白 雪，吳 影

（安徽大學經(jīng)濟學院，合肥 230601）

引 言

2017 年國務院成立金融穩(wěn)定發(fā)展委員會，提出要對影子銀行進行重點監(jiān)管，防止金融機構(gòu)通過影子銀行實現(xiàn)脫實向虛，導致金融泡沫破裂從而引發(fā)系統(tǒng)性金融風險。據(jù)《中國影子銀行季度監(jiān)測報告》顯示，截至2022 年9 月，中國影子銀行資產(chǎn)規(guī)模為55.6 萬億元，占名義GDP 的47.2%，雖有所下降，但降幅遠小于2021 年和2019 年，影子銀行仍在中國的經(jīng)濟市場上占據(jù)著重要地位。由于中國金融市場存在信貸約束條件，實體經(jīng)濟面臨著“融資難”“融資貴”的問題，而商業(yè)銀行則可以通過同業(yè)業(yè)務、銀信合作、銀證合作等各種渠道，繞過間接融資約束直接實行表外融資來擴大信用水平，滿足實體經(jīng)濟的融資需求。李文喆[1]提出在金融抑制背景下，商業(yè)銀行繞過資本充足率約束，規(guī)避存款準備金，以影子銀行的方式實現(xiàn)了金融創(chuàng)新。一方面，佟孟華等[2]認為影子銀行作為一種金融創(chuàng)新手段，在一定程度上拓展了金融服務的廣度和深度，突破了傳統(tǒng)商業(yè)銀行的信貸規(guī)模限制，有利于解決中小企業(yè)融資難的問題，緩解了商業(yè)銀行的信貸壓力。另一方面，王妍等[3]認為由于金融監(jiān)管力度不足，影子銀行不可避免地會存在風險隱患，而影子銀行作為“銀行的影子”，其風險一旦爆發(fā)勢必波及商業(yè)銀行，甚至向整個金融體系蔓延引發(fā)系統(tǒng)性風險，危及金融體系穩(wěn)定性。為了防止影子銀行的風險傳染至商業(yè)銀行乃至整個金融體系，研究影子銀行與商業(yè)銀行間極端風險溢出效應對守住不發(fā)生系統(tǒng)性金融風險的底線十分重要。鑒于此，本文研究影子銀行與商業(yè)銀行間的雙向風險溢出效應，擬通過AS-MVMQ-CAViaR 模型分析正負向市場沖擊對二者間風險溢出效應影響的異質(zhì)性，同時采用聯(lián)合顯著性檢驗從整體上判別影子銀行和商業(yè)銀行風險傳染的方向。

1 文獻綜述

本文從影子銀行的概念界定和影子銀行對系統(tǒng)性金融風險的傳導機制兩個方面對已有文獻進行梳理。

1.1 影子銀行的概念界定

現(xiàn)有學者從不同角度對影子銀行概念進行了界定。部分學者從金融機構(gòu)和金融業(yè)務的角度對影子銀行的范圍進行界定。羅琨[4]認為影子銀行是不同于傳統(tǒng)商業(yè)銀行特征，卻能實現(xiàn)部分類銀行功能的金融機構(gòu)和金融業(yè)務。何平等[5]結(jié)合我國金融特征對中國影子銀行涵蓋的范圍進行了歸納總結(jié)：第一類是銀行相關(guān)業(yè)務與產(chǎn)品，涵蓋銀行理財產(chǎn)品、未貼現(xiàn)銀行承兌匯票、銀信合作與銀證合作等銀行表外業(yè)務；第二類是涵蓋融資租賃公司、信托公司、證券公司、創(chuàng)業(yè)投資機構(gòu)及典當行等的非銀行金融機構(gòu)；第三類是游離于金融監(jiān)管體系之外的民間金融，涵蓋民間借貸、私募基金和互聯(lián)網(wǎng)金融等。李叢文等[6]、馬亞明等[7]均從金融機構(gòu)角度出發(fā)將影子銀行劃分為信托類、證券類和民間借貸類，并利用代表性上市企業(yè)的股票收益率數(shù)據(jù)進行實證研究。而部分學者從功能的角度對影子銀行進行了概念界定。中國的影子銀行有別于國外影子銀行和商業(yè)銀行并存的模式，孫國峰等[8]認為中國的影子銀行是商業(yè)銀行為突破融資約束擴大信用水平而開展的一種“類貸款”業(yè)務，是“銀行的影子”。李波等[9]也認為影子銀行具有和銀行貸款相同的信用創(chuàng)造功能，可以作為一種信用中介滿足企業(yè)的融資需求。但影子銀行通過各種渠道實現(xiàn)金融創(chuàng)新、規(guī)避金融監(jiān)管，使其業(yè)務不計入貸款科目下從而獲得額外利潤。李文喆[10]指出影子銀行是具備信用期限轉(zhuǎn)換和流動性轉(zhuǎn)換功能但尚未受到嚴格監(jiān)管的金融業(yè)務。目前我國關(guān)于影子銀行定義最權(quán)威的說法是中國銀保監(jiān)會政策研究局課題組等[11]在《中國影子銀行報告》中將影子銀行劃分為廣義和狹義，廣義影子銀行是指基本滿足監(jiān)管力度不足、產(chǎn)品構(gòu)成復雜、信用鏈條較長、杠桿水平較高以及集中兌付壓力較大等影子銀行基本特征的金融產(chǎn)品和業(yè)務；而狹義影子銀行是指廣義影子銀行中風險特征更為明顯的金融產(chǎn)品和業(yè)務。

