周 亮

（1. 湖南財政經(jīng)濟學(xué)院 財政金融學(xué)院，湖南 長沙410205；2. 湖南師范大學(xué) 商學(xué)院，湖南 長沙410081）

一、引言

在金融全球化的過程中，由于跨境貸款、投資網(wǎng)絡(luò)、貿(mào)易關(guān)系和供應(yīng)鏈等因素，使得現(xiàn)有的經(jīng)濟體系相互之間的依賴程度越來越高。銀行、證券公司、信托公司和保險公司等金融機構(gòu)間的業(yè)務(wù)相互滲透，整個金融體系表現(xiàn)出越來越明顯的網(wǎng)絡(luò)特征。金融系統(tǒng)體現(xiàn)出的這種獨特且高度相關(guān)的關(guān)系，一方面使得金融體系的資產(chǎn)配置效率更高，另一方面卻使得金融風(fēng)險的蔓延更加普遍。某個機構(gòu)或市場的困境可能會演變成區(qū)域性或全球性金融危機，具有極強的傳染性和破壞性，如雷曼公司的倒閉標(biāo)志著全球金融危機的出現(xiàn)。正是因為系統(tǒng)性風(fēng)險的愈發(fā)普遍及高破壞性，使其成為全球金融監(jiān)管機構(gòu)、學(xué)者和從業(yè)者關(guān)注的焦點。金融危機事件暴露出系統(tǒng)性風(fēng)險監(jiān)管中的缺陷，并導(dǎo)致了巴塞爾協(xié)議Ⅲ的誕生。由于風(fēng)險源的多樣性、不確定性和相關(guān)性，使系統(tǒng)性金融風(fēng)險成為一個復(fù)雜的現(xiàn)象，對它的預(yù)防面臨嚴(yán)峻挑戰(zhàn)?；诖?，深入研究金融業(yè)的系統(tǒng)性風(fēng)險具有重要的理論和現(xiàn)實意義。

目前對系統(tǒng)性金融風(fēng)險的測度方法主要包括指標(biāo)法和網(wǎng)絡(luò)法，如Adrian 和Brunnermeier（2016）提出的CoVaR 指標(biāo)可以方便計算出單個金融機構(gòu)對系統(tǒng)性風(fēng)險的貢獻(xiàn)，[1]但是卻無法測度總的系統(tǒng)性風(fēng)險。而復(fù)雜的網(wǎng)絡(luò)理論已被廣泛應(yīng)用于金融市場，如Huang 等（2009） 使用股票市場數(shù)據(jù)和閾值方法構(gòu)建了除證券市場之外的非加權(quán)和非定向網(wǎng)絡(luò)；Kanno（2016） 使用網(wǎng)絡(luò)方法分析了非人壽保險市場中的系統(tǒng)性風(fēng)險；Diebold 和Yilmaz（2012） 在廣義預(yù)測誤差方差分解模型基礎(chǔ)上構(gòu)建的信息溢出網(wǎng)絡(luò)，在分析系統(tǒng)性風(fēng)險溢出的動態(tài)性時更為有效。[2-4]但是目前網(wǎng)絡(luò)分析法主要是對金融機構(gòu)的收益率或波動率序列進(jìn)行建模，波動率雖然是金融市場常用來衡量風(fēng)險的指標(biāo)，但是其對極端風(fēng)險的衡量并不準(zhǔn)確，因此本文擬綜合指標(biāo)法和網(wǎng)絡(luò)法，即利用Diebold 信息溢出網(wǎng)絡(luò)來對金融機構(gòu)CoVaR 的溢出特征進(jìn)行分析，從而實現(xiàn)對系統(tǒng)性金融風(fēng)險的度量和分析。通過兩種方法的有效綜合，能夠?qū)蝹€機構(gòu)極端下跌風(fēng)險引致的系統(tǒng)下跌風(fēng)險有效整合進(jìn)同一框架，從而實現(xiàn)對總的系統(tǒng)性風(fēng)險的度量，并且度量出的系統(tǒng)性風(fēng)險相對于基于波動率的網(wǎng)絡(luò)法更為準(zhǔn)確有效。

