曹曉飛，趙芬芬，萬月亮

（1.中國(guó)社會(huì)科學(xué)院研究生院，北京102488；2.湖北工業(yè)大學(xué)，湖北 武漢430070；3.北京銳安科技有限公司，北京100192）

一、引言

防范系統(tǒng)性金融風(fēng)險(xiǎn)是政府經(jīng)濟(jì)工作的重中之重，而系統(tǒng)性金融風(fēng)險(xiǎn)的主要來源是房地產(chǎn)風(fēng)險(xiǎn)、地方債風(fēng)險(xiǎn)和影子銀行風(fēng)險(xiǎn)。房地產(chǎn)業(yè)雖然得到相關(guān)調(diào)控，但樓市收縮幅度較小。2019 年11 月，中國(guó)100 個(gè)城市新建住宅平均價(jià)格環(huán)比上漲0.21%，雖然2019年以來，房?jī)r(jià)漲幅持續(xù)收窄，但房?jī)r(jià)高、居民購(gòu)買需求大和購(gòu)買能力低依然是房地產(chǎn)業(yè)的現(xiàn)狀。另外，2018 年上市銀行的涉房貸款規(guī)模高達(dá)28 萬億元，占總貸款余額的32.7%，其中居民債務(wù)收入比為86%，居民部門杠桿率為53.2%，房地產(chǎn)業(yè)貸款具有潛在的違約風(fēng)險(xiǎn)。房地產(chǎn)業(yè)作為拉動(dòng)我國(guó)經(jīng)濟(jì)增長(zhǎng)的重要產(chǎn)業(yè)，其融資來源主要是銀行為代表的金融機(jī)構(gòu)，房地產(chǎn)價(jià)格波動(dòng)對(duì)房地產(chǎn)業(yè)、金融市場(chǎng)體系和社會(huì)經(jīng)濟(jì)發(fā)展的影響較大。當(dāng)房地產(chǎn)業(yè)積累和發(fā)生泡沫危機(jī)時(shí)，容易誘發(fā)系統(tǒng)性金融風(fēng)險(xiǎn)。研究房地產(chǎn)價(jià)格波動(dòng)與系統(tǒng)性金融風(fēng)險(xiǎn)的關(guān)系和影響程度，對(duì)房地產(chǎn)業(yè)的健康發(fā)展和防范系統(tǒng)性金融風(fēng)險(xiǎn)均具有重要的意義。

房地產(chǎn)價(jià)格波動(dòng)是系統(tǒng)性金融風(fēng)險(xiǎn)的重要來源，現(xiàn)有文獻(xiàn)關(guān)于房地產(chǎn)價(jià)格波動(dòng)對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)傳導(dǎo)機(jī)制的研究主要從宏觀經(jīng)濟(jì)和金融市場(chǎng)體系兩個(gè)角度進(jìn)行。對(duì)于宏觀經(jīng)濟(jì)，當(dāng)經(jīng)濟(jì)處于繁榮階段時(shí)，房?jī)r(jià)上漲，實(shí)際貨幣存量增加，居民人均可支配收入提高，社會(huì)總消費(fèi)增加；當(dāng)經(jīng)濟(jì)處于蕭條階段時(shí)，房?jī)r(jià)下跌，實(shí)際貨幣存量減少，居民人均可支配收入降低，社會(huì)總消費(fèi)減少?；谏鐣?huì)總消費(fèi)的變動(dòng)，進(jìn)而導(dǎo)致宏觀經(jīng)濟(jì)變動(dòng)，最后導(dǎo)致系統(tǒng)性金融風(fēng)險(xiǎn)的積累和爆發(fā)（Singh and Nadkarni，2018；Fenig et al.，2018；Winkler，2019；沈悅等，2018；聶高輝和晏佳惠，2019）。對(duì)于金融市場(chǎng)體系，當(dāng)房?jī)r(jià)上漲時(shí)，商業(yè)銀行貸款增加，流動(dòng)性過剩，投資增加，進(jìn)而抵押品價(jià)值增加，導(dǎo)致信貸風(fēng)險(xiǎn)擴(kuò)大；當(dāng)房?jī)r(jià)下跌時(shí)，流動(dòng)性不足，融資成本較高，信貸違約風(fēng)險(xiǎn)增加，最終產(chǎn)生系統(tǒng)性金融風(fēng)險(xiǎn)（Beltrame et al.，2018；Suh，2019；魏偉等，2018；張煒，2018）。另外，國(guó)內(nèi)外學(xué)者從實(shí)證的角度研究了房地產(chǎn)價(jià)格波動(dòng)對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的傳導(dǎo)機(jī)制，主要有DSGE、SVAR 和復(fù)雜網(wǎng)絡(luò)等模型和方法（Funke et al.，2018；Fall et al.，2019；郭娜，2019；徐榮等，2017）。

