基于动态Copula-CoVaR模型的影子银行风险溢出效应研究

王帅 李治章

摘 要：依据2007-2017年中国金融市场运行数据，构建动态Copula-CoVaR模型，考量影子银行风险溢出效应。结果表明：影子银行与传统金融市场存在双向净风险溢出效应，随着时间的推移，溢出效应在逐渐增大;极端风险溢出效应存在不对称特征，影子银行对传统金融市场的冲击较大，且这种冲击具有滞后效应。鉴此，监管部门应夯实金融体系运行基础，创新影子银行监管工具，完善其协调监管模式。

关键词：影子银行;金融市场;CoVaR;风险溢出效应

中图分类号：F832.33文献标识码：A文章编号：1003-7217（2019）02-0036-05

一、引 言

影子银行是从事类似银行信用和流动性转换功能的实体，但其经营活动较少受到传统监管部门的监管。据穆迪估计，中国影子银行规模在2017年6月已达64.7万亿元[1]。而根据WIND数据库统计，截至2017年6月，中国理财产品资金日均余额为30.15万亿元。影子银行的发展  在一定程度上推动了金融创新和市场深化，弥补了金融抑制产生的融资缺口，但也由于其存在较大的杠杆性和隐蔽性，对金融市场和实体经济也可能带来风险隐患。因此，监管部门对其重视程度越来越高，并制定了一系列监管措施，如在2017年11月17日，中国人民银行等五部门发布了《关于规范金融机构资产管理业务的指导意见（征求意见稿）》，旨在防范影子银行“脱实向虚”所带来的风险，以维护金融市场的健康发展。当前，影子银行虽然在一定程度上得到了规范，但其潜在的风险仍不容小觑，且当前金融系统性风险逐渐增大，稍有不慎便可能“引爆”系统性风险，引发“明斯基时刻”来临。在此背景下，为防范和化解金融风险，亟需准确地度量影子银行体系对金融市场的风险溢出效应，并对溢出效应的规律进行剖析。

国内外对影子银行及其风险溢出效应进行了一定的研究。FSB（2011）指出资产证券化导致新的高风险型债券不断被引入，这种复杂的结构化金融容易导致代理问题和投资者的非理性决策，银行和其他金融机构通过杠杆操作进行购买活动，增加资本市场的脆弱性[2]。Adrian（2012）指出，影子银行通过信用创新工具，将杠杆操纵、金融创新以及过度交易的风险转移和分散到银行业等市场之中，進而通过投资组合等影响金融市场风险[3]。Schwarcz（2012）等研究表明影子银行导致市场分割和不透明，使得市场参与者难以有效处理信息，当积累的风险凸现时，容易引起市场恐慌，此外影子银行的发展伴随着杠杆率的提升，投资者的风险偏好将随着影子银行规模的扩大而提高，这也将增大金融市场系统性风险[4]。Moshirian（2014）指出新兴经济体的影子银行增长较快，这可能会增大系统性风险，由此需要加强对影子银行的全球性治理[5]。Diallo和Al-Mansour（2017）认为保险部门通过影子银行影响金融体系的稳定性[6]。在国内，随着影子银行的快速发展，一些学者对其产生的风险展开了研究。巴曙松（2009）以及何德旭和郑联盛（2009）均认为对影子银行的有效监管有助于维持金融体系的稳定[7，8]。巴曙松（2013）认为影子银行已纳入监管体系，其规模和风险也尚未对系统性风险产生巨大的影响[9]。林琳和曹勇（2015）的研究表明影子银行通过银行同业业务释放风险，商业银行受影子银行影响的程度与其同业业务规模呈正相关关系[10]。刘翠（2017）认为在考虑影子银行体系对商业银行的风险溢出效应之后，商业银行体系面临的风险将会显著增大[11]。郭晔和赵静（2017）的研究表明存款竞争显著增加了影子银行的规模，而影子银行的存在则强化了存款竞争与商业银行系统性风险之间的关系[12]。在银行风险度量方面，李丛文和闫世军（2015）基于偏t分布的GARCH-时变Copula-CoVa R模型测度了各影子银行对商业银行系统性风险的影响[13]。李丹丹（2016）通过DCC 模型分析影子银行和商业银行间的波动溢出效应，发现影子银行对城商行存在传染效应，证券公司类的影子银行对城商行的冲击较大[14]。已有文献大多认为影子银行对金融体系产生了重要影响，并且探讨了其对商业银行的风险传染效应，但针对影子银行风险溢出的非线性时变特征及影子银行与整个金融体系之间的双向溢出效应则较为少见。

