肖爭艷 任夢瑤

摘 要：2008年國際金融危機以來，關于系統(tǒng)性金融風險預警已成為社會各界關注的重要問題。本文采用新聞文本大數(shù)據(jù)構建了媒體風險感知這一主觀指標，結合股票、債券、貨幣和外匯等金融子市場風險指標，使用CISS方法合成了中國系統(tǒng)性金融風險指數(shù)（RP-SRI），并將RP-SRI與只包含金融子市場風險指標的金融壓力指數(shù)（FSI）進行對比研究。結果表明，首先，媒體風險感知與金融市場和宏觀經濟之間存在單向的非線性格蘭杰因果關系。這說明媒體能夠捕捉政策不確定性和市場風險的微小變化，媒體風險感知對金融市場和宏觀經濟有傳染效應。其次，就經濟穩(wěn)定問題而言，加入媒體風險感知的RP-SRI對經濟下行風險爆發(fā)概率的識別能力相較于FSI要更強，可以更好地預測經濟下行風險。最后，就金融穩(wěn)定問題而言，RP-SRI可識別系統(tǒng)性金融風險迅速積累狀態(tài)，實現(xiàn)預警金融風險的目的。本文豐富了系統(tǒng)性金融風險的防范預警體系，有助于監(jiān)管部門及時進行金融市場風險防控和輿情管理，維持經濟穩(wěn)定和金融穩(wěn)定。

關鍵詞：媒體風險感知;系統(tǒng)性金融風險;風險預警;區(qū)制識別

中圖分類號：F830.91文獻標識碼：A

文章編號：1000-176X（2021）09-0063-12

一、問題的提出

王朝陽和王文匯[1]從四個角度定義了系統(tǒng)性金融風險。系統(tǒng)性金融風險通常由金融脆弱性等內部因素或者政策調整和宏觀經濟波動等外部因素引起，能夠通過機構間關聯(lián)網絡進行傳播擴散，同時會引發(fā)金融功能失靈和市場恐慌蔓延。系統(tǒng)性金融風險的爆發(fā)不僅會導致金融體系出現(xiàn)劇烈波動，而且會導致經濟增速出現(xiàn)大幅下滑，甚至使經濟體陷入長期衰退的局面。20世紀90年代日本大衰退與2008年全球金融危機均是典型案例。近年來，中國經濟面臨著高債務與高房價等各類金融風險交織的復雜局面，防范化解重大風險被列為新時代實現(xiàn)高質量發(fā)展的“三大攻堅戰(zhàn)”之首。黨的十九大報告明確指出要“健全金融監(jiān)管體系，守住不發(fā)生系統(tǒng)性金融風險的底線”。2020年的政府工作報告進一步強調要“加強重大風險防控，堅決守住不發(fā)生系統(tǒng)性風險底線”。構建適合中國國情的系統(tǒng)性金融風險指數(shù)（Risk-Perception-Based Systemic Risk Indicator，RP-SRI），有效識別系統(tǒng)性金融風險狀態(tài)以保持經濟穩(wěn)定和金融穩(wěn)定，顯得尤為重要與緊迫。

從已有文獻來看，RP-SRI的構建方法主要有兩類：一類主要關注金融機構間的“傳遞性”，特別是金融部門間系統(tǒng)性風險的關聯(lián)性，即通過DCC-GARCH、Copula-CoVaR、CoVaR和CCA等模型，計算金融機構之間的風險溢出或極端風險依賴性來測度系統(tǒng)性金融風險。例如，方意等[2]利用DCC-GARCH 模型計算了中國金融機構的系統(tǒng)性期望損失（SES），作為測度系統(tǒng)性風險指標，分析了中國金融機構系統(tǒng)性風險的影響因素。肖璞等[3]采用CoVaR模型，利用分位數(shù)回歸技術研究單一商業(yè)銀行陷入困境時對其他銀行的風險溢出效應，以及對整個銀行體系的風險貢獻率。梁琪等[4]計算了中國34家公開上市金融機構的資本缺口（SRISK），并對系統(tǒng)重要性金融機構進行了排序。楊子暉等[5]以滬深300、銀行業(yè)、證券業(yè)、保險業(yè)、房地產業(yè)及多元金融指數(shù)日收益率作為代理變量，使用VaR和ES指標測度中國的極端金融風險。李政等[6]采用STENET等方法測度了中國上市金融機構和行業(yè)間的系統(tǒng)性風險，并對機構間或行業(yè)間的風險溢出水平以及傳導結構進行了分析。另一類主要關注整個金融體系的風險，即從股票、債券和外匯等各個子市場的維度選取基礎指標，再用特定的數(shù)理統(tǒng)計方法合成綜合指數(shù)，從而對系統(tǒng)性金融風險程度進行全面評估。例如，Illing和Liu[7]提出了金融壓力指數(shù)（Financial Stress Index，F(xiàn)SI），選取銀行業(yè)、外匯、債券和股票市場四個維度的風險指標，通過等方差權重法、因子分析法和以市場規(guī)模作為權重的方法合成FSI。許滌龍和陳雙蓮[8]基于CRITIC賦權構建FSI，從銀行、房地產、股票市場和外部金融市場綜合測度中國面臨的金融壓力。陶玲和朱迎[9]從7 個維度構建了系統(tǒng)性金融風險綜合指數(shù)，再采用馬爾科夫狀態(tài)轉換方法識別和判斷風險指標的狀態(tài)和拐點，并度量和預警綜合指數(shù)狀態(tài)轉移的信息。方芳和林海濤[10]從價格與杠桿率兩個維度提出了系統(tǒng)性金融風險的測量體系并進行了實證檢驗。

