李嘉晨

摘? ?要：本文通過CoES模型，測度了16家中國上市銀行系統(tǒng)風險貢獻度大小，并通過面板回歸對影響系統(tǒng)風險貢獻度的因素進行分析。研究表明：國有大型商業(yè)銀行的系統(tǒng)重要性普遍高于股份制商業(yè)銀行和城市商業(yè)銀行，中國工商銀行的系統(tǒng)重要性在所有商業(yè)銀行中最高，中信銀行系統(tǒng)重要性位列股份制銀行之首，城商行中則是北京銀行的系統(tǒng)重要性最強;廣義貨幣增長率、對外投資依存度、期限利差、市值規(guī)模、權益乘數、資本充足率、總資產收益率、不良貸款率均會顯著影響系統(tǒng)風險貢獻度大小。

關鍵詞：系統(tǒng)風險;系統(tǒng)重要性銀行;CoES模型

DOI：10.3969/j.issn.1003-9031.2019.12.002

中圖分類號：F832.33? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ?文章編號：1003-9031（2019）12-0014-13

自2008年次貸危機爆發(fā)以來，人們深刻認識到了金融機構間的風險傳染可能帶來系統(tǒng)風險，學界與實務界也圍繞系統(tǒng)風險開展了大量研究，一個重要研究方向就是有關系統(tǒng)風險測算及關于系統(tǒng)重要性機構的鑒定。隨著2014年銀監(jiān)會印發(fā)《商業(yè)銀行全球系統(tǒng)重要性評估指標披露指引》及2018年三部委聯(lián)合發(fā)布《關于完善系統(tǒng)重要性金融機構監(jiān)管的指導意見》，我國有關系統(tǒng)重要性機構的監(jiān)管體系不斷完善，相關評價體系仍在進一步探索。

一、文獻綜述

學界關于系統(tǒng)風險度量的研究，大體上可以按照數據來源的不同，將之分為基于宏觀變量和資產負債表的指標法和基于市場數據的衡量法。一般而言，傳統(tǒng)的指標法大多采用資產負債表信息，結合宏觀變量構建指標體系對系統(tǒng)風險衡量。近年來主流風險度量模型更多的是從資產價格角度出發(fā)，利用市場數據對系統(tǒng)風險進行度量，其中就包含以在險價值（VaR）為基礎的系統(tǒng)風險度量模型和以預期損失（ES）為基礎的系統(tǒng)風險度量模型。

在基于VaR為基礎的風險度量模型中，最具代表性的就是條件在險價值（CoVaR）指標，其定義為當機構i處于極端風險時，整體金融系統(tǒng)的在險價值大小。Adrian&Brunnermeier（2009）認為附加條件下系統(tǒng)的在險價值與無條件下系統(tǒng)在險價值大小之差ΔCoVaR是機構i對整體系統(tǒng)風險的影響。圍繞ΔCoVaR指標，國內外學者對其估計方法和定義展開進一步研究。在估計方法上，Adrian等（2011）主要利用分位數回歸方法計算了CoVaR的大小;謝福座（2010）最早開始將Copula函數與CoVaR結合，對亞洲三大股票市場指數的風險溢出效應進行實證檢驗;高國華和潘英麗（2011）提出用AR-GARCH模型，結合正態(tài)分布及t分布下的分位數進而得到動態(tài)CoVaR的大小。在定義延申方面，Chan-Lau等（2009）提出一個類似CoVaR的指標Co-Risk，通過計算極端分位數情況下的機構的條件CDS價值，度量機構間信用風險關聯(lián)性;國內學者白雪梅、石大龍（2014）從實際監(jiān)管需求的層面出發(fā)，通過面板數據回歸且用滯后一期的解釋變量進行預測，最終得到Forward-ΔCoVaR指標，與ΔCoVaR對比發(fā)現二者呈負相關關系，此時基于該指標進行宏觀審慎監(jiān)管則是逆周期的。