有鉴于现实需要与已有研究的不足，本文对影子银行与金融市场的风险溢出效应进行了实证研究。在运用2007-2017年中国金融市场运行数据的基础上，构建了动态Copula-CoVaR模型，对影子银行的风险溢出效应进行了度量，研究发现影子银行与金融市场存在双向风险溢出效应，且影子银行对金融市场的风险溢出效应逐年增强。同时，极端风险溢出效应存在不对称特征，影子银行对传统金融市场的冲击较大，并且这种冲击具有滞后效应。本文的研究一方面考虑风险溢出的动态效应，构建了动态Copula-CoVaR模型，为风险溢出效应的度量提供了可供参考的方法;另一方面通过实证研究发现和总结了当前影子银行风险溢出效应的规律和特征，为管理层制定相关监管政策和投资者的投资组合管理提供经验借鉴。

二、影子银行风险溢出效应度量的动态Copula-CoVaR模型构建

其中C（u， v）为Copula函数。为了更全面准确地衡量影子银行体系对金融市场的风险，考虑到风险传染的下尾相关特征，本文选用Clayton Copula函数作为基准Copula函数。为了衡量时变的风险传染效应，本文沿用Patton（2006）的思想，用一个类似ARMA（1，10）的过程对Copula函数的相关参数进行动态描述[17]。

三、基于动态Copula-CoVaR模型的影子银行风险溢出效应实证研究

为了检验影子银行的风险溢出效应，本文基于动态Copula-CoVaR模型，运用中国金融市场的相关数据进行实证研究。首先在选取研究样本的基础上，对Copula函数的边缘分布进行估计，接着对动态Copula函数进行参数估计，从而得到拟合样本数据最佳的Copula函数，最后基于动态Copula函数，求解CoVaR，进而对影子银行的风险传染效应进行分析。

（一） 研究样本的选取

分别选取银行指数、证券指数、保险Ⅱ指数以及房地产Ⅱ指数代表银行市场、证券市场、保险市场和房地产市场的运行情况。由于房地产市场属于资金密集型行业，并且其资产负债率较高，具有较强的金融属性，且房地产在国内的投资功能比较显著，所以本文将其纳入金融市场进行分析。样本的起始时间为2007年1月4日至2017年12月15日，该样本期间涵盖了多次金融危机，能够反映金融市场运行不同周期的波动状况。由于影子银行体系并不透明，其运行数据难以获取，本文选取了从事产业基金、小贷、典当、投资以及证券等金融业务的上市公司，一方面这些上市公司的业务具有较强的影子银行性质，在一定程度上反映了影子银行的运行特征;另一方面其运行数据按照资本市场制度进行披露，具有较高的可信度，且可以公开获取。经过筛选，本文将渤海金控、民生控股、海德股份、中油资本、经纬纺机、锦龙股份、越秀金控、九鼎投资、易见股份、新力金融、五矿资本、熊猫金控、爱建集团、绿庭投资、中航资本、香溢融通、和华铁科技作为样本公司。将这些公司的总市值作为权重，编制了影子银行的运行指数衡量影子银行的运行状况，样本的起止时间为2007年1月4日至2017年12月15日。各市场的运行指数参见图1。

