中國系統(tǒng)性金融風(fēng)險信息溢出者是誰

任英華 劉洋 彭慶雪 湯季蓉

[摘 要] 基于SRISK模型測度2009-2019年銀行、多元金融、保險和房地產(chǎn)四部門共計240家上市公司的系統(tǒng)性風(fēng)險，并通過有向網(wǎng)絡(luò)分析金融機(jī)構(gòu)之間風(fēng)險信息的溢出效應(yīng)，研究發(fā)現(xiàn)：“h=132天，C=-40%”更加符合我國系統(tǒng)性危機(jī)事件定義方式;在風(fēng)險總量上，銀行和保險部門占據(jù)重要地位，房地產(chǎn)近年來上升趨勢明顯;在風(fēng)險信息傳導(dǎo)上，銀行是重要的長期風(fēng)險信息溢出者。

[關(guān)鍵詞] SRISK;系統(tǒng)性金融風(fēng)險;蒙特卡羅方法;有向格蘭杰因果檢驗;風(fēng)險溢出網(wǎng)絡(luò)

[中圖分類號] ?F224; F832.59 ? [文獻(xiàn)標(biāo)識碼] A ? [文章編號] 1008—1763（2021）03—0049—11

Abstract：On the basis of establishing the SRISK model to measure and analyze the systemic risk in the large financial industry composed of 240 listed companies in four sectors of bank， diversified finance， insurance and real estate from 2009 to 2019， and the spillover effect of systemic risk information among financial institutions is analyzed through directed network. It is found that the definition "h=132 days， C=-40%" is more consistent with the systemic crisis events in China. Besides， the banks and insurance play important roles in the system risk amount， and the real estate industry has an obvious rising trend in recent years. Furthermore， in terms of the transmission of risk information， bank industry is an important long-term risk information spiller.

Key words： SRISK; systematic financial risk;Monte Carlo method; directed granger causality test;risk spillover network

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4次觸發(fā)“熔斷”，創(chuàng)下1987年“黑色星期一”以來的最大單日跌幅，歐美發(fā)達(dá)國家實體經(jīng)濟(jì)惡化，金融環(huán)境出現(xiàn)動蕩。由于金融機(jī)構(gòu)之間通過業(yè)務(wù)和產(chǎn)品相互關(guān)聯(lián)，部分金融機(jī)構(gòu)的個體風(fēng)險容易“傳染”給其他機(jī)構(gòu)甚至整個行業(yè)，如果不能有效挽救一個公司的財務(wù)危機(jī)，債務(wù)將蔓延整個金融和實體經(jīng)濟(jì)。因此，正確認(rèn)識當(dāng)前金融體系中的系統(tǒng)性金融風(fēng)險，分析風(fēng)險信息的傳導(dǎo)特征對金融機(jī)構(gòu)自身運營和宏觀審慎監(jiān)管具有重要的理論價值與現(xiàn)實意義。

在系統(tǒng)性風(fēng)險的測度上，從傳統(tǒng)的VaR（Value at Risk）風(fēng)險價值到條件風(fēng)險價值（CoVaR），再到邊際期望損失，它們都有較大貢獻(xiàn)。VaR是根據(jù)置信水平對應(yīng)的收益率尾部分位點來估計持有期內(nèi)的最大損失。VaR盡管計算簡便，但不具有次可加性，可能會高估組合資產(chǎn)的風(fēng)險。Adrian和Brunnermeier提出了條件風(fēng)險價值，即金融系統(tǒng)在機(jī)構(gòu)陷入困境時的風(fēng)險價值，其將一個機(jī)構(gòu)對系統(tǒng)風(fēng)險的貢獻(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）來度量系統(tǒng)性風(fēng)險[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)和市場整體的動態(tài)關(guān)聯(lián)性，在模擬發(fā)生危機(jī)的情況下，對救助金融系統(tǒng)必須提供的資本總額進(jìn)行了估計，受到國內(nèi)外學(xué)者的關(guān)注。例如，Brownless和Engel基于美國市場數(shù)據(jù)對SRISK進(jìn)行了數(shù)值計算和分析，證實了SRISK能通過排序來確立系統(tǒng)性金融機(jī)構(gòu)，并且SRISK總量有助于預(yù)測工業(yè)產(chǎn)量和失業(yè)率，能夠為實際經(jīng)濟(jì)活動提供危險的早期預(yù)警信號[6]。但陳湘鵬指出，國內(nèi)部分研究在計算SRISK中間變量LRMES時直接套用Acharya et al.基于美國市場所提出的近似關(guān)系“LRMES=1-exp（-18*MES）”[7]，如梁琪等[8]、朱衡等[9]，這與中國實際可能相偏離。此外，在定義系統(tǒng)性危機(jī)事件時，國內(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個月，C=-30%”（史永東等[11]）、“h=6個月，C=-40%”（剛健華等[12]）、“h=57天，C=-20%”（張琳等[13]），這說明目前國內(nèi)對SRISK的研究不夠重視中美金融市場可能存在的差異性，因此有必要結(jié)合中國實際來定義系統(tǒng)性危機(jī)事件。

