何卓靜 周利國 閆麗新

一、引言

金融機構作為市場資金流通的重要中介部門，資金和業(yè)務關聯(lián)使得金融機構間以及金融機構與市場之間形成緊密的聯(lián)系，這種千絲萬縷的關聯(lián)一方面能夠提高金融市場資源配置效率促進經(jīng)濟發(fā)展，另一方面也可能放大單個金融機構危機事件所帶來的負面影響，加速風險擴散。2008—2011年間發(fā)生的次貸危機和歐債危機，主要原因是金融體系內(nèi)部某一家金融機構發(fā)生的危機事件在整個金融體系內(nèi)擴散，隨后這種金融恐慌蔓延至實體經(jīng)濟部門，最終導致整個國家甚至全球經(jīng)濟蕭條。Gai等(2011)[1]研究表明，相關性越強的部門，其危機傳染的可能性越高，對金融體系以及實體經(jīng)濟的負面沖擊作用越大。因此，防范單個金融機構極端風險事件對金融體系的系統(tǒng)性風險外溢成為金融風險管理部門維持金融體系穩(wěn)定的關鍵所在，也是國民經(jīng)濟健康發(fā)展的重要保證(Giglio等，2016[2])。

盡管中國資本市場受到國際金融危機負面影響的程度較小，但長期以來依靠投資拉動經(jīng)濟發(fā)展的思路所導致的信貸擴張已經(jīng)成為經(jīng)濟發(fā)展放緩后信貸市場的巨大隱患，金融體系的系統(tǒng)性風險也日益顯露。當前，我國經(jīng)濟存在結構性產(chǎn)能過剩，企業(yè)杠桿率過高，商業(yè)銀行不良貸款率持續(xù)反彈，銀行業(yè)處于系統(tǒng)性風險暴露的風口。由于政府部門、金融監(jiān)管機構以及外部投資者對系統(tǒng)性金融風險的認知存在一定局限性，使得金融危機事件發(fā)生時不能及時有效地進行控制和處理。因此，一種有效測度系統(tǒng)性風險的方法對金融風險監(jiān)管部門來說非常重要。目前學界普遍認為Adrian和Brunnermeier (2016)[3]提出的CoVaR是一種行之有效的測度系統(tǒng)性風險的方法，尤其在測度單個銀行極端風險事件對金融體系的系統(tǒng)性風險溢出效應方面[4-6]。本文應用CoVaR技術測度單個銀行對金融體系系統(tǒng)性風險的溢出效應。與Adrian和Brunnermeier (2016)[3]采用的CoVaR方法不同，本文基于金融機構之間存在的非線性相關結構，結合時變Copula計算動態(tài)CoVaR，進一步分析銀行系統(tǒng)性風險溢出效應的變化特征。此外，本文認為銀行系統(tǒng)性風險溢出效應存在時間維度的差異，因此，文中采用變分模態(tài)分解(VMD)方法來區(qū)分銀行系統(tǒng)性風險的長期和短期溢出效應，并通過KS檢驗方法檢驗系統(tǒng)性風險長期和短期效應之間的差異，拓展了金融監(jiān)管者對系統(tǒng)性風險的理解。本文的創(chuàng)新點主要體現(xiàn)在：第一，在模型構建方面，充分考慮金融時間序列“尖峰厚尾”的特征，基于銀行與金融體系的非對稱性相關關系，采用時變Copula方法測度動態(tài)CoVaR，拓展了系統(tǒng)性風險的衡量方法。第二，在實證方面，結合VMD和時變Copula方法測度銀行系統(tǒng)性風險溢出的長期和短期效應，拓展了時間維度上系統(tǒng)性風險溢出效應的研究。第三，基于中國股票市場的實際情況，從股票市場異常波動時期和正常波動時期出發(fā)分析三種不同所有制商業(yè)銀行系統(tǒng)性風險溢出效應，為金融風險監(jiān)管部門制定風險防控策略提供了一定的依據(jù)。

二、文獻綜述

2008年美國次貸危機及2009年歐洲主權債務危機發(fā)生以來，國際股票市場相繼出現(xiàn)的崩盤事件以及金融機構間“多米諾骨牌”式的系統(tǒng)風險傳染事件，促使國際金融監(jiān)管部門修訂了《巴塞爾協(xié)議Ⅲ》，從宏觀審慎的角度提倡加強金融體系系統(tǒng)性風險的防控，特別是單個金融機構系統(tǒng)性風險溢出效應的防范與監(jiān)管。

