方國斌 陳 靜

一、引言

作為我國互聯(lián)網(wǎng)金融市場的重要組成部分，網(wǎng)貸行業(yè)近年受到的關注較多，尤其是在監(jiān)管層層加碼的情況下，網(wǎng)貸市場面臨著極大的生存危機。雖然網(wǎng)貸市場存在著諸多問題，然而其作用與地位卻是不能忽視的。由于網(wǎng)絡借貸相對傳統(tǒng)銀行借貸門檻較低，網(wǎng)貸市場通過網(wǎng)貸平臺實現(xiàn)借款人和貸款人資金的直接交易，為中小微企業(yè)的融資提供了便利。在市場巨大需求的背景下，網(wǎng)絡借貸平臺自產(chǎn)生以來發(fā)展迅猛，網(wǎng)貸平臺數(shù)量在2014年和2015年達到頂峰，爆發(fā)式的增長以及相對較低的行業(yè)準入門檻，使得網(wǎng)貸行業(yè)的風險被逐漸暴露出來。2020年以來，平臺“跑路”事件的頻發(fā)以及部分平臺的“暴雷”等不合規(guī)經(jīng)營事件發(fā)生，使得網(wǎng)貸市場存在的各種風險成為投資者以及監(jiān)管者關注的重點，有的地方干脆一關了之。從目前的情況來看，隨著互聯(lián)網(wǎng)技術的快速發(fā)展，網(wǎng)貸市場與不同行業(yè)之間的聯(lián)系越發(fā)緊密。平臺類型較多，平臺運營模式具有多樣性，如果監(jiān)管不到位，部分平臺發(fā)生經(jīng)營風險很容易造成一系列連鎖反應，引發(fā)系統(tǒng)性金融風險，從而對互聯(lián)網(wǎng)金融系統(tǒng)造成影響。反過來，如果能不發(fā)生或消除系統(tǒng)性風險，網(wǎng)貸市場將具有一定的存在意義。

和所有金融市場一樣，網(wǎng)貸市場存在的風險類型具有多樣性，典型的如信用風險、法律政策風險以及系統(tǒng)性風險等。由于網(wǎng)貸市場特殊的地位，無論國內還是國外對網(wǎng)貸行業(yè)的研究大多集中在平臺的信用風險，較少將目光聚集到整個行業(yè)的系統(tǒng)性風險。系統(tǒng)性風險作為金融體系中一種無法通過投資組合分散的風險，具有較強的傳染性，這一點在傳統(tǒng)金融業(yè)的系統(tǒng)性風險上已經(jīng)得到驗證。

本文在借鑒傳統(tǒng)金融市場系統(tǒng)性風險度量的基礎上，對互聯(lián)網(wǎng)金融體系中的網(wǎng)貸市場的系統(tǒng)性風險進行研究，構建合適的優(yōu)化模型對網(wǎng)貸市場系統(tǒng)性風險進行測算，并對主要的區(qū)域市場的系統(tǒng)性風險溢出進行比較，探究不同區(qū)域市場風險等級的差異。對網(wǎng)貸市場系統(tǒng)性風險測算以及區(qū)域風險的比較，有利于防范網(wǎng)貸市場發(fā)生系統(tǒng)性風險對互聯(lián)網(wǎng)金融系統(tǒng)造成的影響，避免整個金融系統(tǒng)系統(tǒng)性風險的發(fā)生。同時也可以為行業(yè)監(jiān)管者提供一定的參考，促進網(wǎng)貸行業(yè)的健康發(fā)展，有利于增強我國金融體系的活力以及多樣性。

