張?zhí)祉敗堄?/p>

(武漢大學(xué)經(jīng)濟與管理學(xué)院，湖北武漢430072)

?

我國上市商業(yè)銀行風(fēng)險溢出評價與宏觀審慎監(jiān)管

張?zhí)祉攺堄?/p>

(武漢大學(xué)經(jīng)濟與管理學(xué)院，湖北武漢430072)

摘要：隨著金融自由化程度的不斷提高，金融系統(tǒng)在分散風(fēng)險和促進資金自由流動的同時也加大了風(fēng)險的傳染性和破壞性。文章采用我國16家上市商業(yè)銀行的日度收盤價數(shù)據(jù)，結(jié)合GARCH-混合Copula-CoVaR模型對其風(fēng)險溢出效應(yīng)進行定量估計。與僅采用單一的Copula方法相比，混合Copula更能夠捕捉到市場在不同狀態(tài)下單個機構(gòu)與金融系統(tǒng)之間的相關(guān)性。研究結(jié)果表明，在橫截面維度上，“四大”國有銀行在我國銀行體系中處于系統(tǒng)重要性地位，同時股份制商業(yè)銀行民生銀行、中信銀行和交通銀行在測量結(jié)果中處于相對重要的地位，也需要引起金融監(jiān)管者的高度重視；在時間維度上，到2015年，隨著我國股票市場出現(xiàn)的劇烈震蕩，銀行業(yè)系統(tǒng)性風(fēng)險呈上升趨勢，對此監(jiān)管者需要制定相應(yīng)政策以防發(fā)生系統(tǒng)性風(fēng)險。

關(guān)鍵詞：風(fēng)險溢出效應(yīng)；系統(tǒng)性風(fēng)險；系統(tǒng)重要性金融機構(gòu)；GARCH-Copula-CoVaR

一、引言

2007年爆發(fā)的全球性金融危機使得金融監(jiān)管者逐漸意識到在系統(tǒng)性風(fēng)險爆發(fā)時，金融風(fēng)險的傳染性和溢出效應(yīng)所造成的破壞力。系統(tǒng)性風(fēng)險通常由某個誘導(dǎo)因素引起，繼而導(dǎo)致不穩(wěn)定性在整個金融系統(tǒng)內(nèi)擴散，威脅到金融系統(tǒng)的穩(wěn)定和安全，進而對實體經(jīng)濟造成嚴重的損害(卜林，2015[1])。由于風(fēng)險溢出效應(yīng)放大了單個金融機構(gòu)或某一金融子市場對整個金融體系的沖擊效應(yīng)，科學(xué)測度不同金融機構(gòu)的風(fēng)險溢出效應(yīng)就成為系統(tǒng)性風(fēng)險研究的一個重要內(nèi)容。本文將對我國上市商業(yè)銀行的風(fēng)險溢出效應(yīng)進行度量，現(xiàn)有研究表明，與證券、保險和信托行業(yè)相比，我國銀行業(yè)的風(fēng)險溢出效應(yīng)要更大(沈悅，2014[2]；徐映梅，2015[3])，因此對我國商業(yè)銀行系統(tǒng)性風(fēng)險的度量就顯得更加重要。

基于公開市場交易數(shù)據(jù)度量系統(tǒng)性風(fēng)險的方法由于其數(shù)據(jù)上的可獲得性，受到越來越多研究者的青睞，其中以條件在險價值CoVaR法運用最為廣泛(Adrian，2011[4]；周強等，2014[5])。目前主流的CoVaR估計方法有分位數(shù)回歸法、二元GARCH擬合法以及引入Copula聯(lián)結(jié)函數(shù)的方法。分位數(shù)回歸的方法提出時間最早，然而它并不能完全捕捉到金融機構(gòu)財務(wù)數(shù)據(jù)內(nèi)在的“尖峰厚尾”特性，且無法刻畫序列之間的非線性關(guān)系，本文引入混合Copula模型較好地解決了這一缺陷。國內(nèi)學(xué)者也有基于Copula模型的研究，但是這些研究采用的Copula函數(shù)相對較為單一，往往只能捕捉到市場在某一種情況下的序列相關(guān)性，且該模型主要用于度量不同市場之間的風(fēng)險溢出效應(yīng)，用于度量銀行機構(gòu)風(fēng)險溢出效應(yīng)的研究并不多見。

二、 相關(guān)文獻評述

(一) 金融機構(gòu)風(fēng)險溢出效應(yīng)

