胡穎毅 周嘉偉

一、引 言

現(xiàn)代金融體系已經(jīng)發(fā)展成相互交織的網(wǎng)絡(luò)，系統(tǒng)性風險的生成與傳播與網(wǎng)絡(luò)中各個組成部分之間的相互關(guān)聯(lián)性和關(guān)聯(lián)結(jié)構(gòu)緊密相關(guān)。然而，在2008 年金融危機前，較少研究涉及金融體系中各個行業(yè)(市場)之間的相互關(guān)聯(lián)性和關(guān)聯(lián)結(jié)構(gòu)，對系統(tǒng)性風險的度量和預(yù)警主要采用綜合指數(shù)法和早期預(yù)警系統(tǒng)。綜合指數(shù)法通過將多個指標合成為一個綜合指數(shù)以反映金融體系的系統(tǒng)性風險，其典型代表包括金融壓力指數(shù)(Financial Stress Index，F(xiàn)SI)、總體金融穩(wěn)定指數(shù)(Aggregate Financial Stability Index，AFSI)、金融穩(wěn)定條件指數(shù)(Financial Stability Conditional Index，F(xiàn)SCI)等(劉春航和朱元倩，2011；陶玲和朱迎，2016)。早期預(yù)警系統(tǒng)(Early Warning System，EWS)的功能是識別系統(tǒng)性風險，使政策制定者和監(jiān)管者有時間來阻止或者減緩潛在的金融危機的出現(xiàn)(Oet et al.，2013)。綜合指數(shù)法和早期預(yù)警系統(tǒng)的劣勢在于無法捕捉系統(tǒng)性風險的傳染效應(yīng)、負外部性以及系統(tǒng)關(guān)聯(lián)性，在應(yīng)用上具有局限性。網(wǎng)絡(luò)分析法和矩陣法可以從金融機構(gòu)風險傳染的角度對系統(tǒng)性風險進行研究(馬君潞等，2007；范小云等，2012；李政等，2016)。有學(xué)者指出這些方法存在雙邊風險敞口數(shù)據(jù)難以獲得、假定條件引起潛在估計誤差等問題。

2008年金融危機后，主流的相關(guān)研究視角在于評估金融系統(tǒng)性風險和單個機構(gòu)的系統(tǒng)性風險貢獻，而主要的研究方法則是測度金融機構(gòu)的違約相關(guān)性和市場風險的尾部依賴性。部分學(xué)者通過測度機構(gòu)之間的聯(lián)合違約概率和違約損失來度量整個金融體系的系統(tǒng)性風險和單個機構(gòu)的風險貢獻，其典型代表包括銀行系統(tǒng)多元密度(Banking System Multivariate Density，BSMD)、系統(tǒng)重要性指數(shù)(Systemic Importance Index，SII)、脆弱性指數(shù)(Vulnerability Index，VI)和因子增強的相關(guān)違約方法(Factor-Augmented Correlated Default Approach)。Jobst 和 Gray(2013)在或有權(quán)益法(Contingent Claims Approach，CCA)的基礎(chǔ)上提出了Systemic CCA并以之測度整個金融體系的系統(tǒng)性風險(宮曉琳，2012；巴曙松等，2013；范小云等，2013)。

與此同時，許多學(xué)者采用金融市場數(shù)據(jù)，通過測度金融機構(gòu)市場風險的尾部依賴性來度量系統(tǒng)性風險。在“自下而上”視角下，條件風險價值(Conditional Value at Risk，CoVaR)成為重要的研究方法(Adrian and Brunnermeier，2016)。通過測度一個特定機構(gòu)陷入困境時整個金融系統(tǒng)的CoVaR與該機構(gòu)在正常條件下金融系統(tǒng)的 CoVaR之差，反映該機構(gòu)對系統(tǒng)的風險外溢效應(yīng)，而且CoVaR 可以計算系統(tǒng)內(nèi)任意兩個機構(gòu)之間的風險外溢效應(yīng)(肖璞等，2012；白雪梅和石大龍，2014；沈悅等，2014；陳建青等，2015)。與 CoVaR 思路相同，Co-Risk則采用金融機構(gòu)的 CDS數(shù)據(jù)，測度一個金融機構(gòu)的信用風險由于與另外一家機構(gòu)相聯(lián)系而導(dǎo)致的增長幅度，該指標可以捕捉二者之間直接和間接的風險溢出。CoVaR和Co-Risk 最大的不足在于不具有可加性，單個機構(gòu)的系統(tǒng)性風險溢出之和并不等于整個金融系統(tǒng)的風險。

在“自上而下”視角下，邊際期望損失(Marginal Expected Shortfall，MES)則可以彌補CoVaR的缺陷(Acharya et al.，2017)。MES為整個金融市場收益率顯著下跌時單個金融機構(gòu)收益率的期望損失，以此反映單個機構(gòu)對系統(tǒng)性風險的邊際貢獻(范小云等，2011)。Banulescu和 Dumitrescu(2015)進一步考慮了規(guī)模等其它因素，提出成分預(yù)期損失(Component Expected Shortfall，CES)，以 MES乘以資產(chǎn)規(guī)模衡量單個機構(gòu)對金融系統(tǒng)的風險貢獻。Acharya等(2012)在動態(tài)MES的基礎(chǔ)上，提出系統(tǒng)性風險指數(shù)(Systemic Risk Index，SRISK)，以單個機構(gòu)相對于整個系統(tǒng)的資本短缺程度來衡量其系統(tǒng)性風險貢獻，該指標考慮了規(guī)模、關(guān)聯(lián)性、杠桿率等多個因素(梁琪等，2013)。同樣在“自上而下”視角下，博弈論合作博弈的 Shapley值分解被用于系統(tǒng)性風險的分配(賈彥東，2011；梁琪和李政，2014)。Shapley值分解方法需要計算每個子系統(tǒng)的系統(tǒng)性風險水平，當系統(tǒng)中機構(gòu)數(shù)目較多時，計算負擔較大，費時較多。

隨著學(xué)術(shù)界對系統(tǒng)性風險的理解不斷加深，對金融系統(tǒng)網(wǎng)絡(luò)化特征的認識也到了一個全新的高度。部分學(xué)者采用相關(guān)系數(shù)、主成分分析、Granger 因果網(wǎng)絡(luò)等多種方法，度量和分析金融機構(gòu)間的相互關(guān)聯(lián)度和關(guān)聯(lián)結(jié)構(gòu)，評估系統(tǒng)性風險。Kritzman 等(2011)認為少數(shù)特征向量(即主成分)可以解釋或“吸收”資產(chǎn)收益率的總方差，提出采用主成分分析(Principal Components Analysis，PCA)作為研究系統(tǒng)性風險的方法。主成分分析能夠捕捉市場的一體化或者緊密耦合程度，負向沖擊在緊密耦合的市場比在松散的市場中傳播得更迅速和廣泛，即耦合程度越高，市場越脆弱。Billio等(2012)采用主成分分析法從金融體系的整體相互關(guān)聯(lián)性和風險集中度的角度度量美國金融體系中各個組成部分受相同風險來源的影響程度。