已有研究仍存在一些需要改進的地方：首先，存在滯后性?，F(xiàn)有指標所使用的數(shù)據(jù)多為結構化統(tǒng)計數(shù)據(jù)，其中很多是風險發(fā)生后的事后表現(xiàn)，而非風險本身。而且，還未考慮到諸如媒體對金融市場和宏觀經濟政策的報道、評論和預測等非結構化實時文本大數(shù)據(jù)對系統(tǒng)性金融風險的影響。其次，合成方法的權重選擇缺乏較為明確的經濟含義，對變量之間的高度依賴性和時間關聯(lián)性考慮不足。再次，在基礎指標選擇上，國內很多研究同時加入金融市場指標和實體經濟指標，但實體經濟指標頻率較低，其變化往往滯后于金融市場，難以及時反映金融市場的變化。最后，兩類研究模型尤其是第一類研究模型構建過程過于復雜，且對數(shù)據(jù)時間長度和金融發(fā)展水平具有較高要求。但是，中國金融市場發(fā)展起步較晚，數(shù)據(jù)時間長度、穩(wěn)定性和連續(xù)性均不夠理想。而且，由于數(shù)據(jù)所限，這類指數(shù)構建方法主要關注上市金融機構股價波動產生的系統(tǒng)性風險，而忽略了外匯、債券和貨幣等其他金融子市場的波動，因而可能無法全面度量各金融子市場所面臨的風險。

本文旨在解決上述問題。首先，本文采用新聞文本大數(shù)據(jù)構建了媒體風險感知的主觀指標，來研究媒體風險感知對系統(tǒng)性金融風險的傳染效應。媒體風險感知之所以重要，是因為系統(tǒng)性金融風險的演化通常是一個非線性的過程，前期的風險積累往往比較緩慢，金融市場不會出現(xiàn)明顯變化，而當越過某一閾值后風險會迅速積累，快速演化為系統(tǒng)性金融風險。僅僅基于金融子市場指標構建的金融壓力指數(shù)（FSI），難以在風險程度達到閾值前就發(fā)出預警。相比之下，Li [11]與牛楓等[12]的研究表明，對政策不確定性和市場風險變化比較敏銳的媒體容易捕捉到風險或不確定性的微小變化，其所傳達的信息也會影響公眾對風險的判斷，從而導致市場恐慌，甚至傳播非理性情緒或高風險預期，加速風險累積。其次，本文將在綜合指數(shù)法的基礎上納入媒體風險感知指標，使用跨網云計算整合解決方案與報務（Cross-Net Cloud-Comapting Integrated Solution and Service，CISS）方法構建系統(tǒng)性金融風險指數(shù)（RP-SRI）。CISS法不僅考慮各指標對宏觀經濟的影響，還有效地解決了指標之間的相關性問題。最后，本文從經濟穩(wěn)定和金融穩(wěn)定兩個方面探討了RP-SRI是否可以更好地預測經濟下行風險和預警系統(tǒng)性金融風險的爆發(fā)。

與已有文獻相比本文的邊際貢獻主要有兩點：首先，使用文本分析方法構建了媒體風險感知指標，實現(xiàn)了對金融市場和經濟政策的非結構化實時信息量化，豐富了關于媒體報道與金融市場風險和實體經濟之間關系方面的學術研究。其次，在綜合指數(shù)法的基礎上納入媒體風險感知指標，彌補了已有結構化指標在預警能力上的不足，改進了宏觀經濟風險和金融風險識別能力與預警能力。

二、含有媒體風險感知的系統(tǒng)性金融風險指數(shù)構建

（一）金融子市場風險指標構建

通過對已有文獻的梳理，本文在股票、債券、貨幣和外匯市場中選取能夠體現(xiàn)出金融市場風險積累傾向和程度的基礎指標池如表1所示。這些指標從不同的角度反映各金融子市場的風險。如債券市場指標中債5年國債與3個月國債利率差能反映出債券市場的期限風險，而中債10年AAA企業(yè)債與10年國債利率差則能反映出債券市場的違約風險，兩者相互補充共同反映債券市場的風險狀況。

然后，采用以下四個原則從表1中進一步選取與宏觀經濟最密切的指標做為金融子市場風險基礎指標：一是能從不同的角度及時反映金融子市場的金融壓力狀態(tài)，彼此互相補充。二是所對應的數(shù)據(jù)可獲得且數(shù)據(jù)時間跨度足夠長，能覆蓋盡可能多的金融風險事件。三是指標應具有較高的頻率以跟蹤監(jiān)測金融市場壓力狀況。四是使用Granger因果檢驗構成宏觀經濟景氣的格蘭杰原因的基礎指標。本文最終選取了如下幾類金融子市場基礎指標，如表2所示。樣本區(qū)間為2007年1月至2019年12月。數(shù)據(jù)來源包括Wind數(shù)據(jù)庫、中經網統(tǒng)計數(shù)據(jù)庫等，數(shù)據(jù)頻率為月。

在各金融子市場的指標中，股票市場風險往往表現(xiàn)為波動率上升和股價下降。本文選擇上市公司總市值同比增速、平均市盈率同比增速和上證綜指振幅三個指標表征股票市場風險狀態(tài)。貨幣市場和債券市場風險主要表現(xiàn)為波動率和利差的上升。本文選取交易比較活躍的貨幣工具利率和中債綜合指數(shù)同比增速表示波動率變動，使用1年與7天Shibor利差、10年國債與1年國債到期收益率利差表示貨幣市場和債券市場的利差水平。外匯市場風險主要表現(xiàn)為外匯儲備下降、匯率波動和進出口貿易減少。本文選擇外匯儲備環(huán)比增速、人民幣匯率指數(shù)環(huán)比增速和進出口總值同比增速三個指標來反映外匯市場風險狀況。由于各基礎指標對風險的正負影響不同，其量綱也不同，因而將每個基礎指標在時間序列上的樣本基于風險水平進行去量綱化和極值法同向化處理（Min-Max Normalization）。將正向指標定義為：本市場的風險越大，指標數(shù)值越大;負向指標反之。轉換后的變量取值均在[0，1]區(qū)間內。通過簡單算術平均將基礎指標合成為金融子市場風險指標。本文另使用各基礎變量對宏觀經濟景氣指數(shù)的滯后1—11期相對沖擊的絕對值為權重，合成金融子市場風險指標。該方法合成的指標與使用簡單算術平均方法合成的指標走勢基本相同，說明選用簡單算術平均方法是穩(wěn)健的。

