基于关联网络的系统性金融风险测度及时变特征研究

朱莞，周瑛

(安徽大学，安徽 合肥 230601)

有效度量金融市场的系统性风险并识别其时变特征有助于提高监管效率。随着金融开放的日益深化、金融业经营的深入发展，我国银行、证券、保险等金融机构的资产交叉性和同质性不断增强，金融系统各组成部分形成交织复杂的关联网络。在国际政治局势紧张的背景下，系统性金融风险的关联性和突发性特征尤其显著。金融关联网络的“乘数效应”使得系统性金融风险冲击如同“多米诺骨牌”极易产生巨大的负面溢出效应并伴随着剧烈的流动性紧缩。如同2019年5月6日，美国总统特朗普突然发表推特称准备对中国商品加征进口税，接着中国股市就大幅跌落至6%，金融风险波动的突发性特征则要求系统性风险的度量尤其需要考虑突发性冲击因素的作用。传统金融学理论模型通常在平稳随机过程的基础上采用连续扩散假设，极少以“未预期”冲击也就是预期和实际之间的差距的角度探究系统性金融风险的非线性联动机制[1]。诚然，系统性金融风险的形成原因极其复杂，就目前技术而言难以精准预测。但通过分析金融机构在面临突发冲击时的风险联动特征，有针对性地进行差别化监管工作，提前预防并将其控制在可承受范围内是十分必要的。因此，从“未预期”冲击关联的角度研究中国金融行业间系统性风险的时变特征具有重要的现实意义。

一、系统性风险测度方法的文献综述

系统性风险研究主题在2008年经济危机后从理论走向实际，并伴随着鲜明的突发性、关联性和负外部性等特征。其关联性特征得到大量学者重视，并成为主要研究载体，主要包括以下两个方向。

(一)基于不同关联特征的测度方法

金融机构间关联性的度量指标根据所使用数据类型的不同，可分为直接关联和间接关联。前者基于支付结算等经营业务数据，后者基于股票价格等金融市场数据。直接关联可以清晰地刻画违约及联合降价抛售资产等具体的风险传染机制，间接关联则关注金融机构由于持有类似资产而通过资产价格媒介形成的共同风险敞口[2]。间接关联在刻画金融机构相关性上有三点优势：第一，由于金融市场数据具有高频性和公开性，因此间接关联的刻画更具有时效性。而直接关联使用的经营业务数据的频率较低，时效性差。第二，间接关联不局限于某一特定的关联形式，从更抽象的角度描述了综合、全局性的风险关联机制，而直接关联只能描述某一具体关系下的风险传染机制。第三，间接关联网络更能清晰描述由资产价格变动引起的巨大外部效应[3]。而直接关联难以完全刻画经济危机带来的强负外部性[4]。

(二)基于不同代理指标的测度方法

间接关联的测度方法依据个体代理指标的不同，可分为基于收益率、基于尾部风险和基于波动率指标等。基于收益率得到的个体风险是方差风险溢价，容易受到时变风险偏好程度影响。基于尾部风险得到的概率分布的分位数，具有不可叠加性而对损失规模不敏感。而波动率数值有长期记忆性，能够持续监测由于外生冲击对风险事件的影响，且更能反映在压力时期金融资产的风险状况或者收益不确定性。以上基于代理指标的研究都从不同的角度通过刻画金融机构间的相互关系来测度系统性风险[5]。在收益率方面，杨坚采用广义差分分解构建了包括银行、证券和保险在内的多类型机构的收益率关联网络[6]。在尾部风险方面，Cathy等人提出尾部事件驱动的网络分位数回归模型(TENQR)，分析压力状况下网络结构与风险分布的关系[7]。在波动率方面，胡利琴等人利用VAR-NETWORK模型构建了我国上市银行的波动关联网络[8]。

上述研究的不足主要在于测度方法上对系统性风险的突发性特征关注不够。尽管有少量研究使用波动率作为机构风险的代理指标[9]，但没有将其进一步分解为长期趋势和预期波动，忽视了对突发性风险冲击的测度。因此，本文从一个新的视角出发——基于已实现波动率未预期到的部分之间的关联来量化系统性风险，具有一定的创新性。

二、数据来源及系统性风险测算方法

首先介绍研究样本的范围和数据来源，其次说明基于未预期波动率的系统性风险测算办法和具体计算步骤。

(一)数据来源

本文研究样本为沪深A股上市的65家金融机构(为保证样本数据的连续性，剔除在2012年5月10日以后上市的金融机构)，并参考2019年证监会行业分类标准将金融行业分为四类子行业，包括货币金融服务、资本市场服务、保险和其他金融。数据来自RESSET数据库各金融机构股票收盘价的5分钟高频数据。本文将ARFIMA模型参数估计的滚动窗口长度设为400天，计算相关系数的滚动窗口长度设为201天，所需样本时间跨度是2012年5月10日至2019年6月3日共1 720个交易日，实际研究时间跨度是2014年1月2日至2018年12月28日共1 220个交易日。如果某股票在上述交易时间段内因停牌等原因没有更新收盘价格数据，则将该金融机构在该时段与其他机构之间的相关系数设为0。