在波動率層面的金融體系的關(guān)聯(lián)性既體系內(nèi)各個行業(yè)或市場間風險傳導(dǎo)的研究方面，大多從波動性溢出(Volatility Spillover)的角度著手。從國內(nèi)外測度波動溢出效應(yīng)的方法和應(yīng)用過程看，多元 GARCH 模型采用異方差建模方法，引入了條件方差的時變概念，因而在處理市場間聯(lián)動性的時變特征上具有優(yōu)勢，能直觀給出風險溢出效應(yīng)的方向。比較有代表性的多元 GARCH模型有：VECH模型、BEKK模型、CCCGARCH模型和DCC-GARCH模型。也有部分學(xué)者通過構(gòu)建GARCH(1，1)模型得到條件標準差，然后采用格蘭杰因果檢驗的方法檢驗風險傳導(dǎo)方向(汲源，2008；曹廣喜等，2014)。

在對國內(nèi)金融體系系統(tǒng)性風險的研究中，從研究角度上，以金融體系的相互關(guān)聯(lián)性為出發(fā)點對系統(tǒng)性風險進行的研究還有所欠缺。從研究方法上，對于處理數(shù)據(jù)時變特征具有優(yōu)勢并對金融體系相互關(guān)聯(lián)性和風險集中度進行估計的主成分分析法的使用還不多見。同時，目前的研究大多局限于采用股票市場中上市公司的數(shù)據(jù)靜態(tài)地關(guān)注兩行業(yè)或少數(shù)幾個行業(yè)所構(gòu)成的金融體系的風險衡量和風險傳導(dǎo)。能夠結(jié)合重要歷史事件對整個金融體系內(nèi)的風險傳導(dǎo)及其變化進行動態(tài)考量的研究還較少。與此同時，能夠納入基金市場、債券市場等并建立更廣泛金融體系的研究往往將股票市場作為一個整體，而忽略了股票市場中的行業(yè)差別。因此，對股票市場進行行業(yè)細分后再進行金融體系的構(gòu)建，然后對金融體系的整體系統(tǒng)性風險進行動態(tài)考察并檢驗金融體系各個組成部分之間的風險傳導(dǎo)就顯得十分必要。

本文首先定義了一個比較廣泛的金融體系，包括銀行業(yè)、證券業(yè)、信托業(yè)、基金市場、債券市場和貨幣市場，同時還將與金融體系緊密相關(guān)的房地產(chǎn)業(yè)納入研究范圍。基于金融體系相互關(guān)聯(lián)性的角度，在充分考慮系統(tǒng)性風險的時變特征后，本文采用主成分分析法在收益率層面衡量單一風險來源對金融體系的影響能力，以評價金融體系系統(tǒng)性風險的動態(tài)變化。同樣基于相互關(guān)聯(lián)性的視角，考慮到風險傳導(dǎo)受某些標志性事件影響可能發(fā)生變化，本文采用 VAR-MVGARCH(1，1)-BEKK模型在波動率層面檢驗風險在金融體系中的傳導(dǎo)及其動態(tài)變化。結(jié)果表明，我國金融體系的系統(tǒng)性風險進入本世紀以來不斷動態(tài)變化，而貨幣政策是導(dǎo)致系統(tǒng)性風險波動的重要原因。很多歷史事件都影響了金融體系中風險的傳導(dǎo)，金融體系各個組成部分之間風險傳導(dǎo)的能力在逐漸增強。本文彌補了國內(nèi)在相互關(guān)聯(lián)性視角對系統(tǒng)風險研究上的欠缺。同時，相較以往的靜態(tài)研究，本文結(jié)合歷史事件的動態(tài)研究更具有實踐意義。

二、收益率層面的相互關(guān)聯(lián)性：金融體系系統(tǒng)性風險研究

（一）度量方法

由于金融體系相互交織形成網(wǎng)絡(luò)，緊密的相互關(guān)聯(lián)性放大了系統(tǒng)性風險的危害性，意味著金融體系更脆弱。因此，本文認為，金融體系的系統(tǒng)性風險為包含的各個行業(yè)或市場發(fā)生單一風險事件(比如行業(yè)指數(shù)大幅度下跌)，并且風險事件迅速在體系內(nèi)傳導(dǎo)會導(dǎo)致廣泛的流動性和信用損失，甚至帶來整個金融體系崩潰的風險。其具體表現(xiàn)為金融體系受單一因素或事件影響的程度越深，則系統(tǒng)性風險越高；反之亦然。

本文以主成分分析法第一特征值占比作為系統(tǒng)性風險的衡量指標(第一、二特征值占比作為參考)。特征值占比越大，系統(tǒng)性風險越大；反之亦然。第一特征值為各時間序列最重要的影響因素，即最大的風險來源。該值越大表明各個行業(yè)或市場受單一因素的影響越大，也即各個行業(yè)或市場受單一風險源影響的程度越深，說明金融體系的相互關(guān)聯(lián)性越強，風險集中度越高，系統(tǒng)性風險越大。

（二）數(shù)據(jù)處理

隨著我國經(jīng)濟和金融業(yè)的不斷發(fā)展，金融體系各個組成行業(yè)和市場之間的聯(lián)系變得越來越緊密，所以系統(tǒng)性風險不再僅僅影響某個行業(yè)或僅在某兩個市場之間傳導(dǎo)。僅對某個關(guān)鍵行業(yè)(比如銀行業(yè))進行系統(tǒng)性風險研究或者對某兩個重要市場(貨幣市場和股票市場等)進行研究的方法已不能滿足對金融體系整體系統(tǒng)性風險研究的需求，應(yīng)該建立一個內(nèi)涵更加廣泛的金融體系(股票市場、基金市場、貨幣市場、債券市場等)，并對其系統(tǒng)性風險進行研究。

同時，以往將股票市場作為整體進行研究的方法忽略了股票市場中包含各類細分金融行業(yè)的事實。對股票市場的風險傳導(dǎo)，并不意味著對其包含的各類細分金融行業(yè)具有相同的傳導(dǎo)能力。因此，需要對股票市場進一步細化，研究股票市場中銀行業(yè)、證券業(yè)、信托業(yè)等金融行業(yè)與其它金融市場之間的關(guān)系。

