摘? ?要：評(píng)估系統(tǒng)重要性金融機(jī)構(gòu)對(duì)于分類(lèi)金融監(jiān)管及防范金融風(fēng)險(xiǎn)具有重要的理論和實(shí)踐價(jià)值。采用Pearson、Copula和DCC三種相關(guān)系數(shù)衡量我國(guó)91家上市金融機(jī)構(gòu)的關(guān)聯(lián)效應(yīng)，并利用Kruskal算法構(gòu)建最小生成樹(shù)，研究了我國(guó)金融機(jī)構(gòu)的系統(tǒng)重要性以及整體風(fēng)險(xiǎn)狀況，研究結(jié)果表明：證券和銀行在我國(guó)金融系統(tǒng)中的重要性更高，尤其是工商銀行、廣發(fā)證券和國(guó)海證券等，保險(xiǎn)行業(yè)的系統(tǒng)重要性相對(duì)較弱;2015年股災(zāi)后金融機(jī)構(gòu)間的關(guān)聯(lián)網(wǎng)絡(luò)發(fā)生了較大變化，銀行業(yè)尤其是工商銀行的系統(tǒng)重要性相對(duì)于股災(zāi)前得到一定提升，東方財(cái)富等新型券商開(kāi)始起到重要作用;最小生成樹(shù)的系統(tǒng)中心度可以部分反映系統(tǒng)性金融風(fēng)險(xiǎn)的特征，與傳統(tǒng)系統(tǒng)性金融風(fēng)險(xiǎn)度量指標(biāo)MES具有顯著正相關(guān)性。

關(guān)? 鍵? 詞：金融風(fēng)險(xiǎn);系統(tǒng)性金融風(fēng)險(xiǎn);系統(tǒng)重要性金融機(jī)構(gòu);最小生成樹(shù)

中圖分類(lèi)號(hào)：F830.91? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ?文章編號(hào)：2096-2517（2021）01-0025-012

DOI：10.16620/j.cnki.jrjy.2021.01.003

一、引言

防范和化解系統(tǒng)性金融風(fēng)險(xiǎn)是我國(guó)經(jīng)濟(jì)新常態(tài)下的一大重要任務(wù)， 尤其是在當(dāng)前中美關(guān)系緊張、 世界經(jīng)濟(jì)增長(zhǎng)前景充滿(mǎn)不確定性的特殊時(shí)期，從宏觀、整體全局的視角考慮經(jīng)濟(jì)發(fā)展與金融安全問(wèn)題更具有現(xiàn)實(shí)的緊迫性。對(duì)系統(tǒng)重要性金融機(jī)構(gòu)的有效識(shí)別是防范和化解系統(tǒng)性金融風(fēng)險(xiǎn)的關(guān)鍵步驟，在此基礎(chǔ)上，加強(qiáng)對(duì)系統(tǒng)重要性機(jī)構(gòu)的監(jiān)管對(duì)于管理系統(tǒng)性金融風(fēng)險(xiǎn)可以起到事半功倍的作用。指標(biāo)法以及關(guān)聯(lián)網(wǎng)絡(luò)等方法均可以用來(lái)識(shí)別系統(tǒng)重要性金融機(jī)構(gòu)，尤其是關(guān)聯(lián)網(wǎng)絡(luò)方法充分考慮了金融機(jī)構(gòu)間的相互關(guān)系，越來(lái)越受到學(xué)者以及監(jiān)管層的關(guān)注，典型的如Diebold等（2012）提出的信息溢出指數(shù)法[1]，Kritzman等（2011）基于主成分分析法提出的信息吸收比率[2]以及Billio等（2012）構(gòu)造的格蘭杰因果網(wǎng)絡(luò)[3]，均既可以對(duì)系統(tǒng)性風(fēng)險(xiǎn)溢出的動(dòng)態(tài)性進(jìn)行有效分析，同時(shí)也可以對(duì)系統(tǒng)重要性金融機(jī)構(gòu)進(jìn)行識(shí)別。

但是實(shí)際上這些方法均側(cè)重于分析金融機(jī)構(gòu)間的簡(jiǎn)單聯(lián)系， 并沒(méi)有深入對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行探討，相對(duì)而言，圖理論可以對(duì)變量（節(jié)點(diǎn)）之間的網(wǎng)絡(luò)關(guān)系進(jìn)行更好的分析。基于此，本文擬采用圖理論中的最小生成樹(shù)模型對(duì)我國(guó)上市金融機(jī)構(gòu)的相關(guān)關(guān)系進(jìn)行分析， 以識(shí)別出我國(guó)的系統(tǒng)重要性金融機(jī)構(gòu)，并針對(duì)系統(tǒng)重要性金融機(jī)構(gòu)的監(jiān)管提出政策建議以防范系統(tǒng)性金融風(fēng)險(xiǎn)的累積及爆發(fā)。相對(duì)于其他學(xué)者對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)或最小生成樹(shù)的研究，本文的主要?jiǎng)?chuàng)新之處在于：一方面，除了采用Pearson相關(guān)系數(shù)來(lái)對(duì)機(jī)構(gòu)間的關(guān)聯(lián)效應(yīng)進(jìn)行度量，考慮到機(jī)構(gòu)間相關(guān)性的非對(duì)稱(chēng)性及動(dòng)態(tài)變動(dòng)，本文還采用了Copula相關(guān)系數(shù)和DCC-GARCH動(dòng)態(tài)相關(guān)系數(shù)來(lái)對(duì)關(guān)聯(lián)效應(yīng)進(jìn)行分析及比較，使研究結(jié)論更具綜合性和全面性;另一方面，本文嘗試?yán)孟到y(tǒng)中心度來(lái)對(duì)網(wǎng)絡(luò)整體的結(jié)構(gòu)穩(wěn)定性進(jìn)行分析，并嘗試建立其與常見(jiàn)系統(tǒng)性金融風(fēng)險(xiǎn)度量指標(biāo)間的聯(lián)系，從而為系統(tǒng)性金融風(fēng)險(xiǎn)的識(shí)別和分析提供新的思路。

二、文獻(xiàn)綜述

國(guó)內(nèi)外學(xué)者的研究均發(fā)現(xiàn)系統(tǒng)性金融風(fēng)險(xiǎn)往往可以預(yù)示宏觀經(jīng)濟(jì)的下跌， 如Kambhu等（2007）[4]。劉曉星等（2012）研究發(fā)現(xiàn)，金融壓力沖擊會(huì)對(duì)未來(lái)6個(gè)季度的實(shí)體經(jīng)濟(jì)產(chǎn)生顯著的負(fù)向影響[5];徐國(guó)祥等（2017）發(fā)現(xiàn)我國(guó)的金融壓力指數(shù)對(duì)物價(jià)水平、經(jīng)濟(jì)增長(zhǎng)以及利率水平具有非線性的動(dòng)態(tài)傳導(dǎo)效應(yīng)[6]。因此對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行準(zhǔn)確的測(cè)度和分析至關(guān)重要。

