中国系统性金融风险信息溢出者是谁

任英华 刘洋 彭庆雪 汤季蓉

[摘 要] 基于SRISK模型测度2009-2019年银行、多元金融、保险和房地产四部门共计240家上市公司的系统性风险，并通过有向网络分析金融机构之间风险信息的溢出效应，研究发现：“h=132天，C=-40%”更加符合我国系统性危机事件定义方式;在风险总量上，银行和保险部门占据重要地位，房地产近年来上升趋势明显;在风险信息传导上，银行是重要的长期风险信息溢出者。

[关键词] SRISK;系统性金融风险;蒙特卡罗方法;有向格兰杰因果检验;风险溢出网络

[中图分类号]  F224; F832.59   [文献标识码] A   [文章编号] 1008—1763（2021）03—0049—11

Abstract：On the basis of establishing the SRISK model to measure and analyze the systemic risk in the large financial industry composed of 240 listed companies in four sectors of bank， diversified finance， insurance and real estate from 2009 to 2019， and the spillover effect of systemic risk information among financial institutions is analyzed through directed network. It is found that the definition "h=132 days， C=-40%" is more consistent with the systemic crisis events in China. Besides， the banks and insurance play important roles in the system risk amount， and the real estate industry has an obvious rising trend in recent years. Furthermore， in terms of the transmission of risk information， bank industry is an important long-term risk information spiller.

Key words： SRISK; systematic financial risk;Monte Carlo method; directed granger causality test;risk spillover network

一 引言及文献综述

受全球新冠肺炎疫情冲击，2020年3月9日至3月18日美股市场4次触发“熔断”，创下1987年“黑色星期一”以来的最大单日跌幅，欧美发达国家实体经济恶化，金融环境出现动荡。由于金融机构之间通过业务和产品相互关联，部分金融机构的个体风险容易“传染”给其他机构甚至整个行业，如果不能有效挽救一个公司的财务危机，债务将蔓延整个金融和实体经济。因此，正确认识当前金融体系中的系统性金融风险，分析风险信息的传导特征对金融机构自身运营和宏观审慎监管具有重要的理论价值与现实意义。

在系统性风险的测度上，从传统的VaR（Value at Risk）风险价值到条件风险价值（CoVaR），再到边际期望损失，它们都有较大贡献。VaR是根据置信水平对应的收益率尾部分位点来估计持有期内的最大损失。VaR尽管计算简便，但不具有次可加性，可能会高估组合资产的风险。Adrian和Brunnermeier提出了条件风险价值，即金融系统在机构陷入困境时的风险价值，其将一个机构对系统风险的贡献ΔCoVaR定义为处于困境和中间两种状态的CoVaR差值[1-2]。Acharya 等人在预期损失（ES）的基础上，提出系统性期望损失（SES）和边际期望损失（MES）来度量系统性风险[3-4]。

进一步地，Acharya 等人给出资本损失（CS）的概念，在此基础上提出SRISK模型并推导出理论公式[5]。SRISK模型度量的是一个金融体系在发生系统性危机事件条件下的预期资本缺口。这种方法综合了金融机构的负债、资本，以及金融机构和市场整体的动态关联性，在模拟发生危机的情况下，对救助金融系统必须提供的资本总额进行了估计，受到国内外学者的关注。例如，Brownless和Engel基于美国市场数据对SRISK进行了数值计算和分析，证实了SRISK能通过排序来确立系统性金融机构，并且SRISK总量有助于预测工业产量和失业率，能够为实际经济活动提供危险的早期预警信号[6]。但陈湘鹏指出，国内部分研究在计算SRISK中间变量LRMES时直接套用Acharya et al.基于美国市场所提出的近似关系“LRMES=1-exp（-18*MES）”[7]，如梁琪等[8]、朱衡等[9]，这与中国实际可能相偏离。此外，在定义系统性危机事件时，国内研究中缺少相应讨论，各自选取的标准不尽相同，如“h=120天，C=-30%”（周强和杨柳勇[10]）、“h=3个月，C=-30%”（史永东等[11]）、“h=6个月，C=-40%”（刚健华等[12]）、“h=57天，C=-20%”（张琳等[13]），这说明目前国内对SRISK的研究不够重视中美金融市场可能存在的差异性，因此有必要结合中国实际来定义系统性危机事件。