隨著金融自由化程度的不斷提高，金融系統(tǒng)在分散風(fēng)險和促進資金自由流動的同時也加大了風(fēng)險的傳染性和破壞性，使得現(xiàn)代金融危機呈現(xiàn)出波及面更廣、危害力更強的特點。2007年爆發(fā)的全球性金融危機使得人們?nèi)找娴匾庾R到：傳統(tǒng)地關(guān)注單個金融機構(gòu)的微觀審慎監(jiān)管并不足以有效地防范整個金融體系的系統(tǒng)性風(fēng)險，在金融監(jiān)管過程中，我們不能“只見樹木、不見森林”。金融危機爆發(fā)之時，由于單個金融機構(gòu)的危機造成的風(fēng)險和恐慌將在不同金融機構(gòu)之間蔓延，進而對整個金融系統(tǒng)造成極大的威脅。隨著風(fēng)險傳染性和溢出程度的不斷加深，將極有可能觸發(fā)系統(tǒng)性風(fēng)險，導(dǎo)致整個金融市場的癱瘓，進而對實體經(jīng)濟的信貸供給產(chǎn)生負面影響(Adrian等，2011[4])。事實上，2007年以美國貝爾斯登兩只基金破產(chǎn)為危機起始點，雷曼兄弟倒閉事件等相繼爆發(fā)，投資銀行體系受到重創(chuàng)；2010年由于冰島三大國有銀行宣布破產(chǎn)，英國、德國等歐洲銀行業(yè)受到嚴重虧損，歐洲國家主權(quán)債券評級全面下調(diào)。可見，隨著金融不斷創(chuàng)新和自由化，金融機構(gòu)的風(fēng)險不僅受其自身因素的影響，還受其他金融機構(gòu)風(fēng)險的沖擊，這種機構(gòu)之間的風(fēng)險波動傳導(dǎo)機制即為風(fēng)險溢出效應(yīng)(李志輝等，2011[6])。

隨著金融一體化程度的加深，金融機構(gòu)之間的相關(guān)性越來越高，從理論上對金融機構(gòu)的風(fēng)險傳染機制進行分析就顯得尤為重要。Adrian等(2011)[4]認為，在系統(tǒng)性金融事件爆發(fā)時，金融機構(gòu)之間的風(fēng)險傳染性和溢出效應(yīng)既有可能是由金融機構(gòu)之間存在直接的契約關(guān)系，使得彼此成為高度依賴的信貸風(fēng)險交易對手而直接導(dǎo)致，同樣也有可能由于金融機構(gòu)均暴露于同樣的市場風(fēng)險因子當(dāng)中而間接造成。具體到銀行業(yè)中，在危機剛開始時，可能只是單個銀行機構(gòu)的經(jīng)營失敗，但是由于現(xiàn)代金融機構(gòu)之間日益復(fù)雜的相關(guān)性和復(fù)雜度，一旦處于系統(tǒng)重要性地位的金融機構(gòu)發(fā)生危機，由于其在整個市場中的重要地位，將會對市場產(chǎn)生負的外部性，惡化銀行所處的環(huán)境。同時，由于銀行具有同質(zhì)性的經(jīng)營行為，暴露于同樣風(fēng)險因子中的銀行機構(gòu)將同樣面臨較大的周轉(zhuǎn)困難。一旦市場上關(guān)于銀行的傳聞開始蔓延，投資者對銀行缺乏信心，導(dǎo)致流動性供給收緊。這種信息的溢出效應(yīng)會加劇市場波動，導(dǎo)致流動性供給的進一步枯竭，從而在資本市場上間接地加大了風(fēng)險造成的損失，結(jié)果是金融機構(gòu)將面對市場流動性和資金流動性迅速的枯竭，以及市場上增加的波動性。在當(dāng)今經(jīng)濟金融化的背景下，虛擬經(jīng)濟與實體經(jīng)濟相互作用，金融市場上急劇增大的波動性也會使得實體經(jīng)濟融資變得困難，從而造成市場環(huán)境的惡化。