基于以上考慮，本文將我國的金融體系定義為包含銀行業(yè)、證券業(yè)、信托業(yè)、基金市場、貨幣市場和債券市場的一個廣泛體系?？紤]到房地產(chǎn)業(yè)與金融體系的緊密聯(lián)系，本文也將房地產(chǎn)業(yè)納入研究范圍。總體來說，本文的金融體系包含四大金融市場：股票市場、基金市場、貨幣市場和債券市場。同時，將股票市場中的金融相關(guān)行業(yè)進一步細分為：銀行業(yè)、證券業(yè)、信托業(yè)和房地產(chǎn)業(yè)。因此，本文的研究對象為一個以四大金融市場為基礎(chǔ)并對股票市場做了進一步金融行業(yè)劃分的更加廣泛的金融體系。

針對銀行業(yè)、證券業(yè)、信托業(yè)和房地產(chǎn)業(yè)，本文根據(jù)證監(jiān)會行業(yè)分類，以上市公司總市值為權(quán)重計算行業(yè)加權(quán)周收益率。

對基金市場采用上證基金指數(shù)周變化率。質(zhì)押式回購和同業(yè)拆借占貨幣市場交易量95%,以上。因此，以這兩種產(chǎn)品的周交易量為權(quán)重計算貨幣市場的總加權(quán)周到期收益率時間序列。對于長期債券市場，則采用中信標普全債指數(shù)的周收益率時間序列。

數(shù)據(jù)來源為Wind金融研究數(shù)據(jù)終端。描述性統(tǒng)計如表1所示。

表1 描述性統(tǒng)計

銀行業(yè)、證券業(yè)、信托業(yè)和房地產(chǎn)業(yè)的樣本數(shù)量為 754個，對應(yīng)數(shù)據(jù)區(qū)間 2000年1月7日至2014年12月31日。由于數(shù)據(jù)源的問題，基金市場的樣本數(shù)量為738個，對應(yīng)數(shù)據(jù)區(qū)間2000年5月19日至2014年12月31日，債券市場的樣本數(shù)量為641個，對應(yīng)數(shù)據(jù)區(qū)間2002年5月10日至2014年12月31日。由于貨幣市場中同業(yè)拆借和買斷式回購上市的時間較晚，所以樣本數(shù)量為538個，對應(yīng)數(shù)據(jù)區(qū)間2004年5月8日至2014年12月31日。鑒于樣本數(shù)量上存在差異，包含基金市場、債券市場和貨幣市場的分析，在后面會單獨給出。

單位根檢驗結(jié)果表明，所有時間序列t統(tǒng)計量對應(yīng)的p值均接近于0，拒絕存在單位根的原假設(shè)，所有的收益率序列為平穩(wěn)序列。同時，各數(shù)據(jù)間在 5%的置信度下存在比較顯著的相關(guān)性，但貨幣市場數(shù)據(jù)和債券市場數(shù)據(jù)與其它數(shù)據(jù)之間的相關(guān)性稍差。對總體數(shù)據(jù)進行 KMO檢驗，其結(jié)果為 0.8637，說明可以進行主成份分析(單位根檢驗和相關(guān)系數(shù)結(jié)果可向作者索取)。

（三）檢驗結(jié)果

1. 系統(tǒng)性風險的計算

計算方法：以2000年1月7日這周之后n周的歷史各行業(yè)數(shù)據(jù)計算第一特征和第二特征值的占比作為數(shù)據(jù)1。然后橫向延后一周，以2000年1月14日這周之后n周的數(shù)據(jù)再次計算第一特征和第二特征值占比作為數(shù)據(jù)2。如此不斷重復(fù)，直到2014年12月31日這一周。為了保證數(shù)據(jù)的準確性和敏感性，本文以2000年1月7日之后36周(n=36)的歷史數(shù)據(jù)進行計算，每個特征值占比所使用的歷史數(shù)據(jù)為 9個月。由此，我們可以得到將近 15年中的系統(tǒng)性風險時間序列。這種方法充分考慮了系統(tǒng)性風險的時變特征，有助于了解系統(tǒng)性風險在考察區(qū)間中的動態(tài)變化。

本文首先對包含銀行業(yè)、證券業(yè)和信托業(yè)的亞體系進行系統(tǒng)性風險的衡量，結(jié)果如圖1所示。

圖1 特征值占比歷史波動圖(銀行、證券和信托)

實線為第一特征值占比，虛線為第一、二特征值占比。兩支曲線的波動趨勢基本一致。2000年至2002年左右，第一特征值占比大致在0.6～0.7左右波動，而2002年后，第一特征值占比迅速攀升，2003年后達到0.9左右的峰值，然后一路下降至2007年后的0.5左右。接下來，第一特征值占比再次迅速上升，于2009年再次達到0.85左右的峰值。隨后，該指標在0.7～0.85之間波動，然后于2011年中和2012年中分別兩次大幅下降至0.6和0.5左右的水平。最后，該指標一路上行至2013年初的0.8左右。2014年末，該指標呈現(xiàn)逐步下降趨勢。

該指標的波動反映了我國金融體系系統(tǒng)性風險的變化，同時也反映了最近十幾年來經(jīng)濟發(fā)展的大趨勢。進入 2000年，受國際金融危機的影響，我國經(jīng)濟增長速度維持在 8.5%,。進入 2002年，經(jīng)濟增長速度加快，達到 9.1%,，2003年達到 10%,，2004年為10.1%,。與此同時，我國金融體系的系統(tǒng)性風險也迅速升高，2003年初達到峰值。而后，隨著我國經(jīng)濟增長方式的穩(wěn)定和經(jīng)濟刺激政策的放緩，金融體系系統(tǒng)性風險逐漸降低，于2007年左右達到最低點。受2008年金融危機的影響，我國于2008年末開啟寬松貨幣政策和4萬億經(jīng)濟刺激計劃，導(dǎo)致系統(tǒng)性風險再次飆升，于2009年左右達到峰值。隨后，4萬億經(jīng)濟刺激計劃的缺陷逐漸顯現(xiàn)，CPI高漲、過剩產(chǎn)能無法出清，于是M2的增長速度放緩，分別在2011年末和2012年中出現(xiàn)了M2月度負增長。2013年之后，經(jīng)濟增長乏力，在控制了 CPI之后，M2的供給再次攀升，于是金融體系的系統(tǒng)性風險再次升高，至 2014年末又呈現(xiàn)緩慢下降的趨勢。在加入了房地產(chǎn)業(yè)后，第一特征值占比表現(xiàn)出和圖1相同的變化趨勢，如圖2所示①加入其它市場數(shù)據(jù)后系統(tǒng)性風險的變化趨勢如圖1和圖2所示，其結(jié)果可向作者索取。。

2. 導(dǎo)致系統(tǒng)性風險變化的原因

一旦采取財政和貨幣政策刺激 GDP增速時，會帶來我國金融體系系統(tǒng)性風險的整體提升，從主成分分析中反映出來的就是第一特征值占比增加，金融體系各個組成部分的風險來源趨同。

