摘要： 美國次貸危機表明CDS對銀行系統(tǒng)性風險有很大影響，但CDS如何影響銀行系統(tǒng)性風險的機理還未明。因此，構建了一個具有CDS交互作用的動態(tài)多層銀行網絡模型，研究兩種經濟環(huán)境下的CDS對銀行系統(tǒng)的雙重影響。研究結果表明：經濟平穩(wěn)時期，CDS有風險吸收作用，降低銀行系統(tǒng)性風險；經濟波動時期，銀行因CDS釋放的超額風險資產會轉變?yōu)樾碌南到y(tǒng)性風險；CDS的規(guī)模與銀行系統(tǒng)性風險呈負相關關系，且規(guī)模存在臨界值。

關鍵詞： 信用違約互換（CDS）；系統(tǒng)性風險；銀企間信用風險；風險轉移

中圖分類號： F830；N94文獻標識碼： A

Investigating Banking Systemic Risk of Dynamic Multilayer Networks with CDS

TANG Miao， FAN Hong

（Glorious Sun School of Business and Management， Donghua University， Shanghai 20005 China）

Abstract：The subprime mortgage crisis in the United States shows that CDS significantly impacts banking systemic risk， but the mechanism of how CDS affects banking systemic risk is still unclear. This paper first constructs a dynamic multi-layer banking network model with CDS interactions to study the dual impact of CDS on the banking system in both volatile and stable economic environments. The results show that when the economy is stable， CDS has a positive absorption effect， which successfully transfers the risk and reduces the banking systemic risk; When the economy is volatile， the excess risk assets released by banks due to CDS are transformed into new systemic risk; the size of CDS is negatively correlated with the banking systemic risk and there is a critical value of size.

Keywords： credit default swap（CDS）; systemic risk; bank-firm credit risk; risk transfer

0 引言

2008年房地產貸款違約導致美國次貸危機爆發(fā)，使得全球金融系統(tǒng)陷入困境，并對實體經濟造成了嚴重的負面影響。自此許多國家意識到銀企間信用風險蔓延的嚴重后果，聚焦于企業(yè)對銀行系統(tǒng)的信用風險沖擊[1]。近年來，金融業(yè)發(fā)展步伐逐漸加快，銀行與銀企間通過多種業(yè)務聯(lián)系建立起富有連通性的銀企信用關聯(lián)網絡，這種錯綜復雜的網絡有利于資金的合理有效配置，但當系統(tǒng)中的銀行或企業(yè)遭受經濟沖擊陷入財務困境時，信用風險會迅速在網絡中蔓延。因此，信用風險對銀行系統(tǒng)性風險具有決定性作用。

目前對于銀行系統(tǒng)信用風險的研究，主要著重于銀行間、銀企間的信用風險傳染以及其對系統(tǒng)性風險的影響。銀行間信用風險傳染方面，Ladley[2]構建了銀行間信用風險傳染模型，發(fā)現信用風險沖擊較小時，高水平的連通性可以降低銀行系統(tǒng)性風險，相反，傳染效應會被放大。Mitchener和Richardson[3]研究大蕭條時期恐慌情緒致使銀行間抽逃資金，銀行間的信用網絡放大了系統(tǒng)性風險，促使信貸收縮。Leventides等[4]研究了銀行間的復雜網絡結構以及信用風險傳染，發(fā)現高連通性下的銀行間網絡為信用風險的蔓延提供渠道。此外，銀企信用風險傳染方面，Bargigli等[5]研究銀企信用網絡與系統(tǒng)性風險的傳染問題，發(fā)現網絡集中度與系統(tǒng)性風險存在因果關系。Catullo等[6]構建了銀企信用網絡模型，發(fā)現系統(tǒng)風險的蔓延與杠桿率和銀企信用網絡結構有關。Silva等[7]基于巴西銀企數據研究了銀企間的雙向信用風險傳染，發(fā)現銀企間信用風險比銀行間信用風險更具有傳染性。