目前系統(tǒng)性金融風(fēng)險(xiǎn)的測(cè)度方法，既有著重于重要性個(gè)體機(jī)構(gòu)對(duì)于整體風(fēng)險(xiǎn)貢獻(xiàn)的研究，也有聚焦于系統(tǒng)整體層面風(fēng)險(xiǎn)狀況的測(cè)度。 如Adrian等（2016）[7]提出的CoVaR指標(biāo)，Acharya等（2017）[8]提出的SES與MES，以及Brownlees等（2017）[9]基于流動(dòng)性不足理論提出的SRISK指標(biāo)， 均側(cè)重于測(cè)量重要性個(gè)體機(jī)構(gòu)對(duì)于整體風(fēng)險(xiǎn)的貢獻(xiàn)。國(guó)內(nèi)很多研究也是從這些指標(biāo)入手對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行研究，如梁琪等（2013）[10]、陳國(guó)進(jìn)等（2017）[11]、張曉明等（2017）[12]、楊子暉等（2019）[13]。

也有學(xué)者從系統(tǒng)整體層面對(duì)金融風(fēng)險(xiǎn)進(jìn)行測(cè)度，如Allen等（2012）基于截面VaR提出CatFin指標(biāo)以及關(guān)聯(lián)性測(cè)度方法等[14]。關(guān)聯(lián)性方法中最常見(jiàn)的是利用多元GARCH模型測(cè)算各市場(chǎng)或機(jī)構(gòu)間收益率或波動(dòng)率的相關(guān)性以對(duì)金融系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行衡量[15-16]。但是多元GARCH模型并不能很好地捕捉系統(tǒng)性風(fēng)險(xiǎn)的動(dòng)態(tài)變化特征[17]，Diebold等（2012）[1]提出的信息溢出指數(shù)法，Kritzman等（2011）[2]基于主成分分析法提出的信息吸收比率以及Billio等（2012）[3]利用格蘭杰因果網(wǎng)絡(luò)得到的動(dòng)態(tài)因果指數(shù)（DCI）可以對(duì)系統(tǒng)性風(fēng)險(xiǎn)溢出的動(dòng)態(tài)性進(jìn)行更有效的分析。關(guān)聯(lián)網(wǎng)絡(luò)法不僅可以用來(lái)對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行判斷，而且由于其聚焦于各機(jī)構(gòu)間的網(wǎng)絡(luò)關(guān)系，因此也經(jīng)常被用來(lái)對(duì)系統(tǒng)重要性金融機(jī)構(gòu)進(jìn)行判斷。 對(duì)整體網(wǎng)絡(luò)影響更大的機(jī)構(gòu)，其系統(tǒng)重要性更強(qiáng)，即為系統(tǒng)性重要機(jī)構(gòu)。識(shí)別出系統(tǒng)重要性金融機(jī)構(gòu)后，就可以設(shè)計(jì)更具針對(duì)性的監(jiān)管措施， 以保證這些機(jī)構(gòu)能夠平穩(wěn)健康地運(yùn)行，從而達(dá)到防范和化解金融風(fēng)險(xiǎn)的目的。

圖理論也常被用來(lái)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行分析，其中最常見(jiàn)的模型為最小生成樹(shù)，因?yàn)樗梢杂米詈?jiǎn)單的方式將多個(gè)節(jié)點(diǎn)間的網(wǎng)絡(luò)關(guān)系呈現(xiàn)出來(lái)，相對(duì)于Diebold信息溢出網(wǎng)絡(luò)及格蘭杰因果網(wǎng)絡(luò)等方法只能通過(guò)計(jì)算節(jié)點(diǎn)的連接數(shù)來(lái)判斷各節(jié)點(diǎn)的重要程度，最小生成樹(shù)可以利用如節(jié)點(diǎn)中心度等指標(biāo)對(duì)各節(jié)點(diǎn)的重要性進(jìn)行判斷，可以更為準(zhǔn)確地對(duì)節(jié)點(diǎn)的重要性進(jìn)行分析，因此能夠?qū)鹑跈C(jī)構(gòu)的系統(tǒng)重要程度進(jìn)行更為有效的評(píng)估。很多學(xué)者用最小生成樹(shù)模型對(duì)金融市場(chǎng)及金融機(jī)構(gòu)的相互關(guān)系進(jìn)行了分析，如Samitas等（2020）[18]利用最小生成樹(shù)對(duì)多個(gè)國(guó)家間股票及債券市場(chǎng)的相互關(guān)系進(jìn)行分析，以對(duì)金融風(fēng)險(xiǎn)進(jìn)行判斷，并借鑒機(jī)器學(xué)習(xí)模型構(gòu)建了金融風(fēng)險(xiǎn)的早期預(yù)警體系。 國(guó)內(nèi)學(xué)者張?bào)K等（2017）[19]通過(guò)求解最小生成樹(shù)， 從宏微觀層面對(duì)2015年股災(zāi)背景下證券市場(chǎng)網(wǎng)絡(luò)結(jié)構(gòu)的動(dòng)態(tài)演化規(guī)律進(jìn)行了研究。謝赤等（2018）采用最小生成樹(shù)算法考察了銀行間信用風(fēng)險(xiǎn)的傳染機(jī)制[20]。陳夢(mèng)根等（2019）采用最小生成樹(shù)測(cè)度和分析了中國(guó)銀行業(yè)的跨境聯(lián)系，以及國(guó)際銀行業(yè)網(wǎng)絡(luò)結(jié)構(gòu)的動(dòng)態(tài)特征[21]。王耀東等（2020）采用最小生成樹(shù)構(gòu)造了中國(guó)保險(xiǎn)機(jī)構(gòu)間的尾部風(fēng)險(xiǎn)傳染網(wǎng)絡(luò)并分析了其傳染路徑[22]。張金林等（2020）采用最小生成樹(shù)法構(gòu)建網(wǎng)絡(luò)圖，研究了金融危機(jī)背景下全球股票市場(chǎng)復(fù)雜網(wǎng)絡(luò)的拓?fù)涮卣骷翱缡袌?chǎng)金融風(fēng)險(xiǎn)的傳染機(jī)制和路徑[23]。

但是目前采用最小生成樹(shù)分析金融機(jī)構(gòu)間關(guān)聯(lián)的文獻(xiàn)， 絕大部分是采用Pearson相關(guān)系數(shù)來(lái)衡量機(jī)構(gòu)間的相互關(guān)系，且絕大部分研究停留在網(wǎng)絡(luò)結(jié)構(gòu)的動(dòng)態(tài)比較以及各節(jié)點(diǎn)在網(wǎng)絡(luò)中的重要程度分析， 本文擬采用包括Copula尾部相關(guān)系數(shù)和DCC-GARCH動(dòng)態(tài)相關(guān)系數(shù)對(duì)節(jié)點(diǎn)的重要性進(jìn)行分析，同時(shí)采用系統(tǒng)中心度指標(biāo)對(duì)網(wǎng)絡(luò)整體層面的穩(wěn)定性進(jìn)行分析，以部分實(shí)現(xiàn)對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的反映， 既拓展了最小生成樹(shù)理論的應(yīng)用深度，又能為系統(tǒng)性金融風(fēng)險(xiǎn)的防范和化解提供經(jīng)驗(yàn)借鑒。

