行业系统性风险的动态特征及其影响因素

周 亮

(1.湖南财政经济学院 财政金融学院,湖南 长沙 410205;2.湖南师范大学 商学院,湖南 长沙 410081)

一、研究背景

金融在现代经济中处于核心地位,但是金融体系内生的脆弱性及复杂性,导致其内在危机容易显性化、扩大化,甚至造成全球范围内的冲击。全球金融危机及其对实体经济的极大破坏性催生了学界、业界及监管层对于系统性风险的关注。虽然危机之后国际金融机构相继出台并不断深化了新的监管规定,但是由于系统性风险的全局性、复杂性和挑战性,更全面深入的科学研究工作仍亟待开展。20世纪90年代频繁发生的局部和区域性金融危机事件引起了学者们的关注,一些学者提出了系统性风险的概念[1-2]。De Bandt等[3]认为,系统性风险就是某一重大的系统性事件导致多个金融机构破产甚至金融体系崩溃的风险。Acharya[4]认为,系统性风险是金融机构资产端趋同性引发的联合破产风险。Billio等[5]认为,金融机构间的相互关联性导致损失和风险易于传播从而形成系统性风险。Adrian等[6]则认为,系统性风险是由系统性事件所触发的金融体系大范围崩溃的可能性,并对金融市场和实体经济具有很强的负外部性。

对系统性风险的测度大致可以分为四类：基于收益率损失的度量方法,基于流动性不足的度量方法,基于关联性的度量方法和基于宏观总量的度量方法。第一,基于收益率损失的度量方法常见的有Co-VaR[6-7]、边际期望损失MES[8-9]、成分期望损失CES[10]、困境保费溢价DIP[11]等,这些度量方法或指标侧重于利用市场数据,实时性强。第二,基于流动性不足的度量方法主要包括SRISK[12-13]、Baumeister等[14]通过总体外部市场风险因子(利率、信贷价差、货币和商品价格)构建的流动性指标等,SRISK对未来的宏观经济下行压力有较好的预测作用,这些指标融合了公司财务数据甚至专家判断,涵盖的信息更充分,但时效性略差。第三,基于关联性的度量方法主要包括利用多元GARCH模型测算各市场或机构之间的相关性[15-16]、Copula函数计算资产之间的尾部相依性[17-18]以及IMF[19]提出的网络模型法。第四,基于宏观总量的度量方法,一方面是度量信贷、资产价格和实际经济活动间的关联性[20-21],另一方面是利用主成分分析方法筛选出影响系统性风险的主要因素[22]。金融风险的产生,从内部来看,主要来自于金融体系的内在脆弱性、复杂性和弱公共品性从而导致的负外部性,Borio[23]、Brunnermeier[24]和Neveu[25]等学者指出,金融体系的顺周期性是导致系统性风险不断累积到爆发的根本原因;从外部来看,国际资本流动的突然减少及预期偏好逆转是导致系统性风险事件发生的重要原因[26-27]。

目前对系统性风险的研究主要集中在对金融机构或金融行业内部的研究,近年来少部分学者对其他行业的系统性风险进行了研究。朱波等[28]在测度行业系统性风险的基础上,对行业特征与行业系统性风险的关系及其与货币政策联系等问题进行了考察,结果发现,金融业系统性风险相对较高,次贷危机后呈下降趋势;矿采业和房地产业等行业系统性风险在部分时期高于金融业;杠杆比率和规模等行业特征对行业系统性风险具有一定解释力。易蓉等[29]以沪深300的10个行业指数为实证对象,利用主成分差分法和幂律分布的长尾特征,预测出沪深300指数CSI300的系统性风险信号发生的3个时点。叶五一等[30]通过构建动态因子Copula模型对行业的日收益率数据进行了动态相关性分析,并基于风险预期占比度量了中国行业之间系统性风险的溢出效应,结果发现,各个行业指数收益率之间存在较强的关联性,就单个行业来说,化工行业与其他行业关系最为不稳定;就金融与非金融行业而言,金融行业对非金融行业的影响较大且较为平稳。对系统性风险影响因素的研究方面,陈志国等[31]认为,股票市场的扩容率及政策变化是影响系统性风险的重要因素;王妍等[7]则认为,金融机构的规模和杠杆率两个特征变量对系统性风险贡献的影响最显著;王擎等[32]的观点相似,他们认为杠杆率高、盈利能力强和业务复杂程度高的商业银行具有更高的系统性风险贡献;张天顶等[33]则发现,银行规模、股权市账比、非利息收入及银行系统的波动率均对单个机构面临的系统性风险有影响。

