邱路 黃國(guó)妍

1) (上海師范大學(xué)商學(xué)院,上海 200234)

2) (華東理工大學(xué)商學(xué)院,上海 200237)

銀行風(fēng)險(xiǎn)傳導(dǎo)研究是系統(tǒng)性金融風(fēng)險(xiǎn)測(cè)度與防范的重點(diǎn).文獻(xiàn)中主要研究靜態(tài)銀行網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和銀行系統(tǒng)性風(fēng)險(xiǎn)量化,較少考慮銀行網(wǎng)絡(luò)之間的狀態(tài)轉(zhuǎn)變.針對(duì)上述問(wèn)題,提出時(shí)變狀態(tài)網(wǎng)絡(luò)模型.根據(jù)模型,首先用kmeans方法對(duì)各個(gè)時(shí)間段的銀行網(wǎng)絡(luò)分類,然后通過(guò)有向最小生成樹(shù)(DMST,directed minimum spanning tree)分析每一類銀行網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),最后聯(lián)合利用平面最大過(guò)濾圖(PMFG,planar maximally filtered graph)方法構(gòu)建時(shí)變銀行狀態(tài)網(wǎng)絡(luò),該網(wǎng)絡(luò)可用作銀行風(fēng)險(xiǎn)源頭的尋找和傳導(dǎo)時(shí)變性分析.利用時(shí)變狀態(tài)網(wǎng)絡(luò)模型研究我國(guó)15家上市商業(yè)銀行2007年第四季度到2019第一季度同業(yè)拆借數(shù)據(jù).結(jié)果表明,銀行狀態(tài)網(wǎng)絡(luò)之間的短期連續(xù)跳躍性可有效描述金融危機(jī)的發(fā)生,比如2008年全球金融危機(jī)發(fā)生前后出現(xiàn)了兩個(gè)狀態(tài)間的短期跳躍,從2013年“錢(qián)荒”到2015年的股災(zāi)階段,先后出現(xiàn)了四個(gè)狀態(tài)間的短期跳躍.同時(shí),各個(gè)有向銀行狀態(tài)網(wǎng)絡(luò)的出度和傳染效應(yīng)成正比,入度和銀行面臨風(fēng)險(xiǎn)的穩(wěn)健程度成反比.時(shí)序的銀行狀態(tài)網(wǎng)絡(luò)具有記憶性特征,這可以為央行防范系統(tǒng)性風(fēng)險(xiǎn)提供決策依據(jù).

1 引 言

金融網(wǎng)絡(luò)的動(dòng)態(tài)演化以及拓?fù)涮匦蕴崛∫呀?jīng)廣泛用于金融危機(jī)的描述以及金融系統(tǒng)性風(fēng)險(xiǎn)的量化.特別是銀行網(wǎng)絡(luò),在金融網(wǎng)絡(luò)中占著非常重要的角色[1].銀行作為整個(gè)市場(chǎng)的資源收集者和調(diào)配者角色,由于其經(jīng)營(yíng)的特殊性,借貸、支付清算、投資等形成錯(cuò)綜復(fù)雜的關(guān)系,加之信息不對(duì)稱,風(fēng)險(xiǎn)更容易在銀行之間傳染,從而引發(fā)金融系統(tǒng)性風(fēng)險(xiǎn)[2?4].

如何準(zhǔn)確刻畫(huà)銀行間復(fù)雜關(guān)聯(lián),有效識(shí)別系統(tǒng)重要性銀行,動(dòng)態(tài)跟蹤銀行風(fēng)險(xiǎn)傳染路徑,對(duì)于防范金融系統(tǒng)性風(fēng)險(xiǎn)、金融危機(jī)預(yù)警有著至關(guān)重要的作用.研究者通常通過(guò)構(gòu)建銀行網(wǎng)絡(luò),研究網(wǎng)絡(luò)結(jié)構(gòu)、風(fēng)險(xiǎn)傳遞關(guān)系、系統(tǒng)性風(fēng)險(xiǎn)的傳遞源頭以及路徑等問(wèn)題,從而為科學(xué)防范系統(tǒng)性風(fēng)險(xiǎn)提供有效依據(jù).現(xiàn)有文獻(xiàn)關(guān)于銀行網(wǎng)絡(luò)構(gòu)和風(fēng)險(xiǎn)傳遞的研究方法大體涉及以下兩類: 一是通過(guò)最大熵方法[5]和最小密度法[6]構(gòu)建拆借網(wǎng)絡(luò);二是通過(guò)計(jì)算銀行之間的相關(guān)矩陣構(gòu)建銀行網(wǎng)絡(luò).

由于銀行和銀行之間的資金頭寸數(shù)據(jù)不可得,一些學(xué)者采用最大熵方法構(gòu)建銀行之間資產(chǎn)負(fù)債關(guān)系網(wǎng)絡(luò),并且利用拆借網(wǎng)絡(luò)研究風(fēng)險(xiǎn)的傳染.李守偉等[7]利用最大熵法和閾值法構(gòu)建我國(guó)19家商業(yè)銀行的有向網(wǎng)絡(luò),并研究隨機(jī)性攻擊和選擇性攻擊對(duì)整個(gè)銀行網(wǎng)絡(luò)的影響.結(jié)果表明,對(duì)于隨機(jī)性攻擊,銀行網(wǎng)絡(luò)具有較高的穩(wěn)定性,但是在選擇性攻擊時(shí),穩(wěn)定性比較低.范宏等[8]根據(jù)我國(guó)上市銀行2008年到2015年的年報(bào)數(shù)據(jù)構(gòu)建動(dòng)態(tài)演化的中國(guó)銀行網(wǎng)絡(luò)系統(tǒng),并且得出我國(guó)銀行系統(tǒng)的系統(tǒng)風(fēng)險(xiǎn)在2009年達(dá)到最高值,在2015年達(dá)到最低值.王明亮等[9]利用2011年50家銀行年報(bào)數(shù)據(jù),基于矩陣法模擬分析不同網(wǎng)絡(luò)結(jié)構(gòu)不同風(fēng)險(xiǎn)沖擊下單家銀行發(fā)生倒閉所產(chǎn)生的傳染效應(yīng).結(jié)果表明,銀行擠兌造成的傳染效應(yīng)最大.Anand等[6]為了構(gòu)建更現(xiàn)實(shí)的銀行同業(yè)拆借網(wǎng)絡(luò)并保留銀行間市場(chǎng)重要特征,提出最小密度法,并用最小密度法和目前最流行的最大熵方法進(jìn)行對(duì)比.結(jié)果表明,用于壓力測(cè)試時(shí)最小密度解高估了傳染,而最大熵低估了傳染.基于最小密度法,Anand等[1]又接著利用向聚類系數(shù)作為系統(tǒng)性風(fēng)險(xiǎn)的測(cè)度,并用巴西銀行網(wǎng)絡(luò)的數(shù)據(jù)進(jìn)行分析.結(jié)果表明,有向聚類系數(shù)與國(guó)內(nèi)利益呈負(fù)相關(guān).