三、研究設(shè)計(jì)

（一）最小生成樹(shù)模型

本文采用圖理論中的最小生成樹(shù)來(lái)進(jìn)行分析。最小生成樹(shù)是原連接圖的極小連通子圖，包含原圖中的所有節(jié)點(diǎn)， 并且有保持圖連通的最少的邊，因此可以較好地分析網(wǎng)絡(luò)的緊密程度以及各節(jié)點(diǎn)在網(wǎng)絡(luò)中的重要程度。

首先需要計(jì)算變量之間的相關(guān)性，并利用Mantegna（1999）[24]公式將相關(guān)性轉(zhuǎn)換為變量之間的距離，如（1）式所示。

對(duì)于N個(gè)變量， 可以使用N×N距離矩陣確定最小生成樹(shù)（MST）。具體來(lái)說(shuō)，本文利用Kruskal算法構(gòu)建最小生成樹(shù)（MST），以檢查變量之間相互依存的程度和變動(dòng)趨勢(shì)[25]。Kruskal算法可以稱(chēng)為“加邊法”，初始最小生成樹(shù)邊數(shù)為0，每迭代一次就選擇一條滿(mǎn)足條件的最小代價(jià)邊，加入到最小生成樹(shù)的邊集合里，具體步驟包括：第一，將每個(gè)變量視為一個(gè)節(jié)點(diǎn)，并將變量間的關(guān)聯(lián)效應(yīng)（用距離來(lái)衡量）視為網(wǎng)絡(luò)邊緣。 將每個(gè)節(jié)點(diǎn)視為一個(gè)孤立的分支，并按其權(quán)重對(duì)邊進(jìn)行排序，這些權(quán)重表示變量間關(guān)聯(lián)效應(yīng)的程度。第二，在確保最小生成樹(shù)不閉環(huán)的前提下，以最小權(quán)重搜索邊，并將此邊添加到最小生成樹(shù)中。否則，繼續(xù)遍歷網(wǎng)絡(luò)以尋找具有最小權(quán)重的下一條邊。第三，遞歸地重復(fù)前面的步驟，直到識(shí)別出n-1條邊（如果網(wǎng)絡(luò)具有n個(gè)節(jié)點(diǎn)， 則最小生成樹(shù)應(yīng)具有n-1條邊， 因?yàn)镸ST中沒(méi)有閉環(huán)）。至此，搜索過(guò)程終止，最小生成樹(shù)完成。

本文利用最小生成樹(shù)來(lái)衡量我國(guó)金融機(jī)構(gòu)間的網(wǎng)絡(luò)關(guān)系，在計(jì)算變量間關(guān)聯(lián)效應(yīng)（相關(guān)性），采用了簡(jiǎn)單的Pearson相關(guān)系數(shù)、Copula相關(guān)系數(shù)及DCC-GARCH動(dòng)態(tài)相關(guān)系數(shù)三種來(lái)衡量， 其中Copula相關(guān)系數(shù)能更好地?cái)M合變量間非對(duì)稱(chēng)的相關(guān)關(guān)系、DCC相關(guān)系數(shù)則可以對(duì)變量間相關(guān)性的動(dòng)態(tài)變化進(jìn)行更有效地分析。然后，可以通過(guò)最小生成樹(shù)的節(jié)點(diǎn)中心度來(lái)衡量系統(tǒng)重要性機(jī)構(gòu)，用系統(tǒng)中心度來(lái)衡量網(wǎng)絡(luò)的緊密程度，從而間接對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行衡量。

（二）節(jié)點(diǎn)中心度與系統(tǒng)中心度

節(jié)點(diǎn)中心度有多重衡量方法，本文采用特征向量中心度來(lái)進(jìn)行測(cè)度。特征向量中心度算法是一個(gè)用來(lái)度量節(jié)點(diǎn)之間的傳遞影響和連通性的算法，在特征向量中心度算法中，其認(rèn)為與具有高得分的節(jié)點(diǎn)相連接比與具有低得分的節(jié)點(diǎn)相連接所得的貢獻(xiàn)更大。其主要原理是，來(lái)自重要節(jié)點(diǎn)的鏈接比不重要節(jié)點(diǎn)的鏈接更有價(jià)值。 所有節(jié)點(diǎn)的起點(diǎn)都相等，但是隨著計(jì)算的進(jìn)行，邊緣更多的節(jié)點(diǎn)開(kāi)始變得越來(lái)越重要。它們的重要性傳播到它們所連接的節(jié)點(diǎn)。經(jīng)過(guò)多次重新計(jì)算后，這些值穩(wěn)定下來(lái)，從而得出了特征向量中心性的最終值。

具體計(jì)算方法為：令？住=（ai，j）為圖的鄰接矩陣，則有：？姿x=xA。因此，中心向量x是與特征值？姿相關(guān)聯(lián)的鄰接矩陣A的左側(cè)特征向量。選擇？姿作為矩陣A的絕對(duì)值中最大的特征值，將其進(jìn)行標(biāo)準(zhǔn)化，則可以得到所有節(jié)點(diǎn)的中心度。

系統(tǒng)中心度是根據(jù)節(jié)點(diǎn)中心度來(lái)計(jì)算網(wǎng)絡(luò)集中程度的指標(biāo)，根據(jù)Wasserman等（1994）[26]的方法，計(jì)算公式如（2）式所示。

其中，cv是v節(jié)點(diǎn)的中心度，cw代表所有節(jié)點(diǎn)中心度的最大值。從（2）式可以看到，最小生成樹(shù)越集中在某幾個(gè)節(jié)點(diǎn)上時(shí)，系統(tǒng)中心度越高，如果用樹(shù)來(lái)代替金融機(jī)構(gòu)間的網(wǎng)絡(luò)關(guān)系，則此時(shí)系統(tǒng)性金融風(fēng)險(xiǎn)往往越高;相反，當(dāng)系統(tǒng)中心度較低時(shí)，此時(shí)最小生成樹(shù)中各節(jié)點(diǎn)的中心度更為平均，沒(méi)有大而不能倒的機(jī)構(gòu)，此時(shí)往往反映出系統(tǒng)性金融風(fēng)險(xiǎn)較低。

（三）相關(guān)系數(shù)