1.2 影子銀行系統(tǒng)性金融風險傳染機制

2013 年和2016 年發(fā)生的“錢荒”事件充分說明了影子銀行所帶來的系統(tǒng)性風險隱患。楊子暉等[12]認為金融機構(gòu)受到利益驅(qū)使開展影子銀行業(yè)務規(guī)避金融監(jiān)管，使得金融機構(gòu)間的隱性關(guān)聯(lián)更為緊密，增加了金融系統(tǒng)的復雜性和波動性，從而擴大了金融機構(gòu)的尾部風險敞口，提高了系統(tǒng)性金融風險溢出的可能性。

現(xiàn)有文獻關(guān)于影子銀行對系統(tǒng)性金融風險傳導機制的研究主要分為兩個方面：一方面是從定性的角度，從影子銀行自身的特點出發(fā)，認為影子銀行的風險特征是導致系統(tǒng)性金融風險的重要原因。影子銀行具有期限錯配、高杠桿水平、交易鏈條長、剛性兌付以及順周期性等特征。Gennaioli 等[13]認為影子銀行高杠桿率的業(yè)務模式會導致運營風險的積聚，而期限錯配的特征又容易誘發(fā)系統(tǒng)性風險，威脅金融體系的穩(wěn)定性。Turner[14]通過研究驗證了影子銀行的出現(xiàn)的確使得金融產(chǎn)品結(jié)構(gòu)更加復雜，延長了金融業(yè)務交易流程，一旦在其中某個環(huán)節(jié)監(jiān)管不力，就會導致風險通過信用中介鏈條蔓延至其他金融部門，誘發(fā)系統(tǒng)性金融風險。Ehlers 等[15]提出中國的銀行作為影子銀行發(fā)展的基石，需要承擔起向客戶提供隱性擔保和剛性兌付的責任，以免發(fā)生擠兌風險，使得發(fā)生金融危機時商業(yè)銀行不得不承擔大量風險。李建強等[16]和方意等[17]均認為中國影子銀行背后的剛性兌付是導致系統(tǒng)性金融風險的重要誘因。而馬勇等[18]、宋鷺等[19]則一致認為影子銀行內(nèi)在順周期性的特征是造成宏觀經(jīng)濟不穩(wěn)定、誘發(fā)系統(tǒng)性金融風險的重要原因。

另一方面是從定量的角度，強調(diào)了金融機構(gòu)的內(nèi)在關(guān)聯(lián)性。影子銀行作為銀行表外業(yè)務的擴展，主要是通過商業(yè)銀行向整個金融體系擴散風險。林琳等[20]運用D-D 模型探究了流動性水平對影子銀行和商業(yè)銀行風險傳染機制的影響。李叢文等[6]基于股票收益率數(shù)據(jù)，利用偏t 分布的GARCH-時變Copula-CoVaR 模型，從整體和局部分別測度并比較了各類影子銀行對商業(yè)銀行的風險溢出大小。而莊子罐等[21]則基于DSGE 模型比較了有無影子銀行對我國宏觀經(jīng)濟波動的影響，得出逆周期的借貸行為是影子銀行在短期內(nèi)造成宏觀經(jīng)濟波動的主要原因。周上堯等[22]構(gòu)建了可以刻畫中國影子銀行結(jié)構(gòu)的DSGE 模型對影子銀行風險積聚的原因進行研究，發(fā)現(xiàn)商業(yè)銀行的金融創(chuàng)新行為會造成影子銀行迅速擴張，引發(fā)系統(tǒng)性金融風險。不同于其他學者從宏觀市場的角度出發(fā)，佟孟華等[2]基于上市商業(yè)銀行的微觀數(shù)據(jù)，運用CoVaR 模型衡量了影子銀行對商業(yè)銀行的風險傳染程度，發(fā)現(xiàn)不同類型商業(yè)銀行對影子銀行風險傳染的承擔水平存在異質(zhì)性，并探究出委外投資業(yè)務是影子銀行誘發(fā)系統(tǒng)性金融風險的關(guān)鍵途徑。潘弘杰等[23]構(gòu)建包含影子銀行的動態(tài)復雜網(wǎng)絡(luò)模型，證實了影子銀行是系統(tǒng)性金融風險傳染的主要載體，并且得出納入了影子銀行的銀行體系金融風險相對偏高的結(jié)論。