在分析風(fēng)險溢出效應(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。針對金融市場間關(guān)聯(lián)性，王雯等以國際市場指數(shù)收益率的Kendalls tau相關(guān)系數(shù)和5個金融子市場的動態(tài)相關(guān)系數(shù)作為信息源，構(gòu)建了跨境、跨市場的關(guān)聯(lián)網(wǎng)絡(luò)，研究表明全球金融市場的聯(lián)動存在顯著的時變特征，大宗商品市場、黃金市場、外匯市場與股票市場間存在單向或雙向傳導(dǎo)關(guān)系[14]。針對金融部門風(fēng)險溢出問題，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[15]。Wang等人使用擴(kuò)展的CAViaR風(fēng)險度量模型建立美國標(biāo)普500指數(shù)中84家金融類成分股的風(fēng)險網(wǎng)絡(luò)，分析表明房地產(chǎn)和銀行是極端市場風(fēng)險的凈傳播者，而保險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)險傳染網(wǎng)絡(luò)，證實了中國資本市場呈現(xiàn)出顯著的跨部門風(fēng)險溢出效應(yīng)[17]。李政等使用ΔCoVaR和LASSO分位數(shù)回歸模型來構(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，以及不同類型的銀行之間風(fēng)險傳染水平具有不對稱性[18]。任英華等基于熵權(quán)法和萬有引力模型構(gòu)建銀行流動性風(fēng)險網(wǎng)絡(luò)，研究表明商業(yè)銀行流動性風(fēng)險傳染機(jī)制具有層次傳染和反傳染性[19]。由此可見，伴隨著金融創(chuàng)新及金融業(yè)混業(yè)經(jīng)營態(tài)勢的不斷發(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)險度量模型大多僅僅依賴金融市場收益率數(shù)據(jù)，風(fēng)險信息源比較單一，缺乏和金融機(jī)構(gòu)自身經(jīng)營直接相關(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)險源。同時，如果將MES或ΔCoVaR作為系統(tǒng)性金融風(fēng)險評價指標(biāo)，會使市值規(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、多元金融根據(jù)全球行業(yè)分類標(biāo)準(zhǔn)（Global Industry Classification Standard， GICS），多元金融涵蓋從事綜合金融服務(wù)、消費信貸和資本市場等業(yè)務(wù)的機(jī)構(gòu)。、保險和房地產(chǎn)四部門作為大金融業(yè)的主體，在對比中美金融市場收益率分布和尾部特征基礎(chǔ)上，明晰中國市場環(huán)境下危機(jī)性事件的定義，采用Brownlees和Engle（2017）的SRISK模型測度2009-2019年我國銀行、多元金融、保險和房地產(chǎn)四部門共計240家上市公司的系統(tǒng)性金融風(fēng)險，并將其作為風(fēng)險網(wǎng)絡(luò)的信息源，分機(jī)構(gòu)、分部門剖析風(fēng)險溢出網(wǎng)絡(luò)特征。本文的貢獻(xiàn)主要有以下兩點：一是在分析中美收益率分布特征的基礎(chǔ)上，結(jié)合核密度估計來定義符合中國實際的危機(jī)事件，據(jù)此建立SRISK模型，對由銀行、多元金融、保險和房地產(chǎn)四部門共計240家上市公司組成的大金融業(yè)2009-2019年的系統(tǒng)性風(fēng)險進(jìn)行測度和分析。二是針對傳統(tǒng)格蘭杰因果檢驗在構(gòu)建風(fēng)險溢出網(wǎng)絡(luò)時只能識別信息影響的有無，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，并基于SRISK建立反映金融機(jī)構(gòu)之間風(fēng)險信息正、負(fù)影響的有向網(wǎng)絡(luò)，分析風(fēng)險信息的溢出效應(yīng)，有助于更有效地監(jiān)控和預(yù)警系統(tǒng)性金融風(fēng)險。

