互联网金融业对传统金融业风险溢出效应研究

马理 彭承亮 何启志 文忠桥

(1.武汉大学经济与管理学院，湖北 武汉 430072；2.安徽财经大学金融学院，安徽 蚌埠 233030)

引言

随着科技浪潮的兴起，以信息技术为载体的行业模式悄然到来。在金融领域中，互联网金融模式的诞生即为典型事例。国内的互联网金融业于2005年后开始萌芽，在2013年开始高速发展，其中以第三方支付、P2P网络借贷、众筹等为主要代表模式，这主要归因于互联网的高度普及、投融资需求迫切以及自由宽松的内部环境。互联网金融以其服务的高效性和便捷性为主要特征，推动了普惠金融体系的发展，并且引领传统金融业的变革。诚然，互联网金融也在优化资源配置、提高金融效率等层面发挥着积极的功效，但是自身也面临着乱象丛生的局面，行业运营的规范性较差、高收益难以持续维继等问题开始凸显，互联网金融业的风险逐渐暴露。2015年，诸如日金宝、大大集团等大量互联网金融理财平台风险爆发，据中国社科院统计，截止2016年年底，累计停业和问题平台已高达3429家。互联网金融平台停业、倒闭和集资跑路等事件屡见不鲜，部分投资者可能面临着严重的损失。在整治和防范互联网金融风险层面，相关文件陆续出台。2015年7月，央行等十部委发布的《关于促进互联网金融健康发展的指导意见》；2016年10月，互联网金融被写入“十三五”规划纲要；2017年6月，央行等17部门联合发布了《关于进一步做好互联网金融风险专项整治清理整顿工作的通知》；2018年3月，健全互联网金融监管已纳入政府工作报告中。由此可见，互联网金融风险管控是政府和监管当局的一项重要工作。

当下，互联网金融业务总量不可忽视，由于互联网金融业与传统金融业存在着内在的关联性，当其大规模地发生了极端风险事件时，其对于传统金融业的风险溢出效应有多大？随时间变化呈现出如何特征？对于证券业、银行业和保险业有何差异？这对于互联网金融风险管控有何指导意义？本文从互联网金融业自身风险出发，着重关注互联网金融业的风险溢出效应，对于防范由于互联网金融业风险溢出而引发的多米洛骨牌效应，抵制系统性金融风险的发生也具有重要的启示意义，并试图定量研究互联网金融业的对银行业、证券业、保险业风险溢出效应，进而为互联网金融风险溢出效应防范提供相关对策建议。

文献综述

科技进步可以为金融机构带来市场竞争中的信息优势(Agarwal和Hauswald，2010)[2]，互联网金融技术受到传统金融机构青睐。传统金融业(如银行业)应用互联网金融能够为客户带来便利、降低经营成本并拓展潜在客户(Raza和Hanif，2013)[7]。但是，互联网金融亦可能对传统金融机构的风险产生一定程度影响，在互联网金融风险层面主要集中于国内学者的研究。郭品和沈悦(2015)[13]基于“文本挖掘法”研究了互联网金融对商业银行的风险承担的影响，结果表现为先降后升，并且小型商业银行面对互联网金融的冲击更为敏感。刘笑彤和杨德勇(2017)[17]基于银行并购重组选择视角研究表明不同规模的商业银行的并购重组对于互联网金融技术溢出的吸收存在差异性，并购重组对大银行的技术溢出吸收具有促进作用，对中小型银行具有抑制作用。顾海峰和杨立翔(2018)[12]利用中资银行数据研究表明银行资本充足率决定互联网金融风险冲击感知程度，资本充足率越高则风险感知程度越强，互联网金融总体加剧了银行风险。战明华等(2018)[20]利用一般均衡模型，分析了互联网金融对货币政策银行信贷渠道的影响，结果表明互联网金融通过家庭、银行和企业决策弱化了货币政策银行信贷传导渠道。何启志和彭明生(2017)[14]基于SVAR模型研究表明互联网金融发展对于股票市场具有正向冲击，互联网金融资金流向了股票市场，助推了股票市场虚假繁荣。谭媛媛和孙蓉(2018)[19]研究表明基于互联网销售模式的保险产品加剧了保险契约的不完全性，造成了保险业的经营风险增大。