綜上所述，國內(nèi)外學者從不同角度對影子銀行極端風險溢出進行了研究。本文的邊際貢獻體現(xiàn)在：第一，大部分學者研究影子銀行與商業(yè)銀行的風險溢出問題時，均只考察了影子銀行對商業(yè)銀行的單向風險傳染表現(xiàn)，商業(yè)銀行僅作為風險的承受方。而本文同時考慮了商業(yè)銀行作為風險承擔者和風險溢出者，研究影子銀行和商業(yè)銀行間的雙向極端風險溢出效應。第二，現(xiàn)有文獻利用各類模型對影子銀行和商業(yè)銀行間的風險溢出效應進行研究時大多是從對稱的角度考慮的，沒有考慮到正負向市場沖擊對風險溢出效應影響的異質(zhì)性。本文擬用非對稱MVMQ-CAViaR 模型，考慮正負向市場沖擊對極端風險影響的異質(zhì)性，來測度影子銀行與商業(yè)銀行間的極端風險溢出水平。

2 模型構(gòu)建

2.1 實證模型的構(gòu)建

在險價值（Value at Risk，VaR）指標衡量了在某一給定的置信水平下，某一金融市場資產(chǎn)組合在未來可能遭受的最大損失，即極端風險水平。VaR的定義式為式（1）：

Pr（yt≤VaRt）=θ （1）

其中，顯著性水平θ∈[0，1]。但由于金融市場資產(chǎn)組合收益率序列往往存在著尖峰肥尾、時序性以及波動聚集，即自相關(guān)性等分布特征，導致使用在險價值來衡量金融市場極端風險的有效性大大減弱。于是，Engle 等[24]不再對整個分布建模，而是直接對在險價值VaR 建模，使用自回歸過程構(gòu)建了條件分位自回歸在險價值模型（Conditional Au toregressive Value at Risk by Regression Quantiles，CAViaR），并利用回歸分位數(shù)估計該模型參數(shù)。CAViaR 模型一般形式為式（2）：

其中，βθ表示待估參數(shù)的列向量；m+n+1 是βθ的維度；Yt為第t 期金融資產(chǎn)或金融市場收益率的觀測值；qt（θ）表示市場收益率在第t 期的θ 條件分位數(shù)；qt-i（θ）則為滯后i 期的條件分位數(shù)，可以衡量金融市場尾部風險自相關(guān)性；其系數(shù)βi則描述了金融市場收益率序列分布的波動聚集特征；βj度量了當期的市場沖擊對收益率的影響程度；l（·）為滯后算子，用來度量收益率序列的滯后項Yt-j對條件分位數(shù)qt的影響。

但是，CAViaR 模型只能度量單個金融市場的動態(tài)風險，而不能捕捉不同金融市場之間的動態(tài)相關(guān)性。為了研究不同市場之間的動態(tài)風險溢出，White 等[25]在CAViaR 模型的基礎(chǔ)上引入了多個變量及多個分位數(shù)水平，構(gòu)建了多元分位數(shù)條件自回歸在險價值模型（即MVMQ-CAViaR）。MVMQCAViaR 模型表明一個金融市場的極端風險不僅受到其自身滯后項的影響，還受到關(guān)聯(lián)市場沖擊的影響，可以揭示不同市場之間的風險溢出效應。MVMQ-CAViaR 模型的具體表達式如式（3）：

其中，qi，t（θ）表示金融市場i 的資產(chǎn)收益率序列在t 時刻的θ 條件分位數(shù)，即金融市場i 在θ 置信水平下的在險價值VaR；｜Yi，t-1｜表示的是滯后一期市場i 收益率序列的絕對值，即市場沖擊項，絕對值則視為正負沖擊項給金融市場VaR 值所帶來的影響是相同的；qi，t-1代表滯后一期的VaR，用來說明金融市場的尾部風險聚集性。從式（3）中我們可以得出，某個金融市場的極端風險，即在險價值VaR，除了受到本市場滯后一期市場沖擊的影響（用系數(shù)a11或a22來衡量）與本市場滯后一期極端風險的影響（用系數(shù)b11或b22來衡量），還受到關(guān)聯(lián)市場滯后一期市場沖擊的影響（用系數(shù)a12或a21來衡量）和關(guān)聯(lián)市場滯后一期極端風險的影響（用系數(shù)b12或b21來衡量）。但在現(xiàn)實中市場收益率下降導致的負向沖擊給極端風險帶來的影響顯然大于市場收益率上升導致的正向沖擊給極端風險帶來的影響。因此本文參考曾裕峰等[26]的做法取消收益率序列的絕對值，將模型（3）擴展為非對稱多元分位數(shù)條件自回歸在險價值模型（即ASMVMQ-CAViaR 模型），刻畫本市場和關(guān)聯(lián)市場的正負向沖擊給市場極端風險帶來的不同影響。本文參考模型具體表達為式（4）：