可以看到,学者对行业系统性风险展开的研究尚未取得一致性的结论,且普遍是遵循之前的思维,即将行业区分为金融行业和非金融行业。但是实际上,系统性风险并不只是由于金融行业本身而导致的,部分高负债型行业,如材料行业、房地产行业,对整体系统性风险的贡献同样很高,研究这些行业系统性风险的基本特征及其影响因素,对于防止金融风险扩散同样具有重要意义。目前对行业系统性风险进行测度,常见的有朱波等[28]对行业中所有企业的风险贡献度进行平均的方法,也有沈悦等[34]和叶五一等[30]直接采用行业指数的日收益率数据进行分析的方法。考虑到本文所选行业指数较多,因此拟借鉴叶五一等[30]的方法,采用Co VaR和MES方法对巨潮行业指数的日收益率进行分析,以得到行业系统性风险的静态和动态特征。同时,选择规模、估值等指标来研究影响行业系统性风险的市场面因素,相对于其他学者从宏观层面或金融机构资产负债表层面选取影响系统性风险的基本面因素,本文从市场角度开展研究,一方面可以更好地反映出投资者预期的变化;另一方面市场数据相对而言更为高频,能够更灵敏地反映出系统性风险的变化。

二、研究设计

(一)条件风险价值Co VaR

Adrian等[6]提出的Co VaR模型可计算单个资产对整体系统性风险的贡献度,计算公式为：

其中,R代表收益率表示在1-α的置信水平下,当金融资产i的收益率R i遭受极端损失时,系统所面临的条件风险价值。

其后将金融机构i的在险风险价值VaR i和收益率中位数R i,med代入分位数回归模型,分别可获得金融机构i处于极端损失和正常收益水平时,股票市场系统的条件风险价值：

利用式(3)与(4)可获得金融机构i对系统性风险的贡献度：

(二)边际期望损失MES

Acharya等[8]提出的系统性期望损失SES与边际期望损失MES用以度量市场陷入系统性危机和未陷入危机时,单个金融机构对整个金融系统风险的边际贡献程度。

其中,#days表示市场表现低于α分位所对应的总时间。

(三)样本选取及描述性统计

本文主要考察A股各行业对整个股票系统的风险贡献,选取沪深300指数作为A股整体市场的代表,巨潮行业指数将所有股票划分为能源、材料、工业、可选、消费、医药、金融、信息及公用9个行业,相对于申万将行业细分为28个行业,巨潮行业指数对行业划分的规模更为合适,更便于分析各行业的系统性风险,因此选择巨潮行业指数作为研究对象。为了保证样本时间周期足够长,选择2005年1月至2018年7月间沪深300指数及巨潮行业指数的所有周数据进行分析,对指数收益率的衡量采用对数收益率法,计算公式为：r t=100×ln(P t/P t-1),其中P t和P t-1分别为t时刻和t-1时刻的指数价格。表1报告了沪深300指数及巨潮行业指数周收益率的描述性统计情况,从均值来看,消费行业和医药行业的收益率最高,而能源行业的收益率最低,因此如果选择单一行业进行长期投资,消费行业和医药行业是最佳的选择;中位值的结果与均值相类似,唯一的区别是信息行业,该行业均值并不高,但是中位值却最高,说明信息行业容易出现较大的亏损,这从信息行业5%分位值最低可以看出;从偏度上看,沪深300指数及所有的行业指数均为负值,说明中国股市总体亏损的周数更多;所有指数的峰度均大于3,说明所有的序列均是尖峰厚尾的,符合金融时间序列的一般特征。

