国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

金融市場風險溢出對銀行理財產品收益的效應研究

2024-02-02 11:10龍林茂田亞軍
財經理論研究 2024年1期
關鍵詞:債券市場理財產品方差

龍林茂,鄭 琦,田亞軍

(蘭州財經大學 統(tǒng)計學院,甘肅 蘭州 730020)

一、引言

2022年1月1日,隨著《關于規(guī)范金融機構資產管理業(yè)務的指導意見》(以下簡稱《資管新規(guī)》)的正式實施,銀行金融理財正式進入非保本、凈值化管理時代,金融理財也回歸其“代理理財”本源。銀行的代理人身份決定其不能再為金融理財產品收益“保本”兜底,以降低發(fā)生系統(tǒng)性金融風險的概率。從2017年《資管新規(guī)》征求意見開始,并于2018年4月出臺后,《資管新規(guī)》對銀行同業(yè)理財產生了實質影響,同業(yè)理財規(guī)模大幅度減少,因為該部分理財可能隱含著保本、脫實向虛和多層嵌套等性質,不符合《資管新規(guī)》的要求。其中,2017年同業(yè)理財規(guī)模比上年下降51.13%,2018年繼續(xù)同比下降62.57%。遵照《資管新規(guī)》要求,銀行推行非保本、凈值化管理模式開展金融理財業(yè)務,由投資人承擔金融理財市場風險,是否意味銀行非保本理財規(guī)模也大幅度下降?現(xiàn)實并非如此。商業(yè)銀行非保本理財規(guī)模仍然逐年增長,從2018年的22.04萬億元增長至2021年的29萬億元,3年增長了31.6%。相比其他主要金融機構,2021年末,證券行業(yè)資產管理業(yè)務規(guī)模為10.88萬億元,同比增加3.53%;信托業(yè)受托管理的信托資產余額為20.55萬億元,同比增長0.29%。數(shù)據(jù)說明了金融理財?shù)目蛻羧后w仍然更多地選擇了銀行理財產品進行投資。但是,《資管新規(guī)》出臺后,銀行理財產品的投資結構發(fā)生了變化,債券市場投資比重增加。2017年前多數(shù)年份低于45%,2018年至2021年都超過53%,加上在貨幣市場的投資,銀行理財資金主要投資于債券市場和貨幣市場。其中,2021年占比高達68.4%。①

依照投資理論,債券市場與貨幣市場投資增加,兩個市場的風險貢獻也可能相應增加而使銀行理財產品收益的風險提高。從《中國新聞周刊》2022年9月15日刊載的信息看到,某銀行476天固收類理財產品到期兌付,收益率僅為0.35%。普益標準統(tǒng)計數(shù)據(jù)也顯示,2022年上半年有9.42%的銀行理財產品到期收益未達業(yè)績比較基準線。這是市場風險的真實表現(xiàn)。那么,是否銀行理財產品低于業(yè)績比較基準是一種常態(tài)或者一般性存在呢?是否銀行理財產品投資者將完全承擔來自債券市場和貨幣市場的風險溢出后果并影響對銀行理財產品的投資選擇呢?回答該問題具有現(xiàn)實意義。

本文認為,同樣依照投資理論,銀行理財產品收益風險來源于理財資金投資的目標市場風險和銀行主動管理風險?!顿Y管新規(guī)》實施后,因債券市場與貨幣市場投資增加,兩個市場的風險貢獻可能相應增加而使銀行理財產品收益的風險提高,也可能因銀行加強投資管理而使銀行理財產品收益的風險降低,因此,出現(xiàn)銀行理財產品低于業(yè)績比較基準并不一定是一種常態(tài)或者一般性存在。由于兩個市場投資比例提高,債券市場和貨幣市場風險自然成為銀行考慮的最主要因素,特別是銀行資產管理部門將重點關注兩個市場的風險溢出對理財產品收益的影響,繼而加強投資風險管理。因此,本文將基于《資管新規(guī)》實施前后比較視角,就債券市場與貨幣市場風險溢出對銀行理財產品收益的效應進行研究,嘗試找到回答前述問題的證據(jù),對銀行理財產品投資者和銀行提出具有參考價值的建議。