現(xiàn)有文獻關于系統(tǒng)性風險溢出效應的研究主要集中于兩方面：一是根據(jù)金融市場數(shù)據(jù)測度系統(tǒng)性風險的溢出效應。Acharya等(2017)[7]提出了系統(tǒng)性預期損失(Systemic Expected Shortfall，SES)指標來度量金融市場動蕩時單個金融機構的下行風險。Billio等(2012)[8]基于主成分分析和格蘭杰因果檢驗度量了不同金融機構之間的風險溢出效應。Huang等(2009)[9]構建了壓力保險補償(Distress Insurance Premium，DIP)指標測度金融機構系統(tǒng)性風險。Brownlees和Engle (2017)[10]構建了SRISK指標衡量單個金融機構受到的金融市場系統(tǒng)性風險溢出效應的大小。Gravelle和Li (2013)[11]運用多元極值理論度量單個或多個金融機構的系統(tǒng)重要性。Adrian和Brunnermeier (2016)[3]提出CoVaR方法度量當某一金融機構處于極端風險事件時，其他金融機構或金融市場面臨的風險價值。由于CoVaR考慮了金融機構間的關聯(lián)性，從整個金融體系系統(tǒng)性風險的角度，很好地捕捉了金融機構之間或金融市場之間的系統(tǒng)性風險溢出效應，因此成為學界普遍認同的一種行之有效的風險衡量方法。國內(nèi)也有學者運用CoVaR方法對系統(tǒng)性風險進行了相關研究。肖璞等(2012)[12]使用CoVaR方法研究了我國銀行體系系統(tǒng)性風險。沈悅等(2014)[13]根據(jù)金融市場收益率的非對稱性特征運用GARCH-Copula-CoVaR方法分析了不同金融業(yè)系統(tǒng)性風險溢出效應，研究發(fā)現(xiàn)銀行業(yè)是系統(tǒng)性風險最大的爆發(fā)源。馬麟(2017)[14]基于CoVaR方法比較分析了15家商業(yè)銀行系統(tǒng)性風險及其溢出效應。白雪梅和石大龍(2014)[15]基于CoVaR方法得出銀行業(yè)金融機構對系統(tǒng)性風險的貢獻度較大的結論。陳忠陽和劉志洋(2013)[16]運用二元GARCH模型測算了不同類型商業(yè)銀行系統(tǒng)性風險貢獻度，研究結果表明股份制商業(yè)銀行系統(tǒng)性風險貢獻度高于大型商業(yè)銀行。李志輝和樊莉(2011)[17]采用分位數(shù)回歸技術測算7家商業(yè)銀行系統(tǒng)性風險CoVaR值，實證研究表明國有商業(yè)銀行系統(tǒng)性風險溢出效應大于股份制商業(yè)銀行。陸靜和胡曉紅(2014)[18]引入狀態(tài)變量模擬尾部風險的時變特征，應用分位數(shù)回歸方法對我國14家上市商業(yè)銀行CoVaR值進行排名發(fā)現(xiàn)，工商銀行系統(tǒng)性風險最大。二是系統(tǒng)性風險溢出效應的影響因素研究。一些學者從單個金融機構對系統(tǒng)性風險溢出效應的影響因素出發(fā)，認為杠桿率、期限錯配、非利息收益比例、銀行規(guī)模、短期融資規(guī)模和資金充足率是導致系統(tǒng)性風險溢出的重要因素[3][19-21]。另一些學者則研究了金融系統(tǒng)風險對單個金融機構風險溢出的影響因素。如Sedunov (2016)[6]提出外資股本敞口、證券化收入和銀行規(guī)模等因素加劇了銀行系統(tǒng)性風險暴露。

然而，已有文獻就商業(yè)銀行系統(tǒng)重要性問題存在不一致的結論，本文認為這種不一致結論的產(chǎn)生是由于現(xiàn)有研究沒有從時間維度的視角考慮金融市場波動所導致的系統(tǒng)性風險溢出效應存在差異的問題。Nitschka (2014)[22]認為經(jīng)濟周期是資本市場收益率波動的重要因素，它使得資本市場在時間維度上呈現(xiàn)不同的特征。鄧創(chuàng)和徐曼(2014)[23]分析了中國金融市場波動對宏觀經(jīng)濟的時變影響及其非對稱性特征。鄭挺國和王霞(2013)[24]基于現(xiàn)代宏觀經(jīng)濟研究相關理論提出，中國經(jīng)濟波動體現(xiàn)了不同時間段宏觀經(jīng)濟指標的協(xié)同變動特征。何德旭和張捷(2009)[25]梳理了金融加速器理論，分析并研究了資產(chǎn)價格泡沫，經(jīng)濟周期的非線性、非對稱性特征，信貸業(yè)務的超常增長與金融不穩(wěn)定之間的關系，提出現(xiàn)代經(jīng)濟的金融周期特征越來越明顯，并對宏觀政策存在影響?；谝延醒芯刻岢龅慕鹑谑袌霾▌釉跁r間維度上所呈現(xiàn)的不同特征，本文應用變分模態(tài)分解(VMD)方法將金融市場時間序列根據(jù)其頻域特征分解為長期時間序列和短期時間序列，從時間維度的視角分析系統(tǒng)性風險溢出效應，拓展了相關領域的研究。