在計(jì)算最小生成樹(shù)時(shí)，需要用相關(guān)系數(shù)估計(jì)節(jié)點(diǎn)權(quán)重，本文采用三種相關(guān)系數(shù)，分別是Pearson相關(guān)系數(shù)、Copula下尾相關(guān)系數(shù)以及DCC-GARCH動(dòng)態(tài)相關(guān)系數(shù)。 其中Pearson相關(guān)系數(shù)描述了收益率在特定時(shí)間區(qū)間的相關(guān)性，是最簡(jiǎn)單也是最常用的相關(guān)系數(shù);Copula相關(guān)系數(shù)刻畫(huà)了變量間的下尾相關(guān)關(guān)系，可以更好地對(duì)變量間的非對(duì)稱(chēng)相關(guān)關(guān)系進(jìn)行衡量;DCC相關(guān)系數(shù)則可以更準(zhǔn)確地捕捉變量間相關(guān)性的變動(dòng)。

1.Copula相關(guān)系數(shù)

Copula函數(shù)將邊緣分布和聯(lián)合分布聯(lián)系在一起， 可以提供無(wú)量綱的依賴(lài)度統(tǒng)計(jì)量。n元的聯(lián)合分布可以分解成n個(gè)邊緣分布和一個(gè)Copula函數(shù)。

F（x1，x2，…，xn）=C[F1（x1），F(xiàn)2（x2），…，F(xiàn)n（xn）]

（3）

其中，F(xiàn)（x）是普通函數(shù)，C（·）表示Copula函數(shù)。根據(jù)Patton（2012）[27]和王耀東等（2020）[22]的方法，Gumbel Copula函數(shù)能夠更準(zhǔn)確地刻畫(huà)出上尾和下尾的特征，因此本文選取Gumbel Copula 函數(shù)來(lái)計(jì)算尾部相依度，函數(shù)形式如（4）式所示。

C？琢（u，v）=exp{-[（1-ln u）？琢+（1-ln v）1/？琢]} （4）

則上下尾相關(guān)系數(shù)可以表示為（5）式和（6）式。由于本文更關(guān)心下跌風(fēng)險(xiǎn)的相互傳導(dǎo)，因此僅采用下尾相關(guān)系數(shù)進(jìn)行下一步分析。

2.DCC相關(guān)系數(shù)

DCC-GARCH模型是對(duì)CCC-GARCH模型的常數(shù)相關(guān)假設(shè)進(jìn)行改進(jìn)后，提出的動(dòng)態(tài)相關(guān)GARCH模型，可以較好地刻畫(huà)出金融資產(chǎn)間的波動(dòng)溢出效應(yīng)及信息傳遞過(guò)程，在分析金融市場(chǎng)時(shí)間序列間的動(dòng)態(tài)相關(guān)系數(shù)中得到了極其廣泛的應(yīng)用。DCC-GARCH模型的一般形式可以表示為：

其中，vi是t分布的自由度;ai和bi分別是前一期殘差平方和條件異方差的系數(shù)， 滿(mǎn)足ai，bi>0和ai+bi<1;？琢和？茁是DCC模型的系數(shù)，滿(mǎn)足？琢，？茁>0和？琢+？茁<1;qij，t為標(biāo)準(zhǔn)化殘差ei，t和ej，t的無(wú)條件協(xié)方差矩陣，Qt是對(duì)稱(chēng)正定矩陣，Rt即為動(dòng)態(tài)條件相關(guān)系數(shù)。

四、實(shí)證結(jié)果與分析

（一）相關(guān)系數(shù)描述性分析

按照申萬(wàn)二級(jí)行業(yè)分類(lèi)標(biāo)準(zhǔn)，我國(guó)金融行業(yè)包括銀行、證券、保險(xiǎn)以及多元金融四類(lèi)，其中多元金融為除銀行、證券和保險(xiǎn)外，包括互聯(lián)網(wǎng)金融在內(nèi)的其他金融業(yè)態(tài)?？紤]到多元金融行業(yè)主營(yíng)業(yè)務(wù)的特殊性，相對(duì)于銀行、證券和保險(xiǎn)，對(duì)整體金融行業(yè)的影響較小， 且目前國(guó)家監(jiān)管層面也主要關(guān)注于銀行、證券和保險(xiǎn)業(yè)，因此本文所選金融機(jī)構(gòu)為申萬(wàn)二級(jí)行業(yè)指數(shù)中銀行、 證券和保險(xiǎn)中的所有機(jī)構(gòu)，共91家。 我國(guó)第一家上市銀行是平安銀行，于1991年上市，鑒于2000年底才有19家上市金融機(jī)構(gòu)（包括銀行、證券和保險(xiǎn)），包括平安銀行、浦發(fā)銀行、民生銀行、東北證券、國(guó)元證券、國(guó)海證券、廣發(fā)證券、長(zhǎng)江證券等，為了避免樣本量過(guò)少，本文選擇2001年1月至2020年9月上市金融機(jī)構(gòu)的所有日度數(shù)據(jù)進(jìn)行分析，數(shù)據(jù)來(lái)源于WIND數(shù)據(jù)庫(kù)。由于計(jì)算Pearson和Copula相關(guān)系數(shù)均需用到一段時(shí)間的滾動(dòng)數(shù)據(jù)， 本文設(shè)定滾動(dòng)時(shí)間窗口為250天（1年的交易周期）， 因此最終得到的相關(guān)系數(shù)及最小生成樹(shù)數(shù)據(jù)日期是從2002年1月至2020年9月。

表1報(bào)告了機(jī)構(gòu)間相關(guān)系數(shù)的描述性統(tǒng)計(jì)及相關(guān)性分析結(jié)果。從Panel A可以看到，金融機(jī)構(gòu)間收益率的相關(guān)系數(shù)較高，Pearson、Copula及DCC相關(guān)系數(shù)的均值分別高達(dá)0.481、0.4211和0.4231，說(shuō)明金融機(jī)構(gòu)之間的聯(lián)動(dòng)性較強(qiáng)，也從側(cè)面反映了風(fēng)險(xiǎn)容易在金融機(jī)構(gòu)間擴(kuò)散。從Panel B可以看到，三種相關(guān)系數(shù)度量方法間差異并不顯著，Pearson系數(shù)和Copula系數(shù)間的相關(guān)性高達(dá)0.9805， 說(shuō)明雖然機(jī)構(gòu)間的尾部相關(guān)系數(shù)會(huì)比Pearson相關(guān)系數(shù)要低， 但是它們所展示出的結(jié)構(gòu)特征卻很相似，DCC與其他兩種系數(shù)的相關(guān)性略低， 但是也均高于0.74。圖1報(bào)告了三種相關(guān)系數(shù)在樣本區(qū)間的走勢(shì)，可以看到三者之間走勢(shì)基本相似， 均在2005年下半年出現(xiàn)了顯著下滑， 但是從2008年下半年開(kāi)始迅速上升，并一直維持在較高水平，直到2017年出現(xiàn)了一定下降，2018年下半年又一次開(kāi)始攀升到較高位置。

