陳靖 劉一心,2

(1.澳門城市大學 中國澳門 999078；2.珠?？萍紝W院 廣東珠海 519041)

2007年金融危機爆發(fā)以來，學術研究人員紛紛開始研究金融危機的起因，結(jié)果表明爆發(fā)全球金融危機的原因是缺乏風險管理(Goodhart，2008; Blundell-Wignall，2008)。金融危機的爆發(fā)和對全世界金融市場的影響表明了金融世界之間的相互聯(lián)系。一個地點或資產(chǎn)類別的沖擊可能會對機構(gòu)的穩(wěn)定性和世界各地的市場產(chǎn)生重大影響。由于金融網(wǎng)絡之間的快速傳播，倘若某個銀行暴露出風險敞口，其他銀行等相關金融機構(gòu)乃至整個社會的經(jīng)濟都會受到一定影響。因此，銀行如何控制自身的潛在風險，不僅與銀行的可持續(xù)發(fā)展直接相關，還與國家的金融、經(jīng)濟和社會方面息息相關。

1 銀行系統(tǒng)性風險的文獻綜述

Financial Stability Board對系統(tǒng)性風險的定義是經(jīng)歷強烈的系統(tǒng)事件的風險，系統(tǒng)性風險的發(fā)生離不開“系統(tǒng)性事件”。事件的觸發(fā)可能是外來沖擊，也可能從金融系統(tǒng)內(nèi)部或整個經(jīng)濟內(nèi)部產(chǎn)生，這種事件影響了許多具有系統(tǒng)重要性的中介機構(gòu)或市場，認為這是由于金融機構(gòu)損失引起的，同時有“系統(tǒng)性重要性”特征的機構(gòu)暴露出的風險，其對其他機構(gòu)的沖擊力不容小覷。Kaufman和Scott(2003)認為，系統(tǒng)性風險產(chǎn)生是因為銀行之間的經(jīng)營活動，當銀行間的經(jīng)營關系逐漸形成網(wǎng)絡，一個銀行受到影響時將牽一發(fā)而動全身，使整個銀行系統(tǒng)都受到廣泛影響。

學術界關于衡量系統(tǒng)性風險的方法很多，包括結(jié)構(gòu)化方法和模型法。結(jié)構(gòu)化方法又可以細分為網(wǎng)絡分析法、風險管理法和矩陣法。網(wǎng)絡分析法是基于金融機構(gòu)具有差異的交易數(shù)據(jù)劃分為不同網(wǎng)絡結(jié)構(gòu)，從而對有可能存在的風險進行測度(廖為鼎和陳一非，2014)；風險管理法是在相同資產(chǎn)規(guī)模下，通過銀行資產(chǎn)之間的關聯(lián)程度對系統(tǒng)性風險的大小進行測算；矩陣法是通過計算銀行破產(chǎn)清算導致其他銀行破產(chǎn)的數(shù)量估計系統(tǒng)性風險的傳播程度(Lehar，2005)。第二種方法是用CoVar模型和GARCH模型等。傳統(tǒng)的VaR模型雖然也可以測度風險，但存在很多不足。Girardi和Ergun(2013)考慮了尾部風險，通過提出條件在險價值CoVaR衡量當金融機構(gòu)面臨風險時，整個金融市場及市場參與者遭受損失的風險。至此之后很多學者在研究金融機構(gòu)間的風險傳播效應時開始使用條件在險價值CoVaR。范小云等(2011)將邊際期望損失概念融入CoVaR模型。但Lee和Ryu(2013)認為CoVaR仍然存在缺陷。GARCH模型最早由Engle(1982)提出，能夠比較準確地描繪金融市場中波動的時變特點。Lee等(2006)運用了DCC-GARCH模型，更加準確地測度了股票組合的風險價值。國內(nèi)學者通過多元GARCH模型的研究內(nèi)容也很廣泛，有關于我國股票市場和外匯市場的價格波動關聯(lián)程度的(呂雪蓉，2011)，也有關于我國金融機構(gòu)系統(tǒng)性風險研究的(方意等，2012)。

與國內(nèi)研究成果相比，國外學者關于銀行風險的測度和風險的傳播性進行了更深入的研究。綜合上述文獻分析，VaR模型和CoVaR模型在進行時間序列數(shù)據(jù)分析風險時都存在一定的不足之處。而DCC-GARCH模型不但能測算出銀行自身面臨的風險程度，而且還能衡量描述不同銀行之間風險的動態(tài)相關系數(shù)，即風險之間的傳染性與相關性。因此，本文選用DCC-GARCH模型對四大國有銀行的股票收益率時間序列進行進一步分析。