在风险定量刻画上，条件风险值(CoVaR)逐渐成为国内学者们广泛使用的度量指标，其测算方法也多种多样。在Adrian和Brunnermeier(2008)[1]最初提出CoVaR时，就给予了分位数回归的测度方法。López-Espinosa等(2012)[6]利用该法将CoVaR技术应用于银行业风险溢出效应研究；高国华和潘英丽(2011)[9]运用此法研究不同商业银行对于银行业风险的贡献度。其次，还有学者利用GARCH类模型的方法测度CoVaR，如Girardi和Ergun(2010)[3]利用GARCH-EVT的方法测度不同类型的金融机构对系统性金融风险的贡献度；刘向丽和顾舒婷(2014)[15]利用AR-GARCH方法测度了房地产市场对于金融系统的风险溢出效应。此外，还有学者利用Copula方法计算CoVaR，如刘晓星，段斌和谢福座(2011)[16]通过EVT-Copula模型的数值方法计算美国股票市场对其他国家的股票市场的风险溢出效应；Hakwa等(2015)[5]基于Adrian和Brunnermeier(2008)[1]提出的CoVaR，给予了Copula-CoVaR解析计算方法。

从已有的研究文献来看，互联网金融风险研究的成果较为丰富。但是，多数文献研究互联网金融对于商业银行的风险溢出，对于其他金融机构的风险溢出研究相对较少；也鲜有文献细致分析互联网金融风险溢出效应动态变化特征；在风险度量层面也少有文献考虑极端风险状况的溢出效应。本文研究选题考虑互联网金融业极端风险状况下对于银行业、证券业和保险业的风险溢出程度和动态特征，CoVaR正是考虑到风险关联情形下的极端风险度量指标，△CoVaR即为风险溢出效应度量指标，适用于本文的分析。

实际中，往往使用行业收益率序列计算CoVaR，考虑到收益率序列波动存在的条件异方差性和非对称性，可以选择EGARCH模型提取标准化新息，同时，为了更为精确度量收益率序列的分布，采用极值理论(EVT)中的阈值模型(POT)度量收益率的尾部分布(苟红军等，2015)[11]，考虑到不同收益率序列间可能存在非线性关系，采用Copula函数作为连接不同行业收益率的函数，为了更为精确地计算CoVaR，采用Hakwa等(2015)[5]给出的基于Copula函数计算CoVaR的解析方法。故而，构建EGARCH-POT-Copula-CoVaR模型来研究互联网金融业的风险溢出效应。

互联网金融业风险溢出效应的内在逻辑

互联网金融业虽属于新兴的行业，但其仍然逃脱不了金融的本质，并且与传统金融业在技术、资金、业务等之间存在关联性，联系也日益紧密。当非理性的互联网投资者较多、互联网金融平台内部管理不当以及外部监管政策的不明确时，互联网金融业可能会发生风险，在一定程度也会通过技术、资金、业务等渠道扩散传染到传统金融业。

一、互联网金融业与银行业的关联性与风险溢出

对于银行业而言，互联网金融业，诸如各类“宝宝类”理财、P2P网贷等最直接的冲击就是分流银行客户存款和加重银行资金成本，直接加剧银行经营风险。尽管如此，互联网金融会激发商业银行的学习效应(陈艺云，2017)[8]，银行业与互联网金融通过优势互补而加强合作。主要体现在：第一，技术层面上，互联网金融技术尤其是大数据分析对于商业银行风险管理有着重要的应用价值，商业银行也逐渐借鉴和使用互联网金融的相关技术手段，使得互联网金融客户信息共享成为了可能；第二，资金管理层面上，互联网金融的资金管理与商业银行联系紧密，根据相关规定要求，互联网金融公司需实现第三方资金存管，除了第三方支付公司存管外，更多的互联网金融公司选择商业银行存管，因为在一定程度上可以借助银行的公信力为平台增信；第三，业务层面上，商业银行不断发展表外业务，积极搭建自身的网上商城，同时也利用互联网金融平台的线上营销优势，拓宽理财产品的销售渠道。所以，当互联网金融在技术、流动性和信用等层面发生风险会在一定程度上传染至商业银行，例如大数据分析技术存在漏洞造成风险管控不严、平台挤兑一定程度上也会加剧商业银行的流动性风险、互联网金融平台跑路对于有业务合作的上银行会直接面临损失。