利用最大熵法通常會(huì)涉及到一個(gè)問(wèn)題,由于銀行年報(bào)數(shù)據(jù)通常為每年一次或者每個(gè)季度一次,而且研究多個(gè)銀行之間的連續(xù)動(dòng)態(tài)關(guān)系時(shí)通常會(huì)有缺失,同時(shí)由于銀行之間的拆借市場(chǎng)利率會(huì)影響貨幣供應(yīng)量,從而影響股票大盤(pán)的走勢(shì),所以一些研究者利用資本市場(chǎng)的股票交易數(shù)據(jù)間接研究銀行之間的風(fēng)險(xiǎn)傳染.在構(gòu)建多個(gè)銀行之間的關(guān)系時(shí),通常利用皮爾遜相關(guān)系數(shù)和隨機(jī)矩陣?yán)碚?、網(wǎng)絡(luò)連接估計(jì)法、VAR模型和及格蘭杰因果檢驗(yàn)、距離矩陣法、轉(zhuǎn)移熵[10]等來(lái)研究各個(gè)銀行之間的相關(guān)性,從而構(gòu)建相關(guān)矩陣.鄧向榮等[11]用皮爾遜相關(guān)系數(shù)和隨機(jī)矩陣?yán)碚摌?gòu)建金融風(fēng)險(xiǎn)傳染模型,然后利用格蘭杰因果檢驗(yàn)方法構(gòu)建中國(guó)金融風(fēng)險(xiǎn)傳染網(wǎng)絡(luò),通過(guò)復(fù)雜網(wǎng)絡(luò)指標(biāo)評(píng)估金融機(jī)構(gòu)的風(fēng)險(xiǎn)傳染速度、范圍等.最終得出,中國(guó)金融風(fēng)險(xiǎn)傳染網(wǎng)絡(luò)呈現(xiàn)多層次、多通道關(guān)聯(lián),部分非銀行機(jī)構(gòu)在風(fēng)險(xiǎn)積聚中發(fā)揮關(guān)鍵作用.胡利琴等[12]利用VARNETWORK模型構(gòu)建了我國(guó)銀行間的有向網(wǎng)絡(luò)關(guān)聯(lián)圖,并進(jìn)行滾動(dòng)動(dòng)態(tài)風(fēng)險(xiǎn)溢出效應(yīng)分析,得出在2009年中期至2010年出現(xiàn)一個(gè)較大的波峰,在 2011 年末,2012 年末,2013 年中,2014 年中后期,2015年中和2016年中共出現(xiàn)6個(gè)小波峰,并用波峰和我國(guó)宏觀經(jīng)濟(jì)背景以及發(fā)生的金融大事件進(jìn)行比對(duì).Constantin等[13]將網(wǎng)絡(luò)連接估計(jì)法引入到銀行危機(jī)預(yù)警模型,并利用該方法估算了1999 Q1–2012 Q3 的 171 家歐洲銀行的股權(quán)收益的尾部依賴性網(wǎng)絡(luò),將其與銀行預(yù)警模型相結(jié)合,并證明該方法可用于提取早期預(yù)警信號(hào)和尋找金融機(jī)構(gòu)之間的關(guān)系.陳夢(mèng)根和趙雨涵[14]以國(guó)際清算 銀 行 (Bank for International Settlements,BIS)信貸數(shù)據(jù)為研究對(duì)象,采取距離矩陣法構(gòu)建銀行相關(guān)矩陣,并用最小生成樹(shù)(MST,minimum spanning tree)方法構(gòu)建了從 1994年到 2016年(一年4個(gè)網(wǎng)絡(luò),每個(gè)季度一個(gè)網(wǎng)絡(luò))共92個(gè)網(wǎng)絡(luò),分析了最小生成樹(shù)樹(shù)長(zhǎng)(CTL)和標(biāo)準(zhǔn)化樹(shù)長(zhǎng)(NTL)的動(dòng)態(tài)演化,通過(guò)最小樹(shù)長(zhǎng)的動(dòng)態(tài)演化對(duì)應(yīng)各種危機(jī)事件.結(jié)果表明,中國(guó)銀行業(yè)的國(guó)際地位在全球金融危機(jī)后,穩(wěn)定高于平均水平,對(duì)金融危機(jī)沖擊的敏感性在降低.李智和牛曉健[15]以我國(guó)16家上市銀行的2012年至2016年12月交易數(shù)據(jù)為研究對(duì)象,利用轉(zhuǎn)移熵構(gòu)建銀行關(guān)系網(wǎng)絡(luò).結(jié)果得出,工商銀行對(duì)其他銀行總的風(fēng)險(xiǎn)傳染效應(yīng)最大,而招商銀行對(duì)其他銀行總的風(fēng)險(xiǎn)傳染效應(yīng)最小;交通銀行面臨的其他銀行風(fēng)險(xiǎn)傳染效應(yīng)最大,光大銀行面臨風(fēng)險(xiǎn)傳染效應(yīng)最小.