二、文獻(xiàn)綜述

（一） 系統(tǒng)性金融風(fēng)險的定義

自20 世紀(jì)90 年代以來，局部和區(qū)域性金融危機事件引起了學(xué)者們的廣泛關(guān)注，一些學(xué)者提出了系統(tǒng)性風(fēng)險的概念（Kaufman，1994；Davis，1995），[5-6]如De Bandt 和Hartmann（2000） 指出系統(tǒng)性風(fēng)險是多個金融機構(gòu)因為某一重大的系統(tǒng)性事件而發(fā)生破產(chǎn)，甚至導(dǎo)致金融體系崩潰的風(fēng)險，[7]但是這些學(xué)者的研究只側(cè)重于對銀行危機的分析。進(jìn)入21 世紀(jì)，學(xué)者們更多地從關(guān)聯(lián)性和多種金融機構(gòu)的角度切入對系統(tǒng)性金融風(fēng)險進(jìn)行定義，如Acharya（2009） 認(rèn)為系統(tǒng)性金融風(fēng)險是金融機構(gòu)資產(chǎn)端趨同性引發(fā)的聯(lián)合破產(chǎn)風(fēng)險；Billio 等（2012） 認(rèn)為金融機構(gòu)間的相互關(guān)聯(lián)性導(dǎo)致?lián)p失和風(fēng)險易于傳播從而形成系統(tǒng)性風(fēng)險；[8-9]Adrian 和Brunnermeier（2016） 認(rèn)為系統(tǒng)性風(fēng)險是由系統(tǒng)性事件所觸發(fā)的金融體系大范圍崩潰的可能性，并對金融市場和實體經(jīng)濟具有很強的負(fù)外部性。[1]監(jiān)管機構(gòu)對系統(tǒng)性金融風(fēng)險也有自己的定義，如金融穩(wěn)定委員會FSB、國際貨幣基金組織IMF 和國際清算銀行BIS（2011） 將系統(tǒng)性金融風(fēng)險定義為金融服務(wù)大范圍中斷并對實體經(jīng)濟造成嚴(yán)重負(fù)面影響的風(fēng)險；歐洲央行ECB（2016） 指出系統(tǒng)性風(fēng)險意味著金融體系提供的產(chǎn)品和服務(wù)受損以至于會對經(jīng)濟增長和社會福利產(chǎn)生影響。[10-11]以上定義雖有不同，但都反映出系統(tǒng)性金融風(fēng)險具有兩大特征：一是偏宏觀、全局概念，它是整個金融體系的問題；二是會對實體經(jīng)濟造成嚴(yán)重的負(fù)面影響，比如經(jīng)濟下行甚至經(jīng)濟衰退。

（二） 系統(tǒng)性金融風(fēng)險的測度

由于系統(tǒng)性風(fēng)險的定義不統(tǒng)一，內(nèi)涵也比較豐富，因而測度方法也有很多種。不同的學(xué)者從各自的視角提出了眾多測度方法，Bisias 等（2012） 在文章中列出了31 個測度方法，[12]比較具有代表性的測度方式包括：（1） 指標(biāo)評估法（BCBS，2013），[13]該方法利用了公司數(shù)據(jù)和市場數(shù)據(jù)，以公司數(shù)據(jù)為主，優(yōu)點在于簡潔、易于執(zhí)行，且融合了客觀數(shù)據(jù)與專家判斷，但是可能存在識別不足或過度識別問題，具有一定程度的主觀性；（2） CoVaR（Adrian 和Brunnermeier，2016），[1]該方法主要基于市場數(shù)據(jù)，本質(zhì)上是條件VaR 值，易于理解，也比較方便計算，但是不滿足可加性、無法測度總的系統(tǒng)性風(fēng)險；（3） MES （Acharya 等，2017），[14]該方法利用市場數(shù)據(jù)和部分公司財務(wù)數(shù)據(jù)，反映資本不足程度，排名結(jié)果較穩(wěn)健，但是系統(tǒng)的ES 并不是各個機構(gòu)MES 的加總；（4） SRISK（Brownlees 和Engel，2017），[15]該方法基于市場數(shù)據(jù)和部分公司財務(wù)數(shù)據(jù)，滿足加和性，并且系統(tǒng)總的SRISK 對宏觀經(jīng)濟惡化有預(yù)警作用，但是需要特殊的財務(wù)假定（計算期內(nèi)負(fù)債和杠桿率不變）；（5） CES（Banulescu 和Dumitrescu，2015），[16]該方法主要采用市場數(shù)據(jù)，滿足可加性、實時性強，但是未能利用公司財務(wù)數(shù)據(jù)；（6） DIP（Huang 等，2012），[17]該方法利用市場數(shù)據(jù)和CDS 數(shù)據(jù)，是一致性測度，滿足可加性，但是須有成熟的CDS 市場；（7） 夏普利值（Tarashev 等，2010；Drehmann 和Tarashev，2011），[18-19]該方法有很好的經(jīng)濟博弈理論支撐且滿足可加性，但是計算復(fù)雜、面臨維數(shù)災(zāi)難。

除此以外，網(wǎng)絡(luò)模型法（IMF，2009） 也常用來分析金融機構(gòu)間的網(wǎng)絡(luò)結(jié)構(gòu)以及風(fēng)險傳染路徑，[20]但是需要大量銀行間業(yè)務(wù)數(shù)據(jù)包括非公開數(shù)據(jù)（Huang 等，2009；Kanno，2016）。[2-3]Diebold 和Yilmaz（2009） 基于方差分解模型提出的信息溢出網(wǎng)絡(luò)，[21]采用了金融市場數(shù)據(jù)對系統(tǒng)性風(fēng)險的動態(tài)溢出進(jìn)行了分析，隨后Diebold 和Yilmaz（2012） 又對模型進(jìn)行了改進(jìn)，[4]采用廣義預(yù)測誤差分解機制有效解決了原模型對輸入變量順序敏感性的問題。該方法計算方便、數(shù)據(jù)可得性強，因此自提出后得到了廣泛應(yīng)用。大量學(xué)者采用Diebold 信息溢出網(wǎng)絡(luò)對金融機構(gòu)或金融市場間的關(guān)系進(jìn)行了分析，如Barunik等（2016）、李政等（2016）、徐曉光等（2017）、王有鑫等（2018）、周亮（2019） 等。[22-26]