二、互联网金融业与证券业的关联性与风险溢出

互联网金融与证券公司在具有解决企业融资问题的功能，只不过前者偏向于服务于小微企业，而后者偏向于服务于大、中型企业，尽管在业务上分工明确，但仍然具有密切联系。主要体现在：第一，技术层面上，互联网技术对于实现海量客户数据挖掘、降低信息搜寻成本具有重要的意义。证券公司也积极对接互联网金融的客户群，对于经纪业务、资产管理业务的不断发展也具有重要的推动作用。第二，资金流向层面，证券市场尤其是股票市场是互联网金融客户资金重要流向，例如互联网金融理财中的投资标的中一篮子股票占有重要的比重，以维持互联网金融理财较高的收益率，互联网金融借贷中的借款人资金流向也可能部分流入股票市场，更有甚者互联网金融平台可能是股票市场场外配资的重要场所。第三，业务层面上，券商开始积极发展网络证券业务，例如经纪、资管、信息咨询、IPO等相关业务网络化，降低人工成本，打破物理空间格局的限制，实现“有形”市场到“无形”市场的转变(龚映清，2013)[10]。此外，券商理财业务也通过互联网金融平台搭建销售桥梁。所以，当互联网金融发生风险，会减少券商的客户流量，加之，互联网金融板块本身可能是一热门投资板块，对券商的经纪业务有着一定程度的影响。此外，由于互联网金融资金可能较大规模流向股票市场，当互联网金融风险会传染至股票市场，一定程度上会对券商的经营和发展造成冲击。同时，理财等业务间的联系也可能会加剧券商面临的风险。

三、互联网金融业与保险业的关联性与风险溢出

由于保险行业的前期发展存在的一些问题以及投资者心理因素使得保险行业在国内业务拓展具有一定程度的压力，保险行业某种程度上更急切地于互联网金融合作。主要表现在：第一，技术层面上，保险业对于被保险人的风险管控有更为严格的要求。保险公司可以借助于互联网金融大数据技术分析，精准定位客户需求，推送相关产品。同时，利用结构化和非结构化数据对客户风险进行准确评估。第二，资金流向层面，互联网金融理财投资标的中资产配置也涉及一些中低风险的保险产品以保障基本收益。同时，多数互联网金融平台本身也是保险公司的客户，平台运用部分自有资金为客户投保，保障客户资金安全。第三，业务层面，互联网金融平台已经成为了保险公司平台销售的重要渠道，互联网金融的客户信息资源可以很好地与保险公司实现对接。此外，保险公司也根据互联网金融平台的客户需求，积极开发新产品。所以，当互联网金融发生风险，会增加保险公司对客户资金损失的赔付，增加保险公司的风险管控难度，也会降低保险产品销售收益，严重的情形下，保险公司可能直接面临破产的风险。

图1 互联网金融风险溢出机理图

CoVaR与测算模型

一、风险溢出测度指标CoVaR

在金融风险管理中，VaR作为一项重要的评价指标，广泛的应用于银行业乃至整个金融业。然而，VaR在其风险测度层面也存在着一定缺陷，其没有考虑金融风险之间的关联性。金融机构以及金融市场等之间的风险可能会相互传染，出现多米诺骨牌效应，从而可能加剧金融危机的爆发。Adrian和Brunnermeier(2008)[1]提出ΔVaRCoVaR用来度量金融机构或金融市场等之间的风险溢出效应。本文将其应用到金融子行业间的风险溢出效应分析。在某一金融子行业(这里记为b)出现极端风险时(置信水平为1-q)，另一金融子行业(这里记为a)所面临的风险水平为(本文也将其置信水平设定为1-q)，则其定义式如下：

