系统性风险度量方法及研究

黄慧

摘 要：2008年金融危机以来，金融市场的系统性风险受到学术界、业界及监管机构的广泛关注和重视，并出现了大量的相关研究文献。本文对近期国内外相关文献进行了梳理，对系统性风险定义、度量方法等方面的研究进展进行了较为系统的文献回顾。

关键词：系统性风险;期望损失;传染性

1 研究背景

金融机构广泛的违约和损失会对经济中其他行业产生很大的负外部性影响。近年来出现的大量事件表明需要加强对系统性风险的控制。现有的监管及Basel1和Basel2局限于将机构的风险孤立开来，对系统性风险没有进行有效的关注。通常一般情况下个体的风险是可以解决的，但是一旦遭遇宏观事件的冲击，系统就会变得脆弱也极易受到影响。近年来，金融系统性风险的文献在理论分析和实证方法方面都有了显著的提高。

2 国外研究情况

系统性的一种定义是“任何一种威胁金融体系稳定性或公众置信度的情况” （Billio等（2010）。欧洲中央银行将它定义为一种金融不稳定的风险，它广泛削弱了金融系统促进经济增长和物质福利增加的功能。其他的定义则专注于具体的机制，包括不平衡（Caballero（2009），相关风险（Acharya等（2010），对实体经济的溢出效应，信息混乱（米什金（2007），反馈行为（Kapadia 等（2009），资产泡沫（Rosengren（2010），传染性（Moussa（2011）以及负的外部性（Financial Stability Board，2009）。这种可能的定义表明，需要采取多种风险度量方法来捕捉金融体系本质上的复杂性和适应性。由于系统性风险尚未被完全理解，因此准确衡量它是具有挑战性的。

Bisias（2012）等人在一篇工作论文中对经济学和金融学文献中的31项系统性风险定量测量进行了调查，特别是对宏观审慎监管的特点进行了全面和详细的研究。他们认为一个监督和管理金融稳定的稳健框架必须包含多种观点和持续的过程，以重新评估金融体系结构的演变，为应对这些变化系统性风险措施也将随之改变。与此同时，为有效衡量系统性风险，一个具体的措施必须要将经济概念转换成十分具体的选择，它必须决定需测量的主体和其属性、频率、观察值间隔、粒度的级别和准确度。

最初的方法着重于识别金融机构，如果这些金融机构违约，可能触发大部分金融机构的违约（即所谓的“大而不倒”机构，也称为系统重要性金融机构），SIFIs 随后演变成一种更为平滑的方法，旨在从系统角度量化风险贡献。

出于这个考虑，Acharya 等（2010）提出，当系统整体资本不足时，通过倾向于资本不足（按预期的股权损失）来衡量个体银行系统性风险的风险。系统性危机门槛以“风险价值”（VaR）来设定。在VaR的基础上，计算期望损失ES，它是投资组合损失超过其VaR限额R时的平均回报。个体企业的资本短缺在实体经济时期发生危机时，会给实体经济带来外部成本。通常企业的目标函数没有考虑到它在危机中产生的负外部性成本。因此，在金融监管干预不足的情况下，企业可以采取过度杠杆作用。为了衡量金融机构在危机中产生的总资本短缺以及个别公司的贡献。他们将事先设置的损失值R分解成多个组群。将期望损失对ES对某一组群i在总体中的权重求偏导，得到该组群的MESi。由此，MES指的是银行i反映的那部分系统性风险。

由于这项措施的基础是首先确定系统危机，然后验证其与正在考虑的银行资本不足的关系，目的在于量化银行如何经历危机。虽然这种量化对于银行参与即将发生的危机的风险代理至关重要，但它无法区分关联影响。由于特定银行对整个系统的影响是由共同因素所造成的，还是由于因果关系，系统将其余部分的危机通过传染扩散到银行，还存在争议。

Huang等人（2009，2011）提出通过使用信用违约互换息差和个别机构的股票价格来计算其风险中性违约概率和资产收益相关性，从而衡量银行业的系统性风险。遇险保险费（DIP）被用来构建银行特定的金融体系中所面临的系统性风险指标。银行的DIP代表一个机构为系统性财务困境支付的假设性保险费。DIP是一个与MES紧密相关的风险指标，与VaR不同，它的阈值是以数量的形式，而VaR的阈值是百分比形式。