其中，qi，t（θ）與Yi，t-1的含義與上文相同，系數(shù)b11和b22仍用來衡量本市場滯后一期的在險價值對當期VaR 的影響；系數(shù)b12和b21仍用來衡量關(guān)聯(lián)市場滯后一期的在險價值對本市場當期VaR 的影響。與式（3）不同的是，式（4）引入了市場沖擊的正負項，不再用絕對值統(tǒng)一概括市場沖擊。以市場1為例，a11用來衡量市場1 滯后一期的市場收益率正向沖擊（Y1，t-1）+對當期VaR 的影響；a12用來衡量關(guān)聯(lián)市場（即市場2）滯后一期的市場收益率正向沖擊（Y2，t-1）+對市場1 當期VaR 的影響；d11用來衡量市場1 滯后一期的市場收益率負向沖擊（Y1，t-1）-對當期VaR 的影響；d12用來衡量市場2 滯后一期的市場收益率負向沖擊（Y2，t-1）-對市場1 當期VaR的影響。

2.2 模型的參數(shù)估計方法

對AS-MVMQ-CAViaR 模型進行參數(shù)估計，即可獲得金融市場間風險溢出的結(jié)果。由于ASMVMQ-CAViaR 模型作為對一元CAViaR 模型的擴展，放寬了收益率序列分布的假設(shè)條件，所以可以用極大似然估計法（QML）對目標函數(shù)進行參數(shù)估計。其中目標函數(shù)為式（5）：

其中，T 為所研究的樣本總數(shù)；n 表示所研究的金融市場個數(shù)（本文研究的是兩兩市場之間的風險溢出效應，所以在本文中n=2）；ρ（θi）=θi-I（Yit-qit（θi，α））為檢測函數(shù)。對AS-MVMQ-CAViaR 模型進行參數(shù)估計的具體步驟：首先要得到一元CAViaR 模型的參數(shù)估計結(jié)果，再將此結(jié)果作為ASMVMQ-CAViaR 模型參數(shù)估計的初始值，同時利用擬牛頓法（Quasi-Newton Methods）和單純形算法（Simplex Algorithm）來對目標函數(shù)式（5）進行優(yōu)化求解AS-MVMQ-CAViaR 模型參數(shù)估計值。

2.3 聯(lián)合顯著性檢驗

為了進一步檢驗用AS-MVMQ-CAViaR 模型來度量各金融市場間極端風險溢出效應的可靠性，本文采用wald 統(tǒng)計量來進行聯(lián)合顯著性檢驗，通過檢驗模型系數(shù)是否為零來判斷金融市場間是否存在極端風險溢出效應及其風險傳染方向如何。wald 統(tǒng)計量表達式如式（6）：

其中，VC 表示模型參數(shù)估計值的方差-協(xié)方差矩陣；R 為約束矩陣。若wald 統(tǒng)計量高于給定顯著性水平下的臨界值，則拒絕原假設(shè)的理由更充分，反之則接受原假設(shè)的理由更充分。原假設(shè)H0：Rβ=r，當q=6，r=0 時，即H0：aij=aji=bij=bji=dij=dji=0（i≠j），接受原假設(shè)則說明市場i 和市場j 之間不存在風險溢出效應，反之拒絕原假設(shè)則說明兩市場間存在風險溢出；當q=3，r=0 時，即H0：aij=bij=dij=0（i≠j），若接受原假設(shè)，則說明市場j 對市場i 無風險溢出效應，反之若拒絕原假設(shè)，則說明市場j 對市場i 存在風險溢出效應。

2.4 模型穩(wěn)健性檢驗

為了進一步檢驗AS-MVMQ-CAViaR 模型對樣本外數(shù)據(jù)進行預測的準確性，Kupiec[27]提出“撞擊次數(shù)”服從伯努利分布，并在模型能夠準確預測的假設(shè)條件下，構(gòu)造LR 似然比檢驗統(tǒng)計量式（7）：

其中，p 是給定的顯著性水平；N 為樣本外數(shù)據(jù)總量；n 為預測的樣本外數(shù)據(jù)撞擊次數(shù)。LR 檢驗能夠揭示真實撞擊次數(shù)和預測撞擊次數(shù)的相近水平，當LR 統(tǒng)計量低于給定顯著性水平下的臨界值，則證明該模型預測能力較好；反之如果LR 統(tǒng)計量高于該臨界值，則該模型不能很好地預測樣本外數(shù)據(jù)。