二、文獻綜述

國內外學者對金融市場風險溢出的研究主要從兩個維度展開,一個維度是對金融市場風險溢出效應進行測度,另一維度是分析金融市場風險溢出的動因以及傳染的路徑。在風險溢出效應測度研究方面,非線性測度成為主要的測度方法。主要的測度方法包括條件風險價值法(CoVaR)、溢出指數(shù)法和復雜網(wǎng)絡模型或拓撲法。關于CoVaR的測度方法中,Mainik和Schaanning[1]提出的Copula-CoVaR方法廣泛應用于資本市場風險溢出效應測度,Reboredo等[2]進一步提出基于Vine Copula模型測度CoVaR的方法?;贑oVaR的局限性,Adrian和Brunnermeier[3]進一步拓展CoVaR成為CoES(條件預期損失),用以刻畫金融市場風險溢出效應。在此基礎上,李政等[4]、曹潔和雷良海[5]分別利用GARCH模型和Copula函數(shù)度量了廣義CoES,并提出廣義多維CoES方法來測度多個金融市場對另一金融市場的多重風險溢出效應等;關于溢出指數(shù)法,Diebold和Yilmaz[6]構建溢出指數(shù)(Spillover Index)測度金融機構間的風險溢出效應;Allen和Gale[7]、Freixas等[8]提出了網(wǎng)絡傳染模型,并將模型運用到系統(tǒng)性金融風險的測度。Diebold和Yilmaz[9]在溢出指數(shù)法基礎上,納入復雜網(wǎng)絡內容,構建波動溢出網(wǎng)絡模型。劉湘云等[10]將熵理論引入金融市場風險測度研究中,并運用中外證券市場指數(shù)進行實證分析。蔣海和張錦意[11]、楊子暉和周穎剛[12]構建了基于金融市場的風險溢出網(wǎng)絡,分析系統(tǒng)性金融風險的動態(tài)溢出效應和傳染效應等。何德旭等[13]構建了包括貨幣市場及資本市場的跨市場金融網(wǎng)絡,計算跨市場金融網(wǎng)絡的風險傳染效應,進而采用非線性因果檢驗確定風險傳染的方向等。

在金融市場風險溢出的動因以及傳染路徑方面,外部沖擊發(fā)生是金融市場風險形成的原因,外部沖擊通過實體經濟將風險依次傳導至股票、貨幣及債券市場[14]。具體而言,貨幣市場對其他市場的風險溢出效應較強,股票市場、債券市場以及外匯市場受到外部風險的沖擊更大[15],金融市場內風險溢出效應顯著高于金融市場間,股票市場和房地產市場成為主要風險溢出方和接受方[16]。也有學者提出有差異的研究結論,認為風險溢出方向具有非對稱性,房地產市場、商品市場和股票市場是風險的凈溢出者,貨幣市場、債券市場、外匯市場和黃金市場是風險的凈接受者[17]??v觀全球金融市場,美國、英國是全球系統(tǒng)性金融風險的主要輸出國家,且美國的風險輸出效應大于英國,中國和歐元區(qū)國家是全球系統(tǒng)性金融風險的凈輸入國家[13]。另外,在資管產品中,部分產品交易結構復雜,存在多層嵌套,在滿足居民財富保值增值期望和市場融資需求的同時,一系列亂象也潛藏著系統(tǒng)性金融風險隱患[18]。為此,2018年4月《資管新規(guī)》實施后,將對銀行理財產生系統(tǒng)、深遠的影響,銀行需進一步豐富保本負債工具,將資金配置于高等級信用債券、貨幣市場工具、短期利率債等凈值波動較小的資產等[19]。

從以上梳理的中外文獻來看,學者們構建多種模型對金融市場風險溢出效應進行測度,較好地度量了金融市場的變化狀況,特別是指出了風險在金融市場間和市場內的傳染方向及程度,并對金融市場風險監(jiān)測與防范提出了具有參考價值的建議,為提高金融市場監(jiān)管有效性奠定基礎。但是,對于如債券市場和貨幣市場等的直接投資者銀行或者間接投資者客戶而言,學者們的研究結論及建議過于宏觀,參考價值有限,且將金融市場風險溢出效應與具體金融產品投資相結合進行研究的文獻較少。對《資管新規(guī)》的相關研究主要包括從定性方面對《資管新規(guī)》進行解讀、對《資管新規(guī)》對銀行的影響及銀行理財資金投資結構變化等進行分析,其中,將金融市場風險與銀行理財產品收益結合研究的文獻較少。本文的邊際貢獻在于運用Diebold和Yilmaz[6]構建的溢出指數(shù)法測度債券市場與貨幣市場風險溢出對銀行理財產品收益的效應,即銀行理財產品收益的市場風險貢獻水平,并運用GARCH模型衡量債券市場、貨幣市場波動和銀行理財產品已實現(xiàn)收益的波動,以檢驗溢出指數(shù)法測度的有效性。再重復運用溢出指數(shù)法,以《資管新規(guī)》出臺時間為界限,對債券市場與貨幣市場風險溢出對銀行理財產品收益的效應分別進行估算和比較分析,揭示存在的差異,說明《資管新規(guī)》實施后,債券市場和貨幣市場風險溢出對銀行理財產品收益的效應并沒有顯著增強,且兩個市場的風險貢獻不一定使銀行理財產品收益的風險提高,銀行理財產品收益風險主要來源于銀行的投資管理,進而提出有參考價值的建議。

