任英華，劉 洋，彭慶雪，湯季蓉

(湖南大學(xué) 金融與統(tǒng)計(jì)學(xué)院，湖南 長(zhǎng)沙 410006)

一 引言及文獻(xiàn)綜述

受全球新冠肺炎疫情沖擊，2020年3月9日至3月18日美股市場(chǎng)4次觸發(fā)“熔斷”，創(chuàng)下1987年“黑色星期一”以來(lái)的最大單日跌幅，歐美發(fā)達(dá)國(guó)家實(shí)體經(jīng)濟(jì)惡化，金融環(huán)境出現(xiàn)動(dòng)蕩。由于金融機(jī)構(gòu)之間通過(guò)業(yè)務(wù)和產(chǎn)品相互關(guān)聯(lián)，部分金融機(jī)構(gòu)的個(gè)體風(fēng)險(xiǎn)容易“傳染”給其他機(jī)構(gòu)甚至整個(gè)行業(yè)，如果不能有效挽救一個(gè)公司的財(cái)務(wù)危機(jī)，債務(wù)將蔓延整個(gè)金融和實(shí)體經(jīng)濟(jì)。因此，正確認(rèn)識(shí)當(dāng)前金融體系中的系統(tǒng)性金融風(fēng)險(xiǎn)，分析風(fēng)險(xiǎn)信息的傳導(dǎo)特征對(duì)金融機(jī)構(gòu)自身運(yùn)營(yíng)和宏觀審慎監(jiān)管具有重要的理論價(jià)值與現(xiàn)實(shí)意義。

在系統(tǒng)性風(fēng)險(xiǎn)的測(cè)度上，從傳統(tǒng)的VaR(Value at Risk)風(fēng)險(xiǎn)價(jià)值到條件風(fēng)險(xiǎn)價(jià)值(CoVaR)，再到邊際期望損失，它們都有較大貢獻(xiàn)。VaR是根據(jù)置信水平對(duì)應(yīng)的收益率尾部分位點(diǎn)來(lái)估計(jì)持有期內(nèi)的最大損失。VaR盡管計(jì)算簡(jiǎn)便，但不具有次可加性，可能會(huì)高估組合資產(chǎn)的風(fēng)險(xiǎn)。Adrian和Brunnermeier提出了條件風(fēng)險(xiǎn)價(jià)值，即金融系統(tǒng)在機(jī)構(gòu)陷入困境時(shí)的風(fēng)險(xiǎn)價(jià)值，其將一個(gè)機(jī)構(gòu)對(duì)系統(tǒng)風(fēng)險(xiǎn)的貢獻(xiàn)ΔCoVaR定義為處于困境和中間兩種狀態(tài)的CoVaR差值[1-2]。Acharya 等人在預(yù)期損失(ES)的基礎(chǔ)上，提出系統(tǒng)性期望損失(SES)和邊際期望損失(MES)來(lái)度量系統(tǒng)性風(fēng)險(xiǎn)[3-4]。

進(jìn)一步地，Acharya 等人給出資本損失(CS)的概念，在此基礎(chǔ)上提出SRISK模型并推導(dǎo)出理論公式[5]。SRISK模型度量的是一個(gè)金融體系在發(fā)生系統(tǒng)性危機(jī)事件條件下的預(yù)期資本缺口。這種方法綜合了金融機(jī)構(gòu)的負(fù)債、資本，以及金融機(jī)構(gòu)和市場(chǎng)整體的動(dòng)態(tài)關(guān)聯(lián)性，在模擬發(fā)生危機(jī)的情況下，對(duì)救助金融系統(tǒng)必須提供的資本總額進(jìn)行了估計(jì)，受到國(guó)內(nèi)外學(xué)者的關(guān)注。例如，Brownless和Engel基于美國(guó)市場(chǎng)數(shù)據(jù)對(duì)SRISK進(jìn)行了數(shù)值計(jì)算和分析，證實(shí)了SRISK能通過(guò)排序來(lái)確立系統(tǒng)性金融機(jī)構(gòu)，并且SRISK總量有助于預(yù)測(cè)工業(yè)產(chǎn)量和失業(yè)率，能夠?yàn)閷?shí)際經(jīng)濟(jì)活動(dòng)提供危險(xiǎn)的早期預(yù)警信號(hào)[6]。但陳湘鵬指出，國(guó)內(nèi)部分研究在計(jì)算SRISK中間變量LRMES時(shí)直接套用Acharya et al.基于美國(guó)市場(chǎng)所提出的近似關(guān)系“LRMES=1-exp(-18*MES)”[7]，如梁琪等[8]、朱衡等[9]，這與中國(guó)實(shí)際可能相偏離。此外，在定義系統(tǒng)性危機(jī)事件時(shí)，國(guó)內(nèi)研究中缺少相應(yīng)討論，各自選取的標(biāo)準(zhǔn)不盡相同，如“h=120天，C=-30%”(周強(qiáng)和楊柳勇[10])、“h=3個(gè)月，C=-30%”(史永東等[11])、“h=6個(gè)月，C=-40%”(剛健華等[12])、“h=57天，C=-20%”(張琳等[13])，這說(shuō)明目前國(guó)內(nèi)對(duì)SRISK的研究不夠重視中美金融市場(chǎng)可能存在的差異性，因此有必要結(jié)合中國(guó)實(shí)際來(lái)定義系統(tǒng)性危機(jī)事件。