在分析风险溢出效应方面，网络分析法（network analysis）作为一种交叉学科的技术，正广泛应用于金融经济系统的内在关联分析。针对金融市场间关联性，王雯等以国际市场指数收益率的Kendalls tau相关系数和5个金融子市场的动态相关系数作为信息源，构建了跨境、跨市场的关联网络，研究表明全球金融市场的联动存在显著的时变特征，大宗商品市场、黄金市场、外汇市场与股票市場间存在单向或双向传导关系[14]。针对金融部门风险溢出问题，李政等构建了40家上市金融机构的股票收益率关联网络，结果显示金融机构在危机期间的信息溢出效应强、关联程度高，且自2012年后总体关联性呈上升趋势[15]。Wang等人使用扩展的CAViaR风险度量模型建立美国标普500指数中84家金融类成分股的风险网络，分析表明房地产和银行是极端市场风险的净传播者，而保险和多元化金融是净接受者[16]。杨子晖等以金融业和房地产业中市值前56名的上市公司作为样本，分别使用VaR、MES、CoVaR和ΔCoVaR建立极端风险传染网络，证实了中国资本市场呈现出显著的跨部门风险溢出效应[17]。李政等使用ΔCoVaR和LASSO分位数回归模型来构建31家金融机构的关联网络，研究显示不同金融行业之间，以及不同类型的银行之间风险传染水平具有不对称性[18]。任英华等基于熵权法和万有引力模型构建银行流动性风险网络，研究表明商业银行流动性风险传染机制具有层次传染和反传染性[19]。由此可见，伴随着金融创新及金融业混业经营态势的不断发展，金融机构间的业务范畴相互渗透，关联日益紧密，这使风险在机构间更容易相互传染，“太大而不能倒”的观念正转为“联系密切而不能倒”。

综上所述，现有风险度量模型大多仅仅依赖金融市场收益率数据，风险信息源比较单一，缺乏和金融机构自身经营直接相关的负债、权益等基本面信息，不利于全面、综合的度量风险源。同时，如果将MES或ΔCoVaR作为系统性金融风险评价指标，会使市值规模极小的金融机构得到更多关注，这与审慎监管实务存在严重背离（陈湘鹏等，2019），而SRISK综合规模、杠杆率和互联紧密性，恰好能弥补这些不足。鉴于此，本文以银行、多元金融根据全球行业分类标准（Global Industry Classification Standard， GICS），多元金融涵盖从事综合金融服务、消费信贷和资本市场等业务的机构。、保险和房地产四部门作为大金融业的主体，在对比中美金融市场收益率分布和尾部特征基础上，明晰中国市场环境下危机性事件的定义，采用Brownlees和Engle（2017）的SRISK模型测度2009-2019年我国银行、多元金融、保险和房地产四部门共计240家上市公司的系统性金融风险，并将其作为风险网络的信息源，分机构、分部门剖析风险溢出网络特征。本文的贡献主要有以下两点：一是在分析中美收益率分布特征的基础上，结合核密度估计来定义符合中国实际的危机事件，据此建立SRISK模型，对由银行、多元金融、保险和房地产四部门共计240家上市公司组成的大金融业2009-2019年的系统性风险进行测度和分析。二是针对传统格兰杰因果检验在构建风险溢出网络时只能识别信息影响的有无，而未能区分信息影响同向还是异向的不足，应用有向格兰杰因果检验，并基于SRISK建立反映金融机构之间风险信息正、负影响的有向网络，分析风险信息的溢出效应，有助于更有效地监控和预警系统性金融风险。

