□張遠為，嚴(yán)飛

（1.湖北經(jīng)濟學(xué)院金融學(xué)院；2.湖北經(jīng)濟學(xué)院經(jīng)濟學(xué)系，湖北武漢 430205）

我國商業(yè)銀行系統(tǒng)性風(fēng)險實證研究
——基于主成分分析法

□張遠為1，嚴(yán)飛2

（1.湖北經(jīng)濟學(xué)院金融學(xué)院；2.湖北經(jīng)濟學(xué)院經(jīng)濟學(xué)系，湖北武漢 430205）

本文運用基于主成分分析法的提取率指標(biāo)，利用2007年9月至2016年6月我國14家上市銀行股票日收益率數(shù)據(jù)，研究了我國商業(yè)銀行的系統(tǒng)性風(fēng)險。研究發(fā)現(xiàn)，在銀行股票收益率最低的三個時期，提取率都很高，并且提取率的上升先于股票收益率的下降。本文的研究結(jié)果表明，提取率可作為我國監(jiān)管當(dāng)局監(jiān)測商業(yè)銀行系統(tǒng)性風(fēng)險的一個很好的指標(biāo)。

系統(tǒng)性風(fēng)險；主成分分析；提取率

2008 年全球金融危機給世界經(jīng)濟帶來巨大損失。這次金融危機的一個重要教訓(xùn)是：只關(guān)注單個金融機構(gòu)風(fēng)險的微觀審慎監(jiān)管對金融風(fēng)險監(jiān)管來說是必要但并非充分的。為防范金融危機，必須監(jiān)測系統(tǒng)性金融風(fēng)險，對金融體系實施宏觀審慎監(jiān)管（Bernanke，2011）［1］。在這一背景下，對系統(tǒng)性金融風(fēng)險的測度成了學(xué)術(shù)界和監(jiān)管部門關(guān)注的焦點，人們提出了多種測度系統(tǒng)性金融風(fēng)險的方法。

當(dāng)前，我國金融體系還不完善，以銀行為中介的間接融資在資金融通中仍占主要地位，監(jiān)測和防范銀行系統(tǒng)性風(fēng)險對維護金融體系的穩(wěn)定有著極為重要的現(xiàn)實意義。本文采用一種測度系統(tǒng)性金融風(fēng)險的新方法——主成分分析法來測度我國商業(yè)銀行系統(tǒng)性風(fēng)險。雖然國內(nèi)已有不少學(xué)者研究過我國系統(tǒng)性金融風(fēng)險，但運用主成分分析法研究系統(tǒng)性金融風(fēng)險的文獻目前還沒有。本文的研究可以豐富我國在系統(tǒng)性金融風(fēng)險領(lǐng)域的研究成果。

1 文獻回顧

研究系統(tǒng)性金融風(fēng)險，首要的任務(wù)是如何定義它。不幸的是，對于系統(tǒng)性金融風(fēng)險沒有一個公認的定義。De Bant和Hartmann’s（2000）將系統(tǒng)性風(fēng)險定義為對大量金融機構(gòu)和金融市場產(chǎn)生沖擊、從而嚴(yán)重影響金融市場功能正常發(fā)揮的事件［2］。該定義強調(diào)傳染性，一個金融機構(gòu)或金融市場的經(jīng)營失敗會嚴(yán)重地傳染給其它金融機構(gòu)或金融市場。Monica Billo等（2012）將系統(tǒng)性風(fēng)險定義為威脅到金融系統(tǒng)的穩(wěn)定或公眾對金融系統(tǒng)的信心的事件［3］。根據(jù)這一定義，1987年10月19日美國股票市場的暴跌不是系統(tǒng)性金融風(fēng)險，而2010年5月6日美國股市暴跌屬于系統(tǒng)性金融風(fēng)險，因為后者引起了公眾對金融系統(tǒng)信心的喪失但前者沒有。國際貨幣基金組織（2009）將系統(tǒng)性風(fēng)險定義為金融系統(tǒng)大面積遭受損失并造成大范圍的金融服務(wù)供給中斷、給實體經(jīng)濟帶來嚴(yán)重影響的風(fēng)險［4］。