(二)系统性风险的测算方法

本文采用矩阵形式描述金融机构风险关联的网络，矩阵中的元素是金融机构未预期波动率的相关系数，通过求解关联矩阵特征值获取各机构和行业的系统性风险值。具体步骤如下。

1.计算未预期波动率

(1)

(2)

RV'jt～ARFIMA(p,d,q)

(3)

(2)式中RVjt是年化的日已实现波动率，t是具体的交易日，rjti为金融机构j在第t个交易日内第i个时间段的收益(i= 1，…n)，使用日内高频收益的平方和估计[11]。(3)式的ARMA(p，q)部分刻画时间序列的短期特征，分数阶差分参数d则反映其长期趋势。根据Luciani等人的研究[12]，ARFIMA(1，d，0)是对已实现波动率长记忆特征较为精确的表示，故本文将(3)式的p取1，q取0。分数阶差分参数d通过Hurst指数来求解，参数估计通过滚动窗口的方式进行。Hurst指数由重标极差分析方法(R/S)计算得出，即d=H-0.5。

2.构建金融机构风险关联的矩阵

关联矩阵中的元素是两两机构间未预期波动率的相关系数，将金融机构k与金融机构j未预期波动率在t时刻的相关系数记为ρkjt，则有:

(4)

(5)

(4)式的ρkjt的采用滚动窗口计算互相关。(5)式中Ckjt是三维关联矩阵Ct的元素，表示机构k和j在时间t时的关联强度，是相关系数ρkjt归一化后的结果。

3.测度行业系统性风险水平

由于系统性风险形成的特征之一是整个系统风险的累积，结合《SIFI政策框架》对系统性风险的定义，本文设定行业的系统性风险值是该行业内各机构系统性风险的平均值，金融机构的系统性风险是其他与该金融机构相关但不包括该金融机构的系统性风险的加总。将金融行业在t交易日的系统性风险记为GSt，k机构在t交易日的系统性风险值记为Skt，则有:

(6)

(7)

(6)、(7)式N分别表示金融子行业、金融系统包含的机构数量，(7)式Sjt表j机构时间t的系统性风险值，当k和j表示同一金融机构时，(7)式可表示为St=Ct·St，设定金融机构不将风险传递给自身，则Ckkt=0。St为时间t时系统风险值的N×1向量，Ct为时间t时的主对角线上为0的N×N，解出St为Ct特征值为1时对应的特征向量，即金融机构的系统性风险值。

三、实证过程及结果分析

本文将金融系统分为货币金融服务业、资本市场服务业、保险业和其他金融业(为表述方便，下文分别用符号J66SR、J67SR、J68SR、J69SR表示)，按照前文所述方法计算得出2014年1月至2018年12月中国各金融机构和子行业的系统性风险值，分别从微观和宏观两个层面对金融机构系统的重要性及金融子行业的系统性风险的时变特征进行分析。

(一)金融机构系统重要性的时变特征

为了从微观层面上探究各类金融机构系统重要性在不同年份的时变特征，本文从系统性风险排名的平均值和标准差两个维度对其进行分析，绘制2014年至2018年5年的65家金融机构系统性风险排名平均值(x轴)-标准差(y轴)散点图(排名从0开始，0表示的是第一位，以此类推)，见图1。

注：“□”表示货币金融服务机构，“○”表示资本市场服务机构，“+” 表示保险机构，“*” 表示其他金融机构

结合具体的金融机构名单和数值可发现，同类金融机构具有较稳定的总体特征，在风险高发年份的特征更为明显，体现在以下三个方面。

第一，银行主要集聚在散点图原点附近，包括中国银行、工商银行、兴业银行和农业银行等，其均值水平最高且比较稳定。银行在2015年靠近原点的机构明显增多且更加密集，排名前20的数目从2014年的9家增加到2015年的14家，2016年横坐标最左端的银行数量开始下降，到2017年和2018年的数量在10家左右。这表明银行在整个金融系统中始终是最具有系统重要性的，也是系统性金融风险威胁的主要来源。银行之所以有如此显著的系统重要性与其重视银行间业务的经营方式密不可分。不断扩张的同业业务不仅造成资产端与负债端期限错配严重，增加流动性风险，也延长了其传染链。第二，证券机构集中在图中散点分布呈倒U型曲线的顶点附近，具有较高的系统性重要性和标准差。因此，证券机构排名情况非常不稳定且往往被忽视，在外部风险的冲击下很容易从低风险转为高风险状态。在不同年份，证券机构在横坐标的数值变化不明显，但在纵坐标数值上变化较大。在2015年和2016年有大量证券机构的纵坐标数值非常大，在2014年、2017年和2018年虽然纵坐标数值不及2015年和2016年的高，但是与其他行业的金融机构对比也相对较高。第三，在整个样本期间，保险机构始终是位于散点图横坐标的最右侧且纵坐标数值也非常低。但不是所有的金融机构都严格遵循上述散点分布特征，比如贵阳银行尽管是金融货币市场服务业机构，但它的系统重要性排名很低而且较为稳定。

