劉 超， 錢(qián) 存

(1.北京工業(yè)大學(xué) 經(jīng)濟(jì)與管理學(xué)院,北京 100124; 2.北京現(xiàn)代制造業(yè)發(fā)展研究基地,北京 100124)

0 引言

隨著2007年美國(guó)次貸危機(jī)的爆發(fā)與2011年《巴塞爾協(xié)議Ⅲ》的出臺(tái)，維護(hù)金融穩(wěn)定和防范系統(tǒng)性金融風(fēng)險(xiǎn)又一次成為各國(guó)政府、金融監(jiān)管部門(mén)和學(xué)術(shù)界關(guān)心的重要問(wèn)題[1,2]。系統(tǒng)性風(fēng)險(xiǎn)的研究重點(diǎn)從個(gè)體金融機(jī)構(gòu)風(fēng)險(xiǎn)測(cè)度向金融系統(tǒng)整體風(fēng)險(xiǎn)的產(chǎn)生、傳導(dǎo)及外溢效應(yīng)研究轉(zhuǎn)變，金融監(jiān)管的重點(diǎn)也由微觀(guān)審慎向宏觀(guān)審慎轉(zhuǎn)變[2]。在國(guó)際經(jīng)濟(jì)政治格局復(fù)雜多變及國(guó)內(nèi)經(jīng)濟(jì)邁入“新常態(tài)”等多重背景下，我國(guó)作為全球主要經(jīng)濟(jì)體之一，金融系統(tǒng)的脆弱性逐漸增加，如何有效防控我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)受到了各界的高度關(guān)注[3～5]。有效揭示銀行間的風(fēng)險(xiǎn)溢出效應(yīng)對(duì)防范銀行系統(tǒng)性風(fēng)險(xiǎn)、完善我國(guó)宏觀(guān)審慎框架具有重要的理論意義。

在上市銀行系統(tǒng)性風(fēng)險(xiǎn)溢出的測(cè)度研究中，主要應(yīng)用CoVaR測(cè)度指標(biāo)分析各大銀行對(duì)于銀行系統(tǒng)的系統(tǒng)性風(fēng)險(xiǎn)溢出,并對(duì)系統(tǒng)重要銀行進(jìn)行識(shí)別[6～8]；在影子銀行體系對(duì)商業(yè)銀行的風(fēng)險(xiǎn)溢出中，主要研究影子銀行自身風(fēng)險(xiǎn)、規(guī)模波動(dòng)性等對(duì)傳統(tǒng)商業(yè)銀行的金融業(yè)務(wù)穩(wěn)定、資產(chǎn)價(jià)格等方面的風(fēng)險(xiǎn)溢出[9～11]；在其他行業(yè)對(duì)銀行業(yè)的風(fēng)險(xiǎn)溢出中，主要集中于金融其他部門(mén)[12～14]、房地產(chǎn)企業(yè)[15]等對(duì)商業(yè)銀行的風(fēng)險(xiǎn)溢出。在風(fēng)險(xiǎn)測(cè)度的方法方面，在險(xiǎn)價(jià)值VaR是國(guó)內(nèi)外學(xué)者測(cè)量風(fēng)險(xiǎn)較為常用的方法之一[16～18]。Adrian和Brunnermeier[19]依據(jù)VaR提出的CoVaR方法能夠衡量當(dāng)一個(gè)商業(yè)銀行處于危境時(shí)，其他商業(yè)銀行或金融市場(chǎng)所面臨的風(fēng)險(xiǎn)。使用CoVaR方法測(cè)度金融風(fēng)險(xiǎn)的關(guān)鍵點(diǎn)在于對(duì)波動(dòng)率的估計(jì)和條件分布的刻畫(huà)，常用的方法有分位數(shù)回歸[19]、多元GARCH模型法[20]、Copula方法[21]。Copula函數(shù)的非線(xiàn)性特點(diǎn)可以彌補(bǔ)傳統(tǒng)線(xiàn)性溢出關(guān)系上的不足，更為準(zhǔn)確地對(duì)機(jī)構(gòu)間或市場(chǎng)間的關(guān)系進(jìn)行刻畫(huà)，同時(shí)也能注重尾部極端收益帶來(lái)的系統(tǒng)性風(fēng)險(xiǎn)[21～23]。隨著研究?jī)?nèi)容的復(fù)雜多變，研究維度的不斷增加，Copula函數(shù)的選擇及計(jì)算也越來(lái)越復(fù)雜，Bedford和Cooke[24]最先使用R藤來(lái)描述多維的復(fù)雜的聯(lián)合分布關(guān)系，其能夠同時(shí)分解變量與變量之間的相依性是因?yàn)樗梢詼y(cè)度最大生成樹(shù)中的二元變量之間的關(guān)系強(qiáng)度[25]。R-Vine-Copula函數(shù)不僅可以對(duì)多維度的關(guān)鍵結(jié)構(gòu)進(jìn)行刻畫(huà)，提高風(fēng)險(xiǎn)溢出測(cè)度的準(zhǔn)確性，還降低了高維計(jì)算的難度，所以使用R-Vine-Copula函數(shù)刻畫(huà)不同機(jī)構(gòu)之間時(shí)間序列的相關(guān)結(jié)構(gòu)，并結(jié)合CoVaR來(lái)刻畫(huà)機(jī)構(gòu)之間的風(fēng)險(xiǎn)溢出效應(yīng)，具有較高的有效性和準(zhǔn)確性[26,27]。