从以上指数的运行轨迹可以发现，影子银行与金融市场的联动性较强，但在不同时间段，其波动也

有一定的差异性，如在2016年之前影子银行与金融市场的波动轨迹较为相似度较高，而在2016年之后，其相似度略有下降，这可能与监管周期有一定的关系。

（二） 边缘分布模型的参数估计

对于边缘分布，本文运用GARCH（1，1）模型来进行描述：

其中，rt分别为银行指数、证券指数、保险指数、地产指数和影子银行指数的对数收益率，分别以BANK， SECU， INSU， REAL和SHAD表示。ht为方差方程，其中误差分布为GED分布。各序列的GARCH模型参数估计结果如表1所示。

上表显示GARCH模型的拟合效果较好，同时体现了收益率序列的波动集聚性和持续性。GARCH模型能较好地描述收益率序列的波动，其条件波动率序列如图2所示。

从图2可以发现，虽然影子银行与金融市场的波动轨迹较为相似，但是其也有一定的差异性，这体现出影子银行相对于传统金融市场有一定的独特运行规律。为了准确地把握影子银行风险传染效应，本文接下来运用动态Copula-CoVaR模型对风险溢出程度进行度量。

（三）动态Copula及CoVaR模型的参数估计

运用Matlab 2016对Copula函数进行参数估计，估计结果如表2所示，根据t统计量可以发现，Copula函数的参数在95%的置信水平下均显著，模型具有较好的拟合效果，因此本文运用Clayton Copula函数计算CoVaR值。

运用动态Copula函数及公式（6），可以得到样本期内影子银行与金融市场的净风险传染效应ΔCoVaRx→y（ΔCoVaRx→y=ΔCoVaRy|xq-ΔCoVaRx|yq）如图3所示。

图3中，横坐标为样本时间，纵坐标为净风险传染效应，ΔCoVaRx→y为负，表明各金融市场对影子银行有净风险传染效应，金融市场对影子银行的冲击较大，ΔCoVaRx→y为正时，影子银行对金融市场的冲击较大，其对金融市场输出了较大的金融风险。从图3可以发现影子银行与金融市场的风险传染特点。其一，在样本期，影子银行与金融市场之间存在双向的风险传染效应。金融市场对影子銀行有净的风险输出，同时影子银行对金融市场也有风险传染，且这种风险传染存在时变和非线性特征。影子银行在传统金融的基础产生，其资金来源、业务经营、流动性创造等与银行、证券、保险、地产市场均有紧密的联系，一旦发生影子银行违约事件，其他传统金融机构也会受到影响。而另一方面，在传统金融机构流动性减小时，影子银行机构也会受到一定的压力。经过多年的发展，影子银行已经渗透到传统金融市场的各个领域，甚至形成了一系列金控集团或金融服务平台，与传统金融形成了“你中有我，我中有你”[18]、紧密联系的发展状态。其二，虽然影子银行与金融市场之间存在双向溢出效应，但从极端风险溢出效应看，如图3下半部分显示，其极端值明显大于上半部分的极端值，且出现的次数也相对较多。这反映出在样本期影子银行与金融市场的极端风险传染存在一定程度的不对称性。传统金融机构出现风险事件时，由于其监管相对完善，运行的透明程度相对较高，其对其他金融子市场或金融体系产生的影响也相对容易控制。与之相反，影子银行具有不透明性和杠杆高的特点，对其监管难以形成有效穿透，在当前影子银行规模较大的情形下，影子银行市场一旦出现风险，可能会导致金融市场出现恐慌情绪，并产生连锁放大效应，由此使得极端风险不对称传染现象的产生。其三，影子银行对金融市场的冲击在逐渐增大（如图3所示，在方框A之后），在2015年和2016年的股灾之中，影子银行和传统银行之间不仅存在双向的即时风险溢出效应，而且出现了对传统金融市场极端风险的滞后溢出效应（如方框B所示），即在金融市场下跌之后，影子银行对传统金融市场产生了一个更大的滞后性冲击，这凸显了影子银行体系对金融市场的重要影响。