二、文獻綜述

系統(tǒng)性風險一直以來都是金融領域較為熱門的研究課題，但是目前國內外的研究主要集中于證券、銀行以及保險等傳統(tǒng)的金融市場，對P2P網(wǎng)貸市場等互聯(lián)網(wǎng)金融市場的系統(tǒng)性風險研究較少。彭景等指出互聯(lián)網(wǎng)金融的系統(tǒng)性風險不僅具有傳統(tǒng)金融市場的系統(tǒng)性風險的特點，還有自身特有的屬性。①彭景、卓武揚：《我國互聯(lián)網(wǎng)金融系統(tǒng)性風險的特征、成因及監(jiān)管》，《西南金融》2016年第10期，第3—7頁。首先，由于跨業(yè)經(jīng)營的原因，互聯(lián)網(wǎng)金融將不同領域的業(yè)務整合到一起，行業(yè)間聯(lián)系緊密，同時風險也在相互滲透，系統(tǒng)性風險發(fā)生較為容易；其次由于網(wǎng)絡技術的發(fā)展，互聯(lián)網(wǎng)金融的容錯性較低，一旦發(fā)生風險，糾錯的時間很短，防范難度較高；最后互聯(lián)網(wǎng)金融廣泛存在著信息披露、法律監(jiān)管的不完善和混業(yè)經(jīng)營的特點，風險容易隱藏于各個階段，爆發(fā)風險后形成系統(tǒng)性風險的可能性會更大。

田磊通過對“宜信”壞賬風波的分析指出，網(wǎng)貸市場與傳統(tǒng)的金融市場在市場信息以及市場透明度方面存在著一定的差距，因此測算市場的系統(tǒng)性的方法也存在一定的難度。②田磊：《宜信壞賬風波敲響P2P系統(tǒng)性風險警鐘》，《股市動態(tài)分析》2014年第14期，第79頁。對于金融市場系統(tǒng)性風險的度量方法，國內外學者提出總體上可以分為兩大類。第一類方法是Adrian和Brunnermeier提出的CoVaR方法及其應用拓展。③Adrian T, Brunnermeier M K,“Federal Reserve Bank of New York”, in Staff Reports, 2008. No.348.李建軍等采用CoVaR模型對互聯(lián)網(wǎng)金融市場的金融指數(shù)數(shù)據(jù)進行了系統(tǒng)性風險測度，并驗證了互聯(lián)網(wǎng)金融市場和傳統(tǒng)金融市場之間存在風險溢出效應。④李建軍、馮雪：《互聯(lián)網(wǎng)金融系統(tǒng)性風險度量研究》，《華北電力大學學報》（社會科學版）2019年第2期，第1—12頁。Girardi與Ergün對 CoVaR 的研究主要運用了多元GARCH模型，并將金融機構的收益率小于或等于其VaR水平定義為財務困境狀態(tài)，研究了金融子機構對整體系統(tǒng)性風險的貢獻。①Girardi G, Ergün T A,“Systemic Risk Measurement: Multivariate GARCH Estimation of CoVaR”, in Journal of Banking & Finance, 2013, Vol.37, No.8, pp.3169—3180.梁斯通過構建EGARCH-VaR模型對我國金融體系的系統(tǒng)性風險進行了測度，并得出股票市場對整個系統(tǒng)的風險貢獻最大。②梁斯：《中國系統(tǒng)性金融風險的監(jiān)測和度量——基于EGRACH-VaR模型的實證研究》，《現(xiàn)代經(jīng)濟探討》2017年第11期，第33—40頁。高國華等在GARCH模型的基礎上建立CoVaR模型對我國銀行業(yè)的系統(tǒng)性風險進行了度量，得出我國國有銀行的系統(tǒng)性風險較大。③高國華、潘英麗：《銀行系統(tǒng)性風險度量——基于動態(tài)CoVaR方法的分析》，《上海交通大學學報》2011年第12期，第1753—1759頁。劉志洋在因子模型的基礎上計算了我國商業(yè)銀行的系統(tǒng)性風險VaR值。④劉志洋：《基于VaR模型的商業(yè)銀行體系系統(tǒng)性風險研究》，《當代金融研究》2019年第3期，第55—66頁。崔靜在CoVaR模型的基礎上建立了CoES模型來度量金融市場的系統(tǒng)性風險，發(fā)現(xiàn)模型擬合效果較為優(yōu)良且具有較高的準確度。⑤崔靜：《基于CoES模型的系統(tǒng)性金融風險測度》，《統(tǒng)計與決策》2019年第20期，第148—151頁。

