《商业银行风险对系统性金融风险的贡献》
商业银行系统性风险溢出
04
系统性风险溢出对商业银行的影 响
信贷收缩与融资成本上升
信贷规模缩减
当系统性风险溢出时，商业银行 可能面临更严格的监管要求和市 场压力，导致其信贷规模受到限 制和缩减。
信誉风险与金融市场信心下滑
信誉受损
当商业银行受到系统性风险溢出的冲击 时，其声誉可能受到损害，导致投资者 和客户信心下降。
VS
金融市场信心下滑
系统性风险溢出可能引发金融市场的广泛 担忧，导致投资者信心下滑，进一步加剧 商业银行的融资困难和业务挑战。
05
监管政策与商业银行系统性风险 溢出防范
宏观审慎政策与微观监管措施
融资成本上升
由于风险溢出增加了市场的不确 定性，投资者可能要求更高的风 险溢价，从而推高商业银行的融 资成本。
资产负债表恶化与流动性风险
资产质量下降
系统性风险溢出可能导致借款人的还款能力受到影响，进而引发商业银行资产负债表上的资产质量下 降。
流动性枯竭
在系统性风险事件发生时，市场恐慌可能导致存款流失和融资渠道受阻，商业银行可能面临流动性枯 竭的风险。
宏观审慎政策
该政策主要通过对整体金融市场的监管，防 范系统性风险的发生和蔓延。具体手段包括 设定和调整资本充足率、流动性比率等宏观 审慎指标，以限制银行体系的过度扩张和风 险承担。
微观监管措施
相对于宏观审慎政策，微观监管措施更加关 注个体金融机构的风险状况。包括对银行内 部治理、风险管理、业务运营等方面的监管 ，以确保单个银行机构的稳健经营，防止风 险在金融体系内的传播。
系统重要性金融机构的监管与处置机制
金融机构系统重要性评估方法比较与应用研究
金融机构系统重要性评估方法比较与应用研究作者：王培辉袁薇来源：《武汉金融》 2017年第8期王培辉袁薇（河北大学，河北保定 071002）摘要：本文比较了MES、 SRISK和CES三种金融机构系统重要性评估方法的有效性和适用性，并评估了中国上市金融机构系统重要性。
研究表明在均使用公开市场数据进行分析的条件下， MES和CES指标时效性较好； SRISK对于综合规模、杠杆率等信息的评估结果更可靠，时效性略差； SRISK和CES样本外预测效果较好。
本文以SRISK指数为基础，参考MES和CES 指标，按系统重要性将中国金融机构分为三大类，商业银行贡献了系统性风险的绝大部分，保险公司系统重要性有上升趋势。
本文还发现样本期内金融机构系统重要性是动态变化的，具有明显周期性特征，系统性风险集中在少数金融机构。
监管机构需要保持动态监测，加强金融机构宏观审慎监管。
关键词：系统重要性金融机构；边际期望损失；系统风险指数；成分期望损失中图分类号： F832.3 文献标识码： A 文章编号： 1009-3540 （2017） 08-0040-0006基金项目：本文为作者主持的国家社科基金青年项目“保险业系统性风险与金融稳定关系研究” （14CJY073）阶段性成果。
2007年的次贷危机使各国金融监管当局和学者开始重新审视强调金融机构微观审慎监管的传统监管理念的不足。
而实施宏观审慎监管的一个关键是金融机构系统重要性评估，只有及时准确地评估金融机构系统重要性，才能采取有效的分类监管措施。
一、、文献综述鉴于现实中金融监管当局实施宏观审慎监管的迫切需要，近年来针对金融机构系统重要性评估的研究文献不断涌现。
从研究具体思路来看，研究方法可以分为两大类：第一类是“自下而上” 的方法。
该类方法强调研究单一金融机构陷入经营困境对其他金融机构的影响，风险如何在金融机构间传导、风险作用大小等，以此判断金融机构系统重要性。
这一类的方法主要有市场指标法（FSB、 BCBS， 2011）、网络模型法（Muller， 2003；Mistrulli 和 Paolo， 2011）、 CoVaR 方法（Adrian 和 Brunnermerier， 2011； Girardi 和 Ergun，2013； Karimalis EN， Nomikos N， 2014）。
商业银行系统性金融风险评估与防范
风险管理策略与措施
风险识别与评估
建立完善的风险识别 和评估机制，对各类 风险进行全面、准确 的分析和评估。
风险分散策略
通过多元化投资、资 产分散等方式降低非 系统性风险的影响。
风险限额管理
根据银行的风险承受 能力和业务特点，设 置合理的风险限额， 对超过限额的业务进 行严格审批。
风险缓释措施
采取担保、抵押、质 押等措施降低信用风 险，运用衍生品对冲 利率、汇率等市场风 险。
报告与反馈
撰写风险评估报告，提出 改进措施和建议，并向高 层管理层报告。
风险评级与预警
01
02
03
评级体系
建立完善的风险评级体系 ，对银行面临的风险进行 分级，为决策提供参考。
预警机制
通过建立预警指标和阈值 ，及时发现和预警潜在风 险。
压力测试
定期进行压力测试，模拟 极端情况下的风险状况， 以检验银行的抗风险能力 。
2008年国际金融危机爆发，起因于美国次贷危机，进而引发全球金融
市场动荡。风险因素包括过度杠杆、高风险资机源于希腊债务危机，并迅速蔓延至其他欧洲国家。风险因素包
括高债务、财政赤字、缺乏改革等。
03
2019年新兴市场货币危机
新兴市场货币危机爆发，波及多个国家，导致金融市场动荡。风险因素
风险报告的流程与审核
报告流程
建立规范的风险报告流程，包括报告的收集、整理、审核、报送等环节，以确保信息的准确性 和及时性。
审核制度
实行风险报告的审核制度，由风险管理委员会或专门的风险管理部门对风险报告进行审核，确 保报告的质量和合规性。
05
案例分析与实践
国际金融危机案例分析
01
2008年国际金融危机
系统性金融风险文献综述：现状、发展与展望
系统性金融风险文献综述：现状、发展与展望一、本文概述随着全球金融市场的深度融合和不断创新，系统性金融风险逐渐成为影响全球经济稳定的重要因素。
本文旨在对系统性金融风险的相关文献进行系统的梳理和评价，以期了解当前的研究现状，分析未来的发展趋势，并提出相应的研究展望。
我们将首先界定系统性金融风险的定义和特征，然后回顾和总结国内外学者在系统性金融风险识别、评估、监控和防范等方面的主要研究成果，最后探讨未来研究的方向和重点。
通过本文的综述，我们希望能够为金融风险管理实践和政策制定提供理论支持和决策参考。
二、系统性金融风险的现状近年来，随着全球金融市场的快速发展和不断创新，系统性金融风险逐渐凸显，成为影响全球经济稳定的重要因素。
目前，系统性金融风险主要表现在以下几个方面。
金融市场的复杂性和关联性不断增强，使得金融风险的传播速度和影响范围不断扩大。
一方面，随着金融市场的不断开放和国际化，金融机构和金融产品的种类和数量不断增加，金融市场之间的联系日益紧密。
另一方面，金融市场的创新和发展使得金融产品和服务的边界越来越模糊，金融市场的复杂性不断提高。
这些因素都增加了系统性金融风险的发生概率和传播速度。
金融机构之间的风险传递和共振效应日益明显。
随着金融市场的不断发展，金融机构之间的业务联系和资金往来越来越频繁，金融机构之间的风险传递和共振效应也日益明显。
一旦某个金融机构出现风险事件，很容易引发其他金融机构的连锁反应，导致整个金融系统的风险加剧。
全球经济和金融环境的不确定性也在不断增加，给系统性金融风险带来了新的挑战。
一方面，全球经济增长放缓、贸易保护主义抬头等因素导致金融市场波动加剧；另一方面，地缘政治风险、自然灾害等突发事件也可能对金融市场产生重大影响。
