媒體風(fēng)險(xiǎn)感知與系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警

肖爭艷 任夢瑤

摘 要：2008年國際金融危機(jī)以來，關(guān)于系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警已成為社會(huì)各界關(guān)注的重要問題。本文采用新聞文本大數(shù)據(jù)構(gòu)建了媒體風(fēng)險(xiǎn)感知這一主觀指標(biāo)，結(jié)合股票、債券、貨幣和外匯等金融子市場風(fēng)險(xiǎn)指標(biāo)，使用CISS方法合成了中國系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)（RP-SRI），并將RP-SRI與只包含金融子市場風(fēng)險(xiǎn)指標(biāo)的金融壓力指數(shù)（FSI）進(jìn)行對(duì)比研究。結(jié)果表明，首先，媒體風(fēng)險(xiǎn)感知與金融市場和宏觀經(jīng)濟(jì)之間存在單向的非線性格蘭杰因果關(guān)系。這說明媒體能夠捕捉政策不確定性和市場風(fēng)險(xiǎn)的微小變化，媒體風(fēng)險(xiǎn)感知對(duì)金融市場和宏觀經(jīng)濟(jì)有傳染效應(yīng)。其次，就經(jīng)濟(jì)穩(wěn)定問題而言，加入媒體風(fēng)險(xiǎn)感知的RP-SRI對(duì)經(jīng)濟(jì)下行風(fēng)險(xiǎn)爆發(fā)概率的識(shí)別能力相較于FSI要更強(qiáng)，可以更好地預(yù)測經(jīng)濟(jì)下行風(fēng)險(xiǎn)。最后，就金融穩(wěn)定問題而言，RP-SRI可識(shí)別系統(tǒng)性金融風(fēng)險(xiǎn)迅速積累狀態(tài)，實(shí)現(xiàn)預(yù)警金融風(fēng)險(xiǎn)的目的。本文豐富了系統(tǒng)性金融風(fēng)險(xiǎn)的防范預(yù)警體系，有助于監(jiān)管部門及時(shí)進(jìn)行金融市場風(fēng)險(xiǎn)防控和輿情管理，維持經(jīng)濟(jì)穩(wěn)定和金融穩(wěn)定。

關(guān)鍵詞：媒體風(fēng)險(xiǎn)感知;系統(tǒng)性金融風(fēng)險(xiǎn);風(fēng)險(xiǎn)預(yù)警;區(qū)制識(shí)別

中圖分類號(hào)：F830.91文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1000-176X（2021）09-0063-12

一、問題的提出

王朝陽和王文匯[1]從四個(gè)角度定義了系統(tǒng)性金融風(fēng)險(xiǎn)。系統(tǒng)性金融風(fēng)險(xiǎn)通常由金融脆弱性等內(nèi)部因素或者政策調(diào)整和宏觀經(jīng)濟(jì)波動(dòng)等外部因素引起，能夠通過機(jī)構(gòu)間關(guān)聯(lián)網(wǎng)絡(luò)進(jìn)行傳播擴(kuò)散，同時(shí)會(huì)引發(fā)金融功能失靈和市場恐慌蔓延。系統(tǒng)性金融風(fēng)險(xiǎn)的爆發(fā)不僅會(huì)導(dǎo)致金融體系出現(xiàn)劇烈波動(dòng)，而且會(huì)導(dǎo)致經(jīng)濟(jì)增速出現(xiàn)大幅下滑，甚至使經(jīng)濟(jì)體陷入長期衰退的局面。20世紀(jì)90年代日本大衰退與2008年全球金融危機(jī)均是典型案例。近年來，中國經(jīng)濟(jì)面臨著高債務(wù)與高房價(jià)等各類金融風(fēng)險(xiǎn)交織的復(fù)雜局面，防范化解重大風(fēng)險(xiǎn)被列為新時(shí)代實(shí)現(xiàn)高質(zhì)量發(fā)展的“三大攻堅(jiān)戰(zhàn)”之首。黨的十九大報(bào)告明確指出要“健全金融監(jiān)管體系，守住不發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)的底線”。2020年的政府工作報(bào)告進(jìn)一步強(qiáng)調(diào)要“加強(qiáng)重大風(fēng)險(xiǎn)防控，堅(jiān)決守住不發(fā)生系統(tǒng)性風(fēng)險(xiǎn)底線”。構(gòu)建適合中國國情的系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)（Risk-Perception-Based Systemic Risk Indicator，RP-SRI），有效識(shí)別系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)以保持經(jīng)濟(jì)穩(wěn)定和金融穩(wěn)定，顯得尤為重要與緊迫。

從已有文獻(xiàn)來看，RP-SRI的構(gòu)建方法主要有兩類：一類主要關(guān)注金融機(jī)構(gòu)間的“傳遞性”，特別是金融部門間系統(tǒng)性風(fēng)險(xiǎn)的關(guān)聯(lián)性，即通過DCC-GARCH、Copula-CoVaR、CoVaR和CCA等模型，計(jì)算金融機(jī)構(gòu)之間的風(fēng)險(xiǎn)溢出或極端風(fēng)險(xiǎn)依賴性來測度系統(tǒng)性金融風(fēng)險(xiǎn)。例如，方意等[2]利用DCC-GARCH 模型計(jì)算了中國金融機(jī)構(gòu)的系統(tǒng)性期望損失（SES），作為測度系統(tǒng)性風(fēng)險(xiǎn)指標(biāo)，分析了中國金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)的影響因素。肖璞等[3]采用CoVaR模型，利用分位數(shù)回歸技術(shù)研究單一商業(yè)銀行陷入困境時(shí)對(duì)其他銀行的風(fēng)險(xiǎn)溢出效應(yīng)，以及對(duì)整個(gè)銀行體系的風(fēng)險(xiǎn)貢獻(xiàn)率。梁琪等[4]計(jì)算了中國34家公開上市金融機(jī)構(gòu)的資本缺口（SRISK），并對(duì)系統(tǒng)重要性金融機(jī)構(gòu)進(jìn)行了排序。楊子暉等[5]以滬深300、銀行業(yè)、證券業(yè)、保險(xiǎn)業(yè)、房地產(chǎn)業(yè)及多元金融指數(shù)日收益率作為代理變量，使用VaR和ES指標(biāo)測度中國的極端金融風(fēng)險(xiǎn)。李政等[6]采用STENET等方法測度了中國上市金融機(jī)構(gòu)和行業(yè)間的系統(tǒng)性風(fēng)險(xiǎn)，并對(duì)機(jī)構(gòu)間或行業(yè)間的風(fēng)險(xiǎn)溢出水平以及傳導(dǎo)結(jié)構(gòu)進(jìn)行了分析。另一類主要關(guān)注整個(gè)金融體系的風(fēng)險(xiǎn)，即從股票、債券和外匯等各個(gè)子市場的維度選取基礎(chǔ)指標(biāo)，再用特定的數(shù)理統(tǒng)計(jì)方法合成綜合指數(shù)，從而對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)程度進(jìn)行全面評(píng)估。例如，Illing和Liu[7]提出了金融壓力指數(shù)（Financial Stress Index，F(xiàn)SI），選取銀行業(yè)、外匯、債券和股票市場四個(gè)維度的風(fēng)險(xiǎn)指標(biāo)，通過等方差權(quán)重法、因子分析法和以市場規(guī)模作為權(quán)重的方法合成FSI。許滌龍和陳雙蓮[8]基于CRITIC賦權(quán)構(gòu)建FSI，從銀行、房地產(chǎn)、股票市場和外部金融市場綜合測度中國面臨的金融壓力。陶玲和朱迎[9]從7 個(gè)維度構(gòu)建了系統(tǒng)性金融風(fēng)險(xiǎn)綜合指數(shù)，再采用馬爾科夫狀態(tài)轉(zhuǎn)換方法識(shí)別和判斷風(fēng)險(xiǎn)指標(biāo)的狀態(tài)和拐點(diǎn)，并度量和預(yù)警綜合指數(shù)狀態(tài)轉(zhuǎn)移的信息。方芳和林海濤[10]從價(jià)格與杠桿率兩個(gè)維度提出了系統(tǒng)性金融風(fēng)險(xiǎn)的測量體系并進(jìn)行了實(shí)證檢驗(yàn)。