（三） 簡要述評

綜合來看，系統(tǒng)性金融風(fēng)險是由于金融機構(gòu)之間網(wǎng)絡(luò)關(guān)聯(lián)性很強，風(fēng)險很容易在機構(gòu)之間溢出，從而導(dǎo)致資產(chǎn)價格螺旋式下跌而產(chǎn)生的。對系統(tǒng)性金融風(fēng)險的測度主要包括指標(biāo)度量法以及網(wǎng)絡(luò)分析法兩種，Diebold 信息網(wǎng)絡(luò)模型由于在測度風(fēng)險溢出的整體性和方向性上表現(xiàn)優(yōu)良，從而得到了廣泛的應(yīng)用，但是該模型的輸入一般是金融機構(gòu)的市場波動率，而往往只有下行波動率尤其是極端下行波動率才會導(dǎo)致系統(tǒng)性金融風(fēng)險的爆發(fā)，因此本文擬將指標(biāo)法和網(wǎng)絡(luò)法綜合起來，利用Diebold 信息網(wǎng)絡(luò)分析金融機構(gòu)間CoVaR 的溢出特征，從而實現(xiàn)對系統(tǒng)性金融風(fēng)險的有效刻畫。相對于已有研究，本文的創(chuàng)新之處主要體現(xiàn)在以下兩個方面：一是將CoVaR 納入網(wǎng)絡(luò)分析法中，能夠?qū)蝹€金融機構(gòu)對系統(tǒng)性金融風(fēng)險的貢獻(xiàn)較為有效地綜合為市場總的系統(tǒng)性風(fēng)險，克服了CoVaR 只能測算單個金融機構(gòu)系統(tǒng)風(fēng)險貢獻(xiàn)度的弊端；二是通過靜態(tài)網(wǎng)絡(luò)和動態(tài)網(wǎng)絡(luò)結(jié)合，從CoVaR 溢出角度對系統(tǒng)性重要機構(gòu)進(jìn)行了識別，同時也對不同金融子行業(yè)在系統(tǒng)性風(fēng)險發(fā)展過程中的表現(xiàn)進(jìn)行了分析。

三、研究設(shè)計

（一） Diebold 信息溢出網(wǎng)絡(luò)

Diebold 信息溢出網(wǎng)絡(luò)基于VAR 的方差分解模型來分析變量間的信息溢出情況，但是傳統(tǒng)方差分解是基于Cholesky 方法，如果變量的排序不同，得到的結(jié)果也會有差異，因此Diebold 網(wǎng)絡(luò)采用廣義預(yù)測誤差分解方法進(jìn)行分析，克服了變量排序的問題。

其中，Φi為系數(shù)矩陣，為獨立同方差的誤差項。由于VAR 模型為協(xié)方差平穩(wěn)過程，故可以用無限滑動平均過程表示：

其中，Ψi為N×N 階系數(shù)矩陣，可以由遞推得到，且Ψ0=IN。通過公式（2） 可以計算出動態(tài)系統(tǒng)的方差分解。Diebold 信息溢出網(wǎng)絡(luò)基于廣義VAR 框架構(gòu)造了信息溢出指數(shù)，用來預(yù)測第j個變量的結(jié)構(gòu)沖擊對第i 個變量滯后H 階方差變化的貢獻(xiàn)度：

其中，Σε是誤差項εt的協(xié)方差矩陣；σjj是第j 個變量方程誤差項的標(biāo)準(zhǔn)差；ei中第i 個元素為1，其他元素均為0。對方差分解結(jié)果進(jìn)行標(biāo)準(zhǔn)化處理：

在公式（4） 的基礎(chǔ)上就可以對總信息溢出值及方向性信息溢出值進(jìn)行定義，其中總溢出值指變量間的方差分解貢獻(xiàn)度對總方差的貢獻(xiàn)，計算公式為：

Diebold 信息溢出網(wǎng)絡(luò)還可以對單個變量的接受溢出、對外溢出以及凈溢出值進(jìn)行分析，其中接受溢出值指的是變量i 對其他變量的方差貢獻(xiàn)度的和，計算公式為：

對外溢出值指的是變量i 對其他變量的方差貢獻(xiàn)度的和，計算公式為：

凈溢出值則是變量i 對外溢出值與接受溢出值的差值，計算公式為：

（二） CoVaR 測算

CoVaR 模型可計算單個資產(chǎn)對整體系統(tǒng)性風(fēng)險的貢獻(xiàn)度（卜林和李政，2015），[27]計算公式為：

其中，Rit和Rst分別表示金融機構(gòu)和股票市場收益率。

其后將金融機構(gòu)的在險風(fēng)險價值VaRi和收益率中位數(shù)Ri,med代入分位數(shù)回歸模型，分別可獲得金融機構(gòu)i 處于極端損失和正常收益水平時，股票市場系統(tǒng)的條件風(fēng)險價值：