通過(guò)上述兩類構(gòu)建銀行網(wǎng)絡(luò)的方法,不難發(fā)現(xiàn),最大熵法和最小密度法主要利用年報(bào)數(shù)據(jù)中的總的同業(yè)拆借數(shù)據(jù)反推銀行之間的拆入和拆出,但是構(gòu)建的拆借網(wǎng)絡(luò)是完全連接網(wǎng)絡(luò),盡管利用閾值法濾除一些噪音邊,但是閾值的選取無(wú)法給定一個(gè)客觀的定義,一般是人為選取.利用多個(gè)商業(yè)銀行股票收盤(pán)價(jià)作為研究對(duì)象相對(duì)于銀行年報(bào)數(shù)據(jù)的優(yōu)點(diǎn)是可以有足夠長(zhǎng)度的數(shù)據(jù),便于研究動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)的演化,同時(shí)通過(guò)構(gòu)建多個(gè)時(shí)間點(diǎn)的銀行相關(guān)矩陣,并且采取閾值法[16]、最小生成樹(shù)法[17,18]等構(gòu)建復(fù)雜網(wǎng)絡(luò)[19,20].然而,利用股票數(shù)據(jù)構(gòu)建銀行復(fù)雜網(wǎng)絡(luò)時(shí)會(huì)有以下缺點(diǎn): 1)股票數(shù)據(jù)中包含著非常多的金融信息,其中能反應(yīng)商業(yè)銀行的只是很小的一部分,會(huì)對(duì)最后銀行拆借網(wǎng)絡(luò)的構(gòu)建造成噪聲影響;2)股票數(shù)據(jù)反應(yīng)的銀行信息可能只是銀行的業(yè)務(wù)策略或者是對(duì)市場(chǎng)反應(yīng)的滯后表現(xiàn).最小生成樹(shù)法雖然有效避免了閾值法的主觀性和不唯一性,客觀濾掉了大量冗余信息,呈現(xiàn)唯一的銀行關(guān)系網(wǎng)絡(luò),但是文獻(xiàn)中大都利用最小生成成樹(shù)法構(gòu)建無(wú)向網(wǎng)絡(luò),很少有涉及到有向最小生成樹(shù),這樣不利于分析銀行之間的風(fēng)險(xiǎn)傳導(dǎo)分析.在動(dòng)態(tài)分析銀行網(wǎng)絡(luò)得演化時(shí),研究者通常利用銀行網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的突變對(duì)應(yīng)金融危機(jī)的發(fā)生,這樣會(huì)存在一個(gè)問(wèn)題: 無(wú)法將非危機(jī)拓?fù)渫蛔兒臀C(jī)拓?fù)渫蛔冞M(jìn)行區(qū)分.

基于以上問(wèn)題,本文從銀行網(wǎng)絡(luò)構(gòu)建和銀行網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)演化兩方面對(duì)以往研究進(jìn)行以下幾點(diǎn)有益的補(bǔ)充.首先,對(duì)于銀行網(wǎng)絡(luò)構(gòu)建中的客觀唯一性以及有向性問(wèn)題,本文采取DMST法生成多個(gè)時(shí)間段的銀行網(wǎng)絡(luò),進(jìn)行風(fēng)險(xiǎn)源頭節(jié)點(diǎn)的尋找(識(shí)別系統(tǒng)重要銀行)和系統(tǒng)性風(fēng)險(xiǎn)演化研究(風(fēng)險(xiǎn)傳染方向、路徑尋找).其次,對(duì)于銀行網(wǎng)絡(luò)拓?fù)湫蛄兄械奈C(jī)狀態(tài)和非危機(jī)狀態(tài)劃分問(wèn)題,本文采取kmeans[21]方法將各個(gè)時(shí)間段的銀行拆借矩陣分為若干類,進(jìn)行危機(jī)狀態(tài)的特征提取.最后,為了進(jìn)一步研究每個(gè)時(shí)間段的銀行矩陣之間的關(guān)系,本文采用距離矩陣法[22]計(jì)算每個(gè)時(shí)間段銀行拆借矩陣之間的歐式距離,并用PMFG[23]方法構(gòu)建銀行時(shí)變狀態(tài)網(wǎng)絡(luò)[24],用來(lái)分析各個(gè)時(shí)間狀態(tài)之間的動(dòng)態(tài)演化,捕捉網(wǎng)絡(luò)演化特征,從而進(jìn)行有效的風(fēng)險(xiǎn)預(yù)警.

2 數(shù)據(jù)和方法

2.1 原始數(shù)據(jù)和預(yù)處理

本文從2007年—2019年《中國(guó)金融年鑒》中提取15個(gè)商業(yè)銀行的每個(gè)季度的拆出、拆入資金數(shù)額.具體的標(biāo)號(hào)和相應(yīng)的銀行如表1所列.

表1 商業(yè)銀行匯總Table 1.Summary of commercial banks.

其中5家國(guó)有商業(yè)銀行,3家地方商業(yè)銀行,7家股份制商業(yè)銀行.其他的城市商業(yè)銀行、城市信用社、農(nóng)村信用及郵政儲(chǔ)蓄機(jī)構(gòu)雖然都可以參與銀行同業(yè)拆借市場(chǎng),但是他們?cè)阢y行同業(yè)拆借市場(chǎng)中拆借數(shù)額比較少或者連續(xù)數(shù)據(jù)難以獲取,因此本文的研究數(shù)據(jù)沒(méi)有包括這些金融機(jī)構(gòu).商業(yè)銀行數(shù)據(jù)的具體時(shí)間段為2007年第4季度,2008年第1 季度,··,2019 年第 1 季度,共 46 個(gè)時(shí)間段,用t=1,2,···,46表示每一個(gè)時(shí)間點(diǎn),即t=1 表示2007年第 4季度,t=2 表示 2008年第一季度,···,t=46表示2019年第一季度.商業(yè)銀行的拆借規(guī)模矩陣如下:

2.2 方法與步驟

2.2.1 最大熵法構(gòu)建商業(yè)銀行動(dòng)態(tài)矩陣

對(duì)于銀行同業(yè)拆借矩陣Xt,由于無(wú)法觀察到的數(shù)值,而每家銀行的拆出資金總額和拆入資金總額可以在年報(bào)中獲取.通過(guò)標(biāo)準(zhǔn)化,可以把a(bǔ)和l視為邊際分布函數(shù)f(a) 和f(l) 的實(shí)現(xiàn)值.如果f(a) 和f(l) 相互獨(dú)立,則=,表明銀行同業(yè)資產(chǎn)和負(fù)債是按邊際分布函數(shù)分布于各個(gè)銀行的.然而獨(dú)立假設(shè)需要拆借矩陣Xt的主對(duì)角線元素為非零,也就是銀行自己給自己貸款,這不符合現(xiàn)實(shí),所以令i=j時(shí),=0 ,此時(shí)拆借矩陣修正為

接著利用RAS算法(Blien和Graef[25],1997)估計(jì)Xt?的元素,具體求解形式如下:

其中和x為 (N2?N)×1 矢量,包含Xt?和Xt的非對(duì)角線上的元素,代表第i個(gè)銀行t時(shí)間點(diǎn)的總拆資金,表示第j個(gè)銀行t時(shí)間點(diǎn)的總拆入資金.

2.2.2 kmeans狀態(tài)劃分和 DMST 步驟

利用最大熵方法構(gòu)建多個(gè)時(shí)間段的銀行拆借矩陣后,為了探求各個(gè)時(shí)間段的銀行借貸矩陣的關(guān)系,本文通過(guò)kmeans算法分析銀行拆借矩陣的動(dòng)態(tài)演化研究,分析出銀行系統(tǒng)在各個(gè)時(shí)間段的特性,并利用有向最小生成樹(shù)方法分析銀行網(wǎng)絡(luò)的拓?fù)涮匦?