為對沖銀行因信貸帶來的信用風險，信用違約互換（Credit Default Swap，CDS）因其風險轉移功能引發(fā)了銀行業(yè)的關注和研究[89]。已有研究基于CDS的視角對銀行系統(tǒng)中的信用風險進行了不同程度的探討，并發(fā)現CDS對降低銀行信用風險有正向積極的影響。Allen和Carletti[10]提出了銀行與保險機構之間的信用風險轉移模型，證明了CDS有助于銀行釋放其流動性。Wagner和Marsh[11]發(fā)現銀行利用CDS風險轉移功能與銀行間市場信用風險共擔相比，CDS風險轉移功能更有利于銀行系統(tǒng)的穩(wěn)定。D’errico等[12]提出了分析CDS的風險轉移網絡框架，研究了CDS的風險轉移和市場結構，證實了該網絡結構有助于系統(tǒng)穩(wěn)定。Thornton和Tommaso[13]發(fā)現CDS在歐洲銀行樣本中被用于監(jiān)管套利，CDS在吸收信用風險的同時產生更高的資本回報。盡管CDS是行之有效的信用風險轉移工具，但它也會給銀行帶來新的系統(tǒng)性風險。Brunetti 等[14]發(fā)現CDS有時也會喪失對銀行間信用風險的吸收作用，導致更大風險在系統(tǒng)中蔓延。Al-Own等[15]認為系統(tǒng)性信貸危機時期，銀行即使是出于對沖銀行間信用風險的目的使用CDS，也可能產生意想不到的風險。Bo和Capponi[16]指出CDS雖然能夠實現銀行間信用風險的對沖，但同時CDS與銀行之間也存在著交易對手信用風險。即信用風險超出CDS賣方的賠償能力時，會導致信用風險在銀行系統(tǒng)中的進一步擴散。Schuldenzucker等[17]提出了銀行間債務違約互換模型，研究發(fā)現CDS給銀行網絡帶來新的系統(tǒng)性風險，并且該網絡因CDS帶來的風險比銀行系統(tǒng)內在的風險傳染更為重要。

綜上所述，現有文獻在研究CDS或銀行信用風險時，要么僅專注于銀行間的單層網絡描述銀行間信用風險傳染，或銀企間的信用風險傳染，沒有引入CDS風險轉移機制；要么分析銀行在引入CDS機制后，僅單方面探討CDS對銀行間信用風險的風險轉移作用或CDS為銀行系統(tǒng)帶來的新的風險?；诖耍疚臉嫿艘粋€具有CDS的動態(tài)多層網絡框架，探討CDS對銀企間信用風險的緩釋效應，以及CDS使銀行釋放的超額風險資產不能收回而產生的風險放大效應。與單一分析CDS對銀行信用風險緩釋效應或風險放大效應不同，本文全面分析CDS的雙重影響在多重網絡間的作用機理；有利于挖掘信用風險緩釋工具與銀行、企業(yè)間的內在關聯(lián)，同時為合理運用信用風險緩釋工具，防范系統(tǒng)性風險提供一定的參考。

1 構建具有CDS的多層銀行網絡模型

在銀行網絡中，各個不同規(guī)模的銀行與企業(yè)之間通過借貸業(yè)務等關聯(lián)關系，形成了一個復雜的信用關聯(lián)網絡[18]。雖然該網絡有助于系統(tǒng)內部信貸資源分配，但也為信用風險的傳播提供了渠道[7]。然而，CDS的風險緩釋功能能夠為銀行的信用貸款提供保護，減少其風險加權資產的數量，并通過市場化交易形式將銀行內部的信用風險轉移。因此，本文考慮構建一個具有CDS的動態(tài)多層銀行網絡，以探究CDS在銀行系統(tǒng)中的作用機制。具有CDS的多層銀行網絡框架，如圖1所示。

1.1 銀行間動態(tài)拆借網絡

本文參考Iori[19]的研究，假設銀行間拆借網絡為隨機網絡，系統(tǒng)中存在N家銀行，用矩陣U表示銀行間的拆借關系，其中， Ui，j=1表示銀行i與j之間存在同業(yè)拆借關系，Ui，j=0表示銀行i與j之間不存在同業(yè)拆借關系。銀行資產負債表隨時間動態(tài)演化滿足公式（1）：