3 實證結(jié)果與分析

3.1 數(shù)據(jù)處理和描述性統(tǒng)計

從影子銀行的合作對象及發(fā)展模式來看，影子銀行最先是以銀信合作的方式出現(xiàn)在大眾視野的，信托貸款和信貸資產(chǎn)轉(zhuǎn)讓是其主要運作模式[28]。而從2010 年開始，銀信合作的模式受到金融業(yè)的監(jiān)管限制，于是銀證合作的影子銀行業(yè)務模式隨之出現(xiàn)。之后隨著金融不斷發(fā)展創(chuàng)新，一大批互聯(lián)網(wǎng)金融機構(gòu)、融資租賃機構(gòu)、創(chuàng)投機構(gòu)以及資管機構(gòu)等紛紛開展類似的影子銀行業(yè)務。所以本文選取的影子銀行包括信托、證券及其他金融機構(gòu)。其中商業(yè)銀行、信托及證券的數(shù)據(jù)來自中信二級行業(yè)指數(shù)，而由于其他金融機構(gòu)缺少已有的行業(yè)指數(shù)對其直接進行度量，本文選取創(chuàng)投概念股、互聯(lián)網(wǎng)概念股以及融資租賃概念股中上市時間在2012 年之前的企業(yè)，剔除其中的ST、*ST 企業(yè)，以剩余89 家上市企業(yè)為代表，并以股票總市值為權(quán)重，通過加權(quán)平均構(gòu)建了其他金融機構(gòu)類影子銀行的綜合指數(shù)。本文所用樣本數(shù)據(jù)均來自國泰安數(shù)據(jù)庫。

限于樣本數(shù)據(jù)的有限性與時間的統(tǒng)一性，本文選取的樣本時間跨度為2012 年1 月4 日至2022年10 月14 日，共計2 606×4 條有效的日度數(shù)據(jù)。其中前1 906 條作為樣本內(nèi)數(shù)據(jù)用于模型擬合，后700 條作為樣本外數(shù)據(jù)用于回測檢驗，以測試本文所使用的AS-MVMQ-CAViaR 模型的穩(wěn)健性。本文對樣本數(shù)據(jù)的日收盤價取對數(shù)收益率，并乘以100以消除原始收益率數(shù)值過小導致的計算誤差，公式如式（8）：

對處理后的對數(shù)收益率進行描述性統(tǒng)計，結(jié)果如表1 所示：第一，在本文選取的樣本時間區(qū)間內(nèi)，商業(yè)銀行的收益率均值為正值，而證券行業(yè)收益率均值為負值，且證券行業(yè)的最大值與最小值的絕對值均高于商業(yè)銀行。這表明證券行業(yè)的收益率波動更明顯、風險更大，符合我們對證券行業(yè)及商業(yè)銀行風險的一般認知。第二，信托行業(yè)、證券行業(yè)、其他金融機構(gòu)以及商業(yè)銀行的偏度均小于零，且峰度均大于60，說明影子銀行和商業(yè)銀行收益率序列均符合金融數(shù)據(jù)“尖峰”“肥尾”“負偏”的基本特征。第三，本文還對影子銀行和商業(yè)銀行的收益率序列進行了ADF 平穩(wěn)性檢驗和JB 檢驗，結(jié)果顯示影子銀行和商業(yè)銀行的收益率序列均為不服從正態(tài)分布的平穩(wěn)時間序列，因此我們可以利用AS-MVMQCAViaR 模型測算影子銀行和商業(yè)銀行間的極端風險溢出效應。

表1 樣本的描述性統(tǒng)計結(jié)果

3.2 AS-MVMQ-CAViaR 模型參數(shù)估計結(jié)果

表2 分別給出了三類影子銀行（信托、證券及其他金融機構(gòu)）和商業(yè)銀行在5%分位數(shù)水平下AS-MVMQ-CAViaR 模型的參數(shù)估計結(jié)果。所有模型中的自相關(guān)系數(shù)b11和b22均在5%的置信水平下顯著，且數(shù)值均大于0.9，這說明三類影子銀行和商業(yè)銀行都存在高度的序列相關(guān)性，即具有風險聚集特征。具體分析如下：

表2 AS-MVMQ-CAViaR 模型參數(shù)估計結(jié)果

第一，在信托和商業(yè)銀行兩者的風險溢出回歸結(jié)果中：系數(shù)a11未通過顯著性檢驗，而系數(shù)a12在5%的置信度下顯著為負，表明信托類影子銀行的極端風險與自身正向沖擊關(guān)聯(lián)不大，但會受到商業(yè)銀行前一期正向市場沖擊的影響而加?。籨11和d12分別在5%和1%的置信度下顯著非零，則說明信托類影子銀行自身負向沖擊及商業(yè)銀行當期負向沖擊均會影響信托類影子銀行的極端風險；又由系數(shù)a21不顯著而a22在1%的置信度下顯著為負，d21、d22均在5%的置信度下顯著可知，商業(yè)銀行的風險價值受到自身正向沖擊和負向沖擊的影響，信托類影子銀行的負向市場沖擊會加大商業(yè)銀行的當期極端風險；系數(shù)b12和b21均在5%的置信度下顯著則表明，信托類影子銀行和商業(yè)銀行之間存在明顯的雙向風險溢出效應，并且從數(shù)值上來看，商業(yè)銀行對信托類影子銀行的極端風險溢出程度要更高。

