王培輝，袁 薇

(河北大學(xué)經(jīng)濟學(xué)院，河北 保定 071002)

我國金融機構(gòu)系統(tǒng)性風(fēng)險動態(tài)監(jiān)測
——基于CCA和動態(tài)因子copula模型的研究

王培輝，袁 薇

(河北大學(xué)經(jīng)濟學(xué)院，河北 保定 071002)

本文結(jié)合未定權(quán)益分析法和動態(tài)因子copula模型研究了2008年1月至2016年3月我國金融機構(gòu)系統(tǒng)性風(fēng)險。研究結(jié)果表明：(1)基于未定權(quán)益分析法計算的信用價差指標(biāo)較好地揭示了單一金融機構(gòu)違約風(fēng)險動態(tài)變化，次貸危機期間較高，2015年以來再次升高，具體來看，證券公司最高，保險公司和信托公司居中，銀行最低。(2)基于動態(tài)因子copula模型計算的系統(tǒng)性風(fēng)險指標(biāo)較好地反映了我國金融機構(gòu)系統(tǒng)性風(fēng)險演進，2009年下半年至2014年底系統(tǒng)性風(fēng)險較高，樣本期間內(nèi)金融機構(gòu)在系統(tǒng)重要性上沒有顯著差異。比較發(fā)現(xiàn)單一金融機構(gòu)違約風(fēng)險較高，并不意味著系統(tǒng)性風(fēng)險高，這取決于金融機構(gòu)間相依結(jié)構(gòu)。因此，加強金融機構(gòu)宏觀審慎監(jiān)管時，應(yīng)關(guān)注金融機構(gòu)間相依結(jié)構(gòu)動態(tài)變化。

系統(tǒng)性風(fēng)險；未定權(quán)益分析法；動態(tài)因子copula模型

一、引 言

自2007年次貸危機爆發(fā)以來，金融機構(gòu)穩(wěn)定性和系統(tǒng)性風(fēng)險監(jiān)測已經(jīng)成為各國中央銀行的一項關(guān)鍵任務(wù)，并發(fā)展成為各國貨幣政策目標(biāo)。次貸危機的一個突出特點是之前獨立運動的金融資產(chǎn)，危機期間突然同時波動變化，金融資產(chǎn)間相依結(jié)構(gòu)發(fā)生變化，協(xié)動性明顯增強。危機后新的審慎監(jiān)管更加關(guān)注金融資產(chǎn)協(xié)動性帶來的系統(tǒng)性風(fēng)險。這需要描述金融資產(chǎn)收益率的聯(lián)合分布，以估計它們之間的相依結(jié)構(gòu)，然而在現(xiàn)代金融時間序列分析中，多元變量聯(lián)合分布建模仍然是一大挑戰(zhàn)。當(dāng)金融資產(chǎn)數(shù)量增加時，這一任務(wù)變得更加困難。在學(xué)術(shù)界和實踐領(lǐng)域常用的處理方法是使用多元正態(tài)分布，但該類模型存在明顯的缺陷，多元正態(tài)分布不能擬合金融時間序列的尖峰、厚尾和非對稱相依結(jié)構(gòu)等特征。另一方面，經(jīng)濟金融因素及其對系統(tǒng)性風(fēng)險的影響是隨著時間推移而不斷發(fā)展的。例如，金融市場流動性、公司違約風(fēng)險、經(jīng)濟政策有效性等都隨時間和經(jīng)濟狀態(tài)不同而不同，這些都會對金融資產(chǎn)相依關(guān)系產(chǎn)生影響。不考慮這些潛在影響可能會對金融資產(chǎn)相依關(guān)系判斷不準確，給出錯誤的政策建議。

次貸危機后學(xué)者提出一些新的研究方法，通過降維來估計系統(tǒng)性風(fēng)險，如CoVaR[1]、MES[2]等方法。這些方法通過單一資產(chǎn)與市場指數(shù)關(guān)系進行測算，可能會遺漏系統(tǒng)性風(fēng)險的有用信息，如一個公司可能會對數(shù)家公司產(chǎn)生影響，但不會對這個市場指數(shù)造成影響，因而這類方法優(yōu)勢有限。Oh和Patton(2016)[3]、Creal和Tsay(2015)[4]、Lucas et al.(2016)[5]等提出的動態(tài)因子copula模型，適用于研究多元時間序列動態(tài)相依結(jié)構(gòu)變化，在復(fù)雜經(jīng)濟條件下評估金融機構(gòu)(或市場)穩(wěn)定性，監(jiān)控系統(tǒng)性風(fēng)險。

國內(nèi)對于金融機構(gòu)系統(tǒng)性風(fēng)險測度仍集中在單一機構(gòu)對整體的影響，缺乏對多機構(gòu)聯(lián)合的系統(tǒng)性風(fēng)險研究。隨著我國金融改革深化，金融市場一體化程度日益提高，加之金融機構(gòu)各類綜合型業(yè)務(wù)的開展，使得金融機構(gòu)間資產(chǎn)負債聯(lián)系緊密而復(fù)雜，金融資產(chǎn)間協(xié)動性加強，有必要監(jiān)測系統(tǒng)性風(fēng)險動態(tài)變化。本文把未定權(quán)益分析法和動態(tài)因子copula模型結(jié)合起來，測度我國金融機構(gòu)動態(tài)系統(tǒng)性風(fēng)險，為我國監(jiān)管機構(gòu)監(jiān)控系統(tǒng)性風(fēng)險提供可行參考。