三、研究設計

(一)樣本選擇與檢驗

本文研究單個商業(yè)銀行對金融體系系統(tǒng)性風險的溢出效應，鑒于數(shù)據(jù)的完整性和可獲得性，我們從WIND數(shù)據(jù)庫選取14家上市商業(yè)銀行股票日收盤價數(shù)據(jù)作為研究樣本，證監(jiān)會行業(yè)一級分類金融業(yè)指數(shù)作為金融市場風險指標，研究時間段始于2007年12月25日至2017年9月28日，共2 377個工作日股票收盤價數(shù)據(jù)。樣本覆蓋了4家國有控股商業(yè)銀行：工商銀行(ICBC)、建設銀行(CCB)、中國銀行(BC)和交通銀行(BCC)；7家股份制商業(yè)銀行：招商銀行(CMB)、興業(yè)銀行(CIB)、中信銀行(CITIC)、浦發(fā)銀行(PDB)、民生銀行(MSB)、平安銀行(PABC)和華夏銀行(HXB)；3家城市商業(yè)銀行：北京銀行(BBJ)、南京銀行(BNJ)和寧波銀行(BNB)。本數(shù)據(jù)為股票日數(shù)據(jù)，能較為全面且詳細地刻畫單個商業(yè)銀行對金融體系系統(tǒng)性風險溢出效應的動態(tài)性。各商業(yè)銀行股票收益率和金融指數(shù)收益率定義為rt=100×ln (pt/pt-1)。

由表1可知，股票收益率均值約為零，收益率波動較大，且呈現(xiàn)“尖峰厚尾”分布特征，其峰度基本大于5且在1%水平統(tǒng)計意義上顯著。Jarque-Bera正態(tài)分布檢驗統(tǒng)計值在1%顯著性水平上拒絕各商業(yè)銀行和金融指數(shù)股票收益率時間序列服從正態(tài)分布假設，說明各商業(yè)銀行及金融指數(shù)股票收益率序列不服從正態(tài)分布。此外，由Ljung-Box自相關檢驗統(tǒng)計值可見，股票收益率在較長時間內(nèi)存在自相關性，且從ARCH-LM檢驗結果可見，股票收益率存在顯著的異方差效應。最后，ADF單位根檢驗結果顯示各商業(yè)銀行與金融指數(shù)股票收益率序列為平穩(wěn)序列。

表1 商業(yè)銀行及金融指數(shù)日收益率描述性統(tǒng)計

續(xù)前表

(二)模型設計

在應用Copula函數(shù)估計商業(yè)銀行系統(tǒng)性風險溢出效應時，需要考慮兩個基本問題：一是單變量邊緣分布模型的構建；二是選取合適的Copula函數(shù)來估計變量間的非對稱尾部相關結構，以衡量極端條件下的金融市場系統(tǒng)性風險溢出效應?；谝陨峡紤]，本文采用以下步驟來擬合商業(yè)銀行與金融體系的尾部相關性：首先利用ARMA(1，1)-GARCH(1，1)-SKST模型對單變量收益率的邊緣分布進行估計，根據(jù)估計得到的邊緣分布對標準化后的殘差序列進行概率積分變換，得到服從(0，1)均勻分布的收益率序列。然后，采用不同類型的Copula函數(shù)來擬合商業(yè)銀行與金融體系的靜態(tài)和動態(tài)非對稱尾部相關結構。

1.邊緣分布模型。

由表1可知各商業(yè)行及金融指數(shù)股票收益率序列呈現(xiàn)“尖峰厚尾、偏態(tài)、自相關、異方差”的特征，本文采用ARMA(1，1)-GARCH(1，1)-SKST模型估計變量的邊緣分布，估計方程為：

rt=φ0+φ1rt-1+εt+θ1εt-1

(1)

(2)

f(zt;υ,η)=

(3)

2.變分模態(tài)分解(Variational Mode Decomposition, VMD)。

變分模態(tài)分解(VMD)是由Dragomiretskiy和Zosso (2014)[27]提出的有效分解信號的一種方法，其基本思路是將待變換信號f分解為不同中心頻率ωk且?guī)捰邢薜腒個模態(tài)分量uk。對待變換信號f進行VMD分解的具體步驟如下：

第一，估計模態(tài)分量uk的帶寬。用Hilbert方法將待變換信號f進行頻域轉換，得到模態(tài)uk的單邊頻譜。將每個模態(tài)uk的頻譜調(diào)制到相應的基頻帶，通過混合預估中心頻率。計算上述解調(diào)信號梯度的平方L2范數(shù)，從而估計出模態(tài)分量uk的帶寬。