通过某种模型或方法(本文构建EGARCH-POT-Copula-CoVaR模型)可算得同时定义风险溢出值：

同时，为了对比风险溢出效应的差异，对风险溢出值做标准化处理，溢出比例为：

二、EGARCH-POT-Copula-CoVaR模型测算步骤

1.利用EGARCH研究收益率序列rt的波动特征，其并且得到标准化的新息序列zt，同时预测条件标准差，方程形式设定如下：

c、a0、a1、a2、γ为待估参数，ht为条件方差，γ为检验波动的非对称效应的系数，若γ≠0显著，即证明波动的非对称效应，当γ＞0，说明市场中“坏消息”较之“好消息”对收益率波动影响更为强烈，即为“杠杆效应”。

2.利用基于POT模型分布函数F(z)拟合序列zt的分布，其中，左右尾采用广义帕累托分布(GPD)拟合，中间部分采用经验分布函数，形式如下：

其中，ul、ur分别为是左侧和右侧阈值，、表示超左侧阈值和超右侧阈值的样本个数，其中nz表示样本总个数。βl、βr分别为左尾和右尾GPD分布的尺度参数，ξl、ξz分别为左尾和右尾GPD分布形状参数。Φ(z)为经验分布函数。

根据分布函数F(z)，得VaRzq的估算式：

4.利用Copula函数求解CoVaR

Hakwa(2011)[24]有如下的证明结果：

其中C(ua,ub)为Copula函数，g(ua,ub)为Copula函数对ub的偏导数，并将(9)式结果记为q。则：

Hakwa等(2015)[20]给予了常见的几种Copula函数(Gauss、t、Clayton、Frank和Gumbel)的CoVaR的计算结果，如t-Copula下的CoVaR的计算公式为：

其中，tv(·)表示自由度为v的学生t分布的分布函数，ρ、v分别为t-Copula函数的参数。其证明方法可以参阅其文献，这里不再赘述。此外，可得到原收益率序列的时变和如下：

基于(12)和(13)式结果，再根据(2)和(3)式，可计算出时变风险溢出值和溢出比例。

互联网金融业风险溢出效应研究

一、指标选取与数据描述

目前很难找到能完全刻画互联网金融业状况的指标，现有研究成果主要以单一的P2P网贷指数、支付指数或者众筹指数来代表互联网金融行业，其存在一定的缺陷。本文选取同花顺互联网金融板块指数作为互联网金融业的市场状况指标，其成分股主要由125家上市企业构成，涵盖金融平台、金融应用、众筹和征信等类型。银行业、证券业和保险业选取情况申万三级行业指数，其中银行指数成分主要由国内26家商业银行构成；证券指数成分主要由国内的33家券商构成；保险指数成分主要由6家国内保险公司及从事保险业务的公司构成(上述指数成分股数在不同时期内可能有所调整)。数据为工作日数据，时间跨度2012年7月2日～2017年12月29日，剔除个别日缺失数据后，四种指标均含有1341个样本。上述数据均来源于同花顺iFinD数据库。对于上述四种指标，计算每日对数收益率：

表1 变量描述性统计

图2 四种行业日收益率波动时序图

本文中的rn,t，rb,t，rs,t，ri,t分别表示根据上式计算的互联网金融业、银行业、证券业和保险业的对数收益率，其描述性统计结果如表1所示，波动时序图如图2所示。

从表1来看，互联网金融业的平均收益率较之其他行业相对较高，同时其波动幅度较大。从图2观察数据的动态特征，发现四种收益率序列均波动均表现出“丛集性”，并且在2014年10月～2016年5月尤为明显，这也反映行业之间的内在关联性。此外，从已有的事实来看，互联网金融业和证券业均经历了迅速发展至迅速回落，二者之间的风险关联性可能更强。互联网金融高收益吸收的客户资金可能大量流入股票市场，推动股票市场的短期繁荣。其次，由于互联网金融与银行业和保险业的内在关联性，可能也会导致一定程度的风险溢出效应。同时，可以看出四种收益率均不服从正态分布，在分布特征度量上，本文采用一种更为精确的方法，即左右尾采用广义帕累托(GPD)，中间部分采用经验分布函数拟合，这样有助于提高VaR和CoVaR的计算精度。