三、模型設定與研究假設

(一)風險溢出效應模型設定

學界研究變量方差貢獻來源以及程度,通常采用溢出指數(shù)法,國內外有較多學者運用該方法研究市場風險溢出。由于銀行理財產品所籌集資金主要投向債券市場和貨幣市場,理論上債券市場與貨幣市場風險將對銀行理財產品收益產生實質影響。因此,本研究也將運用該方法對債券市場和貨幣市場的風險溢出進行衡量。選擇銀行理財產品收益率度量銀行理財產品收益,利用債券市場指數(shù)和貨幣市場基金指數(shù)度量債券市場與貨幣市場的基礎指標。

溢出指數(shù)法基于向量自回歸模型VAR的方差分解。向量自回歸VAR模型基本的表達式如下所示:

Yt=Φ1Yt-1+…+ΦpYt-p+εt,t=1,…,T

(1)

式中:Yt為k維內生變量列向量,在這里的內生變量列向量的元素,即模型的內生變量,指銀行理財產品收益率、債券市場指數(shù)和貨幣市場基金指數(shù)三個變量(下同);p為滯后階數(shù);T為樣本個數(shù),每一個樣本點代表著一個具體的月份時間節(jié)點。k×k維矩陣Φ1,…,Φp為待估計的系數(shù)矩陣,其矩陣元素的大小和排列可以說明內生變量滯后向量之間的關系。εt是k維擾動列向量,且擾動列向量相互之間可以同期相關,但是不與自己的滯后值相關且不與等式右邊的變量相關。對于銀行理財產品收益率、債券市場指數(shù)和貨幣市場基金指數(shù)變量而言,采取對模型中的隨機擾動項進行衡量來刻畫這三個變量的波動。上式中,εt~N(0,Σ),Σ是εt的協(xié)方差矩陣,是一個k×k的正定矩陣。在式中白噪聲向量εt一般稱為沖擊向量,即對內生變量的沖擊向量。

式(1)可表示為下列形式:

Φ(L)Yt=εt

(2)

將式(1)轉變?yōu)槭?2)的目的在于研究隨機擾動項對內生變量的影響。其中,式(2)中的Φ(L)=Ik-Φ1L-Φ2L2-…-ΦpLp,Ik為k維單位矩陣,L為滯后算子,且有:L(Yt)=Yt-1。如果行列式det[Φ(L)]的根都在單位圓外,則式(1)滿足平穩(wěn)性條件,可以表示為無窮階的向量動平均[vectormovingaverage,VMA(∞)]形式:

Yt=Θ(L)εt

(3)

式(3)中,Θ(L)=Φ(L)-1,Θ(L)=Θ0+Θ1L+Θ2L2+…,Θ0=Ik。

即內生變量列向量Yt的變動情況會受隨機擾動項εt的影響。對VAR模型的估計可以通過最小二乘法OLS來進行。假如,對Σ矩陣不施加限制性條件,由最小二乘法可得Σ矩陣的估計量為:

(4)

當VAR的參數(shù)估計出來后,由于Φ(L)*Θ(L)=Ik,所以也可得到相應的VMA(∞)模型的參數(shù)估計。由于僅僅有內生變量的滯后值出現(xiàn)在等式的右邊,所以不存在同期相關性問題,用普通最小二乘法能得到VAR簡化式模型的一致且有效的估計量。

由式(1)可得:

Yt=(Ik-Φ1L-…-ΦpLp)-1εt=(Ik+Θ1L+Θ2L2+…)εt,t=1,2,…,T

(5)

Yt的第i個變量yit可以寫成下述表達式:

(6)

由上述表達式可知各個括號中的內容是第j個擾動項εi從無限過去到現(xiàn)在時點對第i個內生變量yi影響的總和。求其方差,假定εj無序列相關,則有:

(7)

這是把第j個擾動項對第i個變量從無限過去到現(xiàn)在時點的影響,用方差加以評價的結果。此處還假定擾動項向量的協(xié)方差矩陣Σ是對角矩陣,則yi的方差是上述方差的k項簡單和為:

(8)

yi的方差可以分解成k種不相關的影響,也就是說銀行理財產品收益率、債券市場指數(shù)和貨幣市場基金指數(shù)的總變動為各自變量隨機擾動項的總和。因此,為了測定各個擾動項相對yi的方差有多大程度的貢獻,定義了如下尺度:

(9)

式(9)即相對方差貢獻率(relative variance contribution,RVC),是根據(jù)第j個變量基于沖擊的方差對yi的方差的相對貢獻度來觀測第j個變量對第i個變量的影響。也可以說是第j個變量對第i個變量的溢出效應。這樣就可以分析銀行理財產品收益率、債券市場指數(shù)和貨幣市場基金指數(shù)相互之間的溢出效應。

