郭柳含 單勇霖 張芮嘉

（吉林財經(jīng)大學，吉林 長春 130000）

一、引言

互聯(lián)網(wǎng)金融作為一種新型金融業(yè)務模式，從上市之初就備受關(guān)注，褒貶不一。因其雖加速了金融脫媒的進程，但同時也存在管理弱、風險大等問題。從2015年開始，互聯(lián)網(wǎng)金融的理財平臺風險爆發(fā)，各種問題層出不窮，時至今日，互聯(lián)網(wǎng)金融風險已經(jīng)成為國內(nèi)學者關(guān)注的焦點問題之一。

關(guān)于互聯(lián)網(wǎng)金融對商業(yè)銀行的影響，經(jīng)驗研究和理論研究結(jié)論尚未統(tǒng)一。一是認為應用互聯(lián)網(wǎng)金融有助于商業(yè)銀行發(fā)展。代婉瑞等（2020）研究得出，互聯(lián)網(wǎng)金融與商業(yè)銀行風險存在不對稱的正向風險溢出。二是認為互聯(lián)網(wǎng)金融對商業(yè)銀行有消極的影響。Claessens等（2012）、章連標等（2013）表示互聯(lián)網(wǎng)金融會影響商業(yè)銀行經(jīng)營模式從而增加商業(yè)銀行風險。

在對金融市場間風險溢出的測度方面，Adrian（2009）為衡量危機后金融市場間的風險溢出效應，提出了CoVaR模型。陳珂等（2017）研究互聯(lián)網(wǎng)貨幣市場基金和金融市場的風險溢出效應引入了GARCH-CoVaR模型。Sklar（1959）最先提出Copula模型，其廣泛運用于刻畫變量間的相依結(jié)構(gòu)。Patton（2006）通過二元Copula模型研究三國匯率收益率相關(guān)關(guān)系，結(jié)論看出Copula可以用于刻畫非對稱相依的金融市場。而后有大量學者將CoVaR與Copula模型相結(jié)合度量金融市場間的風險溢出效應。王帥等（2019）構(gòu)建動態(tài)Copula-CoVar模型考量影子銀行和金融市場之間的風險溢出效應。

本文承襲前人的研究方法，采用最新的數(shù)據(jù)，研究互聯(lián)網(wǎng)金融在極端風險下對各類商業(yè)銀行的風險溢出程度。

二、互聯(lián)網(wǎng)金融對商業(yè)銀行的風險影響途徑

互聯(lián)網(wǎng)金融為民眾提供了多樣的理財手段與儲蓄方式，同時也加大了銀行的經(jīng)營壓力。以市場中的各類活期理財產(chǎn)品為例，此類產(chǎn)品起點低、風險低、操作便捷，其收益率與銀行定期存款利率相差不多，但是靈活性卻比銀行定期存款高很多。這些理財產(chǎn)品多是各個基金公司發(fā)行的貨幣市場基金，借助互聯(lián)網(wǎng)金融平臺能夠使民眾很方便地申贖?；ヂ?lián)網(wǎng)理財產(chǎn)品的出現(xiàn)吸收了一部分銀行客戶，加之利率市場化進程的推進，使得商業(yè)銀行傳統(tǒng)負債業(yè)務拓展面臨著巨大壓力。

除此之外，由于互聯(lián)網(wǎng)金融蠶食了銀行的部分客戶，中小銀行可能會選擇風險較高的客戶來拓展自己的貸款業(yè)務，從而維持原有的盈利能力，由此給銀行的信用風險防控帶來很大壓力。商業(yè)銀行與互聯(lián)網(wǎng)金融平臺的合作也會放大銀行的風險。銀行為了拓寬自身的盈利渠道，會借助互聯(lián)網(wǎng)金融平臺的獲客渠道，通過向互聯(lián)網(wǎng)金融平臺提供資金來發(fā)放聯(lián)合貸款。而目前我國互聯(lián)網(wǎng)金融平臺良莠不齊，而一旦這些網(wǎng)上金融平臺出現(xiàn)違約，風險必然會通過信用渠道向銀行傳導，致使銀行出現(xiàn)嚴重的風險，進而對銀行業(yè)經(jīng)營穩(wěn)定性造成沖擊。而對上市銀行而言，互聯(lián)網(wǎng)金融對銀行經(jīng)營的沖擊除了會削弱銀行的盈利能力，還會加大銀行股價的波動性，在一定程度上影響銀行板塊的穩(wěn)定性。