圖2 特征值占比歷史波動圖(銀行、證券、信托和房地產(chǎn))

Minsky(1992)認為，金融不穩(wěn)定假說強調(diào)了在經(jīng)濟高速增長時期，經(jīng)濟單位的收入-債務(wù)安排從對沖融資(Hedge Finance)(完全對沖債務(wù))轉(zhuǎn)變?yōu)橥稒C和龐氏融資(Speculative and Ponzi Finance)(高度不穩(wěn)定的杠桿率與更高的風險)。長期的低利率時期，越來越多的投資者為尋求更高的收益而增加金融風險。因此，從金融穩(wěn)定到金融危機的演變過程中，寬松的貨幣與信貸政策發(fā)揮了重要作用。Akerlof和 Shiller(2009)指出，因低利率時期的貨幣幻覺，投資者皆為了尋求高回報而冒更大風險。許多文獻闡述了在上世紀 90年代末到本世紀初這段時間各國貨幣政策的施行創(chuàng)造了低風險環(huán)境，鼓勵銀行承擔更多風險，致使短期債務(wù)過度應(yīng)用與資產(chǎn)負債表不斷擴大(Gaggl and Valderrama，2010；Paligorova and Santos，2012；Delis and Kouretas，2011)。

Adrian和Liang(2014)提出，寬松的貨幣政策(Accommodative Monetary Policy)在改善經(jīng)濟環(huán)境的同時，也導(dǎo)致金融脆弱性的積累，對金融體系的穩(wěn)定造成影響，特別是在經(jīng)濟接近其增長潛力的時候。寬松貨幣政策通過資本市場、銀行體系、影子銀行和非金融行業(yè)四個傳導(dǎo)渠道，壓低了風險溢價、增加了杠桿并鼓勵風險承擔的行為，從而導(dǎo)致整個金融體系風險增加。本文認為，我國貨幣政策的變化是導(dǎo)致金融體系系統(tǒng)性風險變化的重要原因。

選取M2同比增長率(宋旺和鐘正生，2006；于則，2006；王君斌和郭新強，2014)和一年期貸款基準利率(喻坤等，2014)作為貨幣政策代理指標。數(shù)據(jù)來源為 CSMAR金融研究數(shù)據(jù)庫。貨幣政策與系統(tǒng)性風險的關(guān)系如圖3所示。

從圖3可見，貨幣政策與系統(tǒng)性風險之間存在較強的相關(guān)性。M2同比增長率與系統(tǒng)性風險的相關(guān)系數(shù)為 0.2685；一年期貸款基準利率與系統(tǒng)性風險的相關(guān)系數(shù)為-0.4389，兩者在1%,置信度下顯著。

接下來，對系統(tǒng)性風險指標與 M2同比增長率和貸款基準利率之間是否存在協(xié)整關(guān)系進行檢驗。ADF單位根檢驗表明，系統(tǒng)性風險指標、M2同比增長率和貸款基準利率同為一階單整。我們采用EG-ADF兩步檢驗法。

圖3 貨幣政策指標與系統(tǒng)性風險指標歷史波動

首先，對以下方程進行回歸：

其中，SRt為系統(tǒng)性風險指標，M2t為M2同比增長率，LRt為貸款基準利率?；貧w結(jié)果如表2所示。

表2 回歸結(jié)果

然后，對殘差項進行單位根檢驗，結(jié)果在 5%,的置信度下拒絕原假設(shè)，殘差項為平穩(wěn)序列，同時證明系統(tǒng)性風險指標與M2同比增長率和貸款基準利率之間存在協(xié)整關(guān)系。

我國的寬松貨幣政策在達到穩(wěn)增長促就業(yè)目標的同時，以影響金融體系系統(tǒng)性風險為代價。本世紀初的一輪寬松貨幣政策，保送我國 GDP增長率成功站上兩位數(shù)的臺階。2009年初的寬松貨幣政策，則穩(wěn)定了經(jīng)濟增長，抵御了國際金融危機的沖擊。但是，這兩次的寬松貨幣政策都直接導(dǎo)致我國金融體系系統(tǒng)性風險的高漲。由此可見，寬松貨幣政策是把雙刃劍，經(jīng)濟快速增長和金融體系穩(wěn)定在寬松貨幣政策面前可能很難兼顧。

三、波動率層面的相互關(guān)聯(lián)性：行業(yè)和市場間風險傳導(dǎo)研究

（一）風險傳導(dǎo)（波動溢出）的實證方法

本文采用 VAR-MVGARCH(1，1)-BEKK模型結(jié)合重要歷史事件對中國金融體系中各個行業(yè)和市場間風險傳導(dǎo)(波動溢出)進行實證檢驗。

本文依據(jù) AIC和 SC信息準則決定不同情況下 VAR模型的最優(yōu)滯后階數(shù)，并采取 Wald檢驗作為各行業(yè)(市場)間波動溢出效應(yīng)的檢驗方法。在均值溢出層面，因為檢驗結(jié)果基本上不顯著并且不在本文考慮范圍之內(nèi)，故后文未給出均值方程的估計結(jié)果。同時，為節(jié)省篇幅，后文也未給出方差方程的估計結(jié)果(備索)。

（二）檢驗結(jié)果

1. 對銀行業(yè)、證券業(yè)、信托業(yè)和房地產(chǎn)業(yè)的風險傳導(dǎo)(波動溢出)檢驗

作為我國金融體系最重要的資金提供者，銀行業(yè)為房地產(chǎn)業(yè)的發(fā)展提供大量資金。特別是2005年 11月，銀監(jiān)會頒布實施《商業(yè)銀行個人理財業(yè)務(wù)管理辦法》和《商業(yè)銀行個人理財業(yè)務(wù)風險管理指引》后，銀信合作業(yè)務(wù)以合法身份登上歷史舞臺，信托業(yè)成為銀行業(yè)向房地產(chǎn)業(yè)提供資金的重要通道。同時，證券業(yè)也同信托業(yè)一樣，成為資金流通的一個重要渠道。在這種情況下，銀行業(yè)、證券業(yè)、信托業(yè)和房地產(chǎn)業(yè)的關(guān)系變得越來越緊密，同時各個行業(yè)的風險也更容易傳導(dǎo)至另外行業(yè)。特別是房地產(chǎn)業(yè)，作為我國經(jīng)濟發(fā)展的重要龍頭，它的波動會更加容易傳導(dǎo)給銀行業(yè)、證券業(yè)和信托業(yè)。本文將我國房地產(chǎn)的發(fā)展分為兩個時期，一個是2005年銀信合作合法開始至2009年初寬松貨幣政策和4萬億經(jīng)濟刺激政策頒布前。在這個時期，我國房地產(chǎn)業(yè)得到迅速發(fā)展，但我國政府也意識到房地產(chǎn)業(yè)過快發(fā)展帶來的諸多問題，至 2009年初，我國房價上漲的趨勢已經(jīng)在放緩。另一個時期是2009年至2012年末，是4萬億經(jīng)濟刺激計劃實施的時期。在該時期，我國的房地產(chǎn)業(yè)盡管已經(jīng)弊端盡顯，但在經(jīng)濟刺激政策之下還是得到了一定程度的發(fā)展，房價再次大幅上漲。風險傳導(dǎo)(波動溢出)的檢驗結(jié)果如表3所示。