Θ0εt+Θ1εt-1+Θ2εt-2+…+Θs-1εt-s+1,Θ0=Ik

可以得到近似的相對方差貢獻率:

(10)

當RVCj→i(s)較大時,意味著第j個變量對第i個變量的影響大;相反地當RVCj→i(s)較小時,意味著第j個變量對第i個變量的影響小。

運用Cholesky喬列斯基分解,式(10)可以用下列表達式表示:

(11)

式(11)中,C是一個下三角矩陣,CCT=Σ,Σ是前述擾動項εt的協(xié)方差矩陣。根據(jù)矩陣的相關性質,下三角矩陣C可以是不唯一的,矩陣的選擇與變量的次序有關,因此式(11)對變量次序有一定的依賴性,可以說j變量對i變量的風險溢出值也是不唯一的,即內生變量相互之間的溢出指數(shù)會因變量次序的不同而不同。需要對上述的指數(shù)進行優(yōu)化。因此,本研究借用Diebold和Yilmaz[6]的廣義脈沖響應函數(shù)的相關理論,構建以下風險溢出指數(shù):

(12)

(13)

由此可知,變量i受到其他變量的總風險溢出為:

(14)

變量i對其他變量的總風險溢出為:

(15)

(16)

這樣,基于上述理論就可以分析銀行理財產品收益、債券市場和貨幣市場之間的溢出效應。

假設1:債券市場和貨幣市場風險溢出對銀行理財產品投資效應顯著。

(二)GARCH模型運用

計量經濟學家Tim Bollerslev(1986)提出了GARCH模型,用來衡量變量波動情況。以一階GARCH(1,1)模型為例,其結構如下所示:

(17)

其中,yt為因變量,yt-1為自身滯后變量,εt為隨機誤差項,yt~N(0,ht)。本文運用GARCH模型來觀測變量波動率與溢出指數(shù)之間的相關影響,旨在分析溢出指數(shù)的大小是否能在實際時間序列的波動中體現(xiàn)。換而言之,運用GARCH模型的目的在于檢驗債券市場和貨幣市場的風險溢出大小能否對銀行理財產品收益的波動產生影響以及影響是如何體現(xiàn)的。

假設2:與溢出指數(shù)法分析結論一致,即驗證假設1成立。

四、實證分析

(一)變量設計與數(shù)據(jù)選取

根據(jù)VAR模型要求和研究需要,設計債券市場指數(shù)、貨幣市場基金指數(shù)和銀行理財產品收益率為三個平行變量。根據(jù)Wind數(shù)據(jù)庫,選取月度債券綜合指數(shù)與中債指數(shù)進行簡單平均構造債券市場指數(shù),選取貨幣市場基金月度指數(shù)為貨幣市場基金指數(shù),根據(jù)中國理財網(wǎng)披露的理財報告中銀行理財產品收益率曲線圖和運用圖像分析法估計銀行理財產品收益率。數(shù)據(jù)區(qū)間為2013年1月至2021年6月,共選取102個月的月度數(shù)據(jù)。對數(shù)據(jù)進行描述性統(tǒng)計,結果如表1所示:

表1 數(shù)據(jù)描述性統(tǒng)計結果

Jarque-Bera檢驗是對樣本數(shù)據(jù)是否具有符合正態(tài)分布的偏度和峰度的擬合優(yōu)度的檢驗,其統(tǒng)計測試結果總是非負的。如果結果遠大于零,則表示數(shù)據(jù)不具有正態(tài)分布。由表1的結果可知,三個數(shù)據(jù)的Jarque-Bera值都大于0,除了銀行理財產品收益率檢驗的P值較大為0.182外,其余兩個變量檢驗的P值都小于0.1,可在10%的顯著性水平上認為其數(shù)據(jù)服從正態(tài)分布。

(二)數(shù)據(jù)平穩(wěn)性檢驗

為了消除數(shù)據(jù)量綱的影響,對數(shù)據(jù)進行取對數(shù)操作,并在此基礎上進行平穩(wěn)性檢驗,檢驗結果見表2:

表2 變量ADF檢驗結果

溢出指數(shù)法依靠向量自回歸VAR模型,因此需要對變量進行平穩(wěn)性檢驗。表2中貨幣市場基金數(shù)據(jù)不論是否取對數(shù)都能夠在10%的顯著性水平上平穩(wěn);債券市場指數(shù)數(shù)據(jù)與銀行理財產品收益率數(shù)據(jù)需要取對數(shù)差分后才能達到平穩(wěn)條件。根據(jù)表2的結果,選取平穩(wěn)的取對數(shù)處理后的變量數(shù)據(jù)進行進一步的操作,建立VAR模型并利用溢出指數(shù)法進行風險溢出效應的實證分析。