这些不确定性因素都可能对金融系统的稳定性造成冲击，增加系统性金融风险的发生概率。
当前系统性金融风险呈现出复杂性、关联性、传递性和不确定性等特点。
为了有效应对系统性金融风险，需要加强金融监管和风险防范，提高金融市场的透明度和稳定性，促进金融市场的健康发展。
商业银行供给侧结构性改革带来的系统金融风险研究
商业银行供给侧结构性改革带来的系统金融风险研究作者：李文超赖旭宏曾路明来源：《西部论丛》2020年第09期摘要：2016年，中央顺势提出以“去产能、去库存、去杠杆、降成本、补短板”为重点的供给侧结构性改革，目的是通过调整经济结构，矫正要素配置扭曲，提高全要素生产率，促进经济社会持续健康发展。
金融作为现代经济的核心，商业银行是其流动的血液，在供给侧结构性改革中发挥着至关重要的作用。
但改革与风险并存，本文从不良资产处置、利润增长和自身改革三个方面分析存在的风险，并提出解决办法。
关键词：商业银行;供给侧结构性改革;系统金融风险Abstract： In 2016， the central homeopathic proposed to "To; produce capacity， to destock，to leverage， lower the cost; and fill short board" as the focus of the supply side of the structural reform， which purpose is to adjust the economic structure， correct the distortion of the allocation of elements， improve the total factor productivity， and promote sustained and healthy economic and social development. As the core of the modern economy， the banking industry is the flow of blood， in the supply side of the structural reform plays a vital role. However， the reform and risk coexist. This paper analyzes the existing risks from the aspects of non - performing assets disposal，profit growth and self - reform， and puts forward the solution.Key Words： commercial bank;Supply Side Structural Reform; Systematic Financial Risks一、引言（一）供給侧结构性改革背景自 20 世纪 70 年代末实施改革以来，中国经济实现了长达 30 多年的高速增长，在 1978 年至 2011年期间年平均增长率达到 9.9%。
基于CoVaR方法的商业银行系统性风险测度分析
基于ＣｏＶａＲ方法的商业银行系统性风险测度分析杨㊀鋆摘㊀要：作为审慎监管的一部分，对于系统重要性金融机构的监管对于防范金融系统性风险具有重大意义㊂文章利用ＣｏＶａＲ方法，以我国２６家上市商业银行为样本，测量了这２６家上市商业银行２０１８年２月１日至２０１９年１２月３１日期间对于银行体系的风险溢出㊂结果显示，国有商业银行规模较大，对系统性风险的贡献也相对较大，在进行金融监管时对其需要特别注意，防止风险的发生对其造成较大的冲击从而威胁金融体系稳定㊂同时，一部分地方商业银行也可能威胁金融体系稳定，需要多加注意㊂关键词：系统性风险；ＣｏＶａＲ；系统重要性金融机构一㊁引言在我国，银行业在金融体系中仍然占据着主导地位㊂近年来，随着经济不确定性的增加，金融系统也承受着一定的压力㊂在此情况下，守住金融不发生金融系统性风险的底线的重要一环就是守住银行业不发生系统性风险㊂而对于银行体系中占据重要地位的㊁与其他金融机构有密切联系的系统重要性金融机构，一旦其发生风险，那么与其有业务往来的相关金融机构都有可能受到冲击，导致风险在金融体系内的传染，造成系统性金融风险㊂基于这一想法，文章对我国各上市商业银行对于银行体系的风险溢出效应进行测度，据此判断系统重要性银行，以期能为金融监管的有效实施㊁金融危机的有效防范提供一定的参考意见㊂二㊁文献综述首先，文章所提到的系统性风险主要是指单个金融机构发生风险并在金融体系内传播，威胁整个金融体系的风险，在此基础上考虑系统性风险的度量㊂而关于系统性风险的度量，相关研究较多㊂具体而言，系统性风险度量和系统重要性金融机构判别的主要方法有ＣｏＶａＲ（条件在险价值）㊁ＭＥＳ（边际期望损失）㊁ＳＲＩＳＫ㊁网络分析法等：ＣｏＶａＲ主要是测度当某个金融机构发生风险时，金融体系的风险情况变化，以此测度该金融对系统性风险的贡献㊂ＣｏＶａＲ整体而言是一种思想，在具体计算方法上有所差异㊂例如，陈守东㊁王妍（２０１４）考虑了时变的ＣｏＶａＲ模型，利用基于极值分布的极端分位数回归技术估计了２００７－２０１３年我国３３家金融机构的ＣｏＶａＲ值㊂而陈忠阳和刘志洋（２０１３）则利用二元ＧＡＲＣＨ模型估计２００６－２０１２我国１６家上市商业银行的ＣｏＶａＲ值㊂边际期望损失ＭＥＳ，表示在一定的临界条件下，某一金融机构对系统损失的贡献㊂而ＳＲＩＳＫ是在动态ＭＥＳ的基础上提出的，ＳＲＩＳＫ指标的优势在于可以同时捕捉到规模㊁杠杆率和关联性等重要因素的影响，对于单个机构的系统重要性的衡量更为合理㊂网络分析法主要是基于金融机构间的业务结构来分析金融机构之间的风险关联性，以及当某一机构发生风险时，会对金融体系造成怎样的影响㊂但由于网络分析法需要的银行间敞口数据不易得，因此该方法有一定局限㊂三㊁实证分析（一）方法介绍１．ＣｏＶａＲ方法ＶａＲ，即在险价值，是指在一定的置信水平下，某一金融资产在未来特定的一段时间内的最大可能损失㊂令表示该资产的资产收益率，则定义为收益率的ｑ分位数，即有：Ｐ（ＲɤＶａＲｑ）＝ｑ（１）根据Ａｄｒｉａｎ和Ｂｒｕｎｎｅｒｍｅｉｅｒ（２０１１）的定义，ＣｏＶａＲｓｙｓ｜ｉｑ表示在金融机构ｉ处于某一特定状况下，金融体系的ＶａＲ值㊂记ｔ时刻金融机构ｉ发生事件Ｃ（Ｒｉ），则Ｐ（ＲｓｙｓɤＣｏＶａＲｓｙｓ｜ｉｑ｜Ｃ（Ｒｉ））＝ｑ（２）金融机构ｉ对金融体系的风险贡献度用ΔＣｏＶａＲ度量，表示为：ΔＣｏＶａＲｓｙｓ｜ｉｑ＝ＣｏＶａＲｓｙｓ｜Ｒｉ＝ＶａＲｉｑｑ－ＣｏＶａＲｓｙｓ｜Ｒｉ＝ＶａＲｉ０．５ｑ（３）式（３）中ＶａＲｉ０．５表示金融机构ｉ正常情况下的在险价值，ＶａＲｉｑ表示极端情况下金融机构ｉ的在险价值㊂ΔＣｏＶａＲ表示金融机构ｉ发生危险时对系统性风险的贡献㊂ΔＣｏＶａＲｓｙｓ｜ｉｑ即衡量了金融机构ｉ对金融系统性风险的影响程度㊂２．