任英華 劉洋 彭慶雪 湯季蓉

[摘 要] 基于SRISK模型測(cè)度2009-2019年銀行、多元金融、保險(xiǎn)和房地產(chǎn)四部門(mén)共計(jì)240家上市公司的系統(tǒng)性風(fēng)險(xiǎn)，并通過(guò)有向網(wǎng)絡(luò)分析金融機(jī)構(gòu)之間風(fēng)險(xiǎn)信息的溢出效應(yīng)，研究發(fā)現(xiàn)：“h=132天，C=-40%”更加符合我國(guó)系統(tǒng)性危機(jī)事件定義方式;在風(fēng)險(xiǎn)總量上，銀行和保險(xiǎn)部門(mén)占據(jù)重要地位，房地產(chǎn)近年來(lái)上升趨勢(shì)明顯;在風(fēng)險(xiǎn)信息傳導(dǎo)上，銀行是重要的長(zhǎng)期風(fēng)險(xiǎn)信息溢出者。

[關(guān)鍵詞] SRISK;系統(tǒng)性金融風(fēng)險(xiǎn);蒙特卡羅方法;有向格蘭杰因果檢驗(yàn);風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)

[中圖分類號(hào)] ?F224; F832.59 ? [文獻(xiàn)標(biāo)識(shí)碼] A ? [文章編號(hào)] 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 引言及文獻(xiàn)綜述

受全球新冠肺炎疫情沖擊，2020年3月9日至3月18日美股市場(chǎng)4次觸發(fā)“熔斷”，創(chuàng)下1987年“黑色星期一”以來(lái)的最大單日跌幅，歐美發(fā)達(dá)國(guó)家實(shí)體經(jīng)濟(jì)惡化，金融環(huán)境出現(xiàn)動(dòng)蕩。由于金融機(jī)構(gòu)之間通過(guò)業(yè)務(wù)和產(chǎn)品相互關(guān)聯(lián)，部分金融機(jī)構(gòu)的個(gè)體風(fēng)險(xiǎn)容易“傳染”給其他機(jī)構(gòu)甚至整個(gè)行業(yè)，如果不能有效挽救一個(gè)公司的財(cái)務(wù)危機(jī)，債務(wù)將蔓延整個(gè)金融和實(shí)體經(jīng)濟(jì)。因此，正確認(rèn)識(shí)當(dāng)前金融體系中的系統(tǒng)性金融風(fēng)險(xiǎn)，分析風(fēng)險(xiǎn)信息的傳導(dǎo)特征對(duì)金融機(jī)構(gòu)自身運(yùn)營(yíng)和宏觀審慎監(jiān)管具有重要的理論價(jià)值與現(xiàn)實(shí)意義。

在系統(tǒng)性風(fēng)險(xiǎn)的測(cè)度上，從傳統(tǒng)的VaR（Value at Risk）風(fēng)險(xiǎn)價(jià)值到條件風(fēng)險(xiǎn)價(jià)值（CoVaR），再到邊際期望損失，它們都有較大貢獻(xiàn)。VaR是根據(jù)置信水平對(duì)應(yīng)的收益率尾部分位點(diǎn)來(lái)估計(jì)持有期內(nèi)的最大損失。VaR盡管計(jì)算簡(jiǎn)便，但不具有次可加性，可能會(huì)高估組合資產(chǎn)的風(fēng)險(xiǎn)。Adrian和Brunnermeier提出了條件風(fēng)險(xiǎn)價(jià)值，即金融系統(tǒng)在機(jī)構(gòu)陷入困境時(shí)的風(fēng)險(xiǎn)價(jià)值，其將一個(gè)機(jī)構(gòu)對(duì)系統(tǒng)風(fēng)險(xiǎn)的貢獻(xiàn)ΔCoVaR定義為處于困境和中間兩種狀態(tài)的CoVaR差值[1-2]。Acharya 等人在預(yù)期損失（ES）的基礎(chǔ)上，提出系統(tǒng)性期望損失（SES）和邊際期望損失（MES）來(lái)度量系統(tǒng)性風(fēng)險(xiǎn)[3-4]。

進(jìn)一步地，Acharya 等人給出資本損失（CS）的概念，在此基礎(chǔ)上提出SRISK模型并推導(dǎo)出理論公式[5]。SRISK模型度量的是一個(gè)金融體系在發(fā)生系統(tǒng)性危機(jī)事件條件下的預(yù)期資本缺口。這種方法綜合了金融機(jī)構(gòu)的負(fù)債、資本，以及金融機(jī)構(gòu)和市場(chǎng)整體的動(dòng)態(tài)關(guān)聯(lián)性，在模擬發(fā)生危機(jī)的情況下，對(duì)救助金融系統(tǒng)必須提供的資本總額進(jìn)行了估計(jì)，受到國(guó)內(nèi)外學(xué)者的關(guān)注。例如，Brownless和Engel基于美國(guó)市場(chǎng)數(shù)據(jù)對(duì)SRISK進(jìn)行了數(shù)值計(jì)算和分析，證實(shí)了SRISK能通過(guò)排序來(lái)確立系統(tǒng)性金融機(jī)構(gòu)，并且SRISK總量有助于預(yù)測(cè)工業(yè)產(chǎn)量和失業(yè)率，能夠?yàn)閷?shí)際經(jīng)濟(jì)活動(dòng)提供危險(xiǎn)的早期預(yù)警信號(hào)[6]。但陳湘鵬指出，國(guó)內(nèi)部分研究在計(jì)算SRISK中間變量LRMES時(shí)直接套用Acharya et al.基于美國(guó)市場(chǎng)所提出的近似關(guān)系“LRMES=1-exp（-18*MES）”[7]，如梁琪等[8]、朱衡等[9]，這與中國(guó)實(shí)際可能相偏離。此外，在定義系統(tǒng)性危機(jī)事件時(shí)，國(guó)內(nèi)研究中缺少相應(yīng)討論，各自選取的標(biāo)準(zhǔn)不盡相同，如“h=120天，C=-30%”（周強(qiáng)和楊柳勇[10]）、“h=3個(gè)月，C=-30%”（史永東等[11]）、“h=6個(gè)月，C=-40%”（剛健華等[12]）、“h=57天，C=-20%”（張琳等[13]），這說(shuō)明目前國(guó)內(nèi)對(duì)SRISK的研究不夠重視中美金融市場(chǎng)可能存在的差異性，因此有必要結(jié)合中國(guó)實(shí)際來(lái)定義系統(tǒng)性危機(jī)事件。