(二) 風(fēng)險溢出效應(yīng)的度量

由于風(fēng)險溢出效應(yīng)放大了單個金融機構(gòu)或某一金融子市場對整個金融體系的沖擊效應(yīng)，科學(xué)測度不同金融機構(gòu)的風(fēng)險溢出效應(yīng)就成為系統(tǒng)性風(fēng)險研究的一個重要內(nèi)容。傳統(tǒng)的在險價值VaR分析法簡單明了，但其忽略尾部風(fēng)險且不具次可加性等缺陷使其在關(guān)注市場尾部風(fēng)險的系統(tǒng)性風(fēng)險度量中存在較大缺陷，Adrian等(2011)[4]提出的CoVaR法有效地改進了這一問題。CoVaR衡量的是當(dāng)一個機構(gòu)處于其在險價值的條件時另一個機構(gòu)的市場表現(xiàn)，具體來講，將金融系統(tǒng)視為各金融機構(gòu)的資產(chǎn)組合，那么單個金融機構(gòu)的CoVaR等于其處于在險價值情況下的市場表現(xiàn)與其處于中性狀態(tài)下的市場表現(xiàn)之差，因此可以用于衡量該機構(gòu)對整個市場的風(fēng)險貢獻程度。

目前，CoVaR的度量方法主要有基于分位數(shù)回歸的方法(Castro等，2014[7]；陳守東等，2014[8])，基于二元GARCH模型的方法(Girardi等，2013[9])，以及引進Copula聯(lián)結(jié)函數(shù)的方法(Reboredo等，2015[10])。基于分位數(shù)回歸的方法通過引進如市場波動率、流動性利差、消費者價格指數(shù)等宏觀經(jīng)濟變量將宏觀審慎與微觀審慎結(jié)合起來，然而簡單的分位數(shù)回歸并不能完全捕捉到金融數(shù)據(jù)“尖峰厚尾”的特性，且無法刻畫序列之間的非線性關(guān)系，采用Copula聯(lián)結(jié)函數(shù)可以有效地彌補這一方面的不足。Copula函數(shù)是由Sklar(1959)[11]提出的一類將聯(lián)合分布函數(shù)與各自邊緣分布函數(shù)聯(lián)結(jié)起來的函數(shù)，由于其刻畫邊緣分布的靈活性和刻畫相關(guān)關(guān)系的多樣性優(yōu)勢而在20世紀90年代以來得到迅速發(fā)展，并在風(fēng)險管理、投資組合等領(lǐng)域有著廣泛的運用(吳海龍等，2013[12])。然而目前國內(nèi)研究對于Copula函數(shù)的選擇較為單一，往往不足以捕捉到市場朝不同方向變化時的聯(lián)結(jié)情況，且其主要運用于股票市場的風(fēng)險溢出或國內(nèi)金融行業(yè)之間的溢出效應(yīng)上，直接運用于我國上市銀行系統(tǒng)重要性的度量較少。本文引入混合Copula函數(shù)有效地捕捉到市場在利好和利空等不同情況下金融時間序列之間的相關(guān)關(guān)系，并引入期望最大化EM算法對其參數(shù)進行估計，從而與傳統(tǒng)僅基于極大似然法的參數(shù)估計相比更具穩(wěn)健性。從結(jié)果來看，本文采用的GARCH-Copula-CoVaR模型的度量方法對我國上市銀行的系統(tǒng)重要性分析是一項有益的補充。

三、 研究方法

(一)CoVaR方法介紹

單個金融機構(gòu)的CoVaR是指當(dāng)該機構(gòu)發(fā)生危機時整個金融系統(tǒng)此時的在險價值。假設(shè)Xi為該機構(gòu)的收益率，Xj為金融系統(tǒng)的收益率，則該機構(gòu)的VaR和CoVaR可分別用式(1)和式(2)表示

(1)

(2)

其中，α和β為置信度?？梢钥闯鍪?2)是一個條件概率公式，采用貝葉斯公式可將其變換為式(3)所示

(3)

注意到式(3)中分母即為在險價值的置信度，因此可將其變換為式(4)

(4)

以上是一個聯(lián)合概率密度函數(shù)形式，根據(jù)Sklar定理[11]，引入Copula函數(shù)可將聯(lián)合概率密度函數(shù)轉(zhuǎn)換為邊緣概率密度函數(shù)的聯(lián)結(jié)函數(shù)形式，表達為式(5)

(5)

由此可見，CoVaR的求解可采用如下的兩步估計法。

第一步，對序列的邊緣分布進行擬合，得到其概率分布后，選取適當(dāng)?shù)腃opula函數(shù)并對其參數(shù)進行估計，根據(jù)Copula函數(shù)的形式求出u值；