在分析風(fēng)險(xiǎn)溢出效應(yīng)方面，網(wǎng)絡(luò)分析法(network analysis)作為一種交叉學(xué)科的技術(shù)，正廣泛應(yīng)用于金融經(jīng)濟(jì)系統(tǒng)的內(nèi)在關(guān)聯(lián)分析。針對(duì)金融市場(chǎng)間關(guān)聯(lián)性，王雯等以國(guó)際市場(chǎng)指數(shù)收益率的Kendall’s tau相關(guān)系數(shù)和5個(gè)金融子市場(chǎng)的動(dòng)態(tài)相關(guān)系數(shù)作為信息源，構(gòu)建了跨境、跨市場(chǎng)的關(guān)聯(lián)網(wǎng)絡(luò)，研究表明全球金融市場(chǎng)的聯(lián)動(dòng)存在顯著的時(shí)變特征，大宗商品市場(chǎng)、黃金市場(chǎng)、外匯市場(chǎng)與股票市場(chǎng)間存在單向或雙向傳導(dǎo)關(guān)系[14]。針對(duì)金融部門(mén)風(fēng)險(xiǎn)溢出問(wèn)題，李政等構(gòu)建了40家上市金融機(jī)構(gòu)的股票收益率關(guān)聯(lián)網(wǎng)絡(luò)，結(jié)果顯示金融機(jī)構(gòu)在危機(jī)期間的信息溢出效應(yīng)強(qiáng)、關(guān)聯(lián)程度高，且自2012年后總體關(guān)聯(lián)性呈上升趨勢(shì)[15]。Wang等人使用擴(kuò)展的CAViaR風(fēng)險(xiǎn)度量模型建立美國(guó)標(biāo)普500指數(shù)中84家金融類(lèi)成分股的風(fēng)險(xiǎn)網(wǎng)絡(luò)，分析表明房地產(chǎn)和銀行是極端市場(chǎng)風(fēng)險(xiǎn)的凈傳播者，而保險(xiǎn)和多元化金融是凈接受者[16]。楊子暉等以金融業(yè)和房地產(chǎn)業(yè)中市值前56名的上市公司作為樣本，分別使用VaR、MES、CoVaR和ΔCoVaR建立極端風(fēng)險(xiǎn)傳染網(wǎng)絡(luò)，證實(shí)了中國(guó)資本市場(chǎng)呈現(xiàn)出顯著的跨部門(mén)風(fēng)險(xiǎn)溢出效應(yīng)[17]。李政等使用ΔCoVaR和LASSO分位數(shù)回歸模型來(lái)構(gòu)建31家金融機(jī)構(gòu)的關(guān)聯(lián)網(wǎng)絡(luò)，研究顯示不同金融行業(yè)之間，以及不同類(lèi)型的銀行之間風(fēng)險(xiǎn)傳染水平具有不對(duì)稱(chēng)性[18]。任英華等基于熵權(quán)法和萬(wàn)有引力模型構(gòu)建銀行流動(dòng)性風(fēng)險(xiǎn)網(wǎng)絡(luò)，研究表明商業(yè)銀行流動(dòng)性風(fēng)險(xiǎn)傳染機(jī)制具有層次傳染和反傳染性[19]。由此可見(jiàn)，伴隨著金融創(chuàng)新及金融業(yè)混業(yè)經(jīng)營(yíng)態(tài)勢(shì)的不斷發(fā)展，金融機(jī)構(gòu)間的業(yè)務(wù)范疇相互滲透，關(guān)聯(lián)日益緊密，這使風(fēng)險(xiǎn)在機(jī)構(gòu)間更容易相互傳染，“太大而不能倒”的觀念正轉(zhuǎn)為“聯(lián)系密切而不能倒”。

綜上所述，現(xiàn)有風(fēng)險(xiǎn)度量模型大多僅僅依賴(lài)金融市場(chǎng)收益率數(shù)據(jù)，風(fēng)險(xiǎn)信息源比較單一，缺乏和金融機(jī)構(gòu)自身經(jīng)營(yíng)直接相關(guān)的負(fù)債、權(quán)益等基本面信息，不利于全面、綜合的度量風(fēng)險(xiǎn)源。同時(shí)，如果將MES或ΔCoVaR作為系統(tǒng)性金融風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)，會(huì)使市值規(guī)模極小的金融機(jī)構(gòu)得到更多關(guān)注，這與審慎監(jiān)管實(shí)務(wù)存在嚴(yán)重背離(陳湘鵬等，2019)，而SRISK綜合規(guī)模、杠桿率和互聯(lián)緊密性，恰好能彌補(bǔ)這些不足。鑒于此，本文以銀行、多元金融(1)根據(jù)全球行業(yè)分類(lèi)標(biāo)準(zhǔn)(Global Industry Classification Standard, GICS)，多元金融涵蓋從事綜合金融服務(wù)、消費(fèi)信貸和資本市場(chǎng)等業(yè)務(wù)的機(jī)構(gòu)。、保險(xiǎn)和房地產(chǎn)四部門(mén)作為大金融業(yè)的主體，在對(duì)比中美金融市場(chǎng)收益率分布和尾部特征基礎(chǔ)上，明晰中國(guó)市場(chǎng)環(huán)境下危機(jī)性事件的定義，采用Brownlees和Engle(2017)的SRISK模型測(cè)度2009-2019年我國(guó)銀行、多元金融、保險(xiǎn)和房地產(chǎn)四部門(mén)共計(jì)240家上市公司的系統(tǒng)性金融風(fēng)險(xiǎn)，并將其作為風(fēng)險(xiǎn)網(wǎng)絡(luò)的信息源，分機(jī)構(gòu)、分部門(mén)剖析風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)特征。本文的貢獻(xiàn)主要有以下兩點(diǎn)：一是在分析中美收益率分布特征的基礎(chǔ)上，結(jié)合核密度估計(jì)來(lái)定義符合中國(guó)實(shí)際的危機(jī)事件，據(jù)此建立SRISK模型，對(duì)由銀行、多元金融、保險(xiǎn)和房地產(chǎn)四部門(mén)共計(jì)240家上市公司組成的大金融業(yè)2009-2019年的系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行測(cè)度和分析。二是針對(duì)傳統(tǒng)格蘭杰因果檢驗(yàn)在構(gòu)建風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)時(shí)只能識(shí)別信息影響的有無(wú)，而未能區(qū)分信息影響同向還是異向的不足，應(yīng)用有向格蘭杰因果檢驗(yàn)，并基于SRISK建立反映金融機(jī)構(gòu)之間風(fēng)險(xiǎn)信息正、負(fù)影響的有向網(wǎng)絡(luò)，分析風(fēng)險(xiǎn)信息的溢出效應(yīng)，有助于更有效地監(jiān)控和預(yù)警系統(tǒng)性金融風(fēng)險(xiǎn)。

二 模型設(shè)定和研究方法

(一)SRISK模型構(gòu)建

1.SRISK理論

SRISK可視為企業(yè)債務(wù)、權(quán)益資本和預(yù)期資本損失率的函數(shù)。預(yù)期資本損失率是由市場(chǎng)在發(fā)生危機(jī)事件時(shí)下跌幅度和機(jī)構(gòu)與市場(chǎng)之間的關(guān)聯(lián)性所決定，被定義為長(zhǎng)期邊際預(yù)期損失(Long Run Marginal Expected Shortfall, LRMES)。SRISK數(shù)值由企業(yè)資產(chǎn)負(fù)債表信息和適當(dāng)?shù)腖RMES估計(jì)值計(jì)算得到。

SRISK使用預(yù)期資本缺口來(lái)度量金融風(fēng)險(xiǎn)，而資本缺口的大小反映金融機(jī)構(gòu)的財(cái)務(wù)困境狀況，用公司必需持有的資本儲(chǔ)備減去公司的權(quán)益價(jià)值，資本缺口CSi,t定義為：

CSi,t=k·Ai,t-Wi,t=k·Di,t-(1-k)·Wi，t

(1)