分位数回归估计ＣｏＶａＲ为考察金融机构ｉ发生风险时对金融体系的风险溢出效应，建立以下ｑ分位数回归模型：Ｒｓｙｓ，ｉｑ＝αｉｑ＋βｉｑＲｉ（４）其中，Ｒｓｙｓ，ｉｑ表示金融机构ｉ发生风险时的ｑ分位数下的预测收益率，Ｒｉ表示金融机构ｉ的收益率㊂αｉｑ和βｉｑ为待估参数㊂根据在险价值的定义，有：ＶａＲｓｙｓ｜ｉｑ＝Ｒｓｙｓ，ｉｑ（５）其中，ＶａＲｓｙｓ｜ｉｑ表示金融机构ｉ发生风险时金融体系的在险价值㊂将（５）式代入（４）式，得：ＶａＲｓｙｓ｜ｉｑ＝αｉｑ＋βｉｑＲｉ（６）再根据前一节所讲的ＣｏＶａＲ方法，令Ｒｉ＝ＶａＲｉｑ，代入（６）式，可以得到ＣｏＶａＲ的计算公式：ＣｏＶａＲｓｙｓ｜Ｒｉ＝ＶａＲｉｑｑ＝αｉｑ＋βｉｑＶａＲｉｑ（７）根据（３）式，可得：ΔＣｏＶａＲｓｙｓ｜ｉｑ＝βｉｑ（ＶａＲｉｑ－ＶａＲｉ０．５）（８）根据式（８），即可求出各银行对于银行体系的系统性风险贡献㊂（二）数据选取及来源文章选用２０１８年２月１日至２０１９年１２月３１日期间我国２６家上市商业银行股票日收益率数据，银行业系统收益率则采用同期间中证银行指数收益率㊂由于部分商业银行上市时间较晚，因此从中证指数的成分３３家上市商业银行中剔除了７家，仅余２６家㊂考虑到被剔除的银行均为地方商业银行，规模相对较小，应当不会对结果产生较大影响㊂各上市商业银行及中证银行指数日收益率数据均来自Ｔｕｓｈａｒｅ平台及Ｃｈｏｉｃｅ数据库㊂（三）各银行ΔＣｏＶａＲ测算６０１金融观察Һ㊀ΔＣｏＶａＲ的计算使用分位数回归方法计算得到待估参数值，然后使用样本的０．５分位数和０．０５分位数根据式（８）计算得到５％置信水平下各银行的ΔＣｏＶａＲ值，结果如表１所示㊂表１㊀２６家上市商业银行ΔＣｏＶａＲ测算及按总资本排序排名银行ΔＣｏＶａＲ（％）总资本（亿元）排名银行ΔＣｏＶａＲ（％）总资本（亿元）排名常熟银行－１．１１７１７８６．６４２２张家港行－０．８８１１９５．１０２６成都银行－０．６０３５４３１．２４２１中信银行－１．１０２６４６１９．１０９光大银行－１．２７５４７２３２．４７１１华夏银行－１．４９４３０２１７．１０１３江阴银行－１．２９２５１２１６．０７２５建设银行－１．７５６２４５１７７．３０３南京银行－１．３３８１３３３５．５９１７苏农银行－１．２６９１２６１．７８２４上海银行－１．３７１２１８７５．５９１５北京银行－１．９２９２６８０２．６７１４贵阳银行－１．４８７５５２７．１８２０交通银行－１．６７９９３２８．７９５江苏银行－１．３２１２０６６５．７７１６杭州银行－１．３２７９８０６．２８１９无锡银行－１．２０７１６２８．６７２３工商银行－１．６８７３０４２６３．８１１兴业银行－１．４０６６９８２１．０７宁波银行－１．３４６１２３９７．１９１８民生银行－１．７０２６２７３７．４３１０浦发银行－１．６３４６７９０６．７８中国银行－１．６５３２２６０８１．６４４招商银行－１．８０４７３０５９．２５６农业银行－１．４９２４８７０９．６１２平安银行－１．３１２３７０７６．８３１２㊀㊀从上表可以看到，在全部２６家上市商业银行中，北京银行㊁招商银行㊁建设银行㊁民生银行相对对于系统性风险的贡献更大，其中北京银行对于系统性风险的溢出效应更为显著㊂紧随这几家银行之后，中国银行㊁工商银行㊁浦发银行对于系统性风险也有不小的贡献㊂这几家银行的总资产规模排名也相对较高，但并非所有资产规模较大的银行都对系统性风险有较大贡献度㊂综上，各银行对于系统性风险的贡献与银行的规模并不存在必然的联系㊂但整体来看，系统性风险贡献较高的银行相对而言规模也较大㊂也就是说，规模可以认为是系统性风险贡献较大的一个必要条件，系统性风险贡献较大的银行往往规模较大㊂反之，规模大的银行系统性风险贡献却未必较大㊂通过对贵州银行和华夏银行的对比也可以看出，规模并不是决定系统性风险贡献的唯一因素：华夏银行总资本大约是贵州银行的５ ６倍，但对于系统性风险的贡献却与贵州银行相差无几㊂同时可以发现，总资产约是贵州银行２倍的宁波银行对于系统性风险的贡献却小于贵州银行㊂因此，在判断系统重要性银行时，不能以规模作为唯一判断的标准，还需要同时考虑到各家银行的资产结构㊁与其他银行的网络关系等㊂此外，从表中可以发现，系统性风险较高的银行大多为股份制商业银行和国有商业银行㊂为探究不同类型的商业银行对于系统性风险的贡献是否存在不同，将２６家商业银行按照地方商业银行㊁股份制商业银行㊁国有商业银行分为三类，分别计算其ΔＣｏＶａＲ均值进行比较：表２㊀各类型商业银行ΔＣｏＶａＲ均值类型ΔＣｏＶａＲ均值地方商业银行－１．２６８股份制商业银行－１．４６６国有商业银行－１．６５１㊀㊀从表２可以看到，地方商业银行㊁股份制商业银行和国有商业银行的ΔＣｏＶａＲ之间有比较显著的差异：国有商业银行ΔＣｏＶａＲ最高（绝对值意义上），股份制商业银行次之，地方商业银行最低㊂这也说明了这三类银行在金融体系中重要程度的差异：国有商业银行在银行体系中始终是处于中心地位；股份制商业银行规模也不小，与其他银行的业务往来也较为密切，相对比较重要；而地方商业银行相对而言影响范围较小，系统重要性相对较低㊂四㊁结论与建议文章利用ＣｏＶａＲ方法计算了我国２０１８年２月１日至２０１９年１２月３１日期间２６家上市商业银行对于系统性风险的贡献程度㊂根据对结果的分析，可以发现：（１）商业银行对于系统性风险的贡献与其规模之间并不必然成正比㊂北京银行按规模仅在第１４位，但其对于系统性风险贡献的却最高㊂此外，贵州银行资产远小于华夏银行，但对系统性风险的贡献却相差无几㊂这些都说明规模并不是决定银行系统性风险贡献的唯一因素㊂（２）在各类型商业银行中，国有商业银行对于系统性风险贡献最大，股份制商业银行次之，地方商业银行最低，国有商业银行在银行体系中仍处于重要地位㊂此外，北京银行㊁招商银行㊁建设银行㊁民生银行㊁中国银行㊁工商银行和浦发银行具有较强的系统性风险溢出效应，相对来说是系统性重要银行，在进行监管时可以对其多加注意㊂参考文献：［１］陈守东，王妍．我国金融机构的系统性金融风险评估基于极端分位数回归技术的风险度量［Ｊ］．中国管理科学，２０１４，２２（７）：１０－１７．［２］陈忠阳，刘志洋．国有大型商业银行系统性风险贡献度真的高吗 来自中国上市商业银行股票收益率的证据［Ｊ］．财贸经济，２０１３（９）：５７－６６．［３］刘志洋，宋玉颖．商业银行流动性风险与系统性风险贡献度［Ｊ］．南开经济研究，２０１５（１）：１３１－１４３．［４］梁琪，李政，郝项超．我国系统重要性金融机构的识别与监管 基于系统性风险指数ＳＲＩＳＫ方法的分析［Ｊ］．金融研究，２０１３（９）：５６－７０．［５］方意，郑子文．系统性风险在银行间的传染路径研究基于持有共同资产网络模型［Ｊ］．国际金融研究，２０１６（６）：６１－７２．［６］ＡｄｒｉａｎＴ，ＢｒｕｎｎｅｒｍｅｉｅｒＭＫ．ＣｏＶａＲ［Ｒ］．ＮａｔｉｏｎａｌＢｕｒｅａｕｏｆＥｃｏｎｏｍｉｃＲｅｓｅａｒｃｈ，２０１１．作者简介：杨鋆，四川大学经济学院㊂７０１。
尾部风险网络、系统性风险贡献与我国金融业监管
