊際效應(yīng)變化，且具有顯著的區(qū)制轉(zhuǎn)換作用，使經(jīng)濟政策不確定性影響銀行系統(tǒng)性風(fēng)險多重傳染的邊際效應(yīng)發(fā)生結(jié)構(gòu)變化。

3.投資者情緒以指數(shù)平滑轉(zhuǎn)換模式調(diào)節(jié)，使經(jīng)濟政策不確定性對銀行系統(tǒng)性風(fēng)險多重傳染具有顯著的線性作用和非線性作用。經(jīng)濟不確定性的非線性作用部分從趨于零轉(zhuǎn)換到顯著負向影響系統(tǒng)性風(fēng)險，此時經(jīng)濟不確定性的正向線性作用難以抵消投資者情緒的負向影響，從而整體上減少系統(tǒng)性風(fēng)險。

基于上述研究結(jié)論，提出如下政策建議：

1. 正確處理經(jīng)濟政策不確定性與銀行系統(tǒng)性風(fēng)險的關(guān)系。政府應(yīng)該執(zhí)行跨周期一致協(xié)調(diào)的“雙支柱”宏觀審慎調(diào)控經(jīng)濟政策[37]，在實施貨幣政策和財政政策時，要對政策未來的趨勢進行合理的預(yù)期并制定具有穩(wěn)定性的經(jīng)濟政策。通過降低經(jīng)濟政策的不確定性， 穩(wěn)定實體經(jīng)濟和銀行的經(jīng)營環(huán)境，防范和化解銀行重大風(fēng)險多源多重傳染。 此外，政府在制定經(jīng)濟政策時要綜合考慮投資者預(yù)期，提振投資者在危機時期的信心，實現(xiàn)經(jīng)濟政策對系統(tǒng)性風(fēng)險的抑制作用。

2.投資者要保持理性情緒，對銀行經(jīng)營狀況等信息要有理性認知。在數(shù)字化時代，互聯(lián)網(wǎng)普及，信息快速傳遞。投資者要學(xué)會信息篩選，剔除不真實不準確的信息，從而做出正確的投資決策，轉(zhuǎn)換經(jīng)濟政策不確定性對銀行系統(tǒng)性風(fēng)險的作用。

3.監(jiān)管部門要健全監(jiān)管體系，建立公開透明的信息制度，及時化解銀行系統(tǒng)性風(fēng)險的多源多重傳染。銀行與投資者之間存在信息不對稱，使得投資者極易出現(xiàn)羊群效應(yīng)和非理性投資行為，加大金融市場的波動，阻礙金融市場的穩(wěn)定運行。監(jiān)管部門要建立完善透明的信息制度，減少機構(gòu)與投資者間因信息不對稱而發(fā)生的非理性行為。此外，需要調(diào)控好輿情，并關(guān)注投資者情緒對系統(tǒng)性風(fēng)險的傳導(dǎo)效應(yīng)。針對投資者的非理性恐慌情緒，及時干預(yù)股票市場股價的波動和銀行異常的管理行為。 管理部門還應(yīng)致力于穿透式監(jiān)管，注重底層資產(chǎn)風(fēng)險的識別與披露，在不同類型資產(chǎn)業(yè)務(wù)間建立風(fēng)險隔離機制，謹防同業(yè)業(yè)務(wù)風(fēng)險溢出。

參考文獻：

［1］王之揚，王歡，夏凡.經(jīng)濟政策不確定性對銀行風(fēng)險承擔(dān)的影響［J］.武漢金融，2022（7）：41-53.

［2］顧海峰，朱慧萍.經(jīng)濟政策不確定性是否會影響銀行系統(tǒng)性風(fēng)險？［J］.系統(tǒng)工程理論與實踐，2022，42（9）：2350-2366.

［3］歐陽資生，陳世麗，楊希特，等.經(jīng)濟政策不確定性、網(wǎng)絡(luò)輿情與金融機構(gòu)系統(tǒng)性風(fēng)險［J］.管理科學(xué)學(xué)報，2023，26（4）：62-86.

［4］王周偉，魏鵬飛.中國上市銀行增量長期條件風(fēng)險價值估算研究［J］.統(tǒng)計與信息論壇，2023，38（6）：81-101.

［5］韓超，周兵.基于時變Copula-CoVaR商業(yè)銀行系統(tǒng)性金融風(fēng)險溢出分析［J］.西南師范大學(xué)學(xué)報（自然科學(xué)版），2019，44（8）：72-77.