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在發(fā)生危機(jī)事件時下跌幅度和機(jī)構(gòu)與市場之間的關(guān)聯(lián)性所決定，被定義為長期邊際預(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估計值計算得到。

SRISK使用預(yù)期資本缺口來度量金融風(fēng)險，而資本缺口的大小反映金融機(jī)構(gòu)的財務(wù)困境狀況，用公司必需持有的資本儲備減去公司的權(quán)益價值，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)價值;Wi，t表示權(quán)益的賬面價值;Di，t是債務(wù)的賬面價值;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，會導(dǎo)致各子行業(yè)橫向?qū)Ρ葧r產(chǎn)生偏差。本文參照《商業(yè)銀行資本管理辦法（試行）》詳見銀保監(jiān)會網(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《證券公司風(fēng)險控制指標(biāo)管理辦法》及配套規(guī)則公開征求意見詳見證監(jiān)會網(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%;由于保險業(yè)沒有具體的風(fēng)險監(jiān)管辦法，但保險公司通常設(shè)置資產(chǎn)管理公司從事保險資產(chǎn)管理業(yè)務(wù)，根據(jù)《金融資產(chǎn)管理公司監(jiān)管辦法》詳見銀保監(jiān)會網(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模型估計時需重點關(guān)注金融體系在發(fā)生系統(tǒng)性事件時的預(yù)期資本缺口。Acharya 等（2010，2017）對系統(tǒng)性危機(jī)事件給出了一個定義，即在時間段h內(nèi)市場收益率下跌的幅度超過閾值C。本文將立足中國實際，在對比中美市場的基礎(chǔ)上具體取值。將t+1和t+h之間的離散型市場總收益率表示為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

單個機(jī)構(gòu)自身縱向比較或者機(jī)構(gòu)之間橫向?qū)Ρ葧r，可以采用原始的SRISK數(shù)值進(jìn)行比較，而在計算部門或整個金融體系風(fēng)險總量時，單個機(jī)構(gòu)的SRISK數(shù)值需要根據(jù)公式（3）進(jìn)行截斷處理，這是因為如果某個金融機(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)中難以迅速地通過并購或貸款調(diào)動過剩資本，盈余的資本不一定可以用來直接幫助其他陷入困境中的機(jī)構(gòu)。

結(jié)合以上兩個層次的統(tǒng)計量，就能夠更細(xì)致地對風(fēng)險溢出網(wǎng)絡(luò)中節(jié)點的信息進(jìn)行分析。

三 樣本及數(shù)據(jù)

（一）樣本選取

為了保持結(jié)果在國際范圍具有可比性，依據(jù)全球行業(yè)分類標(biāo)準(zhǔn)，金融行業(yè)細(xì)分為四個GICS行業(yè)集團(tuán)，即銀行（GICS代碼4010）、多元金融（GICS代碼4020）、保險（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，能夠綜合反映中國金融市場的運行情況，因此本文將滬深300指數(shù)作為中國市場的基準(zhǔn)指數(shù)。在對比分析中美市場特征時，因為標(biāo)普500指數(shù)涵蓋美國主要金融業(yè)公司，而且采樣面廣、代表性強(qiáng)，故選取標(biāo)普500指數(shù)代表美國市場。

（二）數(shù)據(jù)說明

從東方財富Choice和同花順iFinD金融數(shù)據(jù)終端獲取基本面數(shù)據(jù)和市場數(shù)據(jù)。計算SRISK所需的公司負(fù)債和權(quán)益信息，以最具代表性的年報為準(zhǔn)，基于2009-2019年最近11年的數(shù)據(jù)進(jìn)行測算和分析。為了更好地汲取金融市場信息，市場的數(shù)據(jù)時間跨度為2002年初至2020年3月13日，總共4413個交易日數(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天的日收盤價，市場基準(zhǔn)指數(shù)處理方式亦然。

四 實證結(jié)果與分析

（一）中國系統(tǒng)性危機(jī)事件定義

正如文獻(xiàn)綜述中所討論的，中美金融市場從歷史背景、制度、市場效率上都存在較大差異，諸如中國市場采取的是漲跌幅限制，而美國市場采用的是無漲跌幅限制同時實行熔斷機(jī)制等，因此在測算SRISK過程中，對系統(tǒng)性危機(jī)事件定義直接套用基于美國市場的文獻(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）兩個系統(tǒng)性危機(jī)事件定義方式“h=6個月，C=-40%”和“h=1個月，C=-10%”中的時間跨度為基準(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分析中美市場的數(shù)理特征，進(jìn)而歸納出符合中國實際的危機(jī)事件定義。