（二）最小生成樹(shù)分析

本文首先采用靜態(tài)樣本來(lái)對(duì)系統(tǒng)重要性金融機(jī)構(gòu)進(jìn)行評(píng)估， 由于2010年前上市金融機(jī)構(gòu)數(shù)量較少， 因此本文選擇2010年后的數(shù)據(jù)構(gòu)造靜態(tài)的最小生成樹(shù)。 考慮到2015年股災(zāi)對(duì)股市帶來(lái)了較大影響，將樣本劃分為2015年股災(zāi)前和2015年股災(zāi)后兩部分， 以考察金融機(jī)構(gòu)重要程度的變化。

1.全樣本分析

圖2報(bào)告了整個(gè)樣本期間（2010年至2020年9月）基于三種相關(guān)系數(shù)的最小生成樹(shù)，圖中的數(shù)字分別代表各金融機(jī)構(gòu)，表2詳細(xì)報(bào)告了三種最小生成樹(shù)前10大機(jī)構(gòu)的節(jié)點(diǎn)中心度， 并列出了前10大節(jié)點(diǎn)中心度所對(duì)應(yīng)的機(jī)構(gòu)序號(hào)及名稱(chēng)?？梢钥吹?，Pearson最小生成樹(shù)和Copula最小生成樹(shù)幾乎一致， 工商銀行（節(jié)點(diǎn)11）和國(guó)海證券（節(jié)點(diǎn)17）的節(jié)點(diǎn)中心度最高，其他機(jī)構(gòu)則分別與這兩家機(jī)構(gòu)進(jìn)行連接。 但是DCC最小生成樹(shù)與前兩者表現(xiàn)出較大的差異，廣發(fā)證券（節(jié)點(diǎn)18）占據(jù)了絕對(duì)核心的地位，長(zhǎng)江證券（節(jié)點(diǎn)19）的地位也很重要，有7家機(jī)構(gòu)與其直接相連。 總體來(lái)看，可以得到以下兩方面的結(jié)論：第一，銀行和證券在金融市場(chǎng)上占據(jù)了絕對(duì)主導(dǎo)地位， 保險(xiǎn)行業(yè)的影響力很低，尤其是大中型的證券公司，如廣發(fā)證券、國(guó)海證券等，對(duì)于金融系統(tǒng)的穩(wěn)定性有重要作用， 這與周亮等（2019）[28]的研究結(jié)論一致;第二，不同關(guān)聯(lián)效應(yīng)衡量方式（本文用相關(guān)系數(shù)來(lái)衡量）帶來(lái)的研究結(jié)論存在差異，Pearson系數(shù)和Copula系數(shù)的結(jié)果相似，但是DCC系數(shù)的結(jié)果差異較大。說(shuō)明DCC模型能夠更好地對(duì)機(jī)構(gòu)間的動(dòng)態(tài)相關(guān)性進(jìn)行反映和擬合，其波動(dòng)更為劇烈（如圖1所示），所展示出來(lái)的網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)也更為復(fù)雜。由于很難簡(jiǎn)單判斷哪種相關(guān)系數(shù)的度量方式更好，本文將多種結(jié)果進(jìn)行綜合比較觀察，對(duì)于評(píng)估系統(tǒng)重要性機(jī)構(gòu)具有重要意義。

2.股災(zāi)前分析（2010年至2015年6月）

本文以2015年6月股災(zāi)為界， 將樣本劃分為股災(zāi)前和股災(zāi)后兩個(gè)部分，并分別分析金融機(jī)構(gòu)間最小生成樹(shù)在股災(zāi)前和股災(zāi)后的變化情況。圖3和表3分別報(bào)告了股災(zāi)前基于三種相關(guān)系數(shù)計(jì)算的最小生成樹(shù)， 以及排名前10家機(jī)構(gòu)的節(jié)點(diǎn)中心度數(shù)值。 可以看到，Pearson系數(shù)的最小生成樹(shù)和Copula最小生成樹(shù)仍然較為相似，但是具體節(jié)點(diǎn)上有差異，Pearson最小生成樹(shù)中，排名前2的節(jié)點(diǎn)分別是國(guó)海證券（節(jié)點(diǎn)17）和廣發(fā)證券（節(jié)點(diǎn)18）;Copula最小生成樹(shù)排名前2的節(jié)點(diǎn)分別是國(guó)海證券（節(jié)點(diǎn)17）和工商銀行（節(jié)點(diǎn)11），這兩種最小生成樹(shù)中其他節(jié)點(diǎn)的中心度均一致。DCC最小生成樹(shù)中，廣發(fā)證券（節(jié)點(diǎn)18）占據(jù)了最核心的地位，除此以外，長(zhǎng)江證券（節(jié)點(diǎn)19）的節(jié)點(diǎn)中心度也高達(dá)0.9371，接下來(lái)依次是東北證券（節(jié)點(diǎn)15）、光大證券（節(jié)點(diǎn)26）以及海通證券（節(jié)點(diǎn)23）?？傮w來(lái)看，在股災(zāi)前，證券行業(yè)在系統(tǒng)中的重要性最高，尤其是廣發(fā)證券和國(guó)海證券，銀行體系中最重要的是工商銀行，而保險(xiǎn)行業(yè)的重要程度相對(duì)較低。

3.股災(zāi)后分析（2015年7月至2020年）

2015年6月， 我國(guó)發(fā)生了舉世矚目的股災(zāi)，千股跌停和股市熔斷頻現(xiàn)，之后，決策層收緊了機(jī)構(gòu)和個(gè)人杠桿，弱化了金融衍生品，加強(qiáng)了金融監(jiān)管。自此之后，市場(chǎng)風(fēng)格也發(fā)生了轉(zhuǎn)變，大藍(lán)籌逐漸得到了機(jī)構(gòu)和個(gè)人投資者的衷愛(ài)。 本文利用2015年7月至2020年9月的靜態(tài)數(shù)據(jù)再次估計(jì)了三種相關(guān)系數(shù)下的最小生成樹(shù)， 結(jié)果如圖4和表4所示。 可以看到，2015年7月后上市的金融機(jī)構(gòu)數(shù)量比2010年有所增加，從29家增加到了44家，因此最小生成樹(shù)的結(jié)構(gòu)也更為復(fù)雜。 從圖4來(lái)看，Pearson最小生成樹(shù)和Copula最小生成樹(shù)仍然較為相似，工商銀行（節(jié)點(diǎn)12）和東方財(cái)富（節(jié)點(diǎn)26）的節(jié)點(diǎn)中心度最高，相較于圖3可以發(fā)現(xiàn)，市場(chǎng)結(jié)構(gòu)在股災(zāi)后發(fā)生了變化，銀行以及東方財(cái)富這種新型券商的重要性得到了提高。 從DCC最小生成樹(shù)來(lái)看，廣發(fā)證券（節(jié)點(diǎn)21）和長(zhǎng)江證券（節(jié)點(diǎn)22）依然是最重要的兩個(gè)節(jié)點(diǎn)，但是工商銀行（節(jié)點(diǎn)12）的節(jié)點(diǎn)中心度已經(jīng)上升到了第4位?？傮w來(lái)看，股災(zāi)后的金融市場(chǎng)結(jié)構(gòu)發(fā)生了一定變化，最顯著的是銀行業(yè)在金融機(jī)構(gòu)中的重要性得到了進(jìn)一步提升，尤其是工商銀行，在三種最小生成樹(shù)中均占據(jù)了重要地位。