第二，在證券和商業(yè)銀行的AS-MVMQ-CAViaR模型回歸結(jié)果中：系數(shù)a12、d12顯著不為零則表明商業(yè)銀行的正向沖擊和負向沖擊均會影響證券類影子銀行的極端風險；而a22顯著則說明商業(yè)銀行正向沖擊會影響自身的在險價值；b12在5%的置信度下顯著而b21不顯著，則意味著商業(yè)銀行前一期的極端風險會對當期證券市場的極端風險產(chǎn)生影響，而商業(yè)銀行當期的極端風險則不會受到前一期證券市場極端風險的影響。因為資產(chǎn)證券化作為一種創(chuàng)新型的融資工具，其目標就是為了將商業(yè)銀行的風險轉(zhuǎn)移至表外[29]，降低商業(yè)銀行的風險水平，所以證券是商業(yè)銀行風險溢出效應的承擔者。而我國的商業(yè)銀行相比于證券機構(gòu)受到的監(jiān)管更為嚴格，風險管理措施更為完善，所以商業(yè)銀行對風險的抵御能力要比證券機構(gòu)更強。

第三，在其他金融機構(gòu)和商業(yè)銀行的模型回歸結(jié)果中：由a12、d11顯著而a11、d12不顯著可知，其他金融機構(gòu)的在險價值和自身負向沖擊以及商業(yè)銀行正向沖擊顯著相關(guān)而和自身正向沖擊以及商業(yè)銀行的負向沖擊均無關(guān)；又根據(jù)a21不顯著而d21在1%的置信度下顯著為負可知，商業(yè)銀行的當期極端風險會因其他金融機構(gòu)的負向市場沖擊而加??；而a22在1%的置信度下顯著不為零則說明商業(yè)銀行發(fā)生正向沖擊會影響自身的極端風險水平；系數(shù)b12和b21分別在10%和1%的置信度下顯著，反映了其他金融機構(gòu)和商業(yè)銀行之間存在明顯的雙向風險溢出效應，并且從數(shù)值上看，商業(yè)銀行對其他金融機構(gòu)的風險溢出效應更強。

第四，系數(shù)d12和d21的顯著次數(shù)以及系數(shù)大小均高于系數(shù)a12和a21，說明負向沖擊下影子銀行和商業(yè)銀行之間的極端風險溢出水平要高于正向沖擊下的極端風險溢出水平。

通過上述分析可以看出影子銀行和商業(yè)銀行之間存在極端風險溢出效應，并且相較于影子銀行對商業(yè)銀行的風險溢出程度，商業(yè)銀行對影子銀行的風險溢出程度要更高。因為商業(yè)銀行在我國金融體系中占有舉足輕重的地位，商業(yè)銀行的穩(wěn)定性關(guān)乎到整個金融體系的穩(wěn)定性，所以我國金融體系為商業(yè)銀行制定了詳細的監(jiān)管政策對其實行有力監(jiān)管。而影子銀行信貸鏈條長、隱蔽性強，難以對其進行全面有效的監(jiān)管，所受到的監(jiān)管力度和強度都遠不及商業(yè)銀行，且若過度監(jiān)管反而會促進影子銀行突破金融體系的限制進行金融創(chuàng)新，增加風險隱患。主要的風險溢出機制分析如下：

從影子銀行的發(fā)展歷程來看，國內(nèi)的影子銀行作為“銀行的影子”，剛興起時業(yè)務模式相對來說較為簡單。但隨著我國的金融模式不斷創(chuàng)新，影子銀行也逐漸發(fā)展起來，其業(yè)務模式變得愈加復雜，開始通過買入返售金融資產(chǎn)和應付款項等會計科目來進行核算。銀銀、銀信以及銀證之間的聯(lián)系越來越緊密，所以無法避免地導致信托和商業(yè)銀行、證券和商業(yè)銀行之間存在風險溢出效應[30]。而近幾年，融資租賃、互聯(lián)網(wǎng)金融和創(chuàng)投等金融機構(gòu)在我國蓬勃發(fā)展。截至2021 年上半年，中國融資租賃公司的數(shù)量達到12 159 家；2021 年創(chuàng)投市場股權(quán)投資機構(gòu)共有8 658 家；從業(yè)務模式上看，現(xiàn)有互聯(lián)網(wǎng)金融共包含21 類，包括網(wǎng)絡(luò)借貸、互聯(lián)網(wǎng)金融公司、互聯(lián)網(wǎng)資產(chǎn)管理等，而目前僅互聯(lián)網(wǎng)金融公司就有2 000 多家正常運營。這些金融機構(gòu)的業(yè)務都與商業(yè)銀行密切相關(guān)，隨著它們的發(fā)展，一系列的風險問題也接踵而至，與商業(yè)銀行之間存在著風險溢出是必然的結(jié)果。

