我国金融市场与房地产市场间风险传染效应测度

摘 要：研究金融市场与房地产市场间风险传染效应，对于优化风险管理措施，防范和抵御系统性风险具有重要意义。本文通过构建Copula-ARMR-GARCH-CoVaR模型，从波动性信息提取、非线性尾部相依结构估计、标准化溢出风险价值计算等方面，测度银行、证券、保险及房地产市场对金融系统以及各自间的风险传染效应。研究发现：各子市场对金融系统都存在明显的风险传染效应，但不同子市场对金融系统的风险传染程度存在差异，房地产市场是最重要的风险传染源，其次是证券市场、商业银行和保险市场；商业银行是最大的风险承受方，最容易受到房地产市场的风险传染；各子市场对房地产市场均有一定程度的风险传染。建议加强房地产企业融资安全性管理；强化银行业逆周期监管；完善金融市场风险预警制度，及时切断风险传染链。

关键词：金融市场；房地产市场；风险传染；Copula；CoVaR

一、引言

党的二十大报告指出：要加强和完善现代金融监管，强化金融稳定保障体系，依法将各类金融活动全部纳入监管，守住不发生系统性风险底线。国家统计局数据显示：2021年我国房地产开发企业的资产负债率高达80.3%，而房地产企业的主要融资渠道依赖各类金融市场。当下我国银行、证券、保险等主要金融市场之间，及其与房地产市场之间存在业务交叉和资金往来，各子市场之间的关联性也在不断增强，单一市场风险可能蔓延至多个市场，甚至引发金融危机。因此，研究我国金融市场与房地产市场间的风险传染效应，测度风险传染水平，有助于明确风险传染源，切断风险传染链，防范系统性金融风险。

二、文献综述

金融部门的风险水平不仅取决于自身的风险因素，还会受到来自其他金融部门的风险传染，然而，衡量风险水平的传统方法VaR（在险价值）只能度量金融部门的自身风险，对于跨部门之间的风险溢出效应却难以量化。Adrian（2008）改良了VaR方法，建立了能够量化评估市场双边风险溢出水平的CoVaR（条件风险价值）模型[1]。国内学者普遍应用分位数回归技术计算CoVaR，在此基础上，验证了金融市场系统性风险关键影响因素，测度了多种金融市场的风险溢出效应，确定了系统重要性金融部门，取得一系列研究成果。欧阳资生等（2017）、李明辉等（2017）通过建立CoVaR模型，测度银行、证券等各类金融部门系统性风险溢出，结果表明银行业具有明显的风险溢出效应[2][3]。吴婷婷等（2020）基于CoVaR方法，对于银行、证券等金融部门的系统性风险进行考察，发现与其他金融部门相比，银行类金融机构对系统性风险的贡献度更大[4]。

尽管如此，CoVaR模型的原理决定该方法难以刻画变量间的非线性风险相关关系，而金融市场风险传染往往具有非线性相关特征，因此在一定程度上削弱了计算结果的有效性。为弥补这一不足，诸多学者引入Copula函数刻画金融变量间的非线性相关性，在此基础上建立CoVaR模型，围绕金融市场、国际原油市场等领域的风险溢出效应展开广泛研究。王帅等（2019）选取动态Copula-CoVaR模型，考量影子银行与传统金融业间的风险溢出效应，研究表明：影子银行与传统金融市场存在双向净风险溢出效应[5]。李竹薇等（2021）通过构建CoVaR模型测度互联网金融与传统金融之间的广义动态风险溢出效应，结果发现：新旧金融行业间的风险溢出水平随时间而变化，风险从互联网金融向传统金融的传导更为迅速[6]。

综上，在金融风险传染效应的研究方面，一是较少考虑金融市场风险普遍具有非线性相关的特征，以及市场收益率序列普遍存在的自相关性和异方差性。二是忽视了房地产市场与金融市场，尤其是对商业银行的高度依赖性。鉴于此，本文考虑金融风险传染的非线性特征，以及市场收益率序列自相关性、异方差性和厚尾性，构建Copula-ARMA-GARCH-CoVaR模型，分别测度银行、证券、保险以及房地产市场对整个金融体系以及各市场之间的风险传染效应，为提升风险管理有效性提供实证依据。