已有研究仍存在一些需要改進(jìn)的地方：首先，存在滯后性?，F(xiàn)有指標(biāo)所使用的數(shù)據(jù)多為結(jié)構(gòu)化統(tǒng)計(jì)數(shù)據(jù)，其中很多是風(fēng)險(xiǎn)發(fā)生后的事后表現(xiàn)，而非風(fēng)險(xiǎn)本身。而且，還未考慮到諸如媒體對(duì)金融市場和宏觀經(jīng)濟(jì)政策的報(bào)道、評(píng)論和預(yù)測等非結(jié)構(gòu)化實(shí)時(shí)文本大數(shù)據(jù)對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的影響。其次，合成方法的權(quán)重選擇缺乏較為明確的經(jīng)濟(jì)含義，對(duì)變量之間的高度依賴性和時(shí)間關(guān)聯(lián)性考慮不足。再次，在基礎(chǔ)指標(biāo)選擇上，國內(nèi)很多研究同時(shí)加入金融市場指標(biāo)和實(shí)體經(jīng)濟(jì)指標(biāo)，但實(shí)體經(jīng)濟(jì)指標(biāo)頻率較低，其變化往往滯后于金融市場，難以及時(shí)反映金融市場的變化。最后，兩類研究模型尤其是第一類研究模型構(gòu)建過程過于復(fù)雜，且對(duì)數(shù)據(jù)時(shí)間長度和金融發(fā)展水平具有較高要求。但是，中國金融市場發(fā)展起步較晚，數(shù)據(jù)時(shí)間長度、穩(wěn)定性和連續(xù)性均不夠理想。而且，由于數(shù)據(jù)所限，這類指數(shù)構(gòu)建方法主要關(guān)注上市金融機(jī)構(gòu)股價(jià)波動(dòng)產(chǎn)生的系統(tǒng)性風(fēng)險(xiǎn)，而忽略了外匯、債券和貨幣等其他金融子市場的波動(dòng)，因而可能無法全面度量各金融子市場所面臨的風(fēng)險(xiǎn)。

本文旨在解決上述問題。首先，本文采用新聞文本大數(shù)據(jù)構(gòu)建了媒體風(fēng)險(xiǎn)感知的主觀指標(biāo)，來研究媒體風(fēng)險(xiǎn)感知對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的傳染效應(yīng)。媒體風(fēng)險(xiǎn)感知之所以重要，是因?yàn)橄到y(tǒng)性金融風(fēng)險(xiǎn)的演化通常是一個(gè)非線性的過程，前期的風(fēng)險(xiǎn)積累往往比較緩慢，金融市場不會(huì)出現(xiàn)明顯變化，而當(dāng)越過某一閾值后風(fēng)險(xiǎn)會(huì)迅速積累，快速演化為系統(tǒng)性金融風(fēng)險(xiǎn)。僅僅基于金融子市場指標(biāo)構(gòu)建的金融壓力指數(shù)（FSI），難以在風(fēng)險(xiǎn)程度達(dá)到閾值前就發(fā)出預(yù)警。相比之下，Li [11]與牛楓等[12]的研究表明，對(duì)政策不確定性和市場風(fēng)險(xiǎn)變化比較敏銳的媒體容易捕捉到風(fēng)險(xiǎn)或不確定性的微小變化，其所傳達(dá)的信息也會(huì)影響公眾對(duì)風(fēng)險(xiǎn)的判斷，從而導(dǎo)致市場恐慌，甚至傳播非理性情緒或高風(fēng)險(xiǎn)預(yù)期，加速風(fēng)險(xiǎn)累積。其次，本文將在綜合指數(shù)法的基礎(chǔ)上納入媒體風(fēng)險(xiǎn)感知指標(biāo)，使用跨網(wǎng)云計(jì)算整合解決方案與報(bào)務(wù)（Cross-Net Cloud-Comapting Integrated Solution and Service，CISS）方法構(gòu)建系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)（RP-SRI）。CISS法不僅考慮各指標(biāo)對(duì)宏觀經(jīng)濟(jì)的影響，還有效地解決了指標(biāo)之間的相關(guān)性問題。最后，本文從經(jīng)濟(jì)穩(wěn)定和金融穩(wěn)定兩個(gè)方面探討了RP-SRI是否可以更好地預(yù)測經(jīng)濟(jì)下行風(fēng)險(xiǎn)和預(yù)警系統(tǒng)性金融風(fēng)險(xiǎn)的爆發(fā)。

與已有文獻(xiàn)相比本文的邊際貢獻(xiàn)主要有兩點(diǎn)：首先，使用文本分析方法構(gòu)建了媒體風(fēng)險(xiǎn)感知指標(biāo)，實(shí)現(xiàn)了對(duì)金融市場和經(jīng)濟(jì)政策的非結(jié)構(gòu)化實(shí)時(shí)信息量化，豐富了關(guān)于媒體報(bào)道與金融市場風(fēng)險(xiǎn)和實(shí)體經(jīng)濟(jì)之間關(guān)系方面的學(xué)術(shù)研究。其次，在綜合指數(shù)法的基礎(chǔ)上納入媒體風(fēng)險(xiǎn)感知指標(biāo)，彌補(bǔ)了已有結(jié)構(gòu)化指標(biāo)在預(yù)警能力上的不足，改進(jìn)了宏觀經(jīng)濟(jì)風(fēng)險(xiǎn)和金融風(fēng)險(xiǎn)識(shí)別能力與預(yù)警能力。

二、含有媒體風(fēng)險(xiǎn)感知的系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)構(gòu)建

（一）金融子市場風(fēng)險(xiǎn)指標(biāo)構(gòu)建

通過對(duì)已有文獻(xiàn)的梳理，本文在股票、債券、貨幣和外匯市場中選取能夠體現(xiàn)出金融市場風(fēng)險(xiǎn)積累傾向和程度的基礎(chǔ)指標(biāo)池如表1所示。這些指標(biāo)從不同的角度反映各金融子市場的風(fēng)險(xiǎn)。如債券市場指標(biāo)中債5年國債與3個(gè)月國債利率差能反映出債券市場的期限風(fēng)險(xiǎn)，而中債10年AAA企業(yè)債與10年國債利率差則能反映出債券市場的違約風(fēng)險(xiǎn)，兩者相互補(bǔ)充共同反映債券市場的風(fēng)險(xiǎn)狀況。

然后，采用以下四個(gè)原則從表1中進(jìn)一步選取與宏觀經(jīng)濟(jì)最密切的指標(biāo)做為金融子市場風(fēng)險(xiǎn)基礎(chǔ)指標(biāo)：一是能從不同的角度及時(shí)反映金融子市場的金融壓力狀態(tài)，彼此互相補(bǔ)充。二是所對(duì)應(yīng)的數(shù)據(jù)可獲得且數(shù)據(jù)時(shí)間跨度足夠長，能覆蓋盡可能多的金融風(fēng)險(xiǎn)事件。三是指標(biāo)應(yīng)具有較高的頻率以跟蹤監(jiān)測金融市場壓力狀況。四是使用Granger因果檢驗(yàn)構(gòu)成宏觀經(jīng)濟(jì)景氣的格蘭杰原因的基礎(chǔ)指標(biāo)。本文最終選取了如下幾類金融子市場基礎(chǔ)指標(biāo)，如表2所示。樣本區(qū)間為2007年1月至2019年12月。數(shù)據(jù)來源包括Wind數(shù)據(jù)庫、中經(jīng)網(wǎng)統(tǒng)計(jì)數(shù)據(jù)庫等，數(shù)據(jù)頻率為月。

在各金融子市場的指標(biāo)中，股票市場風(fēng)險(xiǎn)往往表現(xiàn)為波動(dòng)率上升和股價(jià)下降。本文選擇上市公司總市值同比增速、平均市盈率同比增速和上證綜指振幅三個(gè)指標(biāo)表征股票市場風(fēng)險(xiǎn)狀態(tài)。貨幣市場和債券市場風(fēng)險(xiǎn)主要表現(xiàn)為波動(dòng)率和利差的上升。本文選取交易比較活躍的貨幣工具利率和中債綜合指數(shù)同比增速表示波動(dòng)率變動(dòng)，使用1年與7天Shibor利差、10年國債與1年國債到期收益率利差表示貨幣市場和債券市場的利差水平。外匯市場風(fēng)險(xiǎn)主要表現(xiàn)為外匯儲(chǔ)備下降、匯率波動(dòng)和進(jìn)出口貿(mào)易減少。本文選擇外匯儲(chǔ)備環(huán)比增速、人民幣匯率指數(shù)環(huán)比增速和進(jìn)出口總值同比增速三個(gè)指標(biāo)來反映外匯市場風(fēng)險(xiǎn)狀況。由于各基礎(chǔ)指標(biāo)對(duì)風(fēng)險(xiǎn)的正負(fù)影響不同，其量綱也不同，因而將每個(gè)基礎(chǔ)指標(biāo)在時(shí)間序列上的樣本基于風(fēng)險(xiǎn)水平進(jìn)行去量綱化和極值法同向化處理（Min-Max Normalization）。將正向指標(biāo)定義為：本市場的風(fēng)險(xiǎn)越大，指標(biāo)數(shù)值越大;負(fù)向指標(biāo)反之。轉(zhuǎn)換后的變量取值均在[0，1]區(qū)間內(nèi)。通過簡單算術(shù)平均將基礎(chǔ)指標(biāo)合成為金融子市場風(fēng)險(xiǎn)指標(biāo)。本文另使用各基礎(chǔ)變量對(duì)宏觀經(jīng)濟(jì)景氣指數(shù)的滯后1—11期相對(duì)沖擊的絕對(duì)值為權(quán)重，合成金融子市場風(fēng)險(xiǎn)指標(biāo)。該方法合成的指標(biāo)與使用簡單算術(shù)平均方法合成的指標(biāo)走勢基本相同，說明選用簡單算術(shù)平均方法是穩(wěn)健的。