二 模型设定和研究方法

（一）SRISK模型构建

1.SRISK理论

SRISK可视为企业债务、权益资本和预期资本损失率的函数。预期资本损失率是由市场在发生危机事件时下跌幅度和机构与市场之间的关联性所决定，被定义为长期边际预期损失（Long Run Marginal Expected Shortfall， LRMES）。SRISK数值由企业资产负债表信息和适当的LRMES估计值计算得到。

SRISK使用预期资本缺口来度量金融风险，而资本缺口的大小反映金融机构的财务困境状况，用公司必需持有的资本储备减去公司的权益价值，资本缺口CSi，t定义为：

CSi，t=k·Ai，t-Wi，t=k·Di，t-（1-k）·Wi，t（1）

其中，Ai，t为准资产价值;Wi，t表示权益的账面价值;Di，t是债务的账面价值;由于各子行业的审慎资本比例k理论上不同，如果将k设置为相同的，会导致各子行业横向对比时产生偏差。本文参照《商业银行资本管理办法（试行）》详见银保监会网站http：//www.cbirc.gov.cn/cn/view/pages/ItemDetail.html？docId=13077&itemId=915&generaltype=0。，将银行业设置为11.5%;依据证监会《证券公司风险控制指标管理办法》及配套规则公开征求意见详见证监会网站http：//www.csrc.gov.cn/pub/newsite/zjhxwfb/xwdd/201604/t20160408_295570.html。，将多元金融设置为16.7%;由于保险业没有具体的风险监管办法，但保险公司通常设置资产管理公司从事保险资产管理业务，根据《金融资产管理公司监管办法》详见银保监会网站http：//www.cbirc.gov.cn/cn/view/pages/ItemDetail.html？docId=60708&itemId=928&generaltype=0。，设置为12.5%;房地产业也没有相应的审慎资本监管方案，借鉴陈湘鹏等（2019）的方式设置为20%。

SRISK模型估计时需重点关注金融体系在发生系统性事件时的预期资本缺口。Acharya 等（2010，2017）对系统性危机事件给出了一个定义，即在时间段h内市场收益率下跌的幅度超过阈值C。本文将立足中国实际，在对比中美市场的基础上具体取值。将t+1和t+h之间的离散型市场总收益率表示为Rm，t+1：t+h，系统性危机事件就可以表示为{Rm，t+1：t+h

SRISKi，t=E（CSi，t|Rm，t+1：t+h

单个机构自身纵向比较或者机构之间横向对比时，可以采用原始的SRISK数值进行比较，而在计算部门或整个金融体系风险总量时，单个机构的SRISK数值需要根据公式（3）进行截断处理，这是因为如果某个金融机构的SRISK为负，尽管其本身处于资本盈余状态，但在危机当中难以迅速地通过并购或贷款调动过剩资本，盈余的资本不一定可以用来直接帮助其他陷入困境中的机构。

结合以上两个层次的统计量，就能够更细致地对风险溢出网络中节点的信息进行分析。

三 样本及数据

（一）样本选取

为了保持结果在国际范围具有可比性，依据全球行业分类标准，金融行业细分为四个GICS行业集团，即银行（GICS代码4010）、多元金融（GICS代码4020）、保险（GICS代码4030）和房地产（GICS代码4040）。样本由36家商业银行、66家多元金融机构、7家保险公司和131家房地产公司组成。由于沪深300指数从沪深两市选取规模大和流动性强的公司作为成分股，具备作为基准指数的稳定性和代表性，能够综合反映中国金融市场的运行情况，因此本文将沪深300指数作为中国市场的基准指数。在对比分析中美市场特征时，因为标普500指数涵盖美国主要金融业公司，而且采样面广、代表性强，故选取标普500指数代表美国市场。

（二）数据说明

从东方财富Choice和同花顺iFinD金融数据终端获取基本面数据和市场数据。计算SRISK所需的公司负债和权益信息，以最具代表性的年报为准，基于2009-2019年最近11年的数据进行测算和分析。为了更好地汲取金融市场信息，市场的数据时间跨度为2002年初至2020年3月13日，总共4413个交易日数据，并将金融机构i在第t天的连续型日收益率表示为ri，t=ln（Pi，t/Pi，t-1），其中Pi，t为金融机构i在第t天的日收盘价，市场基准指数处理方式亦然。