表1 指数周收益率的描述性统计情况

三、实证检验

(一)系统性风险的静态分析

对全样本进行静态分析,以判断所有行业的系统性风险,表2和表3分别报告了在整体样本区间内行业指数的Co VaR和MES值,为了使结果更为稳健,对每种系统性风险测度方法均取了0.1、0.05及0.01置信水平。从表2可以看到,对于Co VaR而言,材料、工业和金融3个行业的系统性风险相对较高,其中在0.1和0.05置信水平下最高的是金融行业、在0.01置信水平下最高的是材料行业;消费、医药和信息3个行业的系统性风险相对较低,其中在0.1和0.05置信水平下最低的是医药行业、在0.01置信水平下最低的是消费行业。从表3可以看到,对于MES而言,材料、工业和信息3个行业的系统性风险相对较高,其中在0.1和0.05置信水平下最高的是材料行业、在0.01置信水平下最高的是工业行业;消费、医药和公用3个行业的系统性风险相对较低,其中在0.1和0.05置信水平下最低的是消费行业、在0.01置信水平下最低的是医药行业。综合来看,两种系统性风险测算方法下的大部分结果相似,但是也有一些差异,如在Co VaR下信息行业的系统性风险较低,在MES下信息行业的系统性风险较高;而总体来看,材料行业的系统性风险最高,消费和医药行业的系统性风险最低。

表2 行业指数CoVaR的静态分析

表3 行业指数MES的静态分析

(二)系统性风险的动态分析

1.Co VaR的动态分析。静态分析可以观察到所有行业系统性风险的整体状况,但是由于市场是动态变化的,各行业指数的系统性风险也应该是动态变化的。采用50周作为滚动周期来计算分位数回归系数,并进而计算各行业指数的Co VaR值,表4报告了各行业指数动态Co VaR值的描述性统计及行业间Co VaR值的相关系数。可以看到,材料行业的系统性风险最高,其次是公用行业和金融行业;医药行业的系统性风险最低,其次是信息行业和消费行业。从相关系数来看,所有行业系统性风险间的相关性均较高,其中最低的是医药行业和金融行业,相关系数为0.64,在1%水平下显著(限于篇幅,在表4中未注明显著性)。为更好地观察各行业Co VaR的动态变化趋势,将系统性风险最高的材料行业和系统性风险最低的医药行业的趋势描述如图1所示(为避免图形看起来过于混乱,只列出了两个行业的Co VaR值变化趋势)。可以看到,两者的走势大体相似,只是医药行业的Co VaR值一直低于材料行业的Co VaR值;从变动趋势来看,行业系统性风险在2009年年初和2016年3月呈现出两个峰值,2009年年初是由于受到美国次贷危机的传染,2016年3月则是受中国股灾的影响,且美国次贷危机期间中国行业系统性风险峰值更高,说明各行业系统性风险的变动状况与国内外宏观金融环境大体相关。

表4 行业动态CoVaR值的描述性统计及相关性分析

2.MES的动态分析。同样采用50周为滚动周期计算各行业的动态MES值,表5报告了各行业动态MES值的描述性统计及相关性分析结果。可以看到,以MES来衡量,金融行业的系统性风险最高,其次是材料行业和工业行业;医药行业的系统性风险最低,其次是消费行业和公用行业。综合Co VaR和MES的动态结果来看,材料行业和金融行业的系统性风险最高,医药行业和消费行业的系统性风险最低,这与静态分析的结果略有出入,因为金融行业的静态MES并不高。相关性分析结果仍然显示医药行业和金融行业的相关性最低,为0.39,低于Co VaR的0.64,且MES相关系数总体数值要比Co VaR低。相关性分析的结果也从侧面验证了,目前在股市中最好的配置方式是选择金融行业和医药行业共同配置,可以有效分散风险。图2同样报告了材料行业和医药行业的动态MES变化趋势,可以看到,行业MES在2009年年初及2016年3月同样处于较高的水平,但是MES的变动跳跃性更多,不如Co VaR平滑。