第二，構造變分模型。我們通過構建具有約束條件的變分模型將待變換信號f分解為K個模態(tài)分量uk，其定義式為：

min{uk},{ωk}=

(4)

其中，?t代表函數(shù)求偏導，K表示原始信號f進行分解后的模態(tài)分量的個數(shù)，ω，δ(t)和*分別表示頻率，Dirac分布和卷積。{uk}={u1,…,uk}為一系列已分解的K個有限帶寬的模態(tài)分量，{ωk}={ω1,…,ωk}是K個模態(tài)分量對應的中心頻率。

第三，通過拉格朗日乘數(shù)將具有約束條件的變分模型轉換成不具有約束條件的變分模型，得到增廣拉格朗日函數(shù)公式：

L(uk,ωk,λ)=

(5)

其中，α為懲罰參數(shù)，λ為拉格朗日乘法算子，這兩個參數(shù)保證了模型構建的準確度。

(6)

(7)

同時，拉格朗日乘法算子λ的更新式為：

(8)

3.商業(yè)銀行與金融體系動態(tài)尾部相關性估計。

Copula函數(shù)所刻畫的非線性關系有助于風險管理者對風險資產(chǎn)尾部極端事件發(fā)生的概率做出更好的預測，以降低極端風險事件發(fā)生可能帶來的損失。而商業(yè)銀行對金融體系系統(tǒng)性風險尾部溢出效應的研究，首先需要對商業(yè)銀行與金融體系間的尾部相關性特征進行準確的估計。本文選用Copula方法來刻畫商業(yè)銀行與金融體系之間的尾部相關關系。根據(jù)Sklar定理[30]，對于兩個隨機變量X1和X2，其邊際分布函數(shù)分別為FX1(x1)和FX2(x2)，通過一個多元Copula函數(shù)可以構建兩個隨機變量X1和X2的聯(lián)合分布函數(shù)FX1,X2(x1,x2)，其表達式如下：

FX1,X2(x1,x2)=C(FX1(x1),FX2(x2))

=C(u1,u2)

其中，u1=FX1(x1)，u2=FX2(x2)的值域為[0,1]。當隨機變量X1和X2的邊緣分布函數(shù)連續(xù)時，則Copula函數(shù)C(u1,u2)是唯一確定的。將隨機變量X1和X2的聯(lián)合分布函數(shù)FX1,X2(x1,x2)求偏導數(shù)，得到其聯(lián)合概率密度函數(shù)fX1,X2(x1,x2)用Copula函數(shù)表示為：

fX1,X2(x1,x2)=c(u1,u2)fX1(x1)fX2(x2)

其中，c(u1,u2)=?2C(u1,u2)/?u1?u2。由此，隨機變量X1和X2的聯(lián)合概率密度函數(shù)fX1,X2(x1,x2)分解為兩個部分，一部分是隨機變量X1和X2的概率密度函數(shù)fX1(x1)和fX2(x2)，另一部分是描述隨機變量X1和X2相關結構的Copula概率密度函數(shù)c(u1,u2)。

Copula模型以上尾相關系數(shù)λU和下尾相關系數(shù)λL來刻畫變量間的尾部相關性，其表達式如下：

其中λU,λL∈[0,1]。上尾相關系數(shù)λU(下尾相關系數(shù)λL)描述的是當隨機變量X2大于(小于或等于)某一臨界值時隨機變量X1也大于(小于或等于)該臨界值的概率。

為了更好地刻畫各商業(yè)銀行與金融體系之間的尾部相關結構，我們選用了5種不同類型的Copula函數(shù)(Gaussian Copula、Clayton Copula、Gumbel Copula、Symmetrized Joe-Clayton Copula和Joe-Clayton Copula)來擬合商業(yè)銀行與金融體系之間的靜態(tài)和動態(tài)尾部相關結構。根據(jù)Patton (2006)[31]提出的時變Copula模型構建方法，假定各商業(yè)銀行與金融指數(shù)股票收益率的相關性滿足自回歸移動平均過程，由此獲得變量間關聯(lián)性的動態(tài)變化特征。對于Gaussian Copula模型，假定參數(shù)ρt滿足以下自回歸移動平均過程：

(9)

其中，Λ(x)=(1-e-x)(1+e-x)-1是為了使參數(shù)ρt保持值域在[-1,1]之間而做的修正logistic變換。Φ-1(x)是標準正態(tài)分布函數(shù)分位數(shù)。對于Gumbel Copula和Clayton Copula模型，假定參數(shù)δt滿足以下自回歸移動平均過程：

(10)

對于Symmetrized Joe-Clayton Copula和Joe-Clayton Copula模型，假定尾部相關性參數(shù)λU,λL滿足以下自回歸移動平均過程：

(11)

(12)

其中，Δ(x)=(1+e-x)-1是logistic變換以使得λU、λL的值域在[0,1]之間。

4.系統(tǒng)性風險溢出效應度量。

(13)