［6］李守偉，解一葦，楊坤，等.商業(yè)銀行多層網(wǎng)絡(luò)結(jié)構(gòu)對系統(tǒng)性風(fēng)險影響研究［J］.東南大學(xué)學(xué)報（哲學(xué)社會科學(xué)版），2019，21（4）：77-84，147.

［7］謝賢君，郁俊莉.跨境融資宏觀審慎管理與商業(yè)銀行系統(tǒng)性風(fēng)險［J］.金融與經(jīng)濟，2023，551（6）：3-15.

［8］郭品，程茂勇，沈悅.金融科技發(fā)展對銀行系統(tǒng)性風(fēng)險的影響：理論機制與經(jīng)驗證據(jù)［J］.當代經(jīng)濟科學(xué)，2023，45（5）：15-29.

［9］方意，王晏如.金融科技媒體情緒與銀行系統(tǒng)性風(fēng)險［J］.中山大學(xué)學(xué)報（社會科學(xué)版），2023，63（3）：190-206.

［10］程小慶，葛璐瀾.銀行系統(tǒng)性風(fēng)險與宏觀審慎評估體系有效性分析［J］.統(tǒng)計與決策，2020，36（19）：146-151.

［11］顧海峰，卞雨晨.數(shù)字金融會影響銀行系統(tǒng)性風(fēng)險嗎？——基于中國上市銀行的證據(jù)［J］.中國軟科學(xué)，2022， 374（2）：32-43.

［12］吳文洋，盧翠平，唐紳峰.金融創(chuàng)新與銀行系統(tǒng)性風(fēng)險：敏感性、異質(zhì)性及可接受性［J］.世界經(jīng)濟研究，2022， 341（7）：120-134，137.

［13］WHITE H，KIM T H，MANGANELLI S.VAR for VaR：Measuring Tail Dependence Using Multivariate Regression Quantiles［J］.Journal of Econometrics，2015，187（1）：169-188.

［14］孫琪.經(jīng)濟政策不確定性對系統(tǒng)性風(fēng)險的影響機制研究［J］.財會月刊，2018，838（18）：155-162.

［15］馮燕妮，莫璇，李翔.經(jīng)濟政策不確定性能否驅(qū)動股市系統(tǒng)性風(fēng)險？——基于貝葉斯估計的時變beta檢驗［J］.中央財經(jīng)大學(xué)學(xué)報，2020，394（6）：29-38.

［16］蔣海，王溢凡，吳文洋.經(jīng)濟政策不確定性、網(wǎng)絡(luò)關(guān)聯(lián)性與銀行業(yè)系統(tǒng)性風(fēng)險——基于中國上市銀行的實證檢驗［J］.金融經(jīng)濟學(xué)研究，2021，36（6）：3-17.

［17］李洋，佟孟華，褚翠翠.經(jīng)濟政策不確定性與系統(tǒng)性金融風(fēng)險傳染——基于中國上市金融機構(gòu)微觀數(shù)據(jù)的經(jīng)驗證據(jù)［J］.金融經(jīng)濟學(xué)研究，2021，36（4）：31-47.

［18］周亮，李紅權(quán).經(jīng)濟不確定性能否有效預(yù)測系統(tǒng)性金融風(fēng)險？［J］.財經(jīng)問題研究，2022，459（2）：52-62.

［19］DEMIR E，DANISMAN G O. The Impact of Economic Uncertainty and Geopolitical Risks on Bank Credit［J］.The North American Journal of Economics and Finance，2021（prepublish）.

［20］黃大禹，凌丹，鄒夢婷.經(jīng)濟政策不確定性與商業(yè)銀行績效——結(jié)構(gòu)特征、影響機制與治理［J］.上海經(jīng)濟研究，2022（8）：60-78.

［21］劉鳳根，王一丁，王大軍.經(jīng)濟政策不確定性與系統(tǒng)性金融風(fēng)險：研究脈絡(luò)與展望［J］.金融理論探索，2023（4）：52-59.

［22］張琳，廉永輝，方意.政策連續(xù)性與商業(yè)銀行系統(tǒng)性風(fēng)險［J］.金融研究，2022（5）：95-113.

［23］童中文，鄒靜，周紹東.媒體效應(yīng)對銀行系統(tǒng)性風(fēng)險的影響［J］.統(tǒng)計與信息論壇，2016，31（2）：28-34.