雖然學(xué)者們對系統(tǒng)性風(fēng)險沒有一個統(tǒng)一的定義，但從不同角度的定義具有共性。首先，系統(tǒng)性風(fēng)險不是關(guān)注單個金融機構(gòu)的風(fēng)險，而是關(guān)注金融體系整體的風(fēng)險；其次，系統(tǒng)性風(fēng)險具有傳染性的特點，一個金融機構(gòu)（或市場）的風(fēng)險會傳染給其它機構(gòu)（或市場）、甚至傳染到實體經(jīng)濟。

為有效地監(jiān)管系統(tǒng)性金融風(fēng)險，必須準(zhǔn)確及時地測度它的大小。測度系統(tǒng)性風(fēng)險的方法有很多，這些方法主要可以分為以下兩大類。

第一類方法是基于金融機構(gòu)資產(chǎn)負債表的關(guān)聯(lián)性來衡量系統(tǒng)性風(fēng)險，這類方法根據(jù)金融機構(gòu)之間資產(chǎn)負債表的關(guān)聯(lián)建立一個網(wǎng)絡(luò)，并據(jù)此來模擬風(fēng)險由不同節(jié)點在正向或負向沖擊下風(fēng)險擴散的特性來測度系統(tǒng)性風(fēng)險?；谠摲椒ǖ奈墨I主要有：Furfine（2003）運用美國聯(lián)邦基金數(shù)據(jù)來研究美國大型銀行破產(chǎn)所引起的傳染效應(yīng)，得出市場傳染性不大的結(jié)論［5］。Well（2004）對英國銀行的系統(tǒng)性風(fēng)險進行了研究，得出個別銀行的破產(chǎn)很少會傳染給其他銀行、傳染性的大小與違約損失率以及貸款結(jié)構(gòu)分布有關(guān)的結(jié)論［6］。Lehar（2003）通過模擬銀行資產(chǎn)的波動情況，運用銀行資產(chǎn)間的相關(guān)系數(shù)來測度金融風(fēng)險的傳染，計算出系統(tǒng)性風(fēng)險在特定條件下發(fā)生的概率［7］。Billio等（2012）用主成分分析法和Granger因果網(wǎng)絡(luò)法研究了美國基金、經(jīng)紀(jì)、銀行和保險四大金融行業(yè)資產(chǎn)收益率的關(guān)聯(lián)性，研究結(jié)果表明，在市場崩潰時，四大行業(yè)資產(chǎn)收益率之間的關(guān)聯(lián)性增加。［8］其他一些學(xué)者的研究也得出類似的結(jié)論：市場下行時與市場上行時相比，市場的相關(guān)性會增加（Brunnermeier等（2012）［9］、Battiston等（2012）［10］、Antonio等（2014）［11］）。國內(nèi)學(xué)者，范小云（2011）研究了單個銀行對銀行系統(tǒng)性風(fēng)險的貢獻大小和相對系統(tǒng)重要性程度［12］。劉紅忠等（2011）通過構(gòu)建銀行系統(tǒng)性風(fēng)險測度模型來研究樣本銀行的風(fēng)險占總風(fēng)險的比率，研究結(jié)果表明：相對于中小銀行來說，國有大銀行在系統(tǒng)重要性中占有主要地位［13］。歐陽紅兵和劉曉東（2015）采用最小樹生成法對我國銀行間同業(yè)拆借市場進行了實證分析，研究結(jié)果表明該方法可以對系統(tǒng)性風(fēng)險傳導(dǎo)潛在路徑的識別以及系統(tǒng)性風(fēng)險的宏觀審慎監(jiān)管提供有效的手段［14］。

由于銀行的資產(chǎn)負債數(shù)據(jù)一般較難獲得，再加上資產(chǎn)負債數(shù)據(jù)的時效性不強，使得基于資產(chǎn)負債表的網(wǎng)絡(luò)分析法實用性不強。