（二）構(gòu)建媒體風(fēng)險(xiǎn)感知指標(biāo)

Baker和Wurgler[13]與Pflueger等[14]的研究都表明，公眾會(huì)對(duì)政策不確定性和市場風(fēng)險(xiǎn)變化作出反應(yīng)，并可能會(huì)加速風(fēng)險(xiǎn)傳遞。為了研究風(fēng)險(xiǎn)感知對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的傳染效應(yīng)，本文從媒體政策風(fēng)險(xiǎn)感知和市場風(fēng)險(xiǎn)感知兩個(gè)維度合成媒體風(fēng)險(xiǎn)感知指標(biāo)。其中，使用政策不確定性指數(shù)表示政策風(fēng)險(xiǎn)感知。張玉鵬和王茜[15]與楊子暉等[5]選擇基于Baker等[16]根據(jù)中國香港《南華早報(bào)》構(gòu)建的政策不確定性指數(shù)（EPU）代表中國經(jīng)濟(jì)政策不確定性。然而，該指數(shù)存在傾向于反映中國香港經(jīng)濟(jì)或國際經(jīng)濟(jì)不確定性問題。比如，受中美貿(mào)易戰(zhàn)和中國香港政局變動(dòng)等事件的影響，2018年以后該指數(shù)迅速上升，顯著高于之前時(shí)段。相較之下，Huang和Luk[17]構(gòu)造的中國經(jīng)濟(jì)政策不確定性指數(shù)（CNEPU）使用多份內(nèi)地報(bào)紙作為文本數(shù)據(jù)源，在文本分析中同時(shí)采用“政策、戰(zhàn)略、改革、稅收、財(cái)政”等反映經(jīng)濟(jì)政策的關(guān)鍵詞，以及“不確定、不明朗、難以預(yù)料”等反映風(fēng)險(xiǎn)的關(guān)鍵詞，關(guān)鍵詞詞庫數(shù)據(jù)來自經(jīng)濟(jì)政策不確定性指數(shù)網(wǎng)站http：//www.policyuncertainty.com/china_epu.html及https：//economicpolicyuncertaintyinchina.weebly.com。能夠更好地刻畫媒體對(duì)政策風(fēng)險(xiǎn)的感知。與Baker等[16]的經(jīng)濟(jì)不確定性（EPU）指數(shù)相比較，CNEPU克服了報(bào)道偏誤問題，對(duì)政策風(fēng)險(xiǎn)感知的度量更加準(zhǔn)確。因此，本文采用Huang和Luk[17]合成的中國經(jīng)濟(jì)政策不確定性（CNEPU）指數(shù)作為媒體政策風(fēng)險(xiǎn)感知的度量。針對(duì)媒體對(duì)市場風(fēng)險(xiǎn)感知，本文選取《經(jīng)濟(jì)觀察報(bào)》作為文本數(shù)據(jù)源， 之所以選擇《經(jīng)濟(jì)觀察報(bào)》，一是因?yàn)樵搱?bào)是全國三大經(jīng)濟(jì)類報(bào)刊之一，服務(wù)于商業(yè)、財(cái)經(jīng)和相關(guān)行業(yè)中的決策者，為其提供真實(shí)、科學(xué)的財(cái)經(jīng)報(bào)道和分析，具備較強(qiáng)的專業(yè)性和權(quán)威性;二是因?yàn)槠潆娮影姘l(fā)行時(shí)間符合本文的研究需要。采用人工閱讀的方式構(gòu)造關(guān)于媒體風(fēng)險(xiǎn)感知的詞庫，合成測度媒體風(fēng)險(xiǎn)感知的基礎(chǔ)指標(biāo)。本文爬取了2007年1月9日至2019年12月31日《經(jīng)濟(jì)觀察報(bào)》網(wǎng)站提供的數(shù)字報(bào)紙，數(shù)據(jù)共計(jì) 60 684篇。經(jīng)統(tǒng)計(jì)，該報(bào)每月新聞報(bào)道的平均數(shù)為389篇，大致符合隨機(jī)波動(dòng)，不存在某些年某些月報(bào)道顯著高于其他時(shí)段的情況。本文從所爬取的新聞文本中每個(gè)月隨機(jī)選取100篇文章，采取人工閱讀方式提取其中用于描述市場風(fēng)險(xiǎn)的詞匯。相較于CNEPU的關(guān)鍵詞選擇，本文構(gòu)建的詞庫直接描述了市場風(fēng)險(xiǎn)積累傾向與程度，能夠體現(xiàn)媒體對(duì)市場風(fēng)險(xiǎn)的感知。構(gòu)建方法如下：一是進(jìn)行分詞操作，同時(shí)過濾文本中一些無效詞。二是統(tǒng)計(jì)出詞庫詞匯在每篇文章的出現(xiàn)次數(shù)占文章總詞匯數(shù)的比重。三是求取每月的風(fēng)險(xiǎn)詞出現(xiàn)比重的平均值，作為媒體市場風(fēng)險(xiǎn)感知指標(biāo)。

與構(gòu)建風(fēng)險(xiǎn)子市場指標(biāo)的方法一致，本文對(duì)媒體政策風(fēng)險(xiǎn)感知指標(biāo)（CNEPU）和媒體市場風(fēng)險(xiǎn)感知指標(biāo)進(jìn)行極值法、同向化和去量綱化處理，然后通過簡單算術(shù)平均合成同時(shí)反映媒體對(duì)政策風(fēng)險(xiǎn)和市場風(fēng)險(xiǎn)感知的媒體風(fēng)險(xiǎn)感知復(fù)合指標(biāo)，如圖1所示。

圖1展示了媒體風(fēng)險(xiǎn)感知指標(biāo)的合成結(jié)果。從整體來看，媒體風(fēng)險(xiǎn)感知在大多數(shù)期間圍繞均值0.441上下呈鋸齒狀波動(dòng)。在2008年全球金融危機(jī)、2012年歐債危機(jī)、2015—2017年初股災(zāi)債災(zāi)以及2018年后中美貿(mào)易戰(zhàn)等系統(tǒng)性金融風(fēng)險(xiǎn)增加期間，媒體風(fēng)險(xiǎn)感知水平超過了0.700，與均值的偏離超過了1.500個(gè)標(biāo)準(zhǔn)差。此外，從指數(shù)變動(dòng)趨勢來看，媒體風(fēng)險(xiǎn)感知在危機(jī)發(fā)生前往往就會(huì)呈現(xiàn)出上升趨勢。比如，在2008年1月、2011年8月和2015年1月這些危機(jī)爆發(fā)點(diǎn)之前，媒體風(fēng)險(xiǎn)感知水平已經(jīng)超過了0.600，相對(duì)均值的偏離則超過了1.250個(gè)標(biāo)準(zhǔn)差。這說明對(duì)政策和市場風(fēng)險(xiǎn)變化比較敏銳的媒體容易提前捕捉到風(fēng)險(xiǎn)或不確定性的微小變化，其所傳達(dá)的信息也會(huì)影響公眾對(duì)風(fēng)險(xiǎn)的判斷，并且有可能會(huì)加速風(fēng)險(xiǎn)的傳遞。

表3展示了金融子市場風(fēng)險(xiǎn)和媒體風(fēng)險(xiǎn)感知的描述性統(tǒng)計(jì)結(jié)果?；诳杀刃钥紤]，對(duì)各金融子市場風(fēng)險(xiǎn)指標(biāo)和媒體風(fēng)險(xiǎn)感知指標(biāo)進(jìn)行正向去量綱處理，指標(biāo)均介于[0，1]之間。

（三）系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)構(gòu)建

本文借鑒Kremer等[18]，采用CISS方法測度FSI和RP-SRI。CISS方法的理論基礎(chǔ)為投資組合理論，對(duì)各子市場正相關(guān)性增強(qiáng)、波動(dòng)性均上升到高位的情況賦予更高的權(quán)重。該方法修正了已有指數(shù)合成方法未充分考慮變量之間高度依賴性和時(shí)間關(guān)聯(lián)性的缺陷。權(quán)重選擇上，本文以各金融子市場風(fēng)險(xiǎn)和媒體風(fēng)險(xiǎn)感知對(duì)宏觀經(jīng)濟(jì)的影響大小作為權(quán)重。具體計(jì)算公式為：