在分析風(fēng)險(xiǎn)溢出效應(yīng)方面，網(wǎng)絡(luò)分析法（network analysis）作為一種交叉學(xué)科的技術(shù)，正廣泛應(yīng)用于金融經(jīng)濟(jì)系統(tǒng)的內(nèi)在關(guān)聯(lián)分析。針對(duì)金融市場(chǎng)間關(guān)聯(lián)性，王雯等以國(guó)際市場(chǎng)指數(shù)收益率的Kendalls tau相關(guān)系數(shù)和5個(gè)金融子市場(chǎng)的動(dòng)態(tài)相關(guān)系數(shù)作為信息源，構(gòu)建了跨境、跨市場(chǎng)的關(guān)聯(lián)網(wǎng)絡(luò)，研究表明全球金融市場(chǎng)的聯(lián)動(dòng)存在顯著的時(shí)變特征，大宗商品市場(chǎng)、黃金市場(chǎng)、外匯市場(chǎng)與股票市場(chǎng)間存在單向或雙向傳導(dǎo)關(guān)系[14]。針對(duì)金融部門(mén)風(fēng)險(xiǎn)溢出問(wèn)題，李政等構(gòu)建了40家上市金融機(jī)構(gòu)的股票收益率關(guān)聯(lián)網(wǎng)絡(luò)，結(jié)果顯示金融機(jī)構(gòu)在危機(jī)期間的信息溢出效應(yīng)強(qiáng)、關(guān)聯(lián)程度高，且自2012年后總體關(guān)聯(lián)性呈上升趨勢(shì)[15]。Wang等人使用擴(kuò)展的CAViaR風(fēng)險(xiǎn)度量模型建立美國(guó)標(biāo)普500指數(shù)中84家金融類成分股的風(fēng)險(xiǎn)網(wǎng)絡(luò)，分析表明房地產(chǎn)和銀行是極端市場(chǎng)風(fēng)險(xiǎn)的凈傳播者，而保險(xiǎn)和多元化金融是凈接受者[16]。楊子暉等以金融業(yè)和房地產(chǎn)業(yè)中市值前56名的上市公司作為樣本，分別使用VaR、MES、CoVaR和ΔCoVaR建立極端風(fēng)險(xiǎn)傳染網(wǎng)絡(luò)，證實(shí)了中國(guó)資本市場(chǎng)呈現(xiàn)出顯著的跨部門(mén)風(fēng)險(xiǎn)溢出效應(yīng)[17]。李政等使用ΔCoVaR和LASSO分位數(shù)回歸模型來(lái)構(gòu)建31家金融機(jī)構(gòu)的關(guān)聯(lián)網(wǎng)絡(luò)，研究顯示不同金融行業(yè)之間，以及不同類型的銀行之間風(fēng)險(xiǎn)傳染水平具有不對(duì)稱性[18]。任英華等基于熵權(quán)法和萬(wàn)有引力模型構(gòu)建銀行流動(dòng)性風(fēng)險(xiǎn)網(wǎng)絡(luò)，研究表明商業(yè)銀行流動(dòng)性風(fēng)險(xiǎn)傳染機(jī)制具有層次傳染和反傳染性[19]。由此可見(jiàn)，伴隨著金融創(chuàng)新及金融業(yè)混業(yè)經(jīng)營(yíng)態(tài)勢(shì)的不斷發(fā)展，金融機(jī)構(gòu)間的業(yè)務(wù)范疇相互滲透，關(guān)聯(lián)日益緊密，這使風(fēng)險(xiǎn)在機(jī)構(gòu)間更容易相互傳染，“太大而不能倒”的觀念正轉(zhuǎn)為“聯(lián)系密切而不能倒”。

綜上所述，現(xiàn)有風(fēng)險(xiǎn)度量模型大多僅僅依賴金融市場(chǎng)收益率數(shù)據(jù)，風(fēng)險(xiǎn)信息源比較單一，缺乏和金融機(jī)構(gòu)自身經(jīng)營(yíng)直接相關(guān)的負(fù)債、權(quán)益等基本面信息，不利于全面、綜合的度量風(fēng)險(xiǎn)源。同時(shí)，如果將MES或ΔCoVaR作為系統(tǒng)性金融風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)，會(huì)使市值規(guī)模極小的金融機(jī)構(gòu)得到更多關(guān)注，這與審慎監(jiān)管實(shí)務(wù)存在嚴(yán)重背離（陳湘鵬等，2019），而SRISK綜合規(guī)模、杠桿率和互聯(lián)緊密性，恰好能彌補(bǔ)這些不足。鑒于此，本文以銀行、多元金融根據(jù)全球行業(yè)分類標(biāo)準(zhǔn)（Global Industry Classification Standard， GICS），多元金融涵蓋從事綜合金融服務(wù)、消費(fèi)信貸和資本市場(chǎng)等業(yè)務(wù)的機(jī)構(gòu)。、保險(xiǎn)和房地產(chǎn)四部門(mén)作為大金融業(yè)的主體，在對(duì)比中美金融市場(chǎng)收益率分布和尾部特征基礎(chǔ)上，明晰中國(guó)市場(chǎng)環(huán)境下危機(jī)性事件的定義，采用Brownlees和Engle（2017）的SRISK模型測(cè)度2009-2019年我國(guó)銀行、多元金融、保險(xiǎn)和房地產(chǎn)四部門(mén)共計(jì)240家上市公司的系統(tǒng)性金融風(fēng)險(xiǎn)，并將其作為風(fēng)險(xiǎn)網(wǎng)絡(luò)的信息源，分機(jī)構(gòu)、分部門(mén)剖析風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)特征。本文的貢獻(xiàn)主要有以下兩點(diǎn)：一是在分析中美收益率分布特征的基礎(chǔ)上，結(jié)合核密度估計(jì)來(lái)定義符合中國(guó)實(shí)際的危機(jī)事件，據(jù)此建立SRISK模型，對(duì)由銀行、多元金融、保險(xiǎn)和房地產(chǎn)四部門(mén)共計(jì)240家上市公司組成的大金融業(yè)2009-2019年的系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行測(cè)度和分析。二是針對(duì)傳統(tǒng)格蘭杰因果檢驗(yàn)在構(gòu)建風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)時(shí)只能識(shí)別信息影響的有無(wú)，而未能區(qū)分信息影響同向還是異向的不足，應(yīng)用有向格蘭杰因果檢驗(yàn)，并基于SRISK建立反映金融機(jī)構(gòu)之間風(fēng)險(xiǎn)信息正、負(fù)影響的有向網(wǎng)絡(luò)，分析風(fēng)險(xiǎn)信息的溢出效應(yīng)，有助于更有效地監(jiān)控和預(yù)警系統(tǒng)性金融風(fēng)險(xiǎn)。