房地產(chǎn)價(jià)格波動(dòng)對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的影響程度主要使用CoVaR模型，重點(diǎn)研究當(dāng)房地產(chǎn)市場(chǎng)發(fā)生泡沫危機(jī)條件時(shí)的系統(tǒng)性金融風(fēng)險(xiǎn)（Adrian and Brunnermeier，2016；Girardi and Ergün，2013）。CoVaR 模型的估計(jì)方法主要有分位數(shù)回歸、DCCGARCH 和Copula 等，其中，分位數(shù)回歸適用于描述金融機(jī)構(gòu)之間線性的風(fēng)險(xiǎn)相關(guān)關(guān)系，但無法描述更為復(fù)雜、非線性的風(fēng)險(xiǎn)傳染過程，后來擴(kuò)展至多元分位數(shù)回歸，以刻畫多個(gè)金融市場(chǎng)之間風(fēng)險(xiǎn)相互傳染的特征（White et al.，2015；歐陽資生和莫廷程，2017）。DCC-GARCH 和GJR-GARCH 等GARCH 類模型主要適用于描述金融機(jī)構(gòu)之間時(shí)變性和非線性等風(fēng)險(xiǎn)特征，同時(shí)考慮到風(fēng)險(xiǎn)波動(dòng)的集聚效應(yīng)，但不能反映系統(tǒng)性風(fēng)險(xiǎn)的尾部特征。其中，DCC-GARCH 模型發(fā)展至ADCC-CoVaR，以考慮有偏分布的非對(duì)稱性（Fang et al.，2018；楊子暉等，2018）。Copula模型主要適用于描述金融機(jī)構(gòu)之間厚尾性、非線性和時(shí)變性的風(fēng)險(xiǎn)相關(guān)關(guān)系，一般結(jié)合GPD和MGPD等極值理論以側(cè)重風(fēng)險(xiǎn)的尾部相依性（Shahzad et al.，2018；沈悅等，2016；王周偉等，2014）。因此，CoVaR 模型的估計(jì)方法越來越綜合并交叉使用不同的模型，但忽略了對(duì)CoVaR模型本身的改進(jìn)和優(yōu)化。

國(guó)內(nèi)外學(xué)者在研究房地產(chǎn)價(jià)格波動(dòng)與系統(tǒng)性金融風(fēng)險(xiǎn)方面已取得了一定的成果，為本研究的開展提供了良好的基礎(chǔ)和思路。本文基于Girardi and Ergün（2013）的方法，對(duì)CoVaR 模型的條件進(jìn)行推廣和改進(jìn)。傳統(tǒng)CoVaR模型的條件是分位點(diǎn)q下的收益率等于VaR，廣義CoVaR 模型的條件是分位點(diǎn)q下的收益率小于等于VaR，以更為準(zhǔn)確地反映在房地產(chǎn)價(jià)格波動(dòng)下的系統(tǒng)性尾部風(fēng)險(xiǎn)。本文對(duì)Copula 和CoVaR 模型進(jìn)行系統(tǒng)介紹，基于上證房地產(chǎn)指數(shù)和上證綜合指數(shù)的日對(duì)數(shù)收益率數(shù)據(jù)，通過GPD-Copula 模型來研究房地產(chǎn)市場(chǎng)和金融市場(chǎng)之間的風(fēng)險(xiǎn)相依性，并使用Copula-CoVaR 模型來度量房地產(chǎn)價(jià)格波動(dòng)的系統(tǒng)性金融風(fēng)險(xiǎn)，在此基礎(chǔ)上，提出相關(guān)的系統(tǒng)性金融風(fēng)險(xiǎn)防控建議。

二、模型介紹

1.Copula模型

相比于Pearson 相關(guān)系數(shù)和格蘭杰因果檢驗(yàn)，Copula 模型能夠描述序列之間的非線性、厚尾性和時(shí)變性等特征，而金融時(shí)間序列具有“波動(dòng)集聚、厚尾、非線性相關(guān)”的特性。因此，用Copula模型描述房地產(chǎn)市場(chǎng)和金融市場(chǎng)之間的相依性是較為合適和準(zhǔn)確的方法。具體的Copula模型定義如下：