三、模型介紹

1.VaR模型

VaR又稱在險價值，指的是金融主體或金融市場在某一特定置信區(qū)間水平下可能發(fā)生的最大損失值，其一般表達式為：

2.CoVaR模型

CoVaR模型，又稱為條件在險價值，是指在某一置信度水平下，當某一金融主體發(fā)生極端風險時，其他金融主體可能產(chǎn)生的最大風險，其表達式為：

Girardi等（2013）對CoVaR模型進行了改進，并且定義了風險溢出值CoVaRqy|x，其表達式為：

3.GARCH-CoVaR模型

GARCH模型又被稱為廣義自回歸條件異方差模型，是由Bollerslev（1986）發(fā)展起來的。GARCH模型的發(fā)展很好地解決了金融數(shù)據(jù)中由于“波動率的集聚性”所造成的異方差的問題，并且在預測數(shù)據(jù)的波動性和均值方面有很好的效果。其表達式為：

上式中：利用ARMA模型進行修正，具體的滯后階數(shù)由估計得出的模型中的擬合優(yōu)度及顯著性水平來確定，選擇式（6）標準GARCH 模型進行在險價值VaR 的計算，其中隨機擾動項采用偏t分布。在計算VaR時，利用GARCH模型進行相關(guān)參數(shù)預測估計，由此根據(jù)式（1），可將式（5）寫為如下形式：

由于擾動項μx服從學生t分布，故式（1）可寫為以下形式：

在上式中：μx為GARCH模型一步向前預測的均值；σx為一步向前預測的條件均值； Q（q）為置信水平q下的分位數(shù)。

在計算CoVaR 時，同樣利用GARCH 模型進行CoVaR的計算，模型構(gòu)建如下：

四、實證分析

1.指標選取與數(shù)據(jù)處理

本文選取中證互聯(lián)網(wǎng)金融指數(shù)來刻畫互聯(lián)網(wǎng)金融的風險狀況，該指數(shù)由中證指數(shù)有限公司編制，選取與互聯(lián)網(wǎng)金融相關(guān)的代表性滬深A股作為樣本股。數(shù)據(jù)來源于Wind數(shù)據(jù)庫。商業(yè)銀行選取了5家國有商業(yè)銀行和9家股份制商業(yè)銀行，根據(jù)其性質(zhì)不同劃分為兩組，分別測算互聯(lián)網(wǎng)金融對國有商業(yè)銀行和股份制商業(yè)銀行的風險溢出程度。商業(yè)銀行數(shù)據(jù)來源于國泰安數(shù)據(jù)庫。

本文的數(shù)據(jù)選取的是2016年1月29日至2020年12月31的互聯(lián)網(wǎng)金融指數(shù)和商業(yè)銀行的日收盤價作為樣本數(shù)據(jù)，數(shù)據(jù)為工作日數(shù)據(jù)，刪掉了個別日缺失的收盤價數(shù)據(jù)，三種指標分別含有1198個數(shù)據(jù)。將三組序列的每日收盤價除以前一日的收盤價，記為互聯(lián)網(wǎng)金融與商業(yè)銀行的收益率序列，為了解決計算的誤差問題，因此將三組收益率序列取對數(shù)，即=ln(Pt)-ln(Pt-1)，其中Pt為第T日的收盤價，Pt-1為第T-1日的收盤價，γt為第T日的收益率。其對數(shù)收益率的描述性統(tǒng)計見表1。

表1 收益率序列描述性統(tǒng)計

根據(jù)表1數(shù)據(jù)，三序列的標準差都偏大，說明皆具有一定的波動強度，根據(jù)其偏度和峰度的統(tǒng)計值來看，三序列均呈現(xiàn)了尖峰厚尾的特征，符合了金融時間序列的一般特點。最后，因為其JB統(tǒng)計量和P值均為0，拒絕了正態(tài)分布的假設，所以三組序列均不服從正態(tài)分布，因此在后續(xù)建模過程，本文選取適用于尖峰厚尾分布的t分布。