第二類方法是基于市場數(shù)據(jù)的測度方法，這類方法力圖從市場數(shù)據(jù)（包括股價和CDS價差等）中推導(dǎo)出市場對風(fēng)險相關(guān)性的預(yù)期，如CoVaR方法、SSCA方法、DIP模型和EVT-GARCH-CoVaR模型等。Giulio Girardi和Tolga Ergun（2013）用改進的CoVaR模型，研究了四大金融行業(yè)對系統(tǒng)性金融風(fēng)險的貢獻大小以及金融機構(gòu)的特性與貢獻大小之間的關(guān)系［15］。Hua Chen（2014）等基于信用違約互換價差的日數(shù)據(jù)和股票價格的日內(nèi)數(shù)據(jù)，采用Granger因果檢驗法研究美國銀行和保險公司之間的相互關(guān)聯(lián)性，結(jié)果表明銀行對保險公司的影響比后者對前者的影響更大并且時間上更持久。壓力測試也證實銀行給保險公司帶來了顯著的系統(tǒng)風(fēng)險，但不存在反向的影響［16］。Acemoglu等（2015）的研究結(jié)果表明，金融傳染呈現(xiàn)出階段變化性，也即是：如果負向沖擊很小，這時金融機構(gòu)之間的緊密關(guān)聯(lián)能夠增加金融系統(tǒng)的穩(wěn)定性；然而，當(dāng)負向沖擊超過某一臨界值后，金融機構(gòu)之間的緊密關(guān)聯(lián)會使沖擊更易于擴散，使金融系統(tǒng)變得更脆弱。他們強調(diào)，同一要素在某些條件下可能有助于使金融系統(tǒng)恢復(fù)穩(wěn)定，但在另外條件下卻會成為系統(tǒng)性風(fēng)險的來源［17］。Lamont Black等（2016）用DIP模型度量了歐洲銀行體系的系統(tǒng)性風(fēng)險，該模型綜合考慮了銀行規(guī)模、違約概率和關(guān)聯(lián)性大小。他們研究發(fā)現(xiàn)：在歐洲債務(wù)危機期間，主權(quán)債務(wù)違約的擴散增加了歐洲銀行體系的系統(tǒng)性風(fēng)險，并且意大利銀行和西班牙銀行在歐洲銀行體系中系統(tǒng)性風(fēng)險貢獻度顯著上升［18］。國內(nèi)學(xué)者，鄭振龍等（2014）利用中國股票市場和債券市場的數(shù)據(jù)，研究了平均相關(guān)系數(shù)與系統(tǒng)性風(fēng)險的關(guān)系，發(fā)現(xiàn)債券市場與股票市場的平均相關(guān)系數(shù)衡量了系統(tǒng)性風(fēng)險［19］。張蕊等（2015）運用EVTGARCH-CoVaR模型，利用股票市場數(shù)據(jù)，對極端市場條件下單個金融機構(gòu)對中國金融體系系統(tǒng)性風(fēng)險的貢獻及其隨時間變動的趨勢進行了動態(tài)測算［20］。李志輝等（2016）運用優(yōu)化后的SCCA方法以我國10家上市銀行為樣本研究了我國銀行業(yè)的系統(tǒng)性風(fēng)險，認為“單個銀行的邊際預(yù)期損失分布和不同銀行之間的風(fēng)險相依結(jié)構(gòu)具有時變性。如果忽視風(fēng)險相依結(jié)構(gòu)的變化，簡單地對系統(tǒng)內(nèi)所有機構(gòu)的損失進行加總，并以此作為系統(tǒng)性風(fēng)險的度量和監(jiān)測指標(biāo)，可能使決策者對風(fēng)險形勢出現(xiàn)誤判”［21］。