三、金融市场与房地产市场间风险传染效应的理论分析

2woTsGiyQ35xtG21JAMdUw==

（一）金融市场与房地产市场间风险传染的要素

随着金融混业经营的深化、金融机构与房地产企业业务往来的增加，金融市场各主体间、金融市场与房地产市场间，形成了关联网络，在这个网络中，每个主体可能是感染的起点，也有可能是被感染的一环。某一市场发生的风险事件，通过各种金融渠道和市场关联，进一步引发其他市场的风险传染和蔓延。金融市场与房地产市场间风险传染涉及三种要素：传染源、传染渠道和易感个体。传染源是指引起风险传染的风险源头，包括金融机构、市场、金融产品、房地产企业等。金融机构可能因为过度放松风险管理、资产质量下降、流动性风险等问题而成为传染源，金融市场也可能因为某些不确定性因素引发风险传染，进而成为传染源，金融产品也可能因为设计不当、风险溢价过低等问题而成为传染源，房地产企业可能因资金链断裂或债务违约而成为传染源。传染渠道是指风险传染的路径和方式，包括直接传染和间接传染。前者主要是指由于金融机构之间、金融机构与房地产企业之间的关联性，当某一家金融机构或房地产企业出现风险问题时，将可能传染给其他市场主体，后者则是指因为市场情绪、信息传递等因素，导致其他市场主体面临相应风险。易感个体是指可能受到风险传染的金融机构、投资者或房地产企业。金融机构可能因为关联性、资产质量、流动性等问题而成为易感个体，投资者也可能因为持有风险敞口较大的金融产品而成为易感个体，房地产企业也可能因融资能力不足以支撑高负债经营而成为易感个体。

（二）金融市场与房地产市场间风险传染的机理

一是信用违约传染。与其他行业不同，金融机构和房地产企业普遍采取杠杆经营，存在资产负债期限错配的特征，形成了系统性风险的内在源头。伴随金融混业经营的深化、金融机构与房地产企业业务往来的增加，金融机构之间、金融机构与房地产企业之间的关联更为紧密，各类市场主体之间的债权债务关系愈发复杂，风险的隐匿性更强，当一家市场主体面临债务违约时，可能引发其他市场机构的连锁反应，进而导致风险传染。二是市场关联渠道传染。房地产抵押证券化等金融衍生品的出现，提高了金融市场与房地产市场的业务关联度。房地产企业通过抵押土地、房产等资产向金融机构进行融资，使得此类业务关联成为连接金融市场和房地产市场的重要纽带和金融风险跨市场传染的新型载体。一旦金融市场或者房地产市场遭受冲击，市场风险便可通过关联渠道向其他市场进行传染。三是流动性传染。一方面，房地产业的信贷需求具有规模大、期限长等特点，因此金融机构更倾向于向房地产企业放贷，通过借短贷长的方式增加利差收入，从而加剧了资产负债期限错配程度，增加了流动性风险。另一方面，金融机构以房地产作为抵押品开展信贷业务时，按照抵押品的价值决定授信额度，当房地产市场处于上升周期时，抵押品增值，推动房地产价格与房地产信贷规模螺旋上升，加速风险集聚。一旦房地产市场出现大幅波动，金融机构难以对房地产抵押品进行无损变现，导致巨额损失，引发流动性危机，并通过金融系统关联性在各主体之间传染蔓延。

四、金融市场与房地产市场间风险传染效应的实证分析

（一）样本选取及统计特征描述

当前，金融市场交易运行网络错综复杂，来自国家统计局、央行和国家金融监督管理总局的数据显示，截至2021年末，建设银行、邮储银行、招商银行、兴业银行房地产行业贷款和个人住房贷款占比均超过32.5%的监管上限，工、农、中、建四大行对公房贷不良率出现37-247BP不等的增长，其中，工商银行对公房贷不良率从2020年末的2.32%增至2021年末的4.79%，不良贷款余额从162.4亿元增至338.2亿元，均呈成倍增长态势。此外，多家保险公司在不具备相应投资管理能力情况下，直接开展不动产或金融产品投资，违规流入房地产和证券领域，涉及金额462.18亿元，金融风险在银行、证券、保险和房地产领域交叉传染的特征日益凸显。基于此，本文针对银行、证券、保险和房地产市场的风险传染效应展开研究，为保证数据的连续性和可得性，选取中信行业指数中的国有银行、证券、保险、房地产指数，以及中证金融指数作为研究样本，区间为2013年1月4日至2022年12月30日，对缺失值做剔除处理，每组共获取2426个有效数据，均来自WIND数据库。样本时间跨度涵盖“钱荒”事件、股票市场大幅波动、中美贸易摩擦等对我国金融业具有重大影响的事件，能有效反映国内金融市场风险波动情况。本文使用R-4.0.3软件进行数据处理。