假設(shè)F1(x)和F2(y)是連續(xù)的一元分布函數(shù)，令u=F1(x)，ν=F2(y)，即C（u，ν）為邊緣分布服從［0，1］均勻分布的二元分布函數(shù)。令F（x，y）為邊緣分布函數(shù)F1(x)和F2(y)的聯(lián)合分布函數(shù)，則有且僅有一個(gè)Copula函數(shù)C滿足如下關(guān)系：

由以上等式可知，Copula函數(shù)為連接聯(lián)合分布函數(shù)和其邊際分布的函數(shù)，故Copula函數(shù)又稱為連接函數(shù)。Copula模型的基本步驟如下：首先，準(zhǔn)確擬合和確定房地產(chǎn)市場(chǎng)和金融市場(chǎng)收益率序列的邊際分布；其次，確定最優(yōu)Copula 函數(shù)；最后，計(jì)算Kendall相關(guān)系數(shù)、Spearman相關(guān)系數(shù)和上下尾相關(guān)系數(shù)。

對(duì)于邊際分布的確定，本文使用GPD分布來擬合房地產(chǎn)市場(chǎng)和金融市場(chǎng)收益率序列。GPD模型作為極值理論，能夠刻畫房地產(chǎn)市場(chǎng)和金融市場(chǎng)收益率序列的尾部特征，側(cè)重反映極值事件。GPD模型的定義如下：

其中，μ為位置參數(shù)，σ為尺度參數(shù)，ξ為形狀參數(shù)。

對(duì)于Copula 模型的參數(shù)估計(jì)，本文使用IFM 方法進(jìn)行估計(jì)，該方法在參數(shù)較多情況下仍能保證計(jì)算精確度，且計(jì)算過程簡(jiǎn)單。IFM方法分為兩步，具體的計(jì)算步驟如下：

首先，估計(jì)GPD分布的參數(shù)λ=(λ1，…，λn)，其中λ為：

其次，在既定λ的條件下，估計(jì)Copula 模型的參數(shù)，其中θ為：

則IFM方法下的參數(shù)估計(jì)為ηIFM=(λ，θ)。

對(duì)于最優(yōu)Copula 函數(shù)的選擇，本文主要選擇AIC 和BIC 原則進(jìn)行確定。

對(duì)于Copula模型的相依性測(cè)度，本文使用金融時(shí)間序列中較為常用的Kendall 相關(guān)系數(shù)、Spearman 相關(guān)系數(shù)和上下尾相關(guān)系數(shù)。其中，Kendall 相關(guān)系數(shù)和Spearman 相關(guān)系數(shù)屬于一致性的相依性測(cè)度，上下尾相關(guān)系數(shù)屬于尾部相依性測(cè)度。各個(gè)相關(guān)關(guān)系的基本定義如下：

其中，τ、ρ、λup和λlow分別代表Kendallτ相關(guān)系數(shù)、Spearmanρ相關(guān)系數(shù)、上尾相關(guān)關(guān)系和下尾相關(guān)系數(shù)。

2.CoVaR模型

根據(jù)Adrian and Brunnermeier（2016），傳統(tǒng)的CoVaR 模型定義如下：

其中，i代表房地產(chǎn)市場(chǎng)收益率序列，j代表金融市場(chǎng)收益率序列，q代表分位數(shù)點(diǎn)。CoVaR 表示在房地產(chǎn)市場(chǎng)發(fā)生危機(jī)的條件下，金融市場(chǎng)面臨的條件風(fēng)險(xiǎn)值。

為了更準(zhǔn)確地反映房地產(chǎn)市場(chǎng)的極端價(jià)格波動(dòng)，刻畫房地產(chǎn)市場(chǎng)的極值事件，本文基于Girardi and Ergün（2013）的研究，對(duì)CoVaR模型的條件進(jìn)行改進(jìn)。改進(jìn)的CoVaR模型定義如下：相比于（9）式，改進(jìn)的CoVaR 模型的條件由推廣至，即危機(jī)條件為房地產(chǎn)市場(chǎng)的收益率i至多是房地產(chǎn)市場(chǎng)的VaR。

CoVaR 模型的估計(jì)方法主要有分位數(shù)回歸、DCC-GARCH和Copula等。相比而言，Copula能夠刻畫風(fēng)險(xiǎn)的厚尾性和時(shí)變性等特征，故本文使用Copula模型來估計(jì)CoVaR模型。