經(jīng)過測算

篇幅所限，描述性統(tǒng)計和分布一致性檢驗結(jié)果的報告從簡，留存?zhèn)渌?。，h=22天和h=132天時，中國市場區(qū)間收益率的均值和標(biāo)準(zhǔn)差都大于美國市場。美國市場呈現(xiàn)左偏尖鋒分布，而中國市場則為右偏分布。Jarque-Bera檢驗結(jié)果進(jìn)一步驗證中美市場均不服從正態(tài)分布。采用非參數(shù)方法的Kolmogorov-Smirnov分布一致性檢驗，h=22天和h=132天對應(yīng)的統(tǒng)計量分別為0.16424和0.25942，P值均為0，說明中美市場的分布不同。由于中美市場長、短區(qū)間的收益率分布均存在顯著差異，因此不能簡單地套用基于美國市場的文獻(xiàn)結(jié)論來定義中國市場的系統(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，采用核密度估計方法繪制中美兩個市場的區(qū)間收益率分布圖。核密度估計無需對分布事先進(jìn)行假定，更加適應(yīng)來自未知分布的實際數(shù)據(jù)。核密度方法估計收益率的概率分布為：

（x）=1nh∑ni=1Kx-xih（20）

核函數(shù)K（·）選取常規(guī)的高斯核12πe12u2，根據(jù)Venables and Ripley的建議，使用“SJ”法確定窗寬[25]。

由圖1可見，中美市場的分布均呈現(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，中美市場的整體分布情況確實存在一定差異。根據(jù)Brownlees和Engle（2012，2017）的閾值C定義方式，反推出區(qū)間收益率對應(yīng)的分位點，基于此分位點估計得到我國相應(yīng)的閾值。通過核密度曲線進(jìn)行測算，本文推測出美國市場在h=22天時定義的閾值C=-10%約處于0.4分位點為了排除數(shù)據(jù)長度的影響，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%對應(yīng)的分位點為0.38）。，而在h=132天時定義的閾值C=-40%約處于0.1分位點?；诖朔治稽c估計得到中國市場在h=22天時閾值為-4.3514%，h=132天時閾值為-40.1957%。

區(qū)間收益率分位點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，滬深300指數(shù)區(qū)間收益率的0.1分位點作為閾值，C取-40%。需要說明的是，滬深300和標(biāo)普500在h=132天時的0.1分位收益率非常接近，差異性沒有h=22天時明顯，但這并非表明中美市場整體沒有差異性。中國市場短期內(nèi)更容易受到政策干預(yù)的“托底”，并且受漲跌板的約束，而美國市場更加成熟。因此，中國短期極端損失沒有美國明顯，而中長期來看，兩者的尾部損失接近，具有一定偶然性。以上分析過程也適用于其他國家和經(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

對每家機(jī)構(gòu)滾動估計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)在各報告期時點上的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SRISK測度值，通過式（3）至式（5）即可得到SRISK總量和貢獻(xiàn)率SRISK%。

從部門整體來看（表1），銀行業(yè)的系統(tǒng)性風(fēng)險最強(qiáng)，這是由銀行業(yè)規(guī)模龐大和在經(jīng)營時具有高負(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、多元金融各部門都存在錯綜復(fù)雜的關(guān)系，銀行發(fā)生危機(jī)更容易造成整個金融機(jī)構(gòu)的動蕩。因此，銀行的系統(tǒng)性風(fēng)險最強(qiáng)也符合實際，近11年來銀行SRISK百分比占比達(dá)到80%以上。

與此同時，房地產(chǎn)和多元金融的系統(tǒng)性風(fēng)險均有所增強(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年超越保險成為系統(tǒng)性風(fēng)險第二大的行業(yè)，這也符合我國近年來房地產(chǎn)業(yè)異?；钴S的表現(xiàn)。房地產(chǎn)行業(yè)系統(tǒng)性風(fēng)險產(chǎn)生不僅受國內(nèi)政策影響，與國外經(jīng)濟(jì)形勢動蕩同樣息息相關(guān)。同時，房地產(chǎn)行業(yè)是個資金密集型行業(yè)，一旦房地產(chǎn)行業(yè)在我國經(jīng)濟(jì)市場中表現(xiàn)活躍，其金融系統(tǒng)性風(fēng)險就會變大。保險部門以保險風(fēng)險為主，但是隨著近年來保險市場與資本市場的融合，保險行業(yè)的系統(tǒng)性風(fēng)險仍然是上升的。保險行業(yè)的系統(tǒng)風(fēng)險占比自2012年起呈現(xiàn)明顯的上下波動趨勢，從絕對量來看，保險行業(yè)的SRISK值仍是小幅穩(wěn)步上升。多元金融因其規(guī)模在四大部門中較小，其SRISK%值并不穩(wěn)定，在一段時間內(nèi)呈現(xiàn)上下波動的趨勢。從SRISK絕對值來看，隨著金融供給側(cè)改革的推進(jìn)，借助移動互聯(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)險也會增加。