1.kmeans算法將銀行拆借矩陣狀態(tài)化.

kmeans算法的主要步驟是:

1) 從所有狀態(tài)矩陣中隨機(jī)取出k個(gè)元素,作為k個(gè)簇的各自的中心;

2) 分別計(jì)算剩下的元素到k個(gè)簇中心的歐氏距離,根據(jù)距離分別將它們分配給與其最相似的簇.這里狀態(tài)矩陣之間的歐氏距離定義為:

其中m=1,2,···,t,n=1,2,···,t;

3) 根據(jù)聚類結(jié)果,重新計(jì)算這k個(gè)簇各自的中心,計(jì)算方法是取簇中所有元素各自維度的算術(shù)平均數(shù);

4) 將全部狀態(tài)矩陣按照新的中心重新聚類;

5) 重復(fù)第4)步,直到聚類結(jié)果不再變化.

對(duì)于分成類別的k值的確定,本文以k個(gè)簇的內(nèi)部元素之間的距離和的平均值與所有元素距離和的平均值的比率為閾值,以比率變化平緩時(shí)的k作為分類結(jié)果[21],將多個(gè)時(shí)間段的股票市場(chǎng)狀態(tài)分為若干類.

2.DMST介紹和步驟.

通過(guò)kmeans算法將各個(gè)狀態(tài)的銀行矩陣分為若干類后,利用有向最小生成樹(shù)進(jìn)一步分析每一個(gè)狀態(tài)內(nèi)部的網(wǎng)絡(luò)連接.有向最小生成樹(shù)可以分析各個(gè)商業(yè)銀行之間的相互作用關(guān)系,也可以清楚得出銀行之間的風(fēng)險(xiǎn)傳遞流向,從而達(dá)到控制風(fēng)險(xiǎn)源頭和尋找風(fēng)險(xiǎn)關(guān)鍵節(jié)點(diǎn)的作用.有向最小生成樹(shù)是基于無(wú)向最小生成樹(shù)算法提出的,無(wú)向最小生成樹(shù)算法屬于圖論中重要的一部分,其模型廣泛存在于現(xiàn)實(shí)生活之中.無(wú)向最小生成樹(shù)法中經(jīng)典的kruskal與prim算法[26]可以解決對(duì)稱的鄰接矩陣的問(wèn)題,即兩個(gè)節(jié)點(diǎn)之間不分相互關(guān)系時(shí),可以很方便地生成無(wú)向網(wǎng)絡(luò).但對(duì)于利用最大熵和轉(zhuǎn)移熵生成的矩陣來(lái)說(shuō),由于不對(duì)稱性,節(jié)點(diǎn)和節(jié)點(diǎn)之間有相互關(guān)系之分,可以用有向最小生成樹(shù)來(lái)表達(dá).有向最小生成樹(shù) (directed minimum spanning tree,DMST)[27]又叫最小樹(shù)形圖,即給有向帶權(quán)圖中指定一個(gè)特殊根節(jié)點(diǎn),從根節(jié)點(diǎn)出發(fā)的有向生成樹(shù),要求所有距離權(quán)值的總權(quán)值最小.

DMST算法步驟如下:

1) 尋找固定根節(jié)點(diǎn),這一點(diǎn)可以隨意選擇;

2) 遍歷所有的邊,從中找出除根結(jié)點(diǎn)外其余各點(diǎn)的最小入邊,累加權(quán)值,構(gòu)成新圖.接著判斷該圖是否存在環(huán).若不存在,則該圖便是所求最小樹(shù)形圖;

3) 如果存在環(huán),則把環(huán)縮放為點(diǎn),并設(shè)這個(gè)環(huán)中指向u的邊權(quán)是in[u],對(duì)于每條從u出發(fā)的邊(u,i,w),i表示不含環(huán)的原始點(diǎn),w表示原始權(quán)重.(u,i,w)對(duì)于不含環(huán)的原始點(diǎn)i的入邊來(lái)說(shuō),直接連接 (new,i,w) ,其中new為新加的人工頂點(diǎn).對(duì)于每條進(jìn)入u的邊 (i,u,w) ,在新圖中建立邊(u,i,w?in[u])的邊,判斷由此生成的新圖是否有圈,如果有圈,返回到第2)步重新判斷;

4) 當(dāng)?shù)?)步生成的新圖沒(méi)有圈時(shí),將最后的圖進(jìn)行展開(kāi)按照有向最小生成樹(shù)的規(guī)則將閉環(huán)破去,從而得到最終結(jié)果.

2.2.3 PMFG 方法構(gòu)建時(shí)變銀行狀態(tài)網(wǎng)絡(luò)

在分析狀態(tài)網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)后,接著利用PMFG方法分析每一個(gè)銀行狀態(tài)網(wǎng)絡(luò)之間的關(guān)系,PMFG方法的步驟如下:

1)用公式(4)計(jì)算狀態(tài)矩陣之間的距離,得到N階的距離矩陣,

2)將公式(5)中的距離矩陣D轉(zhuǎn)化為相似度矩陣A,其矩陣元為

公式(6)中的O表示N×N維的全1矩陣,m=1,2,···,N,n=1,2,···,N,m ax(·) 表 示 求 最大值;

3) 將各個(gè)節(jié)點(diǎn)之間的相似度,按矩陣A中的值升序排列;

4) 按順序從排列好的權(quán)重值中選取相應(yīng)的節(jié)點(diǎn)對(duì),建立連邊,如果新加的邊使得網(wǎng)絡(luò)出現(xiàn)非可平面,也就是說(shuō)新加的邊和其余邊交叉出現(xiàn)在一個(gè)平面上,則放棄該連接;

5) 重復(fù)步驟4)直到所有節(jié)點(diǎn)加入到網(wǎng)絡(luò)中.最終形成的網(wǎng)絡(luò)包含 3 (N?2) 條邊.

這樣就通過(guò)PMFG方法將各個(gè)時(shí)間段的銀行時(shí)間狀態(tài)矩陣構(gòu)建為銀行時(shí)變狀態(tài)網(wǎng)絡(luò).