RP-SRI=ω×St×Ct×ω×St′（1）

其中，St=（S1，S2，S3，S4，S5）表示股票、債券、貨幣和外匯市場風(fēng)險(xiǎn)及媒體風(fēng)險(xiǎn)感知。ω=ω1，ω2，ω3，ω4，ω5表示各子指標(biāo)的權(quán)重。Ct表示t時(shí)刻各子指標(biāo)的時(shí)變交叉相關(guān)系數(shù)矩陣。

在權(quán)重ω的確定上，本文借鑒Kremer等[18]采用脈沖響應(yīng)函數(shù)測算各子指標(biāo)對(duì)宏觀經(jīng)濟(jì)的平均相對(duì)沖擊來確定組合權(quán)重?？紤]到數(shù)據(jù)頻率為月度，選擇宏觀經(jīng)濟(jì)景氣指數(shù)（MAC_ECOBOOM_IDX，簡記MEI）作為宏觀經(jīng)濟(jì)的代理變量。反映宏觀經(jīng)濟(jì)的指標(biāo)包括國內(nèi)生產(chǎn)總值、通貨膨脹水平、投資指標(biāo)、消費(fèi)、宏觀經(jīng)濟(jì)景氣指數(shù)、制造業(yè)采購經(jīng)理指數(shù)、工業(yè)增加值增長率等。在符合本文數(shù)據(jù)頻率的月度宏觀數(shù)據(jù)中，宏觀經(jīng)濟(jì)景氣指數(shù)（一致指標(biāo)）綜合考慮了工業(yè)生產(chǎn)、社會(huì)需求、就業(yè)和社會(huì)收入四個(gè)方面，對(duì)宏觀經(jīng)濟(jì)運(yùn)行現(xiàn)狀的刻畫最為全面。因此，本文選擇MEI作為宏觀經(jīng)濟(jì)的代理變量。一是構(gòu)造各子指標(biāo)與MEI的VAR模型和脈沖響應(yīng)函數(shù)。構(gòu)建VAR模型需保證各變量是平穩(wěn)序列。經(jīng)ADF檢驗(yàn)，外匯市場和貨幣市場風(fēng)險(xiǎn)指數(shù)為非平穩(wěn)序列，一階差分后平穩(wěn)。為保證權(quán)重分解的一致性，對(duì)所有變量進(jìn)行一階差分處理，然后構(gòu)建VAR模型。二是將各子指標(biāo)對(duì)MEI的滯后1—11期相對(duì)沖擊的絕對(duì)值進(jìn)行算術(shù)平均。三是進(jìn)行歸一化處理，得到權(quán)重向量ω。為了進(jìn)行比較，本文分別合成了只包含金融子市場風(fēng)險(xiǎn)指標(biāo)的FSI，其中股票市場、債券市場、貨幣市場和外匯市場風(fēng)險(xiǎn)指數(shù)的權(quán)重向量ω=（24.71%，39.05%，13.31%，22.93%），以及加入媒體風(fēng)險(xiǎn)感知的RP-SRI，其中權(quán)重向量ω=（21.37%，33.78%，11.51%，19.83%，13.51%）。

為了確定時(shí)變相關(guān)系數(shù)矩陣Ct，本文通過指數(shù)加權(quán)移動(dòng)平均法計(jì)算各子指標(biāo)的協(xié)方差和方差交叉相關(guān)系數(shù)ρij，t，即：

σij，t=μσij，t-1+1-μSi，tSj，t

σ2i，t=μσi，t-12+1-μS2i，tρij，t=σij，t/σi，t2（2）

其中，σij，t表示t時(shí)期子指標(biāo)Si，t與Sj，t之間移動(dòng)加權(quán)的協(xié)方差，Si，t=Si，t-0.500表示子指標(biāo)Si，t與其理論均值0.500之差。σ2i，t表示子指標(biāo)Si，t移動(dòng)加權(quán)的方差。μ為平滑參數(shù)，其數(shù)值越大，表示以越慢的速率反映最新的金融數(shù)據(jù)信息。根據(jù)Kremer等[18]，μ近似等于各子指標(biāo)IGARCH（1，1）模型的平滑參數(shù)β1的均值。在文中FSI的平滑參數(shù)取值為0.642，RP-SRI的平滑參數(shù)μ=0.691。如需要各金融子市場風(fēng)險(xiǎn)指標(biāo)及媒體風(fēng)險(xiǎn)感知的IGARCH（1，1）模型平滑參數(shù)結(jié)果，可與作者聯(lián)系。

確定了權(quán)重ω和時(shí)變相關(guān)系數(shù)矩陣Ct后，根據(jù)式（1）合成得到僅包含金融子市場風(fēng)險(xiǎn)指標(biāo)的FSI和加入媒體風(fēng)險(xiǎn)感知的RP-SRI。經(jīng)統(tǒng)計(jì)，去量綱后FSI和RP-SRI的均值均在0.221左右，方差分別為0.162和0.179，合成結(jié)果如圖2所示。在2008年全球金融危機(jī)、2012年歐債危機(jī)、2013年錢荒、2015—2017年初股災(zāi)債災(zāi)和2018年后中美貿(mào)易戰(zhàn)期間，F(xiàn)SI和RP-SRI指數(shù)均顯著上升，與均值的偏離超過1個(gè)標(biāo)準(zhǔn)差，這都與圖1所示形成明顯對(duì)比。因此，F(xiàn)SI和RP-SRI均能較好地反映2007年以來中國歷次系統(tǒng)性金融風(fēng)險(xiǎn)上升的事件，二者的直觀差異并不明顯。由于難以通過簡單的走勢比較來說明RP-SRI對(duì)于系統(tǒng)性風(fēng)險(xiǎn)刻畫能力的優(yōu)化，本文將在下面通過多維度的量化實(shí)證方法進(jìn)一步論證含有媒體風(fēng)險(xiǎn)感知的RP-SRI是否相較于FSI有顯著改進(jìn)。

三、經(jīng)驗(yàn)研究

本部分試圖從下面三個(gè)維度論證含有媒體風(fēng)險(xiǎn)感知的RP-SRI是否相較于FSI有所改進(jìn)：首先，金融市場和宏觀經(jīng)濟(jì)運(yùn)行中是否存在媒體風(fēng)險(xiǎn)感知的傳染效應(yīng)，加入媒體風(fēng)險(xiǎn)感知指標(biāo)能否提高對(duì)金融市場風(fēng)險(xiǎn)和宏觀經(jīng)濟(jì)的解釋力。其次，就經(jīng)濟(jì)穩(wěn)定問題而言，RP-SRI對(duì)經(jīng)濟(jì)下行風(fēng)險(xiǎn)的識(shí)別能力是否優(yōu)于FSI。最后，就金融穩(wěn)定問題而言，RP-SRI能否更好地識(shí)別系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)和更好地預(yù)警金融風(fēng)險(xiǎn)爆發(fā)。

（一）媒體風(fēng)險(xiǎn)感知效應(yīng)的存在性檢驗(yàn)

如果媒體風(fēng)險(xiǎn)感知的滯后項(xiàng)有助于改善對(duì)金融市場風(fēng)險(xiǎn)和宏觀經(jīng)濟(jì)的解釋力度，那么可以認(rèn)為金融市場和經(jīng)濟(jì)運(yùn)行中存在風(fēng)險(xiǎn)感知對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的傳染效應(yīng)，因而在已有指標(biāo)基礎(chǔ)上加入媒體風(fēng)險(xiǎn)感知是有價(jià)值的。因此，本文分別構(gòu)建媒體風(fēng)險(xiǎn)感知與FSIFSI以各金融子市場風(fēng)險(xiǎn)為權(quán)重進(jìn)行合成，能夠較好地反映金融市場風(fēng)險(xiǎn)的整體狀態(tài)。因此，這里選取FSI作為金融市場風(fēng)險(xiǎn)的代理變量。和宏觀經(jīng)濟(jì)景氣指數(shù)的雙變量VAR模型，檢驗(yàn)媒體風(fēng)險(xiǎn)感知是否為FSI和宏觀經(jīng)濟(jì)景氣指數(shù)的格蘭杰原因。

