中国金融机构系统性金融风险研究

林维维 李莉莉

摘要：为了厘清金融机构间的风险传染效应，基于沪深上市77家金融机构的日度股票收益率构建分位数回归的CoVaR模型，度量金融机构系统性风险水平，采用网络拓扑分析法建立风险传染网络。研究结果表明，证券、银行、保险对系统性金融风险的影响较大，随着中国金融的不断发展，多元金融对系统性金融风险的贡献增加;规模越大的机构更容易成为风险来源;由于业务关联程度增加，中小规模金融机构在机构风险传染网络中的地位不容忽视。

关键词：CoVaR;系统性金融风险;风险溢出;网络关联

中图分类号：F832.59         文献标志码：A

自2008年金融危机后，系统性风险受到广泛关注。学术界和监管者发现仅仅关注个体金融机构的风险并不足以防范金融危机，开始关注系统性金融风险研究。系统性风险是导致众多市场参与者同时受到损失，且损失又扩散到整个系统的风险[1]，一旦发生，危害将波及整个系统。准确测度系统性风险有助于监管机构高效防控系统性金融风险爆发。目前系统性金融风险测度方法有条件在险价值（Conditional Value at Risk， CoVaR）[2]、边际期望损失（MES）[3]、资本缺口法（SRISK）[4]等。这些方法基于市场公开数据测度金融机构系统性风险，既各有优势，亦有局限性。CoVaR侧重于从金融机构的日常交易数据（如股票市场收益等）度量系统性风险，边际期望损失和资本缺口法侧重于从系统性风险成因（比如机构在危机中面临的资本短缺等）度量系统性风险。相较于后两种方法，CoVaR数据更易获取且系统性风险预测能力较好，能捕捉金融机构的极端风险[5-8]，容易扩展成高维和非线性的情形[9]。CoVaR虽能较好测度系统性风险，但未考虑金融机构间的风险传染效应，而网络关联可以利用机构特征刻画机构间的风险传染关系。众多学者从网络关联视角出发，通过网络拓扑分析构建风险溢出网络[10]，分别识别了金融市场[11]、金融部门[12-14]以及行业[15]的风险来源中心。研究发现在全球系统性金融风险传递中，中国内地金融市场是风险溢出的净输入者[11]。网络拓扑可以识别出风险溢出机构，银行类金融机构在行业风险网络中承担风险稳定器的功能[16]。因此，从网络关联角度研究系统性风险，能更加准确地识别系统重要性金融机构，更有效地刻画系统性风险。随着金融行业混业经营趋势日益明显，特别是房地产行业与其他行业关联性增强[17]，金融机构跨部门风险传染不可忽视。本文选取银行、证券、保险、房地产、多元金融作为系统性风险的研究对象，基于CoVaR从网络关联的角度探讨金融机构的系统性金融风险与风险传染关系，识别系统重要性金融机构。

1 度量方法及数据说明

1.1 基于分位数回归的CoVaR模型

基于CoVaR度量单个机构陷入危机时对其他金融机构的风险贡献，探究金融机构在危机期间的关联效应。考虑到金融机构收益率的尖峰、厚尾特征，选择分位数回归[2]，CoVaR的表述为

P（Xj，t≤CoVaRj|i，t，q|Xi，t=VaRi，t，q）=q（1）

Xj，t=αj|i，q+βj|i.qMt-1+γj|i，qXi，t+εj|i，q（2）

CoVaR∧j|i，t，q=α∧j|i，q+β∧j|i，qMt-1+γ∧j|i，qVaR∧i，t，q（3）

其中，Xi，t=ln（Pt/Pt-1）代表金融机构i在t时刻的对数收益率;Pt为样本股票日收盘价;Mt-1表示t-1时刻反映整体经济状况的宏观状态变量;α、β和γ为待估参数，其中αj|i，q为q分位数下的截距项，βj|i，q表示q分位数下宏观状态变量对金融收益率的影响系数，γj|i，q表示q分位数水平下机构i对机构j的风险溢出系数;α∧、β∧和γ∧为对式（2）进行分位数回归得到α、β、γ的估计值;VaRi，t，q为机构i在t时刻q分位数的在险价值，对于极端情况下的VaR，取q=0.05。