二 模型設(shè)定和研究方法

（一）SRISK模型構(gòu)建

1.SRISK理論

SRISK可視為企業(yè)債務(wù)、權(quán)益資本和預(yù)期資本損失率的函數(shù)。預(yù)期資本損失率是由市場(chǎng)在發(fā)生危機(jī)事件時(shí)下跌幅度和機(jī)構(gòu)與市場(chǎng)之間的關(guān)聯(lián)性所決定，被定義為長(zhǎng)期邊際預(yù)期損失（Long Run Marginal Expected Shortfall， LRMES）。SRISK數(shù)值由企業(yè)資產(chǎn)負(fù)債表信息和適當(dāng)?shù)腖RMES估計(jì)值計(jì)算得到。

SRISK使用預(yù)期資本缺口來(lái)度量金融風(fēng)險(xiǎn)，而資本缺口的大小反映金融機(jī)構(gòu)的財(cái)務(wù)困境狀況，用公司必需持有的資本儲(chǔ)備減去公司的權(quán)益價(jià)值，資本缺口CSi，t定義為：

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

其中，Ai，t為準(zhǔn)資產(chǎn)價(jià)值;Wi，t表示權(quán)益的賬面價(jià)值;Di，t是債務(wù)的賬面價(jià)值;由于各子行業(yè)的審慎資本比例k理論上不同，如果將k設(shè)置為相同的，會(huì)導(dǎo)致各子行業(yè)橫向?qū)Ρ葧r(shí)產(chǎn)生偏差。本文參照《商業(yè)銀行資本管理辦法（試行）》詳見(jiàn)銀保監(jiān)會(huì)網(wǎng)站http：//www.cbirc.gov.cn/cn/view/pages/ItemDetail.html？docId=13077&itemId=915&generaltype=0。，將銀行業(yè)設(shè)置為11.5%;依據(jù)證監(jiān)會(huì)《證券公司風(fēng)險(xiǎn)控制指標(biāo)管理辦法》及配套規(guī)則公開(kāi)征求意見(jiàn)詳見(jiàn)證監(jiān)會(huì)網(wǎng)站http：//www.csrc.gov.cn/pub/newsite/zjhxwfb/xwdd/201604/t20160408_295570.html。，將多元金融設(shè)置為16.7%;由于保險(xiǎn)業(yè)沒(méi)有具體的風(fēng)險(xiǎn)監(jiān)管辦法，但保險(xiǎn)公司通常設(shè)置資產(chǎn)管理公司從事保險(xiǎn)資產(chǎn)管理業(yè)務(wù)，根據(jù)《金融資產(chǎn)管理公司監(jiān)管辦法》詳見(jiàn)銀保監(jiān)會(huì)網(wǎng)站http：//www.cbirc.gov.cn/cn/view/pages/ItemDetail.html？docId=60708&itemId=928&generaltype=0。，設(shè)置為12.5%;房地產(chǎn)業(yè)也沒(méi)有相應(yīng)的審慎資本監(jiān)管方案，借鑒陳湘鵬等（2019）的方式設(shè)置為20%。

SRISK模型估計(jì)時(shí)需重點(diǎn)關(guān)注金融體系在發(fā)生系統(tǒng)性事件時(shí)的預(yù)期資本缺口。Acharya 等（2010，2017）對(duì)系統(tǒng)性危機(jī)事件給出了一個(gè)定義，即在時(shí)間段h內(nèi)市場(chǎng)收益率下跌的幅度超過(guò)閾值C。本文將立足中國(guó)實(shí)際，在對(duì)比中美市場(chǎng)的基礎(chǔ)上具體取值。將t+1和t+h之間的離散型市場(chǎng)總收益率表示為Rm，t+1：t+h，系統(tǒng)性危機(jī)事件就可以表示為{Rm，t+1：t+h

SRISKi，t=E（CSi，t|Rm，t+1：t+h

單個(gè)機(jī)構(gòu)自身縱向比較或者機(jī)構(gòu)之間橫向?qū)Ρ葧r(shí)，可以采用原始的SRISK數(shù)值進(jìn)行比較，而在計(jì)算部門(mén)或整個(gè)金融體系風(fēng)險(xiǎn)總量時(shí)，單個(gè)機(jī)構(gòu)的SRISK數(shù)值需要根據(jù)公式（3）進(jìn)行截?cái)嗵幚?，這是因?yàn)槿绻硞€(gè)金融機(jī)構(gòu)的SRISK為負(fù)，盡管其本身處于資本盈余狀態(tài)，但在危機(jī)當(dāng)中難以迅速地通過(guò)并購(gòu)或貸款調(diào)動(dòng)過(guò)剩資本，盈余的資本不一定可以用來(lái)直接幫助其他陷入困境中的機(jī)構(gòu)。

結(jié)合以上兩個(gè)層次的統(tǒng)計(jì)量，就能夠更細(xì)致地對(duì)風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)中節(jié)點(diǎn)的信息進(jìn)行分析。

三 樣本及數(shù)據(jù)

（一）樣本選取

為了保持結(jié)果在國(guó)際范圍具有可比性，依據(jù)全球行業(yè)分類標(biāo)準(zhǔn)，金融行業(yè)細(xì)分為四個(gè)GICS行業(yè)集團(tuán)，即銀行（GICS代碼4010）、多元金融（GICS代碼4020）、保險(xiǎn)（GICS代碼4030）和房地產(chǎn)（GICS代碼4040）。樣本由36家商業(yè)銀行、66家多元金融機(jī)構(gòu)、7家保險(xiǎn)公司和131家房地產(chǎn)公司組成。由于滬深300指數(shù)從滬深兩市選取規(guī)模大和流動(dòng)性強(qiáng)的公司作為成分股，具備作為基準(zhǔn)指數(shù)的穩(wěn)定性和代表性，能夠綜合反映中國(guó)金融市場(chǎng)的運(yùn)行情況，因此本文將滬深300指數(shù)作為中國(guó)市場(chǎng)的基準(zhǔn)指數(shù)。在對(duì)比分析中美市場(chǎng)特征時(shí)，因?yàn)闃?biāo)普500指數(shù)涵蓋美國(guó)主要金融業(yè)公司，而且采樣面廣、代表性強(qiáng)，故選取標(biāo)普500指數(shù)代表美國(guó)市場(chǎng)。