對(duì)于CoVaR模型的估計(jì)，假設(shè)房地產(chǎn)市場(chǎng)收益率序列Xi和金融市場(chǎng)收益率序列Xj的邊際分布函數(shù)分別為FXi和FXj，對(duì)（10）式整理如下：

假設(shè)Pr(Xi≤VaRiq)=p，則：

CoVaRj|i q的計(jì)算過程如下：首先，在給定的q，p，ν，C下，根據(jù)（12）式，可以計(jì)算u；其次，根據(jù)u=FXj()，可以求解。

三、實(shí)證分析與結(jié)果

本文主要研究房地產(chǎn)市場(chǎng)與金融市場(chǎng)的相依性和風(fēng)險(xiǎn)溢出效應(yīng)。選擇上證房地產(chǎn)指數(shù)（代碼：000006.SH）來代表房地產(chǎn)市場(chǎng)，上證房地產(chǎn)指數(shù)反映了房地產(chǎn)行業(yè)的景氣狀況及其股票價(jià)格整體變動(dòng)狀況，包括保利地產(chǎn)、香江控股、天房發(fā)展、華發(fā)股份、首開股份、金地集團(tuán)、粵泰股份、空港股份、棲霞建設(shè)、廣匯物流、新黃浦、浦東金橋、萬業(yè)企業(yè)、外高橋、陸家嘴、中華企業(yè)、珠江實(shí)業(yè)、第一醫(yī)藥、新城控股、北辰實(shí)業(yè)、中國(guó)建筑、南都物業(yè)、金橋B股、外高B股和陸家B股等25個(gè)成分股。同時(shí)，選擇上證綜合指數(shù)（代碼：000001.SH）代表金融市場(chǎng)，上證綜合指數(shù)反映了所有上市股票價(jià)格變動(dòng)狀況。本文的時(shí)間區(qū)間為2010年1月4日至2019年6月28日，樣本容量為2305 個(gè)，數(shù)據(jù)來源于Wind 數(shù)據(jù)庫，主要使用S-Plus 和Matlab軟件進(jìn)行實(shí)證分析。

基于上證房地產(chǎn)指數(shù)和上證綜合指數(shù)的日收盤價(jià)數(shù)據(jù)，分別計(jì)算其對(duì)數(shù)收益率，具體計(jì)算公式如下：

Rt=100*ln(Pt/Pt-1)

其中，Rt為第t天的指數(shù)對(duì)數(shù)收益率，Pt和Pt-1分別為第t天和第t-1天的指數(shù)收盤價(jià)。

表1 描述性統(tǒng)計(jì)量

根據(jù)表1 可知，房地產(chǎn)市場(chǎng)收益率序列的均值為0.0171，大于金融市場(chǎng)收益率序列，而房地產(chǎn)市場(chǎng)的標(biāo)準(zhǔn)差為1.8931，也大于金融市場(chǎng)收益率序列，表明房地產(chǎn)市場(chǎng)的收益和風(fēng)險(xiǎn)均維持較高的水平，其價(jià)格波動(dòng)的幅度較大。同時(shí)，根據(jù)偏度、峰度和JB 統(tǒng)計(jì)量的結(jié)果可知，房地產(chǎn)市場(chǎng)和金融市場(chǎng)收益率序列均不服從正態(tài)分布，而是包含有偏和厚尾的特征。

為刻畫房地產(chǎn)市場(chǎng)和金融市場(chǎng)收益率序列的尾部特征，本文使用GPD模型進(jìn)行邊際分布擬合。GPD模型的關(guān)鍵是閾值的選取，本文使用Du Mouchel 10%原則來確定閾值，該方法對(duì)閾值的計(jì)算簡(jiǎn)單且準(zhǔn)確，還可以分別確定上尾閾值和下尾閾值，具體的閾值估計(jì)結(jié)果如下：

表2 房地產(chǎn)市場(chǎng)和金融市場(chǎng)收益率序列的上尾和下尾參數(shù)估計(jì)