利用式（11） 與（12） 可獲得金融機構(gòu)對系統(tǒng)性風(fēng)險的貢獻(xiàn)度：

（三） 樣本選取及描述性統(tǒng)計

根據(jù)申萬一級行業(yè)分類，從銀行業(yè)、證券業(yè)和保險業(yè)選取了45 家上市金融機構(gòu)進(jìn)行分析，其中包括16 家銀行，分別是平安銀行、寧波銀行、浦發(fā)銀行、華夏銀行、民生銀行、招商銀行、南京銀行、興業(yè)銀行、北京銀行、農(nóng)業(yè)銀行、交通銀行、工商銀行、光大銀行、建設(shè)銀行、中國銀行、中信銀行；23 家證券機構(gòu)，分別是東北證券、錦龍股份、國元證券、國海證券、廣發(fā)證券、長江證券、越秀金控、山西證券、中信證券、國投資本、國金證券、華創(chuàng)陽安、西南證券、華鑫股份、海通證券、哈投股份、招商證券、太平洋證券、興業(yè)證券、東吳證券、華泰證券、光大證券和方正證券；6家保險機構(gòu)，分別是天茂集團、西水股份、中國平安、新華保險、中國太保和中國人壽。樣本期包括2012 年1 月至2019 年9 月的所有日數(shù)據(jù)，由于計算CoVaR 需要用到一定區(qū)間的滾動樣本，本文采用了250 天（一年左右） 的時間窗口，即用前250 天的數(shù)據(jù)來計算當(dāng)天的CoVaR 值，市場指數(shù)選擇證監(jiān)會公布的金融行業(yè)指數(shù)。因此，實際計算CoVaR 溢出的樣本窗口是從2013 年1 月至2019 年9 月，所有數(shù)據(jù)來源于wind 數(shù)據(jù)庫。

表1 報告了樣本的描述性統(tǒng)計，篇幅所限，僅報告了3 家銀行、3 家證券機構(gòu)及3 家保險機構(gòu)的樣本情況，這9 家機構(gòu)均是后面分析中CoVaR 溢出值較大的機構(gòu)，即具有一定系統(tǒng)重要性的機構(gòu)。其中Panel A 報告了9 家機構(gòu)日對數(shù)收益率的描述性統(tǒng)計結(jié)果，Panel B 報告了機構(gòu)CoVaR 值的描述性統(tǒng)計結(jié)果，Panel C 報告了機構(gòu)日對數(shù)收益率的相關(guān)系數(shù)，Panel D 報告了機構(gòu)CoVaR 值的相關(guān)系數(shù)。從表中數(shù)據(jù)可以看到，9 家機構(gòu)的日收益率均值均在0 附近，除了中信證券和中國人壽外，其他7 家機構(gòu)的收益率均是左偏的；大多數(shù)機構(gòu)的CoVaR 值均在0.015 以上，最大的是華夏銀行，其均值達(dá)到了0.0214，除了中國平安外，其他機構(gòu)的CoVaR 均是右偏的，說明極端風(fēng)險出現(xiàn)的可能性不小，這也是研究系統(tǒng)性金融風(fēng)險的意義所在；機構(gòu)收益率間相關(guān)系數(shù)大多在0.5 以上，說明金融行業(yè)機構(gòu)走勢相關(guān)性較強；除了中國平安外，其他機構(gòu)CoVaR 的相關(guān)系數(shù)普遍在0.7 以上，高于收益率間的相關(guān)系數(shù)，說明相對于收益率間的聯(lián)動，系統(tǒng)性金融風(fēng)險在不同機構(gòu)間的聯(lián)動更為緊密，當(dāng)某個機構(gòu)發(fā)生金融風(fēng)險時，系統(tǒng)性風(fēng)險容易在不同機構(gòu)間迅速擴散。

表1 樣本描述性統(tǒng)計

續(xù)表1

四、實證結(jié)果

（一） 金融機構(gòu)系統(tǒng)性風(fēng)險溢出

首先將樣本期看成一個整體，采用靜態(tài)分析法利用Diebold 信息溢出網(wǎng)絡(luò)對所有45 家機構(gòu)CoVaR的溢出情況進(jìn)行分析，結(jié)果如表2 所示。由于篇幅所限，僅列出了凈溢出值最大的6 家機構(gòu)CoVaR的對外溢出值、接受溢出值及凈溢出值；銀行、證券和保險三個子行業(yè)整體的溢出情況；以及所有機構(gòu)CoVaR 溢出的整體值?？梢钥吹剑谒x的45 家金融機構(gòu)中，華夏銀行CoVaR 的對外溢出值和凈溢出值分別達(dá)到了131.4 和56.75，均為所有機構(gòu)中最大的；華夏銀行、交通銀行、中信證券、海通證券、光大證券和興業(yè)銀行依次是CoVaR 凈溢出值排名前六的機構(gòu)，說明在系統(tǒng)性風(fēng)險的溢出過程中，這6 家金融機構(gòu)對整個金融系統(tǒng)的影響力更大，即它們是相對重要性機構(gòu)。

在銀行業(yè)中，四大行和招商銀行由于規(guī)模過于龐大、換手率較低，政府監(jiān)管相對更嚴(yán)格，因此在系統(tǒng)性金融風(fēng)險傳導(dǎo)過程中反而容易成為中流砥柱，而華夏銀行、興業(yè)銀行和交通銀行均屬于規(guī)模較為適中的銀行，換手率也較高，因此在爆發(fā)系統(tǒng)性金融風(fēng)險時，更容易將自身的風(fēng)險擴散開來，從而也導(dǎo)致這些銀行對系統(tǒng)整體性風(fēng)險的影響更大。在證券業(yè)中，影響較大的多為大規(guī)模的券商公司，如中信證券的總市值高達(dá)2600 多億元、海通證券的總市值達(dá)到了1600 多億元、光大證券總市值也有520 多億，由此可以看出，證券行業(yè)由于業(yè)務(wù)靈活性比銀行業(yè)要高，因此規(guī)模越大的券商，在系統(tǒng)性金融風(fēng)險溢出過程中的影響力越大。相對而言，保險業(yè)對系統(tǒng)性金融風(fēng)險要小得多。