(三)脈沖響應函數(shù)分析

根據(jù)AIC和SC準則,變量數(shù)據(jù)所確定的滯后階數(shù)p為滯后3期,運用脈沖響應函數(shù)進行脈沖響應分析,研究結果如圖1所示:

圖1 債券市場與貨幣市場沖擊引起銀行理財產品收益率的響應函數(shù)

從圖1可以看出,債券市場的正沖擊會給銀行理財產品收益率帶來一定的負面影響,且負面影響在1~3個月期間會慢慢加大,在4~7個月期間趨于平穩(wěn),到第8個月左右時達到最低點并穩(wěn)定。貨幣市場的正沖擊會給銀行理財產品收益率帶來逐漸擴大的正向影響,且影響的變化程度十分平緩。

(四)方差分解分析

通過模型的方差分解,進一步評價不同結構沖擊的重要性。債券市場與貨幣市場對銀行理財產品收益的貢獻程度如圖2所示。

圖2 債券市場與貨幣市場沖擊對銀行理財產品收益率的貢獻率

從圖2可以看出,不考慮銀行理財產品收益率自身的貢獻率,債券市場對銀行理財產品收益率的貢獻率最大達到13.498%[RVC2→1(12)=13.498%],其對收益率的貢獻率是逐漸增加然后在達到12%后開始小幅度波動,并且在第4個月時開始穩(wěn)定。貨幣市場對收益率的貢獻率最大達到10.243%[RVC3→1(12)=10.243%],其對收益率的貢獻是先平滑上升,到第4期后有所下降并在第9期左右達到一個低點,此后繼續(xù)上升。縱觀二者對收益率的貢獻率情況可知,二者對收益率波動的貢獻較小,這與實際情況有些出入。

對模型進行廣義預測誤差方差分解后,得到的風險溢出指數(shù)結果如表3所示:

表3 變量的風險溢出情況

通過觀察表3的溢出指數(shù)結果,可以發(fā)現(xiàn)債券市場指數(shù)對銀行理財產品收益率的溢出僅僅只有3.4%,而貨幣市場對銀行理財產品收益率的溢出僅僅只有0.9%,這不符合經濟學的基本原理。出現(xiàn)上述問題的原因可能是運用了差分后的數(shù)據(jù)進行建模,應該運用存在協(xié)整關系的非平穩(wěn)數(shù)據(jù)進行建模,以便較好地刻畫變量之間的關系。

(五)協(xié)整分析

傳統(tǒng)的VAR理論要求模型中每一個變量是平穩(wěn)的,對于非平穩(wěn)時間序列需要經過差分操作后才能繼續(xù)進行VAR建模,差分后得到平穩(wěn)序列再建立VAR模型。但是這樣通常會損失水平序列所包含的信息,而隨著協(xié)整理論的發(fā)展,對于非平穩(wěn)的時間序列,只要各變量之間存在協(xié)整關系也可以直接建立VAR模型。因此,接下來進行模型對數(shù)數(shù)據(jù)的協(xié)整檢驗。檢驗結果如表4和表5所示:

表4 對數(shù)數(shù)據(jù)協(xié)整檢驗結果1

表5 對數(shù)數(shù)據(jù)協(xié)整檢驗結果2

由表4和表5的結果可知,跡統(tǒng)計量和最大特征值統(tǒng)計量在Johansen協(xié)整檢驗中被用于判斷變量之間協(xié)整關系的個數(shù)。表5中跡統(tǒng)計量的檢驗判定:原假設None表示沒有協(xié)整關系,該假設下計算的跡統(tǒng)計量值為58.8495,大于5%顯著性臨界值35.011且檢驗的P值為0.0000,可以拒絕該原假設,認為至少存在一個協(xié)整關系;下一個原假設At most 1表示最多有一個協(xié)整關系,該原假設下計算的跡統(tǒng)計量值為28.6764,大于5%顯著性臨界值18.398且檢驗的P值為0.0013,可以拒絕該原假設,認為至少存在兩個協(xié)整關系;下一個原假設At most 2表示最多有兩個協(xié)整關系,該原假設下計算的跡統(tǒng)計量值為7.2967,大于5%顯著性臨界值3.841且檢驗的P值為0.0069,可以拒絕該原假設,認為至少存在三個協(xié)整關系。同理,由上述結果可知最大特征值的檢驗結果與跡統(tǒng)計量的檢驗結果一致,都認為三個對數(shù)數(shù)據(jù)變量存在至少三個協(xié)整關系。因此,可以對模型的數(shù)據(jù)進行修改,運用取對數(shù)后消除量綱影響的變量數(shù)據(jù)進行溢出指數(shù)分析。