目前，使用CoVaR模型對(duì)銀行業(yè)風(fēng)險(xiǎn)溢出多有研究且取得了一定的成果[9,28,29]，但是現(xiàn)有研究存在以下不足：在研究?jī)?nèi)容方面，尚未發(fā)現(xiàn)對(duì)銀行業(yè)內(nèi)部的風(fēng)險(xiǎn)傳染結(jié)構(gòu)、銀行間風(fēng)險(xiǎn)溢出大小的研究。在研究方法方面，多使用Copula函數(shù)刻畫(huà)銀行間關(guān)系，但也因高維問(wèn)題停留在二元Copula模型上，在建模時(shí)，使用了單一Copula函數(shù)，忽略了銀行間時(shí)間序列擬合優(yōu)度的問(wèn)題。與已有研究相比，文章的可能存在的貢獻(xiàn)在于：將研究視角聚焦于銀行系統(tǒng)內(nèi)部，探究銀行部門(mén)微觀(guān)個(gè)體的風(fēng)險(xiǎn)溢出情況，完善銀行業(yè)內(nèi)部風(fēng)險(xiǎn)傳染結(jié)構(gòu)、銀行間風(fēng)險(xiǎn)溢出大小的研究。提出“相依結(jié)構(gòu)-傳染網(wǎng)絡(luò)-風(fēng)險(xiǎn)測(cè)度”的研究思路，系統(tǒng)有效地對(duì)銀行間風(fēng)險(xiǎn)傳染效應(yīng)進(jìn)行全面探究。在我國(guó)銀行市場(chǎng)歷經(jīng)兩次流動(dòng)性緊張的背景下，不僅有助于進(jìn)一步挖掘我國(guó)銀行系統(tǒng)中風(fēng)險(xiǎn)的內(nèi)在傳導(dǎo)機(jī)制，合理監(jiān)控和管理銀行系統(tǒng)內(nèi)部的風(fēng)險(xiǎn)，也有益于金融監(jiān)管與金融穩(wěn)定政策的制定。

1 研究方法及模型構(gòu)建

本文旨探究商業(yè)銀行間的風(fēng)險(xiǎn)溢出效應(yīng)，以“相依結(jié)構(gòu)-傳染網(wǎng)絡(luò)-風(fēng)險(xiǎn)測(cè)度”為研究思路，使用R藤Copula貝葉斯網(wǎng)絡(luò)與R藤Copula-CAViaR-CoVaR模型對(duì)我國(guó)14家商業(yè)銀行在2008年至2018年區(qū)間內(nèi)的風(fēng)險(xiǎn)溢出效應(yīng)進(jìn)行分析。

1.1 單個(gè)銀行風(fēng)險(xiǎn)邊緣分布：CAViaR

在了解銀行間的相依結(jié)構(gòu)、傳染網(wǎng)絡(luò)與溢出效應(yīng)之前，需要先對(duì)某一銀行自身的風(fēng)險(xiǎn)大小進(jìn)行建模和測(cè)度。Engle和Manganelli[30]首先對(duì)VaR進(jìn)行自回歸建模，提出了CAViaR模型，此模型不需要對(duì)收益率進(jìn)行假設(shè)，并且對(duì)于具有尖峰后尾的、非對(duì)稱(chēng)性的收益率序列較為敏感。考慮到收益率序列的非線(xiàn)性和市場(chǎng)沖擊對(duì)風(fēng)險(xiǎn)影響的不確定性，對(duì)于尾部的非依賴(lài)性，且收益率本身存在的自相關(guān)的問(wèn)題等，這樣IG-CAViaR模型能夠更好的反映出銀行的波動(dòng)風(fēng)險(xiǎn)[31～33]。模型表示為：

(1)