第二類方法考慮系統(tǒng)性風險受到宏觀、微觀因素的影響，通過建立指標體系采取主成分分析或者構建指數(shù)的方法來測度系統(tǒng)性風險。塔琳根據(jù)互聯(lián)網(wǎng)金融的特點，建立了系統(tǒng)性風險的指標體系，通過主成分分析方法得出我國互聯(lián)網(wǎng)金融的系統(tǒng)性風險總體呈上升趨勢。⑥塔琳：《互聯(lián)網(wǎng)金融的系統(tǒng)性風險測算》，《統(tǒng)計與決策》2019年第7期，第158—161頁。賴娟等在金融壓力指數(shù)的基礎上結合中國金融系統(tǒng)的特點構建了中國金融壓力指數(shù)，通過指數(shù)的建立以及金融壓力時期的識別來監(jiān)測中國的金融系統(tǒng)性風險。⑦賴娟、呂江林：《基于金融壓力指數(shù)的金融系統(tǒng)性風險的測度》《統(tǒng)計與決策》2010年第19期，第128—131頁。洪健等通過構建指標體系以及因子分析的方法得到測度我國金融系統(tǒng)性風險的指數(shù)，以指數(shù)的變化來衡量系統(tǒng)性風險的變化。⑧洪健、雷漢云：《系統(tǒng)性金融風險測度的指標體系及評價》，《金融教育研究》，2020年第3期，第34—41頁。Gavronski和 Ziegelmann基于極值理論提出了度量系統(tǒng)性風險的一種新方法。該方法在極值理論基礎上構建了金融系統(tǒng)依賴指數(shù)（FSDI），考慮了時間動力學的因素，利用GAS模型增強了指數(shù)的穩(wěn)定性。⑨Gavronski P G, Flavio A. Ziegelmann F A, “Measuring Systemic Risk Via GAS Models and Extreme Value Theory:Revisiting the 2007 Financial Crisis”, in Finance Research Letters, 2021, Vol. 38, Article.101498.第二類方法相比第一類方法在測度系統(tǒng)性風險上考慮得更加全面，但是在微觀變量的選取上存在一定的局限性，因此很難將此類方法應用到金融體系中的單個市場。

顯然，應結合金融市場系統(tǒng)性風險的特點以及上述風險度量方法在網(wǎng)貸市場的適用性，對互聯(lián)網(wǎng)金融市場系統(tǒng)性風險進行度量。由于網(wǎng)貸市場相對傳統(tǒng)金融市場缺乏透明度，一些數(shù)據(jù)的獲取存在一定的難度。本文選擇在不同的GARCH模型下利用VaR以及CoVaR的方法，對網(wǎng)貸市場的系統(tǒng)性風險進行度量并測算了主要區(qū)域市場對整體系統(tǒng)性風險的貢獻度，以期對整個網(wǎng)貸市場的系統(tǒng)性風險進行合理度量和管理。

三、理論研究

（一）VaR模型

VaR（Value at Risk）即風險價值，20世紀90年代世界金融危機頻繁發(fā)生，人們對于風險的管理以及度量意識比較強烈，為此產(chǎn)生了對金融風險度量方法的大量研究。VaR成為度量金融風險比較常用的方法。網(wǎng)貸市場作為我國互聯(lián)網(wǎng)金融的重要組成部分，也是我國金融體系中不可忽略的一部分，具備金融市場的風險特征，可以利用計算VaR值來度量其風險。VaR的含義是：對于某一金融頭寸在給定的一段時期內，在給定的損失概率下也就是置信水平下所遭受的最大損失值。實質上VaR值就是概率分布中的一個分位數(shù)，它的表達式如下：

其中A表示的是金融頭寸，l表示的是金融頭寸的持有期，A(l)表示的是金融頭寸的損失函數(shù)。b值為分布的尾部概率，表示金融頭寸的持有者在期限l內所遭受的最大損失值的概率。為了更加簡單地表示出VaR實質上是分位數(shù)的概念，將上述的表達式簡寫如下：