在基于ES為基礎的風險度量模型中，學者從定義上做了較多拓展。Acharya等（2009，2010）在預期損失ES指標的基礎上，提出了系統(tǒng)風險預期損失（SES）和邊際預期損失（MES）兩個指標，用于表示某一銀行的預期資本短缺及個體金融機構對系統(tǒng)風險邊際貢獻度。Engle也先后與Brownlees（2011）和Acharya（2012）合作，提出了系統(tǒng)風險指數SRISK，該指標測度了市場未來一段時間內收益率低于某一水平時，某一金融機構的預期資本短缺。Banulescu&Dumitrescu（2015）提出了成分預期損失（CES）指標，在滿足歐拉可加性定義下，考慮單一銀行在整個銀行系統(tǒng)中的規(guī)模權重因素，將銀行系統(tǒng)的預期損失ES根據單一銀行權重，分解為不同成分預期損失。

由于CoVaR指標無法覆蓋超過分位數點的尾部風險，而ES指標無法測度機構對于系統(tǒng)的溢出效應，Adrian&Brunnermeier（2016）提出條件預期損失（CoES）指標的構想。國內學者李政等（2019）參照前者的構想，構建了自己的CoES指標。因該指標可以視為是CoVaR與ES交叉融合下的產物，既涵蓋了超過VaR門限的尾部損失，又度量了機構風險的溢出程度，下文將基于CoES指標對商業(yè)銀行系統(tǒng)風險貢獻度進行度量，并以此給出銀行系統(tǒng)重要性排名，并對影響系統(tǒng)風險的因素進行實證分析。

二、基于ARMA-EGARCH的CoES模型

學界關于系統(tǒng)風險的定義雖存在分歧，但都強調系統(tǒng)風險是一種由于個體風險導致行業(yè)整體風險的情形，系統(tǒng)風險具有傳染性及負外部性兩大特點。此外，由于投資者普遍存在一定的正反饋行為，這會致使單一銀行發(fā)生財務困境時，銀行市場上出現擠兌或資產拋售，致使整個系統(tǒng)遭受損失。同時，銀行往往出于安全性考慮，在經濟增長時期不會有太過激進的行為，其正向收益相對平穩(wěn)，而負向損失相對聚集，系統(tǒng)風險還存在厚尾性和非對稱性兩大特點?；趲状筇卣鞯目紤]，我們選擇在GED分布下的ARMA-EGARCH模型，結合CoES指標對系統(tǒng)風險進行測算。

（一）CoES和下行ΔCoES的定義

根據Adrian and Brunnermeier（2016）提出的構想，CoES指標可以定義在銀行i的收益率小于顯著性水平p所對應的分位數的條件下，銀行系統(tǒng)的收益率的期望大小。

同時，為了構造下行風險溢出和左尾部依賴性的測度指標，李政等（2019）在參考ΔCoVaR的定義后，給出了下行ΔCoES的定義：

為了方便不同機構間系統(tǒng)風險貢獻度的比較，進而對系統(tǒng)重要性排名，參照前人對%ΔCoVaR指標的設計，本文對ΔCoESL指標進行標準化處理：

其中，關于顯著性水平的選取，考慮到現實中我國商業(yè)銀行一般選擇99%作為其置信水平，故而α此處取值為1%。同時，對于風險價值VaR所設置的持有期也參考商業(yè)銀行標準設置為1天，而計算CoES指標時則考慮了未來一個月的收益率，兼顧了實時性的要求。

（二）基于GED分布下ARMA-EGARCH模型的CoES估計方法

本文主要采用ARMA-EGARCH模型來估計CoES指標，同時假設銀行個體的收益率和銀行系統(tǒng)收益率估計中對應的殘差序列服從于廣義誤差分布（GED），主要原因如下：一是利用ARMA-EGARCH模型進行估計，不僅有利于解決金融時間序列數據的自相關和異方差問題，還有利于擬合時間序列對利好及利空消息的非對稱反應（杠桿效應）;二是GED分布的假設相對正態(tài)分布假設更能擬合時間序列數據普遍存在的尖峰厚尾特征;三是CoES指標及下行ΔCoES指標設計為對系統(tǒng)風險貢獻度的度量，即主要度量了一種溢出效應。綜上所述，該模型可以對系統(tǒng)風險存在的傳染性、負外部性、非對稱性、厚尾性等特征進行詳細刻畫，也使得度量結果更加精準。GED分布又可稱作廣義誤差分布，其密度函數表達式為：