第二步，根據(jù)Xj的邊緣分布的反函數(shù)，得到CoVaR=F-1(u)。

為更準確地衡量單個金融機構(gòu)對系統(tǒng)的風(fēng)險貢獻程度大小，需要對進行去量綱處理，因此引入新指標pCoVaR，其定義如式(6)所示

(6)

本文采用GARCH(1,1)-偏t模型對收益率序列的邊緣分布進行擬合，采用混合Copula函數(shù)刻畫金融機構(gòu)與金融系統(tǒng)收益率之間的相關(guān)關(guān)系。

(二) 邊緣分布的擬合

金融時間序列呈現(xiàn)出的波動率聚集的特性要求對其邊緣分布的擬合需要有效地刻畫出其條件異方差性，而同時其呈現(xiàn)出來的“尖峰厚尾”的特性說明傳統(tǒng)基于正態(tài)分布的假設(shè)往往并不合理。本文采用GARCH-偏t分布，大量的實證結(jié)果表明采用GARCH(1,1)模型能夠很好地刻畫出金融時間序列的“尖峰厚尾”及條件異方差的特性[2-3]，而與國內(nèi)其他研究常采用的GARCH-學(xué)生t分布不同，本文采用的偏t分布是在傳統(tǒng)t分布的基礎(chǔ)上加入一個偏度參數(shù)η，能夠更加準確地描述金融資產(chǎn)序列的非對稱性和厚尾性，與金融時間序列的有偏特性相契合。其模型如式(7)所示

(7)

其中，rt表示收益率序列，μ為收益率均值，εt為殘差，σt表示波動率，It-1為t-1時刻的信息集，殘差vt服從偏-t分布，其分布函數(shù)如式(8)所示

(8)

(三) Copula函數(shù)的選擇

Copula函數(shù)形式多樣，最常見的兩大家族包括Elliptical-Copula和Archimedean-Copula。其中Archimedean-Copula函數(shù)由于其簡單易用而得到廣泛應(yīng)用，其函數(shù)族形式滿足

C(u1，u2…up)=φ-1{φ(u1)+φ(u2)+…+φ(up)}

(9)

Archimedean-Copula函數(shù)族中又以Clayton、Frank和Gumbel三種使用最為廣泛，表1介紹了這三種函數(shù)的基本形式。

注：作者根據(jù)Yan(2007)[13]整理所得。

Clayton-Copula函數(shù)分布呈下尾高上尾低的L型，即說明分布的下尾有很強的相關(guān)性，能夠較好地刻畫出市場利空時候的相關(guān)性；Gumbel-Copula密度分布呈上尾高下尾低的丁字型，說明該分布的上尾部具有很強的相關(guān)性，而下尾部是漸進獨立的，能較好刻畫市場利好時候的時序相關(guān)性；Frank-Copula具有對稱性，無法捕捉到隨機變量之間非對稱的相關(guān)關(guān)系。由于我國股票市場在近年來都出現(xiàn)了較大的波動，采用單個Copula函數(shù)將無法很好地捕捉到市場朝不同方向震蕩時的相關(guān)關(guān)系，因此本文采用混合Copula，用三種Copula函數(shù)的線性組合來刻畫單個機構(gòu)與金融系統(tǒng)之間的相關(guān)性，其函數(shù)形式如式(10)所示

Mixcopula=w1·Clayton+w2·Frank+w3·Gumbel

(10)

其中w1、w2和w3分別為各自Copula的權(quán)重。

在確定Copula函數(shù)的形式之后，就需要對其中的參數(shù)進行估計。然而由于參數(shù)較多，直接采用極大似然估計法比較困難且結(jié)果不具穩(wěn)健性，因此本文引入期望最大化EM算法對參數(shù)進行估計。EM算法是由Dempster于1977年提出的一種參數(shù)極大似然估計方法，它本質(zhì)上是一種迭代算法。通過引入一個隱含變量，將不完整數(shù)據(jù)的似然函數(shù)最大化問題轉(zhuǎn)換為完整數(shù)據(jù)的似然函數(shù)最大化問題求解，通過不斷迭代找到局部最優(yōu)解。具體來講，當(dāng)我們不知道樣本屬于哪一個Copula的時候，引入隱含變量zk，當(dāng)其屬于第k個Copula時，zk=1，否則，zk=0。此時完整數(shù)據(jù)的對數(shù)似然函數(shù)可以表示為式(11)

(11)