二、文獻綜述

系統(tǒng)性風(fēng)險測度一直是金融學(xué)者關(guān)注和研究的重點內(nèi)容之一。次貸危機后，金融機構(gòu)系統(tǒng)性風(fēng)險監(jiān)測成為各國金融監(jiān)管當(dāng)局的迫切任務(wù)。學(xué)者提出多種系統(tǒng)性風(fēng)險測度方法，相關(guān)研究主要有以下兩個方面：

一是以測度單一金融機構(gòu)系統(tǒng)性風(fēng)險貢獻為出發(fā)點，具體研究方法包括兩大類：第一類是假定單一金融機構(gòu)陷入經(jīng)營困境，對其他金融機構(gòu)乃至金融部門的影響，主要有市場指標(biāo)法[6]、網(wǎng)絡(luò)模型法[7]、CoVaR方法[1]等；第二類是當(dāng)金融系統(tǒng)面臨危機時，哪些金融機構(gòu)更易受到影響，損失較大，主要有Shapley值[8]、MES[2]、SRISK[9]等。市場指標(biāo)法多為實踐中金融監(jiān)管部門使用，金融監(jiān)管部門可以獲得金融機構(gòu)定期披露的詳細信息，但限于信息收集整理時間較長，不利于金融機構(gòu)系統(tǒng)性風(fēng)險動態(tài)監(jiān)測和預(yù)警。網(wǎng)絡(luò)模型法面臨同樣的問題，該方法以金融機構(gòu)間往來交易數(shù)據(jù)為基礎(chǔ)，更難搜集，多以銀行間交易市場數(shù)據(jù)代替，且無法分析不同金融子行業(yè)間風(fēng)險傳導(dǎo)。CoVaR、Shapley值、MES和SRISK方法以金融機構(gòu)股價數(shù)據(jù)為基礎(chǔ)，時效性較好，便于對金融機構(gòu)系統(tǒng)性風(fēng)險實時跟蹤監(jiān)測。

總體而言，這兩類方法側(cè)重于分析單一金融機構(gòu)系統(tǒng)性風(fēng)險，識別系統(tǒng)重要性金融機構(gòu)，但不能分析金融機構(gòu)聯(lián)合違約帶來的系統(tǒng)性風(fēng)險，不適于整體金融部門系統(tǒng)性風(fēng)險監(jiān)測。

二是測度多個金融機構(gòu)聯(lián)合違約帶來的系統(tǒng)性風(fēng)險。該類研究主要有未定權(quán)益分析法和聯(lián)合違約概率分析法兩大研究方法。未定權(quán)益分析法(簡稱CCA模型)結(jié)合了股票價格和資產(chǎn)負債表信息，能獲得一系列具有前瞻性且易于計算的公司違約風(fēng)險指標(biāo)。學(xué)者通過建立國家或部門資產(chǎn)負債表，將CCA模型應(yīng)用于一國主權(quán)債務(wù)風(fēng)險、各宏觀部門風(fēng)險的測度；一些中央銀行也開始使用該模型測度金融部門違約風(fēng)險以及多家金融機構(gòu)違約可能帶來的風(fēng)險傳染，對本國銀行業(yè)和整個金融部門進行壓力測試，如Castren和Kavonius(2009)[10]、Saldías(2013)[11]、Harada et al.(2013)[12]等。Jobst和Gray(2013)提出了Systemic cca分析法，結(jié)合極值理論和多元copula產(chǎn)生一個多元極值分布，擬合金融機構(gòu)間相依結(jié)構(gòu)，捕捉金融系統(tǒng)聯(lián)合違約的整體預(yù)期損失，并用該方法衡量了美國金融體系的系統(tǒng)性風(fēng)險[13]。未定權(quán)益分析法已經(jīng)應(yīng)用于分析多家銀行、金融部門或主權(quán)債務(wù)系統(tǒng)性風(fēng)險，幫助監(jiān)管部門建立新的監(jiān)管框架，應(yīng)對不斷提升的系統(tǒng)性風(fēng)險。聯(lián)合違約概率分析法是由Segoviano和Goodhart(2009)[14]提出，研究使用當(dāng)一家金融機構(gòu)陷于經(jīng)營困境時，至少一家金融機構(gòu)也出現(xiàn)經(jīng)營困境的條件概率密度來衡量系統(tǒng)性風(fēng)險，將金融機構(gòu)系統(tǒng)性風(fēng)險測度由單一維擴展到多維。在此基礎(chǔ)上，Zhou(2010)[15]提出用一家特定金融機構(gòu)出現(xiàn)經(jīng)營危機時，系統(tǒng)中金融機構(gòu)陷于經(jīng)營危機的預(yù)期數(shù)量衡量系統(tǒng)性風(fēng)險，給出了系統(tǒng)影響指數(shù)和系統(tǒng)脆弱指數(shù)兩個系統(tǒng)性風(fēng)險衡量指標(biāo)。Peeters(2011)[16]使用金融機構(gòu)規(guī)模加權(quán)系統(tǒng)影響指數(shù)，構(gòu)建了系統(tǒng)加權(quán)損害指數(shù)。