（三）系統(tǒng)中心度分析

最小生成樹(shù)的系統(tǒng)中心度可以用來(lái)衡量網(wǎng)絡(luò)結(jié)構(gòu)的穩(wěn)定程度，當(dāng)系統(tǒng)中心度較高時(shí)，說(shuō)明網(wǎng)絡(luò)被幾個(gè)關(guān)鍵節(jié)點(diǎn)所主導(dǎo)， 一旦這幾個(gè)節(jié)點(diǎn)出問(wèn)題，那么很容易導(dǎo)致整個(gè)網(wǎng)絡(luò)出問(wèn)題;反之，如果系統(tǒng)中心度較低，說(shuō)明節(jié)點(diǎn)間的關(guān)系較為平均，特定節(jié)點(diǎn)的風(fēng)險(xiǎn)也不容易擴(kuò)散到其他節(jié)點(diǎn)，此時(shí)網(wǎng)絡(luò)的穩(wěn)定性更強(qiáng)，因此可以利用系統(tǒng)中心度來(lái)對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行一定觀察。同樣采用250天的滾動(dòng)周期計(jì)算最小生成樹(shù)，并計(jì)算樹(shù)的系統(tǒng)中心度，圖5報(bào)告了三種最小生成樹(shù)系統(tǒng)中心度的動(dòng)態(tài)走勢(shì)?？梢钥吹?，Pearson樹(shù)和Copula樹(shù)的系統(tǒng)中心度走勢(shì)相似度高， 而DCC樹(shù)的系統(tǒng)中心度基本處于其他兩者之下， 說(shuō)明用DCC相關(guān)系數(shù)計(jì)算出的系統(tǒng)中心度數(shù)值更低。從走勢(shì)上看，三者具有一定的相似性，如2007年開(kāi)始發(fā)端的次貸危機(jī)， 導(dǎo)致三種樹(shù)的系統(tǒng)中心度均大幅上升，并一直維持高位，直到2013年歐債危機(jī)開(kāi)始緩解后才有所降低;2015年下半年受股災(zāi)影響， 三種系統(tǒng)中心度均在2015年底出現(xiàn)了一個(gè)峰值，Pearson樹(shù)和Copula樹(shù)表現(xiàn)得更為突出;2019年下半年開(kāi)始，三種系統(tǒng)中心度又一次開(kāi)始上升，尤其是Pearson樹(shù)和Copula樹(shù)，直到2020年新冠疫情得到初步控制后， 其系統(tǒng)中心度才有了一定的下降。

因此總體來(lái)看，最小生成樹(shù)的系統(tǒng)中心度能夠?qū)鹑陲L(fēng)險(xiǎn)進(jìn)行一定的提示， 但是從圖中可以看到，系統(tǒng)中心度波動(dòng)較為劇烈，尤其是Pearson樹(shù)和Copula樹(shù)， 其系統(tǒng)中心度峰值出現(xiàn)的頻率較高。這可能是由于我國(guó)上市金融機(jī)構(gòu)數(shù)量仍然較少，而且上市時(shí)間較為不一致，導(dǎo)致前期（尤其是2010年前）可以利用的數(shù)據(jù)過(guò)少，過(guò)少的機(jī)構(gòu)數(shù)量會(huì)導(dǎo)致最小生成樹(shù)結(jié)構(gòu)變動(dòng)的不平穩(wěn)程度更高，因此用系統(tǒng)中心度是否可以直接來(lái)衡量系統(tǒng)性金融風(fēng)險(xiǎn)，還需要進(jìn)行進(jìn)一步探索。此外，DCC樹(shù)計(jì)算的系統(tǒng)中心度要遠(yuǎn)低于Pearson樹(shù)和Copula樹(shù)，這由圖3和圖4可以看到，DCC樹(shù)的復(fù)雜程度更高，有更多的節(jié)點(diǎn)在系統(tǒng)中起到了重要作用，因此穩(wěn)定性也相應(yīng)會(huì)更好一些。 從表5的統(tǒng)計(jì)結(jié)果可以看到，DCC樹(shù)系統(tǒng)中心度的均值僅為0.336，遠(yuǎn)低于Pearson樹(shù)的0.65以及Copula樹(shù)的0.59。

表6報(bào)告了三種系統(tǒng)性中心度與常見(jiàn)的系統(tǒng)性金融風(fēng)險(xiǎn)衡量指標(biāo)間的相關(guān)系數(shù)。選擇了CoVaR、MES和CatFin三種常用來(lái)衡量系統(tǒng)性金融風(fēng)險(xiǎn)的指標(biāo)，三種指標(biāo)的計(jì)算方法詳見(jiàn)歐陽(yáng)資生等（2020）[29]，滾動(dòng)時(shí)間窗口同樣選擇250天。借鑒Giglio等（2016）[30]的方法，對(duì)所有金融機(jī)構(gòu)的CoVaR和MES在橫截面上取均值， 得到系統(tǒng)整體的風(fēng)險(xiǎn)度量指標(biāo)CoVaR和MES。 從表6的結(jié)果可以看出，三種系統(tǒng)中心度中，Pearson中心度與Copula中心度間相關(guān)系數(shù)較高，達(dá)到了0.67，而DCC中心度與其他兩者間的相關(guān)系數(shù)分別只有0.29和0.35。 三種系統(tǒng)性風(fēng)險(xiǎn)衡量指標(biāo)間，CoVaR和MES間相關(guān)系數(shù)高達(dá)0.82， 但是CatFin由于衡量方法差異，與CoVaR和MES間相關(guān)系數(shù)均顯著為負(fù)， 說(shuō)明雖然這幾個(gè)指標(biāo)均可以用來(lái)度量系統(tǒng)性金融風(fēng)險(xiǎn)，但是表達(dá)出的信息有顯著差異， 這主要是因?yàn)镃atFin采用的是所有金融機(jī)構(gòu)的截面VaR，計(jì)算方法與CoVaR和MES存在著一定差異，CatFin對(duì)宏觀經(jīng)濟(jì)的預(yù)測(cè)能力更強(qiáng)， 而CoVaR和MES對(duì)市場(chǎng)風(fēng)險(xiǎn)的反映更為及時(shí)[31]。 三種系統(tǒng)中心度與CoVaR以及CatFin的相關(guān)性較弱，均低于0.1，但是三者與MES的相關(guān)性較強(qiáng)， 分別達(dá)到0.16、0.29和0.18，說(shuō)明最小生成樹(shù)的系統(tǒng)中心度能夠部分反映出系統(tǒng)性金融風(fēng)險(xiǎn)的信息， 且Copula中心度的效果相對(duì)更好。但是正如前文所述，如何讓系統(tǒng)中心度指標(biāo)能夠更好地傳遞出系統(tǒng)性金融風(fēng)險(xiǎn)的相關(guān)信息，還需要進(jìn)一步深入研究。