2 樣本選取與模型構(gòu)建

本文的研究對象為四大國有銀行，即：中國銀行、中國工商銀行、中國建設銀行及中國農(nóng)業(yè)銀行，分別標記為BOC、ICBC、CCB、ABC。選取對象為2010年7月15日—2020年12月18日四大國有銀行的股票日收盤價，剔除缺失數(shù)據(jù)，共獲得2489個數(shù)據(jù)，數(shù)據(jù)來源于網(wǎng)易財經(jīng)，同時通過收益率衡量四大國有銀行系統(tǒng)性風險的波動。收益率計算方法為：

式(1)中：Pt表示t時期的股票日收盤價，rt表示t時期對數(shù)收益率。

通過對以往文獻的總結(jié)，可得收益率指標的分布特征有兩個：尖峰肥尾和波動聚集性。因此，本文決定采用基于GARCH模型估計而得的條件異方差序列。本章將基于Eviews10先檢驗收益率序列是否存在ARCH效應，再對存在ARCH效應的變量序列進行GARCH模型估計，最后用DCC-GARCH模型估計四大國有銀行的股票收益率時間序列之間的風險動態(tài)相關系數(shù)。

2.1 數(shù)據(jù)描述性統(tǒng)計分析

分析四大國有銀行對數(shù)收益率的時序可以發(fā)現(xiàn)，收益率變動具有明顯的波動聚集特征，正收益率通常會在一段時間后變?yōu)樨撌找媛?，所以通過構(gòu)建GARCH模型對收益率時間序列做進一步分析。

四大國有銀行對數(shù)收益率的描述性統(tǒng)計量結(jié)果表明，中國工商銀行收益率指標的均值和中位數(shù)均為0.000，最大值和最小值分別為0.0953和-0.1043，標準差為0.0137，偏度為-0.0898為左偏，峰度為12.9120，大于標準正態(tài)分布為高峰，P值的結(jié)果為0.000也代表在5%的顯著性水平上拒絕收益率服從正態(tài)分布的原假設。對于其他三個國有銀行的指標也有相似計量結(jié)果(見表1)。

表1 四大國有銀行收益率時間序列的描述性分析結(jié)果

通過圖1列示的四大國有銀行收益率的QQ圖可以看出，四大國有銀行的收益率均與圖中的直線偏離較遠，并呈現(xiàn)出“S”的形狀，通過圖1能夠更明顯地看出，四大國有銀行對數(shù)收益率的樣本數(shù)據(jù)都不符合正態(tài)分布，四大國有銀行收益率序列的共有特征為：尖峰肥尾及非對稱分布。

圖1 收益率的QQ圖

2.2 收益率序列單位根檢驗與自相關檢驗

構(gòu)建GARCH模型的第一步是檢驗收益率序列是否平穩(wěn)。常見的檢驗平穩(wěn)性的方法有ADF單位根檢驗和PP單位根檢驗等。本文用ADF單位根檢驗結(jié)果表明，四大國有銀行收益率時間序列的ADF值均小于不同顯著性水平下的臨界值，P值全部為0，該序列不存在單位根，收益率序列平穩(wěn)滿足GARCH建模的基本條件。

構(gòu)建GARCH模型的第二步是構(gòu)建均值回歸模型，并通過Q檢驗量識別收益率序列的自相關情況。從四大國有銀行收益率序列自相關檢驗滯后1期到6期的結(jié)果發(fā)現(xiàn)，四大國有銀行的Q統(tǒng)計量在5%的置信水平上滯后2到6階時取值的概率均小于0.05，意味著四大國有銀行的收益率序列存在自相關性，可以進一步檢驗ARCH效應。

2.3 ARCH效應檢驗

構(gòu)建GARCH模型的第三步是用拉格朗日乘數(shù)法確定OLS殘差序列ARCH效應是否存在，檢驗結(jié)果如表2所示，滯后1階到5階的收益率樣本殘差序列在5%的顯著性水平上的P值均為0，說明收益率殘差序列存在顯著的ARCH效應。

表2 收益率殘差序列LM檢驗結(jié)果

3 四大國有銀行間風險動態(tài)相關性的實證研究

3.1 模型構(gòu)建

通過前面分析四大國有銀行的股票收益率樣本序列具有平穩(wěn)、顯著的自相關性及ARCH效應，滿足DCCGARCH模型的建模要求。因此，本節(jié)通過四大國有銀行間風險動態(tài)相關性檢驗的模型進行參數(shù)估計和討論，具體模型如下：

式（2）中：Ai為當期半向量化處理后的擾動項；Ai-j為滯后期半向量化處理后的擾動項；C為常數(shù)；γi和βj分別表示待估系數(shù)矩陣；代表隨機干擾項εt的滯后平方項矩陣；p、q分別為GARCH和ARCH項中的滯后階數(shù)。