其中Fl表示的是累積分布函數(shù)。由于VaR只考慮了單個市場的風險狀況，因此無法衡量單個市場對于整個市場的影響。

（二）CoVaR模型

CoVaR稱為條件風險價值，由Adrian和Brunnermeier在VaR的基礎上進行了改進提出，并以此來度量各個子市場對整個金融市場在危機情況下的影響。Adrian和Brunnermeier提出單個市場在危機狀況下的CoVaR值與整個市場在正常情況下的風險值的差額即為單個市場對于整個市場系統(tǒng)性風險的溢出值。①Adrian T, Brunnermeier M K,“Federal Reserve Bank of New York”, Staff Reports, 2011, No.342.這也是目前比較常用的測度金融市場系統(tǒng)性風險的方法。CoVaR是對 VaR的擴展和補充。VaR只考慮了單一機構或者市場在一定的概率水平下的風險損失值。CoVaR相對VaR而言不僅考慮了單個機構或市場的風險損失值，還考慮了單個機構或者市場對于整個系統(tǒng)性風險的溢出，反映了整個系統(tǒng)不同的組成部分在危機發(fā)生時的關聯(lián)性。CoVaR的含義是當某一市場或者機構的風險損失值為VaR的時候，其他機構或者市場或者整個系統(tǒng)所遭受的最大損失，它實際上也是個分位數(shù)，也要求必須在一定的顯著性水平下。CoVaR可以用公式表示如下：

本文CoVaRj|i中表示在顯著性水平為q的情況下，我國P2P網(wǎng)貸市場中的區(qū)域市場i發(fā)生風險時整個市場j所遭受的最大風險損失值。這里的最大風險值既包括無條件風險值又包括溢出風險值。因此衡量單個區(qū)域市場對整個系統(tǒng)的風險溢出值可以表示如下：

公式（4）是風險溢出值的絕對形式，為了使計算出的風險溢出值的可比性更高，我們對公式（4）做出如下處理，利用表示每個區(qū)域市場對整體系統(tǒng)性風險的貢獻的相對程度:

（三）GARCH族模型下CoVaR值的計算

CoVaR值是在計算得出的VaR值的基礎上進行計算的。目前計算VaR值的方法有許多，各種方法的精度以及適用的情況存在著一定的差異性。一般的方法是方差協(xié)方差法，也有一些學者利用歷史模擬法以及蒙特卡洛模擬法來計算，此外也可以根據(jù)風險價值實際上是分位數(shù)的概念，采用分位數(shù)回歸的方法來計算?？紤]到金融系統(tǒng)中常出現(xiàn)極端狀況，為了更好地體現(xiàn)極端條件的影響將極值理論引入VaR的計算中。基于GARCH模型來計算VaR值的方法，是目前比較常用的方法。其測算金融風險存在著較多的優(yōu)勢，由于金融時間序列波動率常常具有波動率聚集的特征，而GARCH模型對于金融時間序列的波動率聚集具有較好的擬合效果，在此基礎上計算的VaR值具有較高的精度。因此本文將基于不同的GARCH族模型對序列進行擬合，尋找最優(yōu)的擬合方程提高計算的VaR值以及CoVaR值的準確度。本文采用的GARCH族模型包括GARCH、TGARCH以及EGARCH等模型。

一般的GARCH模型主要包括兩部分：一部分是均值方程，另一部分是條件方差方程。均值方程可以寫成如下形式：

GARCH模型的條件方差方程可以寫成式（7）的形式，EGARCH、TGARCH模型的條件方差方程主要在GARCH模型的基礎上考慮非對稱效應以及杠桿效應，此處不再贅述。