［24］佟孟華，于建玲，朱芳燕.投資者情緒對中國上市金融機構(gòu)系統(tǒng)性風(fēng)險的影響［J］.投資研究，2018，37（11）：4-15.

［25］宋玉臣，李洋.區(qū)制轉(zhuǎn)換視閾下系統(tǒng)性風(fēng)險的積聚、釋放與化解——基于投資者情緒驅(qū)動的視角［J］.財經(jīng)科學(xué)，2020，391（10）：1-12.

［26］邢紅衛(wèi)，王漢瑛.股價暴跌的誘導(dǎo)因素分析［J］.系統(tǒng)工程，2021，39（5）：100-113.

［27］張宗新，陳瑩.系統(tǒng)性金融風(fēng)險動態(tài)測度與跨部門網(wǎng)絡(luò)溢出效應(yīng)研究［J］.國際金融研究，2022，417（1）：72-84.

［28］王周偉，張政.基于ARJI-GARCH模型的中國上市銀行跳躍風(fēng)險傳染網(wǎng)絡(luò)研究［J］.上海商學(xué)院學(xué)報，2021，22（6）：69-86.

［29］王琳，沈沛龍.基于DCC-GARCH模型的中國上市銀行系統(tǒng)性風(fēng)險研究［J］.財經(jīng)理論與實踐，2017，38（1）：24-29.

［30］劉興華，余偉光，徐博.同業(yè)資產(chǎn)、資本監(jiān)管與銀行系統(tǒng)性風(fēng)險［J］.金融與經(jīng)濟，2022（9）：14-29.

［31］KAUFMAN G，SCOTT K E.What Is Systemic Risk，and Do Bank Regulators Retard or Contribute to It？［J］.Independent Review，2003，7（3）：371－391．

［32］戴淑庚，林濱釗，余博.金融開放、銀行關(guān)聯(lián)度與我國銀行系統(tǒng)性風(fēng)險［J］.吉林大學(xué)社會科學(xué)學(xué)報，2022，62（5）：101-117，237.

［33］宮曉莉，熊熊，張維.我國金融機構(gòu)系統(tǒng)性風(fēng)險度量與外溢效應(yīng)研究［J］.管理世界，2020，36（8）：65-83.

［34］顏廷峰，袁安妮，徐旭初.互聯(lián)網(wǎng)金融、政府干預(yù)與經(jīng)濟增長質(zhì)量——基于面板門限回歸模型的實證檢驗［J］.財政研究，2019（9）：47-61.

［35］楊子暉，陳雨恬，林師涵，等.我國金融機構(gòu)尾部風(fēng)險影響因素的非線性研究——來自面板平滑轉(zhuǎn)換回歸模型的新證據(jù)［J］.金融研究，2021（3）：38-57.

［36］王帥.投資者情緒對商業(yè)銀行風(fēng)險承擔(dān)影響實證研究［J］.中南財經(jīng)政法大學(xué)學(xué)報，2015（4）：95-101.

［37］王碧澄，夏球.系統(tǒng)性金融風(fēng)險的防范與化解及對商業(yè)銀行的建議［J］.金融理論探索，2023（2）：35-41.

Economic Policy Uncertainty， Investor Sentiment and Bank Systemic Risk Contagion

Wang Zhouwei， Li Kaiqi

（School of Finance and Business， Shanghai Normal University， Shanghai 200234， China）

Abstract： Faced with the uncertainty of economic policies and investor sentiment， the banking industry needs to assume the responsibility of coping with the recession economy， resolving bank risks and achieving high-quality and stable economic growth. In this paper， MVMQ-CAViaR model is used to measure the systemic risk of listed banks from 2008 to 2021， and panel threshold regression model and panel smooth transformation model are constructed to study the marginal effect structure changes of economic policy uncertainty affecting the contribution of multiple contagion of systemic risk of banks under the role of investor sentiment transformation. The research shows that investor sentiment has significant regime-switching effect， which makes economic uncertainty affect the net marginal effect of multiple contagion contributions of bank systemic risk， and structural change occurs in the mode of index switching. The research of this paper provides a new perspective for correctly dealing with the relationship between economic policy uncertainty and bank systemic risk， and proposes that investors should keep rational emotions and the CBRC should improve the supervision system.

Key words： economic policy uncertainty; investor sentiment; bank systemic risk; risk contagion; Exponential Smooth Conversion Mode

（責(zé)任編輯：龍會芳；校對：盧艷茹）