從影子銀行的業(yè)務形式來看，自2010 年以來金融監(jiān)管逐漸嚴格，為了緩解資本充足率的壓力，加大資金供給滿足高速發(fā)展的房地產(chǎn)企業(yè)和地方政府的融資需求，以銀行、證券、保險、信托、基金及金融租賃等金融機構(gòu)為服務對象的銀行同業(yè)業(yè)務在銀行體系內(nèi)興起并迅速發(fā)展。銀行同業(yè)業(yè)務規(guī)模不斷擴大，與公司業(yè)務、個人業(yè)務共同構(gòu)成商業(yè)銀行三大核心業(yè)務。據(jù)Wind 數(shù)據(jù)統(tǒng)計，截至2022 年10 月21 日，銀行同業(yè)存單存量達到143 600 億元。而同業(yè)業(yè)務作為影子銀行的表現(xiàn)形式之一，勢必使得影子銀行與商業(yè)銀行之間存在風險溢出效應[9，31]。由于影子銀行和商業(yè)銀行之間各類業(yè)務深度相連，所以當影子銀行出現(xiàn)極端風險時會通過各類影子銀行的具體業(yè)務，如銀信合作、銀證合作、同業(yè)業(yè)務及委托貸款等進一步傳染至商業(yè)銀行，最終在羊群行為和傳染效應的作用下演變?yōu)橄到y(tǒng)性金融風險。影子銀行期限錯配與高杠桿率兩大顯著特征會引發(fā)流動性風險和運營風險；而高內(nèi)在關(guān)聯(lián)性、信用風險轉(zhuǎn)移等風險特征會進一步造成風險溢出，商業(yè)銀行作為影子銀行業(yè)務的載體，最終成為風險的承擔者。商業(yè)銀行作為影子銀行的依托，如果商業(yè)銀行的資金鏈斷裂發(fā)生流動性風險，必然會影響影子銀行的穩(wěn)定性，一方面會導致影子銀行也出現(xiàn)資金流動性問題；而另一方面會造成信用風險，引發(fā)擠兌問題。

3.3 極端風險溢出效應檢驗

憑借個體模型的單系數(shù)檢驗結(jié)果不能就影子銀行和商業(yè)銀行間風險溢出方向做出可靠判斷，因此本文參考Engle 等[24]的方法，構(gòu)造wald 統(tǒng)計量來進一步確定影子銀行和商業(yè)銀行之間是否存在風險溢出效應，以及從整體上判別影子銀行和商業(yè)銀行間極端風險溢出方向。具體方法如下：

本文的聯(lián)合顯著性檢驗以影子銀行與商業(yè)銀行間不存在風險溢出效應為原假設(shè)，具體包含三層：假設(shè)一：H0：a12=a21=b12=b21=d12=d21=0，即影子銀行與商業(yè)銀行間不存在極端風險溢出效應；假設(shè)二：H0：a21=b21=d21=0，即影子銀行對商業(yè)銀行不存在極端風險溢出效應；假設(shè)三：H0：a12=b12=d12=0，即商業(yè)銀行對影子銀行不存在極端風險溢出效應。

從表3 的wald 檢驗結(jié)果可以看出，信托類影子銀行、證券類影子銀行及其他金融機構(gòu)類影子銀行均和商業(yè)銀行之間存在著極端風險溢出效應。其中，信托與商業(yè)銀行、其他金融機構(gòu)和商業(yè)銀行之間均存在著非常顯著的雙向極端風險溢出效應；而證券與商業(yè)銀行在第二層假設(shè)H0：a21=b21=d21=0 中P 值為11%，略大于10%，也就是說證券和商業(yè)銀行之間的風險溢出效應由商業(yè)銀行主導，證券對商業(yè)銀行的風險溢出效應是弱效應。在刻畫雙向尾部極端風險溢出效應的圖1 中，強效應用實線箭頭表示，弱效應用虛線箭頭表示。

圖1 影子銀行與商業(yè)銀行間的尾部極端風險溢出方向

表3 影子銀行和商業(yè)銀行的尾部風險溢出檢驗結(jié)果

3.4 樣本內(nèi)檢驗與樣本外預測結(jié)果

表4 記錄了AS-MVMQ-CAViaR 模型對樣本內(nèi)數(shù)據(jù)的擬合效果和對樣本外數(shù)據(jù)的預測情況。就樣本內(nèi)數(shù)據(jù)而言，對三個模型中信托、證券、其他金融機構(gòu)以及商業(yè)銀行的收益率水平擊穿5%VaR值進行統(tǒng)計，結(jié)果得出擊穿比例均在5%左右，意味著AS-MVMQ-CAViaR 模型對樣本內(nèi)數(shù)據(jù)的擬合效果較好。