图1 材料和医药行业Co VaR值的动态变化趋势

表5 行业动态MES的描述性统计及相关性分析

图2 材料和医药行业MES值的动态变化趋势

(三)行业系统性风险的影响因素分析

1.变量选取及单位根检验。通过动态计算所得的Co VaR和MES,虽然在数值上存在着差异,但是两者之间的相关性极高,经计算,9个行业的动态Co VaR和MES的相关系数在0.65～0.78之间,且均在1%水平下显著,均值为0.72(限于篇幅,具体结果未列出)。采用Co VaR和MES衡量系统性风险并无显著差异,从图1和图2可以看到Co VaR值更为平滑,因此在本节采用Co VaR作为行业系统性风险的代表,下节将利用MES来进行稳健性检验。由于Co VaR是通过收益率数据计算出来的,因此借鉴资产定价的CAPM模型及多因子模型等,选择行业流通市值(Value)、市净率(PB)、净资产收益率(ROE)、动量(Mom)和流动性(Liq)等来分析行业系统性风险的影响因素[35]。其中,Value因素在原数据的基础上取对数,PB因素和ROE因素直接由数据库获得,Mom因素为50周的收益率;Liq因素为借鉴Amihud等[36]的研究,采用当周涨跌幅绝对值除以成交总量计算得到,但实际上是个反向指标,即Liq因素数值越高,流动性反而越差。

由于只能收集到2011年12月2日后的行业数据,因此本节采用2011年12月2日至2018年7月27日的所有周数据进行分析,共341周。在对面板数据进行回归分析前,首先需要对变量的平稳性进行分析,只有平稳的数据才可以直接建立回归方程,而不平稳的数据则需要在通过协整检验的基础上方可进行回归分析,否则容易造成伪回归等现象。这里采用LLC、IPS、Fisher-PP及Fisher-ADF等多种方法对变量的平稳性进行共同检验,表6报告了Co VaR、MES、5个影响因素变量及部分变量的一阶差分序列的平稳性检验结果。从结果上看,Co VaR、MES、Value及PB 4个变量的原序列均不平稳,但是它们的一阶差分序列均是平稳的;ROE、Mom及Liq 3个变量则是平稳的。因此在进行回归分析时,应使用△Co-VaR(△表示一阶差分,稳健性检验采用△MES)、△Value、△PB、ROE、Mom及Liq 6个变量建立模型。

表6 变量的平稳性检验结果

2.面板回归结果分析。表7报告了变量的面板回归结果,其中△Co VaR为被解释变量。由于面板回归包括随机效应和固定效应两种,因此表7中将两种效应的回归结果均列出,然后通过F检验及Haus-man检验的结果来选择最合适的模型。同时为了使模型拟合结果更优,表7还列出了动态面板的回归结果。其中,模型(I)和(II)为普通面板回归结果,模型(III)—(VI)为动态面板回归结果;模型(I)(III)(V)为固定效应面板,模型(II)(IV)(VI)为随机效应面板;模型(V)和(VI)为剔除了原模型中不显著变量的回归结果。从F检验和Hausman检验的结果来看,随机效应比固定效应拟合效果更优;从动态面板和普通面板的回归结果来看,动态面板的拟合效果更优。从最后的拟合结果(模型VI)来看,动量和流动性对行业系统性风险变动有正向影响,市净率变动及流通市值变动对行业系统性风险变动有负向影响。由于流动性因素的计算方式为反向指标(即实际上是非流动性指标),而估值和流通市值的一阶差分变化更多是由指数短期的涨跌幅决定,因此最终有效的4个变量主要反映市场交易行为方面的影响因素,即当行业指数短期涨幅较高、长期涨幅较低及流动性较充分时,行业系统性风险将会相应降低。短期涨幅高,说明投资者在近期较为看好;长期涨幅较低,说明行业累计的风险相对较低;流动性较充分,则行业指数的波动将会降低,模型回归结果能够获得较好的经济解释。模型的R2仅为3.54%,说明指数涨跌幅及流动性虽然对行业系统性风险有显著的影响,但是还有更多的影响来自于行业外部,如宏观经济环境、货币政策变动、整体市场环境等,这是接下来值得进一步探讨的方向。