Li（t－1）=Ai（t－1）+Bi（t－1）+Vi（t－1）－∑τs=1Ii（t－s）（1）

其中，Li（t－1）表示銀行i在t－1時刻的流動性資產，Ai（t－1）表示銀行i在t－1時刻的儲蓄，Vi（t－1）表示銀行i在t－1時刻的所有者權益，Bi（t－1）表示銀行i在t－1時刻銀行間拆借的資金總額。Bi（t－1）>0表示銀行i的拆入金額，反之為拆出金額。∑τs=1Ii（t－s）是銀行i在過去τ期的總投資。本文假設銀行儲戶存款行為隨機發(fā)生，那么銀行i在t時刻的存款為Ai（t）=（1+σAη）A-，A-為儲戶存款均值，σA為存款波動的標準差，η～N（0，1）服從正態(tài)分布。

1.2 銀企動態(tài)借貸網絡

假設系統(tǒng)中有M家企業(yè)，企業(yè)m在t 時刻的流動性用Lm（t）表示。企業(yè)的主體行為包括生產經營以及投資。

1.2.1 企業(yè)生產經營

企業(yè)m在t時刻的產量受到財務約束，其生產函數表示為

Ym（t）=φ1Vφ2m（t）（2）

其中，φ1> 0<φ2< Vm（t）為t 時刻企業(yè)m的所有者權益。為遵循企業(yè)資本結構動態(tài)權衡理論，參考Gatti等[20]和Riccetti等[21]的研究，假設企業(yè)m生產產品以勞動力作為唯一輸入參數，對每個企業(yè)而言Ym（t）=hm（t）/ξ，hm（t）代表勞動力數量，ξ>0。因此，在財務約束產量的情況下，勞動力可以寫成公式（3）：

hm（t）=ξYm（t）=ξφ1Vφ2m（t）（3）

同時，企業(yè)m在t 時刻會對其生產的產品進行銷售，其銷售收入公式表示為

Rm（t）=μYm（t）（4）

其中，μ為銷售價格，μ（t）=+σsη，為銷售價格均值，σs為銷售波動標準差。

1.2.2 企業(yè)投資

企業(yè)m在t 時刻若有流動性會進行投資，其投資滿足公式（5）：

Im（t）=minmax0，Lm（t）+Rm（t）－SCm（t），ωm（t）（5）

其中，企業(yè)的生產成本SCm（t）=Φhm（t），Φ為勞動力價格，ωm（t）為企業(yè)m在t 時刻的投資機會，ωm（t）=m+σmη，m為企業(yè)投資均值，σm為企業(yè)投資波動標準差。

企業(yè)m在t 時刻可能面臨資金缺口Qm（t）=max0，SCm（t）－（Lm（t）+Rm（t））。本文假設企業(yè)m會隨機向某個流動性充足的銀行發(fā)出借貸請求，如果銀行i的流動性無法填補企業(yè)m的全部資金缺口，則剩余的部分資金缺口，企業(yè)m會繼續(xù)向其他銀行尋求幫助，直到企業(yè)的資金缺口被全部填補或銀行市場中沒有多余的流動性為止。那么流動性充足的銀行i 在t 時刻可以貸給企業(yè)m的金額為

Fmi（t）=minχ·Li（t），Qm（t）（6）

其中，χ為銀行準備借貸給企業(yè)的資金占自身流動性的比例。《巴塞爾協(xié)議》要求銀行在貸款時滿足監(jiān)管要求，保證相應的資本充足率，則銀行i需要為所有銀企間貸款準備的資本儲備金為CRi（t）=∑m∈MFmi（t）。此時，銀行資產負債表的動態(tài)演化行為如（7）所示：

Li（t－1）=Ai（t－1）+Bi（t－1）+Vi（t－1）－∑m∈MFmi（t－1）－∑τs=1Ii（t－s）（7）

其中，∑m∈MFmi（t－1）為t－1時刻銀行i向企業(yè)提供的貸款總額，其它符號的含義同上。

企業(yè)與銀行發(fā)生借貸行為后，會定期向銀行支付相應的利息。那么，銀行i 在t 時刻有資金流動的變化，其流動性資產演化公式為

i（t）=Li（t－1）+（Ai（t）－Ai（t－1））－raAi（t－1）+rb∑τps=1∑m∈MFmi（t－s）+∑m∈MFmi（t－τp）+CRi（t－τp）+ρ∑τs=1Ii（t－s）+Ii（t－τ）－Di（t）－Ii（t）－βAi（t）－CRi（t）（8）