尾部风险网络㊁系统性风险贡献与我国金融业监管*李政 鲁晏辰 刘淇摘要:基于L A S S O 分位数回归,本文提出了系统性风险度量新指标,并采用该指标构建2011-2017年我国上市金融机构时变的尾部风险网络㊂在此基础上,本文一方面从系统㊁部门和机构三个层面衡量其网络关联水平;另一方面,识别风险在金融机构间传递的方向路径等关联结构,而且在兼顾关联水平和关联结构的基础上,测度单个机构在风险网络中的系统性风险贡献㊂研究发现:第一,我国金融机构的系统关联水平具有明显周期性特征,在风险积累阶段系统关联水平迅速攀升,直至风险爆发阶段达到阶段性高点,而后随着风险释放逐步回落㊂第二,银行㊁证券和保险三个部门风险输出关联水平的时序变化差异较大,但风险输入关联水平的时序变化基本一致,风险在部门间的传染是真实存在的㊂第三,总体上,同部门且规模相近㊁商业模式相似㊁业务同质性较高的机构间关联水平更高,但在风险积累和爆发阶段,跨部门㊁同部门中差异较大的机构间关联水平也有所上升㊂第四,在同时考虑关联水平和关联结构时,四家大型商业银行的系统性风险贡献最大,且远高于其他金融机构;同时,一些保险企业也开始成为系统重要性机构㊂基于尾部风险网络的研究,本文为我国金融业监管提供了具有可行性的政策建议㊂关键词:尾部风险网络 关联水平 关联结构 系统性风险贡献 金融业监管一㊁引言与文献综述防范㊁化解系统性金融风险是新时代我国金融工作的重中之重,也是保证我国经济平稳㊁健康发展的重要基础和条件㊂当前,无论是中央决策层还是社会各界,都已充分认识到现阶段我国金融系统面临较大的风险压力,对守住不发生系统性风险底线的目标达成了共识㊂那么,下一步的工作,需要聚焦在如何科学防范系统性风险,以及强化风险防控能力建设上㊂与此同时,伴随着近年来我国金融业综合经营步伐的加快,银行㊁证券㊁保险等不同类型金融机构之间的关联愈发紧密,风险传导渠道不断增多,形成了极为复杂的风险传递网络㊂除了跨机构传递以外,金融风险的跨行业㊁跨市场传递特征日益突出,这不仅使金融风险交叉传染的可能性大幅上升,而且有可能进一步引发系统性风险,给我国的金融安全稳定带来巨大威胁(李政等,2019a )㊂因此,构建包含银行㊁证券㊁保险等多类型机构的尾部风险网络,研究分析金融机构间风险溢出的强度规模㊁方向路径,全面准确考察机构间的网络关联特征,对我国金融监管当局科学防范系统性风险㊁提升金融业监管能力,具有极其重要56 李政等:尾部风险网络㊁系统性风险贡献与我国金融业监管*李政,天津财经大学金融学院㊁大数据统计研究中心,邮政编码:300222,电子邮箱:l i z h e n g @t j u f e .e d u .c n ;鲁晏辰,南开大学经济学院财金研究所,邮政编码:300071,电子邮箱:l u y c @m a i l .n a n k a i .e d u .c n ;刘淇,天津财经大学金融学院,邮政编码:300222,电子邮箱:l i u q i t j u f e @163.c o m ㊂本文受国家自科基金项目 金融机构系统性风险敞口与贡献的度量及监管研究 基于金融网络视角的分析 (71703111)㊁国家自科基金项目 多市场联动规律与金融系统体系性风险测度 (71701106)和国家社科基金项目 新常态下我国系统性金融风险度量监测与协作型调控机制研究 (17C J Y 057)资助㊂感谢审稿专家的宝贵意见,文责自负㊂*2019年第7期的现实意义㊂目前国内外学术界对系统性风险①尚未形成统一的严格定义(B e n o i t e t a l ,2017;杨子晖㊁周颖刚,2018),但是学者们普遍认为系统性风险具有系统性㊁复杂性㊁传染性和负外部性等特征,同时在2008年全球金融危机爆发后,从 关联 角度切入,对系统性风险进行度量监测研究已然成为学术界的主流㊂不管是金融机构与金融系统在极端情形下的尾部依赖,抑或者金融机构之间的相关性,还是金融机构的联合违约,这些方法在本质上都是对金融机构的 关联性 进行度量,只不过度量的侧重点有所差异㊂更为重要的是,将上述方法与网络视角相结合,可以捕捉金融机构间风险传染以及系统性风险溢出的网络效应,识别风险传递的路径结构㊂因此,基于金融网络视角的研究逐渐成为系统性风险度量领域的热点以及未来的发展方向㊂基于金融机构关联网络,考察其风险传染效应以及系统性风险水平的研究成果大体可分为三类㊂其一,基于银行经营业务数据的直接关联网络模型和间接关联网络模型㊂前者关注银行通过同业拆借或者支付结算形成直接关联,后者则关注银行通过持有相同或者相似的资产形成共同风险敞口,而且直接关联网络模型主要捕捉银行破产的违约级联(d e f a u l t c a s c a d e )导致的风险传染,间接关联网络模型重点考察银行 去杠杆 降价抛售非流动性资产形成的风险传染㊂其二,根据复杂网络理论直接生成关联网络,构造出无标度网络㊁随机网络㊁小世界网络等,使其具有现实中银行关联网络的某些结构特征,然后通过模拟分析考察不同的网络结构以及网络结构关键参数的变化如何影响银行间的风险传染和系统性风险水平㊂其三,基于金融机构的股票价格等金融市场数据,先通过二元G r a n g e r 因果关系检验㊁广义方差分解㊁L A S S O 分位数回归以及T E N E T 等方法构建金融机构的关联网络,然后采用复杂网络分析法测度金融机构的关联性和系统性风险水平㊂上述三类方法各有优劣势㊂其中,第一类和第二类方法的优势在于它们可以刻画违约级联和降价抛售资产等具体的风险传染机制,给出系统性风险的形成原因㊂两类方法的区别主要在于关联网络的构建方式不同,前者基于真实的银行经营业务数据,后者根据复杂网络理论直接生成㊂但是,银行间的关联形式多种多样,第一类方法仅考虑某些特定的关联形式,比如,银行间同业拆借直接关联或者持有共同贷款资产间接关联,故不能将错综复杂的机构关联网络全部呈现出来㊂而且,银行经营业务数据的频率较低,具有一定的滞后性,无法及时评估银行间的风险传染㊂第二类方法重在从理论上考察不同的网络结构及其结构参数如何影响风险传染,由于该方法中的银行关联网络是直接生成的,因而无法评估现实中银行间的风险传染和系统性风险水平,而且生成的网络仅能包含银行实际关联网络的某些结构特征㊂此外,第一类和第二类方法在构建完关联网络后,均通过仿真模拟分析来量化风险传染效应和系统性风险水平,但是这些仿真模拟分析的模型与算法背后隐含许多很强的假定条件,这些强假设会引起潜在的估计偏误㊂与前两类方法不同,第三类方法采用高频㊁时效㊁获得性较好的金融市场数据来构建金融机构关联网络,虽然它无法给出具体的风险传染机制,但是基于市场数据构建的机构关联网络并不拘泥于某一特定的关联形式,综合考虑了直接关联㊁间接关联和信息关联等各种潜在的风险传导渠道,可以对机构间的风险传染进行全局性㊁多渠道的测度研究(B e n o i t e t a l ,2017;李政等,2019a )㊂此外,前两类方法的研究对象仅是银行机构,第三类方法可以构建银行㊁证券㊁保险等多类型机构的关联网络,从而有效捕捉风险的跨行业㊁跨市场传递㊂目前,部分学者已采用第三类方法构建了我国金融机构在均值㊁波动和尾部等多个层面的关联网络,测度金融机构间的关联性及系统性风险水平㊂在均值层面,利用我国上市金融机构的股票价格数据,李政等(2016)根据二元G r a n ge r 因果检验,杨坚等(2017)采用广义方差分解,构建了我国银66 ① 关联 是系统性风险定义与度量的核心所在,与H a u t s c he t a l (2015)㊁H är d l e e t a l (2016)等研究一致,本文中的系统性风险主要指金融机构在尾部层面的网络关联,即金融机构间风险传染与溢出的网络效应,包括风险溢出的强度规模和方向路径两个方面㊂行㊁证券㊁保险等多类型机构的收益率关联网络㊂其中,李政等(2016)发现我国上市金融机构的关联网络具有小世界和无标度等特征,而且2012年以来我国金融机构的总体关联性具有显著的上升趋势;杨坚等(2017)发现商业银行在网络中仍处于主导地位,但是非银行金融机构已开始表现出不可忽视的影响力,而且各机构在网络中所扮演的角色随时间不断变化㊂在波动层面,胡利琴等(2018)和W a n