本文對(duì)這些平穩(wěn)序列進(jìn)行傳統(tǒng)的線性格蘭杰因果檢驗(yàn)，格蘭杰因果檢驗(yàn)要求變量應(yīng)為平穩(wěn)序列。ADF檢驗(yàn)結(jié)果表明，在5%的置信區(qū)間內(nèi)，媒體風(fēng)險(xiǎn)感知、FSI和MEI均為平穩(wěn)序列。檢驗(yàn)結(jié)果如表4所示。由表4可知，在5%的顯著性水平下，除媒體風(fēng)險(xiǎn)感知構(gòu)成FSI的線性格蘭杰原因外，其余格蘭杰因果關(guān)系均不成立。需要注意的是，傳統(tǒng)的格蘭杰因果關(guān)系檢驗(yàn)需要隱含假定潛在數(shù)據(jù)生成過程是線性的。但是，楊子暉和趙永亮[19]的研究表明，現(xiàn)實(shí)中的宏觀經(jīng)濟(jì)變量常常會(huì)因受到經(jīng)濟(jì)環(huán)境變化和經(jīng)濟(jì)體制變革等因素的沖擊而產(chǎn)生結(jié)構(gòu)性突變，呈現(xiàn)非線性特征。Nishiyama等[20]進(jìn)一步指出，在這種情況下，傳統(tǒng)的格蘭杰因果關(guān)系檢驗(yàn)不僅難以識(shí)別被解釋變量和解釋變量之間的非線性關(guān)系，甚至還會(huì)導(dǎo)致結(jié)論出現(xiàn)明顯偏差。基于此考慮，本文進(jìn)一步使用了Diks和Panchenko[21]構(gòu)建的Tn統(tǒng)計(jì)量，對(duì)經(jīng)VAR模型線性過濾后的殘差序列進(jìn)行非線性格蘭杰因果關(guān)系檢驗(yàn)，以期得到更為穩(wěn)健可靠的結(jié)論。表4展示了基于共同滯后階數(shù)（Lx=Ly）1—4階的非線性格蘭杰因果關(guān)系檢驗(yàn)結(jié)果?？梢钥吹?，在5%的顯著性水平下，媒體風(fēng)險(xiǎn)感知既是FSI的格蘭杰原因，也是MEI的格蘭杰原因，而FSI和MEI均不構(gòu)成媒體風(fēng)險(xiǎn)感知的格蘭杰原因。

綜合線性與非線性格蘭杰因果檢驗(yàn)的實(shí)證結(jié)果，可以得出以下兩點(diǎn)結(jié)論：一是FSI和MEI不是媒體風(fēng)險(xiǎn)感知的格蘭杰原因，而反之卻成立。這說明媒體風(fēng)險(xiǎn)感知與FSI和MEI之間存在單向的格蘭杰因果關(guān)系，媒體風(fēng)險(xiǎn)感知的滯后項(xiàng)有助于改善對(duì)金融市場和宏觀經(jīng)濟(jì)運(yùn)行的解釋力度，因此，加入媒體風(fēng)險(xiǎn)感知能夠更好地識(shí)別系統(tǒng)性金融風(fēng)險(xiǎn)變動(dòng)情況。二是媒體風(fēng)險(xiǎn)感知是MEI和FSI的非線性格蘭杰原因的檢驗(yàn)結(jié)果，印證了認(rèn)知科學(xué)和金融經(jīng)濟(jì)學(xué)關(guān)于經(jīng)濟(jì)狀況與情緒變化關(guān)聯(lián)性的研究結(jié)果。根據(jù)Lopes[22]與林樹和俞喬[23]的研究，由于人們對(duì)損失的恐懼程度高于利得的吸引程度，而恐懼的情緒體驗(yàn)會(huì)顯著影響經(jīng)濟(jì)參與者的決策行為，因此，可能形成“動(dòng)物精神”下的群體非理性沖動(dòng)。由于比較敏銳的媒體容易捕捉到市場風(fēng)險(xiǎn)或政策不確定性的微小變化，而風(fēng)險(xiǎn)和不確定性的上升會(huì)滋生市場恐懼情緒，從而會(huì)對(duì)宏觀經(jīng)濟(jì)與金融市場產(chǎn)生非線性影響。因此，媒體風(fēng)險(xiǎn)感知能夠反映風(fēng)險(xiǎn)與恐懼情緒的迅速積累過程，在指數(shù)構(gòu)建中加入該指標(biāo)應(yīng)能夠更好地預(yù)測系統(tǒng)性金融風(fēng)險(xiǎn)的波動(dòng)狀況。

（二）經(jīng)濟(jì)下行風(fēng)險(xiǎn)預(yù)測能力的比較分析

為比較RP-SRI與FSI對(duì)經(jīng)濟(jì)下行風(fēng)險(xiǎn)的預(yù)測能力，本文構(gòu)造Probit模型來對(duì)比兩者對(duì)于經(jīng)濟(jì)下行風(fēng)險(xiǎn)爆發(fā)概率的識(shí)別能力。定義虛擬變量“是否處于經(jīng)濟(jì)下行風(fēng)險(xiǎn)狀態(tài)”，發(fā)生時(shí)其為1，未發(fā)生時(shí)其為0。自從2000年以來，雖然中國受到了2008年全球金融危機(jī)等沖擊，但并沒有發(fā)生過真正意義上的經(jīng)濟(jì)危機(jī)。因此，本文定義經(jīng)濟(jì)下行風(fēng)險(xiǎn)為MEI環(huán)比增長率處在5%分位數(shù)及以下。根據(jù)歷史數(shù)據(jù)，這意味著MEI環(huán)比下降幅度超過-1.136%，經(jīng)濟(jì)基本面出現(xiàn)短期內(nèi)迅速下行現(xiàn)象，因而可以認(rèn)為，經(jīng)濟(jì)處于下行風(fēng)險(xiǎn)狀態(tài)。具體時(shí)期包括2008年9—12月、2011年11—12月、2015年1月和2019年10月。Probit模型設(shè)定如下：滯后階數(shù)的選擇基于AIC準(zhǔn)則確定。VAR模型回歸結(jié)果說明，滯后1階的FSI和RP-SRI對(duì)當(dāng)期實(shí)體經(jīng)濟(jì)下滑風(fēng)險(xiǎn)存在顯著影響，可以較好地體現(xiàn)風(fēng)險(xiǎn)指標(biāo)的預(yù)警能力。

Pevent=1∣FSIt-1，Zi，t-1=β0+β1FSIt-1+γiZi，t-1+εt（3）

Pevent=1∣RP-SRIt-1，Zi，t-1=β0+β1RP-SRIt-1+γiZi，t-1+εt（4）

其中，Pevent=1表示經(jīng)濟(jì)處于下行風(fēng)險(xiǎn)狀態(tài)，Zi，t-1表示其他可能會(huì)對(duì)被解釋變量產(chǎn)生影響的控制變量集合。在控制變量的選擇上，按照陳彥斌等[24]與陳雨露等[25]的做法，本文對(duì)經(jīng)濟(jì)層面、金融層面和社會(huì)層面的影響因素進(jìn)行控制，具體包括發(fā)電量自然對(duì)數(shù)變化率（Powert-1）、全社會(huì)杠桿率自然對(duì)數(shù)（Debtt-1）和人口增長率（Popult-1）?？紤]到一年之中人口增長率等社會(huì)性指標(biāo)不會(huì)發(fā)生較為明顯的變化，因而本文在回歸中將其轉(zhuǎn)化為月度數(shù)據(jù)。為清晰起見，本文參考陳雨露等[25]的做法，采用逐步增加控制變量的“從簡單到復(fù)雜”的建模策略，逐步增加金融層面、經(jīng)濟(jì)層面和社會(huì)層面的控制變量，得到模型（1）—模型（8），結(jié)果如表5所示。

從表5可知，RP-SRI的系數(shù)在5%的置信水平上顯著為正，這表明如果RP-SRI上升，經(jīng)濟(jì)運(yùn)行陷入下行風(fēng)險(xiǎn)狀態(tài)的概率將會(huì)顯著上升。逐步加入控制變量的過程中，RP-SRI的顯著性和系數(shù)未發(fā)生明顯改變，這表明RP-SRI對(duì)經(jīng)濟(jì)下行風(fēng)險(xiǎn)的預(yù)測能力是比較穩(wěn)定的。相較之下，F(xiàn)SI的系數(shù)始終不顯著，而且模型擬合優(yōu)度更低。這說明相較于FSI，加入媒體風(fēng)險(xiǎn)感知的RP-SRI對(duì)宏觀經(jīng)濟(jì)下行風(fēng)險(xiǎn)爆發(fā)概率的識(shí)別能力更強(qiáng)，模型的擬合優(yōu)度更高，因而可以更好地預(yù)測經(jīng)濟(jì)下行風(fēng)險(xiǎn)。

為增強(qiáng)結(jié)論的穩(wěn)健性，本文還做了兩個(gè)穩(wěn)健性檢驗(yàn)，結(jié)果如表6所示。

一是筆者進(jìn)一步采用MEI環(huán)比增長率在10%分位數(shù)及以下、15%分位數(shù)及以下定義經(jīng)濟(jì)下行風(fēng)險(xiǎn)，構(gòu)建了模型（9）、模型（10）、模型（12）和模型（13）。表6的回歸結(jié)果表明，模型（9）和模型（12）的FSI和RP-SRI系數(shù)均在5%的置信水平上顯著為正，但RP-SRI在系數(shù)估計(jì)值和整體擬合優(yōu)度上依然優(yōu)于FSI，這說明上文的回歸結(jié)果是可靠的。二是本文選取制造業(yè)采購經(jīng)理指數(shù)（PMI）替代MEI環(huán)比波動(dòng)指標(biāo)，定義PMI處于5%分位數(shù)及以下的時(shí)間區(qū)間為處于經(jīng)濟(jì)下行風(fēng)險(xiǎn)狀態(tài)，實(shí)證結(jié)果表明，RP-SRI在系數(shù)估計(jì)值、顯著性水平和整體擬合優(yōu)度上均優(yōu)于FSI，上文結(jié)論依然成立。