2.收益率序列波動性研究

因為ARMA-GARCH模型中要求使用平穩(wěn)的時間序列數(shù)據(jù)，若收益率序列不平穩(wěn)會造成在回歸分析中出現(xiàn)偽回歸的現(xiàn)象。因此使用ADF單位根檢驗判斷序列是否平穩(wěn)，根據(jù)ADF檢驗結(jié)果可以判斷，三組收益率序列均為平穩(wěn)時間序列，因此可以進行ARMA-GARCH模型的建模。

通過觀察互聯(lián)網(wǎng)金融、國有銀行和股份制銀行的最優(yōu)滯后階數(shù)，根據(jù)AIC準則和SC、HQ比對，最后選擇GARCH（2，1）模型，根據(jù)結(jié)果可以判斷出：ω、α的值均大于0，因此三種行業(yè)的收益率波動是具有從集性和波動性的，各參數(shù)系數(shù)都和統(tǒng)計檢驗量都十分顯著，因此通過了顯著性檢驗。

五、結(jié)果分析

根據(jù)GARCH模型中得到的自由度以及5%的顯著性水平可以計算出相應的t值，然后根據(jù)式（10）計算出VaR值，如表2所示，在5%的顯著性水平下，國有銀行的VaR值相對較小，股份制銀行和互聯(lián)網(wǎng)金融的VaR值偏大，這符合互聯(lián)網(wǎng)金融與股份制銀行起步晚發(fā)展慢的事實。

使用恰當?shù)腉ARCH模型，對互聯(lián)網(wǎng)金融指數(shù)日收益率與之前計算得出的各個銀行的VaR進行擬合，可以得到最終選用的模型為ARMA（1，1）-GARCH（2，1）模型，計算出t-copula數(shù)值后，通過式（12）計算出CoVaR的值，根據(jù)（4）式可求出。結(jié)果如表2所示。

表2 互聯(lián)網(wǎng)金融與商業(yè)銀行風險情況

六、結(jié)論與啟示

通過研究本文共得出以下結(jié)論和啟示。

從三序列VaR值看，互聯(lián)網(wǎng)金融的風險水平高于國有銀行，與股份制銀行持平，國有銀行中風險最小的是建設銀行和工商銀行，風險最大的是中國銀行。因為互聯(lián)網(wǎng)金融發(fā)展起步晚，各種制度仍不健全，并且作為新興行業(yè)尚未成熟，所以自身的風險值會偏大。

根據(jù)風險溢出值判斷，風險溢出程度最大的是國有銀行，其中對建設銀行和工商銀行的風險溢出程度最大，建設銀行和工商銀行自身的風險最小，由此可見商業(yè)銀行自身的風險大小與受互聯(lián)網(wǎng)金融的風險溢出程度成反比。究其原因，是因為互聯(lián)網(wǎng)金融造成的系統(tǒng)性風險對于自身風險小的銀行反而突顯其受影響的程度之大。股份制銀行也可再次驗證這一結(jié)論，股份制銀行本身風險大，但是其風險溢出值偏小。

基于上述結(jié)論，本文從政府、互聯(lián)網(wǎng)金融行業(yè)及商業(yè)銀行三個角度提出建議。政府可以通過提供政策上的支持作為鼓勵和引導，如減稅降負、增加政企合作，另外政府應當盡快完善法律法規(guī)、加強監(jiān)管，提高行業(yè)的準入機制。商行在加強自身的風險管控，提升自身的抗風險能力的同時，也要建立諸如互聯(lián)網(wǎng)金融業(yè)等外部風險溢出的預警機制。互聯(lián)網(wǎng)金融企業(yè)把握住AI、大數(shù)據(jù)等互聯(lián)網(wǎng)技術(shù)，回歸技術(shù)服務，減少操作風險和網(wǎng)絡技術(shù)安全風險發(fā)生的可能性。