g e t a l (2018a )利用我国上市银行的股票波动率数据,基于广义方差分解方法构建我国上市银行的波动关联网络,通过信息溢出表和信息溢出指数考察了我国银行间的风险传递结构及水平㊂其中,胡利琴等(2018)发现我国银行间的风险溢出主要呈现周期性波动特征;W a n g e t a l (2018a )的研究表明,大型商业银行对波动关联性的贡献小于全国性股份制银行和城商行,而且城商行是波动风险的最大净输出机构㊂在尾部层面,蒋海㊁张锦意(2018)构建了我国16家上市银行尾部风险关联网络,发现该网络具有明显的时变特征,在风险积聚和经济下行时期,关联性会显著提高,而且大型国有银行处于网络的中心地位㊂F a n g e t a l (2018)发现,来自其他机构的风险溢出效应是单个机构风险的主要驱动因素,并且在2014年6月至2016年6月,金融机构间的尾部关联水平出现了明显的上升㊂李绍芳㊁刘晓星(2018)采用T E N E T 方法构建了我国上市金融机构的关联网络,同样发现中国金融体系的总体关联水平呈现周期性变化的特征,同时2014年以来总体关联度一直处于高位㊂W a n g e t a l (2018b )的研究显示,当系统处于压力时期,尤其是在2014年中至2016年末,总体关联水平达到顶峰,并且大型商业银行和保险公司通常具有系统重要性,一些小机构由于其较高的输入或者输出关联性也具有系统重要性㊂目前基于市场数据构建金融机构关联网络,通过网络分析法测度机构关联性及系统性风险水平,已经得到国内学者的关注与认可,并且应用于对我国金融机构的研究中㊂然而,现有研究成果仍存在两方面的不足㊂其一,从研究方法上来说,二元G r a n ge r 因果网络实质上是在孤立环境下考察两两机构之间的关联性,基于方差分解的加权有向网络虽然在整个系统中度量金融机构的关联性,但是该方法建立在V A R 模型之上,不能应用于机构数量较多的金融系统㊂更为重要的是,G r a n g e r 因果检验和方差分解构建的是金融机构信息溢出网络,而非风险网络㊂同时,采用L A S S O 分位数回归和T E N E T 构建金融机构尾部风险网络的研究均采用C o V a R 而非ΔC o V a R 作为风险度量指标,无法度量从正常状态到极端状态下风险溢出水平的增量变化,这与A d r i a n &B r u n n e r m e i e r (2016)的指标设计相悖㊂其二,从研究内容上来说,大部分研究仅关注于银行单一类型机构的网络关联,忽视了跨行业㊁跨市场的风险传染㊂同时,现有研究重在测度机构间风险溢出的强度规模,即网络关联水平,对风险传递的方向路径等关联结构关注不够,极少有研究同时考虑金融机构的关联水平和关联结构并在风险网络中度量机构的系统性风险贡献㊂有鉴于此,本文基于L A S S O 分位数回归提出了L A S S O -ΔC o V a R 新指标①,并采用该指标构建我国银行㊁证券和保险等多类型机构时变的尾部风险网络,有效捕捉金融风险溢出的网络效应和跨行业传染特征㊂基于时变的尾部风险网络,本文一方面从系统㊁部门和机构三个层面测度风险溢出的强度规模,衡量其网络关联水平;另一方面,对风险在金融机构间传递的方向路径等关联结构特征进行研究分析,考察风险积累和爆发阶段关联结构的动态变化,并在兼顾关联水平和关联结构的基础上,测度单个金融机构在风险网络中的系统性风险贡献㊂同时,本文还基于尾部风险网络的研究为我国金融业监管提供了具有可操作性的政策建议㊂76 李政等:尾部风险网络㊁系统性风险贡献与我国金融业监管①本文将H a u t s c he t a l (2015)㊁H är d l e e t a l (2016)的L A S S O 分位数回归方法与A d r i a n &B r u n n e r m e i e r (2016)的系统性风险度量指标ΔC o V a R 相结合,一方面解决了ΔC o V a R 等尾部依赖方法仅测度单个机构与金融系统在极端条件下的尾部关联性,未能识别风险在机构间传递的路径结构及无法捕捉系统性风险溢出的网络效应的缺陷;另一方面,本文通过L A S S O 这一变量选择和降维技术识别金融机构间的关联结构,并且采用ΔC o V a R 作为风险度量指标,从而有效度量了从正常状态到极端状态下风险溢出水平的增量变化,弥补了H a u t s c he t a l (2015)和H är d l e e t a l (2016)等研究的不足㊂L A S S O -ΔC o V a R 指标的新 主要体现在以上两点㊂2019年第7期二㊁方法与数据说明本文采用L A S S O -ΔC o V a R 指标构建我国金融机构的尾部风险网络,这一风险网络为加权有向网络,各金融机构是网络中的 节点 ,机构间的风险溢出关系是网络中的 边 , 边 不仅给出了机构间风险溢出的强度规模,还给出了风险溢出的方向路径㊂在风险网络中,本文对银行㊁证券和保险等多类型机构风险溢出的强度规模与方向路径进行考察分析㊂(一)基于L A S S O -ΔC o V a R 的尾部风险网络本文首先采用分位数回归计算每家金融机构的在险价值V a R ㊂X j ,t =αj +γj M t -1+εj ,t (1)其中,X j ,t 是金融机构j 在t 期的股票收益率,M t -1为滞后一期的状态变量㊂本文对式(1)进行5%和50%分位数回归,得到V a R 5j ,t 和V a R 50j ,t ,前者表示机构j 处于极端状态,后者表示机构j 处于正常状态㊂接下来,本文采用L A S S O 分位数回归,在考虑所有可能的交互影响下度量金融机构间的风险溢出㊂X i ,t =αi |R i +βT i |R i R i ,t+εi ,t (2)其中,αi |R i 为常数项,R i ,t ={X -i ,t ,M t -1,B i ,t -1},βi |R i ={βi |-i ,βi |M ,βi |B i}T ㊂X -i ,t ={X 1,t ,X 2,t , ,X k ,t }表示除了机构i 以外其他所有机构的股票收益率,B i ,t -1为机构i 滞后一期的特征变量㊂如果在两两分位数回归下考察机构j 对机构i 的风险溢出,X -i ,t 则变成X j ,t ,即在孤立环境下考察其风险溢出强度,忽略了系统中其他所有可能的交互影响㊂本文采用L A S S O 这一变量选择和降维技术识别金融机构间的风险传递结构,对式(2)进行L A S S O 分位数回归,得到^βi |R i ={^βi |-i ,^βi |M ,^βi |B i}T ㊂其中,^βi |-i ={^βi |1,^βi |2, ,^βi |k }㊂分位数回归5%分位㊂L A S S O -ΔC o V a R 可以定义为:L A S S O -ΔC o V a R i |j ,t =^βi |j (V a R 50j ,t -V a R 5j ,t )(3)其中,L A S S O -ΔC o V a R i |j ,t 给出了尾部风险网络中机构j 对机构i 的风险溢出强度,衡量机构间的关联水平;^βi |j 来自^βi |-i ,V a R 5j ,t 和V a R 50j ,t 由式(1)计算得到㊂如果机构j 对机构i 不存在直接的风险溢出,则^βi |j =0㊂通过对式(2)进行L A S S O 