表3 銀行、證券、信托和房地產(chǎn)業(yè)波動溢出Wald檢驗結(jié)果

對于2005—2008年，在5%,的置信度下，房地產(chǎn)業(yè)對銀行業(yè)、證券業(yè)和信托業(yè)的檢驗拒絕原假設(shè)，而接受房地產(chǎn)業(yè)對銀行業(yè)、證券業(yè)和信托業(yè)存在波動溢出的假設(shè)。同時，在5%,的置信度下，則不存在銀行業(yè)、證券業(yè)和信托業(yè)向房地產(chǎn)業(yè)的波動溢出效應(yīng)①銀行業(yè)對房地產(chǎn)業(yè)的檢驗在1%的置信度下。。實證檢驗說明，在這個時期，行業(yè)風險由房地產(chǎn)業(yè)向銀行業(yè)、證券業(yè)和信托業(yè)傳遞。對于 2009—2012年，在5%,的置信度下，則接受原假設(shè)，即不存在房地產(chǎn)業(yè)向銀行業(yè)和證券業(yè)的波動溢出效應(yīng)。這個時期，房地產(chǎn)業(yè)已經(jīng)不具備向銀行業(yè)和證券業(yè)進行風險傳導(dǎo)的能力。究其原因，本文認為這與該時期實施的嚴厲“限購、限貸”和房地產(chǎn)企業(yè)開發(fā)貸款限制有關(guān)。不過，與上一個時期相同的是，依然存在房地產(chǎn)業(yè)向信托業(yè)的風險傳遞。

那么，信托業(yè)和證券業(yè)作為與銀行業(yè)關(guān)系緊密的兩個行業(yè)，它們與銀行業(yè)之間的風險傳導(dǎo)關(guān)系是怎么樣的呢？首先，由于證券業(yè)和信托業(yè)與銀行業(yè)的緊密關(guān)系，它們與銀行業(yè)之間很可能存在雙向的風險傳導(dǎo)。其次，信托與銀行業(yè)的合作發(fā)展經(jīng)歷了不同的時期。從2005年銀信合作的合法身份確立開始，信托業(yè)和銀行業(yè)之間的關(guān)系開始變得越來越緊密。在意識到可能產(chǎn)生的影子銀行風險之后，2010年 8月，銀監(jiān)會發(fā)布《關(guān)于規(guī)范銀信理財合作業(yè)務(wù)有關(guān)事項的通知》，禁止信托公司開展通道類業(yè)務(wù)。至此，銀信合作開始逐漸的萎靡(銀信合作的信托余額占比由2010年9月的64.0%,降至2014年12月的22.14%,)，銀行與信托公司之間的緊密程度變?nèi)?，風險的傳導(dǎo)也逐漸降低。所以，我們認為，2005—2010年銀行與信托之間會存在明顯的風險傳導(dǎo)關(guān)系，而2010年后該風險傳導(dǎo)關(guān)系則會削弱。表4為對該問題的檢驗結(jié)果。

表4 銀行、證券、信托和房地產(chǎn)業(yè)波動溢出Wald檢驗結(jié)果

對于 2005—2010年，在 5%,的置信度下，拒絕原假設(shè)而接受銀行業(yè)向信托業(yè)存在波動溢出的假設(shè)，檢驗結(jié)果印證了上述理論分析。2010年之后，該波動溢出的效應(yīng)明顯減弱，在 1%,的置信度下則接受原假設(shè)，不存在銀行業(yè)向信托業(yè)的波動溢出效應(yīng)。我們同時發(fā)現(xiàn)在銀行業(yè)與證券業(yè)之間的雙向波動溢出效應(yīng)一直比較強烈。該結(jié)論與沈悅等(2014)的結(jié)論一致，主要原因是由于銀行業(yè)和證券業(yè)在金融體系中所占份額大，合作關(guān)系起步最早，合作途徑多，聯(lián)系比其它子市場更密切。

2. 對銀行業(yè)、證券業(yè)、信托業(yè)和基金市場的風險傳導(dǎo)(波動溢出)檢驗

中國人民銀行、銀監(jiān)會、證監(jiān)會于2005年 2月20日聯(lián)合公布并開始實施《商業(yè)銀行設(shè)立基金管理公司試點管理辦法》。按該規(guī)定，中國商業(yè)銀行可直接出資設(shè)立基金管理公司。2007年其試點范圍擴大。中國銀監(jiān)會于2013年3月4日宣布，擴大商業(yè)銀行設(shè)立基金管理公司試點范圍，城市商業(yè)銀行首次入圍。

因此，本文認為銀行業(yè)與基金市場之間的關(guān)系正變得越來越緊密，同時系統(tǒng)性風險也越來越容易在兩者之間傳導(dǎo)。以2005年為重要時間節(jié)點，將數(shù)據(jù)分為兩個時間階段，進行銀行和基金數(shù)據(jù)的波動溢出檢驗，結(jié)果如表5所示。

表5 銀行、證券、信托和基金波動溢出Wald檢驗結(jié)果

對于 2000—2005年，在 5%,的置信度下，接受原假設(shè)，不存在銀行業(yè)向基金市場的波動溢出效應(yīng)。對于 2006—2014年，則拒絕原假設(shè)，接受銀行業(yè)和基金市場之間存在較強的的雙向波動溢出效應(yīng)。這個結(jié)果也說明銀行業(yè)和基金市場之間的風險傳導(dǎo)效應(yīng)正變得越來越緊密。

3. 對銀行業(yè)、證券業(yè)、信托業(yè)、基金市場和貨幣市場的風險傳導(dǎo)(波動溢出)檢驗

李成等(2010)發(fā)現(xiàn)貨幣市場與股票市場以及債券市場、基金市場等之間存在一定程度的雙向風險傳導(dǎo)效應(yīng)。本文認為貨幣市場的波動性會直接影響銀行業(yè)、證券業(yè)、信托業(yè)和基金市場。因為貨幣市場數(shù)據(jù)從2004年開始，所以波動溢出檢驗的數(shù)據(jù)區(qū)間為2004—2014年，結(jié)果如表 6所示。對于 2004—2014年，在 5%,的置信度下，拒絕原假設(shè)，接受存在貨幣市場向銀行業(yè)、證券業(yè)、信托業(yè)和基金市場的波動溢出效應(yīng)的假設(shè)。實證檢驗也印證了上述分析，貨幣市場的波動向其它金融體系組成部分傳導(dǎo)。同時，實證結(jié)果還發(fā)現(xiàn)銀行業(yè)、證券業(yè)和信托業(yè)也存在向貨幣市場的波動溢出，可見貨幣市場與金融體系其它組成部分的聯(lián)系十分緊密。