首先,根據(jù)AIC和SC準則,新的變量數(shù)據(jù)所確定的滯后階數(shù)p為滯后4期,并運用脈沖響應函數(shù)進行脈沖響應分析。研究結果如圖3所示:

圖3 債券市場與貨幣市場沖擊對銀行理財產品收益率的響應函數(shù)

由圖3可知,債券市場的正沖擊會給銀行理財產品兌付收益帶來一定的負面影響,并有逐漸增大的趨勢;貨幣市場的正沖擊會給銀行理財產品兌付收益帶來一定的正面影響,在1~4個月期間有一定的波動,5個月后的正面影響趨于緩慢上升的趨勢。

其次,對模型進行方差分解,以進一步評價不同結構沖擊的重要性。債券市場與貨幣市場對銀行理財產品收益的貢獻程度結果如圖4所示:

圖4 債券市場與貨幣市場沖擊對銀行理財產品收益率的貢獻率

由圖4可知,隨著期數(shù)的增加,債券市場指數(shù)變動解釋收益率變動的部分逐漸增加,且在第9期后逐漸平緩至50%左右。貨幣市場基金指數(shù)變動解釋收益率變動的部分先慢慢增加后增加幅度下降并在第6期后趨于平緩至5%左右??梢妭袌鲋笖?shù)對銀行理財產品收益率的波動貢獻率是比較高的。根據(jù)圖4可知,債券指數(shù)對銀行理財產品收益率有一個影響10個月左右的滯后期,并且在此滯后期當中,債券指數(shù)對銀行理財產品收益率的影響較大。

最后,對模型進行廣義預測誤差方差分解,得到的風險溢出指數(shù)結果如表6所示:

表6 變量的風險溢出情況

通過對表6溢出指數(shù)結果的觀察可以發(fā)現(xiàn),債券市場指數(shù)對銀行理財產品收益率的溢出有31.9%,而貨幣市場基金指數(shù)對銀行理財產品收益率的溢出只有9.4%。

總體而言,債券市場指數(shù)對銀行理財產品收益率有較大的風險溢出效應,而貨幣市場基金指數(shù)對銀行理財產品收益率的風險溢出效應較小,假設1沒有完全成立。主要原因是:第一,銀行理財資金以較大的比重投資于債券市場,貨幣市場投資相對較少;第二,銀行在債券市場的投資通常采取分散化組合投資,在一定程度上分散了債券市場風險,則銀行理財產品收益率的其他風險效應來源于銀行的投資管理。

(六)加入可能的控制變量進行分析

為了考察是否有其他相關的市場風險因素對銀行理財產品收益率產生影響,選用70城房價指數(shù)和上證指數(shù)為相關控制變量,進行VAR建模,運用脈沖響應函數(shù)進行脈沖響應分析。研究結果如圖5所示:

圖5 新增控制變量后的脈沖響應分析

圖5結果顯示,上證指數(shù)與70城房價指數(shù)對銀行理財產品收益率的沖擊影響相對較小,趨勢較為平緩,也沒有明顯改變債券市場指數(shù)與貨幣市場基金指數(shù)對銀行理財產品收益率的沖擊影響。因此,可以認為股市和房價的變化對銀行理財產品收益率的影響較小。進一步對新建的VAR模型的變量進行方差分解,結果如圖6所示:

圖6 新增控制變量后的銀行理財產品收益率方差分解

圖6結果顯示,隨著期數(shù)的增加,債券市場指數(shù)和貨幣市場基金指數(shù)變動解釋銀行理財產品收益率變動的貢獻率依然較高,股票市場和房價的變化解釋銀行理財產品收益率變動的貢獻率則較低??梢妭袌鲋笖?shù)與貨幣市場基金對銀行理財產品收益率的波動貢獻率是比較高的,而上證指數(shù)與70城房價指數(shù)對銀行理財產品收益率的波動貢獻率則較低,進一步說明了股市和房價的變化對銀行理財產品收益率的影響較小??偠灾?通過模型驗證,選取債券指數(shù)和貨幣市場基金指數(shù)來分析銀行理財產品收益的風險溢出是有效的。

(七)GARCH模型分析

為了觀測溢出指數(shù)與實際數(shù)據(jù)波動的關系,需要對上述變量建立GARCH模型進行比較分析。首先,根據(jù)GARCH建模的要求,數(shù)據(jù)需要平穩(wěn),則選取進行取對數(shù)差分處理后的銀行理財產品收益率數(shù)據(jù)與債券市場指數(shù)數(shù)據(jù),選取取對數(shù)后的貨幣市場基金指數(shù)數(shù)據(jù)。其次,對處理后的變量數(shù)據(jù)建立GARCH模型。最后,對建模結果進行分析。模型估計的條件方差圖如圖7至圖9所示:

圖7 取對數(shù)差分后的銀行理財產品收益率條件方差圖

由圖7可知,銀行理財產品收益率在2014年第一季度和2018年第一季度有較大的波動,而2020年第一季度即新冠疫情暴發(fā)時間段及其之后的幾個季度都有巨大的波動。

由圖8可知,債券市場指數(shù)的波動在2013—2017年有較大的波動集群,2018年的波動較小。從2020年第一季度開始有一個持續(xù)近一年的大幅度波動,此后波動變小至2021年年中。

圖8 取對數(shù)差分后的債券市場指數(shù)條件方差圖

由圖9可知,貨幣市場基金在2014年上半年有一個較大的波動,2015年至2017年初有一個持續(xù)時間較長的波動,此后2018年有一個持續(xù)近一年的較大波動,之后波動趨于平穩(wěn)。這是由于2014年貨幣政策維持中性穩(wěn)健使貨幣市場資金面保持緊平衡、2015年至2017年貨幣供應量M2持續(xù)降速和2018年貨幣市場資金前松后緊等因素的影響。

圖9 取對數(shù)后的貨幣市場基金指數(shù)條件方差圖

結合圖7與圖8兩張圖像看,債券市場指數(shù)條件方差的波動較大,且有一定持續(xù)性,而銀行理財產品收益率條件方差的波動較小,但是在特定的年份有比較大的波動。具體分析可知,在2013年至2015年期間,受中國股票市場的“低迷”與“救市”影響,債券市場指數(shù)有幾個較大的波動,并且波動的程度隨著時間的推移而緩慢減弱,而收益率圖像的波動較小,但是在債券市場指數(shù)波動后的9個月左右即2014年的1季度期間會有一個較大的波動。隨后,在2016年年底至2017年1季度,由于對股票市場的“監(jiān)管升級”等因素影響,債券市場指數(shù)有一個較大的波動,并且在那之后的9個月左右,收益率圖像也會出現(xiàn)一個較大的波動。2020年年中的債券市場指數(shù)波動與2021年1季度的收益率波動相對應,滯后的時間都在9個月左右。此外,貨幣市場基金的條件方差圖像與銀行理財產品收益率的條件方差圖像并沒有太明顯的關聯(lián)性。

因此,上述的分析與前文的方差貢獻率分析有一定的關聯(lián)性,即債券市場指數(shù)變化對銀行理財產品收益率的方差有一個10個月左右的滯后影響,且影響的貢獻率超過了50%。而貨幣市場基金對銀行理財產品兌付收益的影響并不顯著,這與前文其方差貢獻率圖像的趨勢相一致,即貢獻率逐漸降低。雖然假設2沒有完全成立,但是,運用GARCH模型分析得出與采用溢出指數(shù)法分析債券市場與貨幣市場風險溢出對銀行理財產品投資效應基本一致的結論,說明檢驗效果是顯著的。

五、《資管新規(guī)》實施前后比較

為了分析2018年4月的《資管新規(guī)》對銀行理財產品投資收益帶來的影響,將2018年4月作為一個間斷點,分別分析《資管新規(guī)》實施前后的風險溢出。為了保證對比分析的對稱性,選取2018年4月的前38個月和后38個月,即選取2015年2月至2018年4月與2018年5月至2021年6月兩個對照區(qū)間,對兩個區(qū)間的風險溢出情況進行對比分析。

運用前述模型進行廣義預測誤差方差分解,時間區(qū)間設定為2015年2月至2018年4月,得到的風險溢出指數(shù)結果如表7所示:

表7 第一區(qū)間變量的風險溢出情況

通過對表7溢出指數(shù)結果的觀察可以發(fā)現(xiàn),在2018年4月的前38個月中,債券市場指數(shù)對銀行理財產品收益率的溢出有37.8%,而貨幣市場基金指數(shù)對銀行理財產品收益率的溢出有23.2%,二者對銀行理財產品收益率的波動都有較顯著的貢獻。

對時間區(qū)間設定為2018年5月至2021年6月的數(shù)據(jù)進行廣義預測誤差方差分解,得到的風險溢出指數(shù)結果如表8所示:

表8 第二區(qū)間變量的風險溢出情況

通過對表8溢出指數(shù)結果的觀察可以發(fā)現(xiàn),在2018年4月的后38個月中,債券市場指數(shù)對銀行理財產品收益率的溢出有12.4%,而貨幣市場基金指數(shù)對銀行理財產品收益率的溢出僅有6.2%,二者對銀行理財產品收益率的波動相比顯著降低,債券指數(shù)與貨幣市場基金的變化對其方差的貢獻下降。