(二)金融子行业系统性风险的时变特征分析

本文通过对2015年至2018年4类金融子行业风险走势的比较，从宏观层面分析系统性风险的时变特征。首先，本文依据前文公式(6)(7)计算金融子行业的系统性风险值，并对其进行描述统计，见表1。

表1显示，从各行业系统性风险序列描述统计的平均值和标准差看，货币金融服务业较为稳定，资本市场服务业出现极端系统性风险的可能性更大，保险业则最稳定。4项时间序列的偏度系数都大于零，表明这些时间序列的分布不对称且皆呈右偏，各金融子行业处于高风险状态的时间更长，系统性金融风险在不断积累。J—B统计数值较大，表明其序列均不服从正态分布假设，各金融子行业系统性风险呈现出非规律化的波动。

表1 时间序列的基本统计特征

其次，为了考察四类金融子行系统性风险时间序列之间是否存在单向或双向的影响关系，本文采用格兰杰检验方法进行验证。为防止出现伪回归的问题，在此之前需要对各变量进行单位根检验，本文使用ADF单位根检验法分别检验2014年1月至2018年12月中国四类金融子行业系统性风险指数时间序列的平稳性，检验结果见表2。

表2 ADF单位根检验

表2显示，J66SR、J67SR、J68SR原时间序列ADF检验结果为非平稳，对4条时间序列经过一阶差分处理后均通过平稳性检验，一阶差分后的时间序列可解释为以天为时间单位的金融子行业系统性风险增长速度，故本文取原时间序列的一阶差分序列进行下一步研究。一阶差分后的4个时间序列在检验之前需先确定VAR模型的滞后期，根据SC信息准则，可得到VAR模型的最优滞后阶数为2，VAR(2)模型AR单位根的检验结果见表3和图2。

表3 AR单位根检验结果

图2 VAR(2)模型的AR图

表3和图2显示，建立VAR(2)模型的全部特征根均落在单位圆范围内，故VAR(2)模型是稳定的。在得到最优滞后阶数后，本文对4个变量进行格兰杰因果关系检验，检验结果见表4。

表4显示，货币金融服务业、资本市场服务业、其他金融业系统性风险指数增速分别在10%、1%和5%的置信水平下是保险业系统性风险指数增速的格兰杰原因，货币金融服务业和保险业系统性风险指数增速均在1%的置信水平下是资本市场服务业系统性风险指数增速的格兰杰原因，资本市场服务业系统性风险指数增速在1%的置信水平下是货币金融服务业系统性风险指数增速的格兰杰原因，这说明四类金融子行业间系统性风险增速具有较为明显的联动效应。

表4 格兰杰因果关系检验结果

最后，为了进一步明确各金融子行业和金融业系统性风险水平随时间的波动特征，本文使用HP滤波法对金融子行业系统性风险波动周期进行分析，绘制2014年至2018年四个金融子行业的系统性风险指数波动趋势图，见图3。

注：黑色粗实线表示金融业的系统性风险指数序列，灰色粗虚线和黑色细虚线分别表示由HP滤波得到的周期项和趋势项

图3显示：第一，金融子行业系统性风险指数趋势项走势的相似性表明，系统内金融机构共同经历的未预期波动性冲击在子行业中不断累积并扩散，系统性风险不断增加。各行业系统性风险指数在2014年中期至2015年中期呈现一致的上升走势。在2018年，图3中b图、d图显示资本市场服务和其他金融业系统性指数也同时呈现上升走势。2014年上半年，各金融子行业的系统性风险稳定在一定水平，此时积极的财政政策和适度宽松的货币政策一定程度上维护了金融稳定，但不断膨大的影子银行和金融创新工具也在放大杠杆率，给2015年中期各金融子行业的系统性金融风险的大幅攀升埋下伏笔。经过2016年和2017年的下调之后，2018年系统性金融风险又有上升趋势，一方面是因为在经济增长减速的背景下，中美贸易摩擦等国际环境的冲击给中国金融市场带来恐慌情绪和悲观预期。另一方面是在金融严监管的背景下，去杠杆过猛、“大资管”治理过强、房地产调控过严导致中小企业在融资方面严重承压，致使各金融子市场的不确定性增加。