四 实证结果与分析

（一）中国系统性危机事件定义

正如文献综述中所讨论的，中美金融市场从历史背景、制度、市场效率上都存在较大差异，诸如中国市场采取的是涨跌幅限制，而美国市场采用的是无涨跌幅限制同时实行熔断机制等，因此在测算SRISK过程中，对系统性危机事件定义直接套用基于美国市场的文献结论难免显得稍欠妥当。出此考虑，本文以Brownlees和Engle（2012，2017）两个系统性危机事件定义方式“h=6个月，C=-40%”和“h=1个月，C=-10%”中的时间跨度为基准，即分别在h=132天和h=22天两种尺度下，使用区间收益率Rt+1：t+132和Rt+1：t+22分析中美市场的数理特征，进而归纳出符合中国实际的危机事件定义。

经过测算

篇幅所限，描述性统计和分布一致性检验结果的报告从简，留存备索。，h=22天和h=132天时，中国市场区间收益率的均值和标准差都大于美国市场。美国市场呈现左偏尖锋分布，而中国市场则为右偏分布。Jarque-Bera检验结果进一步验证中美市场均不服从正态分布。采用非参数方法的Kolmogorov-Smirnov分布一致性检验，h=22天和h=132天对应的统计量分别为0.16424和0.25942，P值均为0，说明中美市场的分布不同。由于中美市场长、短区间的收益率分布均存在显著差异，因此不能简单地套用基于美国市场的文献结论来定义中国市场的系统性危机事件，需要进一步辨析。

为分析系统性危机事件的定义方式，采用核密度估计方法绘制中美两个市场的区间收益率分布图。核密度估计无需对分布事先进行假定，更加适应来自未知分布的实际数据。核密度方法估计收益率的概率分布为：

（x）=1nh∑ni=1Kx-xih（20）

核函数K（·）选取常规的高斯核12πe12u2，根据Venables and Ripley的建议，使用“SJ”法确定窗宽[25]。

由图1可见，中美市场的分布均呈现一定的尖峰有偏现象，和正态分布有所差别。结合表1和表2，中美市场的整体分布情况确实存在一定差异。根据Brownlees和Engle（2012，2017）的阈值C定义方式，反推出区间收益率对应的分位点，基于此分位点估计得到我国相应的阈值。通过核密度曲线进行测算，本文推测出美国市场在h=22天时定义的阈值C=-10%约处于0.4分位点为了排除数据长度的影响，本文也选取了标普500指数从1988年1月4日至2020年3月14日的数据进行同样的分析，结果相差不大（阈值C=-10%对应的分位点为0.38）。，而在h=132天时定义的阈值C=-40%约处于0.1分位点。基于此分位点估计得到中国市场在h=22天时阈值为-4.3514%，h=132天时阈值为-40.1957%。

区间收益率分位点反映了收益率低于阈值的概率大小，换言之，也就是反映发生系统性危机事件的概率大小。相较之下，“h=132天，C=-40%”的定义方式更加符合危机事件的极端损失，而“h=22天，C=-10%”定义方式高估了危机事件的发生概率。综合以上分析，本文选取在h=132天时，沪深300指数区间收益率的0.1分位点作为阈值，C取-40%。需要说明的是，沪深300和标普500在h=132天时的0.1分位收益率非常接近，差异性没有h=22天时明显，但这并非表明中美市场整体没有差异性。中国市场短期内更容易受到政策干预的“托底”，并且受涨跌板的约束，而美国市场更加成熟。因此，中国短期极端损失没有美国明显，而中长期来看，两者的尾部损失接近，具有一定偶然性。以上分析过程也适用于其他国家和经济地区的系统性危机事件定义分析[26]。