其中，Ai,t為準(zhǔn)資產(chǎn)價(jià)值；Wi,t表示權(quán)益的賬面價(jià)值；Di,t是債務(wù)的賬面價(jià)值；由于各子行業(yè)的審慎資本比例k理論上不同，如果將k設(shè)置為相同的，會(huì)導(dǎo)致各子行業(yè)橫向?qū)Ρ葧r(shí)產(chǎn)生偏差。本文參照《商業(yè)銀行資本管理辦法(試行)》(2)詳見(jiàn)銀保監(jiān)會(huì)網(wǎng)站http://www.cbirc.gov.cn/cn/view/pages/ItemDetail.html?docId=13077&itemId=915&generaltype=0。，將銀行業(yè)設(shè)置為11.5%；依據(jù)證監(jiān)會(huì)《證券公司風(fēng)險(xiǎn)控制指標(biāo)管理辦法》及配套規(guī)則公開(kāi)征求意見(jiàn)(3)詳見(jiàn)證監(jiān)會(huì)網(wǎng)站http://www.csrc.gov.cn/pub/newsite/zjhxwfb/xwdd/201604/t20160408_295570.html。，將多元金融設(shè)置為16.7%；由于保險(xiǎn)業(yè)沒(méi)有具體的風(fēng)險(xiǎn)監(jiān)管辦法，但保險(xiǎn)公司通常設(shè)置資產(chǎn)管理公司從事保險(xiǎn)資產(chǎn)管理業(yè)務(wù)，根據(jù)《金融資產(chǎn)管理公司監(jiān)管辦法》(4)詳見(jiàn)銀保監(jiān)會(huì)網(wǎng)站http://www.cbirc.gov.cn/cn/view/pages/ItemDetail.html?docId=60708&itemId=928&generaltype=0。，設(shè)置為12.5%；房地產(chǎn)業(yè)也沒(méi)有相應(yīng)的審慎資本監(jiān)管方案，借鑒陳湘鵬等(2019)的方式設(shè)置為20%。

SRISK模型估計(jì)時(shí)需重點(diǎn)關(guān)注金融體系在發(fā)生系統(tǒng)性事件時(shí)的預(yù)期資本缺口。Acharya 等(2010，2017)對(duì)系統(tǒng)性危機(jī)事件給出了一個(gè)定義，即在時(shí)間段h內(nèi)市場(chǎng)收益率下跌的幅度超過(guò)閾值C。本文將立足中國(guó)實(shí)際，在對(duì)比中美市場(chǎng)的基礎(chǔ)上具體取值。將t+1和t+h之間的離散型市場(chǎng)總收益率表示為Rm,t+1：t+h,系統(tǒng)性危機(jī)事件就可以表示為{Rm,t+1:t+h

SRISKi,t=E(CSi,t|Rm,t+1:t+h

(2)

單個(gè)機(jī)構(gòu)自身縱向比較或者機(jī)構(gòu)之間橫向?qū)Ρ葧r(shí)，可以采用原始的SRISK數(shù)值進(jìn)行比較，而在計(jì)算部門(mén)或整個(gè)金融體系風(fēng)險(xiǎn)總量時(shí)，單個(gè)機(jī)構(gòu)的SRISK數(shù)值需要根據(jù)公式(3)進(jìn)行截?cái)嗵幚?，這是因?yàn)槿绻硞€(gè)金融機(jī)構(gòu)的SRISK為負(fù)，盡管其本身處于資本盈余狀態(tài)，但在危機(jī)當(dāng)中難以迅速地通過(guò)并購(gòu)或貸款調(diào)動(dòng)過(guò)剩資本，盈余的資本不一定可以用來(lái)直接幫助其他陷入困境中的機(jī)構(gòu)。

(SRISKi,t)+=max{k·Di,t-(1-k)·Wi,t·(1-LRMESi,t),0}

(3)

(SRISKi,t)+具備可加性，整個(gè)金融體系在t時(shí)刻的系統(tǒng)性風(fēng)險(xiǎn)可以用式(4)度量：

(4)

而金融機(jī)構(gòu)i對(duì)系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)率則表示為：

(5)

2.SRISK估計(jì)步驟

在計(jì)算SRISK時(shí)，首先需要得到LRMES的預(yù)測(cè)值，由于LRMES受市場(chǎng)內(nèi)外部環(huán)境影響較大，其規(guī)律可能隨時(shí)間而改變，無(wú)論是“LRMES=1-exp(-18*MES)”經(jīng)驗(yàn)公式法還是陳湘鵬等(2019)采用的靜態(tài)二元正態(tài)分布法，它們的穩(wěn)健性都難以保證。因此，本文將采用MVGARCH-DCC-蒙特卡羅模擬的組合法實(shí)現(xiàn)。

(1)GARCH-DCC模型的估計(jì)

首先引入機(jī)構(gòu)i與市場(chǎng)存在關(guān)聯(lián)的連續(xù)型日收益率二元隨機(jī)過(guò)程[20]：

rm,t=σm,t·εm,t

(6)

(εm,t,ξi,t)～F

由于GARCH模型能夠刻畫(huà)金融時(shí)間序列的波動(dòng)聚集性和異方差性[21]，考慮到模型的經(jīng)濟(jì)性原則，使用標(biāo)準(zhǔn)的MVGARCH(1,1)對(duì)波動(dòng)率進(jìn)行建模：

(7)

為測(cè)度機(jī)構(gòu)i對(duì)市場(chǎng)的時(shí)變依賴(lài)關(guān)系，利用動(dòng)態(tài)波動(dòng)率調(diào)整后的標(biāo)準(zhǔn)化殘差ξi,t=ri,t/σi,t和εm,t=rm,t/σm,t建立DCC動(dòng)態(tài)相關(guān)系數(shù)模型[22]進(jìn)行估計(jì)。

(8)

其中，Qi,t是偽相關(guān)矩陣，Si為企業(yè)與市場(chǎng)調(diào)整收益的無(wú)條件相關(guān)矩陣，DCC模型根據(jù)式(9)進(jìn)行兩步QML估計(jì)[23]：

(9)

(2)LRMES的估計(jì)

(10)

最終將各機(jī)構(gòu)的LRMES代入公式(2)即可求得各報(bào)告期的SRISK數(shù)值。

(二)基于SRISK的風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)構(gòu)建

1.有向格蘭杰因果檢驗(yàn)

格蘭杰因果檢驗(yàn)是Granger于1980年提出的一種基于“預(yù)測(cè)”的因果關(guān)系統(tǒng)計(jì)檢驗(yàn)[24]，在金融計(jì)量經(jīng)濟(jì)學(xué)領(lǐng)域得到廣泛的應(yīng)用。對(duì)于機(jī)構(gòu)i而言，如果引入機(jī)構(gòu)j的風(fēng)險(xiǎn)滯后信息，能提高對(duì)機(jī)構(gòu)i風(fēng)險(xiǎn)信息的預(yù)測(cè)能力，則稱(chēng)機(jī)構(gòu)j是機(jī)構(gòu)i基于格蘭杰因果關(guān)系的風(fēng)險(xiǎn)信息發(fā)出者。但單純的格蘭杰因果檢驗(yàn)無(wú)法辨別傳遞的信息會(huì)造成信息接收者同向變動(dòng)還是異向變動(dòng)，因此，本文對(duì)格蘭杰因果檢驗(yàn)進(jìn)行擴(kuò)展，從而更加清晰地辨別網(wǎng)絡(luò)中信息影響的方向。