表2 不同收益率序列的EGARCH(1,1)估计结果

二、行业及市场收益率波动研究

从上述数据特征观察可知，行业收益率波动均存在“丛集性”特征，同时为了检验波动是否存在“非对称性”，使用EGARCH(1,1)模型。经检验，四种收益率序列均为平稳性序列。这里，均值方程设定为(4)式形式，方差方程设定为(5)式形式，估计结果如表2所示。可以看出：第一，a1和a2均大于0，四种行业的收益率波动均表现为丛集性和持久性；第二，关于非对称效应的检验，四种行业表现出差异性。银行业和保险业表现出的杠杆效应较为明显，即行业收益率波动受不利因素影响的程度更大，一种可能的原因：银行业和保险业运作相对稳健，对于正面积极的消息反应并不如负面消息强烈。互联网金融业和证券行业杠杆效应并不显著，一种可能的解释：互联网金融受外部消息影响大，对于政策开放包容、行情看好时的积极扩张与风险频发、监管强压下的迅速收缩反应程度同等强烈；证券业对低迷后的复苏及繁荣后的衰退可能存在同等程度的过度反应。这使得收益率波动没有呈现出显著的非对称性。这也与所选时间段的互联网金融及股票市场前后行情变化也相对吻合。此外，基于EGARCH模型提取标准化残差序列，双尾在采用GPD分布拟合时，阈值选取按照样本总数10%的方法确定，GPD分布参数结果估计和标准化残差分布拟合图如表3和图3所示。

表3 不同收益率标准化残差序列的阈值选取及参数估计

图3 四种行业标准化残差分布拟合图

三、互联网金融业与传统金融业的关联度度量——基于Copula函数

基于常见的五种Copula函数作为zn,t和zb,t、zs,t、zi,t的连接函数，并估计出相关参数，结果如表4所示。同时，根据估计结果的对数似然值最大的原则，三组序列均选择t-Copula函数作为最优Copula函数。这也与其他学者使用t-Copula函数不谋而合(马亚明和宋羚娜，2017)[18]。从t-Copula函数的线性相关系数来看，从t-Copula中的相关系数参数数值来看，银行业、保险业收益率与互联网金融业收益率的相关性远不如证券业和互联网金融业的相关性。现实中，互联网金融是促进解决中小企业融资，还是助涨股票市场泡沫？这点值得深思。

四、互联网金融风险溢出效应研究

1.VaR风险测度

基于本文的标准化残差的分布假设，可以计算四种标准化残差序列的VaRzq。同时，计算出原收益率序列的时变VaRq,t，其描述统计特征如表5所示。从风险值水平来看，在95%的置信水平下，互联网金融业和证券业VaRq,t的平均水平较低，而且VaRq,t自身的波动较大；而银行业和保险业VaRq,t的平均水平相对较高，而且VaRq,t自身的波动相对较小。同时，随着置信水平的提高至99%，上述关系仍然成立。这意味着互联网金融业和证券业自身蕴含着较高的风险，行业起伏变化较大；相比较而言银行业和保险业的自身风险较小，行业运营较为稳健。

表4 Copula函数参数估计结果

表5 四种行业收益率VaRq,t计算结果描述性统计

2.互联网金融业的风险溢出效应计算结果

基于t-Copula函数，根据(11)式计算了标准化残差序列下的CoVaRabq，同时计算原序列CoVaRabq,t。由于针对原收益率序列的溢出效应计算是时变数据，所以，这里给出平均溢出效应值和溢出比例值，结果如表6所示。可以看出互联网金融业对于三个行业均存在一定的溢出效应。第一，从平均溢出效应绝对值来看，随着置信水平的提高，溢出效应的绝对值逐渐增大，证券业最大，保险业次之，银行业最小；第二，从平均溢出比例值来看，在95%的置信水平下，互联网金融对于证券业的平均溢出比例高达69.1%，对于保险业和银行业的平均溢出比例达43.6%和34.3%。置信水平的提高并不必然导致平均溢出比例的增加，但是可以看出在平均溢出比例上，99%的置信水平下仍然是证券业最大、保险业次之、银行业最小。由此可见，在平均量上观测互联网金融业的风险溢出水平，互联网金融业如果发生风险，则对于证券行业的冲击最强。尽管来说，在互联网金融业迅猛发展时，其对于传统银行业收益率造成一定程度上的冲击，在风险的影响直觉上可能是超过证券业和保险业的。但是，当互联网金融发生风险时，对于行业冲击造成最大的却是证券业，这与互联网金融资金的运用有着一定的关系，互联网资金流向大多集中于证券类资产以追求较高的收益率，而涉及银行和保险类产品比例相对较小。加之，银行业和保险业由于内部风险控制制度相对完善，行业运营相对稳健，当互联网金融业发生风险时，风险传染能够在一定程度上被隔离。