本文样本统计特征描述步骤如下：先对各指数序列取对数一阶差分，得到各市场收益率序列，即：[Rit=ln（pit/pit-1）]，[pit]代表子市场在t日的指数。对所有市场收益率序列进行统计特征描述，见表1。

Jarque-Bera检验结果表明：在1%的显著性水平下，各市场收益率序列均不服从正态分布。Q（20）及ARCH-LM统计量结果显示：在1%的显著性水平下，各市场收益率序列具有显著的自相关和异方差效应，无法直接使用Copula函数进行拟合。因此，采用ARMA-GARCH-t模型过滤各市场指数收益率，获取不相关且无异方差的平稳收益率序列，以满足Copula建模条件。

观察表2发现，各市场残差ARCH-LM检验以及残差平方的Ljung-Box检验结果均不显著，无法拒绝序列中没有自相关性及异方差性的原假设，表明经过滤后得到了不相关且无异方差的平稳残差序列。

（二）风险传染效应计算

经ARMA-GARCH-t模型过滤各市场指数收益率得到平稳残差序列后，按照前文所述步骤，借助R语言编程，选择各市场指数收益率残差序列间的最优Copula函数，并结合蒙特卡洛模拟法，计算子市场对金融体系以及各子市场之间的条件风险价值，量化分析风险传染效应。

五、结论及对策建议

（一）结论

表3结果显示：各子市场的风险价值从高到低依次为证券（-0.067）、保险（-0.047）、房地产（-0.045）、银行（-0.034）。为了进一步考察各子市场对金融体系的风险传染效应，将标准化溢出风险价值进行排序发现，房地产的标准化溢出风险价值最高为47.35%，其次分别是：证券市场（11.31%）、商业银行（10.93%）、保险市场（7.01%）。另外，从表4看到：银行、证券、保险、房地产市场之间均存在双向风险传染效应，但不同市场和方向的传染程度有所差异，表现出明显的不对称性。进一步分析数据得到如下结果：

第一，每个子市场对金融系统都存在明显的风险传染效应，但不同子市场对金融系统的风险贡献程度存在差异，房地产市场是最重要的风险传染源，其次是证券市场、商业银行和保险市场，具体原因分析如下：

首先，房地产市场是最重要的风险传染源。在极端情景下，房地产市场对金融系统的风险传染效应最明显。国家统计局数据显示，2021年我国房地产开发企业的资产负债率高达80.3%。由此可见，房地产业具有高负债率和资本密集的特点，资金来源高度依赖金融机构。房地产公司通常以土地和房产作为抵押向金融机构借贷，金融机构又通过房地产抵押债权证券化等方式进行融资，这一过程促使房地产市场与金融机构的关联性不断增强，金融杠杆不断放大，金融风险随之上升。

其次，证券市场对金融系统的风险传染效应仅次于房地产市场。近年来，得益于资本市场的快速壮大，越来越多的优质企业选择通过资本市场进行融资，推动直接融资占社会融资总额的比例逐年上升，证券市场成为仅次于商业银行的第二大融资渠道。结合现实来看，我国证券市场的主体主要是股票市场和债券市场，其中股票市场规模远超后者，并且具备极高的波动性。

再次，商业银行对金融系统的风险传染效应低于证券市场。商业银行作为社会融资的主要渠道，在我国金融体系中居于主导地位，与实体经济深度融合，因而受到高度重视。监管部门通过实施一系列科学有效的监管政策，把银行业的风险维持在较低的水平，有效预防和抑制了银行业风险对其他行业或市场的风险传染。

最后，保险市场对金融系统的风险传染效应相对最低。与银行业和证券业不同，保险业的主要功能并不是满足市场的投融资需求，而是帮助市场主体通过各种保险业务规避风险，这种特殊的业务模式决定保险业与各类金融机构的关联不如银行业和证券业那么紧密，因此，风险传染效应相对较低。