其中rt在本文中表示的是整個網(wǎng)貸市場的收益率序列以及主要區(qū)域市場的收益率序列，α、β表示GARCH模型中待估參數(shù)。

基于GARCH族模型下VaR的計算公式如下：

在基于GARCH模型的基礎下，CoVaR與VaR的計算方法類似，也需要擬合GARCH模型，與前面計算VaR不同的是均值方程需要改變?yōu)槿缦滦问剑?/p>

然后在此均值方程下繼續(xù)擬合相應的GARCH模型，類似于計算VaR，基于GARCH模型的CoVaR的計算式如下：

四、實證分析

（一）數(shù)據(jù)來源及處理

1.數(shù)據(jù)來源

本文從行業(yè)整體考慮，對互聯(lián)網(wǎng)金融市場中的網(wǎng)貸市場的系統(tǒng)性風險進行測度?；诓煌珿ARCH模型擬合條件方差，選擇最優(yōu)的擬合模型去計算相應的VaR值以及CoVaR值，對網(wǎng)貸市場的風險值進行測度，進一步計算每個區(qū)域市場的系統(tǒng)性風險的貢獻度。選取中國網(wǎng)貸市場利率指數(shù)作為整個網(wǎng)貸市場的代表，選取北京、湖北、山東、廣東、江蘇、上海以及浙江7個?。ㄊ校┑木W(wǎng)貸利率指數(shù)作為區(qū)域網(wǎng)貸市場的代表。采用利率指數(shù)日數(shù)據(jù)，考慮到數(shù)據(jù)的完整性以及可獲得性，本文選取2014年9月8日至2019年6月14日（去除周末等無交易日）的日利率數(shù)據(jù)。由于整個市場以及區(qū)域的利率數(shù)據(jù)存在著不同程度的缺失，我們對缺失數(shù)據(jù)進行處理得到完整的數(shù)據(jù)集，共計1 245期數(shù)據(jù)，來源于wind數(shù)據(jù)庫、前瞻數(shù)據(jù)庫。

2.缺失數(shù)據(jù)處理

首先對缺失數(shù)據(jù)做了基本的統(tǒng)計，其中整體網(wǎng)貸市場利率指數(shù)數(shù)據(jù)缺失約1%，所選7個區(qū)域市場的數(shù)據(jù)缺失均在6%以下。總的來說數(shù)據(jù)缺失比例比較小，可以利用插補的方法將數(shù)據(jù)補充完整。由于所選的數(shù)據(jù)是時間序列，數(shù)據(jù)的缺失會丟失序列中所包含的趨勢等信息，對分析的結果會造成一定的影響，本文綜合利用中位數(shù)插補、鄰近趨勢插補、線性插補和多重插補，利用均值誤差以及標準離差平方和對插補后的數(shù)據(jù)進行精度比較，從中選擇最優(yōu)的插補方法。

從表1中均值誤差的結果來看，鄰近趨勢插補在整體、上海、北京市場表現(xiàn)較好，線性插補在廣東市場表現(xiàn)較好，中位數(shù)插補在湖北、山東市場表現(xiàn)較好，多重插補在江蘇、浙江市場表現(xiàn)較好。從插補數(shù)據(jù)和原始數(shù)據(jù)在均值誤差方面的表現(xiàn)來看，中位數(shù)和趨勢填補的整體效果接近。本文通過進一步比較，確定最優(yōu)的插補方法為綜合插補，充分利用以上各種插補方法的優(yōu)點，計算了各個序列插補后的標準平均離差平方和，如表2所示。

表1 均值誤差

表2 標準平均離差平方和

從表2的標準平均離差平方和的值來看，鄰近趨勢插補的效果在浙江、廣東、北京、上海、江蘇、山東表現(xiàn)較好，只是在整體和湖北的插補效果上表現(xiàn)較差，總體來看，鄰近趨勢插補的效果優(yōu)于中位數(shù)插補。綜上，可以選擇鄰近趨勢插補的方法，對所有存在缺失數(shù)據(jù)的序列進行插補，得到完整的數(shù)據(jù)。

3.收益率的計算

利用插補完整的利率指數(shù)數(shù)據(jù)，計算獲得整個網(wǎng)貸市場以及7個不同區(qū)域市場的收益率序列，收益率的計算公式如下所示：

其中rt表示計算所得到的收益率，Pt表示t時期的網(wǎng)貸系統(tǒng)以及7個區(qū)域市場的綜合利率，Pt--1表示t --1時期的綜合利率。

（二）數(shù)據(jù)描述統(tǒng)計分析及檢驗

1.描述統(tǒng)計分析

通過對數(shù)據(jù)進行初步清洗得到整個網(wǎng)貸市場的收益率序列以及北京、湖北、山東、廣東、江蘇、上海、浙江等7個區(qū)域市場的收益率序列，對這8個序列進行探索性數(shù)據(jù)分析，所得結果如表3所示。