1.2 金融机构间网络传染模型

基于分位数回归的CoVaR模型计算风险溢出值ΔCoVaR，构建金融机构间风险传染网络，金融机构间的风险溢出关系见表1。

当该值为正时，说明机构i对于机构j的风险溢出水平大于风险溢入水平，为风险净溢出机构;当该值为负时，说明该机构为风险净溢入机构。风险溢出关系表中，“FROM”所在列的元素表示机构i受到其他所有机构的风险传染效应，“TO”所在行的元素表示机构j对其他所有机构的风险传染效应。

1.3 数据来源及统计特征

考虑中国金融机构的组成及数据可得性，选取了涵盖银行、证券、保险、多元金融（从事综合金融服务、消费信贷和资本市场等业务的机构）和房地产五个部门的77家沪深上市金融机构，其中银行15家，保险4家，证券19家，多元金融6家，房地产33家。为有效反映中国金融市场发展状况，避免2020年新冠肺炎类似突发公共卫生事件对金融市场的影响，将样本区间定为2015年1月1日至2019年12月31日，计算样本股票收益率得到1 219个交易日数据。采用上证综合指数的日收益率衡量金融系统的收益率。受篇幅限制，表2仅展示样本中各部门规模排名前六金融机构。

本文选取6个宏观状态变量[2]：股票市场波动率，用上证综指指数回报率的增长变动率的绝对值表示，反映股票市场波动情况;3个月国债收益率的增长率，代表债券市场景气程度的变化;10个月国债与3个月国债收益率之差，反映金融市场流动性;同期10年期国债与10年期AAA企业债收益率之差和上一期10年期国债与10年期AAA企业债收益率之差的差值反映违约风险;7天银行同业拆借利率反映短期资金流动性;上证房地产指数对数收益率反映房地產行业景气程度。原始数据均源于CSMAR数据库。

通过各金融机构收益率及金融系统收益率的描述性统计分析，发现金融机构及金融系统收益率呈现左偏或右偏，且峰度系数大于3，即不服从正态分布，具有尖峰、厚尾的特征。收益率数据特征表明本研究更适用于分位数回归刻画金融机构、金融系统的尾部联动效应。

2 实证研究

2.1 金融机构对系统性金融风险的CoVaR估计

首先采用分位数回归研究77家金融机构对金融系统的影响，每家金融机构股票收益率和宏观状态变量对金融系统收益率的影响均采用式（2）进行回归，结果显示γ显著为正，说明各金融机构的极端收益波动显著影响金融系统收益，且与金融系统收益同方向波动。股票市场波动率的系数显著为负，市场收益率波动会导致金融体系收益下降。除东北证券外，其他机构的3个月国债收益率增长率的系数均为负，但不显著。10个月国债与3个月国债收益率之差的回归结果中有61%显著为负，表明当国债收益率的长短利差变大时，货币政策趋于收紧，宏观经济进入通货紧缩阶段，金融体系收益率随之下降。68%的7天银行同业拆借指标回归结果为负，说明银行间同业拆借利率上升时，会导致金融体系收益下降。反映违约风险指标系数显著为负，表示违约风险上升会导致金融系统收益下降。房地产收益率指标的回归系数显著为正，表明房地产行业繁荣引发大量资金流向房地产行业，金融系统收益随之增加。综上，金融机构股票收益率和宏观状态变量能够捕捉到金融系统收益的尾部变动，可以通过该模型计算金融机构对金融系统的风险贡献值ΔCoVaR。

通过式（3）和式（4）计算各机构极端情况下的系统性金融风险及系统性风险贡献值ΔCoVaR，各机构系统性金融风险贡献值描述性统计分析如表3所示。可以看出，对系统性金融风险影响较大的是保险、银行、证券。保险业在发展过程中，与其他金融机构业务联系增加，业务经营范围扩大，规模增大，当其发生极端事件时，极易引起其他金融机构发生风险，进而引发系统性风险。银行在中国金融系统中占据重要位置，与其他机构的直接风险敞口和间接风险敞口都较大，一旦发生危机，风险将在金融系统内传播扩散。中国股票市场发展较晚，各方面发展尚不完善。当股市利好时，证券机构由于佣金收入、特别是受到股票市场预期的推动而价格大涨，股价过度上涨是风险的隐患，泡沫一旦破裂会损害整个金融系统。影响金融系统风险排名前十的机构依次是宁波银行、农业银行、平安银行、山西证券、太平洋证券、西南证券、湘财股份、兴业证券、长江证券以及招商证券，即系统重要性金融机构，应该重点监控其风险水平。