表2 展示了銀行業(yè)、證券業(yè)和保險業(yè)三個金融子行業(yè)系統(tǒng)性風(fēng)險的溢出情況，其數(shù)值為將子行業(yè)內(nèi)所有機構(gòu)的數(shù)據(jù)加總得到。從凈溢出值來看，銀行業(yè)是主要的風(fēng)險溢出來源，其凈溢出值達(dá)到了230.51，而證券業(yè)和保險業(yè)的凈溢出值則分別為-89.5 和-141.01，均屬于接受風(fēng)險溢出的對象，說明相對而言，銀行業(yè)在系統(tǒng)性金融風(fēng)險溢出過程中居于主導(dǎo)地位。但是從對外溢出值和接受溢出值數(shù)值來看，證券行業(yè)均是最大的，說明證券業(yè)更容易將自身的系統(tǒng)性風(fēng)險向外傳染，也容易受到外部風(fēng)險的影響，受外部影響較大是證券業(yè)凈溢出為負(fù)的最主要原因。而保險業(yè)對外影響力較小，但是卻較容易受到其他兩個行業(yè)系統(tǒng)性風(fēng)險的影響，因此其凈溢出值為負(fù)，且絕對值要比證券業(yè)大許多。表2 的總溢出是所有金融機構(gòu)系統(tǒng)性風(fēng)險溢出的總值，可以看到其值高達(dá)71.41（最大為100，最小為0），說明金融機構(gòu)間的相互影響非常大，系統(tǒng)性風(fēng)險很容易在機構(gòu)之間傳染，這也是系統(tǒng)性金融風(fēng)險容易爆發(fā)的原因所在。

表2 所有金融機構(gòu)的系統(tǒng)性風(fēng)險溢出情況

（二） 分行業(yè)信息溢出

將金融機構(gòu)分為銀行、證券和保險三個行業(yè)，分別測算每個行業(yè)內(nèi)部系統(tǒng)性風(fēng)險的溢出情況，結(jié)果如表3 所示。其中Panel A 報告的是銀行業(yè)16 家機構(gòu)系統(tǒng)性風(fēng)險的溢出情況，由于篇幅所限，僅列出了凈溢出值最大的6 家機構(gòu)的對外溢出值、接受溢出值及凈溢出值，以及行業(yè)整體的溢出總值；Panel B 報告的是證券業(yè)23 家機構(gòu)系統(tǒng)性風(fēng)險的溢出情況，也僅列出了凈溢出值最大的6 家機構(gòu)；Panel C 報告的是保險業(yè)6 家機構(gòu)系統(tǒng)性風(fēng)險的溢出情況。從最后一列行業(yè)風(fēng)險溢出總值來看，證券業(yè)CoVaR 的總溢出值達(dá)到70.31，為三個行業(yè)中最大；銀行業(yè)其次，CoVaR 總溢出值為59.31；保險業(yè)最小，CoVaR 總溢出值僅為41.57。說明證券業(yè)內(nèi)部的系統(tǒng)性風(fēng)險更容易在不同機構(gòu)間傳染，而保險機構(gòu)則相對不容易受行業(yè)內(nèi)其他機構(gòu)的影響，佐證了表2 的結(jié)論。

從各行業(yè)的分面板數(shù)據(jù)來看，Panel A 中農(nóng)業(yè)銀行、交通銀行、建設(shè)銀行、工商銀行、華夏銀行和北京銀行依次是銀行業(yè)CoVaR 凈溢出值最大的6 家機構(gòu)，這與表2 的情況有一定差異。表2 中規(guī)模適中的銀行在金融業(yè)所有45 個機構(gòu)中凈溢出更大，但是在銀行業(yè)內(nèi)部，大型銀行的影響力卻更大，說明大型銀行更容易在銀行業(yè)內(nèi)部形成風(fēng)險的聯(lián)動，但是對證券業(yè)和保險業(yè)等其他金融行業(yè)的影響卻較小。Panel B 的結(jié)果與表2 的結(jié)果相類似，中信證券、海通證券和光大證券這三家規(guī)模較大的券商仍然是行業(yè)內(nèi)系統(tǒng)性風(fēng)險溢出的主要來源。Panel C 的結(jié)果顯示，在保險業(yè)內(nèi)部，中國人壽、中國太保和中國平安更容易將自身的系統(tǒng)性風(fēng)險向外溢出，而天茂集團和西水股份等規(guī)模較小的保險機構(gòu)則是系統(tǒng)性風(fēng)險的被溢出方。綜合Panel A、Panel B 和Panel C 來看，證券行業(yè)內(nèi)部的系統(tǒng)性金融風(fēng)險擴散較為劇烈，而金融各子行業(yè)中規(guī)模較大的機構(gòu)更容易成為行業(yè)系統(tǒng)性風(fēng)險的來源，即規(guī)模越大重要程度越高。