這兩種方法均測度了金融系統(tǒng)多家金融機構(gòu)聯(lián)合違約帶來的系統(tǒng)性風(fēng)險，但在實踐應(yīng)用上仍存在一些問題。CCA分析法主要問題在于個體違約風(fēng)險指標(biāo)如何加總為系統(tǒng)性風(fēng)險指標(biāo)。目前已有的幾種方法為簡單算數(shù)平均加總、資產(chǎn)加權(quán)加總和協(xié)方差加總法。這些方法一定程度上反映了金融機構(gòu)系統(tǒng)性違約風(fēng)險，但忽略了金融機構(gòu)間非線性相依結(jié)構(gòu)。Systemic cca分析法使用了非線性相依結(jié)構(gòu)，但模型假定任意兩變量間相依結(jié)構(gòu)相同且不隨時間變化，這顯然與現(xiàn)實不符。聯(lián)合違約概率方法面臨同樣問題，在計算金融機構(gòu)系統(tǒng)性風(fēng)險指標(biāo)時需要估計變量聯(lián)合概率發(fā)布，當(dāng)金融機構(gòu)數(shù)量較多時，固定相依結(jié)構(gòu)假定使得計算結(jié)果出現(xiàn)偏差。Oh和Patton(2016)[3]、Lucas et al.(2016)[5]等提出了時變參數(shù)的動態(tài)因子copula模型，能較好地描述多變量間相依結(jié)構(gòu)的動態(tài)變化。本文將CCA模型和動態(tài)因子copula模型結(jié)合起來，參考聯(lián)合違約概率方法的系統(tǒng)性風(fēng)險指標(biāo)，分析我國金融機構(gòu)聯(lián)合違約風(fēng)險，為系統(tǒng)性風(fēng)險動態(tài)監(jiān)測提供可行指標(biāo)。

三、研究設(shè)計

(一)未定權(quán)益分析法與信用價差計算

未定權(quán)益分析法假定資產(chǎn)市場價值隨機波動，并服從幾何布朗運動，具體形式如下：

dAt=μAAtdt+σAAtdWt

(1)

上式中μA為漂移率或資產(chǎn)收益率；σA為資產(chǎn)收益率的標(biāo)準差。由伊藤引理可知，At服從對數(shù)正態(tài)分布。

(2)

公司股權(quán)價值可以看作是以資產(chǎn)市場價值為標(biāo)的，以公司負債為執(zhí)行價格的歐式看漲期權(quán)。給定到期時間T，在風(fēng)險中性假定下，估計模型時采用同期無風(fēng)險收益率r代替資產(chǎn)收益率μA，由期權(quán)定價公式可得：

Et=AtNd1-De-rT-tNd2

(3)

同時，資產(chǎn)市場價值波動率與股權(quán)價值波動率存在如下關(guān)系：

(4)

聯(lián)立式(3)和式(4)，優(yōu)化迭代求解可得At和σA。公司信用風(fēng)險價值相當(dāng)于一個以公司資產(chǎn)市場價值為標(biāo)的，到期債務(wù)額為執(zhí)行價格，到期期限為T-t的歐式看跌期權(quán)。如果債權(quán)人購買了這樣一個期權(quán)，那么就可以消除公司違約的信用風(fēng)險。看跌期權(quán)價值可以看作是消除公司債權(quán)違約的信用風(fēng)險成本。進一步的，風(fēng)險負債價值等于到期債務(wù)額的現(xiàn)值減去信用風(fēng)險成本。

Dt=De-rT-t-Pt

(5)

在風(fēng)險中性假定下，根據(jù)B-S期權(quán)定價公式，可得每個公司信用風(fēng)險成本為：

Pt=De-rT-tN-d2-AtN-d1

(6)

假定債務(wù)到期收益率為y，滿足y?r。

(7)

信用價差s=y-r代表債權(quán)人所承擔(dān)違約風(fēng)險的補償。代入(5)、(6)和(7)可得：

(8)

由上式可計算出公司信用價差，為監(jiān)測金融機構(gòu)違約風(fēng)險提供了一個明確且易于處理的預(yù)警指標(biāo)。

(二)動態(tài)因子copula模型

金融機構(gòu)違約風(fēng)險存在明顯的動態(tài)相關(guān)性，基于未定權(quán)益分析法計算的信用價差是衡量單個金融機構(gòu)違約風(fēng)險的指標(biāo)，不能反映多個金融機構(gòu)聯(lián)合違約風(fēng)險狀況，不利于監(jiān)管部門監(jiān)控金融機構(gòu)系統(tǒng)性風(fēng)險。使用動態(tài)因子copula作為連接函數(shù)，擬合金融機構(gòu)信用價差間動態(tài)相依結(jié)構(gòu)，構(gòu)建系統(tǒng)性風(fēng)險度量指標(biāo)，可以有效解決這一難題。

構(gòu)建高維變量相依結(jié)構(gòu)模型的一個關(guān)鍵問題是降維。學(xué)者們提出了一種靈活的因子copula建?？蚣?。結(jié)合本文研究內(nèi)容，考慮如下因子copula模型：

uit=Fxitθ,i=1,2,…,nt=1,2,…,T

xit=λitγλzt+εit,i=1,2,…,n

(9)

z～FZγzεi～iidFεγε

其中，F(xiàn)xitθ為xit的邊際分布函數(shù)；zt為變量xit的共同因子；λitγλ為共同因子zt潛在的時變權(quán)重；FZγz和Fεγε分別是共同因素和異質(zhì)因素的單變量分布函數(shù)，本文假定FZγz函數(shù)形式為Skew-tνz,φz，F(xiàn)εγε函數(shù)形式為tνε。γλ,γZ,γε為所需要估計的copula參數(shù)集。

