| 联系我们 |
 |
合作经济与科技杂志社
地址：石家庄市建设南大街21号
邮编：050011
电话：0311-86049879 |
|
|
| 金融/投资 |
| 金融系统性风险测度文献综述 |
| 第662期 作者：□文/丁志静 张怡婧 时间：2021/8/2 9:12:20 浏览：369次 |
［提要］ 金融系统性风险是广泛存在的不稳定风险，是研究任何一个金融系统必然涉及的问题，但是由于测度方法多样，关注视角不同，从而结果也有差异。本文按照发展历程，对系统性风险的测度方法进行梳理，并进行简要评述。
关键词：系统性风险；金融压力指数；风险传染；影子银行
中图分类号：F83 文献标识码：A
收录日期：2021年4月23日
一、引言
自2008年国际金融危机爆发以来，国际经济金融形势复杂多变，我国经济面临周期性、结构性、体制性等问题，金融风险形势复杂严峻。金融是现代经济的核心，金融安全更是国家安全的重要组成部分，金融系统的稳定为经济的持续健康发展提供了保障，而维护金融安全是关系经济社会发展全局的一件带有战略性、根本性的大事。
金融风险牵动经济大局，与人民生活息息相关，防范金融风险是全球性的任务，遏制危机的重要性已毋庸置疑。为此，对于系统性金融风险的测度，国内外学者进行了大量探索，但鉴于金融机构的数量多，且地理特点鲜明，尚未形成统一测度指标和衡量方法，但差异性给经济研究带来了不同视角，甚至是跨领域的研究。
二、金融系统性风险测度
目前，金融系统性风险测度方法主要体现在以下三个方面：一是对金融系统整体风险的测度；二是对金融风险传染效应的测度；三是对特殊金融机构风险的测度，即影子银行系统性金融风险的测度。
（一）金融系统整体风险测度
1、基于收益率的金融整体风险测度。一种度量系统性风险的方法是以金融机构资产收益率的尾部特征衡量系统性风险，其包括“自上而下”和“自下而上”两种分析方法。“自上而下”分析方法首先需要确定整个系统的初始风险值，而后按照一定比率将总风险值分摊给各个金融机构，即风险传递。“自下而上”分析方法是指当一个金融机构面临风险时，对整个金融系统的影响，即风险分散。
“自下而上”分析法的早期代表性文献为Rockafeller等（1997）。其提出了CoVaR的概念，研究单个金融主体处于风险暴露的情况下，对整个金融体系风险水平的影响。在此基础上，Adrian等（2011）进一步提出△CoVaR，将机构之间的传导效应引入整体金融系统风险的研究中，完善了以VaR为基础而后拓展的在险价值风险研究。
通常，金融机构i在q分位数上的在险价值由下列公式表示：
Pr（ri≤VaRiq）=q （1）
其中，ri表示金融机构资产收益率，当VaRqi为负数时，即面临风险。当风险事件发生时，即机构i的资产收益率等于它的在险价值。此时，整个金融系统的条件在险价值为CoVaR■■，则：
Pr（ri≤CoVaR■■ri=VaRiq）=q （2）
单一金融机构对于金融系统的贡献，可以由两个不同程度的风险水平下的金融系统风险之差表示，则机构i对于机构j的风险贡献为：
△CoVaR■■＝CoVaR■■-CoVaR■■ （3）
相比于基础的VaR模型只能处理设定的置信水平的损失，CoVaR模型考虑到了金融机构的道德风险，即超过阈值的非正常尾部损失，为政府可能承担的巨额救助提供了前瞻性的预测。同时，解决了“部分之和大于整体”的误差，确保变量的连贯性。事实上，不管是尾部还是置信水平下的风险，都可以通过观测或者估计预测得到，而上述改进模型是被动的，无法做到超越置信水平的可能损失预测。
吴婷婷等（2020）运用极端分位数回归的CoVaR模型，对中国33家上市金融机构对系统性金融风险的贡献度进行测度，证明在极端情形下，尾部风险的联动性促使股份制商业银行对系统性风险的贡献度上升。林娟等（2020）运用时变△CoVaR模型，估算2006～2018年间沪深股市和香港股市的尾部风险溢出效应，认为沪港通和深港通的开通并未对两种股市的外溢程度显著促进或削弱。
“自上而下”分析法具有代表性的文献是Acharya（2017）。它从风险承担的角度，描述一个最优分配的税收系统，在考虑到极端尾部风险事件的情况下，改进原变量，使用MES衡量在普遍交易市场下异常事件发生带来的风险增加值。
ESi＝-E［wi1wi1＜0］ （4）