根據(jù)表2 可知，μ代表GPD 模型的上尾閾值和下尾閾值，Pμ代表超出閾值的樣本數(shù)據(jù)比例，ξ代表形狀參數(shù)估計(jì)值，σ代表尺度參數(shù)估計(jì)值。以房地產(chǎn)市場(chǎng)為例，房地產(chǎn)市場(chǎng)服從上尾閾值和下尾閾值分別為2.2453和-1.9654、形狀參數(shù)分別為-0.0367 和0.2089、尺度參數(shù)分別為1.1928 和1.2357 的GPD 分布，超過上尾閾值和下尾閾值的樣本數(shù)據(jù)占總觀測(cè)數(shù)據(jù)（2305個(gè)）的比例分別為9.978%和9.935%。

圖1 房地產(chǎn)市場(chǎng)和金融市場(chǎng)收益率序列GPD分布的上尾和下尾擬合診斷圖

圖1為房地產(chǎn)市場(chǎng)和金融市場(chǎng)收益率序列的GPD分布擬合效果圖。從左至右、從上至下分別為房地產(chǎn)市場(chǎng)收益率序列的上尾和下尾、金融市場(chǎng)收益率序列的上尾和下尾的超出分布圖，其中超出分布是僅對(duì)超出閾值的樣本數(shù)據(jù)進(jìn)行分布擬合。根據(jù)圖1可以看出，房地產(chǎn)市場(chǎng)（REM）和金融市場(chǎng)（FM）的上尾和下尾大部分點(diǎn)均在超出分布的擬合曲線上，兩者耦合性較好，表明房地產(chǎn)市場(chǎng)和金融市場(chǎng)的上尾閾值和下尾閾值選取較好，GPD分布能夠準(zhǔn)確地?cái)M合房地產(chǎn)市場(chǎng)和金融市場(chǎng)的收益率序列。

邊際分布的確定為構(gòu)建Copula模型奠定了基礎(chǔ)，Copula模型的關(guān)鍵在于最優(yōu)Copula 函數(shù)的選取。本文主要使用AIC 和BIC原則來確定最優(yōu)Copula，具體結(jié)果如下：

表3 Copula模型的參數(shù)估計(jì)和檢驗(yàn)結(jié)果

Copula 函數(shù)種類較多，本文主要使用常用的Gaussian Copula、Gumbel Copula、Galambos Copula、Frank Copula、Clayton Copula 和BB7 Copula 等Copula 函數(shù)進(jìn)行相關(guān)說明。根據(jù)表3 可知，BB7 Copula函數(shù)的loglike 值最大，而AIC、BIC和HQ值最小，表明BB7 Copula函數(shù)為最優(yōu)Copula，其參數(shù)估計(jì)值分別為2.1308和1.8473。相反，F(xiàn)rank Copula函數(shù)的擬合效果最差。

圖2 Copula函數(shù)與其經(jīng)驗(yàn)分布比較圖

根據(jù)圖2可知，從左至右、從上至下分別Gaussian Copula、Gumbel Copula、Galambos Copula、Frank Copula、Clayton Copula和BB7 Copula函數(shù)及其對(duì)應(yīng)的經(jīng)驗(yàn)分布的等高線圖。相比于其他五個(gè)Copula 函數(shù)，BB7 Copula 函數(shù)的擬合效果最好。因此，BB7 Copula函數(shù)擬合房地產(chǎn)市場(chǎng)和金融市場(chǎng)的相依性最為合適。

圖3 概率密度圖

圖4 累積分布圖

圖3和圖4分別是參數(shù)θ為2.1308和δ為1.8473的BB7 Copula 函數(shù)的概率密度圖和累積分布圖。根據(jù)圖3 和圖4 可知，BB7 Copula函數(shù)具有厚尾性和非對(duì)稱性，且上尾相依性大于下尾相依性。具體而言，BB7 Copula函數(shù)能夠準(zhǔn)確地描述房地產(chǎn)市場(chǎng)和金融市場(chǎng)的上尾分布的風(fēng)險(xiǎn)變化，房地產(chǎn)市場(chǎng)的價(jià)格暴漲增加了金融市場(chǎng)價(jià)格暴漲的可能性。對(duì)上尾分布的風(fēng)險(xiǎn)變化較為敏感，能夠全面而準(zhǔn)確地捕捉到上尾相關(guān)的風(fēng)險(xiǎn)變化。

表4 房地產(chǎn)市場(chǎng)和金融市場(chǎng)的相依結(jié)構(gòu)