動態(tài)模型的一個關(guān)鍵特征是參數(shù)如何隨時間變化的。學(xué)者們針對copula模型提出了多種參數(shù)動態(tài)化方法，GAS模型在應(yīng)用于高維動態(tài)copula建模時更有優(yōu)勢，它是一種純粹基于數(shù)據(jù)本身驅(qū)動的時變參數(shù)建模方法，一定程度上避免了設(shè)定時變參數(shù)動態(tài)過程的主觀性，該方法的詳細討論參見Creal et al.(2013)[17]。這種時變參數(shù)建模方法能較好地適應(yīng)尖峰厚尾型多元變量聯(lián)合分布概率密度函數(shù)，提高了動態(tài)波動性和相關(guān)性估計的穩(wěn)定性。因此，本文使用GAS方法描述模型動態(tài)特征，動態(tài)參數(shù)的GAS模型具體形式如下：

logλi,t=ωi+βlogλi,t-1+αsi,t-1,i=1,2,…,n

(10)

上述動態(tài)因子copula模型沒有具體解析表達式，因此也無法求得該copula模型似然函數(shù)解析表達式，只能通過數(shù)值方法來解決這一問題。本文使用基于數(shù)值逼近的似然函數(shù)值最大化方法，估計動態(tài)因子copula模型參數(shù)值。

(三)系統(tǒng)性風(fēng)險指標(biāo)

系統(tǒng)性風(fēng)險可以定義為大量公司或機構(gòu)處于經(jīng)營困境的風(fēng)險。當(dāng)其他金融機構(gòu)處于經(jīng)營壓力之下時，一家金融機構(gòu)經(jīng)營出現(xiàn)問題，風(fēng)險看似可控，實際上卻不是這樣的。如果一家金融機構(gòu)處于經(jīng)營困境中，也許仍然可以獲得其他正常金融機構(gòu)的支持，但當(dāng)兩個、三個或更多金融機構(gòu)處于經(jīng)營困境時，情況會變得很糟糕，壞的結(jié)果一起發(fā)生會使問題變得更嚴重。本文借鑒相關(guān)研究，同時考慮金融機構(gòu)規(guī)模的影響，設(shè)計兩個指標(biāo)衡量金融機構(gòu)系統(tǒng)性風(fēng)險。

本文定義當(dāng)金融機構(gòu)未來一季度信用價差高于某一門限值時，則金融機構(gòu)處于經(jīng)營危機中，具體如下：

Yi,t+60=Isi,t+60?c

(11)

其中，I{}為指示性函數(shù)，括號中為真，取值為1，否則取值為0。c為信用價差固定門限值，可根據(jù)研究需要設(shè)定。

指標(biāo)一是使用多家金融機構(gòu)同時出現(xiàn)經(jīng)營困境的概率衡量系統(tǒng)性風(fēng)險。聯(lián)合違約概率定義為：

(12)

其中，wi為根據(jù)金融機構(gòu)規(guī)模計算的權(quán)重；k為處于經(jīng)營困境的金融機構(gòu)數(shù)量。

指標(biāo)二是金融機構(gòu)i陷入經(jīng)營困境時，所有金融機構(gòu)中出現(xiàn)經(jīng)營危機的比例，稱為條件違約概率。定義為：

(13)

四、我國金融機構(gòu)動態(tài)系統(tǒng)性風(fēng)險測度

(一)數(shù)據(jù)選擇與說明

考慮到數(shù)據(jù)連續(xù)性及研究需要，本文選取在國內(nèi)A股上市的26家金融機構(gòu)，包括14家銀行、6家證券公司、3家保險公司、3家信托公司，涵蓋金融業(yè)四個子行業(yè)，研究使用日度數(shù)據(jù)。股權(quán)價值等于金融機構(gòu)總股本(流通A股+非流通股+H股)×當(dāng)日實際收盤價；采用向前復(fù)權(quán)股價計算股票收益率，并用GARCH(1,1)測算股權(quán)價值波動率；無風(fēng)險利率選用一年期中央銀行定期存款利率；債務(wù)違約閥值為短期負債+0.5×長期負債，由于金融機構(gòu)資產(chǎn)負債表季度公布，本文利用線性插值法轉(zhuǎn)換為日度數(shù)據(jù)。所有數(shù)據(jù)均來自于Wind資訊。

樣本考察期為2008年1月1日至2016年3月31日，包括了次貸危機爆發(fā)影響、財政四萬億投資計劃、歐債危機、地方政府債務(wù)問題、金融深化改革及經(jīng)濟增速下滑等一系列比較有影響的宏觀經(jīng)濟時期，有助于認識復(fù)雜宏觀經(jīng)濟環(huán)境背景對我國金融機構(gòu)系統(tǒng)性違約風(fēng)險的影響。

(二)我國金融機構(gòu)信用價差的動態(tài)特征

在分析金融機構(gòu)系統(tǒng)性風(fēng)險動態(tài)特征之前，首先分析單一金融機構(gòu)違約風(fēng)險，本文使用前文介紹的金融機構(gòu)信用價差這一指標(biāo)。金融機構(gòu)信用價差越大，說明其違約損失補償越高，違約風(fēng)險越大。將相關(guān)變量代入未定權(quán)益分析模型，使用MATLAB2012優(yōu)化求解可得金融機構(gòu)信用價差。整體來看，信用價差指標(biāo)能較好地捕捉到單一金融機構(gòu)違約風(fēng)險動態(tài)變化，反映出不同市場環(huán)境和宏觀經(jīng)濟背景對金融機構(gòu)違約風(fēng)險的影響。