表6 銀行、證券、信托、基金和貨幣市場波動溢出Wald檢驗結(jié)果

4. 對銀行業(yè)、證券業(yè)、信托業(yè)和債券市場的風險傳導(dǎo)(波動溢出)檢驗

債券市場與其它市場之間的風險傳導(dǎo)效應(yīng)已經(jīng)有很多研究成果，但結(jié)論不一致。王璐和龐皓(2009)發(fā)現(xiàn)債券市場和股票市場之間的風險傳導(dǎo)效應(yīng)并不顯著，而李成等(2010)則發(fā)現(xiàn)股票市場和債券市場之間存在顯著的風險傳導(dǎo)效應(yīng)。對此，部分學(xué)者分階段進行了更加細致的研究。胡秋靈和馬麗(2011)同樣利用BEKK模型發(fā)現(xiàn)股票市場和債券市場的波動均具有顯著的 ARCH效應(yīng)，而在不同行情下，兩市場之間的風險傳導(dǎo)具有明顯不同的特征：當股票市場處于牛市或熊市行情時，只存在股票市場向債券市場的單向風險傳導(dǎo)；當股票市場處于反彈行情時，兩市場之間不存在風險傳導(dǎo)；當股票市場處于震蕩行情時，兩市場之間存在雙向風險傳導(dǎo)。

我們采用類似的分階段研究的方法進行檢驗，將數(shù)據(jù)區(qū)間分為以下 5個區(qū)間分別進行檢驗：2002年5月至2006年7月，緩慢下跌期；2006年7月至2007年11月，大幅上漲期；2007年 11月至 2008年 11月，大幅下跌期；2008年 11月至 2009年 8月，反彈期；2009年 8月至 2014年 12月，振蕩下跌期。檢驗結(jié)果如表 7、表 8、表 9所示。

表7 銀行、證券、信托和債券市場波動溢出Wald檢驗結(jié)果

表8 銀行、證券、信托和債券市場波動溢出Wald檢驗結(jié)果

實證結(jié)果表明，在股市大幅上漲期和大幅下跌期時，債券市場和其它行業(yè)間不存在顯著的風險傳導(dǎo)效應(yīng)；在緩慢下跌期和振蕩下跌期時，存在顯著的雙向風險傳導(dǎo)效應(yīng)；在反彈期時，則主要為銀行業(yè)、證券業(yè)和信托業(yè)向債券市場的風險傳導(dǎo)。這與胡秋靈和馬麗(2011)的部分結(jié)果一致。當股票市場大漲大跌時，股票市場與債券市場的波動溢出效應(yīng)并不顯著，反而在市場處于振蕩期時存在雙向波動溢出效應(yīng)。該發(fā)現(xiàn)也同樣解釋了之前系統(tǒng)性風險的結(jié)果。當系統(tǒng)性風險得到釋放時(股票市場的表現(xiàn)為大漲大跌)，債券市場與其它行業(yè)之間的風險溢出效應(yīng)被削弱；當系統(tǒng)性風險在不斷積聚時(股票市場的表現(xiàn)為持續(xù)振蕩)，債券市場與其它行業(yè)之間則存在顯著的風險溢出效應(yīng)。

表9 銀行、證券、信托和債券市場波動溢出Wald檢驗結(jié)果

（三）小結(jié)

我國系統(tǒng)性風險的大小和行業(yè)及市場間的風險傳導(dǎo)并不是孤立和靜態(tài)的，而是一個隨著經(jīng)濟的發(fā)展和政策的變化而相互影響、動態(tài)變化的過程。

本世紀初，受寬松貨幣政策的影響，金融體系系統(tǒng)性風險曾經(jīng)達到一個較高水平，各個行業(yè)(市場)之間都出現(xiàn)比較顯著的風險傳導(dǎo)關(guān)系。自2005年后至金融危機前，隨著房地產(chǎn)市場的迅速發(fā)展和銀信合作的展開，系統(tǒng)性風險呈現(xiàn)出由銀行業(yè)向信托業(yè)傳導(dǎo)的狀態(tài)。同時，由于房地產(chǎn)業(yè)通過信托和證券行業(yè)源源不斷的獲得資金支持，房地產(chǎn)業(yè)的風險也呈現(xiàn)向信托業(yè)、證券業(yè)和銀行業(yè)傳導(dǎo)的狀態(tài)。這個現(xiàn)象，在 2008年金融危機后減弱。

該危機后，我國金融系統(tǒng)性風險在寬松貨幣政策和 4萬億投資的驅(qū)動下再次達到峰值。在這個期間，我國金融系統(tǒng)性風險的傳導(dǎo)發(fā)生了一些變化。2010年，隨著銀信合作被銀監(jiān)會叫停，銀行業(yè)向信托業(yè)的系統(tǒng)性風險傳導(dǎo)減弱。由于嚴厲的“限購、限貸”和房地產(chǎn)企業(yè)開發(fā)貸款限制，房地產(chǎn)業(yè)向銀行業(yè)和證券業(yè)進行風險傳導(dǎo)的能力被極大削弱。同時，在 2005年商業(yè)銀行允許參與成立基金管理公司后，銀行業(yè)與基金業(yè)的關(guān)系也開始變得越來越緊密。實證研究也證明，2005年后，基金與銀行業(yè)之間的風險傳導(dǎo)關(guān)系變得越來越顯著。貨幣市場為各個類型的金融機構(gòu)提供流動性，同時也是銀行貨幣政策的實施渠道。所以，貨幣市場的風險很容易向金融體系中的其它行業(yè)傳導(dǎo)。實證研究表明貨幣市場風險的確會向銀行業(yè)、證券業(yè)、信托業(yè)和基金市場傳導(dǎo)。

2008年金融危機前，行業(yè)或市場風險在金融體系中的傳播路徑如圖 4所示。2008年金融危機后，行業(yè)或市場風險在金融體系中的傳播路徑如圖5所示。

圖4 金融危機前系統(tǒng)性風險傳播路徑

圖5 金融危機后系統(tǒng)性風險傳播路徑

四、穩(wěn)健性檢驗

（一）金融體系系統(tǒng)性風險波動趨勢的穩(wěn)健性檢驗

我們采用 DCC-MVGARCH(1，1)模型得到兩兩行業(yè)或市場間的時變動態(tài)相關(guān)系數(shù)來衡量系統(tǒng)性風險的關(guān)聯(lián)性(Bekaert et al.，2009；Eiling and Gerard，2015)。在得到各行業(yè)或市場間時變動態(tài)相關(guān)系數(shù)并計算均值后，與主成分分析法得到的第一特征值占比進行比較，如圖6所示。