（二）構建媒體風險感知指標

Baker和Wurgler[13]與Pflueger等[14]的研究都表明，公眾會對政策不確定性和市場風險變化作出反應，并可能會加速風險傳遞。為了研究風險感知對系統(tǒng)性金融風險的傳染效應，本文從媒體政策風險感知和市場風險感知兩個維度合成媒體風險感知指標。其中，使用政策不確定性指數(shù)表示政策風險感知。張玉鵬和王茜[15]與楊子暉等[5]選擇基于Baker等[16]根據(jù)中國香港《南華早報》構建的政策不確定性指數(shù)（EPU）代表中國經濟政策不確定性。然而，該指數(shù)存在傾向于反映中國香港經濟或國際經濟不確定性問題。比如，受中美貿易戰(zhàn)和中國香港政局變動等事件的影響，2018年以后該指數(shù)迅速上升，顯著高于之前時段。相較之下，Huang和Luk[17]構造的中國經濟政策不確定性指數(shù)（CNEPU）使用多份內地報紙作為文本數(shù)據(jù)源，在文本分析中同時采用“政策、戰(zhàn)略、改革、稅收、財政”等反映經濟政策的關鍵詞，以及“不確定、不明朗、難以預料”等反映風險的關鍵詞，關鍵詞詞庫數(shù)據(jù)來自經濟政策不確定性指數(shù)網站http：//www.policyuncertainty.com/china_epu.html及https：//economicpolicyuncertaintyinchina.weebly.com。能夠更好地刻畫媒體對政策風險的感知。與Baker等[16]的經濟不確定性（EPU）指數(shù)相比較，CNEPU克服了報道偏誤問題，對政策風險感知的度量更加準確。因此，本文采用Huang和Luk[17]合成的中國經濟政策不確定性（CNEPU）指數(shù)作為媒體政策風險感知的度量。針對媒體對市場風險感知，本文選取《經濟觀察報》作為文本數(shù)據(jù)源， 之所以選擇《經濟觀察報》，一是因為該報是全國三大經濟類報刊之一，服務于商業(yè)、財經和相關行業(yè)中的決策者，為其提供真實、科學的財經報道和分析，具備較強的專業(yè)性和權威性;二是因為其電子版發(fā)行時間符合本文的研究需要。采用人工閱讀的方式構造關于媒體風險感知的詞庫，合成測度媒體風險感知的基礎指標。本文爬取了2007年1月9日至2019年12月31日《經濟觀察報》網站提供的數(shù)字報紙，數(shù)據(jù)共計 60 684篇。經統(tǒng)計，該報每月新聞報道的平均數(shù)為389篇，大致符合隨機波動，不存在某些年某些月報道顯著高于其他時段的情況。本文從所爬取的新聞文本中每個月隨機選取100篇文章，采取人工閱讀方式提取其中用于描述市場風險的詞匯。相較于CNEPU的關鍵詞選擇，本文構建的詞庫直接描述了市場風險積累傾向與程度，能夠體現(xiàn)媒體對市場風險的感知。構建方法如下：一是進行分詞操作，同時過濾文本中一些無效詞。二是統(tǒng)計出詞庫詞匯在每篇文章的出現(xiàn)次數(shù)占文章總詞匯數(shù)的比重。三是求取每月的風險詞出現(xiàn)比重的平均值，作為媒體市場風險感知指標。

與構建風險子市場指標的方法一致，本文對媒體政策風險感知指標（CNEPU）和媒體市場風險感知指標進行極值法、同向化和去量綱化處理，然后通過簡單算術平均合成同時反映媒體對政策風險和市場風險感知的媒體風險感知復合指標，如圖1所示。

圖1展示了媒體風險感知指標的合成結果。從整體來看，媒體風險感知在大多數(shù)期間圍繞均值0.441上下呈鋸齒狀波動。在2008年全球金融危機、2012年歐債危機、2015—2017年初股災債災以及2018年后中美貿易戰(zhàn)等系統(tǒng)性金融風險增加期間，媒體風險感知水平超過了0.700，與均值的偏離超過了1.500個標準差。此外，從指數(shù)變動趨勢來看，媒體風險感知在危機發(fā)生前往往就會呈現(xiàn)出上升趨勢。比如，在2008年1月、2011年8月和2015年1月這些危機爆發(fā)點之前，媒體風險感知水平已經超過了0.600，相對均值的偏離則超過了1.250個標準差。這說明對政策和市場風險變化比較敏銳的媒體容易提前捕捉到風險或不確定性的微小變化，其所傳達的信息也會影響公眾對風險的判斷，并且有可能會加速風險的傳遞。

表3展示了金融子市場風險和媒體風險感知的描述性統(tǒng)計結果?；诳杀刃钥紤]，對各金融子市場風險指標和媒體風險感知指標進行正向去量綱處理，指標均介于[0，1]之間。

（三）系統(tǒng)性金融風險指數(shù)構建

本文借鑒Kremer等[18]，采用CISS方法測度FSI和RP-SRI。CISS方法的理論基礎為投資組合理論，對各子市場正相關性增強、波動性均上升到高位的情況賦予更高的權重。該方法修正了已有指數(shù)合成方法未充分考慮變量之間高度依賴性和時間關聯(lián)性的缺陷。權重選擇上，本文以各金融子市場風險和媒體風險感知對宏觀經濟的影響大小作為權重。具體計算公式為：

RP-SRI=ω×St×Ct×ω×St′（1）

其中，St=（S1，S2，S3，S4，S5）表示股票、債券、貨幣和外匯市場風險及媒體風險感知。ω=ω1，ω2，ω3，ω4，ω5表示各子指標的權重。Ct表示t時刻各子指標的時變交叉相關系數(shù)矩陣。