其中，Ai（t）－Ai（t－1）為t 時刻銀行i 持有存款的變化；raAi（t－1）為支付給儲戶的利息，ra為存款利率；rb∑τps=1∑m∈MFmi（t－s）為t 時刻銀行i向企業(yè)收取的貸款利息，rb為企業(yè)的貸款利率， τp為銀企貸款周期；∑m∈MFmi（t－τp）為銀行i在t時刻的貸款回收；CRi（t－τp）為銀行i在t時刻回收的資本儲備金；ρ∑τs=1Ii（t－s）為銀行i在t 時刻過去τ期的投資收益，ρ為投資收益率；Ii（t－τ）為銀行i 在t 時刻的投資回收；Di（t）為銀行i 在t 時刻的分紅；Ii（t）為銀行i 在t 時刻的投資；βAi（t）為銀行i 在t 時刻的存款準備金，β為存款準備金率，其它符號的含義同上。

1.3 具有CDS的動態(tài)銀行網絡

當有充足流動性的銀行審批企業(yè)的貸款申請時，銀行為了規(guī)避信用風險，會對申請貸款的企業(yè)進行風險評估，將風險集中度較高的企業(yè)貸款向CDS機構購買CDS合約，同時支付相應的CDS保費以換取與高風險貸款相稱的賠償。中國規(guī)定商業(yè)銀行購買CDS合約后，可以將風險資產的權重降低80%。那么，銀行i需要留存的資本儲備金變?yōu)?/p>

CRi（t）=·1－80%∑m∈MFmi（t）（9）

CDS保費：銀行i為了規(guī)避高風險企業(yè)m帶來的信貸風險而購買CDS合約，所支付的保費可以表示為Pci（t）=λ·∑αs=1∑m∈φFmi（t－θs），φ為高風險企業(yè)集合，α=τp/θ為保費支付期數，θ為保費支付周期，λ為保費費率，∑αs=1∑m∈φFmi（t－θs）為t時刻銀行i 需要繳納CDS保費的貸款總額。

CDS賠償：若在合約期限內與銀行有借貸關系的企業(yè)發(fā)生信用違約事件，銀行會獲得CDS機構的賠償款Cci（t）=（1+rb）∑τps=1∑m∈ΩtFmi（t－s）－λ·∑θs=1∑m∈ΩtFmi（t－s+1），Ωt為t時刻的違約高風險企業(yè)集合，∑τps=1∑m∈ΩtFmi（t－s）為t時刻銀行i因企業(yè)違約而損失的本金，λ·∑θs=1∑m∈ΩtFmi（t－s+1）為CDS機構在t時刻扣除的未滿支付周期的保費。若高風險企業(yè)沒有發(fā)生信用違約事件，那么CDS機構不需要對銀行進行賠付，Cci（t）=0。

具有CDS的銀行系統(tǒng)中，銀行i在t時刻的流動性可以用公式（10）表示：

Li（t）=Li（t－1）+（Ai（t）－Ai（t－1））－raAi（t－1）+rb∑τps=1∑m∈MFmi（t－s）+∑m∈MFmi（t－τp）+

CRi（t－τp）－Pci（t）+ρ∑τs=1Ii（t－s）+Ii（t－τ）+Cci（t）－Di（t）－Ii（t）－βAi（t）－CRi（t）（10）

1.4 具有CDS的銀行網絡動態(tài)演化流程

具有CDS的銀行網絡系統(tǒng)動態(tài)流程算法，具體分為以下幾個步驟：

步驟1 計算銀行流動性。根據式（8），計算銀行i在t時刻的流動性i（t），如果銀行i為銀企間貸款購買了CDS，則銀行i需要向CDS機構支付保費Pci（t），若債務企業(yè)發(fā)生違約，則銀行i會收到CDS機構的賠償Cci（t），此時銀行流動性Li（t）=i（t）－Pci（t）+Cci（t）。

步驟2 區(qū)分臨時債權、債務銀行。當銀行i的流動性Li（t）>0并且Bi（t－1）<0，則銀行i為臨時債權銀行；當流動性Li（t）>0且Bi（t－1）>0，同時有Li（t）>1+rIBi（t－1），rI為銀行間拆借利率，此時銀行i會對上一期所有的債權銀行進行還款，還清債務時的流動性Li（t）=Li（t）－1+rIBi（t－1），則銀行i為臨時債權銀行。其他情況，銀行i為債務銀行。