2.2.4 Girvan-Newman 算法分析時(shí)變狀態(tài)網(wǎng)絡(luò)的社團(tuán)結(jié)構(gòu)

在構(gòu)建銀行時(shí)變狀態(tài)網(wǎng)絡(luò)后,為探求各個(gè)時(shí)間點(diǎn)之間的社團(tuán)結(jié)構(gòu),本文采取Girvan-Newman算法[28]進(jìn)行社團(tuán)分析.Girvan-Newman算法是Newnan等為了得到具有實(shí)際意義的社團(tuán)結(jié)構(gòu),定義了模塊度來(lái)衡量網(wǎng)絡(luò)劃分質(zhì)量,在每個(gè)社區(qū)內(nèi)部節(jié)點(diǎn)狀態(tài)緊密地鏈接在一起,而在社區(qū)之間只有少量的邊把它們連接起來(lái).指定不同的社區(qū)個(gè)數(shù),計(jì)算社區(qū)劃分后模塊度值.最大模塊度對(duì)應(yīng)的劃分方式作為理想的社團(tuán)結(jié)構(gòu).社區(qū)劃分模塊化程度定義為

其中i表示社團(tuán)編號(hào),c表示社團(tuán)數(shù),E為一個(gè)對(duì)稱鄰接矩陣E=(eij)c×c,∥·∥表示取模,其中元素eij表示連接兩個(gè)不同社團(tuán)i和j的節(jié)點(diǎn)的邊在所有邊中的比例.h表示矩陣E中對(duì)角線上個(gè)元素之和:也就是網(wǎng)絡(luò)中社團(tuán)內(nèi)部節(jié)點(diǎn)的邊占所有邊的比例.表示第i個(gè)社團(tuán)中節(jié)點(diǎn)連邊數(shù)在所有邊中的比例.Q函數(shù)的值越大,表明社團(tuán)結(jié)構(gòu)越明顯.在實(shí)際應(yīng)用中,Q的值一般處于0.3—0.7之間.GN算法的基本流程如下:

1)計(jì)算網(wǎng)絡(luò)中每條邊的邊介數(shù);

2)找到邊介數(shù)最大的邊并將其移除;

3)重新計(jì)算網(wǎng)絡(luò)中剩余各條邊的邊介數(shù);

4)重復(fù)步驟2)和3),直到每個(gè)節(jié)點(diǎn)是一個(gè)退化社團(tuán)為止.

以上是本文的主要方法和流程步驟,文章的主體思路和方法步驟如圖1所示:

圖1 主體方法和流程圖Fig.1.Main method and flow chart.

3 結(jié)果與分析

3.1 銀行拆借網(wǎng)絡(luò)的狀態(tài)劃分與系統(tǒng)性風(fēng)險(xiǎn)

3.1.1 銀行狀態(tài)網(wǎng)絡(luò)的動(dòng)態(tài)突變與對(duì)應(yīng)的系統(tǒng)性風(fēng)險(xiǎn)

通過(guò)最大熵方法,本文構(gòu)建了46個(gè)時(shí)間狀態(tài)的銀行拆借矩陣.為了對(duì)這些矩陣進(jìn)行狀態(tài)分類,本文采取kmeans方法對(duì)多個(gè)時(shí)間片段的銀行矩陣進(jìn)行歸類化處理.對(duì)于k值的確定,本文采取文獻(xiàn)[21]中的方法,圖2是各個(gè)k值下比率的變化,方塊表示k個(gè)簇的內(nèi)部元素之間的距離和的平均值與所有元素距離和的平均值的比率,圓圈表示這個(gè)比率的變化,可以看出在k=6,7,8 時(shí)比率變化都比較平穩(wěn),本文取三個(gè)數(shù)中比率變化率絕對(duì)值最小的8作為分類標(biāo)準(zhǔn).

圖2 距離比率與比率變化率Fig.2.Distance ratio and rate of change.

通過(guò)kmeans分類,本文將46個(gè)時(shí)間段的銀行狀態(tài)矩陣分為8類,將每個(gè)時(shí)間段所歸屬的類別平鋪于時(shí)間軸上,由圖3可以看出,從2007年第四季度到2019年第一季度分為了8個(gè)狀態(tài),在狀態(tài)和狀態(tài)的跳躍階段,發(fā)生拆借矩陣的突變,特別是在短期狀態(tài)跳動(dòng)階段(定義小于等于3個(gè)片段為短期跳躍,大于3個(gè)片段視為長(zhǎng)期狀態(tài)),比如圖3中A圓圈代表的時(shí)間階段為2008年第二季度和2008年第三季度,是短期的狀態(tài)跳動(dòng),從狀態(tài)5跳到狀態(tài)8持續(xù)了兩個(gè)時(shí)間階段,又跳回到狀態(tài)5,其中A階段也正好對(duì)應(yīng)了2008年全球金融危機(jī)發(fā)生這個(gè)事件.對(duì)于B圓圈,是從狀態(tài)7跳到狀態(tài)2又跳到狀態(tài)3時(shí)的短期狀態(tài),這個(gè)狀態(tài)正好對(duì)應(yīng)了 2013 年年中發(fā)生的“錢(qián)荒”事件.特別地,注意到圖3中的C圓圈和D圓圈,是由狀態(tài)3跳到狀態(tài)2,持續(xù)一個(gè)季度又跳到狀態(tài)1,又連續(xù)跳到狀態(tài)6,綜合考慮從2009年中國(guó)股票一直持續(xù)跌到2014年,直到2014年下半年迎來(lái)了瘋狂地飆升.但是,股票市場(chǎng)“紅熱化”的繁榮現(xiàn)象的背后卻隱藏著極大的風(fēng)險(xiǎn)隱患,比如市場(chǎng)流動(dòng)性過(guò)剩所導(dǎo)致多數(shù)行業(yè)持有共同的風(fēng)險(xiǎn)敞口,行業(yè)間潛在的風(fēng)險(xiǎn)傳染渠道迅速拓寬,經(jīng)濟(jì)體系愈發(fā)脆弱.雖然這種潛在的系統(tǒng)性風(fēng)險(xiǎn)積累過(guò)程可能并不會(huì)立刻對(duì)經(jīng)濟(jì)產(chǎn)生明顯影響,但當(dāng)風(fēng)險(xiǎn)積累到一定程度并且出現(xiàn)某種負(fù)向沖擊時(shí),系統(tǒng)性危機(jī)一觸即發(fā).到2015年6月起證監(jiān)會(huì)開(kāi)始清查場(chǎng)外配資,快速去杠桿這一沖擊使得上半年積聚的風(fēng)險(xiǎn)瞬間爆發(fā),股市暴跌40%以上.這種過(guò)山車式的暴漲暴跌會(huì)引發(fā)出巨大的系統(tǒng)性風(fēng)險(xiǎn).除了短期狀態(tài)跳動(dòng)以外,長(zhǎng)期和長(zhǎng)期之間的跳動(dòng)由于金融系統(tǒng)中產(chǎn)生的部分風(fēng)險(xiǎn)被系統(tǒng)內(nèi)部控制或由于職能部門(mén)調(diào)控,短期跳躍可以視為長(zhǎng)期狀態(tài)下產(chǎn)生的風(fēng)險(xiǎn)積聚突變.