圖6 系統(tǒng)性風險指標與時變動態(tài)相關(guān)系數(shù)均值波動

時變動態(tài)相關(guān)系數(shù)均值表現(xiàn)出與系統(tǒng)性風險指標同步波動的趨勢。兩項指標相關(guān)系數(shù)達到0.8601，在1%置信度下顯著。

對時變動態(tài)相關(guān)系數(shù)均值與M2同比增長率和貸款基準利率之間是否存在協(xié)整關(guān)系進行檢驗。ADF單位根檢驗表明，時變動態(tài)相關(guān)系數(shù)均值、M2同比增長率和貸款基準利率同為一階單整。我們同樣采用EG-ADF兩步檢驗法，在5%的置信度下，檢驗結(jié)果拒絕原假設(shè)，證明時變動態(tài)相關(guān)系數(shù)均值與 M2同比增長率和貸款基準利率之間存在協(xié)整關(guān)系。

（二）風險傳導(dǎo)（波動溢出）的穩(wěn)健性檢驗

對各個行業(yè)和市場之間系統(tǒng)性風險的傳導(dǎo)進行穩(wěn)健性檢驗。檢驗方法采用格蘭杰因果檢驗。

首先對各個行業(yè)的數(shù)據(jù)進行 GARCH(1，1)模型建模①從相關(guān)文獻和本文的數(shù)據(jù)來看，GARCH(1，1)為最適合的模型設(shè)置。具體檢驗過程在此省略，備索。，然后計算該模型的條件標準差，最后代入格蘭杰因果檢驗的數(shù)據(jù)為各個行業(yè)的條件標準差時間序列(汲源，2008；曹廣喜等，2014)。格蘭杰檢驗結(jié)果與前面實證結(jié)果基本一致，證明了結(jié)論的穩(wěn)健性(不在此贅述，備索)。

五、研究結(jié)論

本文首先定義了一個較廣泛的金融體系，包括銀行業(yè)、證券業(yè)、信托業(yè)、基金市場、債券市場和貨幣市場，同時還將與金融體系緊密相關(guān)的房地產(chǎn)業(yè)納入了研究范圍。之后，從金融體系相互關(guān)聯(lián)性的視角，在收益率層面采用主成分分析法衡量單一風險來源對金融體系的影響能力，在波動率層面采用 VAR-MVGARCH(1，1)-BEKK模型確定風險在金融體系中的傳導(dǎo)途徑。

主成分分析具有能很好把握系統(tǒng)性風險時變特征的優(yōu)點，可以動態(tài)的描繪系統(tǒng)性風險在數(shù)據(jù)區(qū)間中的變化趨勢。本文的研究結(jié)果顯示，我國金融體系的系統(tǒng)性風險在本世紀初達到峰值，然后緩慢下行，在 2008年世界性金融危機爆發(fā)前達到最低值。接下來，由于金融危機所導(dǎo)致的寬松貨幣政策和 4萬億經(jīng)濟刺激計劃的實施，系統(tǒng)性風險再次上升。盡管基于降低 CPI的需要減緩了 M2的增速，但系統(tǒng)性風險在表現(xiàn)出較大波動的同時始終維持高位。2013年以來，我國金融系統(tǒng)性風險呈逐漸下降的趨勢。實證結(jié)果表明，金融體系系統(tǒng)性風險的變化主要受我國寬松貨幣政策的影響，歷次寬松貨幣政策的實施都導(dǎo)致系統(tǒng)性風險的提高。

同時，VAR-MVGARCH(1，1)-BEKK模型結(jié)合格蘭杰因果檢驗的實證結(jié)果表明，在我國不同的發(fā)展時期，系統(tǒng)性風險在不同行業(yè)或市場間的傳導(dǎo)途徑發(fā)生著變化。房地產(chǎn)業(yè)在發(fā)展的黃金時期曾經(jīng)成為我國銀行業(yè)、證券業(yè)和信托業(yè)的風險來源，但在房地產(chǎn)業(yè)的黃金發(fā)展時期過去并且國家對其進行嚴格監(jiān)管后，房地產(chǎn)業(yè)對銀行業(yè)和證券業(yè)的風險傳導(dǎo)能力已經(jīng)大幅度降低。銀行業(yè)作為我國金融體系的重要支柱，對其它的行業(yè)產(chǎn)生了一定程度的風險傳導(dǎo)。銀信合作后，銀行業(yè)成為信托業(yè)的重要風險來源。2005年頒布實施《商業(yè)銀行設(shè)立基金管理公司試點管理辦法》則成為影響銀行與基金公司之間風險傳導(dǎo)的重要事件。該事件后，基金市場與銀行業(yè)之間存在顯著的雙向風險傳導(dǎo)效應(yīng)。貨幣市場則與其它行業(yè)之間幾乎都存在顯著的雙向風險傳導(dǎo)效應(yīng)，說明貨幣市場與其它行業(yè)之間的聯(lián)系十分緊密。在股市振蕩期時債券市場與其它行業(yè)之間存在雙向的波動溢出效應(yīng)，而在股票市場大漲大跌時(即系統(tǒng)性風險得到釋放時)則不存在波動溢出效應(yīng)?？偟膩碚f，我國金融體系各個組成部分之間風險傳導(dǎo)的能力并不是靜態(tài)的，而是一個動態(tài)變化的過程。

［1］ 巴曙松，居 姍，朱元倩. 我國銀行業(yè)系統(tǒng)性違約風險研究——基于 Systemic CCA方法的分析[J]. 金融研究，2013(9)：71-83.

［2］ 白雪梅，石大龍. 中國金融體系的系統(tǒng)性風險度量[J]. 國際金融研究，2014(6)：75-85.

［3］ 曹廣喜，崔維軍，韓 彥. 人民幣匯率彈性調(diào)整對我國匯市與股市關(guān)系的影響——基于長記憶VAR-(BEKK)MVGARCH模型[J]. 數(shù)理統(tǒng)計與管理，2014(6)：1101-1112.

［4］ 陳建青，王 擎，許韶輝. 金融行業(yè)間的系統(tǒng)性金融風險溢出效應(yīng)研究[J]. 數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究，2015(9)：89-100.

［5］ 范小云，方 意，王道平. 我國銀行系統(tǒng)性風險的動態(tài)特征及系統(tǒng)重要性銀行甄別——基于CCA與DAG相結(jié)合的分析[J]. 金融研究，2013(11)：82-95.