式（4）中，Γ（x）為伽瑪函數，η為GED分布的自由度，當η=2時，GED分布即轉為正態(tài)分布，當η>2時，GED分布表現出比正態(tài)分布尾部更薄的特征，當η<2時，則表現出比正態(tài)分布尾部更厚的特征。

在假設干擾項ε服從GED分布的前提下，對于CoES指標的估計可以分為以下三個部分進行描述。

1.各大銀行VaR大小的估計

由式（1）可知，計算CoES指標的前提，需要先計量出銀行i的VaR大小。因而對于銀行i，參照高國華和潘英麗（2011）對銀行個體的VaR的估計，我們對ARMA（1，1）-EGARCH模型中的均值方程進行修改①，同時我們參照Nelson（1991）對EGARCH的設定，對條件方差方程進行一定的修正，進而對個體銀行i建立以下回歸方程：

外，代表RMt時刻的市場收益率，DMt表示t時刻的市場收益的30d滾動方差，加入這兩指標有利于提高方程擬合程度。特別的，方差方程中β反映了外部沖擊帶來的杠桿效應。

在GED分布下，進行極大似然估計后即可得出式（6）和（7）的系數，進而可以求出個體銀行的在險價值VaRiq，t：

其中，是利用以上模型估計出來的銀行預期收益率，是利用迭代的方法計算出的日收益率標準差，Z為擾動項服從GED分布下的q分位數。

2.超臨界損失收益率序列模擬

根據CoES指標的定義，我們需要在各個銀行i的收益率小于或等于VaRiq，t的時候，來求出此場景下的系統(tǒng)收益率的期望。因此，借鑒個體銀行的在險價值的VaRiq，t估計方法，我們給出超出分位數臨界點的該部分收益率序列Reiq，t的模擬思路：

其中，Z_excessiq，t是超額損失在收益率序列中的發(fā)生概率qeccess所對應的分位數，滿足Z_excessiq，t≤Ziq，t。由于Z_excessiq，t在已知分布參數值及概率qeccess可得出，在此我們假設qeccess為均勻分布下生成的隨機數，滿足條件0≤qeccess≤q。

3.基于超臨界損失收益率序列的CoES估計

首先，對于整個銀行系統(tǒng)我們同樣建立ARMA（1，1）-EGARCH模型：

最后，通過式（2）和（3）即可算出各銀行對應的系統(tǒng)風險貢獻度，并可以在不同銀行之間進行比較，得出銀行系統(tǒng)重要性排名。

三、實證結果分析

本文選取個股的股票收益率作為單個金融機構系統(tǒng)風險貢獻度的測算基礎。具體而言，參照田國強等（2019）設定①，在估計下行ΔCoES時，以商業(yè)銀行的后復權收盤價來計算其日收益率，同時以中證滬深300商業(yè)銀行全收益指數收盤指數作為銀行系統(tǒng)收益率。其中日收益率序列計算如下所示：

Rt= （1nPt-1nPt-1）×100%（14）

其中，Rt表示第t天的收益率，1nPt和1nPt-1則表示相鄰兩個交易日收盤價。

本文將選取代表性銀行的系統(tǒng)風險貢獻度進行估算，并對系統(tǒng)重要性排序。為保證估算的準確性，我們將盡可能考慮所有上市的國有商業(yè)銀行、股份制銀行及主要的大型城商行。經過篩選，本文的研究區(qū)間確定在2011年1月4日—2018年12月28日，共1946個交易日，數據來源于Wind數據庫。而對于系統(tǒng)重要性排序，我們將選取共計16家上市商業(yè)銀行進行對比②，因16家商業(yè)銀行資產占中國銀行業(yè)資產總額比例約75%，故選取該樣本分析的代表性較好。