其中ck為第k個Copula的概率密度函數(shù)，λk為其權(quán)重，ztk為第t個樣本在第k個Copula函數(shù)的隱含值，ut為樣本累計分布函數(shù)，θck為第k個Copula的參數(shù)。

EM算法主要分為以下兩步

E(Expectation)步驟：求期望，即計算隱含變量的取值；

M(Maximization)步驟：最大化似然函數(shù)并對參數(shù)進行更新。

在估計出相應(yīng)參數(shù)之后，混合Copula的函數(shù)形式如下式所示

(12)

在上式中，w1、w2、w3分別代表Clayton、Frank和Gumbel函數(shù)的權(quán)重，α1、α2、α3分別為各自Copula函數(shù)的參數(shù)，均為已知，因此上式只有一個自變量。直接對該方程求解析解較為困難，考慮到Copula函數(shù)本身是隨自變量單調(diào)遞增且u服從[0,1]上的均勻分布，根據(jù)這一特性將會很容易地求出u的數(shù)值解。將求解出來的u代入邊緣分布的反函數(shù)中將能很快得到其CoVaR值。

四、 實證結(jié)果及分析

(一) 數(shù)據(jù)描述

本文采用2010年9月2日至2015年7月31日，我國16家上市商業(yè)銀行的每日前復(fù)權(quán)收盤價，共1 191個數(shù)據(jù)觀測值進行分析，數(shù)據(jù)來源Wind數(shù)據(jù)庫。

假設(shè)R和Rsys分別代表單個銀行和整個上市商業(yè)銀行系統(tǒng)的日度收益率，則有

(13)

(14)

表2是對16家上市銀行和銀行系統(tǒng)的收益率進行的描述性統(tǒng)計。

從表2可以看出，所有時間序列的偏度均不為0，且其峰度較大，這符合金融時間序列“尖峰厚尾”的特性。為檢驗其是否存在條件異方差性，接下來對各時間序列進行正態(tài)性檢驗、平穩(wěn)性檢驗和ARCH效應(yīng)的檢驗，檢驗結(jié)果如表3所示。本文采用JB檢驗值檢驗收益率序列的正態(tài)性，由表3可知，所有的收益率序列的正態(tài)性檢驗p值都小于0.05，因此有理由認為所有的收益率序列均不服從正態(tài)分布(用Shapiro-Wilk檢驗結(jié)果相同)。

采用單位根ADF檢驗來檢驗序列平穩(wěn)性，可以看出，所有的ADF-p值均小于0.05，即拒絕接受收益率序列自回歸中存在單位根的假設(shè)，因此可以認為收益率序列平穩(wěn)。

最后，由于要對收益率序列進行GARCH擬合，因此要進行ARCH效應(yīng)的檢驗。采用拉格朗日極大似然LM檢驗，可以看出所有的序列都具有強烈的ARCH效應(yīng)，因此采用GARCH模型對序列的邊緣分布進行擬合顯得合理。

(二) 實證結(jié)果分析

如前文所述，GARCH(1,1)-偏t分布能較好對收益率序列進行擬合，結(jié)果如表4所示。

由GARCH模型的設(shè)定可知，如果模型的擬合是充分的，則其得到的標準化殘差將服從獨立同分布。本文通過對模型的標準化殘差及其平方項繪制ACF和PACF圖，對GARCH模型的擬合進行充分性檢驗。如果模型的擬合是充分的，則殘差項不會出現(xiàn)自相關(guān)及異方差效應(yīng)。以工商銀行為例，其標準化殘差及平方項的ACF和PACF圖如圖1所示，可以看出，本文采用的GARCH(1,1)-偏t分布對收益率序列的邊緣分布擬合效果良好。

由于Copula函數(shù)的特點，采用收益率序列和采用殘差序列對Copula參數(shù)的擬合結(jié)果是一致的，因此可根據(jù)上述邊緣分布的擬合殘差對選定聯(lián)結(jié)函數(shù)進行參數(shù)擬合。本文采用混合Copula函數(shù)來描述序列之間的相關(guān)關(guān)系，但在此之前，首先采用單個Copula對單個銀行與銀行系統(tǒng)之間的相關(guān)關(guān)系進行描述，以便進行穩(wěn)健性比較。根據(jù)極大似然法對參數(shù)進行估計，并用AIC準則對不同模型反映的信息程度進行比較，結(jié)果如表5所示。