=αβ

(14)

(15)

此外，我們應用Abadie (2002)[32]提出的KS boot-strapping檢驗方法檢驗各商業(yè)銀行系統(tǒng)性風險溢出效應所存在的差異。KS檢驗的基本原理是基于變量的經(jīng)驗分布函數(shù)對變量間的累積分布函數(shù)進行比較以檢驗變量間的差異，其定義為：

(16)

其中，F(xiàn)m(x)和Gn(x)為待檢驗變量的累積分布函數(shù)，m和n是待檢驗變量的樣本數(shù)。

四、實證結果與分析

(一)邊緣分布估計

表2給出了各商業(yè)銀行股票收益率及金融指數(shù)收益率ARMA(1，1)-GARCH(1，1)-SKST邊緣分布估計結果。

表2 ARMA(1,1)-GARCH(1,1)-SKST模型估計結果

由表2可知：第一，從第三列可見，大多數(shù)商業(yè)銀行股票收益率(除浦發(fā)銀行(PDB)，北京銀行(BBJ)外)存在顯著的自相關性，金融指數(shù)收益率自相關性不顯著，此外，所有收益率普遍存在波動性。第二，所有商業(yè)銀行股票收益率和金融指數(shù)收益率參數(shù)α1+β1的值均接近于1，說明當期收益率受到?jīng)_擊時，收益率波動具有非平穩(wěn)性。第三，表2第八列和第九列Skewed Studentt分布的非對稱性及自由度參數(shù)估計結果均顯著，說明各商業(yè)銀行股票收益率和金融指數(shù)收益率時間序列具有非對稱厚尾特征。為了檢驗ARMA(1，1)-GARCH(1，1)-SKST邊緣模型是否很好地擬合各商業(yè)銀行股票收益率和金融指數(shù)收益率序列特征，我們將邊緣模型的殘差標準化后進行Skewed Studentt分布的K-S檢驗。表2最后一列的檢驗統(tǒng)計量均不能拒絕Skewed Studentt分布的原假設，可以認為ARMA(1，1)-GARCH(1，1)-SKST模型較好地擬合了各序列的邊緣分布。

(二)變分模態(tài)分解(VMD)

為了分析比較各商業(yè)銀行系統(tǒng)性風險溢出效應在時間維度上的差異，我們需要將各商業(yè)銀行股票收益率序列和金融指數(shù)收益率序列應用VMD原理，將各收益率邊緣分布模型的標準化殘差分解為10個不同中心頻率的模態(tài)分量。我們沿用Mensi等(2017)[29]的思路將波動平穩(wěn)且波動集聚較少的模態(tài)分量VMD1定義為長期收益率序列，而波動劇烈以及波動集聚明顯的模態(tài)分量VMD10定義為短期收益率序列。這樣，我們將得到各商業(yè)銀行和金融指數(shù)具有不同中心頻率有限帶寬的長期和短期收益率序列。

(三)商業(yè)銀行與金融體系動態(tài)尾部相關結構估計

系統(tǒng)性風險溢出效應CoVaR計算的關鍵是聯(lián)合分布函數(shù)的估計，也就是說需要選擇合適的Copula函數(shù)來擬合變量的聯(lián)合分布函數(shù)。本文在對各商業(yè)銀行股票收益率和金融指數(shù)收益率序列進行邊緣分布估計后，首先，將標準化殘差序列進行概率積分變換，使得變換后的序列服從(0，1)均勻分布。其次，我們構建了5種不同類型的Copula函數(shù)的相關結構模型。最后，利用最小AIC準則選擇最優(yōu)的模型對各商業(yè)銀行與金融指數(shù)收益率尾部相關結構進行估計[注]5種不同類型的Copula函數(shù)分別為Gaussian Copula、Clayton Copula、Gumbel Copula、Symmetrized Joe-Clayton Copula、Joe-Clayton Copula，這里僅列出了最優(yōu)Copula模型的擬合結果，其他各組Copula函數(shù)的靜態(tài)和動態(tài)擬合結果限于篇幅沒有一一列出，有興趣的讀者可與作者聯(lián)系。。表3給出了14家商業(yè)銀行與金融體系原始收益率序列最優(yōu)Copula模型的參數(shù)估計結果[注]我們對14家商業(yè)銀行和金融指數(shù)收益率進行了VMD分解獲得長期和短期收益率序列，并將各個商業(yè)銀行長期和短期收益率序列分別與金融指數(shù)長期和短期收益率序列構建靜態(tài)和動態(tài)Copula模型，限于篇幅，長期和短期收益率序列靜態(tài)和動態(tài)Copula模型估計結果沒有列出，有興趣的讀者可與作者聯(lián)系。。擬合結果表明時變Copula模型對各商業(yè)銀行股票收益率和金融指數(shù)收益率序列的擬合優(yōu)于靜態(tài)Copula模型。其中，時變Symmetrized Joe-Clayton Copula模型擬合工商銀行(ICBC)、中國銀行(BC)、招商銀行(CMB)、興業(yè)銀行(CIB)、中信銀行(CITIC)、浦發(fā)銀行(PDB)、民生銀行(MSB)和寧波銀行(BNB)與金融體系的動態(tài)尾部相關結構是最優(yōu)的，說明這些商業(yè)銀行與金融體系之間存在對稱的尾部相關關系。Joe-Clayton Copula模型則用于擬合建設銀行(CCB)、交通銀行(BCC)、平安銀行(PABC)、華夏銀行(HXB)、北京銀行(BBJ)和南京銀行(BNJ)與金融體系動態(tài)尾部相關結構是最優(yōu)的，說明這些商業(yè)銀行與金融體系之間存在非對稱的尾部相關關系。