在權重ω的確定上，本文借鑒Kremer等[18]采用脈沖響應函數(shù)測算各子指標對宏觀經濟的平均相對沖擊來確定組合權重。考慮到數(shù)據(jù)頻率為月度，選擇宏觀經濟景氣指數(shù)（MAC_ECOBOOM_IDX，簡記MEI）作為宏觀經濟的代理變量。反映宏觀經濟的指標包括國內生產總值、通貨膨脹水平、投資指標、消費、宏觀經濟景氣指數(shù)、制造業(yè)采購經理指數(shù)、工業(yè)增加值增長率等。在符合本文數(shù)據(jù)頻率的月度宏觀數(shù)據(jù)中，宏觀經濟景氣指數(shù)（一致指標）綜合考慮了工業(yè)生產、社會需求、就業(yè)和社會收入四個方面，對宏觀經濟運行現(xiàn)狀的刻畫最為全面。因此，本文選擇MEI作為宏觀經濟的代理變量。一是構造各子指標與MEI的VAR模型和脈沖響應函數(shù)。構建VAR模型需保證各變量是平穩(wěn)序列。經ADF檢驗，外匯市場和貨幣市場風險指數(shù)為非平穩(wěn)序列，一階差分后平穩(wěn)。為保證權重分解的一致性，對所有變量進行一階差分處理，然后構建VAR模型。二是將各子指標對MEI的滯后1—11期相對沖擊的絕對值進行算術平均。三是進行歸一化處理，得到權重向量ω。為了進行比較，本文分別合成了只包含金融子市場風險指標的FSI，其中股票市場、債券市場、貨幣市場和外匯市場風險指數(shù)的權重向量ω=（24.71%，39.05%，13.31%，22.93%），以及加入媒體風險感知的RP-SRI，其中權重向量ω=（21.37%，33.78%，11.51%，19.83%，13.51%）。

為了確定時變相關系數(shù)矩陣Ct，本文通過指數(shù)加權移動平均法計算各子指標的協(xié)方差和方差交叉相關系數(shù)ρij，t，即：

σij，t=μσij，t-1+1-μSi，tSj，t

σ2i，t=μσi，t-12+1-μS2i，tρij，t=σij，t/σi，t2（2）

其中，σij，t表示t時期子指標Si，t與Sj，t之間移動加權的協(xié)方差，Si，t=Si，t-0.500表示子指標Si，t與其理論均值0.500之差。σ2i，t表示子指標Si，t移動加權的方差。μ為平滑參數(shù)，其數(shù)值越大，表示以越慢的速率反映最新的金融數(shù)據(jù)信息。根據(jù)Kremer等[18]，μ近似等于各子指標IGARCH（1，1）模型的平滑參數(shù)β1的均值。在文中FSI的平滑參數(shù)取值為0.642，RP-SRI的平滑參數(shù)μ=0.691。如需要各金融子市場風險指標及媒體風險感知的IGARCH（1，1）模型平滑參數(shù)結果，可與作者聯(lián)系。

確定了權重ω和時變相關系數(shù)矩陣Ct后，根據(jù)式（1）合成得到僅包含金融子市場風險指標的FSI和加入媒體風險感知的RP-SRI。經統(tǒng)計，去量綱后FSI和RP-SRI的均值均在0.221左右，方差分別為0.162和0.179，合成結果如圖2所示。在2008年全球金融危機、2012年歐債危機、2013年錢荒、2015—2017年初股災債災和2018年后中美貿易戰(zhàn)期間，F(xiàn)SI和RP-SRI指數(shù)均顯著上升，與均值的偏離超過1個標準差，這都與圖1所示形成明顯對比。因此，F(xiàn)SI和RP-SRI均能較好地反映2007年以來中國歷次系統(tǒng)性金融風險上升的事件，二者的直觀差異并不明顯。由于難以通過簡單的走勢比較來說明RP-SRI對于系統(tǒng)性風險刻畫能力的優(yōu)化，本文將在下面通過多維度的量化實證方法進一步論證含有媒體風險感知的RP-SRI是否相較于FSI有顯著改進。

三、經驗研究

本部分試圖從下面三個維度論證含有媒體風險感知的RP-SRI是否相較于FSI有所改進：首先，金融市場和宏觀經濟運行中是否存在媒體風險感知的傳染效應，加入媒體風險感知指標能否提高對金融市場風險和宏觀經濟的解釋力。其次，就經濟穩(wěn)定問題而言，RP-SRI對經濟下行風險的識別能力是否優(yōu)于FSI。最后，就金融穩(wěn)定問題而言，RP-SRI能否更好地識別系統(tǒng)性金融風險狀態(tài)和更好地預警金融風險爆發(fā)。

（一）媒體風險感知效應的存在性檢驗

如果媒體風險感知的滯后項有助于改善對金融市場風險和宏觀經濟的解釋力度，那么可以認為金融市場和經濟運行中存在風險感知對系統(tǒng)性金融風險的傳染效應，因而在已有指標基礎上加入媒體風險感知是有價值的。因此，本文分別構建媒體風險感知與FSIFSI以各金融子市場風險為權重進行合成，能夠較好地反映金融市場風險的整體狀態(tài)。因此，這里選取FSI作為金融市場風險的代理變量。和宏觀經濟景氣指數(shù)的雙變量VAR模型，檢驗媒體風險感知是否為FSI和宏觀經濟景氣指數(shù)的格蘭杰原因。

本文對這些平穩(wěn)序列進行傳統(tǒng)的線性格蘭杰因果檢驗，格蘭杰因果檢驗要求變量應為平穩(wěn)序列。ADF檢驗結果表明，在5%的置信區(qū)間內，媒體風險感知、FSI和MEI均為平穩(wěn)序列。檢驗結果如表4所示。由表4可知，在5%的顯著性水平下，除媒體風險感知構成FSI的線性格蘭杰原因外，其余格蘭杰因果關系均不成立。需要注意的是，傳統(tǒng)的格蘭杰因果關系檢驗需要隱含假定潛在數(shù)據(jù)生成過程是線性的。但是，楊子暉和趙永亮[19]的研究表明，現(xiàn)實中的宏觀經濟變量常常會因受到經濟環(huán)境變化和經濟體制變革等因素的沖擊而產生結構性突變，呈現(xiàn)非線性特征。Nishiyama等[20]進一步指出，在這種情況下，傳統(tǒng)的格蘭杰因果關系檢驗不僅難以識別被解釋變量和解釋變量之間的非線性關系，甚至還會導致結論出現(xiàn)明顯偏差?；诖丝紤]，本文進一步使用了Diks和Panchenko[21]構建的Tn統(tǒng)計量，對經VAR模型線性過濾后的殘差序列進行非線性格蘭杰因果關系檢驗，以期得到更為穩(wěn)健可靠的結論。表4展示了基于共同滯后階數(shù)（Lx=Ly）1—4階的非線性格蘭杰因果關系檢驗結果?？梢钥吹?，在5%的顯著性水平下，媒體風險感知既是FSI的格蘭杰原因，也是MEI的格蘭杰原因，而FSI和MEI均不構成媒體風險感知的格蘭杰原因。