（二）數(shù)據(jù)說(shuō)明

從東方財(cái)富Choice和同花順iFinD金融數(shù)據(jù)終端獲取基本面數(shù)據(jù)和市場(chǎng)數(shù)據(jù)。計(jì)算SRISK所需的公司負(fù)債和權(quán)益信息，以最具代表性的年報(bào)為準(zhǔn)，基于2009-2019年最近11年的數(shù)據(jù)進(jìn)行測(cè)算和分析。為了更好地汲取金融市場(chǎng)信息，市場(chǎng)的數(shù)據(jù)時(shí)間跨度為2002年初至2020年3月13日，總共4413個(gè)交易日數(shù)據(jù)，并將金融機(jī)構(gòu)i在第t天的連續(xù)型日收益率表示為ri，t=ln（Pi，t/Pi，t-1），其中Pi，t為金融機(jī)構(gòu)i在第t天的日收盤(pán)價(jià)，市場(chǎng)基準(zhǔn)指數(shù)處理方式亦然。

四 實(shí)證結(jié)果與分析

（一）中國(guó)系統(tǒng)性危機(jī)事件定義

正如文獻(xiàn)綜述中所討論的，中美金融市場(chǎng)從歷史背景、制度、市場(chǎng)效率上都存在較大差異，諸如中國(guó)市場(chǎng)采取的是漲跌幅限制，而美國(guó)市場(chǎng)采用的是無(wú)漲跌幅限制同時(shí)實(shí)行熔斷機(jī)制等，因此在測(cè)算SRISK過(guò)程中，對(duì)系統(tǒng)性危機(jī)事件定義直接套用基于美國(guó)市場(chǎng)的文獻(xiàn)結(jié)論難免顯得稍欠妥當(dāng)。出此考慮，本文以Brownlees和Engle（2012，2017）兩個(gè)系統(tǒng)性危機(jī)事件定義方式“h=6個(gè)月，C=-40%”和“h=1個(gè)月，C=-10%”中的時(shí)間跨度為基準(zhǔn)，即分別在h=132天和h=22天兩種尺度下，使用區(qū)間收益率Rt+1：t+132和Rt+1：t+22分析中美市場(chǎng)的數(shù)理特征，進(jìn)而歸納出符合中國(guó)實(shí)際的危機(jī)事件定義。

經(jīng)過(guò)測(cè)算

篇幅所限，描述性統(tǒng)計(jì)和分布一致性檢驗(yàn)結(jié)果的報(bào)告從簡(jiǎn)，留存?zhèn)渌?。，h=22天和h=132天時(shí)，中國(guó)市場(chǎng)區(qū)間收益率的均值和標(biāo)準(zhǔn)差都大于美國(guó)市場(chǎng)。美國(guó)市場(chǎng)呈現(xiàn)左偏尖鋒分布，而中國(guó)市場(chǎng)則為右偏分布。Jarque-Bera檢驗(yàn)結(jié)果進(jìn)一步驗(yàn)證中美市場(chǎng)均不服從正態(tài)分布。采用非參數(shù)方法的Kolmogorov-Smirnov分布一致性檢驗(yàn)，h=22天和h=132天對(duì)應(yīng)的統(tǒng)計(jì)量分別為0.16424和0.25942，P值均為0，說(shuō)明中美市場(chǎng)的分布不同。由于中美市場(chǎng)長(zhǎng)、短區(qū)間的收益率分布均存在顯著差異，因此不能簡(jiǎn)單地套用基于美國(guó)市場(chǎng)的文獻(xiàn)結(jié)論來(lái)定義中國(guó)市場(chǎng)的系統(tǒng)性危機(jī)事件，需要進(jìn)一步辨析。

為分析系統(tǒng)性危機(jī)事件的定義方式，采用核密度估計(jì)方法繪制中美兩個(gè)市場(chǎng)的區(qū)間收益率分布圖。核密度估計(jì)無(wú)需對(duì)分布事先進(jìn)行假定，更加適應(yīng)來(lái)自未知分布的實(shí)際數(shù)據(jù)。核密度方法估計(jì)收益率的概率分布為：

（x）=1nh∑ni=1Kx-xih（20）

核函數(shù)K（·）選取常規(guī)的高斯核12πe12u2，根據(jù)Venables and Ripley的建議，使用“SJ”法確定窗寬[25]。

由圖1可見(jiàn)，中美市場(chǎng)的分布均呈現(xiàn)一定的尖峰有偏現(xiàn)象，和正態(tài)分布有所差別。結(jié)合表1和表2，中美市場(chǎng)的整體分布情況確實(shí)存在一定差異。根據(jù)Brownlees和Engle（2012，2017）的閾值C定義方式，反推出區(qū)間收益率對(duì)應(yīng)的分位點(diǎn)，基于此分位點(diǎn)估計(jì)得到我國(guó)相應(yīng)的閾值。通過(guò)核密度曲線進(jìn)行測(cè)算，本文推測(cè)出美國(guó)市場(chǎng)在h=22天時(shí)定義的閾值C=-10%約處于0.4分位點(diǎn)為了排除數(shù)據(jù)長(zhǎng)度的影響，本文也選取了標(biāo)普500指數(shù)從1988年1月4日至2020年3月14日的數(shù)據(jù)進(jìn)行同樣的分析，結(jié)果相差不大（閾值C=-10%對(duì)應(yīng)的分位點(diǎn)為0.38）。，而在h=132天時(shí)定義的閾值C=-40%約處于0.1分位點(diǎn)?；诖朔治稽c(diǎn)估計(jì)得到中國(guó)市場(chǎng)在h=22天時(shí)閾值為-4.3514%，h=132天時(shí)閾值為-40.1957%。

區(qū)間收益率分位點(diǎn)反映了收益率低于閾值的概率大小，換言之，也就是反映發(fā)生系統(tǒng)性危機(jī)事件的概率大小。相較之下，“h=132天，C=-40%”的定義方式更加符合危機(jī)事件的極端損失，而“h=22天，C=-10%”定義方式高估了危機(jī)事件的發(fā)生概率。綜合以上分析，本文選取在h=132天時(shí)，滬深300指數(shù)區(qū)間收益率的0.1分位點(diǎn)作為閾值，C取-40%。需要說(shuō)明的是，滬深300和標(biāo)普500在h=132天時(shí)的0.1分位收益率非常接近，差異性沒(méi)有h=22天時(shí)明顯，但這并非表明中美市場(chǎng)整體沒(méi)有差異性。中國(guó)市場(chǎng)短期內(nèi)更容易受到政策干預(yù)的“托底”，并且受漲跌板的約束，而美國(guó)市場(chǎng)更加成熟。因此，中國(guó)短期極端損失沒(méi)有美國(guó)明顯，而中長(zhǎng)期來(lái)看，兩者的尾部損失接近，具有一定偶然性。以上分析過(guò)程也適用于其他國(guó)家和經(jīng)濟(jì)地區(qū)的系統(tǒng)性危機(jī)事件定義分析[26]。