表6 互联网金融业平均风险溢出效应及溢出比例

图4 互联网金融风险溢出效应(ΔCoVaR)动态变化

图5 互联网金融风险溢出比例(%CoVaR)动态变化

3.互联网金融风险溢出效应动态特征研究

基于上述模型，计算出的互联网金融业对于银行业、证券业和保险业的时变溢出效应大小和比例系数的动态变化图如图4和图5所示。可以发现：第一，互联网金融对于银行、证券和保险业均存在明显的风险溢出效应，且ΔCoVaR绝对值随着时间而波动。同时可以发现，在互联网金融风险集中爆发的时间段内，对于三个行业风险溢出效应均增大，如图4中2015年1月～2016年1月时间段。第二，互联网金融对于银行业和保险业的溢出比例动态变化具有相似性，在一定程度上趋势趋同；而对于证券业的溢出比例动态变化与银行业和保险业却呈现出差异性，甚至出现相反的变化趋势。第三，从局部变化来看，在2015年1月～2016年1月的风险高发期，对于银行业和保险业而言，互联网金融业对于二者冲击程度位于历史最低阶段，而对于证券业的冲击位于历史最高阶段，由此可见互联网金融实际发生风险时对三个行业作用强度存在差异性。现实中，互联网金融对于银行业和保险业的风险溢出程度可能被高估，对于证券业的风险溢出程度可能被低估。第四，从与股市震荡的关联来看，在2015年1月～2016年1月，股票市场经历了迅速繁荣与迅速衰退，而此时互联网金融业对于证券业的溢出比例也是最高时期。这从一定程度上可以反映互联网金融可能是股票市场短期繁荣的助推器，互联网金融平台可能是股票市场场外配资和增加股市杠杆的重要利器；互联网金融风险集聚爆发也可能较大程度上导致股市风险的爆发。所以，从监管的角度来看，监管当局不仅需要关注互联网金融平台的资金存放、网络技术安全、客户权益保障等层面，还应限制互联网金融的资金流向，避免互联网金融资金流向高风险的投资领域而引发系统性金融风险，引导流向真正资金短缺的实体经济，助力解决小微企业融资难问题。

结论与建议

本文从逻辑上分析了互联网金融对于传统金融业存在风险溢出效应，并通过建立EGARCH-POT-Copula-CoVaR模型进行实证研究。结果表明：第一，如果互联网金融市场面临极端风险，其对于银行业、证券业和保险业均存在明显的风险溢出效应，平均溢出比例较高，并且平均溢出效应和比例均是证券业最高、保险业次之、银行业最小；第二，在现实中的互联网金融业风险集中爆发的时间段内，溢出效应ΔCoVaR绝对值均增大，但是溢出比例%CoVaR却呈现出差异性，其对于证券业溢出比例增大，而对于银行业和保险业反而减小；第三，互联网金融可能在一定程度上助涨了股票市场泡沫，监管当局需要严格防范互联网金融风险引发的股市危机。

在风险溢出效应管控层面，ΔCoVaR和%CoVaR可以作为一个重要的监测指标。现实中，监管当局可能更加关注互联网金融对于银行业的冲击，但实际对于证券业的冲击可能更大。监管当局应当规范互联网金融产品的投资领域，限制涉及股票等高风险产品的投资比例，减少投机性资金进入证券业，降低资本市场杠杆率。互联网金融平台尤其是借贷平台应当贷前核实借款人的资金用途，对于真实的生产经营的资金需求应当优先撮合交易，必要时事后做好尽职调查，杜绝投资者利用互联网平台进行股市场外配资。传统金融业尤其是证券业在关注自身的风险状况，更要建立诸如互联网金融业等外部风险溢出的预警机制，监测风险溢出效应的动态变化。传统金融机构与互联网金融合作中，也要保持明确的界限，以减少技术、资金和业务渠道的风险溢出。