1.2 銀行間風(fēng)險(xiǎn)相依結(jié)構(gòu)：Vine-Copula

Sklar提出的Copula定理中，一個(gè)N元的聯(lián)合分布可以化為N個(gè)邊緣分布和一個(gè)Copula函數(shù)，Copula函數(shù)作為一種連接函數(shù)直觀(guān)的描述了變量之間的關(guān)系，具體描述為:

對(duì)于一個(gè)N維的隨機(jī)向量x=(x1,x2…xN)T，定義F(x1,x2,…,xN)為F1(x1)，F(xiàn)2(x2),…,FN(xN)的多元變量聯(lián)合分布函數(shù)，那么一定存在一個(gè)C(·)使得

F(x1,x2,…,xN)=C(F1(x1),F2(x2),…,FN(xN))

(2)

則C(·)就被稱(chēng)為Copula函數(shù)。若F1(x1)，F(xiàn)2(x2)，…，F(xiàn)N(xN)連續(xù)，則C(·)是唯一確定的。(2)式的聯(lián)合概率密度函數(shù)表示為:

(3)

其中c(F1(x1)，F(xiàn)2(x2)，…，F(xiàn)N(xN))為Copula函數(shù)的C的概率密度函數(shù)，fk(xk)為變量xk(k=1,2,…,N)的邊緣分布密度函數(shù)。

在銀行結(jié)構(gòu)的關(guān)聯(lián)結(jié)構(gòu)方面使用藤結(jié)構(gòu)對(duì)商業(yè)銀行間關(guān)聯(lián)結(jié)構(gòu)進(jìn)行建模。藤(Regular vine)最早是由Bedford和Cooke[24]提出，通過(guò)正則藤形成的樹(shù)形結(jié)構(gòu)來(lái)反應(yīng)變量與變量之間復(fù)雜的相依關(guān)系。以pair-Copula理論為基礎(chǔ)，構(gòu)建Copula模型。在銀行業(yè)市場(chǎng)中，各個(gè)銀行的市場(chǎng)地位實(shí)際上是復(fù)雜的，選擇R-Vine結(jié)構(gòu)來(lái)描述銀行與銀行之間的相依性關(guān)系。設(shè)N個(gè)變量x1,x2…xN構(gòu)成的隨機(jī)向量x=(x1,x2…xN)T的聯(lián)合密度函數(shù)f(x1,x2…xN)可以表示為:

(Fi|i+1,…,i+j-1(xi|xi+1,…,xi+j-1),

(Fi+j|i+1,…,i+j-1(xi+j|xi+1,…,xi+j-1))

(4)

其中，j表示樹(shù)的層次，i表示每棵樹(shù)上的邊，c(·│·)(·,·)表示每條邊上的pair-Copula的密度函數(shù)，F(xiàn)(·│·)(·,·)為每條邊上的條件分布函數(shù)。

1.3 銀行間風(fēng)險(xiǎn)傳染網(wǎng)絡(luò)：貝葉斯網(wǎng)絡(luò)

對(duì)于風(fēng)險(xiǎn)傳染效應(yīng)的研究，需要考慮多個(gè)銀行間相依關(guān)系，并對(duì)金融風(fēng)險(xiǎn)具體的傳染路徑進(jìn)行識(shí)別，貝葉斯網(wǎng)絡(luò)可以有效的捕捉這一點(diǎn)。在R-vine結(jié)構(gòu)、Pair-Copula的基礎(chǔ)上，可以構(gòu)建貝葉斯網(wǎng)絡(luò)，以觀(guān)察商業(yè)銀行間風(fēng)險(xiǎn)的溢出溢入關(guān)系。

Kurowicka等[25]將Pair-Copula的概念應(yīng)用于貝葉斯網(wǎng)當(dāng)中，得到一種新型的構(gòu)建方式，該模型被定義為PCBN模型。具體的模型構(gòu)造方法有：選擇一種數(shù)據(jù)驅(qū)動(dòng)下網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方式，獲取網(wǎng)絡(luò)結(jié)構(gòu)DAG，基于藤Copula結(jié)構(gòu)選擇的啟發(fā)式算法，對(duì)網(wǎng)絡(luò)中的節(jié)點(diǎn)，確定母節(jié)點(diǎn)的排序，得到聯(lián)合分布形式。最后對(duì)Pari-Copula模型選擇和估計(jì)，將DAG參數(shù)化，得到最終的概率網(wǎng)絡(luò)。

1.4 銀行風(fēng)險(xiǎn)溢出的測(cè)度：CoVaR模型

(5)

(6)

(7)

商業(yè)銀行i對(duì)于商業(yè)銀行j的絕對(duì)風(fēng)險(xiǎn)貢獻(xiàn)程度為

(8)

消除量綱影響后:

(9)