（三）金融風(fēng)險(xiǎn)狀態(tài)識(shí)別能力的比較分析

宏觀經(jīng)濟(jì)政策只關(guān)注經(jīng)濟(jì)穩(wěn)定是不夠的，還應(yīng)該高度重視金融穩(wěn)定，這是2008年全球金融危機(jī)后學(xué)術(shù)界達(dá)成的一項(xiàng)重要共識(shí)。因此，使用系統(tǒng)性金融壓力指數(shù)識(shí)別金融市場風(fēng)險(xiǎn)狀態(tài)具有重要意義。Berg和Coke[26]指出，金融危機(jī)預(yù)警是一個(gè)自回歸過程，在危機(jī)發(fā)生前預(yù)警系統(tǒng)會(huì)發(fā)出危機(jī)預(yù)警，一般的靜態(tài)模型很難模擬出這種動(dòng)態(tài)性，而Hamilton[27]提出的馬爾科夫區(qū)制轉(zhuǎn)換模型能夠通過狀態(tài)轉(zhuǎn)移變量刻畫風(fēng)險(xiǎn)狀態(tài)的動(dòng)態(tài)轉(zhuǎn)換，不必人為設(shè)定閾值來確定金融風(fēng)險(xiǎn)的高低等級(jí)，也不用事先預(yù)估高風(fēng)險(xiǎn)可能出現(xiàn)的時(shí)間，從而能夠刻畫系統(tǒng)性金融風(fēng)險(xiǎn)的內(nèi)生性，增加預(yù)警的有效性?；诖?，針對(duì)金融市場的穩(wěn)定與預(yù)警問題，本文使用馬爾科夫區(qū)制轉(zhuǎn)換模型，考察RP-SRI相較于FSI能否更加有效地識(shí)別系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)，以便更好地預(yù)警金融風(fēng)險(xiǎn)爆發(fā)。在轉(zhuǎn)移區(qū)制個(gè)數(shù)的選擇上，本文對(duì)RP-SRI和FSI分別建立雙區(qū)制馬爾科夫區(qū)制轉(zhuǎn)換自回歸模型（MSAR）來考察高系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)和低系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)的轉(zhuǎn)換概率、轉(zhuǎn)換特征及具體時(shí)段。根據(jù)AIC準(zhǔn)則，設(shè)定模型滯后階數(shù)為2。圖3和圖4分別為RP-SRI和FSI處于不同區(qū)制的平滑概率結(jié)果。

平滑概率計(jì)算結(jié)果顯示，基于雙區(qū)制的馬爾科夫區(qū)制轉(zhuǎn)換自回歸模型對(duì)RP-SRI和FSI的區(qū)制劃分結(jié)果清晰，區(qū)制之間轉(zhuǎn)換具有較高穩(wěn)定性。其中，RP-SRI在低風(fēng)險(xiǎn)區(qū)制和高風(fēng)險(xiǎn)區(qū)制的持續(xù)概率分別為0.969和0.877，F(xiàn)SI在低風(fēng)險(xiǎn)區(qū)制和高風(fēng)險(xiǎn)區(qū)制的持續(xù)概率分別為0.983和0.729，均表現(xiàn)出高度的“自維持”特征。具體時(shí)段識(shí)別方面，在樣本區(qū)間內(nèi)，RP-SRI識(shí)別的高系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)為2008年3月至2009年1月、2013年7—9月、2015年9月至2016年9月，分別對(duì)應(yīng)2008年全球金融危機(jī)、2013年“錢荒”和2015—2016年國內(nèi)外股市異常波動(dòng)等三次系統(tǒng)性金融風(fēng)險(xiǎn)大幅攀升的事件。這與中國過去十余年間實(shí)際金融風(fēng)險(xiǎn)的變動(dòng)狀況基本吻合。相較之下，F(xiàn)SI識(shí)別的高風(fēng)險(xiǎn)狀態(tài)僅為2013年7—9月以及2016年2—6月。這表明FSI的風(fēng)險(xiǎn)狀態(tài)識(shí)別能力較弱，而RP-SRI能夠更加有效地識(shí)別系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)。

歷史經(jīng)驗(yàn)表明，系統(tǒng)性金融風(fēng)險(xiǎn)的演化通常是一個(gè)非線性的過程。剛開始時(shí)，風(fēng)險(xiǎn)緩慢上升，當(dāng)越過某一閾值后，風(fēng)險(xiǎn)迅速積累，直至危機(jī)爆發(fā)，最后風(fēng)險(xiǎn)緩慢下降。圖2的FSI和RP-SRI的走勢也體現(xiàn)出這個(gè)特征。如果可以識(shí)別出風(fēng)險(xiǎn)拐點(diǎn)以及處于風(fēng)險(xiǎn)迅速積累區(qū)制狀態(tài)的時(shí)段，則可以為系統(tǒng)性金融危機(jī)的預(yù)警和防范提供重要參考依據(jù)。表4的非線性格蘭杰檢驗(yàn)結(jié)果已經(jīng)表明，媒體風(fēng)險(xiǎn)感知能夠提前反映風(fēng)險(xiǎn)與恐懼情緒的迅速積累過程。RP-SRI是否有能力識(shí)別出風(fēng)險(xiǎn)迅速積累的區(qū)制狀態(tài)，還需要實(shí)證檢驗(yàn)。為此，本文進(jìn)一步建立二階自回歸的三區(qū)制馬爾科夫轉(zhuǎn)移模型，陶玲和朱迎[9]與丁慧等[28]也認(rèn)為，三區(qū)制劃分更適合中國金融市場的風(fēng)險(xiǎn)轉(zhuǎn)換過程。識(shí)別低系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)、風(fēng)險(xiǎn)迅速積累上升階段以及高系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)三個(gè)區(qū)制的轉(zhuǎn)換概率轉(zhuǎn)換特征及具體時(shí)段。使用極大似然法進(jìn)行參數(shù)估計(jì)，并基于平滑概率劃分樣本區(qū)間內(nèi)RP-SRI的區(qū)制狀態(tài)，檢驗(yàn)結(jié)果如表7所示。通過對(duì)比RP-SRI在各區(qū)制的均值和中位數(shù)可知，區(qū)制3時(shí)期系統(tǒng)性金融風(fēng)險(xiǎn)水平最高，區(qū)制1時(shí)期最小，區(qū)制2時(shí)期的系統(tǒng)性金融風(fēng)險(xiǎn)水平更接近區(qū)制3的水平。因此，定義區(qū)制1為低系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)，區(qū)制2為中系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)，區(qū)制3為高系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)。

由表7的區(qū)制轉(zhuǎn)移概率矩陣結(jié)果可以發(fā)現(xiàn)，RP-SRI指數(shù)在三種區(qū)制狀態(tài)下的幾個(gè)主要特征：一是相較于兩區(qū)制馬爾科夫轉(zhuǎn)移模型，三區(qū)制馬爾科夫轉(zhuǎn)移模型下高系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)的區(qū)間識(shí)別更加精細(xì)，進(jìn)一步識(shí)別出了2010年回收之前刺激政策、2011年底歐債危機(jī)爆發(fā)、2017年初債市下跌和2018年后中美貿(mào)易戰(zhàn)不斷升級(jí)等事件所導(dǎo)致的高系統(tǒng)性風(fēng)險(xiǎn)。此外，由高風(fēng)險(xiǎn)區(qū)制轉(zhuǎn)移至中風(fēng)險(xiǎn)區(qū)制的概率為0.404，轉(zhuǎn)移至低風(fēng)險(xiǎn)狀態(tài)的概率僅為0.060，這說明從高系統(tǒng)性金融風(fēng)險(xiǎn)到低系統(tǒng)性金融風(fēng)險(xiǎn)的過程往往是振蕩的，這也符合一般經(jīng)驗(yàn)判斷。二是低風(fēng)險(xiǎn)狀態(tài)下金融市場具有較強(qiáng)的“慣性”特征，其持續(xù)概率為0.759。而由低風(fēng)險(xiǎn)區(qū)制轉(zhuǎn)移至中風(fēng)險(xiǎn)區(qū)制的概率（0.197）遠(yuǎn)高于其轉(zhuǎn)移至高風(fēng)險(xiǎn)區(qū)制的概率（0.044），這說明風(fēng)險(xiǎn)積聚是一個(gè)非線性過程，市場從低風(fēng)險(xiǎn)區(qū)制逐步過渡到高風(fēng)險(xiǎn)區(qū)制的過程緩慢。三是中風(fēng)險(xiǎn)區(qū)制狀態(tài)下金融市場高度不穩(wěn)定，持續(xù)概率僅為0.015，持續(xù)時(shí)間大多只有1—2期，在下一期有0.463的概率過渡為高系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)。這說明中風(fēng)險(xiǎn)區(qū)制是風(fēng)險(xiǎn)迅速積累上升的階段，容易轉(zhuǎn)移至高風(fēng)險(xiǎn)區(qū)制。因此，識(shí)別這一區(qū)制是系統(tǒng)性風(fēng)險(xiǎn)預(yù)警的關(guān)鍵，這就要求有關(guān)部門在金融風(fēng)險(xiǎn)防控工作中及時(shí)識(shí)別風(fēng)險(xiǎn)區(qū)制狀態(tài)并迅速作出反應(yīng)，以防范系統(tǒng)性金融危機(jī)的爆發(fā)。