圖3 銀行拆借矩陣狀態(tài)演化圖Fig.3.State evolution of bank lending matrix.

3.1.2 銀行同業(yè)拆借矩陣相似度與時(shí)變特征

為考察拆借矩陣之間的相似度和時(shí)變特征,本文抽取8個(gè)銀行狀態(tài)矩陣的矩陣色塊矩陣圖.如圖4所示,8個(gè)狀態(tài)矩陣也是對(duì)應(yīng)圖3中的8個(gè)狀態(tài).可以看出,除了第5個(gè)狀態(tài),其余狀態(tài)的色塊表達(dá)還是比較相似的.

為了研究各個(gè)狀態(tài)之間的關(guān)系,本文將8個(gè)狀態(tài)矩陣向量化處理,即將8個(gè)狀態(tài)矩陣從8個(gè)15 ×15的矩陣轉(zhuǎn)置為8個(gè)225 × 1的矩陣(8個(gè)225長(zhǎng)的序列),并計(jì)算8條序列之間的皮爾遜相關(guān)系數(shù)矩陣,定義為

其中si,sj表示8條序列中的任意兩條,利用公式(8)得到的8個(gè)狀態(tài)矩陣之間的相關(guān)性結(jié)果(見(jiàn)表2).

圖4 8 類銀行狀態(tài)矩陣圖Fig.4.Bank matrix diagram of 8 states.

表2 8 個(gè)狀態(tài)矩陣的相關(guān)矩陣Table 2.Correlation matrix of eight state matrices.

圖5 各個(gè)銀行狀態(tài)之間的相關(guān)矩陣Fig.5.Correlation matrix between Bank states.

表2和圖5分別為8個(gè)狀態(tài)矩陣之間的相關(guān)系數(shù)矩陣和相關(guān)矩陣圖.從表2可以看出,狀態(tài)5和相鄰的狀態(tài)7和8的相關(guān)系數(shù)分別為0.707和0.861,比狀態(tài)5與其他相關(guān)狀態(tài)的相關(guān)系數(shù)高;狀態(tài) 1,6,4 作為三個(gè)連續(xù)的狀態(tài),1 和 6 之間相關(guān)系數(shù)為0.949,6和4之間相關(guān)系數(shù)為0.963,都比狀態(tài)6與其余狀態(tài)之間的相關(guān)系數(shù)高.說(shuō)明各個(gè)銀行狀態(tài)矩陣之間存在時(shí)間延續(xù)性,隨著時(shí)間的推移,一個(gè)狀態(tài)矩陣趨向于類似的狀態(tài)變化,即相鄰的狀態(tài)矩陣之間的相關(guān)系數(shù)一般較高.

3.1.3 相關(guān)矩陣與金融風(fēng)險(xiǎn)的關(guān)系

為量化研究各個(gè)狀態(tài)的相關(guān)度,本文對(duì)表2中的相關(guān)矩陣進(jìn)行累加處理,如表3所列.

表3 8 個(gè)狀態(tài)矩陣的全局相似度Table 3.Global similarity of eight state matrices.

將每個(gè)狀態(tài)和其余狀態(tài)之間的相關(guān)系數(shù)的累加,并定義為全局相似度(每個(gè)狀態(tài)和其余所有狀態(tài)相關(guān)性的和).從表3可以看出,狀態(tài)5與其余狀態(tài)的關(guān)系比重最小,(也可以從圖5中的色塊得出同樣結(jié)論),而狀態(tài) 3 是最高的,狀態(tài) 2 次之.狀態(tài)5作為與其余狀態(tài)區(qū)別最大的一個(gè)狀態(tài),對(duì)應(yīng)圖3中的狀態(tài)5的起始點(diǎn): 2007第四季度,這正是2007年10月上證綜指攀升至6124點(diǎn)成為中國(guó)股市的歷史最高的時(shí)間段.而狀態(tài)2,3對(duì)應(yīng)的正好是2013年國(guó)內(nèi)發(fā)生的“錢(qián)荒”事件,在這一階段,銀行業(yè)開(kāi)始不惜代價(jià)堅(jiān)守穩(wěn)健貨幣政化解金融風(fēng)險(xiǎn),同時(shí)進(jìn)行去杠桿的博弈戰(zhàn).因此,金融監(jiān)管機(jī)構(gòu)需要高度關(guān)注潛在的系統(tǒng)性金融風(fēng)險(xiǎn)的積聚,特別是銀行系統(tǒng)狀態(tài)發(fā)生轉(zhuǎn)變階段.

3.2 有向銀行網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)與風(fēng)險(xiǎn)傳染效應(yīng)強(qiáng)度

由于銀行同業(yè)拆借矩陣與金融風(fēng)險(xiǎn)高度相關(guān),需要研究同業(yè)拆借市場(chǎng)中各銀行在網(wǎng)絡(luò)中地位以及銀行之間的關(guān)聯(lián),從而分析銀行風(fēng)險(xiǎn)傳染與擴(kuò)散的影響.為了清晰表達(dá)銀行網(wǎng)絡(luò)中各個(gè)節(jié)點(diǎn)之間的相互作用,本文利用DMST方法構(gòu)建各個(gè)狀態(tài)的銀行網(wǎng)絡(luò).圖6是狀態(tài)1—4的有向最小生成樹(shù)圖.圖7是5-8狀態(tài)的有向最小生成樹(shù).

在圖6的狀態(tài)2中,四大行中拆借資金傳遞是以農(nóng)業(yè)銀行為初始節(jié)點(diǎn)的,農(nóng)業(yè)銀行傳向中國(guó)銀行和建設(shè)銀行,再由中國(guó)銀行傳向工商銀行.分析此網(wǎng)絡(luò)的原因,可以追溯2013年6月底“錢(qián)荒”期間多家銀行緊張,而資金充裕的中國(guó)農(nóng)業(yè)銀行,同業(yè)業(yè)務(wù)收入上升,融出資金 9400億元,融入資金1000億元,差額8400億元,這也是農(nóng)業(yè)銀行作為四大行中的初始節(jié)點(diǎn)的原因.對(duì)于圖6中的狀態(tài)3,四大行中工商銀行和中國(guó)銀行都作為中心節(jié)點(diǎn),可以追溯到錢(qián)荒發(fā)生后發(fā)生了央行向工商銀行注資500億元,中行繼工行之后出現(xiàn)系統(tǒng)故障.綜合狀態(tài)2和狀態(tài)3與其余狀態(tài)的明顯區(qū)別,可以看出,錢(qián)荒對(duì)中國(guó)銀行業(yè)的影響和其他金融危機(jī)的影響是有很大區(qū)別的.錢(qián)荒導(dǎo)致商業(yè)銀行的資金出現(xiàn)短缺,隔夜拆借率增大,從而改變了商業(yè)銀行之間原有的較穩(wěn)定的拆借結(jié)構(gòu),所以出現(xiàn)狀態(tài)2和狀態(tài)3與其余狀態(tài)的明顯區(qū)別.