為了保證本文使用CoVaR模型對(duì)銀行間的風(fēng)險(xiǎn)溢出效應(yīng)測(cè)度準(zhǔn)確，必須對(duì)測(cè)度結(jié)果進(jìn)行有效性測(cè)試，本文運(yùn)用Kupiec提出的似然比(LR)檢驗(yàn)，對(duì)CoVaR類(lèi)風(fēng)險(xiǎn)測(cè)度結(jié)果的進(jìn)行返回測(cè)試，以驗(yàn)證模型的有效性。首先，在符合條件的數(shù)據(jù)集內(nèi)，假設(shè)商業(yè)銀行風(fēng)險(xiǎn)值超過(guò)CoVaR值的事件發(fā)生次數(shù)為N，樣本數(shù)量總個(gè)數(shù)為T(mén)，且N～B(T,p),p=q。原假設(shè)與備擇假設(shè)如下：

統(tǒng)計(jì)量為:

LR=-2ln[(1-p)T-N×pN]

(10)

其中，根據(jù)P值大小判斷是否拒絕原假設(shè)，P值越大，模型的風(fēng)險(xiǎn)測(cè)度情況越好。

2 實(shí)證研究

本文選取我國(guó)14家銀行作為研究對(duì)象，運(yùn)用前文所提及的方法對(duì)銀行間關(guān)聯(lián)結(jié)構(gòu)與金融風(fēng)險(xiǎn)溢出效應(yīng)進(jìn)行實(shí)證研究。

2.1 數(shù)據(jù)的選取與處理

為考慮2008年美國(guó)次貸危機(jī)、2011年歐洲債務(wù)危機(jī)、2013年銀行“錢(qián)荒”事件及2015年到2016年股市異常波動(dòng)等各類(lèi)金融極端事件，樣本區(qū)間為2008年1月1日至2018年12月31日。同時(shí)在我國(guó)A股上市的銀行機(jī)構(gòu)中選取上市時(shí)間在2008年之前的共14家：北京銀行、工商銀行、華夏銀行、建設(shè)銀行、交通銀行、民生銀行、南京銀行、寧波銀行、平安銀行、浦發(fā)銀行、興業(yè)銀行、招商銀行、中國(guó)銀行、中信銀行。選取其股票的收盤(pán)價(jià)Pt，并計(jì)算對(duì)數(shù)收益率：Rt=[ln(Pt)-ln(Pt-1)]×100%，得到2677個(gè)數(shù)據(jù)，J-B檢驗(yàn)統(tǒng)計(jì)量的P值均顯著的拒絕了原檢驗(yàn)假設(shè)。ADF檢驗(yàn)統(tǒng)計(jì)量的P值也均小于1%，說(shuō)明收益率序列是平穩(wěn)的。

2.2 模型與分析

2.2.1 邊緣分布擬合

首先使用CAViaR方法擬合了14家銀行的邊緣分布。所有的DQ檢驗(yàn)均未被拒絕，說(shuō)明能夠很好的刻畫(huà)所有銀行收益序列的動(dòng)態(tài)演化過(guò)程，為準(zhǔn)確測(cè)度銀行間的風(fēng)險(xiǎn)溢出強(qiáng)度奠定了基礎(chǔ)。

圖1 我國(guó)商業(yè)銀行年度尾部風(fēng)險(xiǎn)值走勢(shì)圖

使用CAViaR模型對(duì)各銀行進(jìn)行VaR值估計(jì)，其年度風(fēng)險(xiǎn)走勢(shì)如圖1所示，可以看到十年來(lái)，我國(guó)風(fēng)險(xiǎn)值波動(dòng)較大，而且有明顯的高峰階段與平穩(wěn)階段。2008年美國(guó)次貸危機(jī)的爆發(fā)時(shí)期，受?chē)?guó)際宏觀(guān)大環(huán)境的影響，各大銀行的風(fēng)險(xiǎn)值均較高，為應(yīng)對(duì)金融危機(jī)對(duì)外貿(mào)的沖擊，啟動(dòng)四萬(wàn)億投資計(jì)劃，對(duì)我國(guó)短期經(jīng)濟(jì)復(fù)蘇起到了重要作用，2009年到2010年我國(guó)銀行業(yè)整體的風(fēng)險(xiǎn)走勢(shì)逐漸下降后持續(xù)平穩(wěn)。2010年到2011年，刺激政策慢慢退出，監(jiān)管機(jī)構(gòu)根據(jù)銀行業(yè)發(fā)展要求，發(fā)布了一系列商業(yè)銀行管理辦法。這一舉措在一定程度上降低了商業(yè)銀行的信用風(fēng)險(xiǎn)與流動(dòng)性風(fēng)險(xiǎn)的發(fā)生概率，風(fēng)險(xiǎn)序列值在此時(shí)間區(qū)間內(nèi)均值與方差均較小。2013年3月至6月，銀行間的同業(yè)業(yè)務(wù)年率最高達(dá)30%，銀行間資金短缺狀況較為嚴(yán)重，受“錢(qián)荒”影響，商業(yè)銀行的風(fēng)險(xiǎn)序列于2013年到達(dá)一個(gè)小高點(diǎn)。2015年6月到8月，中國(guó)股市經(jīng)歷了異常波動(dòng)，杠桿交易的過(guò)度使用以及監(jiān)管制度的不完善放大了資金市資市場(chǎng)的缺陷，造成了單邊上揚(yáng)的局面。2015年的資本市場(chǎng)動(dòng)蕩也通過(guò)商業(yè)銀行的市場(chǎng)數(shù)據(jù)得以表現(xiàn)，風(fēng)險(xiǎn)值達(dá)到較高的水平。2017年，各銀行的風(fēng)險(xiǎn)值均處在較為平穩(wěn)且低落的狀態(tài)。CAViaR模型很好的擬合了我國(guó)各銀行走勢(shì)。