綜合線性與非線性格蘭杰因果檢驗的實證結果，可以得出以下兩點結論：一是FSI和MEI不是媒體風險感知的格蘭杰原因，而反之卻成立。這說明媒體風險感知與FSI和MEI之間存在單向的格蘭杰因果關系，媒體風險感知的滯后項有助于改善對金融市場和宏觀經濟運行的解釋力度，因此，加入媒體風險感知能夠更好地識別系統(tǒng)性金融風險變動情況。二是媒體風險感知是MEI和FSI的非線性格蘭杰原因的檢驗結果，印證了認知科學和金融經濟學關于經濟狀況與情緒變化關聯(lián)性的研究結果。根據(jù)Lopes[22]與林樹和俞喬[23]的研究，由于人們對損失的恐懼程度高于利得的吸引程度，而恐懼的情緒體驗會顯著影響經濟參與者的決策行為，因此，可能形成“動物精神”下的群體非理性沖動。由于比較敏銳的媒體容易捕捉到市場風險或政策不確定性的微小變化，而風險和不確定性的上升會滋生市場恐懼情緒，從而會對宏觀經濟與金融市場產生非線性影響。因此，媒體風險感知能夠反映風險與恐懼情緒的迅速積累過程，在指數(shù)構建中加入該指標應能夠更好地預測系統(tǒng)性金融風險的波動狀況。

（二）經濟下行風險預測能力的比較分析

為比較RP-SRI與FSI對經濟下行風險的預測能力，本文構造Probit模型來對比兩者對于經濟下行風險爆發(fā)概率的識別能力。定義虛擬變量“是否處于經濟下行風險狀態(tài)”，發(fā)生時其為1，未發(fā)生時其為0。自從2000年以來，雖然中國受到了2008年全球金融危機等沖擊，但并沒有發(fā)生過真正意義上的經濟危機。因此，本文定義經濟下行風險為MEI環(huán)比增長率處在5%分位數(shù)及以下。根據(jù)歷史數(shù)據(jù)，這意味著MEI環(huán)比下降幅度超過-1.136%，經濟基本面出現(xiàn)短期內迅速下行現(xiàn)象，因而可以認為，經濟處于下行風險狀態(tài)。具體時期包括2008年9—12月、2011年11—12月、2015年1月和2019年10月。Probit模型設定如下：滯后階數(shù)的選擇基于AIC準則確定。VAR模型回歸結果說明，滯后1階的FSI和RP-SRI對當期實體經濟下滑風險存在顯著影響，可以較好地體現(xiàn)風險指標的預警能力。

Pevent=1∣FSIt-1，Zi，t-1=β0+β1FSIt-1+γiZi，t-1+εt（3）

Pevent=1∣RP-SRIt-1，Zi，t-1=β0+β1RP-SRIt-1+γiZi，t-1+εt（4）

其中，Pevent=1表示經濟處于下行風險狀態(tài)，Zi，t-1表示其他可能會對被解釋變量產生影響的控制變量集合。在控制變量的選擇上，按照陳彥斌等[24]與陳雨露等[25]的做法，本文對經濟層面、金融層面和社會層面的影響因素進行控制，具體包括發(fā)電量自然對數(shù)變化率（Powert-1）、全社會杠桿率自然對數(shù)（Debtt-1）和人口增長率（Popult-1）?？紤]到一年之中人口增長率等社會性指標不會發(fā)生較為明顯的變化，因而本文在回歸中將其轉化為月度數(shù)據(jù)。為清晰起見，本文參考陳雨露等[25]的做法，采用逐步增加控制變量的“從簡單到復雜”的建模策略，逐步增加金融層面、經濟層面和社會層面的控制變量，得到模型（1）—模型（8），結果如表5所示。

從表5可知，RP-SRI的系數(shù)在5%的置信水平上顯著為正，這表明如果RP-SRI上升，經濟運行陷入下行風險狀態(tài)的概率將會顯著上升。逐步加入控制變量的過程中，RP-SRI的顯著性和系數(shù)未發(fā)生明顯改變，這表明RP-SRI對經濟下行風險的預測能力是比較穩(wěn)定的。相較之下，F(xiàn)SI的系數(shù)始終不顯著，而且模型擬合優(yōu)度更低。這說明相較于FSI，加入媒體風險感知的RP-SRI對宏觀經濟下行風險爆發(fā)概率的識別能力更強，模型的擬合優(yōu)度更高，因而可以更好地預測經濟下行風險。

為增強結論的穩(wěn)健性，本文還做了兩個穩(wěn)健性檢驗，結果如表6所示。

一是筆者進一步采用MEI環(huán)比增長率在10%分位數(shù)及以下、15%分位數(shù)及以下定義經濟下行風險，構建了模型（9）、模型（10）、模型（12）和模型（13）。表6的回歸結果表明，模型（9）和模型（12）的FSI和RP-SRI系數(shù)均在5%的置信水平上顯著為正，但RP-SRI在系數(shù)估計值和整體擬合優(yōu)度上依然優(yōu)于FSI，這說明上文的回歸結果是可靠的。二是本文選取制造業(yè)采購經理指數(shù)（PMI）替代MEI環(huán)比波動指標，定義PMI處于5%分位數(shù)及以下的時間區(qū)間為處于經濟下行風險狀態(tài)，實證結果表明，RP-SRI在系數(shù)估計值、顯著性水平和整體擬合優(yōu)度上均優(yōu)于FSI，上文結論依然成立。