（一）收益率序列描述性分析

為刻畫收益率數據的特征，我們對銀行指數及各大銀行收益率進行了描述性統(tǒng)計分析，同時為保證收益率數據平穩(wěn)，還對其進行了單位根檢驗（見表1）。各大銀行的日收益率的偏度系數為均不恒等于0，因而收益率分布略有左偏或右偏，具有輕微的非對稱性;由于峰度系數也遠大于正態(tài)分布對應的系數3，故具有尖峰厚尾特征;J-B統(tǒng)計量更是達到3600.996，遠大于正態(tài)分布所對應0.01顯著性水平下的臨界值9.21。綜上，可以拒絕收益率分布滿足正態(tài)分布的假設。同時，在對單位根檢驗后可知，所有收益率序列均在1%的水平上顯著，即拒絕收益率序列存在單位根的原假設，收益率序列平穩(wěn)。因此，采用GED分布下的ARMA-EGARCH模型來擬合收益率序列，并估計CoES模型有其合理性。

（二）商業(yè)銀行系統(tǒng)重要性衡量

通過建立ARMA（1，1）-EGARCH模型對收益率擬合，我們可以計算出各大銀行的動態(tài)ΔCoESL，通過繪制圖形（見圖1），進而可以觀測各大銀行系統(tǒng)風險貢獻度變化趨勢?？梢?，大多數商業(yè)銀行的系統(tǒng)風險溢出水平均在2015年及2018年的經濟波動期間達到峰值，這也充分體現了系統(tǒng)風險的負外部性及傳染性。此外我們觀察到，國有大型商業(yè)銀行的系統(tǒng)風險貢獻度盡管較高，但除去危機期間，從長期看其變動幅度相對較小。而股份制商業(yè)銀行和城市商業(yè)銀行的系統(tǒng)風險溢出水平雖相對較低，但其波動較大，說明其在日常經營中更容易受到內外部沖擊因素的干擾，自身穩(wěn)定性較差，也就更容易向整個銀行系統(tǒng)中發(fā)出沖擊，在正常經濟運轉情況下，更容易成為整個系統(tǒng)中的不穩(wěn)定因素。

由于銀行的系統(tǒng)風險貢獻度大小同時是反應商業(yè)銀行的系統(tǒng)重要性的重要依據。此處，我們以標準化后的%ΔCoESL及式（10）中的長期風險溢出系數作為依據，對各類商業(yè)銀行的系統(tǒng)重要性進行比較（見表2）。

由表2可知，國有制商業(yè)銀行短期收益率波動對于銀行系統(tǒng)的風險溢出最大，國有制商業(yè)銀行的系統(tǒng)重要性最高，其中中國工商銀行對銀行系統(tǒng)影響最大。因而危機發(fā)生時，應當優(yōu)先關注五大行的穩(wěn)定性，特別注意對中國工商銀行的風險防控。此外，我們也注意到，股份制商業(yè)銀行和區(qū)域商業(yè)銀行中也不乏有對系統(tǒng)有較大影響的銀行，如中信銀行、北京銀行、寧波銀行等。

反觀長期風險貢獻度指標，銀行個體表現出較強的個體差異。大型商業(yè)銀行中最應加以持續(xù)關注的是中國建設銀行，其單位自身風險能造成65.9%的風險溢出;北京銀行應作為城商行中的重點監(jiān)管對象;股份制商業(yè)銀行中，招商銀行的系統(tǒng)風險貢獻度則遠超其余股份制銀行，這可能與招商銀行長期以來在規(guī)模上的領軍地位以及復雜的業(yè)務往來有關。

四、系統(tǒng)風險貢獻度的影響因素

在對銀行系統(tǒng)風險貢獻度進行度量之后，本文還試圖尋找對該種溢出效應變動起作用的影響因子。正如前述文獻所言，盡管基于宏觀變量和資產負債表的指標法在度量系統(tǒng)風險時存在諸多不足，近年來也并非主流的測度方法。但循著這一研究思路，我們可以將系統(tǒng)風險貢獻度的起因分為兩類研究：即微觀主要基于資產負債表個體特征的誘因以及宏觀經濟層面的影響因素。通過回顧有關文獻，在微觀方面，金融機構機構的規(guī)模、杠桿、流動性、盈利水平和資產質量仍然是最為廣泛討論的影響因素;在宏觀影響因素可以從貨幣政策、經濟景氣程度、經濟放開程度三個視角進行研究。

此處，本文將采用上述16家上市銀行2011—2018年的季度財務數據和相應季度宏觀數據，結合面板回歸模型對銀行系統(tǒng)風險貢獻度的影響因素進行分析，具體回歸方程設置如下：