2.2.2 風(fēng)險(xiǎn)相依結(jié)構(gòu)的刻畫(huà)

求單個(gè)資產(chǎn)收益率的邊緣分布函數(shù)后，使用經(jīng)驗(yàn)分布函數(shù)將序列轉(zhuǎn)化成均勻的0-1分布，運(yùn)用MST-PRIM算法根據(jù)計(jì)算結(jié)果選出其絕對(duì)值最大的結(jié)構(gòu)圖，分別采用C-Vine、D-Vine及R-Vine三種不同的藤結(jié)構(gòu)構(gòu)建三種Vine-Copula模型。為選取最優(yōu)的Vine-Copula結(jié)構(gòu)，比較每個(gè)模型的AIC/BIC值來(lái)對(duì)比三模型擬合的優(yōu)劣，如表1所示。綜合比較可知，R-Vine Copula模型擬合效果最優(yōu)，其次為C-Vine Copula模型、D-Vine Copula模型。

表1 不同模型的AIC/BIC比較

采用R-Vine Copula建模，如圖2所示。

圖2 運(yùn)用MST-PRIM算法估計(jì)出的R-Vine相依性結(jié)構(gòu)圖(第1層與第2層)

在相依性方面，由圖2可知：①銀行間既具有直接相關(guān)關(guān)系也具有條件相關(guān)關(guān)系。T1表示了收益序列有直接相關(guān)關(guān)系的銀行結(jié)構(gòu)。②不同銀行間關(guān)系使用的不同Copula函數(shù)刻畫(huà)，絕大多數(shù)的相依性關(guān)系使用了Student-t-Copula函數(shù)擬合，銀行之間存在著對(duì)稱(chēng)的尾部相關(guān)關(guān)系，在極端情形下的傳染性較大；部分銀行間關(guān)系使用了Clayton-Copula函數(shù)擬合，銀行間收益率協(xié)同下跌的可能性較大；交通銀行與招商銀行、工商銀行與建設(shè)銀行使用Gumbel-Copula函數(shù)來(lái)刻畫(huà)了其之間的相關(guān)關(guān)系，當(dāng)一個(gè)銀行機(jī)構(gòu)收益上漲，另一家銀行也上漲的概率較大。③招商銀行的相依性關(guān)系最為復(fù)雜。招商銀行與三種經(jīng)濟(jì)性質(zhì)的銀行均有鏈接，是整體銀行結(jié)構(gòu)中的鏈接樞紐，總資產(chǎn)周轉(zhuǎn)率與自由流通市值均較高，說(shuō)明其資金流轉(zhuǎn)面積與速度均較高，是資本市場(chǎng)中較為活躍的商業(yè)銀行。

在結(jié)構(gòu)特征方面，分析圖2可知R-Vine結(jié)構(gòu)圖既沒(méi)有表現(xiàn)出明顯的C-Vine星型結(jié)構(gòu)特征，也未表現(xiàn)出D-Vine平行結(jié)構(gòu)特征，選用R-Vine對(duì)銀行間風(fēng)險(xiǎn)結(jié)構(gòu)進(jìn)行擬合更合適，結(jié)構(gòu)特征包括：①同經(jīng)濟(jì)性質(zhì)銀行聚集特征。在虛線(xiàn)方框與實(shí)線(xiàn)方框內(nèi)的銀行分別為國(guó)有銀行與股份制商業(yè)銀行，城市商業(yè)銀行均附著于股份制銀行的周邊，國(guó)有銀行與股份制銀行業(yè)也分別呈現(xiàn)出了聚集特征。②股份制銀行在整體結(jié)構(gòu)中具有鏈接作用。在樹(shù)中起到一定鏈接作用的銀行主要是股份制商業(yè)銀行，這與股份制商業(yè)銀行的同業(yè)業(yè)務(wù)量與資本市場(chǎng)活躍程度有關(guān)。③招商銀行與建設(shè)銀行的鏈接在結(jié)構(gòu)中作用凸顯。兩者的鏈接是不同性質(zhì)間銀行鏈接的中心通道。