表3 分行業(yè)的系統(tǒng)性風(fēng)險溢出情況

（三） 動態(tài)信息溢出

前面兩部分均是采用靜態(tài)的方法對系統(tǒng)性金融風(fēng)險的溢出情況進(jìn)行分析，但是金融風(fēng)險的溢出往往是時變的，因此本部分采用100 期的時間窗口進(jìn)行動態(tài)分析（后文將會對時間窗口進(jìn)行穩(wěn)健性檢驗），即利用第1 期至第100 期的數(shù)據(jù)計算第1 個風(fēng)險溢出值，再利用第2 期至第101 期的數(shù)據(jù)計算第2 個風(fēng)險溢出值，然后依次滾動。表4 報告了動態(tài)風(fēng)險溢出值的均值，即對所有滾動測算出的風(fēng)險溢出值取均值，其中Panel A 報告的是所有45 家金融機構(gòu)的動態(tài)CoVaR 溢出情況，由于篇幅所限，僅列出了凈溢出值靠前的6 家機構(gòu)、三個子行業(yè)的整體溢出情況，以及所有45 家機構(gòu)的風(fēng)險溢出總值；Panel B 和Panel C 分別報告了銀行業(yè)16 家機構(gòu)和證券業(yè)23 家機構(gòu)的動態(tài)CoVaR 溢出情況，同樣僅列出了凈溢出值排名前6 的機構(gòu)；Panel D 報告了保險業(yè)6 家機構(gòu)的動態(tài)CoVaR 溢出情況。相較于表2 和表3 的靜態(tài)風(fēng)險溢出值，動態(tài)溢出值的均值水平更高，如最后一列中，所有機構(gòu)的CoVaR溢出總值達(dá)到了86.78，高于表2 中的71.41；銀行業(yè)、證券業(yè)和保險業(yè)的風(fēng)險溢出總值也高于表3 中靜態(tài)溢出的數(shù)值。比較三個子行業(yè)的CoVaR 溢出總值可以看到，證券業(yè)的CoVaR 溢出總值高達(dá)93.01，高于銀行業(yè)的78.23 和保險業(yè)的55.17，再次說明在證券業(yè)內(nèi)部，機構(gòu)間的系統(tǒng)性風(fēng)險傳染更為緊密，而保險業(yè)內(nèi)部的系統(tǒng)性風(fēng)險傳染則相對較弱。

從Panel A 中第1 至6 列金融機構(gòu)的CoVaR 溢出值來看，南京銀行、華夏銀行、中信證券、平安銀行、興業(yè)證券和農(nóng)業(yè)銀行成了對外風(fēng)險凈溢出最大的6 家機構(gòu)，與表2 的情況有一定差異，但是結(jié)論是相似的，即規(guī)模適中的銀行以及規(guī)模較大的證券公司更容易在整個金融行業(yè)中傳染系統(tǒng)性風(fēng)險。Panel A 展示了三個子行業(yè)的CoVaR 溢出值（即將行業(yè)內(nèi)所有機構(gòu)的溢出值加總），與表2 情況基本一致，銀行業(yè)是三個子行業(yè)系統(tǒng)性風(fēng)險溢出的主要來源，而證券業(yè)和保險業(yè)則均是接受溢出的對象，且證券業(yè)的CoVaR 對外溢出及接受溢出值均最大，由于接受溢出值大于對外溢出值，因此證券業(yè)的凈溢出值為負(fù)。Panel B 中，農(nóng)業(yè)銀行、平安銀行、南京銀行、華夏銀行、興業(yè)銀行和浦發(fā)銀行成了銀行業(yè)內(nèi)部風(fēng)險溢出中凈溢出值最大的6 家機構(gòu)，與表3 的情況也較為類似，即在銀行業(yè)內(nèi)部，大中型銀行的對外風(fēng)險傳染性更強。Panel C 的結(jié)果則與表3 有一定差異，主要表現(xiàn)為太平洋證券、西南證券等規(guī)模中等的券商成了凈溢出最大的機構(gòu)，而中信和海通等規(guī)模較大的券商雖然凈溢出值仍然為正，但是數(shù)值上卻要低于部分中等規(guī)模券商（限于篇幅，結(jié)果未在表中列出）。Panel D 的結(jié)果與表3的結(jié)果類似，即中國太保、中國平安和中國人壽等大規(guī)模保險機構(gòu)仍然是對外凈溢出最大的幾家機構(gòu)，而天茂集團和西水股份等小規(guī)模保險機構(gòu)則是接受溢出的對象?？傮w來看，動態(tài)風(fēng)險溢出的結(jié)果與靜態(tài)風(fēng)險溢出的結(jié)果較為類似，即中等規(guī)模的銀行和中大型規(guī)模的券商更容易成為系統(tǒng)性風(fēng)險傳染的主要來源，而證券業(yè)內(nèi)部的風(fēng)險傳染最為緊密。