［6］ 范小云，王道平，劉瀾飚. 規(guī)模、關(guān)聯(lián)性與中國系統(tǒng)重要性銀行的衡量[J]. 金融研究，2012(11)：16-30.

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

［8］ 宮曉琳. 未定權(quán)益分析方法與中國宏觀金融風險的測度分析[J]. 經(jīng)濟研究，2012(3)：76-87.

［9］ 胡秋靈，馬 麗. 我國股票市場和債券市場波動溢出效應(yīng)分析[J]. 金融研究，2011(10)：198-206.

［10］ 汲 源. 房地產(chǎn)股票市場溢出效應(yīng)研究[J]. 統(tǒng)計研究，2008(12)：66-72.

［11］ 賈彥東. 金融機構(gòu)的系統(tǒng)重要性分析——金融網(wǎng)絡(luò)中的系統(tǒng)風險衡量與成本分擔[J]. 金融研究，2011(10)：17-33.

［12］ 李 成，馬文濤，王 彬. 我國金融市場間溢出效應(yīng)研究——基于四元 VAR-GARCH(1，1)-BEKK模型的分析[J]. 數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究，2010(6)：3-19.

［13］ 李 政，梁 琪，涂曉楓. 我國上市金融機構(gòu)關(guān)聯(lián)性研究——基于網(wǎng)絡(luò)分析法[J]. 金融研究，2016(8)：95-110.

［14］ 梁 琪，李 政，郝項超. 我國系統(tǒng)重要性金融機構(gòu)的識別與監(jiān)管——基于系統(tǒng)性風險指數(shù)SRISK方法的分析[J]. 金融研究，2013(9)：56-70.

［15］ 梁 琪，李 政. 系統(tǒng)重要性、審慎工具與我國銀行業(yè)監(jiān)管[J]. 金融研究，2014(8)：32-46.

［16］ 劉春航，朱元倩. 銀行業(yè)系統(tǒng)性風險度量框架的研究[J]. 金融研究，2011(12)：85-99.

［17］ 馬君潞，范小云，曹元濤. 中國銀行間市場雙邊傳染的風險估測及其系統(tǒng)性特征分析[J]. 經(jīng)濟研究，2007(1)：68-78.

［18］ 沈 悅，戴士偉，羅 希. 中國金融業(yè)系統(tǒng)性風險溢出效應(yīng)測度——基于 GARCH-Copula-CoVaR模型的研究[J]. 當代經(jīng)濟科學(xué)，2014(6)：30-38.

［19］ 宋 旺，鐘正生. 我國貨幣政策區(qū)域效應(yīng)的存在性及原因——基于最優(yōu)貨幣區(qū)理論的分析[J]. 經(jīng)濟研究，2006(3)：46-58.

［20］ 陶 玲，朱 迎. 系統(tǒng)性金融風險的監(jiān)測和度量-基于中國金融體系的研究[J]. 金融研究，2016(6)：18-36.

［21］ 王君斌，郭新強. 經(jīng)常賬戶失衡、人民幣匯率波動與貨幣政策沖擊[J]. 世界經(jīng)濟，2014(8)：42-69.

［22］ 王 璐，龐 皓. 中國股市和債市波動溢出效應(yīng)的MV-GARCH分析[J]. 數(shù)理統(tǒng)計與管理，2009(1)：152-58.

［23］ 肖 璞，劉 軼，楊蘇梅. 相互關(guān)聯(lián)性、風險溢出與系統(tǒng)重要性銀行識別[J]. 金融研究，2012(12)：96-106.

［24］ 喻 坤，李治國，張曉蓉，徐劍剛. 企業(yè)投資效率之謎：融資約束假說與貨幣政策沖擊[J].經(jīng)濟研究，2014(5)：106-20.

［25］ 于 則. 我國貨幣政策的區(qū)域效應(yīng)分析[J]. 管理世界，2006(2)：18-22.

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

［27］ Acharya V. V.，Pedersen L. H.，Philippon T.，Richardson M. Measuring Systemic Risk[J]，Review of Financial Studies，2017，30(1)：2-47.

［28］ Adrian T.，Brunnermeier M. K. CoVaR[J]，American Economic Review，2016，106(7)：1705-41.

［29］ Adrian T.，Liang N. Monetary Policy，F(xiàn)inancial Conditions，and Financial Stability[R]. Federal Reserve Bank of New York，Staff Reports No. 690. 2014.

［30］ Akerlof G. A.，Shiller R. J. Animal Spirits：How Human Psychology Drives the Economy and Why It Matters for Global Capitalism[M]. New Jersey：Princeton University Press. 2009.

［31］ Banulescu G.，Dumitrescu E. Which are the SIFIs? A Component Expected Shortfall Approach to Systemic Risk[J]. Journal of Banking and Finance，2015，50：575-88.

［32］ Bekaert G.，Hodrick R. J.，Zhang X. Y. International Stock Return Comovements[J]. Journal of Finance，2009，64(6)：2591-626.

［33］ Billio M.，Getmansky M.，Lo A. W.，Pelizzon L. Econometric Measures of Connectedness and Systemic Risk in the Finance and Insurance Sectors[J]. Journal of Financial Economics，2012，104(3)：535-59.

［34］ Delis M. D.，Kouretas G. P. Interest Rates and Bank Risk-taking[J]. Journal of Banking and Finance，2011，35(4)：840-55.

［35］ Eiling E.，Gerard B. Emerging Equity Market Comovements：Trends and Macroeconomic Fundamentals[J]. Review of Finance，2015，19(4)：1543-85.

［36］ Gaggl P.，Valderrama M. T. Does a Low Interest Rate Environment Affect Risk Taking in Austria?[J]. Monetary Policy and the Economy，2010，4(10)：32-48.

［37］ Jobst A. A.，Gray D. F. Systemic Contingent Claims Analysis Estimating Market-Implied Systemic Risk[R]. IMF Working Paper，No. 54，2013.

［38］ Kritzman M.，Li Y.，Page S.，Rigobon R. Principal Components as a Measure of Systemic Risk[J]. Journal of Portfolio Management，2011，37(4)：112-26.

［39］ Minsky P. The Financial Instability Hypothesis[R]. Economics Working Paper，1992，No. 74.

［40］ Oet M. V.，Bianco T.，Gramlich D.，Ong S. J. SAFE：An Early Warning System for Systemic Banking Risk[J]. Journal of Banking and Finance，2013，37(11)：4510-33.

［41］ Paligorova T.，Santos J. A. C. Monetary Policy and Bank Risk-Taking：Evidence from the Corporate Loan Market[R]. Federal Reserve Bank of New York Working Paper. 2012.