(四)商業(yè)銀行系統(tǒng)性風險溢出效應

本文從商業(yè)銀行條件風險價值(CoVaR)和商業(yè)銀行系統(tǒng)性風險貢獻度(△CoVaR)兩個方面研究商業(yè)銀行系統(tǒng)性風險的溢出效應，并比較分析條件風險價值和系統(tǒng)性風險貢獻度在時間維度上的差異，最后比較不同所有制商業(yè)銀行的系統(tǒng)性風險貢獻度在時間維度上的差異。

表3 時變Copula模型的參數(shù)估計結果

續(xù)前表

1.商業(yè)銀行條件風險價值(CoVaR)估計。

商業(yè)銀行條件風險價值用來衡量當某一商業(yè)銀行處于極端風險事件時整個金融系統(tǒng)的風險水平。表4給出了商業(yè)銀行在5%分位數(shù)水平下的條件風險價值及長期和短期條件風險價值檢驗結果。首先，商業(yè)銀行條件風險價值在不考慮時間效應的情況下，各商業(yè)銀行條件風險價值均值較大，在-1左右，但長期和短期條件風險價值均值均小于原始序列的條件風險價值，且其波動性高于原始序列條件風險價值的波動性，說明不考慮條件風險價值的時間效應可能會造成系統(tǒng)性風險評估的偏差。其次，從時間效應的維度考慮，14家商業(yè)銀行有10家商業(yè)銀行短期條件風險價值均值高于或等于長期條件風險價值，說明大多數(shù)商業(yè)銀行對金融體系系統(tǒng)風險的短期沖擊要大于長期沖擊。最后，K-S檢驗進一步證實短期條件風險價值與長期條件風險價值存在顯著差異。因此，金融體系系統(tǒng)性風險的評估不能忽視單個商業(yè)銀行極端風險事件的影響，同時商業(yè)銀行條件風險價值不可忽略時間效應的作用。

表4 商業(yè)銀行條件風險價值估計與檢驗結果

續(xù)前表

圖1給出了14家商業(yè)銀行在5%分位數(shù)水平下長期和短期條件風險價值動態(tài)變化水平，工商銀行(ICBC)、建設銀行(CCB)、招商銀行(CMB)、興業(yè)銀行(CIB)、民生銀行(MSB)和華夏銀行(HXB)這6家商業(yè)銀行長期條件風險價值波動要高于短期條件價值波動，且這幾家銀行的條件風險價值均值基本高于其他商業(yè)銀行。3家城市商業(yè)銀行北京銀行(BBJ)、南京銀行(BNJ)和寧波銀行(BNB)的長期和短期條件風險價值波動較小。

圖1 商業(yè)銀行長期和短期條件風險價值CoVaR

2.商業(yè)銀行系統(tǒng)性風險貢獻度(△CoVaR)。

表5給出了商業(yè)銀行在5%分位數(shù)水平下的系統(tǒng)性風險貢獻度估計值與檢驗結果。由表5可知，在不考慮時間效應的情況下，工商銀行(ICBC)、建設銀行(CCB)和中國銀行(BC)3家國有控股商業(yè)銀行系統(tǒng)性風險貢獻度均值排名前三，△CoVaR均值分別為0.696、0.648和0.642，說明這3家國有控股商業(yè)銀行某一家銀行處于極端風險水平時，它對金融體系極端風險價值水平的貢獻率為60%以上。實證結果與已有文獻是一致的，說明銀行規(guī)模是影響金融體系系統(tǒng)性風險的重要因素，銀行規(guī)模越大，其對系統(tǒng)性風險的影響越大[6][21][33-34]。從長期來看，系統(tǒng)性風險貢獻度排名前三的是民生銀行(MSB)、北京銀行(BBJ)和平安銀行(PABC)，它們的△CoVaR均值分別為0.801、0.791和0.736；工商銀行(ICBC)和中國銀行(BC)排名分別為第4和第5，其△CoVaR均值分別為0.696和0.693，明顯低于排名前三的均值水平。短期來看，工商銀行(ICBC)、建設銀行(CCB)和南京銀行(BNJ)系統(tǒng)性風險貢獻度排名前三。從商業(yè)銀行系統(tǒng)性風險貢獻度長期和短期排名的差異看，銀行的規(guī)模不是影響系統(tǒng)性風險貢獻度的唯一因素，規(guī)模小的商業(yè)銀行的極端風險事件也可能會對系統(tǒng)性風險產(chǎn)生巨大影響[35]。另外，通過K-S檢驗證明不同商業(yè)銀行系統(tǒng)性風險貢獻度的長期效應和短期效應存在顯著差異。