第二，商业银行是最大的风险承受方，主要受到房地产市场的风险传染。房地产市场对于商业银行的标准化溢出风险价值为69.75%，远高于证券市场和保险市场的总和。与其他金融市场相比，房地产市场与商业银行的关联最为密切，房地产业的融资渠道主要依赖银行信贷，因此，一旦房地产市场出现极端风险，房地产企业将会发生大规模债务违约，进而导致商业银行的信贷业务受损，引发流动性危机，并通过关联渠道传染至整个金融市场，最终引发系统性金融风险。

第三，各子市场对房地产市场均有一定程度的风险传染。商业银行对房地产市场的标准化溢出风险价值最高，达到52.65%，说明以商业银行为代表的主要金融部门，作为房地产企业的主要融资渠道，一旦遭受严重的风险冲击，将会迅速传染至房地产市场，威胁房地产企业资金链，并进一步导致各类金融机构产生大量坏账及违约，进而陷入恶性循环，甚至会引发系统性金融风险。

（二）对策建议

本文基于Copula-ARMA-GARCH-CoVaR模型，引入t分布，测度银行、证券、保险、房地产对金融系统以及各自间的风险传染效应。研究发现：各子市场对金融系统都存在明显的风险传染效应，但不同子市场对金融系统的风险贡献程度存在差异，房地产市场是最重要的风险传染源，其次是证券市场、商业银行和保险市场；商业银行是最大的风险承受方，最容易受到房地产市场的风险传染；各子市场对房地产市场均有一定程度的风险传染。为了更有效地防范和控制金融风险的跨市场传染，本文提出以下建议：

首先，加强房地产企业融资安全性管理，合理控制房地产企业杠杆率。由于房地产行业的高回报率，金融机构可能参与到房地产项目的开发投资中，甚至通过资本运作等方式间接获取房地产企业股权，以此绕开监管。监管部门应当加强房地产企业融资合规性审查，适度降低房地产企业负债规模，引导资本流向实体先进制造业和战略性新兴产业，从而有效降低房地产业和金融业风险传染效应。

其次，强化银行业逆周期监管，严控风险外溢。近年来，利率市场化的深入、金融脱媒的加速和互联网金融的崛起，各家商业银行竞争加剧，商业银行存贷业务息差收入面临挑战，内外部风险显著增大。监管部门应当实施动态的监管政策，依据经济金融周期对商业银行的作用效果，实行逆周期风险监管措施。既要预防经济衰退或重大金融事件给银行带来的流动性冲击，也要防止银行因流动性不足发生危机传染至金融系统，引发系统性金融风险。

最后，完善金融市场风险预警制度，有效切断风险传染链。监管当局应当组织专业力量，结合我65c4f71d48ed3492bc7f06624888ce3f国金融市场风险特征，充分借助金融工程、大数据、人工智能等先进技术，针对各类金融机构，出台规范性文件，开发专门软件，建立起一套实用数字化风险预警制度，及时有效地隔离风险传染源。

参考文献：

[1] ADRIAN T， BRUNNERMEIER M K.CoVaR [R].Fed Reserve Bank of New York Staff Report，2009：1-27.

[2] 欧阳资生，莫廷程.基于广义CoVaR模型的系统重要性银行的风险溢出效应研究[J].统计研究，2017，34（9）：36-43.

[3] 李明辉，黄叶苨.商业银行系统性风险溢出及系统重要性研究——来自中国16家上市银行CoVaR的证据[J].华东师范大学学报（哲学社会科学版），2017，49（5）：106-116.

[4] 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.

[5] 王帅，李治章.基于动态Copula-CoVaR模型的影子银行风险溢出效应研究[J].财经理论与实践，2019，40（2）：36-40.

[6] 李竹薇，刘森楠，李小凤，王宝璐.互联网金融与传统金融之间的广义动态风险溢出——基于Copula-ARMA-GARCH-CoVaR的实证研究[J].系统工程，2021，39（4）：126-138.

作者简介：张永恒（1991— ），男，安徽凤台人，安徽理工大学助教，硕士，研究方向为金融风险管理；胡娟（1992— ），女，安徽凤台人，安徽理工大学助教，硕士，研究方向为金融风险管理。