表1列出了樣本期內(nèi)26家金融機構(gòu)信用價差序列描述性統(tǒng)計分析情況。由表1可以看出各金融機構(gòu)信用價差序列數(shù)值上表現(xiàn)出較大差異，均呈現(xiàn)出尖峰、右偏特征。從均值來看，證券業(yè)最高，達到0.227%，然后依次為保險業(yè)0.075%、信托業(yè)0.056%，銀行業(yè)最小為0.042%。進一步比較單個金融機構(gòu)信用價差發(fā)現(xiàn)，國有大型商業(yè)銀行信用價差要顯著低于股份制商業(yè)銀行和城市商業(yè)銀行，這與陳忠陽和劉志洋(2013)[18]研究一致。這主要是由于大型商業(yè)銀行的國有屬性，其背后有國家信用的支持。市場普遍預(yù)期當(dāng)國有大型商業(yè)銀行出現(xiàn)償付問題時，政府會進行救助，存在“大而不能倒”現(xiàn)象，這一預(yù)期已經(jīng)反映到了大型商業(yè)銀行信用價差中。此外，相比其他金融機構(gòu)，國有大型商業(yè)銀行資產(chǎn)規(guī)模大、業(yè)務(wù)范圍廣、風(fēng)險控制能力較強等優(yōu)勢，也使其違約風(fēng)險低于其他金融機構(gòu)。證券公司違約風(fēng)險要明顯高于其他金融機構(gòu)。這主要是因為證券公司收益更易受股市波動影響，樣本期內(nèi)幾次股市大跌使證券公司收益下降，違約風(fēng)險較高。

表1 金融機構(gòu)信用價差描述性統(tǒng)計分析

圖1給出了樣本考察期內(nèi)銀行業(yè)、信托業(yè)、保險業(yè)和證券業(yè)的信用價差動態(tài)變化。*限于篇幅，沒有給出各個金融機構(gòu)的信用價差時序圖。2008年次貸危機爆發(fā)以來，金融機構(gòu)違約風(fēng)險不斷攀升，至2008年第四季度達到峰值，之后開始回落。2010年第一季度小幅波動之后，基本維持在較低水平。直到2014年底信用價差水平再度提高，2015年一度超過次貸危機期間最高水平。可見，金融機構(gòu)信用價差易受到市場和經(jīng)濟因素影響，金融機構(gòu)違約風(fēng)險短期內(nèi)可能會劇烈變動。各金融機構(gòu)信用價差序列動態(tài)走勢高度一致，樣本期內(nèi)呈現(xiàn)出同升同降的變化，這說明金融機構(gòu)間違約風(fēng)險存在動態(tài)相關(guān)性，表現(xiàn)出較強協(xié)動性特征，有必要測度金融機構(gòu)聯(lián)合違約風(fēng)險，加強動態(tài)系統(tǒng)性風(fēng)險監(jiān)測。

圖1 金融機構(gòu)信用價差動態(tài)變化

圖2 金融機構(gòu)因子載荷動態(tài)變化

(三)動態(tài)因子copula模型估計

由于信用價差數(shù)據(jù)表現(xiàn)出明顯的尖峰和右偏特征，本文首先選用殘差服從Stewed-t分布的AR(1)—GARCH(1,1)模型擬合各序列邊際分布，然后將估計的標(biāo)準化殘差進行概率積分變換獲得uit，用于動態(tài)因子copula分析。表2給出了動態(tài)因子copula模型估計結(jié)果?？梢钥闯?，β參數(shù)為0.9197，說明模型時變參數(shù)具有較高的持久性。時變參數(shù)系數(shù)比較顯著，相比傳統(tǒng)靜態(tài)copula模型，動態(tài)因子copula模型具有更好的表現(xiàn)，較好地擬合了金融機構(gòu)間動態(tài)相依結(jié)構(gòu)演變。模型中因子載荷(λt)是序列相關(guān)結(jié)構(gòu)的標(biāo)準指標(biāo)，因子載荷越大，金融機構(gòu)間相關(guān)性越強[3]。

圖2給出了樣本期內(nèi)估計的因子載荷的動態(tài)變化。各金融子行業(yè)序列為同類金融機構(gòu)因子載荷的平均值。觀察圖2我們發(fā)現(xiàn)，金融機構(gòu)間相依結(jié)構(gòu)變動大體可分為三個階段：2008年1月至2009年12月為第一階段，2008年因子載荷相對穩(wěn)定，大部分集中在0.5～1之間，金融機構(gòu)相關(guān)性在0.2～0.5左右；2009年開始在波動中大幅提高到2以上。總體上這一階段金融機構(gòu)間相關(guān)關(guān)系由大到小依次為保險公司、銀行、證券公司和信托公司。2010年1月至2014年12月為第二階段，在此期間因子載荷一直維持在高水平波動，金融機構(gòu)間相依結(jié)構(gòu)發(fā)生明顯變化，金融機構(gòu)相關(guān)關(guān)系明顯提高，達到0.8以上，意味著一家金融機構(gòu)出現(xiàn)問題，至少還有20家金融機構(gòu)會同時陷入困境。銀行的因子載荷波動較小，且顯著小于其他三類公司；保險和證券公司波動較大，一度回落到1.5以下。這一階段相依關(guān)系依次為信托公司、保險公司、證券公司和銀行。2015年1月進入第三階段，金融機構(gòu)相關(guān)性下降，因子載荷降到2以下。證券和信托公司回落到2008年水平，并有進一步下降趨勢；銀行和保險公司仍然較高，銀行降幅最小。這一階段相關(guān)性變?yōu)殂y行最大，保險公司次之，信托和證券公司最小。