圖6 狀態(tài) 1—4 的有向最小生成樹(shù) (a) 狀態(tài) 1 的有向生成樹(shù);(b) 狀態(tài) 2 的有向生成樹(shù);(c) 狀態(tài) 3 的有向生成樹(shù);(d) 狀態(tài) 4 的有向生成樹(shù)Fig.6..Directed network diagram of state 1 to 4: (a) Directed network diagram of state 1 (b) directed network diagram of state 2;(c) directed network diagram of state 3;(d) directed network diagram of state 4.

圖7 狀態(tài) 5—8 的有向最小生成樹(shù) (a) 狀態(tài) 5 的有向生成樹(shù);(b) 狀態(tài) 6 的有向生成樹(shù);(c) 狀態(tài) 7 的有向生成樹(shù);(d) 狀態(tài) 8 的有向生成樹(shù)Fig.7.Directed network diagram of state 5 to 8: (a) Directed network diagram of state 5;(b) directed network diagram of state 6;(c) directed network diagram of state 7;(d) directed network diagram of state 8.

表4 銀行狀態(tài)網(wǎng)絡(luò)拓?fù)涮匦越y(tǒng)計(jì)Table 4.Statistics of topological characteristics of banking state network.

基于圖6和圖7中的8個(gè)狀態(tài)的有向最小生成樹(shù),通過(guò)統(tǒng)計(jì)得到每個(gè)狀態(tài)的拓?fù)浣Y(jié)構(gòu)(見(jiàn)表4).

其中,出度表示發(fā)出關(guān)系,出度大表示對(duì)其它銀行影響比較大,傳染效應(yīng)和擴(kuò)散性比較強(qiáng).入度表示接收關(guān)系,入度大表示受其它銀行的輻射影響比較大,容易被風(fēng)險(xiǎn)傳染,系統(tǒng)穩(wěn)健性較差.在8個(gè)狀態(tài)中,工商銀行和中國(guó)銀行的出度較大,表示對(duì)其它銀行影響比較大,容易傳遞風(fēng)險(xiǎn).比如在狀態(tài) 1,4,6 下工商銀行的出度分別為 13,11 和12,而在狀態(tài) 2,3,5,7,8 下中國(guó)銀行的出度分別為 8,7,13,13,13,這表示工商銀行和中國(guó)銀行的總風(fēng)險(xiǎn)傳染效應(yīng)是最大的.這和文獻(xiàn) [8,15,29]中的結(jié)果是一致的.在中心節(jié)點(diǎn)數(shù)統(tǒng)計(jì)方面,工商銀行和中國(guó)銀行也分別為4和5.可見(jiàn)中國(guó)銀行和中國(guó)工商銀行在系統(tǒng)風(fēng)險(xiǎn)控制方面屬于關(guān)鍵節(jié)點(diǎn).

此外,在8個(gè)狀態(tài)中的源頭節(jié)點(diǎn),主要以民生銀行、中信銀行、工商銀行和平安銀行為主,在狀態(tài) 1,2,3 中以民生銀行為源頭節(jié)點(diǎn),狀態(tài) 1,2,3涵蓋了 2013年錢(qián)荒到 2015年股災(zāi)階段,在2013年錢(qián)荒階段,民生銀行是第一個(gè)出來(lái)發(fā)聲的銀行,在2013年6月25日休市后民生銀行隨即召開(kāi)投資者電話會(huì)議,聲明其流動(dòng)性正常.美銀美林在參加該會(huì)議后,贊揚(yáng)民生銀行是一個(gè)關(guān)心少數(shù)股東權(quán)益投資者及回應(yīng)投資者擔(dān)憂的銀行,并稱民生銀行仍是中國(guó)內(nèi)地少數(shù)幾個(gè)“可投資的”銀行之一,建議“買(mǎi)入”.此外,巴克萊在電話會(huì)議之后,亦給予了民生銀行同步大市的投資評(píng)級(jí).可見(jiàn),民生銀行在狀態(tài)1,2,3期間面臨風(fēng)險(xiǎn)的穩(wěn)健性是最強(qiáng)的.在狀態(tài) 4,7,8 中,中信銀行作為頭節(jié)點(diǎn)出現(xiàn),表示在3種狀態(tài)中,中信銀行面對(duì)風(fēng)險(xiǎn)穩(wěn)健性最強(qiáng).在狀態(tài)5中,中國(guó)工商銀行作為頭節(jié)點(diǎn)出現(xiàn),表示在全球金融危機(jī)發(fā)生前后,中國(guó)工商銀行面對(duì)風(fēng)險(xiǎn)的穩(wěn)健性最強(qiáng).

在8個(gè)狀態(tài)的演化過(guò)程中,浦發(fā)、華夏、招商、北京、上海、建設(shè)、寧波這7家商業(yè)銀行的出度都是0,說(shuō)明這些銀行的傳染效應(yīng)是最小的.值得特別注意的是,建設(shè)銀行作為4大銀行之一,在所有狀態(tài)下出度都為0,說(shuō)明國(guó)有銀行中,建設(shè)銀行的向外風(fēng)險(xiǎn)傳染效應(yīng)最小.