五、結(jié)論與討論

本文選擇了我國(guó)91家上市銀行、 證券和保險(xiǎn)機(jī)構(gòu)2001年1月至2020年9月上市金融機(jī)構(gòu)的所有日度數(shù)據(jù)進(jìn)行分析， 利用Pearson相關(guān)系數(shù)、Gumbel Copula下尾相關(guān)系數(shù)以及DCC-GARCH動(dòng)態(tài)相關(guān)系數(shù)衡量機(jī)構(gòu)間的關(guān)聯(lián)效應(yīng)， 并采用Kruskal算法構(gòu)建最小生成樹(shù)， 研究了我國(guó)金融機(jī)構(gòu)的系統(tǒng)重要性以及整體風(fēng)險(xiǎn)狀況。 研究結(jié)果表明：第一，三種相關(guān)系數(shù)計(jì)算的最小生成樹(shù)傳遞出來(lái)的信息具有一定差異，Pearson最小生成樹(shù)和Copula最小生成樹(shù)間的相似性很強(qiáng)， 而DCC最小生成樹(shù)與其他兩者間差異較大;第二，證券和銀行在我國(guó)金融系統(tǒng)中的重要性更高， 尤其是工商銀行、廣發(fā)證券和國(guó)海證券等，保險(xiǎn)行業(yè)的系統(tǒng)重要性相對(duì)較弱;第三，以2015年6月為界限將樣本分為股災(zāi)前和股災(zāi)后兩部分，發(fā)現(xiàn)股災(zāi)后金融機(jī)構(gòu)間的關(guān)聯(lián)網(wǎng)絡(luò)發(fā)生了較大變化，銀行尤其是工商銀行的系統(tǒng)重要性相對(duì)于股災(zāi)前得到了一定提升，東方財(cái)富等新型券商開(kāi)始起到重要作用;第四，最小生成樹(shù)的系統(tǒng)中心度可以部分反映出系統(tǒng)性金融風(fēng)險(xiǎn)的特征，與MES均具有顯著正相關(guān)性，但是由于機(jī)構(gòu)數(shù)量差異較大， 不同相關(guān)系數(shù)得到的結(jié)論也相差較大，因此要用系統(tǒng)中心度來(lái)衡量系統(tǒng)性金融風(fēng)險(xiǎn)，還需對(duì)指標(biāo)和樣本進(jìn)行進(jìn)一步改進(jìn)。

本文的研究結(jié)論是對(duì)金融風(fēng)險(xiǎn)管理理論的有力補(bǔ)充，對(duì)于系統(tǒng)性金融風(fēng)險(xiǎn)防范和化解的金融監(jiān)管實(shí)踐也有重要的指導(dǎo)意義：第一，不同的金融機(jī)構(gòu)對(duì)于整個(gè)金融系統(tǒng)的重要性并不一致，應(yīng)根據(jù)金融機(jī)構(gòu)的系統(tǒng)重要性采用分層監(jiān)管模式，如對(duì)于工商銀行、廣發(fā)證券等系統(tǒng)重要性機(jī)構(gòu)，應(yīng)加強(qiáng)監(jiān)管力度，防止其累積風(fēng)險(xiǎn)并帶來(lái)整個(gè)金融系統(tǒng)的不穩(wěn)定; 對(duì)于那些系統(tǒng)重要性相對(duì)較弱的機(jī)構(gòu)，則可以適當(dāng)放松監(jiān)管，甚至鼓勵(lì)其金融創(chuàng)新，以滿(mǎn)足市場(chǎng)主體越來(lái)越豐富及個(gè)性化的金融需求。第二，除了識(shí)別單個(gè)機(jī)構(gòu)的重要性之外，如系統(tǒng)中心度指標(biāo)等還可以用來(lái)對(duì)整個(gè)系統(tǒng)的金融風(fēng)險(xiǎn)進(jìn)行識(shí)別。但是目前其在應(yīng)用中還存在一定問(wèn)題，如金融機(jī)構(gòu)的上市時(shí)間存在差異，不同時(shí)間節(jié)點(diǎn)下的截面數(shù)據(jù)量差異較大， 顯然用10個(gè)金融機(jī)構(gòu)數(shù)據(jù)計(jì)算的系統(tǒng)中心度往往會(huì)比100個(gè)金融機(jī)構(gòu)計(jì)算的系統(tǒng)中心度更高， 因此應(yīng)在不同截面挑選相同數(shù)量、同時(shí)具有較強(qiáng)代表性的金融機(jī)構(gòu)來(lái)計(jì)算系統(tǒng)中心，同時(shí)對(duì)其關(guān)聯(lián)效應(yīng)的識(shí)別也應(yīng)采用相同的標(biāo)準(zhǔn)（如都采用DCC相關(guān)系數(shù)），構(gòu)造標(biāo)準(zhǔn)統(tǒng)一、時(shí)序上充分可比較的系統(tǒng)中心度指標(biāo)，從而可以判斷其是否更適合于對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行衡量。 此外，圖理論中其他方法如最大生成樹(shù)、平面最大限度濾波圖法等均可以嘗試用來(lái)對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)及系統(tǒng)重要性機(jī)構(gòu)進(jìn)行分析。

參考文獻(xiàn)：

[1]DIEBOLD F X，YILMAZ K.Better to Give than to Receive：Predictive Directional Measurement of Volatility Spillovers[J].International Journal of Forecasting，2012，28（1）：57-66.

[2]KRITZMAN M，Li Y，PAGE S，RIGOBON R.Principal Components as a Measure of Systemic Risk[J].Journal of Portfolio Management，2011，37（4）：112-126 .

[3]BILLIO? M，GETMANSKY? M，LO A W，et al.Econometric Measures of Connectedness and Systemic Risk in the Finance and Insurance Sectors[J].Journal of Financial Economics，2012，104（3）：535-559.

[4]KAMBHU J，SCHUERMANN T，STIROH K J.Hedge Funds，F(xiàn)inancial Intermediation and Systemic Risk[J].Economic Policy Review，2007，13（3）：1-18.

[5]劉曉星，方磊.金融壓力指數(shù)構(gòu)建及其有效性檢驗(yàn)——基于中國(guó)數(shù)據(jù)的實(shí)證分析[J].管理工程學(xué)報(bào)，2012（3）：1-6.

[6]徐國(guó)祥，李波.中國(guó)金融壓力指數(shù)的構(gòu)建及動(dòng)態(tài)傳導(dǎo)效應(yīng)研究[J].統(tǒng)計(jì)研究，2017（4）：59-71.