表2 動態(tài)因子copula模型參數(shù)估計結(jié)果

注：所有參數(shù)均在1%顯著性水平上顯著。

(四)時變系統(tǒng)性風(fēng)險測度

比較大的金融危機通常會導(dǎo)致經(jīng)濟蕭條或衰退。危機發(fā)生時，銀行和其他金融機構(gòu)破產(chǎn)會通過資產(chǎn)負債和流動性渠道觸發(fā)其他金融機構(gòu)倒閉，危及實體經(jīng)濟穩(wěn)定性。最近的金融危機表明傳統(tǒng)的微觀審慎監(jiān)管不能有效防范系統(tǒng)性風(fēng)險。上文研究也證實了金融機構(gòu)間相依結(jié)構(gòu)會隨經(jīng)濟環(huán)境變化而不斷變動，需要監(jiān)測系統(tǒng)性風(fēng)險動態(tài)變化。本文利用蒙特卡洛模擬法計算兩個系統(tǒng)性風(fēng)險指標(biāo)。設(shè)定信用價差99%分位數(shù)為違約門限值。在時刻t，基于估計的動態(tài)因子copula模型產(chǎn)生n組隨機變量uit，i=1,…,26t=1,…,n，n為測度周期。因為上市金融機構(gòu)財務(wù)數(shù)據(jù)季度披露一次，故假定n為60個交易日(約為一個季度)，以預(yù)測下一季度系統(tǒng)性風(fēng)險變動狀況。然后由邊際分布模型迭代求出金融機構(gòu)下一季度末的信用價差，進而計算出聯(lián)合違約風(fēng)險和條件違約概率。重復(fù)上述過程1000次，求期望值得模擬的系統(tǒng)性風(fēng)險。

圖3給出了k=2和k=5的聯(lián)合違約概率動態(tài)變化，即同時有2家或5家以上金融機構(gòu)陷入經(jīng)營困境的概率。我們發(fā)現(xiàn)k=2和k=5時金融機構(gòu)聯(lián)合違約概率走勢高度一致，k=2時聯(lián)合違約風(fēng)險略高于k=5時，說明金融機構(gòu)間協(xié)動性較強。下面以k=2時為例進行分析，2009年第二季度之前金融機構(gòu)聯(lián)合違約風(fēng)險幾乎為零，2009年第二季度直接升高到樣本期內(nèi)最大值0.711，這再次表明系統(tǒng)性風(fēng)險實時監(jiān)測的必要性。2009年下半年風(fēng)險概率略有下降但仍在0.68以上。2010年下降到0.6以下，直至2014年第三季度，除2013年第四季度有一個短暫下降外，其他時間均保持在0.5～0.6之間波動。2014年第四季度以來，聯(lián)合違約風(fēng)險大幅下降，違約概率回落到0.1以下。2016年有上升趨勢，但上升幅度較小。

圖4給出了條件違約概率動態(tài)變化?？梢钥闯鐾?lián)合違約風(fēng)險表現(xiàn)相似，2009年第二季度條件違約概率攀升至0.84以上，第三季度達到極值1，這表明任何一家金融機構(gòu)違約時，其他金融機構(gòu)也會一起違約。2009年底重新下降到0.85左右，一直維持到2014年第三季度。2014年底下降到0.1以下，之后2016年又有所上升超過0.7。當(dāng)一家金融機構(gòu)條件違約概率較低時，說明金融機構(gòu)間相關(guān)性較低。這家金融機構(gòu)經(jīng)營陷入困境不會導(dǎo)致其他金融機構(gòu)經(jīng)營出現(xiàn)問題。如果金融機構(gòu)條件違約概率高于其他金融機構(gòu)，說明其對于金融市場穩(wěn)定有較強影響力，是系統(tǒng)重要性金融機構(gòu)，在樣本期間內(nèi)，四類金融機構(gòu)表現(xiàn)差異不大，大部分時間段相差不超過2%，金融機構(gòu)間表現(xiàn)出較強相關(guān)性，與上文因子載荷分析結(jié)論相一致。