基于市場數(shù)據(jù)的系統(tǒng)性風(fēng)險測度方法有以下優(yōu)點：首先，市場價格的變化反映了市場對未來的預(yù)期，故采用市場數(shù)據(jù)具有前瞻性；其次，市場數(shù)據(jù)會及時發(fā)生變化，因此具有及時性；第三，市場數(shù)據(jù)相對于資產(chǎn)負債數(shù)據(jù)來說更容易獲得。因此，近年來，基于市場數(shù)據(jù)的系統(tǒng)性風(fēng)險測度方法受到了學(xué)者和監(jiān)管當(dāng)局的青睞。

本文采用基于市場數(shù)據(jù)的方法來測度我國商業(yè)銀行系統(tǒng)性風(fēng)險。對我國上市商業(yè)銀行的股票收益率數(shù)據(jù)，運用主成分分析法來提取銀行股票收益受某幾個因素影響的程度大?。淬y行之間關(guān)聯(lián)緊密程度的大小），從而測度銀行系統(tǒng)性風(fēng)險的大小。

2 模型與數(shù)據(jù)

主成分分析是一種多元統(tǒng)計方法，它可用來分析變量之間相關(guān)性的大小。主成分分析的目的是運用少數(shù)幾個主成分來解釋多個變量的內(nèi)部結(jié)構(gòu)，也即是，從初始的多個變量中導(dǎo)出少數(shù)幾個主成分，讓這少數(shù)幾個主成分盡量多地保留原始變量的信息，并且這幾個主成分互不相關(guān)（張文彤，2004）［22］。主成分的概念由Karl Pearson于1901年提出，以后經(jīng)眾多學(xué)者的發(fā)展逐步完善。自20世紀(jì)中期以來，得益于計算機技術(shù)的發(fā)展，主成分分析在眾多領(lǐng)域得到了廣泛應(yīng)用。

人們運用主成分分析的目的是：對原始數(shù)據(jù)進行壓縮。在科學(xué)研究中，為研究事物之間的關(guān)系，人們需要觀察、收集多個變量的數(shù)據(jù)。雖然這些數(shù)據(jù)攜帶了反映事物之間關(guān)系的信息，但由于變量很多，給數(shù)據(jù)分析帶來了不少困難；另外，這些變量之間也許存在較強的相關(guān)性，變量的觀測數(shù)據(jù)所攜帶的信息，可能有一部分是重復(fù)的。主成分分析就是要在盡可能少損失原有信息的情況下，將原始的多個變量濃縮為少數(shù)幾個主成分，這幾個主成分能夠高度涵蓋原始數(shù)據(jù)中的信息，從而達到既減少了變量個數(shù)，同時又能夠再現(xiàn)事物之間關(guān)系的目的。

假設(shè)初始變量的個數(shù)為p，每個變量觀測值的個數(shù)為n。主成分分析所運用的方法是將初始p個變量的線性組合作為新的綜合指標(biāo)，即主成分。如果將選取的第一個線性組合即第一個主成分記為F1，則F1中能反映的初始變量的信息越多越好。包含的“信息”的多少怎么度量呢？最經(jīng)典的方法是用F1的方差Var（F1）來度量，方差Var（F1）越大則表示F1所包含的初始變量的信息越多。因此，在全部的線性組合中，第1個主成分的方差應(yīng)該是最大的。如果研究者認為第1個主成分所涵蓋初始變量的信息不夠，則可以考慮選取第2個線性組合F2，即第2個主成分。依此類推，可視情況決定是否選取第3個、第4個、……主成分。選取的這些主成分方差是遞減的，并且它們之間互不相關(guān)。在實際研究中，一般只需要選取前面幾個最大的主成分就夠了。雖然主成分分析損失了少量信息，但減少了變量的數(shù)量，也即是抓住了研究問題的主要矛盾，有利于對問題的分析和處理。

假設(shè)初始變量的個數(shù)為p，每個變量觀測值的個數(shù)為n，初始數(shù)據(jù)矩陣為：X=（X1，X2，…Xp），令∑為協(xié)方差矩陣，令協(xié)方差矩陣的特征根值為λ1≥λ2≥…≥λp，所以有Var（F1）≥Var（F2）≥…≥Var（Fp）≥0，向量l1，l2，…lp為相應(yīng)的單位特征向量，則X的第i個主成分可以表示為：