表3 描述分析結果

表3顯示了整個市場以及7個區(qū)域日收益率每個序列的均值、中位數(shù)、最大值、最小值、標準差、偏度和峰度的具體值。對于以上的統(tǒng)計量，序列的偏度以及峰度在金融領域比較受關注。從表3中的結果來看。湖北、山東、江蘇的偏度系數(shù)分別為0.108、0.036、0.027，均大于0，說明這3個省的序列都是正偏，這3個省收益率為正的可能性比較大。整體、北京、廣東、上海、浙江的偏度系數(shù)分別為-0.080、-0.310、-0.058、-0.103、-0.063，均小于0，說明這5個序列負偏，這5個省收益率為負的可能性較大。從峰度系數(shù)來看，8個序列的峰度系數(shù)都大于3，均是尖峰分布。從偏度系數(shù)以及峰度系數(shù)綜合來看，8個序列都具有“尖峰厚尾”的特征。從表4的正態(tài)性檢驗來看，在顯著性水平為5%的情況下，8個序列的概率P值均為0.000，小于顯著性水平。因此不能接受原假設，可以認為序列服從都不是正態(tài)分布。

表4 正態(tài)性檢驗結果

2.平穩(wěn)性檢驗

在擬合GARCH模型之前要對序列的平穩(wěn)性進行檢驗，平穩(wěn)性檢驗比較常用的方法就是單位根檢驗即ADF檢驗，對8個序列進行滯后十二階的帶有常數(shù)項的單位根檢驗，具體結果如表5所示。

表5 單位根檢驗結果

從ADF檢驗結果來看8個序列的概率P值均為0.000，在顯著性水平為5%的情況下，P值均小于顯著性水平，因此原假設不能被接受，認為序列不存在單位根。綜上可以得出，整個網(wǎng)貸市場以及7個區(qū)域市場的收益率序列是平穩(wěn)的。

3.ARCH效應檢驗

根據(jù)各個序列自相關以及偏相關的特點，均值方程均采用AR（1）形式，并對樣本擬合的AR（1）模型殘差進行ARCH-LM檢驗以判斷是否存在ARCH效應。ARCH效應是擬合GARCH模型的前提。將整個網(wǎng)貸市場以及7個區(qū)域市場的對數(shù)收益率序列進行滯后一階的ARCH-LM檢驗，所得檢驗結果如表6所示。

表6 滯后一階的ARCH-LM檢驗結果

從檢驗結果看，8個序列的F統(tǒng)計量以及x2統(tǒng)計量的檢驗概率P值均為0，說明在顯著性水平為0.05的情況下原假設是不能被接受的，這些序列均存在ARCH效應，因而可以采用GARCH模型進行擬合。

（三）GARCH模型擬合及CoVaR的計算

1.GARCH模型的選擇

在實踐中，由于GARCH模型的定階比較復雜，對波動率的擬合通常采用的是階數(shù)較小的GARCH模型。一般像GARCH(1,1)、GARCH(1,2)以及GARCH(2,1)對波動率就可以有很好的擬合。本文針對整個網(wǎng)貸市場以及7個區(qū)域的收益率序列，基于GARCH、EGARCH以及TGARCH模型，并在不同的GARCH模型不同的分布下對序列擬合，這里不同的分布指的是正態(tài)分布、學生分布以及GED（廣義誤差）分布。根據(jù)前面的ARCH效應檢驗，將模型的均值方程設為AR(1)，并根據(jù)模型的ARCH-LM有效性檢驗以及AIC、SC準則選擇最優(yōu)的GARCH類模型，并在此基礎上計算VaR以及CoVaR的值。對于前面所列幾種條件組成的GARCH模型進行排列組合，每個序列均代入上述值，模型有三種，即GARCH，EGARCH，TGARCH，模型的階也有三種（1，1）、（1，2）和（2，1），并且基于的分布也有三種，所以每個序列有27個模型進行擬合。根據(jù)模型系數(shù)的顯著性，AIC、SC準則以及模型的有效性，選擇出每個序列對應的最優(yōu)擬合模型，如表7所示。