Adrian和Brunnermeier（2011）提出了一种叫做CoVaR的不同方法，他们认为单个金融机构的在险价值VaR只能反映单个金融机构的风险，并不能反映该机构对系统性风险的贡献度，因此提出了条件风险价值CoVaR方法，即采用△CoVaR来测度单个金融机构对系统性风险的贡献度。CoVaR是一种风险度量，它将单个机构对系统风险的风险贡献估计为总金融部门的VaR，以该机构的事件（危难）为条件。通过这种方法，有可能计算机构i遇险时金融系统的VaR与给定机构正常（中位）状态下金融系统的VaR之间的差异，从而得到称为ΔCoVaR的度量。通过这种方式，ΔCoVaR量化了一个机构的危机可能对整个系统产生的影响，因此关注银行在可能引发危机中的积极作用。值得注意的是，当系统暴露于一个共同的风险因素时，特定银行的困境和整个系统困境之间的相关性可以由公共因素（相关性）或由系统困境引起的后果传染给给定银行的困境来表示。MES和ΔCoVaR不区分这两个决定因素。

Lopez-Espinosa 等（2012）提出了一个ΔCoVaR的变体，它捕捉了金融机构对金融系统其他部分的风险溢出效应。在最近的一项工作中，Castro和Ferrari（2014）对ΔCoVaR進行了重要性测试。

SRISK指标由Brownlees和Engle（2012）提出，并由Acharya等人进一步开发。Brownlees和Engle将金融机构的系统性风险与其在危机中所经历的系统资本化恶化的贡献联系起来。为了从实证的角度衡量这一点，他们引入了SRISK指数，即在大幅下跌的市场条件下，企业的预期资金短缺。该指数是企业杠杆，规模和边际期望损失（MES）的函数，并采用市场和企业收益的动态模型估计MES。这种方法采用的是会计信息，即机构的规模和杠杆，以及基于市场的措施。

尽管市场通常被认为是评估经济真实状况的最佳参考，但对基于市场方法表现的回溯测试强调了其对监管机构增加的一些限制。Zhang等人（2015年），分析了一些基于市场方法的表现，证实只有ΔCoVaR能够对传统的预警模型持续增加预测能力。然而，额外的预测能力仍然很小，并且通常不会被亚洲和1998年的危机所证实。他们还证明，在非市场指标中，规模是系统重要性最兼容的指標。

事实上，所有这些方法都是基于比较同一个系统的不同状态（遇险或不遇险）的差异。可能是因为这些基于市场的信息无法提供有关不同系统差异行为的信息。还有另外一类模型旨在分析银行系统对假设冲击的行为，以便验证系统在其稳定性和对冲击的反应方面的表现。由于市场无法提供这些价值，这些活动是基于模拟的。

其中，文献的一个关注点是网络结构的作用。基本思路是验证一家银行违约的情况下会产生什么后果。从Humphrey（1986）开始的这些练习旨在研究传染机制，以验证是否以及如何传染受同业银行网络结构的影响，以及哪种结构可能对金融系统更安全。Allen和Gale（2000）最早提出银行间的违约传染与网络结构有关。Allen和Gale认为任意两个银行间都有债务联系的完全结构比只与部分银行有债务联系的不完全结构要稳定。Freixas 等将完全结构和环形结构（网络中任意节点都只和其他两个节点相连，并形成一个环。两种网络结构进行对比，研究认为违约传染取决于模型设定的参数。Thurner等则对比了几种规则网络结构下的银行间违约传染。Elsinger 等则认为简单区分完全结构与不完全结构，不能准确揭示网络结构与银行系统性风险的关系。结果表明，对于同样的冲击，一些结构会导致蔓延，而另一些则不会。Upper（2011）报告了这些方法的研究。

系统性风险在这里意味着大部分金融体系的违约风险取决于机构之间的金融风险暴露网络。然而，目前还没有一个被广泛接受的方法来确定网络中的系统重要节点。为了填补这一空白，Battiston等（2012）引入了DebtRank，这是一种反馈中心性刺激下的系统影响的新型度量，制定了网络中银行中心性的衡量标准。

为了检验银行网络的依赖性，Huang等（2013）建立了由银行和银行资产组成的双部分银行网络模型，并提出了一个级联式失效模型，并指出了证券化过程中存在的问题。实证检验了2007年美国商业银行的资产负债表数据模型，并比较了2007年以后失灵银行破产的失败银行的模型预测结果。研究结果表明，该模型可用于金融体系的体系强度测试。Levy-Carciente等（2015）开发了Huang等（2013）的动态扩展模型，两个平行传染渠道——直接风险敞口和银行资产价值变化。该模型提供了一个系统层面的压力测试，能够通过对系统进行一系列不同级别的冲击来评估系统的稳定性。