SESi＝zai-wi1［W1-zA］ （5）
其中，wi1为银行股本，zai表示银行所需要的公司资产部分，［W1-zA］表示当银行总资本小于其总资产的z倍时，面临的线性金融风险预警。
实际上，w1＜zA是发生频率极低的极端尾部事件，文章采用损失市场5%的日常可接受损失，用I5%表示，由此定义出如下的边际预期缺口（MES）：
MESi5%≡-E■-1I5% （6）
虽然SES和MES考虑了金融机构杠杆对系统风险的影响以及金融机构对边际风险的贡献，但是却忽略了金融机构规模对金融风险的影响，在辨识贡献要素时，存在一定偏差（杨子晖等，2018）。同时，MES只适用于事后研究，无法事前预测本国发生金融危机的可能性。据此，Brownlees & Engle（2017）提出了动态观测风险指数SRISK来衡量单一金融机构在严重市场不经济条件下的资本缺口，并将其作为系统性金融风险的衡量指标。Varotto & Zhao（2018）以SRISK和ES等合成的综合性指标完善研究。
宋华清等（2014）以银行业为例，以DCC-GARCH模型衡量我国14家上市银行的系统性风险值，表明大型商业银行的系统性风险最大。付明等（2020）则以整个金融行业为视角，优化GIR-DCC模型以度量银行业、保险业和证券业为代表的金融行业对金融市场体系的风险溢出效应。
总之，CoVaR和SES分析方法，各有特点，互为补充。基于△CoVaR的系统性风险测量方法，捕捉了市场收益率对收益变化的敏感度，而基于MES的各种测度方法，都与公司之于市场收益的敏感度根本上相关，加之不同视角的新发现、不同对象的新实证，很大程度上丰富了金融系统整体风险测度的方法。
2、构造金融指标的金融整体风险测度。另一种度量系统性风险的方法是构建相关的金融指标体系，由监测指标的取值来测度系统性金融风险，即使用“金融压力指数”来反映整个金融体系由于不确定性和预期变化所承受的总体压力水平的综合性指标。
金融压力指数最早系统地运用的文献是Hanschel & Monnin（2005）。其以涵盖股票市场、债券市场、外汇市场和银行部门的市场价格，推出瑞士银行的压力指数。但是，鉴于样本周期有限，导致对模型的规范性要求极高。Illing在改进时，将连续性与高频率的需求纳入约束范围内，改进原预警指标，成功分析了加拿大金融体系的同期压力，成为同类研究的开端。
FSIi=■■Xi1 （7）
其中，Xi1表示选取的特定时间段的量化指标，而wit为指标所占权重。
学术界普遍认可的是客观赋权法，另有熵权法、CRTIC法。前者依靠指标变异性大小确定权重，后者考虑了不同指标间的冲突性，其公式如下：
Wj＝■，j=1，2，3，…，n （8）
其中，Cj=σj■（1-rij），j=1，2，…n，表示第j个评价指标所包含的信息量大小，σj为标准差。
系统性金融风险是由不同的子市场进行传递至宏观层面上的量化结果，具有差异性。结合中国国情，许涤龙（2015）选取银行、房地产、股票、外部金融市场4个金融子市场，确定中国不同时期处于的金融压力期，多方联动效应显现。徐国祥等（2017）选用有效汇率、外汇储备、中外利差和汇率预期，构造出中国EMPI外汇市场压力指数，探究货币政策的新方向。张勇等（2020）利用金融压力的时变泰勒规则，基于变系数方法建立状态空间模型，考察中央银行应对金融风险的举措，发现随着中央银行对金融风险的反应力度的增强，产出缺口和通胀的反应力度有所减弱。
从最新的研究看，金融压力指数已由静态研究转化为动态变化，能够灵活地为宏观政策调控提供参考。吴锦顺等（2020）利用发达、发展中国家和地区的面板数据，结合附加因子的动态面板门限回归模型，检验货币政策对金融压力增加的状态依赖反应。丁慧等（2020）分别运用马尔科夫区制转移模型，检验金融压力对宏观经济运行的非线性效应。
（二）金融风险传染效应测度。《巴塞尔协议Ⅲ》强调，为了维护金融体系的稳定，在准确有效地测度金融系统整体风险的同时，还要特别防范单个金融机构对金融系统中其他机构的风险传染效应。Hart & Zingale（2009）认为系统性风险是单个机构倒闭或者部门崩溃造成的损失，且以“多米诺骨牌式”的连锁反应在系统内快速传播，由传染溢至其他市场。