由于協(xié)方差矩陣往往是未知的，我們可以用其估計值S（即樣本協(xié)方差矩陣）來代替它。另外，由于數(shù)據(jù)的量綱可能不同，因此在計算前一般要將初始數(shù)據(jù)標(biāo)準(zhǔn)化來消除量綱的影響，此時：

根據(jù)上式可以計算出相關(guān)矩陣，從而得到特征值并進行主成分分析。對于含有n個變量的數(shù)據(jù)，原則上可以提取出主成分的最多個數(shù)為n個，但如果將它們?nèi)刻崛〕鰜韯t失去了主成分分析簡化數(shù)據(jù)的意義了。通常的做法是根據(jù)貢獻率的大小提取前k個主成分，多數(shù)情況下提取出前2-3個主成分已包含了原始數(shù)據(jù)80%以上的信息，其余的則可以忽略不計。

主成分分析可用來研究銀行系統(tǒng)性金融風(fēng)險大小。一般來說，當(dāng)銀行收益之間的相關(guān)性增大時，銀行系統(tǒng)性風(fēng)險隨之增大。因為，銀行收益之間的相關(guān)性越大，意味著銀行之間的關(guān)聯(lián)越緊密。在不利沖擊發(fā)生時，銀行系統(tǒng)遭受全面損失的可能性也就越大。但直接用銀行收益之間的相關(guān)系數(shù)來測度系統(tǒng)性風(fēng)險有其局限性，特別是相關(guān)系數(shù)只能反映銀行收益兩兩之間的關(guān)系，不能反映銀行整體的關(guān)聯(lián)程度，從而也就不能反映不利沖擊對整個銀行體系收益的全面影響。而主成分分析法，能夠提取出對銀行系統(tǒng)整體收益產(chǎn)生影響的背后因素，即主成分（一個主成分可能代表利率、匯率或其它，也可能是它們其中幾個的組合）。少數(shù)幾個主成分能解釋的銀行整體收益變動的比例越大，則意味著銀行之間的關(guān)聯(lián)越緊密。這樣，當(dāng)不利沖擊發(fā)生時，不利沖擊在銀行之間的傳染會更快更廣泛，少數(shù)幾家銀行遭受損失，會引起銀行系統(tǒng)遭受全面損失，因此銀行系統(tǒng)性風(fēng)險越高。

本文用提取率（the rate of extraction）作為測度商業(yè)銀行之間關(guān)聯(lián)緊密程度（即系統(tǒng)性風(fēng)險）的指標(biāo)。我們將提取率定義為：

上式中，ROEt表示t時期的提取率，n表示提取的主成分的個數(shù)，N表示商業(yè)銀行的數(shù)量，σ2Ei表示第i個主成分的方差，σ2Aj表示第j個商業(yè)銀行收益率的方差。提取率衡量了銀行收益率變動中能被提取的幾個主成分解釋的比例。

一個高的提取率，意味著少數(shù)幾個因素（主成分）可以解釋商業(yè)銀行體系大部分收益率的變動，這幾個因素對商業(yè)銀行存在普遍影響，商業(yè)銀行之間關(guān)聯(lián)的緊密程度高，金融風(fēng)險在商業(yè)銀行之間的傳染會更快更廣泛，因此系統(tǒng)性風(fēng)險較高。但需要指出的是，高提取率不一定意味著商業(yè)銀行的普遍虧損和銀行危機的爆發(fā)；高提取率只意味著，如果有不利沖擊發(fā)生，由于商業(yè)銀行之間的關(guān)聯(lián)程度高，風(fēng)險的擴散會更快更廣泛，一家銀行的虧損或倒閉會導(dǎo)致其他銀行大面積虧損或倒閉。