從銀行來看 篇幅有限，各部門機(jī)構(gòu)的SRISK數(shù)值排序沒有詳細(xì)列出。，工、建、中、農(nóng)、交、郵這六個國有控股的大型商業(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，在全國分布密集，業(yè)務(wù)涵蓋廣泛且多元，同時六大行之間業(yè)務(wù)往來密切。就目前來看，六大國有控股的商業(yè)銀行在我國金融機(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)我國銀行業(yè)絕對的主體地位，這也使工商銀行在銀行業(yè)中的系統(tǒng)性風(fēng)險最大。

多元金融行業(yè)在11年中風(fēng)險排名前5的企業(yè)發(fā)生多次變動。從2010年以來，中航資本、中油資本、中信證券、申萬宏源、廣發(fā)證券這5家企業(yè)在多元金融行業(yè)中較為活躍。隨著申銀萬國證券與宏源證券在2015年合并組建成申萬宏源，越來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，中油資本逐漸在多元金融行業(yè)中占據(jù)風(fēng)險主體地位，在全行業(yè)的SRISK值占比達(dá)到18.678%以上，最高達(dá)到25.578%。

中國平安是保險業(yè)中風(fēng)險最大的主體，中國平安一家公司的SRISK值占比超過全行業(yè)的50%。近年來，保險行業(yè)各個公司系統(tǒng)性風(fēng)險緩慢提高，這是因為隨著保險+科技的服務(wù)模式的推廣，打開了新的銷售渠道，降低了經(jīng)營成本，擴(kuò)大了保險服務(wù)覆蓋面，但是新的服務(wù)模式使保險公司與資本市場的聯(lián)系更加密切，債務(wù)風(fēng)險加大，進(jìn)而使得公司系統(tǒng)性風(fēng)險加大。

自2012年以來，我國房價開始新一輪的上漲，金融資源向房地產(chǎn)集中致使房價上漲，而房價上漲又促使金融資源向房地產(chǎn)行業(yè)集中。盡管國家進(jìn)行了一系列的政策調(diào)控，但房價仍未得到有效控制，這也使得房地產(chǎn)在2018年開始成為系統(tǒng)性金融風(fēng)險第二大的行業(yè)。從機(jī)構(gòu)層面來看，單個公司的系統(tǒng)性風(fēng)險貢獻(xiàn)度相對較小，但仍要小心房地產(chǎn)行業(yè)風(fēng)險可能帶來的系統(tǒng)性金融風(fēng)險問題。

（三）SRISK的風(fēng)險溢出網(wǎng)絡(luò)分析

SRISK和SRISK%分別從系統(tǒng)性金融風(fēng)險總量測度和機(jī)構(gòu)（或部門）對金融體系風(fēng)險貢獻(xiàn)率的角度來分析系統(tǒng)性金融風(fēng)險的結(jié)構(gòu)。為進(jìn)一步解析風(fēng)險信息在機(jī)構(gòu)間和部門間是如何傳導(dǎo)的，本文使用有向格蘭杰因果檢驗來建立風(fēng)險溢出網(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)險信息源建立的有向網(wǎng)絡(luò) 本文也以SRISK的一階差分ΔSRISK構(gòu)建了短期風(fēng)險網(wǎng)絡(luò)，限于篇幅并未在文章列出，但短期網(wǎng)絡(luò)和長期網(wǎng)絡(luò)具有一定相似性，感興趣的讀者請向作者垂詢。，分為風(fēng)險信息同方向影響和反方向影響的有向網(wǎng)絡(luò)。受限于模型估計的自由度，在構(gòu)建網(wǎng)絡(luò)時，只保留在各報告期均處于上市狀態(tài)的樣本，共計179家，這部分樣本在市場上存續(xù)時期長，具備較好的代表性。