（二）SRISK結(jié)果和排序分析

對(duì)每家機(jī)構(gòu)滾動(dòng)估計(jì)GARCH-DCC模型，在此基礎(chǔ)上進(jìn)行蒙特卡羅模擬，得到各機(jī)構(gòu)在各報(bào)告期時(shí)點(diǎn)上的LRMES。將各機(jī)構(gòu)的負(fù)債、權(quán)益和LRMES值代入公式（2），算得系統(tǒng)性金融風(fēng)險(xiǎn)SRISK測(cè)度值，通過(guò)式（3）至式（5）即可得到SRISK總量和貢獻(xiàn)率SRISK%。

從部門(mén)整體來(lái)看（表1），銀行業(yè)的系統(tǒng)性風(fēng)險(xiǎn)最強(qiáng)，這是由銀行業(yè)規(guī)模龐大和在經(jīng)營(yíng)時(shí)具有高負(fù)債率的特性所決定的。銀行與各金融行業(yè)關(guān)聯(lián)性強(qiáng)，與房地產(chǎn)、保險(xiǎn)、多元金融各部門(mén)都存在錯(cuò)綜復(fù)雜的關(guān)系，銀行發(fā)生危機(jī)更容易造成整個(gè)金融機(jī)構(gòu)的動(dòng)蕩。因此，銀行的系統(tǒng)性風(fēng)險(xiǎn)最強(qiáng)也符合實(shí)際，近11年來(lái)銀行SRISK百分比占比達(dá)到80%以上。

與此同時(shí)，房地產(chǎn)和多元金融的系統(tǒng)性風(fēng)險(xiǎn)均有所增強(qiáng)，分別從2009年的0.75%和0.41%上升為2019年的7.60%和2.28%。特別是房地產(chǎn)，在2018年和2019年超越保險(xiǎn)成為系統(tǒng)性風(fēng)險(xiǎn)第二大的行業(yè)，這也符合我國(guó)近年來(lái)房地產(chǎn)業(yè)異常活躍的表現(xiàn)。房地產(chǎn)行業(yè)系統(tǒng)性風(fēng)險(xiǎn)產(chǎn)生不僅受?chē)?guó)內(nèi)政策影響，與國(guó)外經(jīng)濟(jì)形勢(shì)動(dòng)蕩同樣息息相關(guān)。同時(shí)，房地產(chǎn)行業(yè)是個(gè)資金密集型行業(yè)，一旦房地產(chǎn)行業(yè)在我國(guó)經(jīng)濟(jì)市場(chǎng)中表現(xiàn)活躍，其金融系統(tǒng)性風(fēng)險(xiǎn)就會(huì)變大。保險(xiǎn)部門(mén)以保險(xiǎn)風(fēng)險(xiǎn)為主，但是隨著近年來(lái)保險(xiǎn)市場(chǎng)與資本市場(chǎng)的融合，保險(xiǎn)行業(yè)的系統(tǒng)性風(fēng)險(xiǎn)仍然是上升的。保險(xiǎn)行業(yè)的系統(tǒng)風(fēng)險(xiǎn)占比自2012年起呈現(xiàn)明顯的上下波動(dòng)趨勢(shì)，從絕對(duì)量來(lái)看，保險(xiǎn)行業(yè)的SRISK值仍是小幅穩(wěn)步上升。多元金融因其規(guī)模在四大部門(mén)中較小，其SRISK%值并不穩(wěn)定，在一段時(shí)間內(nèi)呈現(xiàn)上下波動(dòng)的趨勢(shì)。從SRISK絕對(duì)值來(lái)看，隨著金融供給側(cè)改革的推進(jìn)，借助移動(dòng)互聯(lián)網(wǎng)的技術(shù)加持，傳統(tǒng)的多元金融商業(yè)模式的改變，多元金融與其他行業(yè)的聯(lián)系加強(qiáng)，其系統(tǒng)性風(fēng)險(xiǎn)也會(huì)增加。

從銀行來(lái)看 篇幅有限，各部門(mén)機(jī)構(gòu)的SRISK數(shù)值排序沒(méi)有詳細(xì)列出。，工、建、中、農(nóng)、交、郵這六個(gè)國(guó)有控股的大型商業(yè)銀行在近11年中，銀行業(yè)系統(tǒng)風(fēng)險(xiǎn)排名幾乎包攬前5。這六家銀行都是綜合性的大型商業(yè)銀行，規(guī)模巨大，在全國(guó)分布密集，業(yè)務(wù)涵蓋廣泛且多元，同時(shí)六大行之間業(yè)務(wù)往來(lái)密切。就目前來(lái)看，六大國(guó)有控股的商業(yè)銀行在我國(guó)金融機(jī)構(gòu)中占據(jù)主體地位。工商銀行憑借其資產(chǎn)規(guī)模、盈利能力、存貸款規(guī)模、信用卡發(fā)卡量、海外業(yè)務(wù)發(fā)展、資管業(yè)務(wù)規(guī)模等占據(jù)我國(guó)銀行業(yè)絕對(duì)的主體地位，這也使工商銀行在銀行業(yè)中的系統(tǒng)性風(fēng)險(xiǎn)最大。

多元金融行業(yè)在11年中風(fēng)險(xiǎn)排名前5的企業(yè)發(fā)生多次變動(dòng)。從2010年以來(lái)，中航資本、中油資本、中信證券、申萬(wàn)宏源、廣發(fā)證券這5家企業(yè)在多元金融行業(yè)中較為活躍。隨著申銀萬(wàn)國(guó)證券與宏源證券在2015年合并組建成申萬(wàn)宏源，越來(lái)越多的證券公司采用多種形式上市。自中油資本在2016年底完成資本重組借殼上市以來(lái)，中油資本逐漸在多元金融行業(yè)中占據(jù)風(fēng)險(xiǎn)主體地位，在全行業(yè)的SRISK值占比達(dá)到18.678%以上，最高達(dá)到25.578%。

中國(guó)平安是保險(xiǎn)業(yè)中風(fēng)險(xiǎn)最大的主體，中國(guó)平安一家公司的SRISK值占比超過(guò)全行業(yè)的50%。近年來(lái)，保險(xiǎn)行業(yè)各個(gè)公司系統(tǒng)性風(fēng)險(xiǎn)緩慢提高，這是因?yàn)殡S著保險(xiǎn)+科技的服務(wù)模式的推廣，打開(kāi)了新的銷售渠道，降低了經(jīng)營(yíng)成本，擴(kuò)大了保險(xiǎn)服務(wù)覆蓋面，但是新的服務(wù)模式使保險(xiǎn)公司與資本市場(chǎng)的聯(lián)系更加密切，債務(wù)風(fēng)險(xiǎn)加大，進(jìn)而使得公司系統(tǒng)性風(fēng)險(xiǎn)加大。