(11)

2.SRISK風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)

本文以SRISK作為風(fēng)險(xiǎn)傳導(dǎo)的信息源建立風(fēng)險(xiǎn)網(wǎng)絡(luò)。每層網(wǎng)絡(luò)根據(jù)信息變動(dòng)影響的方向分為正向網(wǎng)絡(luò)和負(fù)向網(wǎng)絡(luò)。設(shè)G(V,E)為SRISK風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)，其中V={1,2,…,N}為節(jié)點(diǎn)集，每個(gè)節(jié)點(diǎn)代表一家金融機(jī)構(gòu)，E為邊集，一個(gè)有向邊是風(fēng)險(xiǎn)信息從一個(gè)金融機(jī)構(gòu)到另一個(gè)金融機(jī)構(gòu)的有向格蘭杰因果連接。對(duì)任意兩個(gè)不同金融機(jī)構(gòu)i,j∈V，如果i向j傳遞了風(fēng)險(xiǎn)信息，就從i到j(luò)連接一條有向邊i→j。E是所有i和j的有向二元鄰接矩陣，用示性函數(shù)表示為：

(12)

3.網(wǎng)絡(luò)分析指標(biāo)

為了從微觀和宏觀兩個(gè)方面反映SRISK風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)的拓?fù)涮卣?，本文引入機(jī)構(gòu)和部門(mén)兩個(gè)層次的統(tǒng)計(jì)量來(lái)度量網(wǎng)絡(luò)連通性。

(1)機(jī)構(gòu)層次

節(jié)點(diǎn)的度(node degree)表示節(jié)點(diǎn)連接的數(shù)目，在風(fēng)險(xiǎn)信息網(wǎng)絡(luò)中，機(jī)構(gòu)i的出度(out-degree)定義為從機(jī)構(gòu)i出發(fā)連接其他所有機(jī)構(gòu)的有向邊個(gè)數(shù)。一個(gè)機(jī)構(gòu)的出度越高，代表其在風(fēng)險(xiǎn)信息發(fā)出者的角色上更加活躍，對(duì)其他機(jī)構(gòu)的影響更大。

(13)

相反，機(jī)構(gòu)i的入度(in-degree)則定義為從其他所有機(jī)構(gòu)出發(fā)連接機(jī)構(gòu)i的有向邊個(gè)數(shù)。入度越高，代表更容易遭受到風(fēng)險(xiǎn)信息的影響。

(14)

為了衡量機(jī)構(gòu)風(fēng)險(xiǎn)信息的凈影響程度，引入機(jī)構(gòu)的相對(duì)影響(relative influence)，Wang 等(2017)采用的是出入度之差比出入度之和的形式，但如果出度或入度為0，這種計(jì)算方法會(huì)導(dǎo)致指標(biāo)結(jié)果失真或者無(wú)意義，本文直接采用出度減去入度來(lái)衡量節(jié)點(diǎn)關(guān)系導(dǎo)向的相對(duì)影響。機(jī)構(gòu)i的相對(duì)影響越大(越小)，代表機(jī)構(gòu)i對(duì)其他機(jī)構(gòu)的影響程度比其他機(jī)構(gòu)對(duì)機(jī)構(gòu)i的影響程度大(小)。

(15)

(2)部門(mén)層次

為了單獨(dú)測(cè)度四個(gè)部門(mén)之間的風(fēng)險(xiǎn)信息傳導(dǎo)關(guān)系，引入從部門(mén)m到部門(mén)n或其本身的部門(mén)度(sector degree)統(tǒng)計(jì)量。因?yàn)橐圆块T(mén)為單位綜合了所屬數(shù)目不等的機(jī)構(gòu)，為便于對(duì)比，需要根據(jù)機(jī)構(gòu)數(shù)進(jìn)行標(biāo)準(zhǔn)化處理。

(16)

其中，m和n∈E{銀行，多元金融，保險(xiǎn)，房地產(chǎn)}，Nm和Nn是屬于部門(mén)m和n的機(jī)構(gòu)數(shù)量，i|m(j|n)代表金融機(jī)構(gòu)i(j)屬于金融部門(mén)m(n)。部門(mén)度衡量的是風(fēng)險(xiǎn)信息從一個(gè)部門(mén)傳導(dǎo)到另一個(gè)部門(mén)或到其自身的程度。

類(lèi)似機(jī)構(gòu)出度和入度的定義，部門(mén)m的出度定義為屬于m部門(mén)的所有機(jī)構(gòu)向其他部門(mén)所有機(jī)構(gòu)的有向邊數(shù)總和。

(17)

部門(mén)m的入度則是屬于其他部門(mén)的全部機(jī)構(gòu)到屬于部門(mén)m全部機(jī)構(gòu)的有向邊數(shù)和。

(18)

同理可得，部門(mén)m的相對(duì)影響用部門(mén)出度和部門(mén)入度表示為：

(19)

結(jié)合以上兩個(gè)層次的統(tǒng)計(jì)量，就能夠更細(xì)致地對(duì)風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)中節(jié)點(diǎn)的信息進(jìn)行分析。

三 樣本及數(shù)據(jù)

(一)樣本選取

為了保持結(jié)果在國(guó)際范圍具有可比性，依據(jù)全球行業(yè)分類(lèi)標(biāo)準(zhǔn)，金融行業(yè)細(xì)分為四個(gè)GICS行業(yè)集團(tuán)，即銀行(GICS代碼4010)、多元金融(GICS代碼4020)、保險(xiǎn)(GICS代碼4030)和房地產(chǎn)(GICS代碼4040)。樣本由36家商業(yè)銀行、66家多元金融機(jī)構(gòu)、7家保險(xiǎn)公司和131家房地產(chǎn)公司組成。由于滬深300指數(shù)從滬深兩市選取規(guī)模大和流動(dòng)性強(qiáng)的公司作為成分股，具備作為基準(zhǔn)指數(shù)的穩(wěn)定性和代表性，能夠綜合反映中國(guó)金融市場(chǎng)的運(yùn)行情況，因此本文將滬深300指數(shù)作為中國(guó)市場(chǎng)的基準(zhǔn)指數(shù)。在對(duì)比分析中美市場(chǎng)特征時(shí)，因?yàn)闃?biāo)普500指數(shù)涵蓋美國(guó)主要金融業(yè)公司，而且采樣面廣、代表性強(qiáng)，故選取標(biāo)普500指數(shù)代表美國(guó)市場(chǎng)。