同屬一個部門的金融機(jī)構(gòu)采用同一標(biāo)志，節(jié)點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、房地產(chǎn)的顏色分別為紅色、綠色、藍(lán)色和黃色。長期正向和長期負(fù)向網(wǎng)絡(luò)的有向邊個數(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)險信息傳導(dǎo)具有比較復(fù)雜的關(guān)系，這也說明在識別信息影響方向時，單純的格蘭杰因果檢驗對此不能區(qū)分，必須使用擴(kuò)展的有向格蘭杰因果檢驗。

圖3匯總了長期正向網(wǎng)絡(luò)和長期負(fù)向網(wǎng)絡(luò)的機(jī)構(gòu)出度kouti和入度kini數(shù)據(jù)。在長期正向網(wǎng)絡(luò)中，出度大于等于10的機(jī)構(gòu)有2家銀行（華夏銀行、平安銀行）和5家房地產(chǎn)公司（金地集團(tuán)、寧波富達(dá)、愛旭股份、泰禾集團(tuán)和榮盛發(fā)展），表明這些機(jī)構(gòu)長期風(fēng)險信息對其他機(jī)構(gòu)的正向影響最大，充當(dāng)著“風(fēng)險放大器”的功能。入度大于等于10有1家多元金融機(jī)構(gòu)（渤海租賃）和8家房地產(chǎn)企業(yè)（宋都股份、海泰發(fā)展、棲霞建設(shè)、京投發(fā)展、寧波富達(dá)、中天金融、美好置業(yè)、ST津濱），入度最大的是棲霞建設(shè)，達(dá)到34，表明該公司極易被其他機(jī)構(gòu)的風(fēng)險信息正向影響，在面臨系統(tǒng)性沖擊時很容易陷入資本短缺危機(jī)當(dāng)中。

長期負(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)（國金證券和華創(chuàng)陽安）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）。

為了明確哪些金融機(jī)構(gòu)是風(fēng)險信息的凈發(fā)送者，哪些是凈接收方，圖4匯總了兩個網(wǎng)絡(luò)中每家機(jī)構(gòu)的相對影響RIinstitutioni。長期正向網(wǎng)絡(luò)中，相對影響大于等于8的機(jī)構(gòu)有2家銀行（交通銀行和平安銀行），1家多元金融機(jī)構(gòu)（寶德股份），2家房地產(chǎn)企業(yè)（泰禾集團(tuán)和榮盛發(fā)展），這些機(jī)構(gòu)的長期風(fēng)險信息對其他機(jī)構(gòu)的正向凈影響相對較大。小于-8的是4家房地產(chǎn)企業(yè)（海泰發(fā)展、棲霞建設(shè)、寧波富達(dá)、*ST津濱）。長期負(fù)向網(wǎng)絡(luò)中，相對影響大于等于8有多元金融機(jī)構(gòu)（國金證券、華創(chuàng)陽安）和房地產(chǎn)公司（海泰發(fā)展、中華企業(yè)、我愛我家、大港股份）。小于-8的有多元金融機(jī)構(gòu)（海德股份）和房地產(chǎn)公司（金地集團(tuán)、信達(dá)地產(chǎn)、寧波富達(dá)、新能泰山）。

2.部門層面分析

為了分析風(fēng)險信息網(wǎng)絡(luò)的部門連通性，本文使用部門度統(tǒng)計量來描述信息從一個部門傳導(dǎo)至另一個部門或其本身的影響強(qiáng)度。

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

接著分析長期負(fù)向網(wǎng)絡(luò)，圖5（b1）表明房地產(chǎn)往往會受到銀行長期風(fēng)險信息的負(fù)向影響。多元金融的風(fēng)險信息主要對自身造成負(fù)向影響，這是因為多元金融機(jī)構(gòu)業(yè)務(wù)鄰域相對綜合，同質(zhì)化程度沒有銀行部門明顯（圖5（b2））。圖7（b3）中保險部門信息溢出的情況和銀行部門類似。房地產(chǎn)對各個部門具有負(fù)向風(fēng)險溢出效應(yīng)但不明顯（圖5（b4））。銀行、多元金融、保險和房地產(chǎn)的負(fù)向網(wǎng)絡(luò)部門相對影響數(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，總體而言保險對其自身的部門度最低，這可能是因為中國平安和中國太保經(jīng)營鄰域相對全面，西水股份核心子公司天安財險主要經(jīng)營財險，中國人壽和天茂集團(tuán)核心子公司國華人壽主要經(jīng)營壽險，競爭具有一定差異性，風(fēng)險并不容易聚集。銀行部門是風(fēng)險信息溢出的源頭，這與銀行在系統(tǒng)重要性機(jī)構(gòu)（SIFIs）中占比最多的事實不謀而合。銀行部門承擔(dān)著貨幣金融政策“牽線人”的職責(zé)，通過利率等渠道與其他產(chǎn)業(yè)部門銜接，并且中國現(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)和實體企業(yè)聯(lián)系最為緊密，風(fēng)險信息傳導(dǎo)的效應(yīng)也相應(yīng)顯著。