另一类文献为了获得更符合现实的度量，构建了更复杂的仿真模型，其中包括系统性（相关）冲击。Gauthier（2012）等人开发了一个有趣的练习，为计算增量VaR，Shapley值，ΔCoVaR和MES，采用了与此处所用类似的方法，目的是验证基于这些措施的资本分配是否会导致更安全的银行体系。他们的模拟模型基于宏观压力情景，在这种情景下，每个行业都受到基于历史价值的违约率的影响，每家银行都受到这些违约率的影响。然后，传染被视为通过火力销售和直接银行间敞口。在他们的分析中，只发现了基于不同指标和银行特征的宏观审慎资本比率之间有限的相关性，并且没有对其决定因素进行更深入的分析。

另一个重要的方法是基于Shapley价值来评估互联机构对系统性风险的贡献。这种方法是由Tarashev等人（2010）首次提出的。然后由Drehmann和Tarashev（2011）;Drehmann和Tarashev（2013）开发。因为它可以量化所有银行的风险贡献，而不仅仅是所列的风险贡献。此外，它也可以应用于没有遇到危机的银行，即在危机期间没有关于其行为的市场数据，而基于标记的措施依赖于这些信息来估计系统危机对单一银行的影响。即使不考虑市场措施质量的局限性，将所有银行纳入估算的可能性也是监管和监管目标的基础。

3 国内研究状况

我国的金融业发展方面起步晚，在系统性风险度量方法方面参考国外研究成果构建中国的系统性金融风险监测指标，并进行实证分析。利用国外的模型和国内数据测算我国系统性金融风险的特征和传染性。包全永（2005） 研究了银行间市场与一个封闭银行系统之间的银行系统性风险的传染机理，并验证了系统性风险的传染与扩散效应。刘春航和朱元倩（2011）借鉴系统性风险的国际经验，分别从银行自身脆弱性、宏观经济冲击以及传染和扩散的角度构建了多维度的系统性风险矩阵，为构建适合中国金融体系系统性风险的度量框架奠定了一定的理论基础。

肖璞等（2012）利用CoVaR方法对我国上市银行间的溢出效应以及单个银行陷入困境时对整个银行体系的风险贡献度进行了测度。从信息溢出的视角，李政等（2016） 采用网络分析法分析了我国金融系统各部门之间的关联特征，并对关联的影响因素进行了分析。陶玲和朱迎（2016）构建了适合我国金融体系的系统性风险检测指标体系，不仅对单一测度方法应用进行了优化，并对系统性风险指标的状态和拐点进行了识别。梁琪等（2013） 改进了 Brownlees and Engle（2012） 提出的系统性风险指数SRISK 方法，并计算了我国上市金融机构的资本短缺程度。李志辉等（ 2016） 采用基于银行负债端的 SCCA（ 系统未定权益分析） 技术，测算了多家机构的联合违约风险，用来动态监测我国银行业系统性风险的演变过程。

参考国外研究成果对国内银行、证券、保险等金融子系统进行系统性风险分析。卜林和李政（2015）采用条件风险价值CoVaR和边际期望损失MES，研究了我国23家上市金融机构的系统性风险溢出效应及其时变特征，得出了中国金融市场的一些特点。从不同的市场来看，证券公司、保险公司和商业银行的MES均值依次递减，证券公司和保险公司单位资产的系统性风险贡献度高于商业银行。在银行部门内，股份制商业银行和城市商业银行的MES值高于大型国有商业银行，商业银行、保险公司和证券公司的 △CoVaR均值依次递减。从单个金融机构总的系统性风险贡献度来看，商业银行和保险公司对整个金融系统的风险溢出高于证券公司;而且，股份制商业银行对系统性的风险溢出高于大型国有商业银行。

國内研究目前存在着一些不足。在对金融子系统的分析，集中在银行业，其次是资本市场。把市场分开来考虑，较少从宏观审慎角度将各个金融子系统纳入统一框架，把金融体系作为一个内在相互关联、动态变化的整体进行分析的研究成果。其次，国外已有的系统性金融风险评估模型和方法，对金融市场完善程度、市场有效性、数据可获得性有很高的要求。而我国金融市场发展历程较短，存在历史数据长度不够、数据稳定性和数据连续性较差、等难以处理的数据问题，利用历史数据回归建模并且进行预测，可能会产生较大偏差。

参考文献：

[1]S. Battiston， M. Puliga， R. Kaushik， P. Tasca， G. Caldarelli，DebtRank： too central to fail？ Financial networks， the FED and systemic risk，Sci. Rep， 2012，（2）：541.

[2]P. Benczur， G. Cannas， J. Cariboni， F. Di Girolamo， S. Maccaferri， M. Petracco Giudici，Evaluating the effectiveness of the new EU bank regulatory framework： a farewell to bail-out，J. Financial Stab，2016.