本文采用我國上市銀行的股票收益率數(shù)據(jù)來分析我國商業(yè)銀行系統(tǒng)性風(fēng)險，數(shù)據(jù)來源于銳思金融研究數(shù)據(jù)庫。截止2016年，我國上市銀行共有16家。這16家銀行中，2006年以前上市的僅有5家，2006年至2007年上市的有9家，2010年上市的有2家（光大銀行和中國農(nóng)業(yè)銀行）。如果數(shù)據(jù)從2006年以前開始選取，銀行家數(shù)太少，缺乏代表性；如從2010年開始選取，數(shù)據(jù)期限又太短。故本文數(shù)據(jù)的選取從2007年9月開始，至2016年6月為止，共選取除光大銀行和中國農(nóng)業(yè)銀行以外的14家上市銀行的股票日收益率作為研究對象。

3 實證結(jié)果分析

主成分分析，要求觀測值的個數(shù)不少于變量的個數(shù)。本文選取的銀行數(shù)量為14家，進行主成分分析時以20個交易日作為一期。有些交易日，某些銀行日收益率數(shù)據(jù)為空值，本文研究時剔除這些交易日。不同的時期，收益率有空值的天數(shù)不一樣，如2008年剔除空值后剩下224個交易日，而2010年剔除空值后只剩下125個交易日。剔除空值后，本文選取從2007年9月至2016年6月的1 800個有效交易日進行研究，每20個有效交易日為一組進行主成分分析，一共進行90組主成分分析。

本文用Stata12.0軟件進行主成分分析。圖1顯示了分別選取一個、兩個、三個主成分時能解釋的銀行股票收益率變動的比例。

圖1 ：主成分解釋股票收益率變動的比例

從圖1可以看出，基于本文的數(shù)據(jù)，選取一個主成分就能解釋大部分銀行股票收益率的變動。在某些時期，一個主成分甚至能解釋90%以上的銀行股票收益率變動，這說明某一因素就能對銀行整體收益產(chǎn)生大的影響，銀行之間的關(guān)聯(lián)緊密。經(jīng)計算，在整個樣本研究期間，選取一個、兩個、三個主成分平均能解釋銀行股票收益率變動的比例分別為79.4%、86.5%、90.5%。用主成分分析法時，一般要求選取的主成分能解釋原始變量變動的80%以上，故本文在下面的研究中選取兩個主成分。

圖1中橫坐標(biāo)相鄰兩個刻度之間均對應(yīng)剔除空值后的200個交易日，但由于不同時期空值數(shù)量不一樣，故相鄰兩個刻度之間對應(yīng)的自然日期天數(shù)并不相等（圖2也是如此）。

圖2顯示了樣本期間的提取率和銀行股票收益率之間的關(guān)系。左邊縱軸度量用公式（3）計算的提取率，右邊縱軸度量14家銀行股票的平均收益率。從圖2可以看出，股票收益率最低的三個時期，分別是2008年底至2009年初、2013年下半年和2015年上半年。這三個時期，也是提取率高的時期，并且提取率的上升先于股票收益率的下降。在提取率相對較高的2010和2011年，銀行股票的收益率也很高。結(jié)合我國當(dāng)時的經(jīng)濟背景分析，以上三個時期我國商業(yè)銀行股票收益率下降的原因主要是：2008年底至2009年初，受美國金融危機影響，我國商業(yè)銀行遭受較大損失，銀行股票收益率大幅度下降。2013年我國宏觀經(jīng)增長動力不足，經(jīng)濟部門負債率高企，受此影響，銀行部門利潤受到很大影響。2015年，受實體經(jīng)濟產(chǎn)能過剩突出、經(jīng)濟下行壓力增大影響，銀行部門利潤下降，系統(tǒng)性風(fēng)險顯著加大。

圖2 ：提取率與股票收益率之間的關(guān)系

以上實證結(jié)果表明，提取率是測度銀行系統(tǒng)性風(fēng)險的一個很好指標(biāo)，在銀行股票收益率下降之前，提取率往往會上升。然而，需要再次強調(diào)的是，高收益率不一定意味著銀行系統(tǒng)的全面虧損或危機的爆發(fā)，但反過來，即銀行危機爆發(fā)之前提取率很高是正確的。