四、结论及建议

本文运用中国金融市场数据，在编制影子银行运行指数的基础上，构建了动态Copula CoVaR模型对影子银行的风险传染效应进行实证研究。研究结果表明影子银行与传统金融市场之间存在双向的净风险溢出效应，对于极端风险溢出，影子银行对金融市场的影响更大，且随着时间的推移，影子银行与金融市场之间的风险溢出效应在增大，在出现风险事件之后，影子银行对金融市场还会产生滞后的风险冲击。考虑到影子银行发展的特征事实，以及当影子银行的风险传染规律，可形成以下监管启示：首先，在服务实体经济的前提下，应严格限制影子银行体系内的“资金空转”，合理有序降低杠杆率，引导影子银行体系内的资金流向制造业等实体经济领域，一方面促进实体经济发展，另一方面也能够夯实金融体系的运行基础，增强金融市场的风险抵抗能力，降低影子银行与金融市场风险溢出效应的危害;其二，结合影子银行运行溢出效应的特点进行监管工具创新，一方面创新影子银行测算与风险度量工具，建立影子银行风险指数，动态监视其风险溢出效应，并据此创新与之相适应的财政政策、货币政策等监管工具;其三，监管部门可进一步完善跨部门监管协调模式，针对交叉性金融业务，统一协调银行、证券、保险等各个金融子市场的监管，运用大数据推动全面精准监管，减少监管套利空间，提高影子银行运营的透明性，从而降低影子银行风险溢出效应，维护金融市场的健康发展。

参考文献：

[1]巴曙松.中国影子银行的特征与风险化解之道[EB/OL]. http：//baijiahao.baidu.com， 2017-11-26.

[2]Financial Stability Board. Shadow banking：scoping the issues[R]. BIS Report，2011-04-12.

[3]Adrian T， Ashcraft A. Shadow banking regulation [J]. The Annual Reviews of Financial Economics， 2012（4）：99-140.

[4]Schwarcz S. Regulating shadow banking[J]. Review of Banking and Financial Law， 2012， 31（1）：619-642.

[5]Moshirian F. Global governance：global banks and shadow banks supervision[J].Journal of Banking & Finance， 2014，48（11）：307-311.

[6]Diallo B， Al-Mansour A. Shadow banking， insurance and financial sector stability[J]. Research in International Business and Finance， 2017， 42（12）：224-232.

[7]巴曙松. 应从金融结构演进角度客观评估影子银行[J]. 经济纵横， 2013（4）：27-30.

[8]何德旭， 郑联盛. 影子银行体系与金融体系稳定性[J]. 经济管理， 2009， 31（11）：20-25.

[9]巴曙松. 应从金融结构演进角度客观评估影子银行[J]. 经济纵横， 2013（4）：27-30.

[10]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]. 經济管理， 2015， 37（8）：109-119.

[11]刘翠. 影子银行、金融稳定与风险溢出效应分析[J]. 现代财经（天津财经大学学报）， 2017， 37（11）：41-51.

[12]郭晔， 赵静. 存款竞争、影子银行与银行系统风险——基于中国上市银行微观数据的实证研究[J]. 金融研究， 2017（6）：81-94.

[13]李丛文， 闫世军. 我国影子银行对商业银行的风险溢出效应——基于GARCH-时变Copula-CoVaR模型的分析[J]. 国际金融研究， 2015（10）：64-75.

[14]李丹丹. 中国影子银行和商业银行的传染效应研究——基于DCC模型的风险分析. 管理现代化， 2016（1）：17-19.

[15]Adrian T， Brunnermeier M K. CoVaR[J].Amerian Economic Review， 2016，106（7）：1705-1741.

[16]Girardi G， Ergun A. Systemic risk measurement：multivariate GARCH estimation of CoVaR[J]. Journal of Banking & Finance， 2013， 37（8）：3169-3180.

[17]Patton A. Modeling asymmetric exchange rate dependence[J]. International Economic Review， 2006， 47（2）：527-556.

[18]陆晓明. 中美影子银行系统比较分析和启示[J]. 国际金融研究， 2014（1）：55-63.

（责任编辑：钟 瑶）