（二）SRISK结果和排序分析

对每家机构滚动估计GARCH-DCC模型，在此基础上进行蒙特卡罗模拟，得到各机构在各报告期时点上的LRMES。将各机构的负债、权益和LRMES值代入公式（2），算得系统性金融风险SRISK测度值，通过式（3）至式（5）即可得到SRISK总量和贡献率SRISK%。

从部门整体来看（表1），银行业的系统性风险最强，这是由银行业规模庞大和在经营时具有高负债率的特性所决定的。银行与各金融行业关联性强，与房地产、保险、多元金融各部门都存在错综复杂的关系，银行发生危机更容易造成整个金融机构的动荡。因此，银行的系统性风险最强也符合实际，近11年来银行SRISK百分比占比达到80%以上。

与此同时，房地产和多元金融的系统性风险均有所增强，分别从2009年的0.75%和0.41%上升为2019年的7.60%和2.28%。特别是房地产，在2018年和2019年超越保险成为系统性风险第二大的行业，这也符合我国近年来房地产业异常活跃的表现。房地产行业系统性风险产生不仅受国内政策影响，与国外经济形势动荡同样息息相关。同时，房地产行业是个资金密集型行业，一旦房地产行业在我国经济市场中表现活跃，其金融系统性风险就会变大。保险部门以保险风险为主，但是随着近年来保险市场与资本市场的融合，保险行业的系统性风险仍然是上升的。保险行业的系统风险占比自2012年起呈现明显的上下波动趋势，从绝对量来看，保险行业的SRISK值仍是小幅稳步上升。多元金融因其规模在四大部门中较小，其SRISK%值并不稳定，在一段时间内呈现上下波动的趨势。从SRISK绝对值来看，随着金融供给侧改革的推进，借助移动互联网的技术加持，传统的多元金融商业模式的改变，多元金融与其他行业的联系加强，其系统性风险也会增加。

从银行来看 篇幅有限，各部门机构的SRISK数值排序没有详细列出。，工、建、中、农、交、邮这六个国有控股的大型商业银行在近11年中，银行业系统风险排名几乎包揽前5。这六家银行都是综合性的大型商业银行，规模巨大，在全国分布密集，业务涵盖广泛且多元，同时六大行之间业务往来密切。就目前来看，六大国有控股的商业银行在我国金融机构中占据主体地位。工商银行凭借其资产规模、盈利能力、存贷款规模、信用卡发卡量、海外业务发展、资管业务规模等占据我国银行业绝对的主体地位，这也使工商银行在银行业中的系统性风险最大。

多元金融行业在11年中风险排名前5的企业发生多次变动。从2010年以来，中航资本、中油资本、中信证券、申万宏源、广发证券这5家企业在多元金融行业中较为活跃。随着申银万国证券与宏源证券在2015年合并组建成申万宏源，越来越多的证券公司采用多种形式上市。自中油资本在2016年底完成资本重组借壳上市以来，中油资本逐渐在多元金融行业中占据风险主体地位，在全行业的SRISK值占比达到18.678%以上，最高达到25.578%。

中国平安是保险业中风险最大的主体，中国平安一家公司的SRISK值占比超过全行业的50%。近年来，保险行业各个公司系统性风险缓慢提高，这是因为随着保险+科技的服务模式的推广，打开了新的销售渠道，降低了经营成本，扩大了保险服务覆盖面，但是新的服务模式使保险公司与资本市场的联系更加密切，债务风险加大，进而使得公司系统性风险加大。

自2012年以来，我国房价开始新一轮的上涨，金融资源向房地产集中致使房价上涨，而房价上涨又促使金融资源向房地产行业集中。尽管国家进行了一系列的政策调控，但房价仍未得到有效控制，这也使得房地产在2018年开始成为系统性金融风险第二大的行业。从机构层面来看，单个公司的系统性风险贡献度相对较小，但仍要小心房地产行业风险可能带来的系统性金融风险问题。