分位数回归,再根据式(3)进行相应计算,可以得到机构j (j =1, ,k ;j ʂi )对机构i 风险溢出的强度规模,然后对每个机构(i =1, ,k )重复上述过程,可以构建起机构间的尾部风险网络㊂该网络为加权有向网络,对于包含k 家机构的金融系统,这一网络可以采用k ˑk 的邻接矩阵A 表示:I 1 I 2 I 3 I k A =I 1I 2I 3︙I k 0D 1|2D 1|3 D 1|k D 2|10D 2|3 D 2|k D 3|1D 3|20 D 3|k ︙︙︙⋱︙D k |1D k |2D k |3 0æèççççççöø÷÷÷÷÷÷(4)其中,D i |j =L A S S O -ΔC o V a R i |j ㊃I (L A S S O -V C o V a R i |j >0),I (㊃)为指示函数,表示机构j 对机构i 存在正的风险溢出㊂A k 的第i 行给出了机构i 受其他机构的风险溢出水平,第i 列给出了机构i 对其他机构的风险溢出水平㊂为了对金融机构间风险溢出的强度规模和路径方向进行实时监测,明确每家机构在尾部风险网86络中扮演角色和地位的动态变化,本文采用滚动分析方法,即在每一个时点t ,采用51周(约1年的交易观测数据)的固定滚动窗口进行估计,构建时变的风险网络,从而实现上述目的㊂(二)基于风险网络的关联水平及机构系统性风险贡献基于时变的尾部风险网络,本文从系统㊁部门和机构三个层面测度其网络关联水平,有效反映了不同层面上风险溢出效应的强度规模;关联结构主要体现为机构间风险溢出的方向与路径,给出了哪些金融机构之间具有较强的尾部关联性㊂此外,本文还在充分考虑金融机构关联水平和关联结构的基础上,度量单个机构在风险网络中的系统性风险贡献㊂首先,系统关联水平T C 可通过金融机构间风险溢出的总体水平衡量:T C =T C i n =T C o u t =ðki =1ðk j =1D j |i k ㊃(k -1)(5)T C 等于对邻接矩阵A 进行行加总(i n )或者列加总(o u t ),然后除以矩阵A 的非对角元素个数㊂其次,本文利用金融部门的风险溢出强度衡量部门整体关联水平㊂基于加权有向风险网络,g部门有风险输入关联水平G C i n g 和风险输出关联水平G C o u t g ,指标构建方法如下:G C i n g =ðk j =1ði ɪg D i |j (k -1)㊃k g ;G C o u t g =ðk j =1ði ɪg D j |i (k -1)㊃k g (6)其中,g =1㊁2㊁3,1代表银行部门,2代表证券部门,3代表保险部门㊂k g 为金融部门g 中的金融机构数量㊂G C i n g 指标度量部门接收的风险溢出水平,G C o u t g 指标度量部门释放的风险溢出水平㊂最后,金融机构i 在风险网络中的关联水平可由F C i n i 和F C o u t i 度量㊂其中,F C i n i 衡量金融机构接收的风险溢出,F C o u t i 衡量金融机构释放的风险溢出㊂F C i n i =ðk j =1D i |j k -1;F C o u t i =ðk j =1D j |i k -1(7)上述指标是从三个层面测度风险溢出的强度规模,衡量其网络关联水平㊂本文还将测度单个机构在风险网络中的系统性风险贡献,评估其系统重要性,进而识别系统重要性机构㊂系统重要性金融机构应该同时满足以下三个条件:第一,机构的规模足够大;第二,该机构与其他机构高度关联;第三,与其关联机构的规模也相对较大(H är d l e e t a l ,2016)㊂式(7)中的F C i n i 和FC o u t i 分别度量机构i 受其他机构和对其他机构的风险溢出,实际上仅反映了机构i 在系统中的关联水平,即第二个条件㊂第三个条件实质上要求系统性风险贡献的度量评估必须考虑金融机构间的关联结构特征㊂因此,本文借鉴H är d l e e t a l (2016)的研究,采用S R R (s y s t e m i c r i s k r e c e i v e r )和S R E (s ys t e m i c r i s ke m i t t e r )指数来度量机构的系统性风险贡献,评估其系统重要性㊂S R R i =M C i ㊃ðk j =1(D i |j ㊃M C j )k -1;S R E i =M C i ㊃ðk j =1(D j |i ㊃M C j )k -1(8)其中,M C i 和MC j 分别为机构i 和j 的权益市值,反映了机构的规模,对于任一滚动估计窗口,M C i 和MC j 都取窗口起点时的市值规模㊂(三)样本与数据本文的研究对象为我国上市金融机构,鉴于各机构的上市时间不一,本文综合考虑了上市机构的数目及上市时间,将研究样本确定为在2011年之前已经上市的金融机构,样本区间为2011年1月1日至2017年12月31日,数据频率为周频㊂本文剔除了不满足以下条件的金融机构:一是在样本期间内,机构股票需要在上海或深圳证券交易所持续交易;二是样本期间机构股票连续停牌时间不能超过10周㊂由此,本文最终得到满足条件的31家金融机构,其中,商业银行16家,证券公司12家,及保险公司3家㊂没有一家信托公司满足上述条件,故本研究未包含信托部门㊂96 李政等:尾部风险网络㊁系统性风险贡献与我国金融业监管2019年第7期本文的状态变量M t -1延续A d r i a n &B r u n n e r m e i e r (2016)㊁李政等(2019b )等研究,包含了股票市场收益率(m a r k e t r e t u r n )㊁股票市场波动率(e q u i t y v o l a t i l i t y )㊁T E D 利差(T E Ds p r e a d )㊁收益率变动(y i e l d c h a n g e )㊁信用利差变动(c r e d i t s p r e a d c h a n g e )㊁期限利差变动(t e r ms p r e a d c h a n g e )㊁房地产超额收益(r e a l e s t a t e e x c e s s r e t u r n )7个变量㊂机构特征变量B i ,t -1借鉴Här d l e e t a l (2016)的研究,包括金融机构的规模(s i z e )㊁杠杆率(l e v e r a g e )㊁期限错配(m a t u r i t y m i s m a t c h )和账面市值比(m a r k e t t o b o o k ),本文采用三次线条插值法将季频的机构特征变量转化为周频㊂上述所有数据均来自W i n d 数据库㊂表1给出了7个状态变量和4个机构特征变量的计算方法㊂表1 状态变量与机构特征变量的计算方法变量计算方法股票市场收益率先计算上证综指的周平均收盘价,再计算对数收益率股票市场波动率计算上证综指日收益率22个交易日的滚动标准差得到日波动,再求周平均T E D 利差1年期S h i b o r 利率与1年期国债即期收益率的利差收益率变动1年期国债即期收益率的变动水平信用利差变动计算10年期企业债即期收益率(A A A )与10年期国债即期收益率的利差,再求其变动水平期限利差变动计算10年期国债即期收益率和1年期国债即期收益率的利差,再求其变动水平房地产超额收益沪深300地产指数周收益率减去股票市场收益率金融机构的规模机构的权益面值取自然对数杠杆率机构的资产面值除以权益面值期限错配机构的短期负债先减去现金再除以机构总负债账面市值比机构权益市值除以权益面值三㊁实证结果与分析(一)关联水平的度量首先,本文利用T