自2012年以來(lái)，我國(guó)房?jī)r(jià)開(kāi)始新一輪的上漲，金融資源向房地產(chǎn)集中致使房?jī)r(jià)上漲，而房?jī)r(jià)上漲又促使金融資源向房地產(chǎn)行業(yè)集中。盡管?chē)?guó)家進(jìn)行了一系列的政策調(diào)控，但房?jī)r(jià)仍未得到有效控制，這也使得房地產(chǎn)在2018年開(kāi)始成為系統(tǒng)性金融風(fēng)險(xiǎn)第二大的行業(yè)。從機(jī)構(gòu)層面來(lái)看，單個(gè)公司的系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)度相對(duì)較小，但仍要小心房地產(chǎn)行業(yè)風(fēng)險(xiǎn)可能帶來(lái)的系統(tǒng)性金融風(fēng)險(xiǎn)問(wèn)題。

（三）SRISK的風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)分析

SRISK和SRISK%分別從系統(tǒng)性金融風(fēng)險(xiǎn)總量測(cè)度和機(jī)構(gòu)（或部門(mén)）對(duì)金融體系風(fēng)險(xiǎn)貢獻(xiàn)率的角度來(lái)分析系統(tǒng)性金融風(fēng)險(xiǎn)的結(jié)構(gòu)。為進(jìn)一步解析風(fēng)險(xiǎn)信息在機(jī)構(gòu)間和部門(mén)間是如何傳導(dǎo)的，本文使用有向格蘭杰因果檢驗(yàn)來(lái)建立風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)進(jìn)行分析。

1.機(jī)構(gòu)層面分析

圖2繪制了以SRISK作為風(fēng)險(xiǎn)信息源建立的有向網(wǎng)絡(luò) 本文也以SRISK的一階差分ΔSRISK構(gòu)建了短期風(fēng)險(xiǎn)網(wǎng)絡(luò)，限于篇幅并未在文章列出，但短期網(wǎng)絡(luò)和長(zhǎng)期網(wǎng)絡(luò)具有一定相似性，感興趣的讀者請(qǐng)向作者垂詢。，分為風(fēng)險(xiǎn)信息同方向影響和反方向影響的有向網(wǎng)絡(luò)。受限于模型估計(jì)的自由度，在構(gòu)建網(wǎng)絡(luò)時(shí)，只保留在各報(bào)告期均處于上市狀態(tài)的樣本，共計(jì)179家，這部分樣本在市場(chǎng)上存續(xù)時(shí)期長(zhǎng)，具備較好的代表性。

同屬一個(gè)部門(mén)的金融機(jī)構(gòu)采用同一標(biāo)志，節(jié)點(diǎn)的顏色和輸出的有向邊用相同的顏色表示，銀行、多元金融、保險(xiǎn)、房地產(chǎn)的顏色分別為紅色、綠色、藍(lán)色和黃色。長(zhǎng)期正向和長(zhǎng)期負(fù)向網(wǎng)絡(luò)的有向邊個(gè)數(shù)分別為471和454，網(wǎng)絡(luò)的信息量基本相當(dāng)，但風(fēng)險(xiǎn)信息影響的方向并非單一的，而是既有同方向又有反方向，機(jī)構(gòu)之間的風(fēng)險(xiǎn)信息傳導(dǎo)具有比較復(fù)雜的關(guān)系，這也說(shuō)明在識(shí)別信息影響方向時(shí)，單純的格蘭杰因果檢驗(yàn)對(duì)此不能區(qū)分，必須使用擴(kuò)展的有向格蘭杰因果檢驗(yàn)。

圖3匯總了長(zhǎng)期正向網(wǎng)絡(luò)和長(zhǎng)期負(fù)向網(wǎng)絡(luò)的機(jī)構(gòu)出度kouti和入度kini數(shù)據(jù)。在長(zhǎng)期正向網(wǎng)絡(luò)中，出度大于等于10的機(jī)構(gòu)有2家銀行（華夏銀行、平安銀行）和5家房地產(chǎn)公司（金地集團(tuán)、寧波富達(dá)、愛(ài)旭股份、泰禾集團(tuán)和榮盛發(fā)展），表明這些機(jī)構(gòu)長(zhǎng)期風(fēng)險(xiǎn)信息對(duì)其他機(jī)構(gòu)的正向影響最大，充當(dāng)著“風(fēng)險(xiǎn)放大器”的功能。入度大于等于10有1家多元金融機(jī)構(gòu)（渤海租賃）和8家房地產(chǎn)企業(yè)（宋都股份、海泰發(fā)展、棲霞建設(shè)、京投發(fā)展、寧波富達(dá)、中天金融、美好置業(yè)、ST津?yàn)I），入度最大的是棲霞建設(shè)，達(dá)到34，表明該公司極易被其他機(jī)構(gòu)的風(fēng)險(xiǎn)信息正向影響，在面臨系統(tǒng)性沖擊時(shí)很容易陷入資本短缺危機(jī)當(dāng)中。

長(zhǎng)期負(fù)向網(wǎng)絡(luò)中，出度大于等于10的機(jī)構(gòu)有2家多元金融機(jī)構(gòu)（國(guó)金證券和華創(chuàng)陽(yáng)安）和5家房地產(chǎn)公司（海泰發(fā)展、中華企業(yè)、深深房、我愛(ài)我家、大港股份）。入度大于等于10的機(jī)構(gòu)有2家多元金融機(jī)構(gòu)（渤海租賃和海德股份）和8家房地產(chǎn)企業(yè)（宋都股份、金地集團(tuán)、棲霞建設(shè)、信達(dá)地產(chǎn)、鳳凰股份、寧波富達(dá)、海航投資和新能泰山）。

為了明確哪些金融機(jī)構(gòu)是風(fēng)險(xiǎn)信息的凈發(fā)送者，哪些是凈接收方，圖4匯總了兩個(gè)網(wǎng)絡(luò)中每家機(jī)構(gòu)的相對(duì)影響RIinstitutioni。長(zhǎng)期正向網(wǎng)絡(luò)中，相對(duì)影響大于等于8的機(jī)構(gòu)有2家銀行（交通銀行和平安銀行），1家多元金融機(jī)構(gòu)（寶德股份），2家房地產(chǎn)企業(yè)（泰禾集團(tuán)和榮盛發(fā)展），這些機(jī)構(gòu)的長(zhǎng)期風(fēng)險(xiǎn)信息對(duì)其他機(jī)構(gòu)的正向凈影響相對(duì)較大。小于-8的是4家房地產(chǎn)企業(yè)（海泰發(fā)展、棲霞建設(shè)、寧波富達(dá)、*ST津?yàn)I）。長(zhǎng)期負(fù)向網(wǎng)絡(luò)中，相對(duì)影響大于等于8有多元金融機(jī)構(gòu)（國(guó)金證券、華創(chuàng)陽(yáng)安）和房地產(chǎn)公司（海泰發(fā)展、中華企業(yè)、我愛(ài)我家、大港股份）。小于-8的有多元金融機(jī)構(gòu)（海德股份）和房地產(chǎn)公司（金地集團(tuán)、信達(dá)地產(chǎn)、寧波富達(dá)、新能泰山）。