3.2 實證檢驗及結(jié)果分析

經(jīng)反復檢驗后，選取GARCH項和ARCH項的滯后階數(shù)p、q均為1構(gòu)建DCC-GARCH模型，模型估計的參數(shù)如表3所示。

由表3可以看出，我國四大國有銀行的γ值和β值均存在差別。參數(shù)γ的大小代表股票收益率對市場信息反應速度的快慢，中國建設銀行參數(shù)γ的估計值最大，中國工商銀行排第二，最后是中國銀行和中國農(nóng)業(yè)銀行。因此，反應速度最快的是中國建設銀行，反應速度最慢的是中國農(nóng)業(yè)銀行。就β參數(shù)的估計值而言，β的大小表示受過去信息影響的大小及收益率波動的衰減速度。由分析結(jié)果可以得到受過去信息影響較大的是中國農(nóng)業(yè)銀行，但對比剩下的三大國有銀行，其衰減速度最慢，股票收益率波動衰減速度最快的是中國建設銀行。結(jié)合γ+β兩個參數(shù)的估計結(jié)果可以表示股市收益率波動的持久性，越接近于1代表持久性越強。γ+β值最大的中國工商銀行為 0.9724，其次是中國農(nóng)業(yè)銀行為0.9685，中國銀行的取值為0.961，最小的是中國建設銀行為0.9335。四大國有銀行的γ+β值相差微小并且取值均接近1，意味著收益率波動的持久性是四大國有銀行共有的特征?？梢岳^續(xù)通過對四大國有銀行進行動態(tài)相關系數(shù)做進一步分析，估計結(jié)果如表4所示。

表3 DCC-GARCH模型參數(shù)估計表

第一，四大國有銀行的股票收益率之間存在正向關系，因為所有參數(shù)的估計系數(shù)都大于0，表示如果四大國有銀行中有一家銀行收益率上漲，那么剩余的三大國有銀行的收益率也會隨之上漲，發(fā)生相同方向的變動。從估計數(shù)值來看，在進行模型參數(shù)估計時，輸入的銀行次序分別為ABC、BOC、CCB、ICBC。ρ12代表第一個銀行和第二個銀行動態(tài)相關系數(shù)的平均值，即ABC與BOC之間的動態(tài)相關系數(shù)，ρ13是ABC與CCB的動態(tài)相關系數(shù)并以此類推。由表4可以看出，估計數(shù)值最大為0.7484即ρ34，最小為0.7290即ρ13，表示風險相關性最強的是CCB與ICBC，風險相關性最弱的是ABC與CCB，與數(shù)值0.7290較為接近的還有0.7296，即BOC與CCB的風險相關性。

表4 收益率序列動態(tài)相關系數(shù)統(tǒng)計表

第二，以DCC-GARCH模型的系數(shù)θ1和θ2來看，其估計值都大于0且P值為0，兩者之和近似等于1，意味著四大國有銀行的股票收益率序列具有很強的動態(tài)相關性，并且受過去信息的影響程度較高。通過分析四大國有銀行兩兩之間股票收益率的動態(tài)相關性發(fā)現(xiàn)，時變性是四大國有銀行兩兩之間動態(tài)相關系數(shù)的共同特征，與金融數(shù)據(jù)具有明顯的時變性保持一致。

4 政策建議

4.1 建立識別風險預警機制

對銀行本身來說，系統(tǒng)性風險一般難以分散，因此可選擇在風險發(fā)生前建立識別風險預警機制，將銀行可能遭受的損失降到最低。銀行應結(jié)合自身實際經(jīng)營狀況，對風險進行識別，對風險進行指標量化，盡可能地識別風險，從而減少風險帶來的損失。除此之外，銀行還要培養(yǎng)高層次風險管理人員，運用大數(shù)據(jù)、云計算等方法為風險識別提供定量分析，從而提高風險監(jiān)管的效果。

4.2 提高銀行自身風險抵御能力

除了提前識別風險外，銀行還需要提高自身的風險抵御能力。評級體系不是一成不變的，在銀行長期發(fā)展過程中，評級系統(tǒng)需要與時俱進。每個銀行都應承擔風險監(jiān)管的職責，提高自身的應對能力，不斷完善體制，提高資本充足率，優(yōu)化自身資本結(jié)構(gòu)，從而降低自身風險對外界的溢出程度。當風險發(fā)生時，銀行需要制定風險應急應對的方法和機制，萬一發(fā)生緊急情況，可通過風險應對機制將風險造成的損失降到最低，從而維護整個金融市場的平穩(wěn)運行。

4.3 建立完善的銀行風險管理體系

金融監(jiān)管局可以根據(jù)不同類型的銀行建立不同的標準，建立動態(tài)調(diào)整機制。一方面，金融監(jiān)管機構(gòu)應制定銀行信息披露制度，并要求銀行定期進行匯報；另一方面，金融監(jiān)管機構(gòu)應時刻關注銀行的發(fā)展動態(tài)并限制銀行惡性競爭，營造銀行業(yè)公平競爭環(huán)境，最終促進整個金融市場的發(fā)展。