（三）SRISK的风险溢出网络分析

SRISK和SRISK%分别从系统性金融风險总量测度和机构（或部门）对金融体系风险贡献率的角度来分析系统性金融风险的结构。为进一步解析风险信息在机构间和部门间是如何传导的，本文使用有向格兰杰因果检验来建立风险溢出网络进行分析。

1.机构层面分析

图2绘制了以SRISK作为风险信息源建立的有向网络 本文也以SRISK的一阶差分ΔSRISK构建了短期风险网络，限于篇幅并未在文章列出，但短期网络和长期网络具有一定相似性，感兴趣的读者请向作者垂询。，分为风险信息同方向影响和反方向影响的有向网络。受限于模型估计的自由度，在构建网络时，只保留在各报告期均处于上市状态的样本，共计179家，这部分样本在市场上存续时期长，具备较好的代表性。

同属一个部门的金融机构采用同一标志，节点的颜色和输出的有向边用相同的颜色表示，银行、多元金融、保险、房地产的颜色分别为红色、绿色、蓝色和黄色。长期正向和长期负向网络的有向边个数分别为471和454，网络的信息量基本相当，但风险信息影响的方向并非单一的，而是既有同方向又有反方向，机构之间的风险信息传导具有比较复杂的关系，这也说明在识别信息影响方向时，单纯的格兰杰因果检验对此不能区分，必须使用扩展的有向格兰杰因果检验。

图3汇总了长期正向网络和长期负向网络的机构出度kouti和入度kini数据。在长期正向网络中，出度大于等于10的机构有2家银行（华夏银行、平安银行）和5家房地产公司（金地集团、宁波富达、爱旭股份、泰禾集团和荣盛发展），表明这些机构长期风险信息对其他机构的正向影响最大，充当着“风险放大器”的功能。入度大于等于10有1家多元金融机构（渤海租赁）和8家房地产企业（宋都股份、海泰发展、栖霞建设、京投发展、宁波富达、中天金融、美好置业、ST津滨），入度最大的是栖霞建设，达到34，表明该公司极易被其他机构的风险信息正向影响，在面临系统性冲击时很容易陷入资本短缺危机当中。

长期负向网络中，出度大于等于10的机构有2家多元金融机构（国金证券和华创阳安）和5家房地产公司（海泰发展、中华企业、深深房、我爱我家、大港股份）。入度大于等于10的机构有2家多元金融机构（渤海租赁和海德股份）和8家房地产企业（宋都股份、金地集团、栖霞建设、信达地产、凤凰股份、宁波富达、海航投资和新能泰山）。

为了明确哪些金融机构是风险信息的净发送者，哪些是净接收方，图4汇总了两个网络中每家机构的相对影响RIinstitutioni。长期正向网络中，相对影响大于等于8的机构有2家银行（交通银行和平安银行），1家多元金融机构（宝德股份），2家房地产企业（泰禾集团和荣盛发展），这些机构的长期风险信息对其他机构的正向净影响相对较大。小于-8的是4家房地产企业（海泰发展、栖霞建设、宁波富达、*ST津滨）。长期负向网络中，相对影响大于等于8有多元金融机构（国金证券、华创阳安）和房地产公司（海泰发展、中华企业、我爱我家、大港股份）。小于-8的有多元金融机构（海德股份）和房地产公司（金地集团、信达地产、宁波富达、新能泰山）。

2.部门层面分析

为了分析风险信息网络的部门连通性，本文使用部门度统计量来描述信息从一个部门传导至另一个部门或其本身的影响强度。

首先分析长期正向网络，图5（a1）展示了从银行发出到银行、多元金融、保险和房地产的SRISK信息影响强度，其表明银行的风险信息会对其内部机构产生较大的正向溢出，对保险部门其次，对多元金融机构和房地产最少。从多元金融部门发出的风险信息对银行的正向影响最大，接着是保险、房地产和自身（图5（a2））。在受到从保险部门发出的风险信息正向影响中，银行部门是最大接收者，其次是房地产、多元金融和保险部门自身（图5（a3））。房地产自身受其风险信息正向影响最大，其次是银行、多元金融、保险（图5（a4））。银行、多元金融、保险和房地产的正向网络部门相对影响数值分别为34、6、7和-47，所以银行是风险正向信息影响的发出者，而房地产是接收者。