根據(jù)表4可知，房地產(chǎn)市場(chǎng)和金融市場(chǎng)之間的Kendall相關(guān)系數(shù)為0.5834，Spearman 相關(guān)系數(shù)為0.7662，上尾相關(guān)系數(shù)為0.6871，下尾相關(guān)系數(shù)為0.6156，表明房地產(chǎn)市場(chǎng)和金融市場(chǎng)存在較強(qiáng)的相依性，且上尾相依性更為顯著。因此，相比于房?jī)r(jià)下跌，當(dāng)房地產(chǎn)價(jià)格上漲時(shí)，金融市場(chǎng)價(jià)格暴漲的可能性顯著增大，房地產(chǎn)市場(chǎng)和金融市場(chǎng)之間更加傾向于較強(qiáng)的相關(guān)性。近年來，房?jī)r(jià)的暴漲使房地產(chǎn)市場(chǎng)存在較大的杠桿和泡沫危機(jī)，刺激到其他行業(yè)和企業(yè)紛紛將投資轉(zhuǎn)向房地產(chǎn)業(yè)，居民的家庭負(fù)債狀況較為嚴(yán)峻，增加了以商業(yè)銀行為核心的金融機(jī)構(gòu)的信貸風(fēng)險(xiǎn)，最終導(dǎo)致系統(tǒng)性金融風(fēng)險(xiǎn)的產(chǎn)生、傳染、積累和爆發(fā)。

房地產(chǎn)價(jià)格的上漲和下跌變化，對(duì)金融市場(chǎng)的風(fēng)險(xiǎn)變化具有一定的影響。根據(jù)前文Copula-CoVaR 模型的設(shè)置，本文主要研究在房地產(chǎn)市場(chǎng)處于危機(jī)條件下的系統(tǒng)性金融風(fēng)險(xiǎn)。據(jù)此計(jì)算風(fēng)險(xiǎn)價(jià)值、條件風(fēng)險(xiǎn)價(jià)值和風(fēng)險(xiǎn)溢出效應(yīng)。具體的估計(jì)結(jié)果如下：

表5 房地產(chǎn)市場(chǎng)處于危機(jī)條件下的系統(tǒng)性金融風(fēng)險(xiǎn)估計(jì)結(jié)果

表5為在1%、5%和10%的不同分位數(shù)點(diǎn)下，房地產(chǎn)市場(chǎng)處于危機(jī)條件下的系統(tǒng)性金融風(fēng)險(xiǎn)估計(jì)結(jié)果。根據(jù)表5 可知，隨著分位數(shù)點(diǎn)的增加，、和值均隨之減少。以分位數(shù)點(diǎn)為5%為例，金融市場(chǎng)的風(fēng)險(xiǎn)價(jià)值VaR為2.4238，房地產(chǎn)市場(chǎng)處于危機(jī)條件下的金融市場(chǎng)條件風(fēng)險(xiǎn)價(jià)值CoVaR為3.7642，房地產(chǎn)市場(chǎng)對(duì)金融市場(chǎng)的風(fēng)險(xiǎn)溢出效應(yīng)ΔCoVaR為1.3404。其中，在CoVaR模型下，金融市場(chǎng)的風(fēng)險(xiǎn)包括了金融市場(chǎng)自身的風(fēng)險(xiǎn)VaR和房地產(chǎn)市場(chǎng)對(duì)金融市場(chǎng)的風(fēng)險(xiǎn)溢出效應(yīng)ΔCoVaR。傳統(tǒng)的VaR 模型無法測(cè)度風(fēng)險(xiǎn)的溢出效應(yīng)ΔCoVaR，低估了風(fēng)險(xiǎn)的實(shí)際價(jià)值水平，而CoVaR 模型克服了這個(gè)缺陷，有效地刻畫了多個(gè)金融機(jī)構(gòu)和市場(chǎng)之間的風(fēng)險(xiǎn)傳染性。

四、結(jié)論

本文主要研究了房地產(chǎn)市場(chǎng)和金融市場(chǎng)的相依性和系統(tǒng)性金融風(fēng)險(xiǎn)。首先，通過GPD分布擬合了邊際分布，使用Copula模型分析了房地產(chǎn)市場(chǎng)和金融市場(chǎng)的相依性，結(jié)果表明房地產(chǎn)市場(chǎng)和金融市場(chǎng)存在較強(qiáng)的相關(guān)性，且上尾相關(guān)性強(qiáng)于下尾相關(guān)性；其次，對(duì)CoVaR模型的條件進(jìn)行推廣和改進(jìn)，以更加準(zhǔn)確地反映金融風(fēng)險(xiǎn)的厚尾性特征，主要使用Copula模型來估計(jì)CoVaR模型，結(jié)果表明隨著分位數(shù)點(diǎn)的增加，系統(tǒng)性金融風(fēng)險(xiǎn)隨之減少。在實(shí)證研究的基礎(chǔ)上，本文提出以下防控系統(tǒng)性金融風(fēng)險(xiǎn)的建議：