表4 系統(tǒng)性風(fēng)險的動態(tài)溢出情況

為了更清晰地展示系統(tǒng)性金融風(fēng)險的動態(tài)溢出機制，圖1 繪制了銀行、證券和保險三個行業(yè)凈溢出值的動態(tài)曲線（對應(yīng)于表4 中Panel A），圖2 繪制了銀行、證券和保險三個行業(yè)總溢出值的動態(tài)曲線（對應(yīng)于表4）。從圖1 可以看到，銀行業(yè)凈溢出值在樣本期內(nèi)絕大部分時間均處于零軸以上，而證券業(yè)和保險業(yè)則絕大部分處于零軸以下。銀行業(yè)凈溢出值的兩個最高點分別出現(xiàn)在2015 年6 月和2018 年1 月，這兩個時間點均是一輪大幅下跌的開始時間，尤其是2015 年6 月之后的千股跌停舉世矚目。相應(yīng)的，在銀行業(yè)凈溢出值出現(xiàn)急劇下滑甚至為負(fù)的時候，基本上都對應(yīng)著金融市場的大跌，即系統(tǒng)性金融風(fēng)險較高甚至爆發(fā)。當(dāng)銀行業(yè)凈溢出值大幅下跌時，證券業(yè)的凈溢出值往往出現(xiàn)大幅攀升，說明在金融風(fēng)險爆發(fā)時，證券業(yè)更容易成為風(fēng)險溢出的來源，如2015 年6 月股災(zāi)發(fā)生時，證券業(yè)的凈溢出值從最低的-746（2015 年5 月7 日） 迅速攀升至最高的234（2015 年7 月24 日）。而保險業(yè)除了2013 年底和2015 年底的極小部分時期凈溢出值出現(xiàn)了正值外，其他時期均為負(fù)值，且變動相對較為平緩。

圖1 銀行、證券和保險凈溢出值的動態(tài)曲線

從圖2 可以看到，45 個金融機構(gòu)的總溢出值絕大部分時間均在80 以上，兩個階段性的最大值分別出現(xiàn)在2015 年6 月12 日（取得最大值94.18） 和2017 年3 月30 日（取得最大值94.33），2015 年6 月12 日正好是股災(zāi)開始的時間點，而2017 年3 月30 日是股災(zāi)后反彈的一個階段性高點，說明通過CoVaR 溢出情況的分析可以對市場總體的系統(tǒng)性金融風(fēng)險進(jìn)行較為有效的識別。分行業(yè)來看，證券業(yè)的總溢出值最大，持續(xù)位于90 以上，且在所有機構(gòu)CoVaR 總溢出值達(dá)到階段性頂點時，證券業(yè)的總溢出值也經(jīng)常達(dá)到階段性頂點。銀行業(yè)CoVaR 總溢出值絕大部分時間均大于70，但是卻低于所有機構(gòu)及證券業(yè)的CoVaR 總溢出值，從走勢上看，銀行業(yè)總溢出值與45 個機構(gòu)總溢出值的走勢相關(guān)性較強，從圖形上看對45 個機構(gòu)總溢出值表現(xiàn)出略微領(lǐng)先的特征。保險業(yè)的CoVaR 總溢出值一直低于70，最低值甚至只有30.31，遠(yuǎn)低于其他兩個行業(yè)，說明保險業(yè)內(nèi)部系統(tǒng)性風(fēng)險溢出相對其他兩個行業(yè)要較弱，這與前文的分析結(jié)論是相一致的?？傮w來看，各行業(yè)CoVaR 總溢出值走勢具有一定的相關(guān)性，而證券業(yè)的溢出值最高，證券業(yè)內(nèi)部系統(tǒng)性風(fēng)險傳染更為緊密，保險業(yè)機構(gòu)間的相互聯(lián)系最弱。

圖2 銀行、證券和保險總溢出值的動態(tài)曲線

（四） 穩(wěn)健性檢驗

1. CoVaR 計算方法的穩(wěn)健性。為了保證實證結(jié)果的穩(wěn)健性，本部分從CoVaR 的計算方法以及動態(tài)時間窗口的時期數(shù)兩個方面來進(jìn)行穩(wěn)健性檢驗。CoVaR 計算方法主要是對其分位數(shù)進(jìn)行檢驗，前面的實證結(jié)果均是采用5%的VaR 及分位數(shù)結(jié)果，本部分將分別采用1%的VaR 及分位數(shù)結(jié)果，以及10%的VaR 及分位數(shù)結(jié)果進(jìn)行檢驗，表5 和表6 報告了相關(guān)結(jié)果。與表2 和表3 的情況相類似，中等規(guī)模的銀行和規(guī)模較大的券商是45 家機構(gòu)CoVaR 溢出時最主要的溢出源，且銀行業(yè)整體的凈溢出值較大，而證券業(yè)整體無論是對外溢出值還是接受溢出值數(shù)值均很大，因此其凈溢出值為負(fù)（1%Co-VaR 時） 或者為很小的正值（10%CoVaR 時）。分行業(yè)來看，大中型的機構(gòu)均是行業(yè)內(nèi)部主要的風(fēng)險來源。從最后一列總溢出值來看，證券行業(yè)的CoVaR 總溢出值最大，而保險行業(yè)的CoVaR 總溢出值最小；而所有45 個機構(gòu)的總溢出均高于50，說明系統(tǒng)性金融風(fēng)險較容易在不同機構(gòu)之間擴散。綜合來看，前面的研究結(jié)論是穩(wěn)健的。