表3）。

（一）面板數據描述性統(tǒng)計

在進行面板回歸之前，我們首先應對以上變量進行描述性統(tǒng)計，并進行單位根檢驗，防止非平穩(wěn)數據導致的偽回歸現象（見表4）。其中，不良貸款率（npl）是一階單整，其余變量序列均在5%的顯著性水平上平穩(wěn)。因此，在后續(xù)回歸中，對不良貸款率進行差分處理。

（二）面板模型相關檢驗

在利用式（15）進行回歸時，還需要進行殘差截面相關檢驗及異方差檢驗，同時應判斷應當采用固定效應還是隨機效應模型。由表5可知，殘差在1%的顯著性水平下拒絕個體不存在相關性和同方差假設，即殘差截面相關且存在異方差。因而在估計權重時，利用相應的廣義最小二乘估計進行調整，并采用white截面方法作為系數協(xié)方差估計方法。根據chow檢驗的F統(tǒng)計量及卡方統(tǒng)計量，同樣在1%的顯著性水平上拒絕原假設，即模型存在個體固定效應。

（三）面板模型回歸結果

建立固定效應面板數據回歸模型，回歸結果見表6?？梢钥闯鍪畟€解釋變量中， M2增長率、對外投資依存度、市值規(guī)模、權益乘數、資本充足率、總資產收益率、不良貸款率在1%的顯著性水平上顯著，期限利差則在5%的水平上顯著，而GDP同比增長率、對外貿易依存度則不顯著。

具體而言，國債期限利差越大，銀行系統(tǒng)風險貢獻度上升。這是由于利差擴大意味著人們要求更高的流動性溢價，來補償未來將面臨的更大的流動性風險，進而使得銀行的風險傳染的可能性增大。

廣義貨幣增長率的上升，將會帶來銀行系統(tǒng)風險貢獻度上升。這說明了寬松的貨幣政策鼓勵銀行進行風險承擔。同時與期限利差影響相比較，其系數更大，影響也更為顯著，說明了銀行風險承擔行為對于數量型貨幣政策調整更為敏感，這也與我國貨幣政策主要采取數量型工具的事實相符。

對外投資依存度增加，系統(tǒng)風險溢出影響下降?？紤]到雙向投資在經濟中占比增加，將有利于從競爭模仿等途徑，促進技術、資源、人員素質等要素決定的經濟高質量增長，同時，伴隨越來越多的企業(yè)采用新設具有法人資質的子公司的形式對外投資，這一方式提高收益降低成本的同時，還起到多元化經營分散風險的作用，而境外法人獨立擔責又減少了外部風險向國內傳遞，最終使得企業(yè)也高質量增長。雙重作用下，銀行的壞賬概率大大降低，資產質量上升，進而系統(tǒng)內銀行對于外部的風險溢出下降。

此外，GDP同比增長率ΔGDP與對外貿易依存度DFT盡管影響不顯著，但二者仍與系統(tǒng)風險貢獻正相關。這表明經濟增長較快時期，銀行傾向于有更多風險承擔行為，其對系統(tǒng)的潛在溢出風險積聚。而貿易往來越頻繁，對外貿易依存度越高，關稅等貿易壁壘使得國內經濟波動的可能性越大，傳導至金融市場使得銀行系統(tǒng)的穩(wěn)定性也越差。

從微觀個體變量來看，市值規(guī)模的系數顯著為正值，且在個體影響因素中，其對系統(tǒng)風險溢出程度的貢獻最大。這恰是對規(guī)模越大的銀行，一般系統(tǒng)重要性越高的解釋，也印證國內銀行系統(tǒng)存在“太大而不能倒”這一現象。

權益乘數代表的財務杠桿與不良貸款率的增量與系統(tǒng)風險溢出程度也呈現出正相關關系。由于高杠桿及不良貸款率上升都會使得商業(yè)銀行面臨較高的信用風險，根據前述系統(tǒng)風險傳導渠道，當企業(yè)違約事件頻發(fā)，銀行的信貸將會萎縮，由于高杠桿的存在可能存在資不抵債，進而拋售資產的情形，使得資產價格降低，進而風險在整個系統(tǒng)中傳播開來。因而高杠桿及不良貸款率上升均會導致銀行系統(tǒng)風險溢出增大。