第二，金融子行业系统性风险指数周期项波幅的缩小表明金融市场上存在一定的风险阻断措施，尤其在系统性风险指数值较低的时期，尽管金融机构仍然面临较大压力，但行业间的“过度关联”已经开始断裂。图3中b图、d图显示资本市场服务和其他金融业与整体金融业系统性指数周期项与线性趋势偏差较大，表明这两类行业对政策调控和风险感知更加灵敏，在压力时期的不确定性也更加明显。在2015年“股灾”事件爆发后，证监会开始大力整顿非法场外配资并实行去杠杆，导致大量配资在短期内抽离股市，其他非银行金融业的资金也不断从证券市场外逃，削弱了资本市场服务业、以多元投资为主的其他金融业与金融市场的关联强度。2016年、2017年各行业的系统性风险都出现明显的震荡下降走势并维持在较低水平，这与政府大力推行风险防控措施密不可分。一方面，金融监管部门推出各项去通道政策，让原本构成银行、证券、信托等金融机构的盈利空间被严重挤压，抑制了不同金融行业间资金的流动速度和流动量。另一方面，“资管新规”等严监管金融政策的出台及现场检查等措施的落实，迫使大部分表外业务回归表内，降低了不同金融行业间的时变联动性。

各金融子行业系统性风险走势“同增同减”的特征表明，金融机构是否盈利或亏损并不是系统性风险爆发的关键因素，而是当其因缺乏多样化经营而在面临突发冲击时表现的趋同性，即关联强度朝同方向迅速移动。实际上，各股票波动率之间的关联性显著增强的背后是大量股市投资者的趋同性行为，这伴随着愈演愈烈的市场恐慌和流动性紧缩，需要政府从宏观层面推行强有力的政策调控。

四、基于统筹协调的系统性金融风险防范建议

风险是客观存在的，从目前的技术层面来看难以预知并完全避免。但通过分析对金融机构系统重要性及行业系统性风险的特征，把握其历史时变规律，有针对性地加强系统性风险监管工作，提前预防并将其控制在可承受范围之内是切实可行的。对此，本文分别从微观和宏观两个层面提出具体建议。

一方面，在微观监管上要明确重点对象，落实差异化风险监控策略。根据不同金融机构的系统性重要性程度选择针对性的监管目标和工具。一是重点关注货币金融服务类中规模较小且排名不稳定的机构，主要是城市商业银行。中小银行在早期的激进式扩张主要是通过同业负债进行，有的中小银行包括同业存单在内的同业负债占比甚至超过50%，存在巨大的流动性隐患，因此需要加强对中小规模银行的流动性风险的监管工作。二是规范证券机构的信息披露行为。我国证券市场还不成熟，尽管证券监管部门致力于信息披露制度的建设，但在实践中违规行为受到处罚力度不够。资本市场服务业系统性风险的高波动性以及2015年的“股灾”事实，表明投资者的羊群效应和过度投机极易造成的股价暴涨和泡沫。而信息披露制度是金融机构向投资者全面沟通的桥梁，投资者可以更加真实、全面、及时地获取投资信息，一定程度上可以减轻投资者的羊群行为和过度投机。三是挖掘保险机构的风险阻隔和担保能力。保险业系统性风险水平最低且最为稳定，可以提供有效担保避免当危机事件发生时大量利益群体受到直接损害。中国是银行主导的金融体系，截至2018年银行资产占据了中国金融资产的90%，一旦银行发生倒闭将造成巨大损失。因此存款保险制度的落实对防范金融系统性风险具有十分重要的意义。尽管存款保险制度已经出台，但是赔付最高限额、差别费率等问题还需要进一步探索。

另一方面，在宏观监管上要深化金融供给侧结构性改革，合理引导投资流向和市场情绪。根据不同金融行业系统性风险历史时变特征选择合理的政策引导措施。一是推动金融市场差异化发展。我国银行与证券、保险、信托等金融机构之间的职能分工日益模糊并趋于提供同质的或类似的产品或服务，这种金融同质化会加剧金融市场在面临突发冲击时未预期波动水平和幅度的关联性，增加金融体系爆发金融危机的可能性。可以发展金融科技为契机，探索金融市场多元化经营模式，精准服务于国内实体经济。二是将关联度指标纳入具体的金融监管政策中，构建各金融机构之间及其与金融市场之间的“防火墙”。采取适当的阻断机制及时隔离爆发风险的金融机构和金融子市场，能够减少金融风险传染的关联渠道，缩小金融市场关联共振、叠加的风险敞口。三是重视信息舆论的引导功能，逐步建立和完善金融舆情监测制度，抑制负面信息的传播加速器效应与滚雪球效应，降低非理性因素扰乱金融市场的运行。