（三）金融風險狀態(tài)識別能力的比較分析

宏觀經濟政策只關注經濟穩(wěn)定是不夠的，還應該高度重視金融穩(wěn)定，這是2008年全球金融危機后學術界達成的一項重要共識。因此，使用系統(tǒng)性金融壓力指數(shù)識別金融市場風險狀態(tài)具有重要意義。Berg和Coke[26]指出，金融危機預警是一個自回歸過程，在危機發(fā)生前預警系統(tǒng)會發(fā)出危機預警，一般的靜態(tài)模型很難模擬出這種動態(tài)性，而Hamilton[27]提出的馬爾科夫區(qū)制轉換模型能夠通過狀態(tài)轉移變量刻畫風險狀態(tài)的動態(tài)轉換，不必人為設定閾值來確定金融風險的高低等級，也不用事先預估高風險可能出現(xiàn)的時間，從而能夠刻畫系統(tǒng)性金融風險的內生性，增加預警的有效性?；诖耍槍鹑谑袌龅姆€(wěn)定與預警問題，本文使用馬爾科夫區(qū)制轉換模型，考察RP-SRI相較于FSI能否更加有效地識別系統(tǒng)性金融風險狀態(tài)，以便更好地預警金融風險爆發(fā)。在轉移區(qū)制個數(shù)的選擇上，本文對RP-SRI和FSI分別建立雙區(qū)制馬爾科夫區(qū)制轉換自回歸模型（MSAR）來考察高系統(tǒng)性金融風險狀態(tài)和低系統(tǒng)性金融風險狀態(tài)的轉換概率、轉換特征及具體時段。根據(jù)AIC準則，設定模型滯后階數(shù)為2。圖3和圖4分別為RP-SRI和FSI處于不同區(qū)制的平滑概率結果。

平滑概率計算結果顯示，基于雙區(qū)制的馬爾科夫區(qū)制轉換自回歸模型對RP-SRI和FSI的區(qū)制劃分結果清晰，區(qū)制之間轉換具有較高穩(wěn)定性。其中，RP-SRI在低風險區(qū)制和高風險區(qū)制的持續(xù)概率分別為0.969和0.877，F(xiàn)SI在低風險區(qū)制和高風險區(qū)制的持續(xù)概率分別為0.983和0.729，均表現(xiàn)出高度的“自維持”特征。具體時段識別方面，在樣本區(qū)間內，RP-SRI識別的高系統(tǒng)性金融風險狀態(tài)為2008年3月至2009年1月、2013年7—9月、2015年9月至2016年9月，分別對應2008年全球金融危機、2013年“錢荒”和2015—2016年國內外股市異常波動等三次系統(tǒng)性金融風險大幅攀升的事件。這與中國過去十余年間實際金融風險的變動狀況基本吻合。相較之下，F(xiàn)SI識別的高風險狀態(tài)僅為2013年7—9月以及2016年2—6月。這表明FSI的風險狀態(tài)識別能力較弱，而RP-SRI能夠更加有效地識別系統(tǒng)性金融風險狀態(tài)。

歷史經驗表明，系統(tǒng)性金融風險的演化通常是一個非線性的過程。剛開始時，風險緩慢上升，當越過某一閾值后，風險迅速積累，直至危機爆發(fā)，最后風險緩慢下降。圖2的FSI和RP-SRI的走勢也體現(xiàn)出這個特征。如果可以識別出風險拐點以及處于風險迅速積累區(qū)制狀態(tài)的時段，則可以為系統(tǒng)性金融危機的預警和防范提供重要參考依據(jù)。表4的非線性格蘭杰檢驗結果已經表明，媒體風險感知能夠提前反映風險與恐懼情緒的迅速積累過程。RP-SRI是否有能力識別出風險迅速積累的區(qū)制狀態(tài)，還需要實證檢驗。為此，本文進一步建立二階自回歸的三區(qū)制馬爾科夫轉移模型，陶玲和朱迎[9]與丁慧等[28]也認為，三區(qū)制劃分更適合中國金融市場的風險轉換過程。識別低系統(tǒng)性金融風險狀態(tài)、風險迅速積累上升階段以及高系統(tǒng)性金融風險狀態(tài)三個區(qū)制的轉換概率轉換特征及具體時段。使用極大似然法進行參數(shù)估計，并基于平滑概率劃分樣本區(qū)間內RP-SRI的區(qū)制狀態(tài)，檢驗結果如表7所示。通過對比RP-SRI在各區(qū)制的均值和中位數(shù)可知，區(qū)制3時期系統(tǒng)性金融風險水平最高，區(qū)制1時期最小，區(qū)制2時期的系統(tǒng)性金融風險水平更接近區(qū)制3的水平。因此，定義區(qū)制1為低系統(tǒng)性金融風險狀態(tài)，區(qū)制2為中系統(tǒng)性金融風險狀態(tài)，區(qū)制3為高系統(tǒng)性金融風險狀態(tài)。

由表7的區(qū)制轉移概率矩陣結果可以發(fā)現(xiàn)，RP-SRI指數(shù)在三種區(qū)制狀態(tài)下的幾個主要特征：一是相較于兩區(qū)制馬爾科夫轉移模型，三區(qū)制馬爾科夫轉移模型下高系統(tǒng)性金融風險狀態(tài)的區(qū)間識別更加精細，進一步識別出了2010年回收之前刺激政策、2011年底歐債危機爆發(fā)、2017年初債市下跌和2018年后中美貿易戰(zhàn)不斷升級等事件所導致的高系統(tǒng)性風險。此外，由高風險區(qū)制轉移至中風險區(qū)制的概率為0.404，轉移至低風險狀態(tài)的概率僅為0.060，這說明從高系統(tǒng)性金融風險到低系統(tǒng)性金融風險的過程往往是振蕩的，這也符合一般經驗判斷。二是低風險狀態(tài)下金融市場具有較強的“慣性”特征，其持續(xù)概率為0.759。而由低風險區(qū)制轉移至中風險區(qū)制的概率（0.197）遠高于其轉移至高風險區(qū)制的概率（0.044），這說明風險積聚是一個非線性過程，市場從低風險區(qū)制逐步過渡到高風險區(qū)制的過程緩慢。三是中風險區(qū)制狀態(tài)下金融市場高度不穩(wěn)定，持續(xù)概率僅為0.015，持續(xù)時間大多只有1—2期，在下一期有0.463的概率過渡為高系統(tǒng)性金融風險狀態(tài)。這說明中風險區(qū)制是風險迅速積累上升的階段，容易轉移至高風險區(qū)制。因此，識別這一區(qū)制是系統(tǒng)性風險預警的關鍵，這就要求有關部門在金融風險防控工作中及時識別風險區(qū)制狀態(tài)并迅速作出反應，以防范系統(tǒng)性金融危機的爆發(fā)。