（四）實(shí)證結(jié)果的進(jìn)一步分析

本文構(gòu)建的RP-SRI可以識(shí)別2008年以來的幾次系統(tǒng)性金融風(fēng)險(xiǎn)大幅攀升的事件，較好地吻合了中國經(jīng)濟(jì)金融發(fā)展?fàn)顩r，這與徐滌龍和陳雙蓮[8]、陶玲和朱迎[9]與方芳和林海濤[10]基于FSI的研究是一致的。然而，不一致之處在于本文在指數(shù)構(gòu)建過程中從行為金融的視角結(jié)合了金融市場和新聞媒體的風(fēng)險(xiǎn)傳染效應(yīng)，所構(gòu)建的RP-SRI能夠提前1—3個(gè)月預(yù)警經(jīng)濟(jì)下行風(fēng)險(xiǎn)，從而識(shí)別出系統(tǒng)性金融風(fēng)險(xiǎn)迅速積累狀態(tài)，可以及時(shí)預(yù)警金融風(fēng)險(xiǎn)的集中爆發(fā)。

總體而言，RP-SRI實(shí)現(xiàn)提前預(yù)警系統(tǒng)性風(fēng)險(xiǎn)的傳導(dǎo)機(jī)制主要有兩個(gè)方面：一是相較于普通投資者，對(duì)政策和市場更為敏銳的專家和財(cái)經(jīng)記者更容易捕捉到風(fēng)險(xiǎn)或不確定性的微小變化，并將其觀點(diǎn)發(fā)表于媒體。隨著互聯(lián)網(wǎng)和智能手機(jī)的加速發(fā)展，投資者獲取信息的方式和獲取信息的成本趨近一致，再加上新聞網(wǎng)站、微博和微信公眾號(hào)等各種渠道的傳播，進(jìn)一步促進(jìn)民眾的熱點(diǎn)關(guān)注趨同，在市場發(fā)生波動(dòng)情況下更容易形成一致性風(fēng)險(xiǎn)預(yù)期。二是隨著某個(gè)金融子市場波動(dòng)性與不確定性的上升，驗(yàn)證了媒體對(duì)風(fēng)險(xiǎn)的判斷，投資者會(huì)滋生市場恐懼情緒并作出相同的風(fēng)險(xiǎn)規(guī)避行為。群體一致的決策行為累積到一定程度，就會(huì)對(duì)宏觀經(jīng)濟(jì)與整體金融市場產(chǎn)生非線性影響，從而引發(fā)市場震蕩和系統(tǒng)性風(fēng)險(xiǎn)。

值得注意的是，預(yù)警系統(tǒng)性金融風(fēng)險(xiǎn)不能單純依靠媒體風(fēng)險(xiǎn)感知指標(biāo)或經(jīng)濟(jì)政策不確定性指數(shù)等主觀風(fēng)險(xiǎn)指標(biāo)，而需要結(jié)合金融子市場的風(fēng)險(xiǎn)指標(biāo)進(jìn)行分析。圖1的媒體風(fēng)險(xiǎn)感知走勢圖和圖2的RP-SRI的走勢圖也佐證了這一觀點(diǎn)。在金融市場出現(xiàn)異常波動(dòng)之前幾個(gè)月媒體風(fēng)險(xiǎn)感知略有上升，但并沒有表現(xiàn)出明顯的升高，局部最高點(diǎn)往往出現(xiàn)在風(fēng)險(xiǎn)事件發(fā)生之后。與各個(gè)金融子市場的風(fēng)險(xiǎn)指標(biāo)合成后的RP-SRI則在風(fēng)險(xiǎn)事件發(fā)生之前幾個(gè)月就表現(xiàn)出迅速大幅上升的態(tài)勢，處于中風(fēng)險(xiǎn)區(qū)制2，反映了風(fēng)險(xiǎn)迅速積累上升的過程。因此，監(jiān)管部門應(yīng)監(jiān)測將金融市場風(fēng)險(xiǎn)與媒體風(fēng)險(xiǎn)感知綜合而得到的預(yù)警指數(shù)，可以提前了解金融市場未來可能發(fā)生的異動(dòng)，并及時(shí)進(jìn)行金融市場風(fēng)險(xiǎn)防控和輿情管理，從而守住不發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)的底線。

四、研究結(jié)論和政策建議

資本市場迅猛發(fā)展促使新聞媒體日益繁榮壯大，新聞媒體對(duì)金融市場的報(bào)道范圍也越來越廣泛深入和形式多樣，其對(duì)金融市場所造成的深遠(yuǎn)影響已引起了學(xué)術(shù)界的廣泛關(guān)注。2020年《中共中央發(fā)布關(guān)于制定國民經(jīng)濟(jì)和社會(huì)發(fā)展第十四個(gè)五年規(guī)劃和二〇三五年遠(yuǎn)景目標(biāo)的建議》，其中提出要“加強(qiáng)宏觀經(jīng)濟(jì)治理數(shù)據(jù)庫等建設(shè)，提升大數(shù)據(jù)等現(xiàn)代技術(shù)手段輔助治理能力”。本文采用新聞文本大數(shù)據(jù)構(gòu)建了媒體風(fēng)險(xiǎn)感知的主觀指標(biāo)，來研究媒體對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的預(yù)警作用和傳染效應(yīng)?；诠善?、債券、貨幣和外匯市場風(fēng)險(xiǎn)指標(biāo)以及媒體風(fēng)險(xiǎn)感知指標(biāo)，合成了中國RP-SRI，并從經(jīng)濟(jì)穩(wěn)定和金融穩(wěn)定兩個(gè)方面探討了RP-SRI是否可以更好地預(yù)測經(jīng)濟(jì)下行風(fēng)險(xiǎn)和預(yù)警系統(tǒng)性金融風(fēng)險(xiǎn)。本文的研究彌補(bǔ)了已有FSI在預(yù)警能力上的不足，改進(jìn)了宏觀經(jīng)濟(jì)風(fēng)險(xiǎn)和金融風(fēng)險(xiǎn)識(shí)別能力與預(yù)警能力。得出三點(diǎn)主要結(jié)論：首先，無論是線性還是非線性檢驗(yàn)，F(xiàn)SI和MEI均不構(gòu)成媒體風(fēng)險(xiǎn)感知的格蘭杰原因，而媒體風(fēng)險(xiǎn)感知?jiǎng)t構(gòu)成MEI和FSI的非線性格蘭杰原因。這說明對(duì)政策和市場變化比較敏銳的媒體容易感知到風(fēng)險(xiǎn)和不確定性的微小變化，而風(fēng)險(xiǎn)和不確定性的上升會(huì)滋生市場恐懼情緒，從而對(duì)宏觀經(jīng)濟(jì)和金融市場產(chǎn)生非線性影響。其次，Probit模型回歸結(jié)果表明，加入媒體風(fēng)險(xiǎn)感知的RP-SRI對(duì)經(jīng)濟(jì)下行風(fēng)險(xiǎn)爆發(fā)概率的識(shí)別能力相較于FSI要更強(qiáng)，可以更好地預(yù)測宏觀經(jīng)濟(jì)下行風(fēng)險(xiǎn)。最后，對(duì)于金融市場的穩(wěn)定與風(fēng)險(xiǎn)預(yù)警，馬爾科夫區(qū)制轉(zhuǎn)換自回歸模型（MSAR）的區(qū)制劃分結(jié)果表明，RP-SRI可識(shí)別系統(tǒng)性金融風(fēng)險(xiǎn)迅速積累狀態(tài)，有助于防范預(yù)警金融風(fēng)險(xiǎn)的集中爆發(fā)。