圖3 運(yùn)用MST-PRIM算法估計(jì)出的R-Vine相依性結(jié)構(gòu)圖(第1層)

圖3展現(xiàn)了美國(guó)次貸危機(jī)、銀行“錢(qián)荒”事件以及股市異常波動(dòng)階段的藤結(jié)構(gòu)，三者較為明顯的特征是國(guó)有商業(yè)銀行在三次金融極端事件中都較為緊密的鏈接在一起(由虛線(xiàn)框標(biāo)出)，相比“錢(qián)荒”事件在美國(guó)次債危機(jī)期間與股市異常波動(dòng)階段均有股份制商業(yè)銀行如中信銀行與國(guó)有商業(yè)銀行鏈接，說(shuō)明國(guó)有銀行間的風(fēng)險(xiǎn)傳遞性較高，但國(guó)有銀行不易受其他銀行風(fēng)險(xiǎn)的感染。其次，在美國(guó)次貸危機(jī)階段與股市異常波動(dòng)階段，股份制銀行在相依結(jié)構(gòu)中有著較為明顯的鏈接樞紐作用，其中次貸危機(jī)期間更為明顯，股份制銀行對(duì)于國(guó)際金融趨勢(shì)以及股票市場(chǎng)波動(dòng)性更為敏感。從相依結(jié)構(gòu)的結(jié)構(gòu)形態(tài)來(lái)看，相較于美國(guó)次貸危機(jī)以及股市異常波動(dòng)時(shí)期，銀行“錢(qián)荒”事件期間在風(fēng)險(xiǎn)相依結(jié)構(gòu)更偏向于線(xiàn)性結(jié)構(gòu)，傳染關(guān)系更為簡(jiǎn)單，“錢(qián)荒”事件與貨幣市場(chǎng)的銀行間拆借交易與銀行自身的流動(dòng)性有著更為緊密的關(guān)系。

2.2.3 風(fēng)險(xiǎn)傳染網(wǎng)絡(luò)的構(gòu)建

上述基于Vine Copula模型進(jìn)行了分析，有助于全面了解商業(yè)銀行間的層次相關(guān)關(guān)系及定性的傳染網(wǎng)絡(luò)，為了更加突出在風(fēng)險(xiǎn)傳染時(shí)具有強(qiáng)相關(guān)關(guān)系的市場(chǎng)在整體傳染路徑中扮演角色，借助貝葉斯原理及上述所選出來(lái)的Copula來(lái)進(jìn)一步構(gòu)造基于Copula的貝葉斯網(wǎng)絡(luò)模型，以期直接觀(guān)察銀行之間因果風(fēng)險(xiǎn)傳染路徑。圖4是構(gòu)造的基于上述最優(yōu)R-Vine Copula結(jié)構(gòu)的貝葉斯網(wǎng)絡(luò)，其中箭頭指向?yàn)轱L(fēng)險(xiǎn)溢出的方向。在實(shí)證分析中，分布基于PC算法和HC算法對(duì)14維貝葉斯網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)學(xué)習(xí)。