衡量銀行流動性的資本充足率的回歸系數為負，這一點與過往經驗并不一致。一般而言銀行流動性越高，其經營過程中安全性越高，但過高的流動性并不利于銀行風險的降低。如較高的資本充足率說明銀行對于資本的利用并不充分，資產端業(yè)務并未得到全面發(fā)展，使得其盈利能力較弱，不利于其持續(xù)經營。我國銀行業(yè)目前對于資本充足率的監(jiān)管的基本要求是10.5%，樣本測試中16家銀行遠超這一指標，國有大型銀行的資本充足率普遍在15%這一水平，存在一定的效率損失，反倒可能不利于限制風險外溢。

在個體銀行的盈利方面，總資產收益率ROA的回歸系數顯著為負。這說明銀行個體的盈利能力越強，其系統(tǒng)風險貢獻度越弱。這是由于其具有較強的能力抵御外部沖擊和內部風險，發(fā)生破產或財務困境的概率較小，不易使得自身風險向外部傳遞，進而使得其系統(tǒng)風險貢獻度較低。

總體而言，除去對外貿易依存度及總資產收益率外，其余指標與系統(tǒng)風險貢獻度均呈正相關關系。因此在實踐過程中，監(jiān)管機構應當注意在經濟增速較快、期限利差擴大、貨幣供應量增加、雙向投資驟縮及貿易往來頻繁等時期，對規(guī)模較大、財務杠桿較高、資產質量較差、流動性過高、盈利水平較低的商業(yè)銀行進行重點監(jiān)管。

五、結論及建議

（一）結論

本文基于Adrian&Brunnermeier（2016）提出CoES方法，借鑒李政等（2019）對這一方法的改進，利用ΔCoESL指標對其系統(tǒng)風險貢獻度進行度量，并以標準化后的指標%ΔCoESL對16家上市銀行的系統(tǒng)重要性進行比較。在此基礎上，本文進一步從宏觀和微觀兩個角度入手，通過面板回歸探討了影響系統(tǒng)風險貢獻度的因素，得到以下結論：一是國有大型商業(yè)銀行的系統(tǒng)重要性普遍高于股份制商業(yè)銀行和城市商業(yè)銀行。其中，中國工商銀行的系統(tǒng)重要性在所有銀行中最高，而中信銀行系統(tǒng)重要性位列股份制銀行之首，城商行中則是北京銀行的系統(tǒng)重要性最強。二是期限利差越大、寬松貨幣政策、較大市值規(guī)模、較高財務杠桿、過量流動性以及不良貸款率劇增都會顯著引起銀行系統(tǒng)風險貢獻程度加大，較高的對外投資依存度及總資產收益率會顯著降低銀行的系統(tǒng)風險溢出效應。另外，較快的國內生產總值增速和對外貿易依存度，可能導致銀行的系統(tǒng)風險傳染性增大。

（二）建議

一是監(jiān)管機構在考慮傳統(tǒng)評價指標（如機構規(guī)模、關聯(lián)度、復雜性、可替代性、資產變現等）的同時，還應充分發(fā)揮數據挖掘功能，建立系統(tǒng)風險貢獻度實時評估模型和預警模型。二是在中美貿易戰(zhàn)背景下，監(jiān)管機構應當密切關注外部環(huán)境變動中可能對銀行系統(tǒng)穩(wěn)定性造成影響的因素，包括國內經濟增長、涉外投資及貿易及貨幣政策等。三是在現行金融監(jiān)管雙峰模式下，無論是人民銀行的逆周期宏觀審慎政策和銀保監(jiān)會的微觀審慎監(jiān)管，亦或是審計機關貫徹的全面風險管理框架，既應注意差異化監(jiān)管，也應注意適度監(jiān)管的問題。從長遠看，監(jiān)管過嚴不僅使銀行喪失創(chuàng)新活力，損失效率，還會使其資本運用不充分，進而降低盈利能力，抵御內外風險能力下降，無法保證長期穩(wěn)定經營，進而可能引發(fā)范圍更為廣泛的系統(tǒng)風險溢出。

（責任編輯：孟潔）

參考文獻：

[1]李政，梁琪，方意.中國金融部門間系統(tǒng)性風險溢出的監(jiān)測預警研究——基于下行和上行ΔCoES指標的實現與優(yōu)化[J].金融研究，2019（2）：40-58.