（四）穩(wěn)健性分析

在進(jìn)行有向格蘭杰檢驗時，將F檢驗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)計檢驗只會濾掉更多信息，機(jī)構(gòu)和部門的出度及入度數(shù)目相應(yīng)減少，但基本不改變機(jī)構(gòu)間和部門間信息溢出強(qiáng)度的相對順序因篇幅所限，這里不做贅述，如有需要請向作者垂詢。，主要結(jié)論沒有顯著變化。

五 結(jié)論及建議

本文采用符合中國危機(jī)事件定義的SRISK系統(tǒng)性金融風(fēng)險度量模型，對2009-2019年我國銀行、多元金融、保險和房地產(chǎn)240家機(jī)構(gòu)組成的大金融業(yè)進(jìn)行風(fēng)險測度，并通過擴(kuò)展的有向格蘭杰因果檢驗來建立風(fēng)險信息溢出網(wǎng)絡(luò)，研究結(jié)論如下：

（1）經(jīng)過對Brownlees和Engle（2012，2017）兩個系統(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實際，應(yīng)當(dāng)采用該定義形式建立SRISK來測度我國系統(tǒng)性金融風(fēng)險。

（2）從系統(tǒng)性風(fēng)險總量上看，銀行部門長期處于重要地位，保險部門其次，而近兩年房地產(chǎn)部門有逐漸超越保險部門的趨勢。

（3）通過有向格蘭杰檢驗構(gòu)建風(fēng)險溢出網(wǎng)絡(luò)，結(jié)合出度、入度、部門度等統(tǒng)計量，許多機(jī)構(gòu)都表現(xiàn)出風(fēng)險信息溢出和接收的敏感性，而銀行部門是風(fēng)險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風(fēng)險信息的沖擊，具有明顯的異質(zhì)性。

基于研究結(jié)論，本文提出三點建議。第一，對于投資者而言，由于金融機(jī)構(gòu)之間的風(fēng)險信息相互交織，風(fēng)險厭惡的個人和機(jī)構(gòu)投資者在構(gòu)建資產(chǎn)組合時，應(yīng)當(dāng)避免集中持有容易遭受風(fēng)險信息正向溢出的機(jī)構(gòu)，而應(yīng)該適度選擇風(fēng)險信息存在對沖關(guān)系的機(jī)構(gòu)，盡可能“分散”風(fēng)險。第二，對于機(jī)構(gòu)而言，各機(jī)構(gòu)應(yīng)該發(fā)揮自身的比較優(yōu)勢開展經(jīng)營活動，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“傳染”的機(jī)構(gòu)（如房地產(chǎn)部門中的棲霞建設(shè)）更需要強(qiáng)化自身風(fēng)險管理意識，降低杠桿率，將債務(wù)水平控制在合理的范圍內(nèi)。第三，對于監(jiān)管者而言，除了對系統(tǒng)性風(fēng)險貢獻(xiàn)率較大的金融機(jī)構(gòu)（如“中、農(nóng)、工、建”四大行和中國平安等）保持密切關(guān)注，也需要對風(fēng)險信息發(fā)出者，尤其是對其他機(jī)構(gòu)造成正向影響的機(jī)構(gòu)（如銀行部門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)、愛旭股份、泰禾集團(tuán)和榮盛發(fā)展等）高度警覺，并健全監(jiān)管制度和風(fēng)險預(yù)警體系，結(jié)合政策工具降低系統(tǒng)性金融風(fēng)險蔓延的可能。

[參 考 文 獻(xiàn)]

[1] Adrian T， Brunnermeier M K. CoVaR[R]. National Bureau of Economic Research， 2011.

[2] Tobias A， Brunnermeier M K. CoVaR[J]. The American Economic Review， 2016（7）： 1705-1741.

[3] Acharya V V， Pedersen L H， Philippon T， et al. Measuring Systemic Risk[C].AFA 2011 Denver Meetings Paper，2010.

[4] Acharya V V， Pedersen L H， Philippon T， et al. Measuring systemic risk[J]. The Review of Financial Studies， 2017（1）：2-47.