注：作者整理所得，此處僅以工商銀行為例。若需要更多收益率序列的ACF及PACF圖可與作者聯(lián)系。

根據(jù)AIC信息準則，可以看出與另外兩種函數(shù)相比，Gumbel-Copula對序列相關(guān)性的擬合效果更優(yōu)(其AIC值更小)。正如前文所述，Gumbel-Copula能夠較好地捕捉到市場利好狀況下金融序列之間的相關(guān)性。在本文樣本研究期間，我國上證綜指指數(shù)雖有短期震蕩，但總體而言呈現(xiàn)出震蕩上升的趨勢，因此Gumbel-Copula函數(shù)能夠較好地捕捉到這一特性。

在估計出Copula參數(shù)之后，通過計算式(5)中的u值并將其代入邊緣分布的反函數(shù)，可直接得到單個銀行的CoVaR及pCoVaR，如表6所示。

注：d-copula表示該copula函數(shù)對應(yīng)的CoVaR值，p-copula表示其對應(yīng)的pCoVaR值，用百分數(shù)表示。

由表6可以看出，用單個Copula度量出來的結(jié)果均顯示，工商銀行、中國銀行、農(nóng)業(yè)銀行和建設(shè)銀行四大國有銀行的pCoVaR值較大，因而在我國上市銀行系統(tǒng)中處于系統(tǒng)重要地位。此外，我們可以觀察到，這三種方法度量出的系統(tǒng)重要性排序幾乎完全一致，因而結(jié)果具有較好的穩(wěn)健性。

由于單個Copula只能捕捉序列處于單個方向變動時的相關(guān)性，而無法對市場多種變化時收益率序列的相關(guān)性進行充分刻畫。因此接下來我們采用混合Copula對銀行個體及系統(tǒng)之間的序列相關(guān)進行擬合。如前文所述，本文采用期望最大化EM算法對混合Copula進行穩(wěn)健的參數(shù)估計，其結(jié)果如表7所示。通過將表7中混合Copula與表5中單個Copula的AIC準則對比可以看出，采用混合Copula的AIC值更小，從這一角度來看其擬合效果更佳。

在得到混合Copula的各參數(shù)估計值之后，根據(jù)式(12)可以求解出u值，再將其代入到邊緣分布的反函數(shù)中，即可得到CoVaR及pCoVaR值，結(jié)果如表8所示。至此，可以根據(jù)單個Copula擬合及采用混合Copula對我國商業(yè)銀行的系統(tǒng)重要性進行排序，其結(jié)果對比如表9所示。

由表9可以看出，采用不同Copula函數(shù)的系統(tǒng)重要性排序之間的穩(wěn)健性較好?？傮w上來看，大型國有銀行如工商銀行、中國銀行、建設(shè)銀行和農(nóng)業(yè)銀行在我國均處于系統(tǒng)重要性地位，它們的活動將會對我國銀行系統(tǒng)產(chǎn)生重要的影響，因此在監(jiān)管過程中需要對這些銀行進行密切關(guān)注并要求更多的信息披露。此外，由于目前尚無統(tǒng)一標準來確定系統(tǒng)重要與非系統(tǒng)重要之間的明確界限，根據(jù)周小川[7]提出的要關(guān)注的D-SIFI系數(shù)的思想，除“四大”國有銀行外，還需關(guān)注與交通銀行系統(tǒng)重要性指標接近的銀行。經(jīng)過分析可以看出，在交通銀行之上還有股份制銀行如民生銀行、中信銀行等也同樣可認為處于系統(tǒng)重要地位，因而在監(jiān)管政策的制定過程中也應(yīng)該給予密切關(guān)注。

(三)系統(tǒng)性風(fēng)險的動態(tài)變化及其對宏觀監(jiān)管的啟示

在宏觀審慎政策制定過程中，監(jiān)管者不僅要在橫截面維度上關(guān)注某一時刻的不同銀行的系統(tǒng)性風(fēng)險相對大小，同樣還需在時間維度上關(guān)注其隨時間的變化趨勢，即強調(diào)系統(tǒng)性風(fēng)險的動態(tài)性。根據(jù)本文采用的GARCH-Copula-CoVaR模型，可以得到各商業(yè)銀行pCoVaR值的時變特征，圖2為對我國普遍被認為是系統(tǒng)重要的“四大”國有銀行的pCoVaR值繪制的時序圖。