2.2 金融机构间的风险贡献

金融机构之间由于业务关联或相互持有资产，在发生极端事件时，容易发生风险传染效应。为此，构建机构两两之间的股票收益率分位数回归，研究当某一机构发生极端事件时，对其他金融机构的影响。对外溢出、接受溢出以及净溢出排名前十的金融机构见表4。从对外溢出来看，证券机构平均对外溢出水平较高，其次是保险和房地产。这可能由于证券机构经营范围涵盖高风险的融资融券业务，自身风险水平比较高。另一方面，随着中国直接融资比重上升，证券机构逐渐成为其他机构获得投融资的重要渠道，与其他机构的业务关联加强，金融衍生品头寸逐渐增多，但证券机构规范程度较弱，政府的监管力度不够，其脆弱性逐渐凸显。因此，证券机构一旦发生风险，将会波及业务关联的机构。保险业在发展的过程中，与其他金融部门的业务不断增加，规模增大，另外由于保险机构涉猎的领域不断扩大也导致其对外溢出增大，例如中国平安横跨保险、银行、证券三大领域。2012年中国房价开始新一轮上涨，导致资金向房地产集中继而促进了房价上涨。这不仅导致金融资源持续向房地产集中，也进一步增加了房地产机构面临的风险。另外，参控股金融机构进入房地产行业，亦提高了房地产机构的风险水平。房地产机构自身风险水平的提高与外部关联性的增强，增加了其风险对外溢出的可能性。

从接受溢出来看，房地产、保险机构受到的风险冲击较大。房地产投资周期长、投资规模大，融资依赖于其他金融机构，因此房地产成为主要的接受溢出机构。此外，一些房地产机构通过控股方式参与到其他金融机构的经营，其系统性风险水平及跨部门关联水平也会上升，增加了受到风险传染的机会，例如，新湖中宝拥有银行、证券、保险、期货等多家金融机构的股权。

从净溢出来看，华金资本的净溢出值最大，达到2.490 5，而当其他机构处于极端事件时，华金资本受到的风险冲击仅为0.362 6，也就是说，在系统发生危机时，华金资本更容易将自身危机蔓延，成为风险传染源，通过影响其他机构的风险水平影响系统性风险。其余机构均是证券和房地产机构，即在系统发生危机时，证券和房地产机构极容易成为风险传染源，影响其他机构的风险水平。

综合风险溢出水平来看，房地产机构容易成为风险来源，也更容易受到风险冲击。对外溢出和净溢出值较大的金融机构均是规模较大券商和房地产机构，其业务经营领域宽泛，与其他机构的业务关联较大，属于系统重要性金融机构。

2.3 金融机构间的网络传染效应分析

基于计算的風险溢出值构建金融机构风险关联矩阵，从规模、对外风险溢出和接受风险溢出的视角，分析金融机构的风险传染情况。规模排名前六金融机构的关联机构情况见表5。可知，工商银行风险最容易传至中国太保，而又容易受到中国平安影响，即中国平安发生危机时，极容易导致工商银行发生风险。风险通过在机构之间传导，进而影响整个系统。中国银行、平安银行、农业银行的相互传染力较强。对外溢出和接受溢出排名前十金融机构及关联机构见表6。对外风险溢出最大的机构是北辰实业，其风险最容易传至华夏幸福，同时又受到保利地产的风险冲击，这三家机构均为房地产机构，风险容易在部门内部传染。风险传染较强的机构中房地产和证券机构占60%，银行类机构占25%，因此，金融危机的发生不仅与银行部门的机构有关，还有可能来自其他金融部门。对外溢出和接受溢出排名前十金融机构及关联机构的风险传染图如图1所示，北辰实业、泛海控股、华夏幸福在网络传染中扮演着风险传播的角色，说明系统重要性金融机构不仅只有大型金融机构，规模较小但与系统紧密关联的金融机构也有可能产生极大影响。

3 结论

本文基于分位数回归的CoVaR模型和网络拓扑方法，研究探讨了2015—2019年77家金融机构的系统性风险与网络传染效应。研究结果表明，证券等传统金融机构是系统性风险的主要来源。随着金融业趋于混业经营，机构间的网络传染效应不容忽视。建议监控系统性风险除了重点防控传统部门，应加强监控新兴部门如多元金融及中小规模金融机构风险水平。金融机构系统性风险水平除了受到宏观经济环境的影响，也会受到其自身规模、资产负债率、杠杆水平等因素的影响。下一步研究在构建CoVaR模型时充分考虑微观因素的影响，提升测度系统性风险水平的精准度。

参考文献

[1]BENOIT S， COLLIARD J E， HURLIN C， et al. Where the risks lie： A survey on systemic risk[J]. Review of Finance， 2017， 21（1）： 109-152.