[7]ADRIAN T，BRUNNERMEIER M K.CoVaR[J].American Economic Review，2016，106（7）：1705-1741.

[8]ACHARYA V，PEDERSEN L，PHILLIPPE T，et al.Measuring Systemic Risk[J].Review of Financial Studies，2017，30（1）：2-47.

[9]BROWNLEES C，ENGEL R.SRISK：A Conditional Capital Shortfall Measure of Systemic Risk[J].Review of Financial Studies，2017，30（1）：48-79.

[10]梁琪，李政，郝項(xiàng)超.我國(guó)系統(tǒng)重要性金融機(jī)構(gòu)的識(shí)別與監(jiān)管——基于系統(tǒng)性風(fēng)險(xiǎn)指數(shù)SRISK方法的分析[J].金融研究，2013（9）：56-70.

[11]陳國(guó)進(jìn)，鐘靈，張宇.我國(guó)銀行體系的系統(tǒng)性關(guān)聯(lián)度分析：基于不對(duì)稱(chēng)CoVaR[J].系統(tǒng)工程理論與實(shí)踐，2017（1）：61-79.

[12]張曉明，李澤廣.系統(tǒng)風(fēng)險(xiǎn)外溢、市場(chǎng)約束機(jī)制與銀行股票回報(bào)率——基于CoVaR和時(shí)變條件指標(biāo)的研究[J].金融研究，2017（12）：143-157.

[13]楊子暉，陳雨恬，陳里璇.極端金融風(fēng)險(xiǎn)的有效測(cè)度與非線性傳染[J].經(jīng)濟(jì)研究，2019（5）：63-80.

[14]ALLEN L，BALI T G，TANG Y.Does Systemic Risk in the Financial Sector Predict Future Economic Downturns？[J].Review of Financial Studies，2012，25（10）：3000-3036.

[15]LIN P.Examining Volatility Spillover in Asian REIT Markets[J].Applied Financial Economics，2013，23（22）：1701 -1705.

[16]LI Y，GILES D E.Modeling Volatility Spillover Effects Between Developed Stock Markets and Asian Emerging Stock Markets[J].International Journal of Finance and Econo-mics，2015，20（2）：155-177.

[17]BARUNIK J，KOCENDA E，VACHA L.Asymmetric Connectedness on the U.S. Stock Market：Bad and Good Volat-ility Spillovers[J].Journal of Financial Markets，2016，39（27）：55-78.

[18]SAMITAS A，KAMPOURIS E，KENOURGIOS D.Machine Learning as an Early Warning System to Predict Financial Crisis[J].International Review of Financial Analysis，2020， 71（10）：1-20.

[19]張?bào)K，龍海明.基于系統(tǒng)性風(fēng)險(xiǎn)背景的證券市場(chǎng)網(wǎng)絡(luò)動(dòng)態(tài)演化[J].求索，2017（4）：110-116.

[20]謝赤，凌毓秀.銀行信貸資產(chǎn)證券化信用風(fēng)險(xiǎn)度量及傳染研究——基于修正KWV模型和MST算法的實(shí)證[J].財(cái)經(jīng)理論與實(shí)踐，2018（3）：2-8.

[21]陳夢(mèng)根，趙雨涵.中國(guó)銀行業(yè)跨境聯(lián)系的測(cè)度與分析——兼論國(guó)際銀行業(yè)網(wǎng)絡(luò)結(jié)構(gòu)的動(dòng)態(tài)特征[J].經(jīng)濟(jì)研究，2019（4）：49-66.

[22]王耀東，馮燕，周樺.保險(xiǎn)業(yè)在金融系統(tǒng)性風(fēng)險(xiǎn)傳染路徑中起到“媒介”作用嗎？——基于金融市場(chǎng)尾部風(fēng)險(xiǎn)傳染路徑的實(shí)證分析[J].中國(guó)管理科學(xué)，2020（online，2020- 04-28）.

[23]張金林，孫凌蕓.復(fù)雜網(wǎng)絡(luò)理論下跨市場(chǎng)金融風(fēng)險(xiǎn)傳染機(jī)制與路徑研究[J].中南財(cái)經(jīng)政法大學(xué)學(xué)報(bào)，2020（2）：110-121.

[24]MANTEGNA R N.Hierarchical Structure in Financial Markets[J].The European Physical Journal B-Condensed Ma-tter and Complex Systems，1999，11（1）：193-197.

[25]KRUSKAL J B.On the Shortest Spanning Subtree of a Graph and the Traveling Salesman Problem[J].Proceedings of the American Mathematical Society，1956，7（1）：48-50.

[26]WASSERMAN S，F(xiàn)AUST K.Social Network Analysis：Me-thods and Applications[M].Cambridge：Cambridge University Press，1994.

[27]PATTON A J.A Review of Copula Models for Economic Time Series[J].Journal of Multivariate Analysis，2012，（110）：4-18.

[28]周亮，李紅權(quán).金融業(yè)系統(tǒng)性風(fēng)險(xiǎn)溢出的非對(duì)稱(chēng)性研究[J].北京工商大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2019（6）：64-75.

[29]歐陽(yáng)資生，楊希特.中國(guó)上市金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)度量方法比較研究[J].金融發(fā)展研究，2020（10）：13-19.

[30]GIGLIO? S，KELLY B，PRUITT? S.Systemic Risk and the Macroeconomy：An Empirical Evaluation[J].Journal of Financial Economics，2016，119（3）：457-471.

[31]陳湘鵬，何碧清.金融巨災(zāi)風(fēng)險(xiǎn)與宏觀金融不確定性[J].經(jīng)濟(jì)學(xué)報(bào)，2019（1）：62-88.

Reassessment of Systemically Important Financial Institutions： Based on the Minimum Spanning Tree Model

ZHOU Liang

（School of Finance， Hunan University of Finance and Economics， Changsha 410205， China）

Abstract： Assessing systemically important financial institutions has important theoretical and practical value for classifying financial supervision and preventing financial risks. Three correlation coefficients including Pearson， Copula， and DCC are used to measure the correlation effect of 91 listed financial institutions in China， and the Kruskal algorithm is used to construct a minimum spanning tree to study the systemic importance and overall risk status of financial institutions in China. The research results show that： Securities and banks have higher importance in Chinas financial system， especially the ICBC， Guangfa Securities and Guohai Securities. The system importance of the insurance industry is relatively weak. After the stock market crash in 2015， the network of financial institutions has undergone major changes. The systemic importance of the banking industry， especially the ICBC， has been improved to a certain extent compared to before the stock market crash. New types of securities firms such as Oriental Fortune have begun to play an important role. The system centrality of the minimum spanning tree can partially reflect the characteristics of systemic financial risk， and has a significant positive correlation with the traditional systemic financial risk measurement indicator MES.

Key words： financial risk; systemic financial risk; systemically important financial institution; minimum spanning tree

（責(zé)任編輯：盧艷茹;校對(duì)：李丹）