為了更好地改進(jìn)系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)預(yù)警以保持經(jīng)濟(jì)穩(wěn)定和金融穩(wěn)定，基于本文的經(jīng)驗(yàn)研究，對(duì)監(jiān)管部門主要有三點(diǎn)政策建議：首先，監(jiān)管部門可采用本文構(gòu)建的RP-SRI作為系統(tǒng)性金融風(fēng)險(xiǎn)的前瞻預(yù)警指標(biāo)之一，進(jìn)一步完善中國系統(tǒng)性風(fēng)險(xiǎn)的監(jiān)測預(yù)警體系。本文的研究表明，同時(shí)考慮金融子市場風(fēng)險(xiǎn)指標(biāo)和媒體風(fēng)險(xiǎn)感知的RP-SRI能夠更好地預(yù)警經(jīng)濟(jì)下行風(fēng)險(xiǎn)，識(shí)別系統(tǒng)性金融風(fēng)險(xiǎn)區(qū)制狀態(tài)，具有顯著的先導(dǎo)性和前瞻性。其次，考慮到媒體報(bào)道能夠及時(shí)反映政策和市場風(fēng)險(xiǎn)早期的微小變化，監(jiān)管部門應(yīng)當(dāng)建立并完善全方位的輿情監(jiān)測體系和預(yù)期管理體系，監(jiān)測重點(diǎn)媒體與社交媒體賬號(hào)，對(duì)可能波及到系統(tǒng)性金融風(fēng)險(xiǎn)的熱門話題及時(shí)進(jìn)行監(jiān)測。此外，由于媒體所傳達(dá)的信息會(huì)影響公眾對(duì)風(fēng)險(xiǎn)的判斷，監(jiān)管部門需要增強(qiáng)對(duì)負(fù)面信息的處理能力，防止恐慌言論擴(kuò)散。最后，監(jiān)管部門需要高度關(guān)注風(fēng)險(xiǎn)非線性累積的狀態(tài)，在金融風(fēng)險(xiǎn)防控工作中及時(shí)識(shí)別風(fēng)險(xiǎn)區(qū)制并迅速作出反應(yīng)，健全金融系統(tǒng)性風(fēng)險(xiǎn)的防范預(yù)警體系、評(píng)估體系和應(yīng)對(duì)處理機(jī)制。

參考文獻(xiàn)：

[1] 王朝陽，王文匯.中國系統(tǒng)性金融風(fēng)險(xiǎn)表現(xiàn)與防范：一個(gè)文獻(xiàn)綜述的視角[J].金融評(píng)論，2018，（5）：100-113+125-126.

[2] 方意，趙勝民，王道平.我國金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)測度——基于DGC-GARCH模型的研究[J].金融監(jiān)管研究，2012，（11）：26-42.

[3] 肖璞，劉軼，楊蘇梅.相互關(guān)聯(lián)性、風(fēng)險(xiǎn)溢出與系統(tǒng)重要性銀行識(shí)別[J].金融研究，2012，（12）：96-106.

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

[5] 楊子暉，陳雨恬，陳里璇.極端金融風(fēng)險(xiǎn)的有效測度與非線性傳染[J].經(jīng)濟(jì)研究，2019，（5）：63-80.

[6] 李政，梁琪，方意.中國金融部門間系統(tǒng)性風(fēng)險(xiǎn)溢出的監(jiān)測預(yù)警研究——基于下行和上行ΔCoES指標(biāo)的實(shí)現(xiàn)與優(yōu)化[J].金融研究，2019，（2）：40-58.

[7] Illing， M.， Liu， Y. An Index of Financial Stress for Canada[R].Staff Working Paper 2003-14，2003.

[8] 許滌龍，陳雙蓮.基于金融壓力指數(shù)的系統(tǒng)性金融風(fēng)險(xiǎn)測度研究[J].經(jīng)濟(jì)學(xué)動(dòng)態(tài)，2015，（4）：69-78.

[9] 陶玲，朱迎.系統(tǒng)性金融風(fēng)險(xiǎn)的監(jiān)測和度量——基于中國金融體系的研究[J].金融研究，2016，（6）：18-36.

[10] 方芳，林海濤.系統(tǒng)性金融風(fēng)險(xiǎn)再認(rèn)識(shí)：演化、測量與檢驗(yàn)[J].經(jīng)濟(jì)理論與經(jīng)濟(jì)管理， 2017，（11）：45-57.

[11] Li， K. Does Information Asymmetry Impede Market Efficiency？ Evidence From Analyst? Coverage[J]. Journal of Banking & Finance， 2020， 118（9）： 1-7.

[12] 牛楓，葉勇，陳效東.媒體報(bào)道與IPO公司股票發(fā)行定價(jià)研究——來自深圳中小板上市公司的經(jīng)驗(yàn)證據(jù)[J]. 管理評(píng)論，2017，（11）：50-61.

[13] Baker， M.， Wurgler， J. Investor Sentiment and the Cross-Section of Stock Returns[J]. The Journal of Finance， 2006， 61（4）， 1645-1680.

[14] Pflueger， C.， Siriwardane， E.， Sunderam， A. Financial Market Risk Perceptions and the Macroeconomy[J]. The Quarterly Journal of Economics， 2020， 135（3）： 1443-1491.

[15] 張玉鵬，王茜.政策不確定性的非線性宏觀經(jīng)濟(jì)效應(yīng)及其影響機(jī)制研究[J].財(cái)貿(mào)經(jīng)濟(jì)， 2016，（4）：116-133.

[16] Baker， R.S.， Bloom， N.， Davis，J.S. Measuring Economic Policy Uncertainty[J]. Quarterly? Journal of Economics， 2016， 131（4）： 1593-1636.

[17] Huang， Y.， Luk， P. Measuring Economic Policy Uncertainty in China[J]. China Economic Review， 2020， 59（1）： 77-95.

[18] Kremer， M.， Lo， D. M.， Holló， D. CISS ：A Composite Indicator of Systemic Stress in the Financial System[R]. ECB Working Paper Series No.1426， 2012.

[19] 楊子暉，趙永亮.非線性Granger因果檢驗(yàn)方法的檢驗(yàn)功效及有限樣本性質(zhì)的模擬分析[J].統(tǒng)計(jì)研究，2014，（5）：107-112.

[20] Nishiyama， Y.， Hitomi， K.， Kawasaki， Y.， et al. A Consistent Nonparametric Test for? Nonlinear Causality-Specification in Time Series Regression[J]. Journal of Econometrics， 2011， 165（1）： 112-127.

[21] Diks， C.， Panchenko， V. A New Statistic and Practical Guidelines for Nonparametric Granger Causality Testing[J]. Journal of Economic Dynamics and Control， 2006， 30（9-10）： 1647-1669.

[22] Lopes， L.L. Between Hope and Fear：The Psychology of Risk[J]. Advances in Experimental Social Psychology， 1987， 20（3）： 255-295.

[23] 林樹，俞喬. 有限理性、動(dòng)物精神及市場崩潰：對(duì)情緒波動(dòng)與交易行為的實(shí)驗(yàn)研究[J]. 經(jīng)濟(jì)研究，2010，（8）：115-127.

[24] 陳彥斌，隨曉芹，劉哲希.系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警指標(biāo)——杠桿率與“杠桿率/投資率”比較[J].世界經(jīng)濟(jì)文匯，2019，（6）：21-36.

[25] 陳雨露，馬勇，阮卓陽.金融周期和金融波動(dòng)如何影響經(jīng)濟(jì)增長與金融穩(wěn)定？[J].金融研究，2016，（2）：1-22.

[26] Berg， A.， Coke， R.N. Autocorrelation-Corrected Standard Errors in Panel Probits： An Application to Currency Crisis Prediction[R]. IMF Working Papers No.04/39， 2004.

[27] Hamilton， J. A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle[J]. Econometrica， 1989， 57（2）： 357-384.

[28] 丁慧，陳穎，卞志村.中國金融市場壓力指數(shù)構(gòu)建及其宏觀經(jīng)濟(jì)非線性效應(yīng)[J].現(xiàn)代財(cái)經(jīng)（天津財(cái)經(jīng)大學(xué)學(xué)報(bào)），2020，（8）：18-30.

（責(zé)任編輯：劉 艷）

收稿日期：2021-05-14

基金項(xiàng)目：國家自然科學(xué)基金重點(diǎn)項(xiàng)目/應(yīng)急管理項(xiàng)目“國內(nèi)經(jīng)濟(jì)政策與金融風(fēng)險(xiǎn)防范”（71850003）; “中央高校建設(shè)世界一流大學(xué)（學(xué)科）和特色發(fā)展引導(dǎo)專項(xiàng)資金”資助

作者簡介：肖爭艷（1976-），女，廣西桂林人，教授，研究員，博士，主要從事風(fēng)險(xiǎn)管理和金融計(jì)量研究。E-mail：xiaozhengyan@ruc.edu.cn