[2]ADRIAN T， BRUNNERMEIER M K. CoVaR[J]. American Economic Review， 2016， 106 （7）： 1705-1741.

[3]ACHARYA V V， PEDERSEN L H， PHILIPPON T， et al. Measuring systemic risk[J]. Review of Financial Studies， 2017， 30（1）： 2-47.

[4]BROWNLEES C， ENGLE R. SRISK： A conditional capital shortfall measure of systemic risk[J]. Review of Financial Studies， 2017， 30（1）： 48-79.

[5]陈建青， 王擎， 许韶辉. 金融行业间的系统性金融风险溢出效应研究[J]. 数量经济技术经济研究， 2015， 32（9）： 89-100.

[6]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.

[7]吴婷婷， 华飞， 江世银. 中国金融机构系统性金融风险贡献度的量化研究—基于极端分位数回归的CoVaR模型[J]. 江西社会科学， 2020， 40（9）： 54-65.

[8]DENKOWSKA A， WANAT S. A tail dependence-based MST and their topological indicators in modeling systemic risk in the European insurance sector[J/OL]. Risks， 2020， 8（2）： 1-22[2021-11-21]. https：//www. webofscience.com/wos/alldb/full-record/WOS：000551226600034. DOI： 10.3390/risks8020039.

[9]张兴敏， 傅强， 张帅， 等. 金融系统的网络结构及尾部风险度量—基于动态半参数分位数回归模型[J]. 管理评论， 2021， 33（4）： 59-70.

[10] DIEBOLD F X， YILMAZ K. On the network topology of variance decompositions： Measuring the connectedness of financial firms[J]. Journal of Econometrics， 2014， 182（1）： 119-134.

[11] 杨子晖， 周颖刚. 全球系统性金融风险溢出与外部冲击[J]. 中国社会科学， 2018（12）： 69-90+200-201.

[12] BILLIO M， GETMANSKY M， LO A W， et al. Econometric measures of connectedness and systemic risk in the finance and insurance sectors[J]. Journal of Financial Economics， 2012， 104（3）： 535-559.

[13] 周天芸， 杨子晖， 余洁宜. 机构关联、风险溢出与中国金融系统性风险[J]. 统计研究， 2014， 31（11）： 43-49.

[14] 梁琪， 常姝雅. 我国金融混业经营与系统性金融风险—基于高维风险关联网络的研究[J]. 财贸经济， 2020， 41（11）： 67-82.

[15] 任英華， 刘洋， 彭庆雪， 等. 中国系统性金融风险信息溢出者是谁—来自SRISK模型及网络分析法的经验证据[J]. 湖南大学学报（社会科学版）， 2021， 35（3）： 49-59.

[16] 陈少凌， 谭黎明， 杨海生， 等. 我国金融行业的系统重要性研究—基于HD-TVP-VAR模型的复杂网络分析[J]. 系统工程理论与实践， 2021， 41（8）： 1911-1925.

[17] 王守峰， 陈阳， 岑彩云. 中国房地产业与其他行业的关联性—基于行业股价收益率的连通性分析[J]. 青岛大学学报（自然科学版）， 2020， 33（4）： 101-109.

Research on Systemic Financial Risks of Chinese Financial Institutions

LIN Wei-wei， LI Li-li

（College of Economics， Qingdao University， Qingdao 266061， China）

Abstract：

Based on the daily stock return of 77 financial institutions listed in Shanghai and Shenzhen， CoVaR model of quantile regression was used to measure the systemic risk of financial institutions， which could clarify the risk contagion effect among financial institutions. Then the network topology analysis method was used to establish the risk contagion network. The results show that securities， banks and insurance have a great influence on systemic financial risk. The contribution of diversified finance to systemic financial risk increases with the continuous development of China's finance. Larger institutions are more likely to become a source of risk. Due to the increase of business relevance， the position of small and medium-sized financial institutions to systemic risk can not be ignored.

Keywords：

CoVaR; systemic financial risk; risk spillover; network correlation

收稿日期：2021-09-07

基金項目：

山东省金融应用重点研究项目（批准号：2020-JRZZ-03）资助。

通信作者：

李莉莉，女，博士，教授，主要研究方向为金融统计、统计调查与预测。E-mail： lili_lee2003@126.com