[5] Acharya V， Engle R， Richardson M. Capital shortfall： A New Approach to Ranking and Regulating Systemic Risks[J]. American Economic Review， 2012， 102（3）： 59-64.

[6] Christian Brownlees， Robert F. Engle， SRISK： A Conditional Capital Shortfall Measure of Systemic Risk[J].The Review of Financial Studies，2017（1）：48-79.

[7] 陳湘鵬，周皓，金濤，等.微觀層面系統(tǒng)性金融風(fēng)險指標(biāo)的比較與適用性分析——基于中國金融系統(tǒng)的研究[J].金融研究，2019（5）：17-36.

[8] 梁琪，李政，郝項超.我國系統(tǒng)重要性金融機(jī)構(gòu)的識別與監(jiān)管——基于系統(tǒng)性風(fēng)險指數(shù)SRISK方法的分析[J].金融研究，2013（9）：56-70.

[9] 朱衡，卓志.保險公司系統(tǒng)重要性識別及其影響因素研究——基于系統(tǒng)性風(fēng)險敞口與貢獻(xiàn)的視角[J].保險研究，2019（3）：3-16.

[10]周強(qiáng)，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(biāo)法[J].國際金融研究，2014（9）：70-79.

[11]史永東，王龑，宋西偉.中國金融機(jī)構(gòu)系統(tǒng)風(fēng)險對宏觀經(jīng)濟(jì)的影響[J].投資研究，2017（12）：65-77.

[12]剛健華，趙揚(yáng)，高翔.短期跨境資本流動、金融市場與系統(tǒng)性風(fēng)險[J].經(jīng)濟(jì)理論與經(jīng)濟(jì)管理，2018（4）：98-112.

[13]張琳，湯薇，林曉婕，周媛.基于SVM-SRISK的非上市保險公司系統(tǒng)性風(fēng)險度量[J].保險研究，2018（6）：3-15.

[14]王雯，張金清，李濱，等.資本市場系統(tǒng)性風(fēng)險的跨市場傳導(dǎo)及防范研究[J].金融經(jīng)濟(jì)學(xué)研究，2018，33（01）：60-71.

[15]李政，梁琪，涂曉楓.我國上市金融機(jī)構(gòu)關(guān)聯(lián)性研究——基于網(wǎng)絡(luò)分析法[J].金融研究，2016（8）：95-110.

[16]Wang G J， Xie C， He K， et al. Extreme Risk Spillover Network：Application to Financial Institutions[J]. Quantitative Finance， 2017（9）： 1417-1433.

[17]楊子暉，陳雨恬，謝銳楷.我國金融機(jī)構(gòu)系統(tǒng)性金融風(fēng)險度量與跨部門風(fēng)險溢出效應(yīng)研究[J].金融研究，2018（10）：19-37.

[18]李政，朱明皓，范穎嵐.我國金融機(jī)構(gòu)的傳染性風(fēng)險與系統(tǒng)性風(fēng)險貢獻(xiàn)——基于極端風(fēng)險網(wǎng)絡(luò)視角的研究[J].南開經(jīng)濟(jì)研究，2019（06）：132-157.

[19]任英華，謝佳匯，周金龍，等.基于復(fù)雜網(wǎng)絡(luò)的商業(yè)銀行流動性風(fēng)險評價[J].湖南大學(xué)學(xué)報（社會科學(xué)版），2020（4）：65-73.

[20]Brownlees C T， Engle R. Volatility， Correlation and Tails for Systemic Risk Measurement[R]. Available at SSRN， 2012.

[21]Bollerslev T. Generalized Autoregressive Conditional Heteroskedasticity[J]. Journal of Econometrics， 1986， 31（3）： 307-327.

[22]Engle R. Dynamic Conditional Correlation： A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models[J]. Journal of Business & Economic Statistics， 2002， 20（3）： 339-350.

[23]Engle R. Anticipating Correlations： A New Paradigm for Risk Management[M]. Princeton University Press， 2009.

[24]Granger， C W J. Testing for Causality： A Personal Viewpoint[J]. Journal of Economic Dynamics and Control，1980（2）：329-352.

[25]Venables W N， Ripley B D. Modern Applied Statistics with S-PLUS[M]. Springer Science & Business Media， 2013.

[26]謝俊明; 謝圣遠(yuǎn).貨幣價值波動、財富分配差距擴(kuò)大與系統(tǒng)性金融風(fēng)險[J].財經(jīng)理論與實踐，2020（1）：34-40.