4 研究結(jié)論

準(zhǔn)確及時地測度銀行體系的系統(tǒng)性風(fēng)險是防范風(fēng)險在銀行間傳染、保證銀行體系高效穩(wěn)健運行的前提。本文采用我國14家上市銀行的股票日收益率數(shù)據(jù)，運用基于主成分分析法的提取率指標(biāo)，對我國商業(yè)銀行系統(tǒng)性風(fēng)險進行了實證分析。提取率定義為少數(shù)幾個主成分能解釋的銀行股票收益率變動的比例。一個高的提取率意味著銀行之間聯(lián)系緊密，少數(shù)因素會對銀行體系收益產(chǎn)生普遍影響，銀行系統(tǒng)性風(fēng)險大。相反，一個低的提取率意味著銀行體系之間的聯(lián)系松散，少數(shù)因素不會對銀行體系收益產(chǎn)生普遍影響，銀行系統(tǒng)性風(fēng)險小。

本文研究發(fā)現(xiàn)，在樣本期間的2007年9月至2016年6月，14家上市銀行股票收益率最低的三個時期（2008年底至2009年初、2013年下半年和2015年上半年）對應(yīng)的提取率都很高，并且提取率的上升先于股票收益率的下降。在提取率高的2010年和2011年，銀行系統(tǒng)股票收益率也高。以上結(jié)果表明，高提取率意味著銀行之間聯(lián)系緊密、系統(tǒng)性風(fēng)險高，銀行危機爆發(fā)的可能性增加。但高提取率并不意味著一定會爆發(fā)銀行危機，高提取率加上不利沖擊才會導(dǎo)致銀行危機的爆發(fā)，也即是，高提取率是銀行危機爆發(fā)的一個必要但并非充分條件。

本文的研究結(jié)果表明，提取率可作為我國監(jiān)管當(dāng)局監(jiān)測銀行系統(tǒng)性風(fēng)險的一個很好的指標(biāo)。本文所運用的研究方法的另一個優(yōu)點是使用股票市場數(shù)據(jù)，時效性強。金融監(jiān)管當(dāng)局可以通過對提取率的測度來及時監(jiān)控銀行系統(tǒng)性風(fēng)險的變動狀況，在系統(tǒng)性風(fēng)險上升時可以及時采取相關(guān)措施防范銀行危機的爆發(fā)。

［1］Bernanke，B.Implementing a Macroprudential Approach to Supervision and Regulation.47th Annual Conference on Bank Structure and Competition，Chicago，2011.

［2］De Bandt，Hartmann，P.Systemic Risk：a Survey［R］.European Central Bank Working paper No.35，2000.

［3］Monica Billio，Mila Getmansky，Andrew W.Lo，Loriana Pelizzon.Econometrica Measures of Connectedness and Systemic Risk in the Finance and Insurance Sectors［J］.Journal of Financial Economics，2012，（104）：535-559.

［4］International Monetary Fund.Global Financial Stability Report：Responding to the Financial Crisis and Measuring Systemic Risks［R］.April 2009.www.imf.org

［5］Furfine C.Interbank Exposures：Quantifying the Risk of Contagion［J］.Journal of Money Credit and Banking，2003（35）：111-128.

［6］Well S.Financial Interlinkages in the United Kingdom’s Interbank market and the Risk ofContagion.2011-01-05.http：//ideas.repec.org/p/boe/ boeewp/230.htm l

［7］Lehar A.Measuring Systemic Risk：a Risk Management Approach［J］.Journal of Bank and Finance，2003（10）：2577-2603.

［8］Billio，M.，Getmansky，M.，Lo，M.，and Pelizzon，L.Econometric Measures of Connectedness and Systemic Risk in the Finance and Insurance Sectors［J］.Journal of Financial Economics，2012 104（3）：535-559.