C 指标测度各时点金融机构间风险溢出的总体水平,进而考察系统关联水平的时序特征,其动态变化趋势见图1㊂由图1可知,我国金融机构的系统关联水平呈现明显的周期性变化特征,即在风险积累阶段系统关联水平迅速攀升,直至风险爆发阶段达到阶段性高点,而后随着风险释放逐步回落①㊂其中,在风险积累阶段,较低的波动率和较好的市场行情诱导经济主体的冒险行为,加杠杆㊁风险偏好上升和过度风险承担使系统性风险不断积聚;在风险爆发阶段,风险积累阶段的过度风险承担遭遇波动率提高㊁市场行情变差以及负向冲击,经济主体的风险偏好骤然降低,通过去杠杆降价抛售相关资产和流动性囤积来保证自身的安全,价格效应和 流动性螺旋 使得风险迅速传染放大,并且在极端情形下以金融危机爆发的形式呈现出来(B r u n n e r m e i e r &S a n n i k o v ,2014;B h a t t a c h a r y ae ta l ,2015;D a n i e l s s o ne t a l ,2018;方意㊁陈敏,2019;李政等,2019a)㊂本文样本区间内共包含两个周期,分别是:2011年4季度-2014年3季度㊁2014年3季度-2017年4季度㊂在第一个周期中,受欧债危机风险外溢效应的影响,我国金融系统潜在风险上升㊂与此同时,我国以创新型同业业务为代表的影子银行规模快速扩大,银行㊁证券㊁保险等不同类型的机构通过这一业务链条联系起来,成为交易对手,金融机构间的直接关联水平大幅提高,而且大量资金通过影子银行最终流向房地产和地方融资平台等高风险项目,机构间的共同风险敞口扩大,间接07 ①这一结论与系统性风险在时间维度上 累积 爆发 放大 的周期性演化特征相符㊂在风险累积阶段,金融机构的债权债务直接关联和持有共同资产间接关联上升,潜在的金融风险不断积聚;在风险爆发阶段,积聚的潜在风险遭遇负向冲击,会通过前期形成的直接和间接关联渠道传染,并且还会由投资者和金融机构行为的改变,通过信息关联渠道传染,即表现为风险的溢出效应㊂而且,金融机构间的风险溢出会进一步推高风险水平,风险与风险溢出呈一种螺旋式放大的趋势㊂。
商业银行金融创新与系统性风险
商业银行金融创新与系统性风险
随着金融市场的不断发展，商业银行在金融创新方面越来越多地涉足一些新型业务和产品。
金融创新不仅可以带来更多的商业机会和利润，还可以促进金融体系的进一步完善和发展。
然而，在金融创新的同时，商业银行也面临着系统性风险的威胁。
首先，商业银行金融创新会对其自身的风险管理能力提出更高的要求。
金融创新涉及到新的业务和产品，这些业务和产品本身就具有高风险性。
商业银行在进行金融创新时需要增强对风险的识别和评估能力，制定更加完善的风险管理机制。
其次，商业银行金融创新还会对整个金融市场的稳定性产生影响。
商业银行在推出一些新型金融产品时，会导致市场上出现新的金融工具和业务。
这些新的金融工具和业务可能会对市场产生不良影响，从而引发金融市场的波动和不稳定性。
最后，商业银行金融创新还可能会导致金融市场的信息不对称。
商业银行在进行金融创新时，会对外发布一些新的金融产品和信息。
但是商业银行作为市场经验丰富的机构，在发布新产品和信息时存在信息优势。
这可能会导致市场上出现信息不对称的情况，使得一些市场参与者处于劣势地位，并可能被金融风险所困扰。
因此，商业银行在进行金融创新时需要充分评估和控制系统性风险，避免对整个金融市场的稳定性产生不良影响。
商业银行应加强风险管理和监控能力，制定更加完善的风险管理机制和措施，减少风险，避免金融风险扩散。
同时，商业银行还应加强市场信息公开透明、加强监管的力度，避免出现市场信息不对称的情况，保障市场参与者权益，维护金融市场稳定。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
《商业银行风险对系统性金融风险的贡献》摘要：基于covar法和多元回归模型，通过实证计量商业银行各类风险对系统性金融风险贡献度。
选取不良贷款率、流动性比例、累计外汇敞口头寸比例等指标，研究表明：信用风险、流动性风险、市场风险的相关风险指标对系统性金融风险有显著性影响，其中信用风险贡献度最高。
管控商业银行的不良贷款等信用风险问题是今后守住不发生系统性金融风险的底线任务的重点。
同时，流动性风险和市场风险问题也不能忽视，要建立风险交叉管理机制。
关键词：商业银行风险；系统性金融风险；covar法；风险管理一、引言金融自由化、经济全球化进程加快以及金融系统内部存在着结构性、周期性等问题，在多重因素的影响下，我国的系统性金融风险问题日益凸显。
根据《巴塞尔协议Ⅲ》的观点和理念，针对防范系统性金融风险问题，要特别加大对系统重要性金融机构的监管。
长期以来，我国一直实行的是以银行主导的金融体系，商业银行的融资规模占金融体系融资总量的比重最大，因此，银行风险是我国系统性金融风险最主要的组成部分。
在新的金融开放环境下，正确分析和把控商业银行风险对系统性金融风险的影响效应，科学研究商业银行各类风险对系统性金融风险的贡献度尤为重要。
这一研究有利于防范化解系统性金融风险工作的开展落实，对促进我国商业银行及整个金融行业稳定健康发展有实际意义。
二、文献综述关于系统性金融风险相关研究是当今经济的热门关注问题，得到了我国相关部门前所未有的重视。
大部分学者主要从以下两个方面对系统性金融风险进行研究：（一）系统性金融风险的生成机理与传染机制。
付可颖（xx）认为，系统性金融风险生成机理有金融市场高杠杆率、过度的自由化、错误的行政干预与政策。
[1]杨子晖等（xx）通过四类风险度量方式调查我国的系统性金融风险，研究结果表明，系统性风险存在突出的跨部门风险传染效应，其中银行部门是风险溢出效应的重要来源。
[2]陶玲等（xx）指出，系统性金融风险的成因主要有内外部两个方面，风险传染机制分别有内部传导、跨境传导，影响因素包括信贷与流动性紧缩和市场价格波动等方面。
[3]目前，国内的相关研究主要关注的是金融系统的整体风险，从整个金融体系视角出发，着重阐释个体风商业银行风险险之间的传染性与溢出效应，通过金融体系各个主体风险的关联反应导致系统性金融风险。
（二）系统性金融风险的度量方法。
huang等（xx）对美国多家不同规模的商业银行为代表的系统性金融风险度量，再使用边际贡献率指标确认银行的风险来源。
[4]tarashev等（xx）分别用参与法和总贡献法对银行系统性风险进一步研究表明，商业银行的系统重要性在风险事件参与度可以显现，在系统性金融风险的贡献度上也可以产生作用。
[5]adrian等（xx）提出，用条件在险价值法（co-var）度量金融机构与市场的溢出效应，如某家银行股票价格与其他金融机构的股票价格指数关联越强，则这家银行有越大的溢出风险。
并认为，一家金融机构对金融体系的溢出效应可以反映出系统性金融风险的大小。
[6]以上文献对系统性金融风险的度量方法及国内各类商业银行对系统性金融风险的贡献度分析有一定的研究与探索，但缺乏对各类银行风险对系统性金融风险的贡献度的具体实证研究。
科学挖掘银行风险对系统性金融风险的溢出效应与逻辑联系，有助于政府与金融机构建立防范与化解系统性金融风险的政策框架，因此理清两者的逻辑联系有实际意义。