3.3 銀行時(shí)變狀態(tài)網(wǎng)絡(luò)的社團(tuán)結(jié)構(gòu)與風(fēng)險(xiǎn)傳染特征

在分析8個(gè)狀態(tài)內(nèi)部網(wǎng)絡(luò)結(jié)構(gòu)后,為了探求聚成8類的46個(gè)時(shí)間段的拆借矩陣之間的時(shí)變特征以及動(dòng)態(tài)演化,本文利用PMFG方法構(gòu)建時(shí)間狀態(tài)網(wǎng)絡(luò),并用Girvan-Newman算法[28]進(jìn)行社團(tuán)劃分.如圖8 所示,本文取Q值最大Q=0.641 時(shí)構(gòu)建社團(tuán),整個(gè)時(shí)間網(wǎng)絡(luò)被分為 5個(gè)社團(tuán).其中,紅色社團(tuán)中的圓圈A所圈住的區(qū)域?yàn)槿蚪鹑谖C(jī)發(fā)生階段,這和圖3中的A圓圈所圈內(nèi)容是一致的.A圓圈中的 2008Q2,2008Q3 沒(méi)有和 2008Q1直接相連,這和本文3.1.1中敘述的“危機(jī)是狀態(tài)和狀態(tài)之間的跳躍理論”是類似的.對(duì)于B圓圈所代表的2013年錢(qián)荒事件,雖然和前面的時(shí)間節(jié)點(diǎn)2013Q1直接相連,但是不屬于一個(gè)社團(tuán),說(shuō)明2013Q1和2013Q2所代表的銀行拆借網(wǎng)絡(luò)之間的相似度比社團(tuán)內(nèi)部的相似度低.對(duì)于C圓圈和D圓圈,共屬于一個(gè)社團(tuán),并且直接相連,表示2014年下半的股票市場(chǎng)“紅熱化”和2015年的股災(zāi)事件是一個(gè)連續(xù)的狀態(tài)演化,銀行網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)并沒(méi)有發(fā)生突變,而是較相似.進(jìn)一步,可以從藍(lán)色社團(tuán)中看出2019Q1所代表的節(jié)點(diǎn)和B圓圈所代表的錢(qián)荒事件直接連接,并且同屬于一個(gè)社團(tuán),表示兩個(gè)時(shí)間段的銀行之間的拆借網(wǎng)絡(luò)結(jié)構(gòu)是相似的,這可以為銀行系統(tǒng)風(fēng)險(xiǎn)預(yù)警提供策略支持.

圖8 各個(gè)時(shí)間狀態(tài)下拆借矩陣關(guān)系Fig.8.Lending matrix relationship in different time states.

4 結(jié) 論

本文基于時(shí)變金融狀態(tài)網(wǎng)絡(luò)動(dòng)態(tài)演化視角,利用中國(guó)15個(gè)商業(yè)銀行2007年第4季度到2019年第1季度的年報(bào)為研究數(shù)據(jù),采取最大熵方法構(gòu)建了各個(gè)時(shí)間段的銀行拆借網(wǎng)絡(luò).并且通過(guò)kmeans算法將銀行拆借矩陣分為8個(gè)狀態(tài),同時(shí)利用DMST算法提高閾值法的客觀性、豐富MST算法的方向性,并對(duì)各個(gè)狀態(tài)矩陣進(jìn)行可視化.最后,本文通過(guò)PMFG算法濾除歐氏距離矩陣中閾值法難以判別的噪聲信息,并利用Girvan-Newman算法分析各個(gè)時(shí)間狀態(tài)的銀行網(wǎng)路之間的關(guān)系.本文的主要結(jié)論和建議如下:

1) 對(duì)于連續(xù)的銀行狀態(tài)矩陣,狀態(tài)之間的短期連續(xù)跳躍性可以有效地刻畫(huà)金融危機(jī)的發(fā)生.2008年的全球金融危機(jī)發(fā)生前后出現(xiàn)了兩個(gè)狀態(tài)的短期跳躍,從2013年“錢(qián)荒”一直到2015年的股災(zāi)階段,先后出現(xiàn)了四個(gè)狀態(tài)的短期跳躍.因此,監(jiān)管部門(mén)應(yīng)該警惕銀行狀態(tài)之間的短期連續(xù)跳躍.

2) 從各個(gè)狀態(tài)的有向銀行網(wǎng)絡(luò)可以看出,不同銀行的網(wǎng)絡(luò)位置(結(jié)構(gòu))與銀行風(fēng)險(xiǎn)傳染效應(yīng)(程度)密切相關(guān).其中,國(guó)有大型商業(yè)銀行在銀行間市場(chǎng)中處于核心位置,但四大銀行的風(fēng)險(xiǎn)傳染效應(yīng)不同.四大銀行中,中國(guó)銀行和中國(guó)工商銀行在各個(gè)狀態(tài)下出度最大,表明中國(guó)銀行和中國(guó)工商銀行的風(fēng)險(xiǎn)傳染效用最強(qiáng).建設(shè)銀行在各個(gè)狀態(tài)下的出度都為零,表明建設(shè)銀行的風(fēng)險(xiǎn)傳染效應(yīng)最小.從入度考慮,民生銀行和中信銀行都有三個(gè)狀態(tài)是頭節(jié)點(diǎn)(入度為零),表明民生銀行和中信銀行面臨風(fēng)險(xiǎn)的穩(wěn)健性較強(qiáng).這表明,本文中各個(gè)狀態(tài)有向生成樹(shù)的動(dòng)態(tài)入度研究可以為銀行風(fēng)險(xiǎn)穩(wěn)健性評(píng)級(jí)提供有效的量化支撐.

第3) 連續(xù)的動(dòng)態(tài)銀行網(wǎng)絡(luò)之間具有記憶特征,金融系統(tǒng)性風(fēng)險(xiǎn)的出現(xiàn)會(huì)破壞這種記憶性,具體體現(xiàn)在狀態(tài)網(wǎng)絡(luò)相關(guān)性的突變.比如,2008年金融危機(jī)發(fā)生前后的銀行狀態(tài)矩陣的全局相似度是最低的,而2013年“錢(qián)荒”后的銀行狀態(tài)矩陣的全局相似度是最高的,表明兩次危機(jī)的銀行網(wǎng)絡(luò)拓?fù)涮匦韵嗖詈艽?特別的,從構(gòu)建的平面最大過(guò)濾圖可以看出,2019年第一季度的銀行狀態(tài)網(wǎng)絡(luò)節(jié)點(diǎn)和2013年“錢(qián)荒”所代表的網(wǎng)絡(luò)節(jié)點(diǎn)相連,表示兩個(gè)時(shí)間狀態(tài)的銀行網(wǎng)絡(luò)連接相似,這可以為銀行監(jiān)管部門(mén)進(jìn)行系統(tǒng)性風(fēng)險(xiǎn)防范提供有益的策略.

上述研究對(duì)我國(guó)防范系統(tǒng)性金融風(fēng)險(xiǎn)有如下政策含義: 一是有效識(shí)別在風(fēng)險(xiǎn)傳染中的系統(tǒng)重要性銀行,實(shí)施差異化監(jiān)管.二是對(duì)風(fēng)險(xiǎn)傳染擴(kuò)散的形成路徑(渠道)動(dòng)態(tài)跟蹤,提高預(yù)警監(jiān)測(cè)的效率,阻斷風(fēng)險(xiǎn)的傳染擴(kuò)散.