注：dMixCoVaR和dMixCoVaR50%分別表示在銀行處于VaR5%狀態(tài)和正常狀態(tài)下系統(tǒng)的CoVaR值. pMixCoVaR是對應(yīng)的pCoVaR值。

由圖2可知，截止到2015年，“四大”國有銀行的條件在險價值普遍上升，說明整個銀行業(yè)的系統(tǒng)性風(fēng)險處于逐步上升態(tài)勢，監(jiān)管當(dāng)局要予以特別關(guān)注。同時，本文實證結(jié)果表明，民生銀行、交通銀行及中信銀行在我國商業(yè)銀行系統(tǒng)中處于相對重要地位，同樣需要引起監(jiān)管者的密切關(guān)注。為描述這三家銀行對我國商業(yè)銀行體系的系統(tǒng)性風(fēng)險貢獻程度的變化特征，可將這三家銀行與工商銀行的pCoVaR值對比作時序圖，如圖3所示。

對比圖2和圖3發(fā)現(xiàn)，“四大”國有銀行的pCoVaR的時變特征十分相似，且各自之間的相關(guān)性非常大，而被本文認為處于系統(tǒng)相對重要地位的民生銀行、交通銀行和中信銀行的pCoVaR值變化相關(guān)度雖不如“四大”國有銀行之間那么高，但其整體變化趨勢與“四大”國有銀行的變化趨勢是高度吻合的。因此，在監(jiān)管過程中加強這三家銀行的關(guān)注顯得很有必要且極具現(xiàn)實意義。事實上，面對當(dāng)前銀行系統(tǒng)較高的系統(tǒng)性風(fēng)險，我國監(jiān)管當(dāng)局也在不斷豐富宏觀審慎管理工具，積極面對和防范系統(tǒng)性風(fēng)險。2014年5月，由中國人民銀行牽頭出臺的《關(guān)于規(guī)范金融機構(gòu)同業(yè)業(yè)務(wù)的通知》，切實有效地采取措施規(guī)范同業(yè)業(yè)務(wù)發(fā)展，增強了我國金融系統(tǒng)穩(wěn)健性；銀監(jiān)會近兩年相繼通過了《商業(yè)銀行全球系統(tǒng)重要性評估指標定義說明》、《商業(yè)銀行流動性風(fēng)險管理辦法(試行)》，旨在對我國系統(tǒng)重要性機構(gòu)進行有效監(jiān)管，增強銀行體系應(yīng)對風(fēng)險的能力。

五、主要結(jié)論與啟示

本文研究結(jié)果表明：(1)采用混合Copula模型的AIC信息準則比采用單個Copula模型得到的AIC準則要小，說明本研究在方法上是對傳統(tǒng)方法的有效改進，混合Copula能夠更為有效地度量市場朝不同方向變化時單個金融機構(gòu)與整個金融市場之間的相關(guān)關(guān)系；(2)橫截面維度上，“四大”國有銀行在我國銀行系統(tǒng)中處于系統(tǒng)重要地位，但同時民生銀行、中信銀行和交通銀行處于相對系統(tǒng)重要地位，也需要得到監(jiān)管者的高度重視；(3)時間維度上，CoVaR的動態(tài)變化表明，進入到2015年，面對我國股市的劇烈震蕩，我國銀行業(yè)系統(tǒng)性風(fēng)險不斷上升，政策制定者在金融監(jiān)管的過程中要特別注意系統(tǒng)重要性銀行的活動，以防發(fā)生系統(tǒng)性風(fēng)險。

根據(jù)宏觀審慎的政策框架，本研究認為監(jiān)管者需要在現(xiàn)階段有意識對系統(tǒng)重要銀行的規(guī)模、關(guān)聯(lián)度、復(fù)雜性及跨地區(qū)活躍度進行限制，并時刻注意這些銀行是否存在道德風(fēng)險。同時也要密切關(guān)注系統(tǒng)重要銀行的流動性覆蓋率和流動性比率，判斷其是否有足夠的能力吸收可能性損失，同時進一步推進系統(tǒng)重要銀行風(fēng)險管理小組的成立，并對其運轉(zhuǎn)狀況做更多披露。分別在事前、事中、事后等不同層次采取相應(yīng)措施，防范系統(tǒng)性風(fēng)險的發(fā)生。

參考文獻

[1]卜林, 李政. 我國上市金融機構(gòu)系統(tǒng)性風(fēng)險溢出研究——基于CoVaR和MES的比較分析[J]. 當(dāng)代財經(jīng), 2015(6):55-65.