［9］Brunner Meier，Markus K.and Martin Oehmke.Bubbles，F(xiàn)inancial Crises，and Systemic Risk［M］.In Handbook of the Economics of Finance（George M.Constantinides，Milton Harris，and Rene M.Stulz，eds.），2012，（2），North Holland.

［10］Battiston Stefano，Domenico Delli Gatti，Mauro Gallegati，Bruce Greenwald，and Joseph E.Stiglitz.Liaisons Dangereuses：Increasing Connectivity，Risk Sharing，and Systemic Risk［J］.Journal of Economic Dynamics and Control，2012（36）：1121-1141.

［11］Antonio Cabrales，Piero Gottardi，F(xiàn)ernando Vega-Redondo.Risk-Sharing and Contagion in Networks［R］.CESifo Working Paper Series No.4715，March 16，2014：1-71.

［12］范小云，王道平，方意.我國金融機構(gòu)的系統(tǒng)性風(fēng)險貢獻測度與監(jiān)管：基于邊際風(fēng)險貢獻與杠桿率的研究［J］.南開經(jīng)濟研究，2011（4）：3-20.

［13］劉紅忠，趙玉潔，周冬華.公允價值會計能否放大銀行體系的系統(tǒng)性風(fēng)險［J］.金融研究，2011（4）：82-99.

［14］歐陽紅兵，劉曉東.中國金融機構(gòu)的系統(tǒng)重要性及系統(tǒng)性風(fēng)險傳染機制分析：基于復(fù)雜網(wǎng)絡(luò)的視角［J］.中國管理科學(xué)，2015（10）：30-37.

［15］Girardi Giulio，Tolga Ergün，A.Systemic Risk Measurement：Multivariate GARCH Estimation of CoVaR［J］.Journal of Banking and Finance，2013（37）：3169-3180

［16］Hua Chen，J.David Cummins，Krupa S.Viswanathan，Mary A.Weiss.Systemic Risk?and the Interconnectedness Between Banks and Insurers：An Econometric Analysis［J］.Journal of Risk and Insurance，2014（3）：623-652.

［17］Acemoglu Daron，Ozdaglar Asuman，Tahbaz-Salehi Alireza.Systemic Risk and Stability in Financial Networks［J］.The American Economic Review，2015（2）：564-608.

［18］Lamont Black，Ricardo Correa，Xin Huang，and Hao Zhou.The Systemic Risk of European Banks during the Financial and Sovereign Debt Crises［J］.Journal of Banking and Finance，2016（63）：107-125.

［19］鄭振龍，王為寧，劉楊樹.平均相關(guān)系數(shù)與系統(tǒng)性風(fēng)險：來自中國市場的證據(jù)［J］.經(jīng)濟學(xué)（季刊），2014（3）：1047-1064.

［20］張蕊，賀曉宇，戚逸康.極端市場條件下我國金融體系系統(tǒng)性風(fēng)險度量［J］.統(tǒng)計研究，2015（09）：30-38.

［21］李志輝，李源，李政.中國銀行業(yè)系統(tǒng)性風(fēng)險監(jiān)測研究：基于SCCA技術(shù)的實現(xiàn)與優(yōu)化［J］.金融研究，2016（03）：92-106.

［22］張文彤.SPSS統(tǒng)計分析高級教程［M］.高等教育出版社，2004：213-233.

責(zé)任編輯 許巍

10.14180/j.cnki.1004-0544.2017.02.020

F830.22

A

1004-0544（2017）02-0111-06

張遠為（1971－），男，湖北大冶人，經(jīng)濟學(xué)博士，湖北經(jīng)濟學(xué)院金融學(xué)院副教授；嚴(yán)飛（1970－），男，湖北武漢人，經(jīng)濟學(xué)博士，湖北經(jīng)濟學(xué)院經(jīng)濟學(xué)系教授。

湖北金融發(fā)展與金融安全研究中心課題基金項目（2016Y003）；湖北省教育廳科學(xué)研究計劃項目（B2016145）。