第一，建立健全貨幣政策和宏觀審慎監(jiān)管的協(xié)調(diào)監(jiān)管機(jī)制。系統(tǒng)性金融風(fēng)險(xiǎn)除了需要宏觀審慎監(jiān)管的基本監(jiān)管要求之外，還需要貨幣政策的調(diào)節(jié)，貨幣政策在宏觀經(jīng)濟(jì)和房地產(chǎn)市場(chǎng)具有重要的調(diào)節(jié)作用。具體而言，對(duì)于宏觀審慎監(jiān)管，要加強(qiáng)金融機(jī)構(gòu)的資本充足率和杠桿率等核心指標(biāo)的最低要求，構(gòu)建和完善包括資產(chǎn)負(fù)債、流動(dòng)性和信貸政策等層次的宏觀審慎評(píng)估體系，對(duì)系統(tǒng)重要性金融機(jī)構(gòu)和大型的風(fēng)險(xiǎn)進(jìn)行重點(diǎn)防控和管理，同時(shí)對(duì)金融機(jī)構(gòu)和房地產(chǎn)市場(chǎng)之間較為密切的業(yè)務(wù)往來進(jìn)行相關(guān)的綜合監(jiān)督，以防止系統(tǒng)性金融風(fēng)險(xiǎn)的擴(kuò)散和傳導(dǎo)；對(duì)于貨幣政策，應(yīng)該遵循宏觀經(jīng)濟(jì)健康發(fā)展和國(guó)家政策等戰(zhàn)略方向，通過利率和匯率等手段對(duì)房地產(chǎn)市場(chǎng)的價(jià)格進(jìn)行宏觀調(diào)節(jié)，嚴(yán)格規(guī)范房地產(chǎn)市場(chǎng)信貸審批程序，嚴(yán)控不良貸款率，從而保證以商業(yè)銀行為核心的金融機(jī)構(gòu)資產(chǎn)質(zhì)量，維護(hù)房地產(chǎn)市場(chǎng)的穩(wěn)定和發(fā)展，進(jìn)而降低金融市場(chǎng)的系統(tǒng)性風(fēng)險(xiǎn)。要注意貨幣政策和宏觀審慎監(jiān)管的配合和聯(lián)動(dòng)，把握貨幣政策和宏觀審慎政策的針對(duì)性和靈活性，推動(dòng)不同監(jiān)管機(jī)構(gòu)的合作和信息共享，在貨幣政策和宏觀審慎監(jiān)管的目標(biāo)發(fā)生沖突時(shí)及時(shí)做好評(píng)估和抉擇，在時(shí)間維度上注重貨幣政策和宏觀審慎監(jiān)管的長(zhǎng)期效應(yīng)，在截面維度上注重房地產(chǎn)市場(chǎng)的重點(diǎn)風(fēng)險(xiǎn)監(jiān)管，達(dá)到房地產(chǎn)市場(chǎng)健康發(fā)展和防控金融市場(chǎng)系統(tǒng)性金融風(fēng)險(xiǎn)的目的。