近年来，随着金融学与社会学科交叉研究的不断发展，利用网络拓扑思想探究金融机构之间关联性，以及系统性金融风险的传染效应，已成为该领域的新动向。关于网络关联模型具有代表性的文献是Diebold & Yilmaz（2014）。
DYCI法是基于VaR模型方差分解技术，以股票市场为例，结合网络拓扑思想，识别系统性金融风险溢出矩阵，以关联性测试指数刻画不同风险间的溢出路径。首先，建一个N维VaR模型，具体如下：
Xi＝■ΦiXt-1+ut （9）
其中，t=1，2，…，T；Xt是N维列向量，分别代表N个金融机构的股票价格波动率，且均为协方差平稳过程；ut是N维列向量，不存在序列相关性，ut各分量之间可同期相关，式（9）的移动平均形式可表示为：Xt=■Aiut-1。
据此，定义H阶广义方差分解矩阵DH＝［dHij］，具体如下：
dHij＝■ （10）
最后，得出双向溢出指数为SHi-j=100×dHij，表示机构i受到机构j影响的风险溢出效应，NSHi-j=SHi-j×SHj-i表示两个金融机构之间的净风险溢出值，所有研究对象两两组合，得到风险传染矩阵。
除了用上述的VaR方差分解模型构建网络外，复杂网络也可以用其他方式进行估计，如闫新国等（2020）综合运用余弦相似度（CS）和最小生成树（MST）考量基金市场复杂网络等。这不仅可以分析各风险要素之间的传导路径，还可以对时序上的风险趋势进行动态追踪，达到有效测度系统性风险的目的。马钱挺等（2018）通过刻画银行主体动态行为，构建内生网络模型，仿真同业拆借利率与系统性风险的负相关关系。当序列变成多维，一维的风险矩阵不能满足研究对象的数量需求而降维会导致部分信息受损，空间计量模型应运而生。陈雪楚等（2012）利用空间滞后模型，实证分析房价泡沫通过城市间价格相关性产生风险传染效应。陈秀荣（2018）利用转移熵构造有向非对称经济空间权重矩阵，捕捉跨经济体空间风险溢出效应。
随着人工智能和大数据的发展，嵌入新技术的复杂网络得到了更多优化。李阳等（2020）以贝叶斯方法为基础，构建了用于估计银行间负债的模型，并利用机器学习算法构造了可在条件分布基础上进行抽样，以估计其在网络模型中的先验信息的敏感性，进而帮助金融监管部门更准确地评估金融机构的违约风险。荣梦杰等（2020）基于三大区域社会经济与地理距离指标，结合反向传播人工神经网络和社会网络分析方法，识别区域间的风险关联属性。相较于指标衡量，网络分析以其可视化和尚待挖掘的未知潜力，获得越来越多的学者关注，为更加准确地识别系统性金融风险的传染性提供了重要途径。
（三）特殊金融机构——影子银行的风险测度方法。早在2017年，国务院金融稳定与发展委员会便将影子银行风险管控作为未来四大工作导向之一。《中国影子银行报告》（2020）指出，影子银行指的是游离于银行监管体系之外，可能引发重大风险的信用中介机构，它通常以非银行金融机构为载体，对金融资产的信用、流动性和期限等风险因素进行转换，扮演着“类银行”的角色。与国外的常态化影子银行不同，本国的影子银行与实体银行密切相关。随着混业经营的不断发展，影子银行的风险逐渐蔓延，鉴于此类银行的风险隐蔽特性，其信息披露的准则尚未形成，前述使用具体指标来测量系统性金融风险的方法均不适用。如何缓解影子银行的风险传染效应并进行有效监管，是一个备受关注的问题。
在影子银行系统性风险度量上，部分学者以股票市场数据为基础，运用系统性风险Copula-CoVaR模型度量影子银行系统性风险。由于仅以股票交易为主，无法刻画出涵盖影子银行所有业务的系统性风险。同时，也有学者通过DSGE模型对影子银行脆弱性进行研究，但未对系统性风险进行指标度量。方意（2019）借鉴Duarte & Eisenach（2015）的思路，利用信托业务的微观逐笔数据构建虚拟机构资产负债表，并结合资产价格传染网络模型，对以信托行业为代表的影子银行系统性风险进行度量，这种衡量方式已成为目前的度量标杆。
对于影子银行的监管，需从源头抓起，严格其进入与退出制度。第一，注重监测影子金融机构隐性的业务层面风险；第二，打破影子机构的刚性兑付体制；第三，确保监管政策的长期性以及连续性。
三、评述与展望