(二)數(shù)據(jù)說(shuō)明

從東方財(cái)富Choice和同花順iFinD金融數(shù)據(jù)終端獲取基本面數(shù)據(jù)和市場(chǎng)數(shù)據(jù)。計(jì)算SRISK所需的公司負(fù)債和權(quán)益信息，以最具代表性的年報(bào)為準(zhǔn)，基于2009-2019年最近11年的數(shù)據(jù)進(jìn)行測(cè)算和分析。為了更好地汲取金融市場(chǎng)信息，市場(chǎng)的數(shù)據(jù)時(shí)間跨度為2002年初至2020年3月13日，總共4413個(gè)交易日數(shù)據(jù)，并將金融機(jī)構(gòu)i在第t天的連續(xù)型日收益率表示為ri,t=ln(Pi,t/Pi,t-1)，其中Pi,t為金融機(jī)構(gòu)i在第t天的日收盤(pán)價(jià)，市場(chǎng)基準(zhǔn)指數(shù)處理方式亦然。

四 實(shí)證結(jié)果與分析

(一)中國(guó)系統(tǒng)性危機(jī)事件定義

正如文獻(xiàn)綜述中所討論的，中美金融市場(chǎng)從歷史背景、制度、市場(chǎng)效率上都存在較大差異，諸如中國(guó)市場(chǎng)采取的是漲跌幅限制，而美國(guó)市場(chǎng)采用的是無(wú)漲跌幅限制同時(shí)實(shí)行熔斷機(jī)制等，因此在測(cè)算SRISK過(guò)程中，對(duì)系統(tǒng)性危機(jī)事件定義直接套用基于美國(guó)市場(chǎng)的文獻(xiàn)結(jié)論難免顯得稍欠妥當(dāng)。出此考慮，本文以Brownlees和Engle(2012，2017)兩個(gè)系統(tǒng)性危機(jī)事件定義方式“h=6個(gè)月，C=-40%”和“h=1個(gè)月，C=-10%”中的時(shí)間跨度為基準(zhǔn)，即分別在h=132天和h=22天兩種尺度下，使用區(qū)間收益率Rt+1:t+132和Rt+1:t+22分析中美市場(chǎng)的數(shù)理特征，進(jìn)而歸納出符合中國(guó)實(shí)際的危機(jī)事件定義。

經(jīng)過(guò)測(cè)算(6)篇幅所限，描述性統(tǒng)計(jì)和分布一致性檢驗(yàn)結(jié)果的報(bào)告從簡(jiǎn)，留存?zhèn)渌?。，h=22天和h=132天時(shí)，中國(guó)市場(chǎng)區(qū)間收益率的均值和標(biāo)準(zhǔn)差都大于美國(guó)市場(chǎng)。美國(guó)市場(chǎng)呈現(xiàn)左偏尖鋒分布，而中國(guó)市場(chǎng)則為右偏分布。Jarque-Bera檢驗(yàn)結(jié)果進(jìn)一步驗(yàn)證中美市場(chǎng)均不服從正態(tài)分布。采用非參數(shù)方法的Kolmogorov-Smirnov分布一致性檢驗(yàn)，h=22天和h=132天對(duì)應(yīng)的統(tǒng)計(jì)量分別為0.16424和0.25942，P值均為0，說(shuō)明中美市場(chǎng)的分布不同。由于中美市場(chǎng)長(zhǎng)、短區(qū)間的收益率分布均存在顯著差異，因此不能簡(jiǎn)單地套用基于美國(guó)市場(chǎng)的文獻(xiàn)結(jié)論來(lái)定義中國(guó)市場(chǎng)的系統(tǒng)性危機(jī)事件，需要進(jìn)一步辨析。

為分析系統(tǒng)性危機(jī)事件的定義方式，采用核密度估計(jì)方法繪制中美兩個(gè)市場(chǎng)的區(qū)間收益率分布圖。核密度估計(jì)無(wú)需對(duì)分布事先進(jìn)行假定，更加適應(yīng)來(lái)自未知分布的實(shí)際數(shù)據(jù)。核密度方法估計(jì)收益率的概率分布為：

(20)

由圖1可見(jiàn)，中美市場(chǎng)的分布均呈現(xiàn)一定的尖峰有偏現(xiàn)象，和正態(tài)分布有所差別。結(jié)合表1和表2，中美市場(chǎng)的整體分布情況確實(shí)存在一定差異。根據(jù)Brownlees和Engle(2012，2017)的閾值C定義方式，反推出區(qū)間收益率對(duì)應(yīng)的分位點(diǎn)，基于此分位點(diǎn)估計(jì)得到我國(guó)相應(yīng)的閾值。通過(guò)核密度曲線(xiàn)進(jìn)行測(cè)算，本文推測(cè)出美國(guó)市場(chǎng)在h=22天時(shí)定義的閾值C=-10%約處于0.4分位點(diǎn)(7)為了排除數(shù)據(jù)長(zhǎng)度的影響，本文也選取了標(biāo)普500指數(shù)從1988年1月4日至2020年3月14日的數(shù)據(jù)進(jìn)行同樣的分析，結(jié)果相差不大(閾值C=-10%對(duì)應(yīng)的分位點(diǎn)為0.38)。，而在h=132天時(shí)定義的閾值C=-40%約處于0.1分位點(diǎn)。基于此分位點(diǎn)估計(jì)得到中國(guó)市場(chǎng)在h=22天時(shí)閾值為-4.3514%，h=132天時(shí)閾值為-40.1957%。

圖1 中美市場(chǎng)的區(qū)間收益率核密度估計(jì)

區(qū)間收益率分位點(diǎn)反映了收益率低于閾值的概率大小，換言之，也就是反映發(fā)生系統(tǒng)性危機(jī)事件的概率大小。相較之下，“h=132天，C=-40%”的定義方式更加符合危機(jī)事件的極端損失，而“h=22天，C=-10%”定義方式高估了危機(jī)事件的發(fā)生概率。綜合以上分析，本文選取在h=132天時(shí)，滬深300指數(shù)區(qū)間收益率的0.1分位點(diǎn)作為閾值，C取-40%。需要說(shuō)明的是，滬深300和標(biāo)普500在h=132天時(shí)的0.1分位收益率非常接近，差異性沒(méi)有h=22天時(shí)明顯，但這并非表明中美市場(chǎng)整體沒(méi)有差異性。中國(guó)市場(chǎng)短期內(nèi)更容易受到政策干預(yù)的“托底”，并且受漲跌板的約束，而美國(guó)市場(chǎng)更加成熟。因此，中國(guó)短期極端損失沒(méi)有美國(guó)明顯，而中長(zhǎng)期來(lái)看，兩者的尾部損失接近，具有一定偶然性。以上分析過(guò)程也適用于其他國(guó)家和經(jīng)濟(jì)地區(qū)的系統(tǒng)性危機(jī)事件定義分析[26]。