（四）實證結果的進一步分析

本文構建的RP-SRI可以識別2008年以來的幾次系統(tǒng)性金融風險大幅攀升的事件，較好地吻合了中國經濟金融發(fā)展狀況，這與徐滌龍和陳雙蓮[8]、陶玲和朱迎[9]與方芳和林海濤[10]基于FSI的研究是一致的。然而，不一致之處在于本文在指數(shù)構建過程中從行為金融的視角結合了金融市場和新聞媒體的風險傳染效應，所構建的RP-SRI能夠提前1—3個月預警經濟下行風險，從而識別出系統(tǒng)性金融風險迅速積累狀態(tài)，可以及時預警金融風險的集中爆發(fā)。

總體而言，RP-SRI實現(xiàn)提前預警系統(tǒng)性風險的傳導機制主要有兩個方面：一是相較于普通投資者，對政策和市場更為敏銳的專家和財經記者更容易捕捉到風險或不確定性的微小變化，并將其觀點發(fā)表于媒體。隨著互聯(lián)網和智能手機的加速發(fā)展，投資者獲取信息的方式和獲取信息的成本趨近一致，再加上新聞網站、微博和微信公眾號等各種渠道的傳播，進一步促進民眾的熱點關注趨同，在市場發(fā)生波動情況下更容易形成一致性風險預期。二是隨著某個金融子市場波動性與不確定性的上升，驗證了媒體對風險的判斷，投資者會滋生市場恐懼情緒并作出相同的風險規(guī)避行為。群體一致的決策行為累積到一定程度，就會對宏觀經濟與整體金融市場產生非線性影響，從而引發(fā)市場震蕩和系統(tǒng)性風險。

值得注意的是，預警系統(tǒng)性金融風險不能單純依靠媒體風險感知指標或經濟政策不確定性指數(shù)等主觀風險指標，而需要結合金融子市場的風險指標進行分析。圖1的媒體風險感知走勢圖和圖2的RP-SRI的走勢圖也佐證了這一觀點。在金融市場出現(xiàn)異常波動之前幾個月媒體風險感知略有上升，但并沒有表現(xiàn)出明顯的升高，局部最高點往往出現(xiàn)在風險事件發(fā)生之后。與各個金融子市場的風險指標合成后的RP-SRI則在風險事件發(fā)生之前幾個月就表現(xiàn)出迅速大幅上升的態(tài)勢，處于中風險區(qū)制2，反映了風險迅速積累上升的過程。因此，監(jiān)管部門應監(jiān)測將金融市場風險與媒體風險感知綜合而得到的預警指數(shù)，可以提前了解金融市場未來可能發(fā)生的異動，并及時進行金融市場風險防控和輿情管理，從而守住不發(fā)生系統(tǒng)性金融風險的底線。

四、研究結論和政策建議

資本市場迅猛發(fā)展促使新聞媒體日益繁榮壯大，新聞媒體對金融市場的報道范圍也越來越廣泛深入和形式多樣，其對金融市場所造成的深遠影響已引起了學術界的廣泛關注。2020年《中共中央發(fā)布關于制定國民經濟和社會發(fā)展第十四個五年規(guī)劃和二〇三五年遠景目標的建議》，其中提出要“加強宏觀經濟治理數(shù)據(jù)庫等建設，提升大數(shù)據(jù)等現(xiàn)代技術手段輔助治理能力”。本文采用新聞文本大數(shù)據(jù)構建了媒體風險感知的主觀指標，來研究媒體對系統(tǒng)性金融風險的預警作用和傳染效應?；诠善?、債券、貨幣和外匯市場風險指標以及媒體風險感知指標，合成了中國RP-SRI，并從經濟穩(wěn)定和金融穩(wěn)定兩個方面探討了RP-SRI是否可以更好地預測經濟下行風險和預警系統(tǒng)性金融風險。本文的研究彌補了已有FSI在預警能力上的不足，改進了宏觀經濟風險和金融風險識別能力與預警能力。得出三點主要結論：首先，無論是線性還是非線性檢驗，F(xiàn)SI和MEI均不構成媒體風險感知的格蘭杰原因，而媒體風險感知則構成MEI和FSI的非線性格蘭杰原因。這說明對政策和市場變化比較敏銳的媒體容易感知到風險和不確定性的微小變化，而風險和不確定性的上升會滋生市場恐懼情緒，從而對宏觀經濟和金融市場產生非線性影響。其次，Probit模型回歸結果表明，加入媒體風險感知的RP-SRI對經濟下行風險爆發(fā)概率的識別能力相較于FSI要更強，可以更好地預測宏觀經濟下行風險。最后，對于金融市場的穩(wěn)定與風險預警，馬爾科夫區(qū)制轉換自回歸模型（MSAR）的區(qū)制劃分結果表明，RP-SRI可識別系統(tǒng)性金融風險迅速積累狀態(tài)，有助于防范預警金融風險的集中爆發(fā)。