[2]上海財經大學高等研究院“中國宏觀經濟形勢分析與預測”課題組.中國銀行系統(tǒng)穩(wěn)定性研究[J].中國經濟報告，2019（2）：110-117.

[3]張冰潔，汪壽陽，魏云捷，趙雪婷.基于CoES模型的我國金融系統(tǒng)性風險度量[J].系統(tǒng)工程理論與實踐，2018，38（3）：565-575.

[4]朱波，盧露.不同貨幣政策工具對系統(tǒng)性金融風險的影響研究[J].數量經濟技術經濟研究，2016，33（1）：58-74.

[5]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.

[6]劉生福，李成.貨幣政策調控、銀行風險承擔與宏觀審慎管理——基于動態(tài)面板系統(tǒng)GMM模型的實證分析[J].南開經濟研究，2014（5）：24-39.

[7]孫立行.開放條件下中國金融風險預警指標體系研究[J].世界經濟研究，2012（12）：30-37+85.

[8]劉呂科，張定勝，鄒恒甫.金融系統(tǒng)性風險衡量研究最新進展述評[J].金融研究，2012（11）：31-43.

[9]陳雨露，馬勇.泡沫、實體經濟與金融危機：一個周期分析框架[J].金融監(jiān)管研究，2012（1）：1-19.

[10]高國華，潘英麗.銀行系統(tǒng)性風險度量——基于動態(tài)CoVaR方法的分析[J].上海交通大學學報，2011，45（12）：1753-1759.

[11]周小川.金融政策對金融危機的響應——宏觀審慎政策框架的形成背景、內在邏輯和主要內容[J].金融研究，2011（1）：1-14.

[12]謝福座.基于GARCH-Copula-CoVaR模型的風險溢出測度研究[J].金融發(fā)展研究，2010（12）：12-16.

[13]Acharya V V.A theory of systemic risk and design of prudential bank regulation[J].Journal of financial stability， 2009， 5（3）： 224-255.

[14]Acharya V V，Pedersen L H，Philippon T，et al.Measuring systemic risk[R].Federal Reserve Bank of Cleveland， Working paper， May， 2010.

[15]Acharya V，Engle R，Richardson M.Capital shortfall：A new approach to ranking and regulating systemic risks[J].American Economic Review，2012，102（3）：59-64.

[16]Adrian T，Brunnermeier M K.CoVar：a method for macroprudential regulation[J].Federal Reserve Bank of New York Staff Report，2009，348.

[17]Adrian T，Brunnermeier M K.CoVaR[R].National Bureau of Economic Research， Working paper，October，2011.

[18]Adrian T，Brunnermeier M K.CoVaR[J].The American Economic Review，2016，106（7）：1705-1741.

[19]Banulescu G D，Dumitrescu E I.Which are the SIFIs？A Component Expected Shortfall approach to systemic risk[J].Journal of Banking & Finance，2015，50（1）：575-588.

[20]Brownlees C，Engle R.Volatility，correlation and Tails for Systemic Risk Measurement[R].Social Science Reserch Network，Working paper，June，2011.

[21]Chan-Lau J A，Espinosa M，Giesecke K，et al. Assessing the systemic implications of financial linkages[J].Global Financial Stability Reviews，2009，2（6）：73-110.

[22]張立華，張順順.宏觀審慎框架下系統(tǒng)重要性銀行風險評價及其防范路徑研究[J].西南金融，2019（10）.

[23]吳頌.農村商業(yè)銀行系統(tǒng)流動性風險管理問題研究——以江西省撫州市為例[J].區(qū)域金融研究，2019（3）.

[24]龐麗媛.商業(yè)銀行創(chuàng)新業(yè)務風險分析及監(jiān)管建議[J].黑龍江金融，2018（10）.

[25]包蕾.我國金融控股集團模式下商業(yè)銀行風險管理研究[J].北方金融，2018（8）.