圖4 PC與HC算法風(fēng)險(xiǎn)傳染網(wǎng)絡(luò)圖

由貝葉斯構(gòu)建的風(fēng)險(xiǎn)傳染網(wǎng)絡(luò)圖如圖5和圖6所示，明顯可以看出PC算法對(duì)網(wǎng)絡(luò)邊及方面的識(shí)別弱于HC算法，因此，本文采取HC算法從數(shù)據(jù)中得到的網(wǎng)絡(luò)結(jié)構(gòu)。首先表現(xiàn)較為明顯的是風(fēng)險(xiǎn)傳染的不對(duì)稱(chēng)性與風(fēng)險(xiǎn)傳染的多路徑性，其中網(wǎng)絡(luò)風(fēng)險(xiǎn)溢出路徑集中于股份制商業(yè)銀行與國(guó)有商業(yè)銀行，而網(wǎng)絡(luò)風(fēng)險(xiǎn)溢入路徑集中于股份制商業(yè)銀行與城市商業(yè)銀行。通常情況下，商業(yè)銀行間的風(fēng)險(xiǎn)溢出主要通過(guò)資金同業(yè)業(yè)務(wù)來(lái)進(jìn)行，不同類(lèi)型商業(yè)銀行的同業(yè)業(yè)務(wù)規(guī)模不同，從同業(yè)資金流入上來(lái)看，股份制商業(yè)銀行及城市商業(yè)銀行對(duì)的同業(yè)往來(lái)資金遠(yuǎn)大于國(guó)有銀行的同業(yè)資金往來(lái)。同時(shí)，國(guó)有銀行本身較大的資金規(guī)模增強(qiáng)了其抵御、控制與分散風(fēng)險(xiǎn)的能力，這使得國(guó)有銀行風(fēng)險(xiǎn)溢出路徑數(shù)量遠(yuǎn)大于風(fēng)險(xiǎn)溢入路徑數(shù)量。相反的是，城市商業(yè)銀行卻表現(xiàn)出風(fēng)險(xiǎn)溢入路徑數(shù)量大于溢出風(fēng)險(xiǎn)路徑數(shù)量，這也從側(cè)面印證了中小型商業(yè)銀行風(fēng)險(xiǎn)防控能力相對(duì)較弱。

2.2.4 CoVaR類(lèi)指標(biāo)的風(fēng)險(xiǎn)測(cè)度

假定q=p=0.05時(shí)，銀行陷入困境狀態(tài)。通過(guò)推導(dǎo)，可以計(jì)算各收益序列的CoVaR、ΔCoVaR、%CoVaR，以此來(lái)量化銀行間的風(fēng)險(xiǎn)溢出情況。為對(duì)國(guó)有商業(yè)銀行、股份制商業(yè)銀行與城市商業(yè)銀行的溢出時(shí)間序列進(jìn)行充分的對(duì)比，選取的建設(shè)銀行、招商銀行與寧波銀行為代表進(jìn)行分析。從三所銀行間的溢出來(lái)看，相比招商銀行的風(fēng)險(xiǎn)溢出，建設(shè)銀行的溢出較小，寧波銀行的溢出較大，且在2008年次貸危機(jī)期間的風(fēng)險(xiǎn)溢出大于在2013年及2016年間的股市異常波動(dòng)時(shí)的風(fēng)險(xiǎn)溢出，說(shuō)明整體股市波動(dòng)風(fēng)險(xiǎn)對(duì)股份制商業(yè)銀行的影響更大；從其他銀行對(duì)寧波銀行的風(fēng)險(xiǎn)溢出可以看出，兩銀行對(duì)于寧波銀行的風(fēng)險(xiǎn)溢出波動(dòng)相對(duì)較小，但平均承受的風(fēng)險(xiǎn)較高，進(jìn)一步說(shuō)明寧波銀行分散及管理風(fēng)險(xiǎn)的能力較低。

ΔCoVaR與%CoVaR直觀(guān)的反映了風(fēng)險(xiǎn)溢出大小及強(qiáng)度，考慮本文著重研究銀行間相互溢出值的大小，以ΔCoVaR與%CoVaR的平均值反應(yīng)風(fēng)險(xiǎn)溢出大小及強(qiáng)度。大多數(shù)的ΔCoVaR值均為正值，說(shuō)明一家銀行陷入困境時(shí)，另一家銀行面臨的風(fēng)險(xiǎn)更大。從溢出值大小上來(lái)看，銀行與銀行之間均存在雙向溢出值，且是不對(duì)稱(chēng)的。少數(shù)ΔCoVaR值為負(fù)值，說(shuō)明存在負(fù)向溢出值，當(dāng)一個(gè)銀行陷入危機(jī)時(shí)，將抑制另一個(gè)銀行陷入危機(jī)甚至?xí)黾恿硪粋€(gè)銀行的收益。從溢出值機(jī)構(gòu)上來(lái)看，股份制商業(yè)銀行的溢出值效應(yīng)較為明顯，中信銀行、招商銀行、浦發(fā)銀行，其向股份制商業(yè)銀行與城市商業(yè)銀行的溢出值較多，向國(guó)有銀行的溢出值較少；其次是城市商業(yè)銀行，較為突出的有寧波銀行、南京銀行，與股份制商業(yè)銀行相同的是，其向股份制商業(yè)銀行與城市商業(yè)銀行溢出值較多，向國(guó)有銀行溢出值較少。從溢入機(jī)構(gòu)來(lái)看，股份制商業(yè)銀行大于城市商業(yè)銀行大于國(guó)有銀行。綜上，股份制商業(yè)銀行在資本市場(chǎng)風(fēng)險(xiǎn)最高，其次是城市商業(yè)銀行，最后是國(guó)有銀行，這與國(guó)有銀行較大的資產(chǎn)規(guī)模與較高的風(fēng)險(xiǎn)管控水平密不可分。