為了更好地改進系統(tǒng)性金融風險狀態(tài)預警以保持經濟穩(wěn)定和金融穩(wěn)定，基于本文的經驗研究，對監(jiān)管部門主要有三點政策建議：首先，監(jiān)管部門可采用本文構建的RP-SRI作為系統(tǒng)性金融風險的前瞻預警指標之一，進一步完善中國系統(tǒng)性風險的監(jiān)測預警體系。本文的研究表明，同時考慮金融子市場風險指標和媒體風險感知的RP-SRI能夠更好地預警經濟下行風險，識別系統(tǒng)性金融風險區(qū)制狀態(tài)，具有顯著的先導性和前瞻性。其次，考慮到媒體報道能夠及時反映政策和市場風險早期的微小變化，監(jiān)管部門應當建立并完善全方位的輿情監(jiān)測體系和預期管理體系，監(jiān)測重點媒體與社交媒體賬號，對可能波及到系統(tǒng)性金融風險的熱門話題及時進行監(jiān)測。此外，由于媒體所傳達的信息會影響公眾對風險的判斷，監(jiān)管部門需要增強對負面信息的處理能力，防止恐慌言論擴散。最后，監(jiān)管部門需要高度關注風險非線性累積的狀態(tài)，在金融風險防控工作中及時識別風險區(qū)制并迅速作出反應，健全金融系統(tǒng)性風險的防范預警體系、評估體系和應對處理機制。

參考文獻：

[1] 王朝陽，王文匯.中國系統(tǒng)性金融風險表現(xiàn)與防范：一個文獻綜述的視角[J].金融評論，2018，（5）：100-113+125-126.

[2] 方意，趙勝民，王道平.我國金融機構系統(tǒng)性風險測度——基于DGC-GARCH模型的研究[J].金融監(jiān)管研究，2012，（11）：26-42.

[3] 肖璞，劉軼，楊蘇梅.相互關聯(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.

[4] 梁琪，李政，郝項超.我國系統(tǒng)重要性金融機構的識別與監(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.

[5] 楊子暉，陳雨恬，陳里璇.極端金融風險的有效測度與非線性傳染[J].經濟研究，2019，（5）：63-80.

[6] 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(xiàn)與優(yōu)化[J].金融研究，2019，（2）：40-58.

[7] Illing， M.， Liu， Y. An Index of Financial Stress for Canada[R].Staff Working Paper 2003-14，2003.

[8] 許滌龍，陳雙蓮.基于金融壓力指數(shù)的系統(tǒng)性金融風險測度研究[J].經濟學動態(tài)，2015，（4）：69-78.

[9] 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.

[10] 方芳，林海濤.系統(tǒng)性金融風險再認識：演化、測量與檢驗[J].經濟理論與經濟管理， 2017，（11）：45-57.

[11] Li， K. Does Information Asymmetry Impede Market Efficiency？ Evidence From Analyst? Coverage[J]. Journal of Banking & Finance， 2020， 118（9）： 1-7.

[12] 牛楓，葉勇，陳效東.媒體報道與IPO公司股票發(fā)行定價研究——來自深圳中小板上市公司的經驗證據(jù)[J]. 管理評論，2017，（11）：50-61.

[13] Baker， M.， Wurgler， J. Investor Sentiment and the Cross-Section of Stock Returns[J]. The Journal of Finance， 2006， 61（4）， 1645-1680.

[14] Pflueger， C.， Siriwardane， E.， Sunderam， A. Financial Market Risk Perceptions and the Macroeconomy[J]. The Quarterly Journal of Economics， 2020， 135（3）： 1443-1491.

[15] 張玉鵬，王茜.政策不確定性的非線性宏觀經濟效應及其影響機制研究[J].財貿經濟， 2016，（4）：116-133.

[16] Baker， R.S.， Bloom， N.， Davis，J.S. Measuring Economic Policy Uncertainty[J]. Quarterly? Journal of Economics， 2016， 131（4）： 1593-1636.

[17] Huang， Y.， Luk， P. Measuring Economic Policy Uncertainty in China[J]. China Economic Review， 2020， 59（1）： 77-95.

[18] Kremer， M.， Lo， D. M.， Holló， D. CISS ：A Composite Indicator of Systemic Stress in the Financial System[R]. ECB Working Paper Series No.1426， 2012.

[19] 楊子暉，趙永亮.非線性Granger因果檢驗方法的檢驗功效及有限樣本性質的模擬分析[J].統(tǒng)計研究，2014，（5）：107-112.

[20] Nishiyama， Y.， Hitomi， K.， Kawasaki， Y.， et al. A Consistent Nonparametric Test for? Nonlinear Causality-Specification in Time Series Regression[J]. Journal of Econometrics， 2011， 165（1）： 112-127.

[21] Diks， C.， Panchenko， V. A New Statistic and Practical Guidelines for Nonparametric Granger Causality Testing[J]. Journal of Economic Dynamics and Control， 2006， 30（9-10）： 1647-1669.

[22] Lopes， L.L. Between Hope and Fear：The Psychology of Risk[J]. Advances in Experimental Social Psychology， 1987， 20（3）： 255-295.

[23] 林樹，俞喬. 有限理性、動物精神及市場崩潰：對情緒波動與交易行為的實驗研究[J]. 經濟研究，2010，（8）：115-127.

[24] 陳彥斌，隨曉芹，劉哲希.系統(tǒng)性金融風險預警指標——杠桿率與“杠桿率/投資率”比較[J].世界經濟文匯，2019，（6）：21-36.

[25] 陳雨露，馬勇，阮卓陽.金融周期和金融波動如何影響經濟增長與金融穩(wěn)定？[J].金融研究，2016，（2）：1-22.

[26] Berg， A.， Coke， R.N. Autocorrelation-Corrected Standard Errors in Panel Probits： An Application to Currency Crisis Prediction[R]. IMF Working Papers No.04/39， 2004.

[27] Hamilton， J. A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle[J]. Econometrica， 1989， 57（2）： 357-384.

[28] 丁慧，陳穎，卞志村.中國金融市場壓力指數(shù)構建及其宏觀經濟非線性效應[J].現(xiàn)代財經（天津財經大學學報），2020，（8）：18-30.

（責任編輯：劉 艷）

收稿日期：2021-05-14

基金項目：國家自然科學基金重點項目/應急管理項目“國內經濟政策與金融風險防范”（71850003）; “中央高校建設世界一流大學（學科）和特色發(fā)展引導專項資金”資助

作者簡介：肖爭艷（1976-），女，廣西桂林人，教授，研究員，博士，主要從事風險管理和金融計量研究。E-mail：xiaozhengyan@ruc.edu.cn