接着分析长期负向网络，图5（b1）表明房地产往往会受到银行长期风险信息的负向影响。多元金融的风险信息主要对自身造成负向影响，这是因为多元金融机构业务邻域相对综合，同质化程度没有银行部门明显（图5（b2））。图7（b3）中保险部门信息溢出的情况和银行部门类似。房地产对各个部门具有负向风险溢出效应但不明显（图5（b4））。银行、多元金融、保险和房地产的负向网络部门相对影响数值分别为19、1、1和-21，所以负向信息也主要由银行发出，而房地产同样是负向信息的主要接收者。

综上分析，总体而言保险对其自身的部门度最低，这可能是因为中国平安和中国太保经营邻域相对全面，西水股份核心子公司天安财险主要经营财险，中国人寿和天茂集团核心子公司国华人寿主要经营寿险，竞争具有一定差异性，风险并不容易聚集。银行部门是风险信息溢出的源头，这与银行在系统重要性机构（SIFIs）中占比最多的事实不谋而合。银行部门承担着货币金融政策“牵线人”的职责，通过利率等渠道与其他产业部门衔接，并且中国现阶段企业资金筹措方式仍以间接融资为主，银行与其余金融机构和实体企业联系最为紧密，风险信息传导的效应也相应显著。

（四）稳健性分析

在进行有向格兰杰检验时，将F检验P 值降低至0.05和0.01重新构建网络，结果显示更严格的统计检验只会滤掉更多信息，机构和部门的出度及入度数目相应减少，但基本不改变机构间和部门间信息溢出强度的相对顺序因篇幅所限，这里不做赘述，如有需要请向作者垂询。，主要结论没有显著变化。

五 结论及建议

本文采用符合中国危机事件定义的SRISK系统性金融风险度量模型，对2009-2019年我国银行、多元金融、保险和房地产240家机构组成的大金融业进行风险测度，并通过扩展的有向格兰杰因果检验来建立风险信息溢出网络，研究结论如下：

（1）经过对Brownlees和Engle（2012，2017）两个系统性危机事件定义方式进行辨析，本文合理推断“h=132天，C=-40%”的定义方式更加符合目前中国实际，应当采用该定义形式建立SRISK来测度我国系统性金融风险。

（2）从系统性风险总量上看，银行部门长期处于重要地位，保险部门其次，而近两年房地产部门有逐渐超越保险部门的趋势。

（3）通过有向格兰杰检验构建风险溢出网络，结合出度、入度、部门度等统计量，许多机构都表现出风险信息溢出和接收的敏感性，而银行部门是风险信息溢出的重要参与者，房地产总体较容易受到其余金融部门风险信息的冲击，具有明显的异质性。

基于研究结论，本文提出三点建议。第一，对于投资者而言，由于金融机构之间的风险信息相互交织，风险厌恶的个人和机构投资者在构建资产组合时，应当避免集中持有容易遭受风险信息正向溢出的机构，而应该适度选择风险信息存在对冲关系的机构，尽可能“分散”风险。第二，对于机构而言，各机构应该发挥自身的比较优势开展经营活动，合理调配资源，优化资产结构;容易受到其他机构风险“传染”的机构（如房地产部门中的栖霞建设）更需要强化自身风险管理意识，降低杠杆率，将债务水平控制在合理的范围内。第三，对于监管者而言，除了对系统性风险贡献率较大的金融机构（如“中、农、工、建”四大行和中国平安等）保持密切关注，也需要对风险信息发出者，尤其是对其他机构造成正向影响的机构（如银行部门中的华夏银行和平安银行、房地产行业中的金地集团、宁波富达、爱旭股份、泰禾集团和荣盛发展等）高度警觉，并健全监管制度和风险预警体系，结合政策工具降低系统性金融风险蔓延的可能。

[参 考 文 献]

[1] Adrian T， Brunnermeier M K. CoVaR[R]. National Bureau of Economic Research， 2011.