圖3 金融機構(gòu)聯(lián)合違約概率動態(tài)變化

圖4 金融機構(gòu)條件違約概率動態(tài)變化

綜合對比以上分析，我們發(fā)現(xiàn)2008年次貸危機爆發(fā)期間，單一金融機構(gòu)違約風(fēng)險顯著提高，這與現(xiàn)有研究一致；與二元模型(MES、CoVaR等)測度結(jié)果不同，次貸危機期間系統(tǒng)性風(fēng)險并不高，而是2009年下半年開始達到較高水平。二元模型僅考慮了單個金融機構(gòu)股價指數(shù)與市場指數(shù)關(guān)系，沒有涉及金融機構(gòu)間相依關(guān)系。本文使用的動態(tài)因子copula模型能擬合金融機構(gòu)間相依結(jié)構(gòu)，并且較好地描述了動態(tài)相依結(jié)構(gòu)的變化，對系統(tǒng)性風(fēng)險評估更準確可靠。次貸危機對我國影響主要有金融和貿(mào)易兩個渠道。我國金融機構(gòu)參與國際金融市場交易規(guī)模有限，次貸危機爆發(fā)主要是國內(nèi)投資者信心和市場預(yù)期受到?jīng)_擊，股市下跌造成金融機構(gòu)資產(chǎn)市場價值下降，進而單個金融機構(gòu)融資成本上升違約風(fēng)險較高。危機發(fā)生并未造成我國金融機構(gòu)資產(chǎn)大規(guī)模減記，金融渠道影響較快但影響有限。近年來，出口貿(mào)易是拉動經(jīng)濟增長的重要源動力之一。次貸危機發(fā)生導(dǎo)致我國出口負增長，不少企業(yè)因此陷入經(jīng)營困境，甚至破產(chǎn)跑路，這直接影響到金融機構(gòu)投資或貸款的收回，給金融機構(gòu)造成較大損失。這一渠道作用較慢，直到2009年才逐漸顯現(xiàn)，但影響較大，金融機構(gòu)受波及范圍較廣。因此，次貸危機后金融機構(gòu)間相關(guān)性大大提高，遠超過次貸危機期間水平。另一方面，為穩(wěn)定經(jīng)濟增長，2008年底政府推出了擴大內(nèi)需、促進經(jīng)濟增長的十項措施，預(yù)計到2010年底投資四萬億。各金融機構(gòu)紛紛通過影子銀行等方式為政府投資融通資金，這使得金融機構(gòu)間本已緊密的資產(chǎn)負債聯(lián)系更加錯綜復(fù)雜，協(xié)動性增強，出現(xiàn)“一榮俱榮、一損俱損”的局面。金融機構(gòu)被動成為一個整體，這一情況直到2014年底才有所緩解。從系統(tǒng)性風(fēng)險測度結(jié)果來看，2014年底以來，金融機構(gòu)系統(tǒng)性違約風(fēng)險回落，這主要緣于金融機構(gòu)相關(guān)性減弱而非其自身風(fēng)險的下降。政府在充分認識經(jīng)濟進入新常態(tài)階段后，實施“一帶一路”“供給側(cè)改革”等經(jīng)濟發(fā)展戰(zhàn)略，不斷深化金融體制改革，加強金融機構(gòu)違約風(fēng)險監(jiān)控，增強金融機構(gòu)抗風(fēng)險能力，2014年底以來多次下調(diào)法定存款準備金比率，釋放流動性。在一系列經(jīng)濟金融政策措施作用下，金融機構(gòu)相關(guān)性下降，雖然在金融監(jiān)管壓力下，單一金融機構(gòu)違約風(fēng)險有所提高，但金融業(yè)整體系統(tǒng)性風(fēng)險大大降低。

五、結(jié) 論

本文基于2008年1月1日至2016年3月31日股價和財務(wù)數(shù)據(jù)，運用未定權(quán)益分析法測度我國26家上市金融機構(gòu)的信用價差，并構(gòu)建動態(tài)因子copula模型估計金融機構(gòu)系統(tǒng)性風(fēng)險。研究發(fā)現(xiàn)信用價差變動較好地揭示了單個金融機構(gòu)違約風(fēng)險動態(tài)變化特征；相比二元變量模型，動態(tài)因子copula模型表現(xiàn)更好，描述了樣本期內(nèi)金融機構(gòu)間相依結(jié)構(gòu)變化。

從單一金融機構(gòu)違約風(fēng)險來看，次貸危機期間和2015年以來金融機構(gòu)個體違約風(fēng)險均大幅提高，遠超過其他時間段違約水平。從金融機構(gòu)系統(tǒng)性違約風(fēng)險來看，與單一金融機構(gòu)違約風(fēng)險相反，上述兩個時間段系統(tǒng)性違約風(fēng)險較小，不到0.1，而2009年下半年到2014年底，聯(lián)合違約風(fēng)險指標(biāo)一直在0.8以上，這主要是緣于這段時期金融機構(gòu)較高的相關(guān)性。這一發(fā)現(xiàn)與二元變量模型結(jié)果明顯不同，說明僅關(guān)注二元變量相依關(guān)系不足以反映金融業(yè)整體風(fēng)險狀況，必須加強對多家金融機構(gòu)間相依結(jié)構(gòu)變動的關(guān)注。正如前文所言，一家金融機構(gòu)違約對金融市場影響可能有限，但當(dāng)其他金融機構(gòu)與這家金融機構(gòu)協(xié)動性較強，也同時陷入困境時，將對金融市場造成嚴重影響，二元模型無法揭示這一點。本文分析認為由于我國金融機構(gòu)開放度較低，受次貸危機直接影響較小，主要問題來自于出口負增長帶來經(jīng)濟下滑，企業(yè)破產(chǎn)倒閉造成各種呆壞賬，這是2009年之后金融機構(gòu)相依關(guān)系變強、系統(tǒng)性風(fēng)險加大的主要原因。

從本文分析結(jié)果來看，各金融機構(gòu)違約風(fēng)險呈現(xiàn)較大差異，相比其他金融機構(gòu)，銀行違約風(fēng)險較低，但其相依關(guān)系波動較小，近期處于高點，需加強監(jiān)控。傳統(tǒng)微觀審慎監(jiān)管措施不能有效防范系統(tǒng)性風(fēng)險，單一金融機構(gòu)違約風(fēng)險低，系統(tǒng)性風(fēng)險不一定低，系統(tǒng)性風(fēng)險更多地依賴于金融機構(gòu)間相依結(jié)構(gòu)。從系統(tǒng)性重要機構(gòu)來看，由于相關(guān)性較高，條件違約概率測度結(jié)果沒有顯著差異，表明在一家金融機構(gòu)陷入困境時，其他金融機構(gòu)以一個較大的概率陷入經(jīng)營困境，沒有發(fā)現(xiàn)明顯的系統(tǒng)性重要機構(gòu)，或者說每個金融機構(gòu)都很重要。這意味著金融監(jiān)管部門僅關(guān)注系統(tǒng)性重要機構(gòu)仍然不足。因此，需要加強宏觀審慎監(jiān)管，關(guān)注金融機構(gòu)間相依結(jié)構(gòu)變化。

[1] Adrian，Tobias，Markus K. Brunnermeier.CoVaR[R].National Bureau of Economic Research，2011.