第二，健全危機(jī)救助機(jī)制和應(yīng)急處置機(jī)制。加大對(duì)系統(tǒng)性風(fēng)險(xiǎn)的財(cái)政救助力度，通過財(cái)政政策和宏觀審慎監(jiān)管的協(xié)調(diào)，完善財(cái)政救助體系。財(cái)政政策最能在房地產(chǎn)價(jià)格波動(dòng)和泡沫危機(jī)之中發(fā)揮作用，要發(fā)揮財(cái)政救助和稅收調(diào)節(jié)的作用，通過財(cái)政政策加強(qiáng)對(duì)房地產(chǎn)市場(chǎng)的調(diào)控和管理，使房地產(chǎn)市場(chǎng)能夠平穩(wěn)和健康發(fā)展。具體而言，將財(cái)政救助和宏觀審慎監(jiān)管政策相結(jié)合，設(shè)計(jì)金融監(jiān)管和財(cái)政政策的協(xié)同機(jī)制，發(fā)揮財(cái)政政策、土地財(cái)政和稅收政策等其他工具在系統(tǒng)性風(fēng)險(xiǎn)防控和房地產(chǎn)危機(jī)救助等方面的作用，使系統(tǒng)性金融風(fēng)險(xiǎn)的防控工作制度化和具體化。同時(shí)，通過構(gòu)建科學(xué)的預(yù)警模型，對(duì)房地產(chǎn)市場(chǎng)的系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行精確、實(shí)時(shí)和動(dòng)態(tài)追蹤與預(yù)測(cè)，完善針對(duì)房地產(chǎn)市場(chǎng)引致的系統(tǒng)性金融風(fēng)險(xiǎn)應(yīng)急處置機(jī)制，使房地產(chǎn)風(fēng)險(xiǎn)控制在一定的合理區(qū)間，防止房地產(chǎn)風(fēng)險(xiǎn)進(jìn)一步擴(kuò)大和傳染。另外，系統(tǒng)性金融風(fēng)險(xiǎn)具有復(fù)雜性、傳染性和突發(fā)性等特征，必須提前對(duì)各種系統(tǒng)性金融風(fēng)險(xiǎn)產(chǎn)生的不良影響和相應(yīng)的救助體系進(jìn)行全面深入的推演和診斷，在系統(tǒng)性金融風(fēng)險(xiǎn)防控中不僅要注意事后控制，更要注意事前防范，將風(fēng)險(xiǎn)防范擺在更為突出的位置，通過完善金融風(fēng)險(xiǎn)處置預(yù)案，防止單體局部風(fēng)險(xiǎn)演變?yōu)橄到y(tǒng)性全局風(fēng)險(xiǎn)，使系統(tǒng)性金融風(fēng)險(xiǎn)的防控工作有序化和規(guī)范化。

第三，建立系統(tǒng)性金融風(fēng)險(xiǎn)評(píng)估和防控機(jī)制。第三方支付、小微貸款和P2P等互聯(lián)網(wǎng)金融迅猛發(fā)展，導(dǎo)致系統(tǒng)性金融風(fēng)險(xiǎn)的擴(kuò)大和傳染，同時(shí)造成了監(jiān)管困難，這就要求金融創(chuàng)新和金融風(fēng)險(xiǎn)相互考慮和平衡，金融創(chuàng)新和金融監(jiān)管法律法規(guī)相互協(xié)調(diào)和配套。對(duì)于金融創(chuàng)新，應(yīng)該提前對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行科學(xué)評(píng)估，考慮金融創(chuàng)新對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)帶來的不良影響和后果。金融創(chuàng)新的目的在于提高金融服務(wù)層次和效率，更好地為房地產(chǎn)業(yè)和其他行業(yè)發(fā)展提高資金支持。當(dāng)房地產(chǎn)市場(chǎng)出現(xiàn)價(jià)格暴漲或者暴跌，具有泡沫危機(jī)的潛在風(fēng)險(xiǎn)時(shí)，以商業(yè)銀行為核心的金融機(jī)構(gòu)應(yīng)該對(duì)房地產(chǎn)市場(chǎng)的業(yè)務(wù)開展做出更為科學(xué)和謹(jǐn)慎的選擇，對(duì)房地產(chǎn)市場(chǎng)的發(fā)展前景進(jìn)行科學(xué)預(yù)判，緊跟國(guó)家政策對(duì)房地產(chǎn)市場(chǎng)的調(diào)控，適應(yīng)社會(huì)經(jīng)濟(jì)發(fā)展的大環(huán)境和經(jīng)濟(jì)方式轉(zhuǎn)變的大趨勢(shì)，配合財(cái)政政策和貨幣政策的基本思路，遵守相關(guān)的金融風(fēng)險(xiǎn)監(jiān)管的法律法規(guī)，而不是以金融創(chuàng)新為由對(duì)房地產(chǎn)風(fēng)險(xiǎn)置之不理，甚至是違法違規(guī)和頂風(fēng)作案。同時(shí)，金融機(jī)構(gòu)可以在綠色金融、普惠金融和金融科技等領(lǐng)域進(jìn)行相關(guān)創(chuàng)新。將這些創(chuàng)新與房地產(chǎn)業(yè)的實(shí)際情況相結(jié)合，以解決居民家庭購(gòu)房債務(wù)高、房地產(chǎn)市場(chǎng)投機(jī)和泡沫等現(xiàn)實(shí)問題，積極引導(dǎo)房地產(chǎn)行業(yè)的有序健康發(fā)展。