[2]沈悅, 戴世偉, 羅希. 中國金融業(yè)系統(tǒng)性風(fēng)險溢出效應(yīng)測度——基于GARCH-Copula-CoVaR模型的研究[J]. 當(dāng)代經(jīng)濟科學(xué), 2014, 36(6):30-38.

[3]徐映梅, 徐璐. 中國金融業(yè)跨市場風(fēng)險測度與分析——基于GARCH-Copula-CoVaR模型[J]. 統(tǒng)計與信息論壇, 2015,30(4):28-32.

[4]Adrian T, Brunnermeier M K. CoVaR [R]. New York: NBER Working Paper, 2011.

[5]周強,楊柳勇. 論中國系統(tǒng)重要性銀行識別——市場模型法還是指標法[J]. 國際金融研究, 2014 (9): 70-79.

[6]李志輝, 樊莉. 中國商業(yè)銀行系統(tǒng)性風(fēng)險溢價實證研究[J]. 當(dāng)代經(jīng)濟科學(xué), 2011, 33(6):12-20.

[7]Castro C, Ferrari S. Measuring and Testing for the Systemically Important Financial Institutions[J]. Journal of Empirical Finance, 2014,25(3):1-14.

[8]陳守東, 王妍. 我國金融機構(gòu)的系統(tǒng)性金融風(fēng)險評估——基于極端分位數(shù)回歸技術(shù)的風(fēng)險度量[J].中國管理科學(xué), 2014, 22(7): 10-17.

[9]Girardi G, Ergun T. Systemic Risk Measurement: Multivariate GARCH Estimation of CoVaR[J]. Journal of Banking and Finance, 2013,37(8): 3 169-3 180.

[10]Reboredo J C, Ugolini A. Systemic Risk in European Sovereign Debt Markets: A CoVaR-Copula Approach[J]. Journal of International Money and Finance, 2015,51(12):214-244.

[11]Sklar A. Functions de Repartition and Dimensions et Lears Marges[J]. Publications de I’Institut Statistique de I’Universite’de Paris. 1959,32(1): 229-231.

[12]吳海龍, 方兆本,朱俊鵬. 基于R-Vine Copula方法的投資組合風(fēng)險分析[J]. 投資研究, 2013, 32(10): 98-107.

[13]Yan J. Enjoy the Joy of Copulas: With a Package Copula [J]. Journal of Statistical Software, 2007, 21(4): 1-21.

責(zé)任編輯王麗英

Risk Spillover of China’s Listed Commercial Banks and Macroprudential Implications

ZHANG Tian-ding, ZHANG Yu

(Economics and Management School, Wuhan University, Wuhan 430072, China)

Key words：risk spillover; systemic risk; Systemic Important Financial Institutions (SIFI); GARCH- Copula-CoVaR

Abstract：With the development of financial liberalization, financial system plays an important role in risk diversification and funding liquidity, while at the same time accelerates risk contagion and spillover. This paper makes use of the daily close price of the 16 listed commercial banks to estimate their risk spillover based on GARCH-Copula-CoVaR model. Compared to using single Copula, Mixed Copula have advantages in capturing the correlation between individual financial institution and the financial system under different circumstances. The results show that in the cross sectional analysis, the big four state-owned banks are systemic important in China’s banking system, meanwhile some joint-stock commercial banks such as China Minsheng Bank, China CITIC bank and the Bank of Communications are relatively systemic important, and thus the regulators’ high attention should be paid to these facts. In a time series view, the systemic risk of banking sector arises with the volatility of China’s stock market when entering 2015, which calls for regulators proposing corresponding policies to mitigate systemic risk. All these conclusions provide empirical support for China Banking Regulatory Commission to make macroprudential policies.

收稿日期：2016-03-27

基金項目：國家自然科學(xué)基金項目(71203168)；國家社科基金重大項目(15ZDC020)。

作者簡介：張?zhí)祉?，男，武漢大學(xué)經(jīng)濟與管理學(xué)院副教授，主要從事國際宏觀經(jīng)濟與金融研究；張宇，男，武漢大學(xué)經(jīng)濟與管理學(xué)院碩士生，主要從事金融市場系統(tǒng)性風(fēng)險研究。

中圖分類號：F832.33

文獻標識碼：A

文章編號：1005-1007-(2016)07-0080-12