(二)SRISK結(jié)果和排序分析

對(duì)每家機(jī)構(gòu)滾動(dòng)估計(jì)GARCH-DCC模型，在此基礎(chǔ)上進(jìn)行蒙特卡羅模擬，得到各機(jī)構(gòu)在各報(bào)告期時(shí)點(diǎn)上的LRMES。將各機(jī)構(gòu)的負(fù)債、權(quán)益和LRMES值代入公式(2)，算得系統(tǒng)性金融風(fēng)險(xiǎn)SRISK測(cè)度值，通過(guò)式(3)至式(5)即可得到SRISK總量和貢獻(xiàn)率SRISK%。

從部門(mén)整體來(lái)看(表1)，銀行業(yè)的系統(tǒng)性風(fēng)險(xiǎn)最強(qiáng)，這是由銀行業(yè)規(guī)模龐大和在經(jīng)營(yíng)時(shí)具有高負(fù)債率的特性所決定的。銀行與各金融行業(yè)關(guān)聯(lián)性強(qiáng)，與房地產(chǎn)、保險(xiǎn)、多元金融各部門(mén)都存在錯(cuò)綜復(fù)雜的關(guān)系，銀行發(fā)生危機(jī)更容易造成整個(gè)金融機(jī)構(gòu)的動(dòng)蕩。因此，銀行的系統(tǒng)性風(fēng)險(xiǎn)最強(qiáng)也符合實(shí)際，近11年來(lái)銀行SRISK百分比占比達(dá)到80%以上。

表1 2009年至2019年各部門(mén)SRISK%與SRISK值

與此同時(shí)，房地產(chǎn)和多元金融的系統(tǒng)性風(fēng)險(xiǎn)均有所增強(qiáng)，分別從2009年的0.75%和0.41%上升為2019年的7.60%和2.28%。特別是房地產(chǎn)，在2018年和2019年超越保險(xiǎn)成為系統(tǒng)性風(fēng)險(xiǎn)第二大的行業(yè)，這也符合我國(guó)近年來(lái)房地產(chǎn)業(yè)異常活躍的表現(xiàn)。房地產(chǎn)行業(yè)系統(tǒng)性風(fēng)險(xiǎn)產(chǎn)生不僅受?chē)?guó)內(nèi)政策影響，與國(guó)外經(jīng)濟(jì)形勢(shì)動(dòng)蕩同樣息息相關(guān)。同時(shí)，房地產(chǎn)行業(yè)是個(gè)資金密集型行業(yè)，一旦房地產(chǎn)行業(yè)在我國(guó)經(jīng)濟(jì)市場(chǎng)中表現(xiàn)活躍，其金融系統(tǒng)性風(fēng)險(xiǎn)就會(huì)變大。保險(xiǎn)部門(mén)以保險(xiǎn)風(fēng)險(xiǎn)為主，但是隨著近年來(lái)保險(xiǎn)市場(chǎng)與資本市場(chǎng)的融合，保險(xiǎn)行業(yè)的系統(tǒng)性風(fēng)險(xiǎn)仍然是上升的。保險(xiǎn)行業(yè)的系統(tǒng)風(fēng)險(xiǎn)占比自2012年起呈現(xiàn)明顯的上下波動(dòng)趨勢(shì)，從絕對(duì)量來(lái)看，保險(xiǎn)行業(yè)的SRISK值仍是小幅穩(wěn)步上升。多元金融因其規(guī)模在四大部門(mén)中較小，其SRISK%值并不穩(wěn)定，在一段時(shí)間內(nèi)呈現(xiàn)上下波動(dòng)的趨勢(shì)。從SRISK絕對(duì)值來(lái)看，隨著金融供給側(cè)改革的推進(jìn)，借助移動(dòng)互聯(lián)網(wǎng)的技術(shù)加持，傳統(tǒng)的多元金融商業(yè)模式的改變，多元金融與其他行業(yè)的聯(lián)系加強(qiáng)，其系統(tǒng)性風(fēng)險(xiǎn)也會(huì)增加。

從銀行來(lái)看(8)篇幅有限，各部門(mén)機(jī)構(gòu)的SRISK數(shù)值排序沒(méi)有詳細(xì)列出。，工、建、中、農(nóng)、交、郵這六個(gè)國(guó)有控股的大型商業(yè)銀行在近11年中，銀行業(yè)系統(tǒng)風(fēng)險(xiǎn)排名幾乎包攬前5。這六家銀行都是綜合性的大型商業(yè)銀行，規(guī)模巨大，在全國(guó)分布密集，業(yè)務(wù)涵蓋廣泛且多元，同時(shí)六大行之間業(yè)務(wù)往來(lái)密切。就目前來(lái)看，六大國(guó)有控股的商業(yè)銀行在我國(guó)金融機(jī)構(gòu)中占據(jù)主體地位。工商銀行憑借其資產(chǎn)規(guī)模、盈利能力、存貸款規(guī)模、信用卡發(fā)卡量、海外業(yè)務(wù)發(fā)展、資管業(yè)務(wù)規(guī)模等占據(jù)我國(guó)銀行業(yè)絕對(duì)的主體地位，這也使工商銀行在銀行業(yè)中的系統(tǒng)性風(fēng)險(xiǎn)最大。

多元金融行業(yè)在11年中風(fēng)險(xiǎn)排名前5的企業(yè)發(fā)生多次變動(dòng)。從2010年以來(lái)，中航資本、中油資本、中信證券、申萬(wàn)宏源、廣發(fā)證券這5家企業(yè)在多元金融行業(yè)中較為活躍。隨著申銀萬(wàn)國(guó)證券與宏源證券在2015年合并組建成申萬(wàn)宏源，越來(lái)越多的證券公司采用多種形式上市。自中油資本在2016年底完成資本重組借殼上市以來(lái)，中油資本逐漸在多元金融行業(yè)中占據(jù)風(fēng)險(xiǎn)主體地位，在全行業(yè)的SRISK值占比達(dá)到18.678%以上，最高達(dá)到25.578%。

中國(guó)平安是保險(xiǎn)業(yè)中風(fēng)險(xiǎn)最大的主體，中國(guó)平安一家公司的SRISK值占比超過(guò)全行業(yè)的50%。近年來(lái)，保險(xiǎn)行業(yè)各個(gè)公司系統(tǒng)性風(fēng)險(xiǎn)緩慢提高，這是因?yàn)殡S著保險(xiǎn)+科技的服務(wù)模式的推廣，打開(kāi)了新的銷(xiāo)售渠道，降低了經(jīng)營(yíng)成本，擴(kuò)大了保險(xiǎn)服務(wù)覆蓋面，但是新的服務(wù)模式使保險(xiǎn)公司與資本市場(chǎng)的聯(lián)系更加密切，債務(wù)風(fēng)險(xiǎn)加大，進(jìn)而使得公司系統(tǒng)性風(fēng)險(xiǎn)加大。