[2] Tobias A， Brunnermeier M K. CoVaR[J]. The American Economic Review， 2016（7）： 1705-1741.

[3] Acharya V V， Pedersen L H， Philippon T， et al. Measuring Systemic Risk[C].AFA 2011 Denver Meetings Paper，2010.

[4] Acharya V V， Pedersen L H， Philippon T， et al. Measuring systemic risk[J]. The Review of Financial Studies， 2017（1）：2-47.

[5] Acharya V， Engle R， Richardson M. Capital shortfall： A New Approach to Ranking and Regulating Systemic Risks[J]. American Economic Review， 2012， 102（3）： 59-64.

[6] Christian Brownlees， Robert F. Engle， SRISK： A Conditional Capital Shortfall Measure of Systemic Risk[J].The Review of Financial Studies，2017（1）：48-79.

[7] 陳湘鹏，周皓，金涛，等.微观层面系统性金融风险指标的比较与适用性分析——基于中国金融系统的研究[J].金融研究，2019（5）：17-36.

[8] 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.

[9] 朱衡，卓志.保险公司系统重要性识别及其影响因素研究——基于系统性风险敞口与贡献的视角[J].保险研究，2019（3）：3-16.

[10]周强，杨柳勇.论中国系统重要性银行识别——市场模型法还是指标法[J].国际金融研究，2014（9）：70-79.

[11]史永东，王龑，宋西伟.中国金融机构系统风险对宏观经济的影响[J].投资研究，2017（12）：65-77.

[12]刚健华，赵扬，高翔.短期跨境资本流动、金融市场与系统性风险[J].经济理论与经济管理，2018（4）：98-112.

[13]张琳，汤薇，林晓婕，周媛.基于SVM-SRISK的非上市保险公司系统性风险度量[J].保险研究，2018（6）：3-15.

[14]王雯，张金清，李滨，等.资本市场系统性风险的跨市场传导及防范研究[J].金融经济学研究，2018，33（01）：60-71.

[15]李政，梁琪，涂晓枫.我国上市金融机构关联性研究——基于网络分析法[J].金融研究，2016（8）：95-110.

[16]Wang G J， Xie C， He K， et al. Extreme Risk Spillover Network：Application to Financial Institutions[J]. Quantitative Finance， 2017（9）： 1417-1433.

[17]杨子晖，陈雨恬，谢锐楷.我国金融机构系统性金融风险度量与跨部门风险溢出效应研究[J].金融研究，2018（10）：19-37.

[18]李政，朱明皓，范颖岚.我国金融机构的传染性风险与系统性风险贡献——基于极端风险网络视角的研究[J].南开经济研究，2019（06）：132-157.

[19]任英华，谢佳汇，周金龙，等.基于复杂网络的商业银行流动性风险评价[J].湖南大学学报（社会科学版），2020（4）：65-73.

[20]Brownlees C T， Engle R. Volatility， Correlation and Tails for Systemic Risk Measurement[R]. Available at SSRN， 2012.

[21]Bollerslev T. Generalized Autoregressive Conditional Heteroskedasticity[J]. Journal of Econometrics， 1986， 31（3）： 307-327.

[22]Engle R. Dynamic Conditional Correlation： A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models[J]. Journal of Business & Economic Statistics， 2002， 20（3）： 339-350.

[23]Engle R. Anticipating Correlations： A New Paradigm for Risk Management[M]. Princeton University Press， 2009.

[24]Granger， C W J. Testing for Causality： A Personal Viewpoint[J]. Journal of Economic Dynamics and Control，1980（2）：329-352.

[25]Venables W N， Ripley B D. Modern Applied Statistics with S-PLUS[M]. Springer Science & Business Media， 2013.

[26]謝俊明; 谢圣远.货币价值波动、财富分配差距扩大与系统性金融风险[J].财经理论与实践，2020（1）：34-40.