[2] Acharya, V.，R. F. Engle，M. Richardson.Capital Shortfall: A New Approach to Ranking and Regulating Systemic Risks[J]. American Economic Review，2012，102(3)，pp.59-64.

[3] Dong Hwan Oh，Patton A. J. Time-Varying Systemic Risk: Evidence from a Dynamic Copula Model of CDS Spreads[J].Journal of Business and Economic Statistics，2016，F(xiàn)orthcoming.

[4] Creal D. D.，Tsay R. S.High Dimensional Dynamic Stochastic Copula Models[J].Journal of Econometrics，2015，189(2)，pp.335-345.

[5] Lucas A.，Schwaab B.，Zhang X.Modeling Financial Sector Joint Tail Risk in the Euro Area[J].Journal of Applied Econometrics，2016，F(xiàn)orthcoming.

[6] Financial Stability Board.Policy Measures to Address Systemically Important Financial Institutions[R]. 2011.

[7] Mistrulli，Paolo Emilio.Assessing Financial Contagion in the Interbank Market: Maximum Entropy Versus Observed Interbank Lending Patterns[J].Journal of Banking and Finance，2011，35(5)，pp.1114-1127.

[8] Tarashev N.，Borio C.，Tsatsaronis K.The Systemic Importance of Financial Institutions[J].Bis Quarterly Review，2009，pp.75-87.

[9] Brownlees, T.C.，Engle, R.F.Volatility, Correlation and Tails for Systemic Risk Measurement [Z].NYU-Stern Working Paper，2012.

[10] Castren, O.，Kavonius, I. K. Balance Sheet Interlinkages and Macro-Financial Risk Analysis in the Euro Area[Z].ECB Working Paper，No.1124，2009.

[11] Saldías M.Systemic Risk Analysis Using Forward-looking Distance-to-Default Series [J].Journal of Financial Stability，2013，9(4)，pp.498-517.

[12] Harada K.，Ito T.，Takahashi S.Is the Distance to Default A Good Measure in Predicting Bank Failures? A Case Study of Japanese Major Banks[J].Japan & the World Economy，2013，27(4)， pp.70-82.

[13] Jobst A.，Gray D. F.Systemic Contingent Claims Analysis—Estimating Market-Implied Systemic Risk[Z].IMF Working Paper，No.13(54)，2013.

[14] Segoviano Basurto M.，Goodhart C.Banking Stability Measures[J].Journal of Information Processing，2009，23(2)，pp.202-209.

[15] Zhou C.Are Banks Too Big to Fail? Measuring Systemic Importance of Financial Institutions [J].International Journal of Central Banking，2010(12)，pp.205-250.

[16] Peeters，R.Quantifying Systemic Importance：An Extreme Value Approach[D].Master Thesis, Maastricht University，2011.

[17] Creal,D.D.，S.J. Koopman，A. Lucas.Generalized Autoregressive Score Models with Applications[J].Journal of Applied Econometrics，2013，28(5)，pp.777-795.

[18] 陳忠陽，劉志洋.國有大型商業(yè)銀行系統(tǒng)性風(fēng)險貢獻度真的高嗎？——來自中國上市商業(yè)銀行股票收益率的證據(jù)[J].財貿(mào)經(jīng)濟，2013，(9)：57-66.

DynamicMonitoringofSystematicRiskofChinaFinancialInstitutions——BasedonCCAandDynamicFactorCopulaModel

WANG Peihui，YUAN Wei

(School of Economics，Hebei University，Baoding 071002，China)

This paper uses contingent claim analysis and dynamic factor copula model to study the systematic risk of financial institutions from January 2008 to March 2016.The findings are as follows: (1) The credit spread reveals the dynamic changes of the single financial institution’s default risk, which was at a high level during the subprime crisis and has risen again since 2015. The risk was at its highest in securities companies, followed by insurance companies,and trust companies,and at its lwest in banks. (2) Simulation of the systematic risk index reflects the systematic risk of financial institutions. During the second half of 2009 to the end of 2014 the systematic risk was at its highest. It is found that the higher risk of default in a single financial institution does not mean that the systematic risk is high, which depends on the dependence structure of financial institutions. Therefore, when strengthening the macro prudential supervision, regulators should pay attention to the dynamic changes in the dependence structure.

Systematic Risk; Contingent Claim Analysis; Dynamic Factor Copula Model

2016-12-23

國家社科基金青年項目(14CJY073)

王培輝(1981-)，男，河北滄縣人，河北大學(xué)經(jīng)濟學(xué)院副教授；袁薇(1982-)，女，河北邯鄲人，河北大學(xué)經(jīng)濟學(xué)院講師。

F832

A

1004-4892(2017)12-0043-11

(責(zé)任編輯:原蘊)