自2012年以來(lái)，我國(guó)房?jī)r(jià)開(kāi)始新一輪的上漲，金融資源向房地產(chǎn)集中致使房?jī)r(jià)上漲，而房?jī)r(jià)上漲又促使金融資源向房地產(chǎn)行業(yè)集中。盡管?chē)?guó)家進(jìn)行了一系列的政策調(diào)控，但房?jī)r(jià)仍未得到有效控制，這也使得房地產(chǎn)在2018年開(kāi)始成為系統(tǒng)性金融風(fēng)險(xiǎn)第二大的行業(yè)。從機(jī)構(gòu)層面來(lái)看，單個(gè)公司的系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)度相對(duì)較小，但仍要小心房地產(chǎn)行業(yè)風(fēng)險(xiǎn)可能帶來(lái)的系統(tǒng)性金融風(fēng)險(xiǎn)問(wèn)題。

(三)SRISK的風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)分析

SRISK和SRISK%分別從系統(tǒng)性金融風(fēng)險(xiǎn)總量測(cè)度和機(jī)構(gòu)(或部門(mén))對(duì)金融體系風(fēng)險(xiǎn)貢獻(xiàn)率的角度來(lái)分析系統(tǒng)性金融風(fēng)險(xiǎn)的結(jié)構(gòu)。為進(jìn)一步解析風(fēng)險(xiǎn)信息在機(jī)構(gòu)間和部門(mén)間是如何傳導(dǎo)的，本文使用有向格蘭杰因果檢驗(yàn)來(lái)建立風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)進(jìn)行分析。

1.機(jī)構(gòu)層面分析

圖2繪制了以SRISK作為風(fēng)險(xiǎn)信息源建立的有向網(wǎng)絡(luò)(9)本文也以SRISK的一階差分ΔSRISK構(gòu)建了短期風(fēng)險(xiǎn)網(wǎng)絡(luò)，限于篇幅并未在文章列出，但短期網(wǎng)絡(luò)和長(zhǎng)期網(wǎng)絡(luò)具有一定相似性，感興趣的讀者請(qǐng)向作者垂詢(xún)。，分為風(fēng)險(xiǎn)信息同方向影響和反方向影響的有向網(wǎng)絡(luò)。受限于模型估計(jì)的自由度，在構(gòu)建網(wǎng)絡(luò)時(shí)，只保留在各報(bào)告期均處于上市狀態(tài)的樣本，共計(jì)179家，這部分樣本在市場(chǎng)上存續(xù)時(shí)期長(zhǎng)，具備較好的代表性。

同屬一個(gè)部門(mén)的金融機(jī)構(gòu)采用同一標(biāo)志，節(jié)點(diǎn)的顏色和輸出的有向邊用相同的顏色表示，銀行、多元金融、保險(xiǎn)、房地產(chǎn)的顏色分別為紅色、綠色、藍(lán)色和黃色。長(zhǎng)期正向和長(zhǎng)期負(fù)向網(wǎng)絡(luò)的有向邊個(gè)數(shù)分別為471和454，網(wǎng)絡(luò)的信息量基本相當(dāng)，但風(fēng)險(xiǎn)信息影響的方向并非單一的，而是既有同方向又有反方向，機(jī)構(gòu)之間的風(fēng)險(xiǎn)信息傳導(dǎo)具有比較復(fù)雜的關(guān)系，這也說(shuō)明在識(shí)別信息影響方向時(shí)，單純的格蘭杰因果檢驗(yàn)對(duì)此不能區(qū)分，必須使用擴(kuò)展的有向格蘭杰因果檢驗(yàn)。

圖2 SRISK風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)

長(zhǎng)期負(fù)向網(wǎng)絡(luò)中，出度大于等于10的機(jī)構(gòu)有2家多元金融機(jī)構(gòu)(國(guó)金證券和華創(chuàng)陽(yáng)安)和5家房地產(chǎn)公司(海泰發(fā)展、中華企業(yè)、深深房、我愛(ài)我家、大港股份)。入度大于等于10的機(jī)構(gòu)有2家多元金融機(jī)構(gòu)(渤海租賃和海德股份)和8家房地產(chǎn)企業(yè)(宋都股份、金地集團(tuán)、棲霞建設(shè)、信達(dá)地產(chǎn)、鳳凰股份、寧波富達(dá)、海航投資和新能泰山)。

注：實(shí)線(xiàn)為按各部門(mén)機(jī)構(gòu)數(shù)目進(jìn)行加權(quán)的平均數(shù)，銀行、多元金融、保險(xiǎn)、房地產(chǎn)的標(biāo)志分別為圓圈、菱形、五角星和三角形，下同。

圖4 機(jī)構(gòu)相對(duì)影響

2.部門(mén)層面分析

為了分析風(fēng)險(xiǎn)信息網(wǎng)絡(luò)的部門(mén)連通性，本文使用部門(mén)度統(tǒng)計(jì)量來(lái)描述信息從一個(gè)部門(mén)傳導(dǎo)至另一個(gè)部門(mén)或其本身的影響強(qiáng)度。

首先分析長(zhǎng)期正向網(wǎng)絡(luò)，圖5(a1)展示了從銀行發(fā)出到銀行、多元金融、保險(xiǎn)和房地產(chǎn)的SRISK信息影響強(qiáng)度，其表明銀行的風(fēng)險(xiǎn)信息會(huì)對(duì)其內(nèi)部機(jī)構(gòu)產(chǎn)生較大的正向溢出，對(duì)保險(xiǎn)部門(mén)其次，對(duì)多元金融機(jī)構(gòu)和房地產(chǎn)最少。從多元金融部門(mén)發(fā)出的風(fēng)險(xiǎn)信息對(duì)銀行的正向影響最大，接著是保險(xiǎn)、房地產(chǎn)和自身(圖5(a2))。在受到從保險(xiǎn)部門(mén)發(fā)出的風(fēng)險(xiǎn)信息正向影響中，銀行部門(mén)是最大接收者，其次是房地產(chǎn)、多元金融和保險(xiǎn)部門(mén)自身(圖5(a3))。房地產(chǎn)自身受其風(fēng)險(xiǎn)信息正向影響最大，其次是銀行、多元金融、保險(xiǎn)(圖5(a4))。銀行、多元金融、保險(xiǎn)和房地產(chǎn)的正向網(wǎng)絡(luò)部門(mén)相對(duì)影響數(shù)值分別為34、6、7和-47，所以銀行是風(fēng)險(xiǎn)正向信息影響的發(fā)出者，而房地產(chǎn)是接收者。

圖5 部門(mén)度

接著分析長(zhǎng)期負(fù)向網(wǎng)絡(luò)，圖5(b1)表明房地產(chǎn)往往會(huì)受到銀行長(zhǎng)期風(fēng)險(xiǎn)信息的負(fù)向影響。多元金融的風(fēng)險(xiǎn)信息主要對(duì)自身造成負(fù)向影響，這是因?yàn)槎嘣鹑跈C(jī)構(gòu)業(yè)務(wù)鄰域相對(duì)綜合，同質(zhì)化程度沒(méi)有銀行部門(mén)明顯(圖5(b2))。圖7(b3)中保險(xiǎn)部門(mén)信息溢出的情況和銀行部門(mén)類(lèi)似。房地產(chǎn)對(duì)各個(gè)部門(mén)具有負(fù)向風(fēng)險(xiǎn)溢出效應(yīng)但不明顯(圖5(b4))。銀行、多元金融、保險(xiǎn)和房地產(chǎn)的負(fù)向網(wǎng)絡(luò)部門(mén)相對(duì)影響數(shù)值分別為19、1、1和-21，所以負(fù)向信息也主要由銀行發(fā)出，而房地產(chǎn)同樣是負(fù)向信息的主要接收者。