表5 商業(yè)銀行系統(tǒng)性風險貢獻度估計與檢驗結果

圖2給出了商業(yè)銀行在5%分位數(shù)水平下長期和短期系統(tǒng)性風險貢獻度的動態(tài)變化。由圖2可知，工商銀行(ICBC)、建設銀行(CCB)、中國銀行(BC)、交通銀行(BCC)、招商銀行(CMB)、興業(yè)銀行(CIB)、中信銀行(CITIC)、民生銀行(MSB)、平安銀行(PABC)、華夏銀行(HXB)、北京銀行(BBJ)的長期和短期系統(tǒng)性風險貢獻度波動幅度明顯，且在2008—2013年期間出現(xiàn)比較大范圍的集聚。這可能是因為受到國際金融危機的影響，大型商業(yè)銀行的系統(tǒng)性風險在增加。而南京銀行(BNJ)和寧波銀行(BNB)長期和短期系統(tǒng)性風險貢獻度波動較為平緩，且其均值也較小。

圖2 商業(yè)銀行長期和短期系統(tǒng)風險性貢獻度△CoVaR

3.不同所有制商業(yè)銀行系統(tǒng)性風險溢出效應。

本部分首先按所有制的不同，將14家商業(yè)銀行分為國有控股商業(yè)銀行、股份制商業(yè)銀行和城市商業(yè)銀行三種類型，比較不同所有制商業(yè)銀行系統(tǒng)性風險溢出的長期與短期效應。其次，在本文的樣本期間內(nèi)中國股票市場經(jīng)歷了兩次異常波動，因此，我們將樣本期間分為股市正常波動時期和股市異常波動時期兩個子樣本[注]股市正常波動時期時間段為：2010年1月1日—2014年12月31日和2017年1月1日—2017年9月28日；股市異常波動時期時間段為：2007年12月25日—2009年12月31日和2015年1月1日—2016年12月31日。，分析不同所有制商業(yè)銀行系統(tǒng)性風險溢出效應在不同樣本期間的差異。

表6給出了不同所有制商業(yè)銀行系統(tǒng)風險貢獻度的均值和標準差。由表6可知，全樣本時期三種所有制商業(yè)銀行系統(tǒng)性風險貢獻度在時間維度上不存在顯著差異，其均值在60%左右，且系統(tǒng)性風險貢獻度標準差較小，波動性不大。說明在整個樣本期間內(nèi)很難甄別三種所有制商業(yè)銀行系統(tǒng)性風險溢出的長期和短期效應之間的差異。通過將全樣本期間按其是否發(fā)生異常性波動，我們從股票市場正常波動時期和股票市場異常波動時期這兩個子樣本期間出發(fā)來考察三種不同所有制商業(yè)銀行系統(tǒng)性風險貢獻度的基本特征。由表6可知，股票市場異常波動所帶來的結果主要體現(xiàn)為三種不同所有制商業(yè)銀行短期系統(tǒng)性風險溢出效應的增加。從長期來看，股票市場異常性波動所導致的三種不同所有制商業(yè)銀行系統(tǒng)性風險溢出效應低于股票市場正常性波動時期。由于短期內(nèi)股票市場的異常波動，會造成股價劇烈波動，造成溢出效應增大；而長期來看股價則表現(xiàn)為緩慢波動，導致風險溢出程度較為平緩，溢出效應的差異可能是由于樣本的不同的時間跨度。