表7 序列最優(yōu)擬合模型結果

表中每個序列擬合的模型的系數(shù)均通過了顯著性檢驗。對擬合模型的殘差進行ARCH-LM檢驗，從ARCH-LM檢驗概率P值來看，在5%的顯著性水平下，以上8個序列均不能拒絕原假設，擬合后的模型不存在ARCH效應，說明模型是有效的。從擬合的模型結果來看，我國網(wǎng)貸市場的收益率存在一定杠桿效應，但是杠桿效應不是非常明顯，而且存在地區(qū)差異性。在學生分布以及廣義誤差分布下可以很好地擬合我國整個網(wǎng)貸市場以及各個區(qū)域市場收益率序列“厚尾”的特征。

2. VaR值的計算

根據(jù)式（8）將預測的均值方程的值以及條件方差的值代入公式，將上述擬合的最優(yōu)方程對應的學生分布以及GED分布對應的分位數(shù)，利用R軟件以及Eviewes軟件進行計算，得出整個網(wǎng)貸市場以及7個區(qū)域市場的收益率在5%的顯著性水平下的VaR值，具體結果如表8所示。

表8 整體及7個區(qū)域市場VaR值

（續(xù)表8）

將整個網(wǎng)貸市場以及7個區(qū)域市場的收益率序列及計算的VaR值繪制如圖1至圖8所示，從整體和各個區(qū)域市場計算的風險值和收益率來看，計算的VaR值可以很好地描述其損失的情況。

圖1 整體市場收益率與VaR值

圖2 北京市場收益率與VaR值

圖3 湖北市場收益率與VaR值

圖4 廣東市場收益率與VaR值

圖5 山東市場收益率與VaR值

圖6 江蘇市場收益率與VaR值

圖7 浙江市場收益率與VaR值

圖8 上海市場收益率與VaR值

3.CoVaR值的計算

將每個區(qū)域計算得到的VaR值序列作為變量代入整體市場收益率序列的均值方程中，然后進行GARCH模型的擬合，并根據(jù)式（10）計算出每個區(qū)域相應的CoVaR值，根據(jù)所擬合的模型得到均值方程預測值以及條件方差預測值，計算得出相應的分位數(shù)的值，代入式（10）中即可求得CoVaR值，結果如表9所示。

表9 各區(qū)域市場的CoVaR值

利用式（4），根據(jù)計算所得到的CoVaR值可以計算出每個區(qū)域相對于整個系統(tǒng)的風險溢出值，結果如表10所示。

表10 各區(qū)域市場的ΔCoVaR值

根據(jù)計算所得的各個區(qū)域的ΔCoVaR以及系統(tǒng)的VaR值，按照式（5）計算%CoVaR值，結果如表11所示。

表11 各區(qū)域市場的%CoVaR值

通過所計算的各區(qū)域以及整個網(wǎng)貸市場的VaR、CoVaR、ΔCoVaR以及%CoVaR值，可以得出以下結論。

首先，從各個區(qū)域的計算的風險值VaR來看，各個區(qū)域之間風險值差距比較大，山東和江蘇的區(qū)域風險值最高，主要因為這兩個區(qū)域的平均利率較高，收益率的波動率較大，比較不穩(wěn)定。北京、上海、湖北、浙江的日平均VaR值處于中等水平，說明這些區(qū)域風險控制較為穩(wěn)健，廣東的日平均VaR值較低，地區(qū)風險控制較好。

其次，CoVaR值表示的是當某個區(qū)域爆發(fā)風險時，整個系統(tǒng)所遭受的最大損失。從計算結果來看，每個區(qū)域的日均風險價值均大于整個網(wǎng)貸系統(tǒng)的日均風險值，也就是整個系統(tǒng)在正常狀態(tài)下的風險值，說明每個區(qū)域市場對于整個系統(tǒng)存在系統(tǒng)性風險溢出效應。從計算的結果來看，北京地區(qū)對于整個系統(tǒng)的系統(tǒng)性風險溢出效應最為明顯，條件風險價值為-0.069 647 109，并且與其他區(qū)域存在著較大的差距。ΔCoVaR相比CoVaR可以計算出單個區(qū)域市場的系統(tǒng)性風險溢出值，從計算的結果來看，北京、浙江、廣東、湖北這4個區(qū)域市場的系統(tǒng)性風險溢出值較大，其中北京的風險溢出值的均值為-0.001 829，中位數(shù)為-0.001 38，遠大于其他區(qū)域市場，即對整個網(wǎng)貸市場的系統(tǒng)性風險的貢獻值最大。結合實際情況來看，北京、浙江、廣東、湖北是整個網(wǎng)貸市場網(wǎng)貸平臺較為集中的區(qū)域，4個區(qū)域的網(wǎng)貸成交量占到整個網(wǎng)貸系統(tǒng)的70%—80%。并且北京的網(wǎng)貸成交量占比高達50%左右，尚在運營平臺數(shù)量占到整個網(wǎng)貸系統(tǒng)的30%左右。也就是說，北京市場爆發(fā)風險對整個網(wǎng)貸系統(tǒng)所造成的損失，相比其他區(qū)域要嚴重得多。根據(jù)計算的%CoVaR值，可以將區(qū)域市場的系統(tǒng)性風險的貢獻度劃分為3個等級，如表12，從中可以直觀地了解區(qū)域市場的系統(tǒng)性風險貢獻度。