三、模型设计（一）数据来源。
本研究选取了xx年第一季度—xx年第一季度我国商业银行主要监管指标、国内生产总值同比增速、居民消费价格水平同比增速的季度数据、国内上市商业银行、上证银行指数、沪深300指数的周收益率数据。
为了满足研究需要对原始数据作出了相应的处理：剔除相关数据的缺失样本、异常数据，数据平稳性处理后共取得330个样本量。
其中，商业银行主要监管指标、国内生产总值同比增速、居民消费价格水平同比增速的季度数据来源于国泰安csmar 数据库，其他数据来自于resset金融研究数据库。
（二）变量选取。
1.被解释变量：银行业系统性风险基于在险价值法（var）发展得到条件在险价值法（covar），运用covar法测量金融机构在某一概率水平条件下，对另一金融机构的var值。
即结合本研究方向可以表示某一金融机构发生危机时对整个金融体系的溢出效应影响程度。
因此，根据covar法假设当某一金融机构i的风险处于var水平下时，对整体银行业系统j的风险水平的溢出效应，用条件概率分布q分位数，公式为：pr（xi≤covarqj/i|xi=variq）=q0＜q＜1（1）从公式（1）可以看出，covar本质上是从var演变而来。
为了进一步确切地表示出商业银行i对银行系统性风险的贡献度，将其定义为Δcovarsystem/iq，即系统性的条件风险与无条件风险的差值，公式为：Δcovarsystem/iq=covarsystem/iq-varsystemq（2）covar法是在风险溢出效应问题上，在var法的基础之上进行进一步拓展，能够更加具体地测量出金融机构的风险水平对整体系统风险的影响，通过量化的方式，有利于金融监管机构科学有效地识别系统性风险，从而使监管更有针对性，使金融市场更加稳定。
通过计量各个商业银行对整体系统性金融风险的溢出Δcovarsystem/iq，在此基础上筛选出我国具有代表性的多家商业银行进行加权平均法，得出整体银行业系统性风险Δcovarsystem，作为被解释变量，公式表示为：Δcovarsystem=ni=1Σwi•Δcovarsystem/iq（3）2.解释变量结合《巴塞尔协议Ⅲ》和我国银保监会的监管要求，商业银行的最具代表性的风险来源有信用风险、流动性风险、市场风险。
本研究选取不良贷款率作为商业银行信用风险指标、流动性比例作为商业银行流动性风险指标、累计外汇敞口头寸比例作为商业银行市场风险指标。
不良贷款率与流动性比例在衡量商业银行的信用风险和流动性风险都是十分具有权威性和代表性的指标。
商业银行市场风险包含利率风险、外汇风险等，选取累计外汇敞口头寸比例作为商业银行市场风险指标主要原因，一是数据易得，该指标是银保监会主要的监测银行市场风险核心指标；二是随着新时期经济发展，我国商业银行的对外业务日渐起到了关键性作用，基于此，关于银行市场风险，本研究侧重点在外汇风险。
3.控制变量为了控制其他因素对系统性风险的影响，宏观经济层面的数据选取国内生产总值同比增速、居民消费价格水平同比增速两个变量，微观层面控制变量在具体的商业银行的经营指标中选取。
借鉴银保监会的银行风险监测指标标准，各个变量的名称与定义，如表1所示。
（三）描述性统计。
相关变量的描述性统计结果，如表2所示：从表2可知，银行业总体系统性风险水平处于一个较低的状态，但最大值偏高并且部分上市商业银行风险水平偏高的现象依然存在，同时其标准差为0.030，表明现阶段风险程度相对可控。
信用风险方面，表内数据表明银行业的信用风险处在一种相对可控平稳的水平；而拨备覆盖率标准差为47.785明显偏大，则侧面表明了在不同时期，银行应对信用风险的预期波动较大，进一步显示隐性信用风险问题仍然存在。
流动风险方面，两大指标流动性比例、存贷比的标准差分别为3.595、2.908，都大于1，表明流动性风险波动性较大。
市场风险方面，表内相关数据说明商业银行的市场风险整体相对平稳，但最大值已是最小值的1.59倍且总体呈现上升趋势，所以市场风险也不容忽视。
从银行风险监管的角度，认识到传统商业银行风险的重要性以及对银行不同风险的影响差异不同，为采取具体的应对政策提供了研究方向。
（四）adf单位根检验。
对数据进行回归分析前，需要确定各变量的平稳性，通过各变量adf单位根检验，afep、car为平稳序列；而risksys、npl、lr、cpi、gdp的一阶差分为平稳序列；ci、ldr、pc的二阶差分为平稳序列，但所有变量的二阶差分都在10％的显著性水平下显著，均为平稳序列。
检验结果，如表3所示：四、实证分析（一）研究设计为了研究传统银行风险对系统性风险贡献度，设计如下多元回归方程：risksyst=β0+β1nplt+β2lrt+β3afept+∑αiyt+εt（二）多元回归分析在对样本数据进行了描述性统计与相关系数矩阵分析、平稳性检验后，对数据进行进一步处理。
为了研究传统银行风险对系统性风险贡献度，利用eviews对其进行了多元回归分析，得出回归方程：risksyst=-0.702+0.413nplt-0.011lrt+0.031afept+∑αiyt 模型的拟合优度大于0.5，说明模型的拟合效果具有说服力，f统计量的值为2.587，回归方程在整体上是显著的。
回归结果，如表4所示：从表4的回归分析结果可以看出，在解释变量中，不良贷款率、流动性比例、累计外汇敞口头寸比例均对系统性风险的作用是显著的。
其中，不良贷款率在1％的水平下显著，其参数为0.413，表示不良贷款率与系统性风险呈现正相关关系，同理表明流动性比例与系统性风险呈现负相关关系；累计外汇敞口头寸比例在5％水平下显著，与系统性风险呈现正相关关系。
以上结果说明了三大传统银行风险：信用风险、流动性风险、市场风险都对系统性金融风险有显著性影响，验证了本研究的假设。
同时，三者的相关系数存在不同，则说明商业银行三类风险对系统性金融风险的贡献度是不同的。
从中可以看出，信用风险的贡献度最高且占比较大，流动性风险和市场风险都对系统性风险有显著性影响，但不及信用风险的贡献的重要程度。
这也符合商业银行经营活动的性质与特点。
五、结论与建议（一）结论。
本研究通过构建covar模型测度系统性金融风险，选取商业银行具有代表性的三大类风险指标数据作为解释变量，分析了传统商业银行风险对系统性金融风险的贡献度。
结果表明：一是以不良贷款率、流动性比例、累计外汇敞口头寸比例作为衡量指标，证明信用风险、流动性风险、市场风险对系统性金融风险有显著性影响；二是三类风险对系统性金融风险贡献度不同，其中信用风险显著性影响最大、贡献度最高。
重点把握商业银行的不良贷款等信用风险问题是今后防范、化解系统性金融风险任务的关键。
同时，流动性风险和市场风险问题也不能忽视，要建立风险交叉管理机制，抑制各类银行风险的传导。
（二）建议。
1.针对信用风险。
信用风险作为对系统性金融风险贡献度最大的商业银行风险，降低银行不良贷款率是重点。
可以从降低不良贷款存量和限制增量两方面进行管控。
（1）降低不良贷款存量方面。
一是运用债转股调整杠杆率，进而降低银行的不良贷款；二是防止资本证券化，通过资本市场来拓宽银行分散信用风险的渠道。
（2）限制不良贷款增量方面。
一是商业银行需要强化风险管理能力、加大内部监管力度，规范信贷业务流程，对潜在信用风险进行专项评估和整治；二是政府有关部门应当定期和非定期对银行开展信用风险的调查和监督。