表5 1%分位數(shù)下CoVaR 溢出情況

2. 動態(tài)時間窗口的穩(wěn)健性檢驗。時間窗口的長度會對CoVaR 動態(tài)溢出情況產(chǎn)生較大影響，因此本部分對時間窗口進(jìn)行穩(wěn)健性檢驗，分別采用50 期、75 期、125 期和150 期的窗口與前文100 期的窗口進(jìn)行對比，結(jié)果如表7 所示，由于篇幅所限，僅列出所有45 家機構(gòu)的溢出情況。可以看到，時間窗口越短，風(fēng)險溢出值越大，尤其是銀行業(yè)。如平安銀行和南京銀行在T=50 時，其凈溢出值分別高達(dá)151.49 和113.22，所有前6 家凈溢出值最大的機構(gòu)均為銀行，銀行業(yè)整體的凈溢出值也達(dá)到了487.8；且所有機構(gòu)總溢出值高達(dá)96.18，說明機構(gòu)間系統(tǒng)性風(fēng)險的傳染性非常強。隨著時間周期的變長，銀行業(yè)的凈溢出值慢慢降低，而證券業(yè)的凈溢出值逐漸提高，在T=150 時，中信證券、光大證券和興業(yè)證券的凈溢出值排在了前3 位。從最后一列總溢出值也可以看到，隨著時間窗口變長，總溢出值逐漸降低，但是即使在T=150 時，總溢出值仍然高達(dá)83.69。綜合來看，金融機構(gòu)間系統(tǒng)性風(fēng)險的傳染是非常緊密的，規(guī)模適中的銀行及規(guī)模較大的券商在系統(tǒng)中的重要性更強；銀行業(yè)是主要的凈溢出來源，而證券業(yè)無論是對外溢出還是接受溢出均是最大的，與前文的研究結(jié)論是一致的。

表6 10%分位數(shù)下CoVaR 的溢出情況

續(xù)表6

表7 時間窗口穩(wěn)健性檢驗

續(xù)表7

五、結(jié)論與討論

根據(jù)申萬一級行業(yè)指數(shù)分類，選取2012 年1 月至2019 年9 月45 家金融機構(gòu)的所有日數(shù)據(jù)，采用Diebold 信息溢出指數(shù)法從靜態(tài)和動態(tài)多視角研究了機構(gòu)間CoVaR 的溢出機制，研究結(jié)果發(fā)現(xiàn)：第一，金融機構(gòu)間系統(tǒng)性風(fēng)險的傳染非常緊密，靜態(tài)總溢出值高達(dá)71.41，動態(tài)總溢出值平均值高達(dá)86.78；2015 年6 月12 日股災(zāi)爆發(fā)前夕動態(tài)總溢出值達(dá)到了94.18，說明通過CoVaR 溢出情況的分析可以對系統(tǒng)性金融風(fēng)險進(jìn)行較為有效的識別。第二，銀行業(yè)是系統(tǒng)性金融風(fēng)險最主要的溢出源，而證券業(yè)的對外溢出值和接受溢出值都很大，保險業(yè)則主要表現(xiàn)出接受溢出的特征；但是當(dāng)系統(tǒng)性金融風(fēng)險累積足夠大、市場開始走向大幅下跌的時候，銀行業(yè)的凈溢出將會顯著降低，而證券業(yè)的凈溢出將會顯著增加。第三，規(guī)模適中的銀行機構(gòu)和規(guī)模較大的證券機構(gòu)的凈溢出值較大，說明這些機構(gòu)屬于系統(tǒng)重要性機構(gòu)，如無論是靜態(tài)還是動態(tài)的凈溢出值，華夏銀行和中信證券均是較大的。第四，分行業(yè)來看，證券業(yè)內(nèi)部的系統(tǒng)性風(fēng)險傳染更為緊密，其次為銀行業(yè)，保險業(yè)最小。當(dāng)CoVaR 總溢出值達(dá)到最大值的時候，往往是系統(tǒng)性金融風(fēng)險積累到極致的時候，接下來市場往往會發(fā)生較為顯著的下跌。

本文的研究結(jié)論對系統(tǒng)性風(fēng)險的理論研究具有借鑒價值，對于金融監(jiān)管部門系統(tǒng)性金融風(fēng)險的監(jiān)管和防范也具有一定的指導(dǎo)意義：第一，應(yīng)建立金融防火墻防止金融風(fēng)險在不同行業(yè)間的迅速擴散。正如實證研究中所發(fā)現(xiàn)的，金融行業(yè)相互間聯(lián)動非常緊密，不同行業(yè)間的風(fēng)險很容易相互擴散，因此為了防止系統(tǒng)性金融危機的爆發(fā)和擴散，有必要在不同行業(yè)間建立起金融防火墻。第二，應(yīng)針對不同的金融子行業(yè)采取不同的監(jiān)管措施。不同金融子行業(yè)在系統(tǒng)性金融風(fēng)險的形成及擴散過程中的地位并不一樣，如銀行業(yè)是整個系統(tǒng)性風(fēng)險的主要溢出源，但是在金融市場發(fā)生大幅下跌時其對外溢出值會有大幅下降，而證券業(yè)將會成為系統(tǒng)性風(fēng)險的主要來源。相對的，保險業(yè)由于其規(guī)模相對銀行業(yè)和證券業(yè)要小很多，它的行業(yè)內(nèi)部的相互總溢出值以及在金融體系中的影響力都是很小的。因此，不能夠采用一致標(biāo)準(zhǔn)來對不同的金融子行業(yè)進(jìn)行監(jiān)管，而應(yīng)有針對性地采取不同的監(jiān)管措施。第三，應(yīng)加強對系統(tǒng)性重要機構(gòu)的識別和監(jiān)督。不同金融機構(gòu)在系統(tǒng)性風(fēng)險溢出過程中的作用和地位也是不一樣的，如本文計算發(fā)現(xiàn)，華夏銀行等規(guī)模適中銀行以及中信證券等規(guī)模較大券商，在金融體系中的影響力更大，加強對這些系統(tǒng)性重要機構(gòu)的監(jiān)督，能夠使金融風(fēng)險防范工作事半功倍。