綜上分析，總體而言保險(xiǎn)對(duì)其自身的部門(mén)度最低，這可能是因?yàn)橹袊?guó)平安和中國(guó)太保經(jīng)營(yíng)鄰域相對(duì)全面，西水股份核心子公司天安財(cái)險(xiǎn)主要經(jīng)營(yíng)財(cái)險(xiǎn)，中國(guó)人壽和天茂集團(tuán)核心子公司國(guó)華人壽主要經(jīng)營(yíng)壽險(xiǎn)，競(jìng)爭(zhēng)具有一定差異性，風(fēng)險(xiǎn)并不容易聚集。銀行部門(mén)是風(fēng)險(xiǎn)信息溢出的源頭，這與銀行在系統(tǒng)重要性機(jī)構(gòu)(SIFIs)中占比最多的事實(shí)不謀而合。銀行部門(mén)承擔(dān)著貨幣金融政策“牽線(xiàn)人”的職責(zé)，通過(guò)利率等渠道與其他產(chǎn)業(yè)部門(mén)銜接，并且中國(guó)現(xiàn)階段企業(yè)資金籌措方式仍以間接融資為主，銀行與其余金融機(jī)構(gòu)和實(shí)體企業(yè)聯(lián)系最為緊密，風(fēng)險(xiǎn)信息傳導(dǎo)的效應(yīng)也相應(yīng)顯著。

(四)穩(wěn)健性分析

在進(jìn)行有向格蘭杰檢驗(yàn)時(shí)，將F檢驗(yàn)P 值降低至0.05和0.01重新構(gòu)建網(wǎng)絡(luò)，結(jié)果顯示更嚴(yán)格的統(tǒng)計(jì)檢驗(yàn)只會(huì)濾掉更多信息，機(jī)構(gòu)和部門(mén)的出度及入度數(shù)目相應(yīng)減少，但基本不改變機(jī)構(gòu)間和部門(mén)間信息溢出強(qiáng)度的相對(duì)順序(10)因篇幅所限，這里不做贅述，如有需要請(qǐng)向作者垂詢(xún)。，主要結(jié)論沒(méi)有顯著變化。

五 結(jié)論及建議

本文采用符合中國(guó)危機(jī)事件定義的SRISK系統(tǒng)性金融風(fēng)險(xiǎn)度量模型，對(duì)2009-2019年我國(guó)銀行、多元金融、保險(xiǎn)和房地產(chǎn)240家機(jī)構(gòu)組成的大金融業(yè)進(jìn)行風(fēng)險(xiǎn)測(cè)度，并通過(guò)擴(kuò)展的有向格蘭杰因果檢驗(yàn)來(lái)建立風(fēng)險(xiǎn)信息溢出網(wǎng)絡(luò)，研究結(jié)論如下：

(1)經(jīng)過(guò)對(duì)Brownlees和Engle(2012，2017)兩個(gè)系統(tǒng)性危機(jī)事件定義方式進(jìn)行辨析，本文合理推斷“h=132天，C=-40%”的定義方式更加符合目前中國(guó)實(shí)際，應(yīng)當(dāng)采用該定義形式建立SRISK來(lái)測(cè)度我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)。

(2)從系統(tǒng)性風(fēng)險(xiǎn)總量上看，銀行部門(mén)長(zhǎng)期處于重要地位，保險(xiǎn)部門(mén)其次，而近兩年房地產(chǎn)部門(mén)有逐漸超越保險(xiǎn)部門(mén)的趨勢(shì)。

(3)通過(guò)有向格蘭杰檢驗(yàn)構(gòu)建風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)，結(jié)合出度、入度、部門(mén)度等統(tǒng)計(jì)量，許多機(jī)構(gòu)都表現(xiàn)出風(fēng)險(xiǎn)信息溢出和接收的敏感性，而銀行部門(mén)是風(fēng)險(xiǎn)信息溢出的重要參與者，房地產(chǎn)總體較容易受到其余金融部門(mén)風(fēng)險(xiǎn)信息的沖擊，具有明顯的異質(zhì)性。

基于研究結(jié)論，本文提出三點(diǎn)建議。第一，對(duì)于投資者而言，由于金融機(jī)構(gòu)之間的風(fēng)險(xiǎn)信息相互交織，風(fēng)險(xiǎn)厭惡的個(gè)人和機(jī)構(gòu)投資者在構(gòu)建資產(chǎn)組合時(shí)，應(yīng)當(dāng)避免集中持有容易遭受風(fēng)險(xiǎn)信息正向溢出的機(jī)構(gòu)，而應(yīng)該適度選擇風(fēng)險(xiǎn)信息存在對(duì)沖關(guān)系的機(jī)構(gòu)，盡可能“分散”風(fēng)險(xiǎn)。第二，對(duì)于機(jī)構(gòu)而言，各機(jī)構(gòu)應(yīng)該發(fā)揮自身的比較優(yōu)勢(shì)開(kāi)展經(jīng)營(yíng)活動(dòng)，合理調(diào)配資源，優(yōu)化資產(chǎn)結(jié)構(gòu)；容易受到其他機(jī)構(gòu)風(fēng)險(xiǎn)“傳染”的機(jī)構(gòu)(如房地產(chǎn)部門(mén)中的棲霞建設(shè))更需要強(qiáng)化自身風(fēng)險(xiǎn)管理意識(shí)，降低杠桿率，將債務(wù)水平控制在合理的范圍內(nèi)。第三，對(duì)于監(jiān)管者而言，除了對(duì)系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)率較大的金融機(jī)構(gòu)(如“中、農(nóng)、工、建”四大行和中國(guó)平安等)保持密切關(guān)注，也需要對(duì)風(fēng)險(xiǎn)信息發(fā)出者，尤其是對(duì)其他機(jī)構(gòu)造成正向影響的機(jī)構(gòu)(如銀行部門(mén)中的華夏銀行和平安銀行、房地產(chǎn)行業(yè)中的金地集團(tuán)、寧波富達(dá)、愛(ài)旭股份、泰禾集團(tuán)和榮盛發(fā)展等)高度警覺(jué)，并健全監(jiān)管制度和風(fēng)險(xiǎn)預(yù)警體系，結(jié)合政策工具降低系統(tǒng)性金融風(fēng)險(xiǎn)蔓延的可能。