步驟3 銀企借貸與CDS合約。企業(yè)在生產經營的過程中會存在資金缺口，那么存在資金缺口的企業(yè)會向流動性充足的銀行發(fā)起貸款申請。如果銀行i將一部分流動資金貸給企業(yè)，那么銀行i成為企業(yè)的債權銀行，在t時刻貸出總金額為∑m∈MFmi（t），資本儲備金為CRi（t），此時銀行i的流動性Li（t）=Li（t）－∑m∈MFmi（t）－CRi（t）。債權銀行收到企業(yè)貸款申請的同時，會對企業(yè)進行風險評估，如果企業(yè)資產負債率Sm>ψ時，企業(yè)風險較高，銀行會選擇向CDS機構購買CDS合約轉移信用風險，CDS保費會在下一個支付周期于步驟2中計算。

步驟4 投資與分紅。債權銀行投資與分紅，銀行i的流動性更新為Li（t）=Li（t）－Di（t）－Ii（t）。

步驟5 銀行間拆借。債務銀行i隨機向債權銀行進行借貸，直到銀行i能夠有足夠的資金來償還上期的同業(yè)貸款1+rIBi（t－1），此時銀行i所需的貸款金額為1+rIBi（t－1）－Li（t）。

步驟6 違約清算。如果債務銀行i無法拆借到足夠的資金，那么銀行i違約并清算。

2 仿真分析

2.1 參數設置

為了探究CDS對銀行系統(tǒng)的影響，本文在構建具有CDS的多層銀行網絡系統(tǒng)模型的基礎上，參照Iori[19] 、Gatti等[20]和Riccetti等[21]的研究以及銀行財務報表，采用蒙特卡洛方法對參數進行穩(wěn)健性檢驗，結果穩(wěn)定。假設系統(tǒng)中銀行的數量為200，初始權益為300，初始存款為1 000；企業(yè)的數量為100，初始權益為500；CDS機構的數量為20，初始權益為300；仿真時間步T=500，其他參數如表1所示。本文根據銀行平均倒閉概率來度量銀行系統(tǒng)性風險。

2.2 經濟穩(wěn)定下CDS對銀行系統(tǒng)性風險的影響

本文首先探究了經濟穩(wěn)定時期有無CDS的銀行系統(tǒng)性風險變化情況（見圖2）。在企業(yè)銷售波動σs=0.1時，銀行系統(tǒng)性風險隨著時間步的變化逐漸降低，具有CDS的銀行網絡的系統(tǒng)性風險更低。CDS的存在致使銀行更愿意為高風險企業(yè)提供貸款，在不增加風險的情況下增加了貸款利息收入，從而使銀行系統(tǒng)更具有彈性。CDS的貸款額以及貸款利息收入，如圖3所示。隨著時間步的變化，兩種網絡的貸款額及利息都逐漸變小，但具有CDS的網絡中各項數值均高于無CDS的網絡?？偟膩碚f，CDS增加了系統(tǒng)的穩(wěn)定性。

企業(yè)的銷售波動會對銀行系統(tǒng)有不同程度的影響，如圖4所示。當銷售波動在0.11至0.13內，銷售波動與CDS的風險吸收作用呈正相關。當銷售波動為0.14時，CDS對銀行系統(tǒng)性風險的吸收作用減弱，部分CDS機構逐漸超出自身償付能力，面臨損失，這可能致使銀行陷入困境。但與無CDS的銀行網絡相比，總體上還是吸收了銀行系統(tǒng)性風險。