2.2.5 風(fēng)險(xiǎn)指標(biāo)模型有效性測(cè)試結(jié)果

使用LR檢驗(yàn)方法對(duì)CoVaR模型的有效性進(jìn)行返回測(cè)試，以驗(yàn)證模型的有效性。由于篇幅有限，檢驗(yàn)結(jié)果將不再列出。通過(guò)檢驗(yàn)，LR檢驗(yàn)P值均都高于0.05，在0.05分位數(shù)水平下結(jié)構(gòu)較好，說(shuō)明本文構(gòu)建的CoVaR模型較好的描述了風(fēng)險(xiǎn)變化的特征，反應(yīng)了各大銀行在資本市場(chǎng)中的具體風(fēng)險(xiǎn)表現(xiàn)。

3 結(jié)論與政策建議

銀行部門(mén)是我國(guó)經(jīng)濟(jì)的命脈部門(mén)，銀行的穩(wěn)定是經(jīng)濟(jì)穩(wěn)定的必要因素。針對(duì)我國(guó)銀行間風(fēng)險(xiǎn)溢出效應(yīng)的主要結(jié)論有：

(1)國(guó)有銀行與股份制商業(yè)銀行各自聚集并連接，而城市商業(yè)銀行在分布在股份制商業(yè)銀行的周?chē)?。在各?jīng)濟(jì)性質(zhì)銀行連接的主導(dǎo)鏈條中，招商銀行與建設(shè)銀行的連接起到了樞紐作用，其中招商銀行是結(jié)構(gòu)中的突出中心節(jié)點(diǎn)，股份制商業(yè)銀行在整體結(jié)構(gòu)中起到了連接節(jié)點(diǎn)的作用。(2)國(guó)有銀行風(fēng)險(xiǎn)溢出路徑數(shù)量遠(yuǎn)大于風(fēng)險(xiǎn)溢入路徑數(shù)量，城市商業(yè)銀行表現(xiàn)出風(fēng)險(xiǎn)溢入路徑數(shù)量大于溢出風(fēng)險(xiǎn)路徑數(shù)量，股份制商業(yè)銀行的溢入路徑與溢出路徑基本持平。國(guó)有商業(yè)銀行管理、抵御及分散風(fēng)險(xiǎn)的能力大于股份制商業(yè)銀行大于城市商業(yè)銀行。(3)國(guó)有商業(yè)銀行風(fēng)險(xiǎn)溢出呈現(xiàn)了與VaR值相似的趨勢(shì)，在風(fēng)險(xiǎn)集聚區(qū)域變現(xiàn)出較為明顯的峰值；股份制商業(yè)銀行的風(fēng)險(xiǎn)溢出中，次貸危機(jī)期間的溢出大于股市異常波動(dòng)時(shí)的溢出；城市商業(yè)銀行的風(fēng)險(xiǎn)管理能力較低。(4)銀行間存在雙向溢出效應(yīng)且呈現(xiàn)效應(yīng)呈現(xiàn)非對(duì)稱(chēng)性。銀行之間可能存在負(fù)向溢出效應(yīng)，大多存在于股份制銀行與城市商業(yè)銀行的業(yè)務(wù)往來(lái)之中。

針對(duì)以上結(jié)論，提出以下政策建議：我國(guó)監(jiān)管總局應(yīng)加強(qiáng)對(duì)股份制商業(yè)銀行資金流動(dòng)、業(yè)務(wù)創(chuàng)新的管控；當(dāng)某一銀行尤其是系統(tǒng)重要性銀行陷入困境時(shí)，監(jiān)管部門(mén)應(yīng)立即糾正銀行存在的問(wèn)題，降低這一銀行對(duì)其他銀行的影響；監(jiān)管部門(mén)應(yīng)該在全面評(píng)估審慎制度有效性的基礎(chǔ)上，強(qiáng)化對(duì)于資本充足率、杠桿率、流動(dòng)性、各類(lèi)損失準(zhǔn)備的監(jiān)管，建立更具有前瞻性的監(jiān)管制度，從而引導(dǎo)商業(yè)銀行尤其是城市商業(yè)銀行增強(qiáng)抵御風(fēng)險(xiǎn)的能力。相關(guān)部門(mén)也應(yīng)該注重對(duì)于金融市場(chǎng)的監(jiān)管，要與銀行部門(mén)及時(shí)地進(jìn)行信息互換，避免因信息不對(duì)稱(chēng)而出現(xiàn)的監(jiān)管過(guò)嚴(yán)過(guò)松，防止銀行之間的惡性競(jìng)爭(zhēng)。