表12 區(qū)域市場系統(tǒng)性風險貢獻度等級表

最后，計算的%CoVaR消除了量綱的影響，是衡量每個區(qū)域市場系統(tǒng)性風險貢獻度的相對形式，可比性更高，也可以作為計算結果的穩(wěn)健性檢驗。從計算的%CoVaR的日均值以及中位數(shù)可以看到，和所計算的CoVaR、ΔCoVaR結果基本一致的北京、廣東、浙江、湖北的%CoVaR的值仍最大，其他區(qū)域市場的貢獻度大小排序仍是一致的，以此可以說明以上的計算結果是穩(wěn)健的。

五、結論與建議

本文通過計算整個網(wǎng)貸市場的VaR值以及主要區(qū)域的CoVaR值，對整個網(wǎng)貸市場的系統(tǒng)性風險以及區(qū)域的系統(tǒng)性風險溢出效應進行了測度，主要的結論與建議如下。

首先，對行業(yè)以及區(qū)域市場的收益率構建GARCH族模型，并在此基礎上計算整個網(wǎng)貸市場以及區(qū)域市場的VaR值，發(fā)現(xiàn)網(wǎng)貸市場的收益率存在著“尖峰厚尾”的特征，也存在著杠桿效應，然而杠桿效應不是很明顯。整個網(wǎng)貸市場的風險值相對不同的區(qū)域市場存在著差距，區(qū)域市場的風險參差不齊。風險較高的區(qū)域，例如江蘇、山東等，區(qū)域市場監(jiān)管者要加強自身風險管理，在P2P良性清退的大潮下，把握合適的尺度合理控制風險，讓區(qū)域網(wǎng)貸市場健康發(fā)展。

其次，通過計算區(qū)域的CoVaR值發(fā)現(xiàn)，我國網(wǎng)貸行業(yè)幾個主要的區(qū)域市場對整個網(wǎng)貸系統(tǒng)存在著系統(tǒng)性風險溢出效應，但溢出效應存在一定的差異。根據(jù)計算結果，我們將主要區(qū)域市場的風險貢獻度分為三個等級，其中北京地區(qū)的風險貢獻度最高，即北京地區(qū)的網(wǎng)貸市場爆發(fā)風險對整個網(wǎng)貸系統(tǒng)的沖擊較大。因此，北京地區(qū)在控制自身風險的同時還要加強措施防止風險傳染對整個系統(tǒng)造成沖擊。系統(tǒng)性風險貢獻度為二、三等級的區(qū)域，貢獻度與北京存在著較大差異，這些區(qū)域也要加強系統(tǒng)性風險的監(jiān)管。特別是在當下，網(wǎng)貸市場仍處于一個清退不穩(wěn)定的局面，系統(tǒng)性風險爆發(fā)的概率大大增加。

最后，從整個行業(yè)的角度出發(fā)，監(jiān)管者要加強重點區(qū)域市場的風險控制，控制網(wǎng)貸市場爆發(fā)系統(tǒng)性風險的概率，促進網(wǎng)貸行業(yè)健康發(fā)展，為我國的中小微企業(yè)提供良好的融資窗口，為金融投資者提供良好的投資平臺；做好合理監(jiān)管，促進我國互聯(lián)網(wǎng)金融系統(tǒng)以及整個金融體系的健康良性發(fā)展。