2.部門(mén)層面分析

為了分析風(fēng)險(xiǎn)信息網(wǎng)絡(luò)的部門(mén)連通性，本文使用部門(mén)度統(tǒng)計(jì)量來(lái)描述信息從一個(gè)部門(mén)傳導(dǎo)至另一個(gè)部門(mén)或其本身的影響強(qiáng)度。

首先分析長(zhǎng)期正向網(wǎng)絡(luò)，圖5（a1）展示了從銀行發(fā)出到銀行、多元金融、保險(xiǎn)和房地產(chǎn)的SRISK信息影響強(qiáng)度，其表明銀行的風(fēng)險(xiǎn)信息會(huì)對(duì)其內(nèi)部機(jī)構(gòu)產(chǎn)生較大的正向溢出，對(duì)保險(xiǎn)部門(mén)其次，對(duì)多元金融機(jī)構(gòu)和房地產(chǎn)最少。從多元金融部門(mén)發(fā)出的風(fēng)險(xiǎn)信息對(duì)銀行的正向影響最大，接著是保險(xiǎn)、房地產(chǎn)和自身（圖5（a2））。在受到從保險(xiǎn)部門(mén)發(fā)出的風(fēng)險(xiǎn)信息正向影響中，銀行部門(mén)是最大接收者，其次是房地產(chǎn)、多元金融和保險(xiǎn)部門(mén)自身（圖5（a3））。房地產(chǎn)自身受其風(fēng)險(xiǎn)信息正向影響最大，其次是銀行、多元金融、保險(xiǎn)（圖5（a4））。銀行、多元金融、保險(xiǎn)和房地產(chǎn)的正向網(wǎng)絡(luò)部門(mén)相對(duì)影響數(shù)值分別為34、6、7和-47，所以銀行是風(fēng)險(xiǎn)正向信息影響的發(fā)出者，而房地產(chǎn)是接收者。

接著分析長(zhǎng)期負(fù)向網(wǎng)絡(luò)，圖5（b1）表明房地產(chǎn)往往會(huì)受到銀行長(zhǎng)期風(fēng)險(xiǎn)信息的負(fù)向影響。多元金融的風(fēng)險(xiǎn)信息主要對(duì)自身造成負(fù)向影響，這是因?yàn)槎嘣鹑跈C(jī)構(gòu)業(yè)務(wù)鄰域相對(duì)綜合，同質(zhì)化程度沒(méi)有銀行部門(mén)明顯（圖5（b2））。圖7（b3）中保險(xiǎn)部門(mén)信息溢出的情況和銀行部門(mén)類似。房地產(chǎn)對(duì)各個(gè)部門(mén)具有負(fù)向風(fēng)險(xiǎn)溢出效應(yīng)但不明顯（圖5（b4））。銀行、多元金融、保險(xiǎn)和房地產(chǎn)的負(fù)向網(wǎng)絡(luò)部門(mén)相對(duì)影響數(shù)值分別為19、1、1和-21，所以負(fù)向信息也主要由銀行發(fā)出，而房地產(chǎn)同樣是負(fù)向信息的主要接收者。

綜上分析，總體而言保險(xiǎn)對(duì)其自身的部門(mén)度最低，這可能是因?yàn)橹袊?guó)平安和中國(guó)太保經(jīng)營(yíng)鄰域相對(duì)全面，西水股份核心子公司天安財(cái)險(xiǎn)主要經(jīng)營(yíng)財(cái)險(xiǎn)，中國(guó)人壽和天茂集團(tuán)核心子公司國(guó)華人壽主要經(jīng)營(yíng)壽險(xiǎn)，競(jìng)爭(zhēng)具有一定差異性，風(fēng)險(xiǎn)并不容易聚集。銀行部門(mén)是風(fēng)險(xiǎn)信息溢出的源頭，這與銀行在系統(tǒng)重要性機(jī)構(gòu)（SIFIs）中占比最多的事實(shí)不謀而合。銀行部門(mén)承擔(dān)著貨幣金融政策“牽線人”的職責(zé)，通過(guò)利率等渠道與其他產(chǎn)業(yè)部門(mén)銜接，并且中國(guó)現(xiàn)階段企業(yè)資金籌措方式仍以間接融資為主，銀行與其余金融機(jī)構(gòu)和實(shí)體企業(yè)聯(lián)系最為緊密，風(fēng)險(xiǎn)信息傳導(dǎo)的效應(yīng)也相應(yīng)顯著。

（四）穩(wěn)健性分析

在進(jìn)行有向格蘭杰檢驗(yàn)時(shí)，將F檢驗(yàn)P 值降低至0.05和0.01重新構(gòu)建網(wǎng)絡(luò)，結(jié)果顯示更嚴(yán)格的統(tǒng)計(jì)檢驗(yàn)只會(huì)濾掉更多信息，機(jī)構(gòu)和部門(mén)的出度及入度數(shù)目相應(yīng)減少，但基本不改變機(jī)構(gòu)間和部門(mén)間信息溢出強(qiáng)度的相對(duì)順序因篇幅所限，這里不做贅述，如有需要請(qǐng)向作者垂詢。，主要結(jié)論沒(méi)有顯著變化。

五 結(jié)論及建議

本文采用符合中國(guó)危機(jī)事件定義的SRISK系統(tǒng)性金融風(fēng)險(xiǎn)度量模型，對(duì)2009-2019年我國(guó)銀行、多元金融、保險(xiǎn)和房地產(chǎn)240家機(jī)構(gòu)組成的大金融業(yè)進(jìn)行風(fēng)險(xiǎn)測(cè)度，并通過(guò)擴(kuò)展的有向格蘭杰因果檢驗(yàn)來(lái)建立風(fēng)險(xiǎn)信息溢出網(wǎng)絡(luò)，研究結(jié)論如下：

（1）經(jīng)過(guò)對(duì)Brownlees和Engle（2012，2017）兩個(gè)系統(tǒng)性危機(jī)事件定義方式進(jìn)行辨析，本文合理推斷“h=132天，C=-40%”的定義方式更加符合目前中國(guó)實(shí)際，應(yīng)當(dāng)采用該定義形式建立SRISK來(lái)測(cè)度我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)。