2.3 經濟波動下CDS對銀行系統(tǒng)性風險的影響

CDS雖然能夠在經濟穩(wěn)定時期發(fā)揮風險緩釋作用，但在經濟波動時期，企業(yè)銷售價格在市場政策、通貨膨脹或緊縮等因素的影響下波動變大，CDS能否對銀行系統(tǒng)起到積極正向作用還需要進一步研究。圖5對比了企業(yè)銷售波動為0.15時的有無CDS的銀行系統(tǒng)性風險，發(fā)現具有CDS的銀行系統(tǒng)性風險更大。CDS增加了銀行對信貸資金的投入，但同時也會促使銀行貸款質量降低。在嚴峻的經濟形勢下CDS機構面臨大量的賠償款，資不抵債觸發(fā)違約。銀行也因對交易對手風險的低估導致大量的貸款損失從而陷入困境，同時也可能給與之存在同業(yè)拆借的銀行帶來風險，使得風險在網絡中蔓延。從圖6也可以看出，具有CDS的銀行網絡中銀行貸款額和損失貸款在前期均大于無CDS的銀行網絡中的各項值。因此，在宏觀經濟波動時期，如果CDS機構沒有成功將銀行的信用風險釋放，那么CDS的存在不但不能吸收風險，反而會加劇銀行系統(tǒng)的不穩(wěn)定性。圖7為不同銷售波動下有無CDS的銀行系統(tǒng)性風險的變化情況。企業(yè)銷售波動越大，具有CDS的網絡放大銀行系統(tǒng)性風險的效應越大。另外，具有CDS的銀行網絡的風險值存在拐點，并且該拐點逐漸從系統(tǒng)中期的200步左右提前至100步左右，說明CDS機構因償付能力不足發(fā)生違約的時間在不斷提前。

通過前文的分析，可以發(fā)現CDS機構的償付能力與其規(guī)模以及風險的大小有關。在經濟波動時期，CDS的規(guī)模與銀行系統(tǒng)性風險的關系是一個值得探討的問題。當企業(yè)銷售波動為0.15時，不同CDS規(guī)模下的銀行系統(tǒng)性風險動態(tài)演化情況，如圖8所示。隨著CDS機構規(guī)模的增加，銀行系統(tǒng)性風險不斷降低，當CDS機構的規(guī)模提升至500時，CDS對系統(tǒng)風險吸收作用再次顯現。不同CDS規(guī)模與銀行系統(tǒng)性風險的關系，如圖9所示。當CDS規(guī)模大于800時，銀行系統(tǒng)性風險基本不再變化。表明在一定的條件下，銀行系統(tǒng)性風險的吸收對CDS機構規(guī)模有一定要求，且規(guī)模存在閾值。當CDS規(guī)模超出閾值時，CDS規(guī)模的變化對銀行系統(tǒng)性風險影響不大。當CDS規(guī)模小于閾值時，CDS的規(guī)模與銀行系統(tǒng)性風險呈負相關關系。因此，在銀行與高風險企業(yè)發(fā)生借貸時，對CDS機構規(guī)模的考察也是很必要的。

3 結論

在金融市場信用違約事件頻發(fā)的今天，CDS已經成為了銀行信用風險轉移的重要工具，但CDS對銀行系統(tǒng)性風險影響的研究目前還沒有統(tǒng)一的結論。因此，本文考慮到現實中銀行、企業(yè)與CDS的交互作用，以及CDS對銀行系統(tǒng)的雙重影響，構建了一個動態(tài)的具有CDS的多重復雜銀行網絡模型。通過仿真分析了具有CDS的銀行網絡信用風險的演化機制，得到結論：1）與傳統(tǒng)的銀行系統(tǒng)相比，在經濟穩(wěn)定時期，CDS為銀行提供了信用風險轉移渠道，緩沖了銀企間的信用風險，提高了銀行系統(tǒng)的穩(wěn)定性。2）CDS雖然可以減少銀行的風險資產并提高盈利能力，但在經濟波動時期銀行系統(tǒng)也可能會面臨承擔更大的風險的可能。3）CDS的規(guī)模與銀行系統(tǒng)性風險呈負相關關系，且規(guī)模存在臨界值。在臨界值內，隨著CDS的規(guī)模的增加，銀行系統(tǒng)性風險不斷降低。但當CDS規(guī)模超出臨界值時，銀行系統(tǒng)性風險不會因CDS規(guī)模的變化而變化。

以上研究結果揭示了銀行、企業(yè)以及CDS的復雜業(yè)務關聯(lián)的微觀基礎，有利于從理論角度挖掘多重網絡結構中各組織的內在聯(lián)系，為監(jiān)管部門從多重網絡視角監(jiān)控系統(tǒng)提供參考。另外，CDS對金融系統(tǒng)的影響遠不及此，未來可能會著重研究中央監(jiān)管機構對CDS的宏觀調控政策。

參考文獻：

[1]方意，趙勝民，黃麗靈，等.房地產市場與銀行業(yè)系統(tǒng)性風險[J].管理科學學報，2024（11）：2643.