表4 AS-MVMQ-CAViaR 模型回測檢驗結(jié)果

但模型對樣本內(nèi)數(shù)據(jù)的擬合表現(xiàn)并不能簡單擴展到對樣本外數(shù)據(jù)的預測表現(xiàn)，所以本文選取2019 年11 月22 日至2022 年10 月14 日，經(jīng)過交易日匹配后的700 條信托、證券、其他金融機構(gòu)及商業(yè)銀行的收益率數(shù)據(jù)來進行樣本外的回測檢驗。通過統(tǒng)計樣本外數(shù)據(jù)在5%的置信水平下對VaR值的撞擊次數(shù)，發(fā)現(xiàn)模型計算的VaR 值擊穿比例均在5%左右，預測效果較好。本文還構(gòu)造了LR 統(tǒng)計量進一步檢驗該模型的穩(wěn)健性和適用性，來評估模型的樣本外預測能力，從結(jié)果可以看到三個ASMVMQ-CAViaR 模型均通過了LR 檢驗。綜合模型對樣本內(nèi)數(shù)據(jù)的擬合效果和對樣本外數(shù)據(jù)的預測結(jié)果，可以得出結(jié)論：AS-MVMQ-CAViaR 模型能夠很好地測度影子銀行和商業(yè)銀行間的尾部風險溢出情況。

4 結(jié)論與政策建議

本文依據(jù)影子銀行的發(fā)展歷程，選取三類影子銀行（即信托、證券及其他金融機構(gòu)）和商業(yè)銀行作為研究對象，并以行業(yè)指數(shù)和上市企業(yè)的股票收盤價為樣本數(shù)據(jù)，基于AS-MVMQ-CAViaR 模型，探究了影子銀行和商業(yè)銀行間的極端風險互溢情況，得出如下結(jié)論：

第一，信托、證券、其他金融機構(gòu)和商業(yè)銀行均具有高度的自相關(guān)性，即具有波動聚集特征。

第二，影子銀行與商業(yè)銀行間存在著極端風險溢出效應。信托和商業(yè)銀行、其他金融機構(gòu)和商業(yè)銀行均存在雙向的極端風險溢出效應；而對于證券和商業(yè)銀行，商業(yè)銀行對證券的風險溢出是強效應，而證券對商業(yè)銀行是弱溢出。

第三，根據(jù)系數(shù)b12和b21的大小及顯著性水平可知，商業(yè)銀行對影子銀行的風險溢出效應排序為：信托>其他金融機構(gòu)>證券；影子銀行對商業(yè)銀行的風險溢出效應排序為：其他金融機構(gòu)>信托，證券類影子銀行對商業(yè)銀行的風險溢出是弱效應。整體來看，信托和商業(yè)銀行的風險關(guān)聯(lián)度最高，證券和商業(yè)銀行的關(guān)聯(lián)度最低。

第四，負向市場沖擊對影子銀行和商業(yè)銀行間風險溢出效應的影響要高于正向市場沖擊所帶來的影響。

基于上述結(jié)論，本文提出如下政策建議：

第一，對影子銀行和商業(yè)銀行的監(jiān)管齊頭并進，不留監(jiān)管盲區(qū)。影子銀行和商業(yè)銀行間存在雙向的風險溢出效應，二者業(yè)務和風險特征存在相似性，所以對游離于銀行監(jiān)管體系之外的影子銀行，我們也應合理引導其降低杠桿率水平、縮短金融交易環(huán)節(jié)、提高信息透明度以不斷完善金融監(jiān)管措施。

第二，對影子銀行采取差異化的審慎監(jiān)管手段，重點監(jiān)督信托類影子銀行。從上述研究中可以看出，銀信合作是我國影子銀行最初出現(xiàn)的形式，隨著影子銀行的后續(xù)發(fā)展演變，銀證合作的模式和其他金融機構(gòu)的類影子銀行業(yè)務相繼開展，但信托類影子銀行和我國商業(yè)銀行間的風險溢出效應仍然最為顯著，應對信托業(yè)采取重點監(jiān)督措施。

第三，密切關(guān)注影子銀行和商業(yè)銀行的負向市場沖擊，建立風險監(jiān)測預警機制。從上述研究中可以發(fā)現(xiàn)市場負向沖擊會對影子銀行和商業(yè)銀行間極端風險溢出產(chǎn)生影響，所以應通過完善市場監(jiān)測預警系統(tǒng)，捕捉影子銀行和商業(yè)銀行運作過程中可能出現(xiàn)的負向市場沖擊，預防極端風險外溢。