（2）從系統(tǒng)性風(fēng)險(xiǎn)總量上看，銀行部門(mén)長(zhǎng)期處于重要地位，保險(xiǎn)部門(mén)其次，而近兩年房地產(chǎn)部門(mén)有逐漸超越保險(xiǎn)部門(mén)的趨勢(shì)。

（3）通過(guò)有向格蘭杰檢驗(yàn)構(gòu)建風(fēng)險(xiǎn)溢出網(wǎng)絡(luò)，結(jié)合出度、入度、部門(mén)度等統(tǒng)計(jì)量，許多機(jī)構(gòu)都表現(xiàn)出風(fēng)險(xiǎn)信息溢出和接收的敏感性，而銀行部門(mén)是風(fēng)險(xiǎn)信息溢出的重要參與者，房地產(chǎn)總體較容易受到其余金融部門(mén)風(fēng)險(xiǎn)信息的沖擊，具有明顯的異質(zhì)性。

基于研究結(jié)論，本文提出三點(diǎn)建議。第一，對(duì)于投資者而言，由于金融機(jī)構(gòu)之間的風(fēng)險(xiǎn)信息相互交織，風(fēng)險(xiǎn)厭惡的個(gè)人和機(jī)構(gòu)投資者在構(gòu)建資產(chǎn)組合時(shí)，應(yīng)當(dāng)避免集中持有容易遭受風(fēng)險(xiǎn)信息正向溢出的機(jī)構(gòu)，而應(yīng)該適度選擇風(fēng)險(xiǎn)信息存在對(duì)沖關(guān)系的機(jī)構(gòu)，盡可能“分散”風(fēng)險(xiǎn)。第二，對(duì)于機(jī)構(gòu)而言，各機(jī)構(gòu)應(yīng)該發(fā)揮自身的比較優(yōu)勢(shì)開(kāi)展經(jīng)營(yíng)活動(dòng)，合理調(diào)配資源，優(yōu)化資產(chǎn)結(jié)構(gòu);容易受到其他機(jī)構(gòu)風(fēng)險(xiǎn)“傳染”的機(jī)構(gòu)（如房地產(chǎn)部門(mén)中的棲霞建設(shè)）更需要強(qiáng)化自身風(fēng)險(xiǎn)管理意識(shí)，降低杠桿率，將債務(wù)水平控制在合理的范圍內(nèi)。第三，對(duì)于監(jiān)管者而言，除了對(duì)系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)率較大的金融機(jī)構(gòu)（如“中、農(nóng)、工、建”四大行和中國(guó)平安等）保持密切關(guān)注，也需要對(duì)風(fēng)險(xiǎn)信息發(fā)出者，尤其是對(duì)其他機(jī)構(gòu)造成正向影響的機(jī)構(gòu)（如銀行部門(mén)中的華夏銀行和平安銀行、房地產(chǎn)行業(yè)中的金地集團(tuán)、寧波富達(dá)、愛(ài)旭股份、泰禾集團(tuán)和榮盛發(fā)展等）高度警覺(jué)，并健全監(jiān)管制度和風(fēng)險(xiǎn)預(yù)警體系，結(jié)合政策工具降低系統(tǒng)性金融風(fēng)險(xiǎn)蔓延的可能。

[參 考 文 獻(xiàn)]

[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] 陳湘鵬，周皓，金濤，等.微觀層面系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)的比較與適用性分析——基于中國(guó)金融系統(tǒng)的研究[J].金融研究，2019（5）：17-36.

[8] 梁琪，李政，郝項(xiàng)超.我國(guó)系統(tǒng)重要性金融機(jī)構(gòu)的識(shí)別與監(jiān)管——基于系統(tǒng)性風(fēng)險(xiǎn)指數(shù)SRISK方法的分析[J].金融研究，2013（9）：56-70.

[9] 朱衡，卓志.保險(xiǎn)公司系統(tǒng)重要性識(shí)別及其影響因素研究——基于系統(tǒng)性風(fēng)險(xiǎn)敞口與貢獻(xiàn)的視角[J].保險(xiǎn)研究，2019（3）：3-16.

[10]周強(qiáng)，楊柳勇.論中國(guó)系統(tǒng)重要性銀行識(shí)別——市場(chǎng)模型法還是指標(biāo)法[J].國(guó)際金融研究，2014（9）：70-79.

[11]史永東，王龑，宋西偉.中國(guó)金融機(jī)構(gòu)系統(tǒng)風(fēng)險(xiǎn)對(duì)宏觀經(jīng)濟(jì)的影響[J].投資研究，2017（12）：65-77.

[12]剛健華，趙揚(yáng)，高翔.短期跨境資本流動(dòng)、金融市場(chǎng)與系統(tǒng)性風(fēng)險(xiǎn)[J].經(jīng)濟(jì)理論與經(jīng)濟(jì)管理，2018（4）：98-112.

[13]張琳，湯薇，林曉婕，周媛.基于SVM-SRISK的非上市保險(xiǎn)公司系統(tǒng)性風(fēng)險(xiǎn)度量[J].保險(xiǎn)研究，2018（6）：3-15.

[14]王雯，張金清，李濱，等.資本市場(chǎng)系統(tǒng)性風(fēng)險(xiǎn)的跨市場(chǎng)傳導(dǎo)及防范研究[J].金融經(jīng)濟(jì)學(xué)研究，2018，33（01）：60-71.

[15]李政，梁琪，涂曉楓.我國(guó)上市金融機(jī)構(gòu)關(guān)聯(lián)性研究——基于網(wǎng)絡(luò)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]楊子暉，陳雨恬，謝銳楷.我國(guó)金融機(jī)構(gòu)系統(tǒng)性金融風(fēng)險(xiǎn)度量與跨部門(mén)風(fēng)險(xiǎn)溢出效應(yīng)研究[J].金融研究，2018（10）：19-37.

[18]李政，朱明皓，范穎嵐.我國(guó)金融機(jī)構(gòu)的傳染性風(fēng)險(xiǎn)與系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)——基于極端風(fēng)險(xiǎn)網(wǎng)絡(luò)視角的研究[J].南開(kāi)經(jīng)濟(jì)研究，2019（06）：132-157.

[19]任英華，謝佳匯，周金龍，等.基于復(fù)雜網(wǎng)絡(luò)的商業(yè)銀行流動(dòng)性風(fēng)險(xiǎn)評(píng)價(jià)[J].湖南大學(xué)學(xué)報(bào)（社會(huì)科學(xué)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; 謝圣遠(yuǎn).貨幣價(jià)值波動(dòng)、財(cái)富分配差距擴(kuò)大與系統(tǒng)性金融風(fēng)險(xiǎn)[J].財(cái)經(jīng)理論與實(shí)踐，2020（1）：34-40.