從投資理論與金融市場投資實際看,銀行理財產品投資收益波動或風險主要來源于金融市場本身的風險和銀行投資主動管理的風險,特別是特殊經濟社會背景下,銀行積極主動管理風險的可能性增大。《資管新規(guī)》實施前后,債券市場、貨幣市場對銀行理財產品投資收益的風險溢出效應呈現(xiàn)前高后低,并沒有出現(xiàn)因《資管新規(guī)》實施后銀行理財產品投資結構變化使債券市場、貨幣市場風險溢出對銀行理財產品投資收益的效應顯著增加。主要的原因是:《資管新規(guī)》實施前,同業(yè)理財占較大比重且收益穩(wěn)定,銀行理財產品投資收益波動的貢獻主要來源于債券市場和貨幣市場的風險溢出?!顿Y管新規(guī)》實施后,在債券市場和貨幣市場投資比重增加,銀行主動管理的意愿增強,特別是2020年初出現(xiàn)的疫情因素,銀行主動管理的意愿更強,相應地,收益波動或風險更多來源于銀行的積極管理,而不是主要來源于債券市場和貨幣市場。因為,從前述GARCH模型估計的結果可以看到,疫情出現(xiàn)后,債券市場和貨幣市場并沒有出現(xiàn)大幅度及頻繁的波動,相反,銀行理財產品投資收益的波動較大。說明《資管新規(guī)》實施后,銀行理財產品投資者承擔了較大的來源于銀行投資管理的風險?;诖?銀行在主動管理風險的過程中,改變原來的“資金池”模式,采用“一對一”或“一對多”的投資管理模式,可能出現(xiàn)銀行理財產品收益低于業(yè)績比較基準的現(xiàn)象,但這并不是《資管新規(guī)》實施后的必然結果,銀行也完全可以加強投資管理以降低債券市場和貨幣市場的風險溢出效應水平。

六、結論及建議

本文運用溢出指數(shù)法測度債券市場與貨幣市場風險溢出對銀行理財產品投資收益的效應或者收益率波動貢獻,再運用GARCH模型檢驗溢出指數(shù)法測度的有效性,最終得出如下結論:

第一,債券市場對銀行理財產品投資收益有相對較大的風險溢出效應,而貨幣市場對銀行理財產品投資收益的風險溢出效應相對較小,說明債券市場變化對銀行理財產品投資收益實現(xiàn)有相對較大的影響,貨幣市場變化對銀行理財產品投資收益的影響相對較小。

第二,運用GARCH模型進行模擬并對照分析,發(fā)現(xiàn)債券市場變化對銀行理財產品投資收益的影響存在10個月左右的滯后期,即存在滯后效應,并且與采用溢出指數(shù)法分析債券市場與貨幣市場風險溢出對銀行理財產品投資效應的結論基本一致。

第三,《資管新規(guī)》實施前后,債券市場、貨幣市場對銀行理財產品投資收益的風險溢出效應呈現(xiàn)前高后低?!顿Y管新規(guī)》實施后,銀行理財產品投資債券市場和貨幣市場比重增加,但是兩個市場對銀行理財產品收益的風險溢出效應并沒有顯著增加,銀行采取“一對一”或“一對多”的投資管理模式,使銀行理財產品投資者承擔的風險主要來源于銀行的投資管理。銀行可以通過提高投資管理水平,降低理財產品投資風險。

以上分析說明,債券市場和貨幣市場是波動的,且債券市場變動對銀行理財產品投資有相對較大的影響,即在債券市場和貨幣市場投資是有風險的,而且在特定的市場環(huán)境下,可能有較大的波動或風險。為此,本文提出如下建議:

對于銀行理財產品投資者來說,應該摒棄保本兜底思想,對銀行理財產品投資風險要有正確的認識。而且,由于銀行的組合投資效應,銀行理財產品收益率相對穩(wěn)定,投資者在選擇穩(wěn)健型理財產品或者在金融資產組合中需要加入低風險產品時,可以優(yōu)先考慮選擇銀行理財產品,相對于選擇貨幣市場基金,可以獲取相對更高的收益率。另外,由于銀行在投資風險管理方面存在差異,投資者應首選績效評估較好的銀行及理財產品。對于銀行來說,需要進一步加強理財產品資金在債券市場的投資管理,在社會經濟環(huán)境不確定性增加時,應該選擇增加指數(shù)化投資,降低主動投資比重,降低主動管理對理財產品投資收益風險的貢獻率。

[注 釋]

① 數(shù)據(jù)來源:中國理財網(wǎng)、中國證券業(yè)協(xié)會官網(wǎng)、中國信托業(yè)協(xié)會官網(wǎng)。

猜你喜歡
債券市場理財產品方差
方差怎么算
概率與統(tǒng)計(2)——離散型隨機變量的期望與方差
債券市場對外開放的進程與展望
計算方差用哪個公式
方差生活秀
我國債券市場的久期分析
非保本理財產品
保本理財產品
非保本理財產品保本理財產品
非保本理財產品保本理財產品