表6 不同所有制商業(yè)銀行系統(tǒng)性風險貢獻度描述性統(tǒng)計

注：圓括號內(nèi)數(shù)值為標準差。

表7給出了不同所有制商業(yè)銀行系統(tǒng)性風險貢獻度在股市正常波動時期和股市異常波動時期長期效應和短期效應的檢驗結果。由表7可見，其一，在股市正常波動時期，股份制商業(yè)銀行系統(tǒng)性風險貢獻度排名無論在長期或短期均高于國有控股商業(yè)銀行和城市商業(yè)銀行；其二，在股市異常波動時期，從長期來看，三種不同所有制商業(yè)銀行系統(tǒng)性風險貢獻度排名為：股份制商業(yè)銀行>國有控股商業(yè)銀行>城市商業(yè)銀行。其原因可能在于：一方面股份制商業(yè)銀行股權所有者主要以機構投資者為主，屬于利潤導向型銀行，股份制商業(yè)銀行為迎合股權所有者對利潤的追求，更傾向于高回報高風險投資項目，這種對投資收益的追逐行為容易增加股份制商業(yè)銀行的市場風險敞口。另一方面在監(jiān)管要求上，股份制商業(yè)銀行相對低于國有控股商業(yè)銀行，因此股份制銀行在風險防范與管理方面存在較大的自主空間，更傾向于通過調(diào)高杠桿率來滿足資金流動性需求。在市場環(huán)境不確定性因素影響下，股份制商業(yè)銀行市場風險敞口會增大，從而造成系統(tǒng)性風險溢出效應高于其他所有制商業(yè)銀行。而在股市異常波動時期，國有控股商業(yè)銀行短期系統(tǒng)性風險貢獻度高于股份制商業(yè)銀行和城市商業(yè)銀行。其原因可能在于：國有控股商業(yè)銀行在政府部門的隱性擔保下，更有動機利用自身的資源做出一些冒險的投資決策，這些投資決策本身會給國有控股商業(yè)銀行帶來較大的市場風險敞口。當金融市場出現(xiàn)波動時，這種負向結果更為明顯。因此在股票市場異常波動期間，國有控股商業(yè)銀行短期系統(tǒng)性風險溢出效應高于其他所有制商業(yè)銀行。但從長期來看，與國有控股商業(yè)銀行緊密關聯(lián)的政府部門出于穩(wěn)定金融市場的目的會采取措施降低國有控股商業(yè)銀行的風險敞口。對于國有控股商業(yè)銀行來說，它在整個金融體系中扮演著“大而不能倒”的角色。因此，國有控股商業(yè)銀行系統(tǒng)性風險溢出長期效應低于股份制商業(yè)銀行。

表7 不同所有制商業(yè)銀行系統(tǒng)性風險貢獻度檢驗結果

續(xù)前表

五、結論與啟示

近年來，金融機構系統(tǒng)性關聯(lián)的增強使得系統(tǒng)性風險溢出成為研究熱點。為了更深入地研究商業(yè)銀行系統(tǒng)性風險溢出效應，首先，本文以2007年12月25日至2017年9月28日的金融市場數(shù)據(jù)為研究樣本，基于商業(yè)銀行與金融市場收益率間存在的非對稱相關結構，采用時變Copula-CoVaR模型測度商業(yè)銀行系統(tǒng)性風險溢出效應。其次，通過變分模態(tài)分解(VMD)技術將收益率序列按其頻域特征進行分解，測度了商業(yè)銀行系統(tǒng)性風險溢出的長期和短期效應。最后，通過K-S檢驗分析比較商業(yè)銀行系統(tǒng)性風險長期溢出效應和短期溢出效應的差異。實證研究得到以下結論：1.不同的商業(yè)銀行系統(tǒng)性風險溢出效應存在差異?？傮w來說，大型商業(yè)銀行系統(tǒng)性風險溢出效應高于小型商業(yè)銀行。2.系統(tǒng)性風險溢出效應存在不同時間維度的差異。工商銀行、建設銀行和南京銀行短期系統(tǒng)性風險溢出效應高于其他商業(yè)銀行，而民生銀行、北京銀行和平安銀行的長期系統(tǒng)性風險溢出效應排名前三。由此，銀行規(guī)模不是衡量金融機構系統(tǒng)重要性的唯一標準，從長期來看，規(guī)模較小的銀行也可能對系統(tǒng)性風險產(chǎn)生巨大影響。3.不同所有制商業(yè)銀行系統(tǒng)性風險溢出的長期效應與短期效應存在差異。從總體上說，股份制商業(yè)銀行對金融體系系統(tǒng)性風險的溢出價值要高于國有控股商業(yè)銀行和城市商業(yè)銀行，當股票市場處于異常波動時期，國有控股商業(yè)銀行系統(tǒng)性風險短期溢出效應顯著。

基于以上結論，本文得到以下政策啟示：第一，為防范系統(tǒng)性風險的發(fā)生，需要加強金融體系系統(tǒng)性風險監(jiān)管，進一步推進宏觀審慎政策。第二，有效識別系統(tǒng)風險重要性金融機構，在密切關注大型商業(yè)銀行系統(tǒng)性風險溢出效應的同時應重視對于中小型商業(yè)銀行的監(jiān)管。第三，由于銀行系統(tǒng)性風險溢出長期效應和短期效應存在差異，需要監(jiān)管部門根據(jù)其風險特征，制定與其相匹配的風險管理策略，從而保障我國金融體系的穩(wěn)健發(fā)展。