表7 系统性风险的面板回归结果

3.稳健性分析。为了保证结果的稳健性,表8报告了采用△MES为被解释变量的检验结果,其他解释变量与表7相同。从回归结果可以看到,除了动量效应在稳健性检验中不显著之外,其他变量的回归结果与表7的结果相似,即流动性对行业系统性风险变动有正向影响,市净率变动及流通市值变动对行业系统性风险变动有负向影响。由于MES的衡量方法与Co VaR有差异,因此在回归具体系数上,表7和表8的结果有差异,但是不影响对最终结果的分析。总体来看,结果是稳健的。

表8 稳健性检验结果

四、结论与讨论

采用2005年1月至2018年7月间沪深300指数及巨潮行业指数的所有周数据,运用Co VaR和MES指标分析了9个行业系统性风险的静态和动态特征。结果发现,两种指标计算的结果大体相似,无论是静态结果还是动态结果,材料行业的系统性风险最高,而消费行业和医药行业的系统性风险最低;金融行业的系统性风险从静态角度来看虽然不高,但是从动态视角看却仅次于材料行业。从动态趋势上看,行业系统性风险在2009年年初和2016年3月呈现出两个峰值,且2009年年初的峰值更高;同时也可以看到,各行业系统性风险间的相关性较高,金融行业和医药行业的相关性相对来说是最低的。随后采用面板模型分析行业系统性风险的市场面影响因素发现,当行业指数短期涨幅较高、长期涨幅较低及流动性较充分时,行业系统性风险将会相应降低。本文的研究结论与朱波等[28]以及叶五一等[30]学者的研究具有相似的地方,但是在风险特征及风险影响因素等方面进行了深化和进一步分析,对行业系统性风险的分析相对来说更为充分和系统,是相关理论的有益补充。

本文的研究对于金融风险的防范和监管具有一定的参考价值和意义,主要包括以下三个方面：一是应加强对系统性风险较高行业的审慎监管,如材料行业和金融行业。金融行业是现代经济的核心,其一旦爆发风险,会对整个经济体系带来巨大的冲击;材料行业作为其他行业的上游,其风险极容易从行业链条上扩散到其他行业。这些行业系统性风险高,风险容易向其他行业进行传染,相对于医药和消费等风险较低的行业,在监管上应给予更多的重视,如加强对这些行业杠杆率的监管要求、提高这些行业公司上市的标准等。二是应建立好金融防火墙,防止外部重大金融危机的过度传染。外部冲击与国内金融市场风险、机构风险、实体经济风险等相互交织、彼此传染,会使得由单个市场或局部风险引起连锁冲击而导致系统性风险发生的概率不断提升。因此,应抑制短期跨境资本频繁流动,完善跨境资本流动的风险监测预警指标体系,建立相应的监管体系,加快相关法律法规建设,整治和规范金融市场的交易行为,强化金融机构防范系统性风险的主体责任;并且坚持汇率市场化,短期内维持外汇市场稳定,中期建立市场化外汇制度,加强人民币国际化进程,强化本外币政策的协调管理。三是加强对各行业的实时监控,设立日常的风险监测、分析体制,同时设计若干个风险监测的量化指标。通过量化的指标、市场的交易行为等因素对市场系统性风险的大小进行判断分析,及时采取相应的策略,防止系统性风险的发生。