从金融整体风险的具体指标测度，到金融系统间的网络分析，可以看出金融系统性风险是随着金融系统的复杂度而不断完善的。将两种方法进行比较，可以归纳出两点：第一，基于收益率的整体风险测度方法，适用于特定置信水平下的风险事件，即事后预测，而金融指标测度法偏向于事前预测，通常以不同的市场为转移，灵活性较强。第二，网络分析法的优势在于学科交叉，在于与前沿学科的精准对接，且能够在时间序列中达到静态与动态的互动。对于体制外的影子银行，其风险的更多度量方式仍有待探索。
（作者单位：南京信息工程大学长望学院）
主要参考文献：
［1］V.V.Acharya，et al.Measuring Systemic Risk［J］.The Review of Financial Studies，2016.30（01）.
［2］T.Adrian，M.K.Brunnermeier.CoVaR［J］.American Economic Review，2016（106）.
［3］C.Brownlees，R.F.Engle.SRISK：A Conditional Capital Shortfall Measure of Systemic Risk［J］.The Review of Financial Studies，2016.30（01）.
［4］F.X.Diebold，K.Y lmaz.On the network topology of variance decompositions：Measuring the connectedness of financial firms［J］.Journal of Econometrics，2014.182（01）.
［5］M.D.Fernando，M.E.Thomas.Fire-sale spillovers and systemic risk［R］.2013.
［6］E.Hanschel，P.Monnin.Investigating the relationship between the financial and real economy［M］.Bank for International Settlements，2005.
［7］O.Hart，L.Zingales.A New Capital Regulation for Large Financial Institutions［J］.American Law and Economics Review，2011.13（02）.
［8］S.Varotto，L.Zhao.Systemic risk and bank size［J］.Journal of International Money and Finance，2018（82）.
［9］陈秀荣.金融风险传染的DAI空间计量模型及实证研究［D］.电子科技大学，2018.
［10］陈雪楚，彭建刚，吴梦吟.城市间房价相关性与系统性金融风险防范［J］.上海金融，2012（08）.
［11］丁慧，陈颖，卞志村.中国金融市场压力指数构建及其宏观经济非线性效应［J］.现代财经（天津财经大学学报），2020.40（08）.
［12］方意，韩业，荆中博.影子银行系统性风险度量研究——基于中国信托公司逐笔业务的数据视角［J］.国际金融研究，2019（01）.
［13］付明.基于GJR-DCC-MES模型的金融行业系统性风险度量研究［J］.会计之友，2020（24）.
［14］李阳，李硕，井丽巍.基于贝叶斯模型与机器学习算法的金融风险网络评估模型［J］.吉林大学学报（工学版），2020.50（05）.
［15］林娟，赵海龙.沪深股市和香港股市的风险溢出效应研究——基于时变△CoVaR模型的分析［J］.系统工程理论与实践，2020.40（06）.
［16］林琳，曹勇.基于复杂网络的中国影子银行体系风险传染机制研究［J］.经济管理，2015.37（08）.
［17］马亚明，宋羚娜.金融网络关联与我国影子银行的风险溢出效应——基于GARCH-Copula-CoVaR模型的分析［J］.财贸研究，2017.28（07）.
［18］苗文龙，闫娟娟.系统性金融风险研究述评——基于宏观审慎监管视角［J］.金融监管研究，2020（02）.
［19］荣梦杰，李刚.区域金融风险的空间关联、传染效应与风险来源［J］.统计与决策，2020（24）.
［20］宋清华，姜玉东.中国上市银行系统性风险度量——基于MES方法的分析［J］.财经理论与实践，2014.35（06）.
|
|
|
|