[3]Bisias， D.， Flood， M.D.， Lo， A.W.， & Valavanis， S. （2012）. A Survey of Systemic Risk Analytics. US Department of Treasury， Office of Financial Research， Working Paper #0001.

[4]Borio，C.， （2009）， The Macroprudential Approach to Regulation and Supervision， Working paper， VoxEU.org， 14 April 2009.

[5]Brownlees， C.T.， Engle R. （2012） Volatility， Correlation and Tails for Systemic Risk Measurement， New York University Working Paper.

[6]M.K. Brunnermeier， A. Crocket， C. Goodhart， A. Perssaud， H. Shin，The Fundamental Principals of Financial Regulation： 11th Geneva Report on the World Economy，2009.

[7]C. Castro， S. Ferrari，Measuring and testing for the systemically important financial institutions，J. Empirical Finance，2014，（25）：1-14.

[8]R. De Lisa， S.Zedda， F.Vallascas， F.Campolongo， M.Marchesi，Modelling deposit insurance schemes losses in a Basel 2 framework，J. Financial Serv. Res.，2011，40（3）：123-141.

[9]Drehmann，M.，Tarashev，N.A.（2011）.Systemic Importance： Some Simple Indicators.BIS Quarterly Review， March 2011.

[10]M. Drehmann， N.A. Tarashev，Measuring the systemic importance of interconnected banks，J. Financial Intermediation，2013，（22）：586-607.

[11]M. Ebrahimi Kahou， A. Lehar，Macroprudential policy： a review，J. Financial Stab.，2017，（29）：92-105.

[12]C. Gauthier， A. Lehar， M. Souissi，Macroprudential capital requirements and systemic risk，J. Financial Intermediation，2012，（21）： 594-618.

[13]X. Huang， H. Zhou， H. Zhu，A framework for assessing the systemic risk of major financial institutions，J. Banking Finance，2009，（33）： 2036-2049.

[14]X. Huang， H. Zhou， H. Zhu，Systemic risk contributions，J. Financial Serv. Res. 2011：1-29.

[15]X. Huang， I.Vodenska， S.Havlin， H.E. Stanley，Cascading Failures in Bipartite Graphs： Model for Systemic Risk Propagation（2013）Scientific Reports 3.

[16]D.B. Humphrey，Payments finality and the risk of settlement failure，A. Saunders， L.J. White （Eds.）， Technology and the Regulation of Financial Markets， Lexington Books， Lexington， MA 1986：97-120.

[17]S. Levy-Carciente， D.Y. Kenett， A. Avakian， H.E. Stanley， S. Havlin，Dynamical macroprudential stress testing using network theory，J. Banking Finance，2015，（59）：164-181.

[18]G. López-Espinosa， A. Moreno， A.Rubia， L.Valderrama，Short-term wholesale funding and systemic risk： a global CoVaR approach，J. Banking Finance，2012，36（12）：3150-3162.

[19]N. Puzanova， K. Düllmann，Systemic risk contributions： a credit portfolio approach，J. Banking Finance，2013，37（2013）：1243-1257.

[20]Schoenmaker， D. and T. Peek （2014）， The State of the Banking Sector in Europe， OECD Economics Department Working Papers， No. 1102， OECD Publishing， Paris.

[21]Tarashev， N.， Borio， C.， Tsatsaronis， K.， （2010）， Attributing Systemic Risk to Individual Institution. BIS Working Paper No. 308， pp. 1-29.

[22]C.Upper，Simulation methods to assess the danger of contagion in interbank markets，J. Financial Stab，2011，7（3）：111-125.

[23]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.

[24]白雪梅，石大龙.中国金融体系的系统性风险度量[J]. 国际金融研究，2014，（6）：75-85.

[25]范小云，方意，王道平.我国银行系统性风险的动态特征及系统重要性银行甄别——基于CCA与DAG相结合的分析[J].金融研究，2013，（11）：82-95.

[26]陶玲，朱迎.系统性金融风险的监测和度量——基于中国金融体系的研究[J].金融研究，2016，（6）：18-36.

[27]梁琪，李政.系统重要性、审慎工具与我国银行业监管[J].金融研究，2014，（8）：32-46.

[28]刘吕科，张定胜，邹恒甫.金融系统性风险衡量研究最新进展述评[J].金融研究，2012，（11）：31-43.

[29]劉春航，朱元倩. 银行业系统性风险度量框架的研究[J].金融研究，2011，（12）：85-99.

[30]赵进文，张胜保，韦文彬.系统性金融风险度量方法的比较与应用[J].统计研究，2013，30（10）：46-53.

[31]欧阳红兵，刘晓东.中国金融机构的系统重要性及系统性风险传染机制分析——基于复杂网络的视角[J].中国管理科学，2015， 23（10）：30-37.