FANG Y， ZHAO S M， HUANG L L， et al. The real estate market and systemic risk in the banking system[J]. Journal of Management Sciences in China， 2024（11）：2643.

[2]LADLEY D. Contagion and risk-sharing on the inter-bank market[J]. Journal of Economic Dynamics and Control， 2013， 37（7）： 13841400.

[3]MITCHENER K J， RICHARDSON G. Network contagion and interbank amplification during the great depression[J]. Journal of Political Economy， 2019， 127（2）：465507.

[4]LEVENTIDES J， LOUKAKI K， PAPAVASSILOOU V G. Simulating financial contagion dynamics in random interbank networks[J]. Journal of Economic Behavior & Organization， 2019， 158： 500525.

[5]BARGIGLI L， GALLEGATI M， RICCETTI L， et al. Network analysis and calibration of the “l(fā)everaged network-based financial accelerator”[J]. Journal of Economic Behavior & Organization， 2014， 99： 109125.

[6]SILVA T C， ALEXANDRE M D S， TABAK B M. Bank lending and systemic risk： a financial-real sector network approach with feedback[J]. Journal of Financial Stability， 2018， 38： 98118.

[7]SHAN C， TANG D Y， YAN H， et al. Credit default swaps and bank regulatory capital[J]. Review of Finance， 202 25（1）： 121152.

[8]DANIS A， GAMBA A. The real effects of credit default swaps[J]. Journal of Financial Economics， 2018， 127（1）： 5176.

[9]陳庭強，周文靜，童毛弟，等.融合CDS網絡的銀行間信用風險傳染模型研究[J].中國管理科學，2020，28（6）：2437.

CHEN T Q， ZHOU W J， TONG M D， et al. Research on the model of interbank credit risk contagion by fusing CDS networks[J]. Chinese Journal of Management Science，2020，28（6）：2437.

[10] ALLEN F， CARLETTI E. Credit risk transfer and contagion[J]. Journal of Monetary Economics， 2006， 53（1）： 89111.

[11] WAGNER W， MARSH I W. Credit risk transfer and financial sector stability[J]. Journal of Financial Stability， 2006， 2（2）： 173193.

[12] D’ERRICO M， BATTISTON S， PELTONEN T， et al. How does risk flow in the credit default swap market？[J]. Journal of Financial Stability， 2018， 35： 5374.

[13] THORNTON J， DI TOMMASO C. Credit default swaps and regulatory capital relief： evidence from European banks[J]. Finance Research Letters， 2018， 26： 255260.

[14] Brunetti C， Harris J H， Mankad S， et al. Interconnectedness in the interbank market[J]. Journal of Financial Economics， 2019， 133（2）： 520538.

[15] AL-OWN B， MINHAT M， GAO S. Stock options and credit default swaps in risk management[J].Journal of International Financial Markets， Institutions， and Money， 2018，53（3）：200214.

[16] BO L， CAPPONI A. Counterparty risk for CDS： default clustering effects[J]. Journal of Banking & Finance， 2015， 52：2942.

[17] SCHULDENZUCKER S， SEUKEN S， BATTISTON S. Default ambiguity： credit default swaps create new systemic risks in financial networks[J]. Management Science， 2020， 66（5）： 19811998.

[18] CATULLO E， GALLEGATI M， PALESTRINI A. Towards a credit network based early warning indicator for crises[J]. Journal of Economic Dynamics and Control， 2015， 50： 7897.

[19] IORI G， JAFAREY S， PADILLA F G. Systemic risk on the interbank market[J]. Journal of Economic Behavior & Organization， 2006， 61（4）： 525542.

[20] GATTI D D， GALLEGATI M， GREENWALD B， et al. The financial accelerator in an evolving credit network[J]. Journal of Economic Dynamics and Control， 2010， 34（9）： 16271650.

[21] RICCETTI L，RUSSO A，GALLEGATI M. Leveraged network-based financial accelerator[J]. Journal of Economic Dynamics and Control， 2013， 37（8）： 16261640.

（責任編輯 耿金花）