吳 靜

(上海交通大學(xué) 安泰經(jīng)濟(jì)與管理學(xué)院，上海 200030)

1 文獻(xiàn)綜述

隨著金融業(yè)務(wù)的發(fā)展與進(jìn)一步成熟，金融創(chuàng)新的例子不勝枚舉。一方面，新產(chǎn)品和新服務(wù)催生了新型金融機(jī)構(gòu)；另一方面，層出不窮的嵌套金融產(chǎn)品使交易過程更復(fù)雜，金融部門杠桿水平保持在高位，機(jī)構(gòu)之間聯(lián)系更加緊密，市場面臨的系統(tǒng)性風(fēng)險更大。

系統(tǒng)性風(fēng)險是指由一些重要機(jī)構(gòu)造成的市場波動溢出，并將其迅速傳遞給所有相關(guān)市場參與者(BIS，F(xiàn)SB和IMF，2009)。那些擁有大量資產(chǎn)，業(yè)務(wù)涵蓋多個領(lǐng)域，與各種機(jī)構(gòu)都具有合作伙伴關(guān)系的機(jī)構(gòu)很容易誘發(fā)系統(tǒng)性風(fēng)險。高負(fù)債水平的銀行(Bonfiglio，2008)，合作關(guān)系廣泛的銀行(Craig和von Peter，2014；Leaven等，2014)都屬于這種類型。同時，保險公司由于傳統(tǒng)的承擔(dān)風(fēng)險的業(yè)務(wù)性質(zhì)，往往在研究時很容易被忽略。Weiβ和Mühlnickel(2015)從兼并業(yè)務(wù)影響的角度研究保險公司的合并，驗證了資本規(guī)模越大，業(yè)務(wù)創(chuàng)新性程度越高，公司治理和業(yè)務(wù)模式越復(fù)雜，越容易產(chǎn)生系統(tǒng)性風(fēng)險溢出效應(yīng)。因此，想研究中國典型金融部門之間的系統(tǒng)性風(fēng)險，不能忽視銀行和保險公司。

在高度相關(guān)的系統(tǒng)下，單個主體傳遞出的沖擊很快就會影響到與之有聯(lián)系的其他主體，這種傳導(dǎo)至整個體系的風(fēng)險也是系統(tǒng)性風(fēng)險的特點(diǎn)。目前，許多研究人員已經(jīng)建立了測量系統(tǒng)連通性的模型。Adrian和Brunnermerier(2011)、Lopez(2011)通過估計樣本的CoVar建立了連通度網(wǎng)絡(luò)，測度了銀行間系統(tǒng)性風(fēng)險。CoVar模型也被廣泛運(yùn)用于各國各行業(yè)之間的影響溢出的衡量。Acharya等(2010)則使用MES(marginal expected shortfall)來估計未來系統(tǒng)在危機(jī)時預(yù)計會遭受的損失，作為系統(tǒng)性風(fēng)險的度量。Kumar等(2020)在研究G7集團(tuán)油價和股價之間的依賴性時，利用MES和CoVar的方式度量了系統(tǒng)性風(fēng)險的溢出效應(yīng)，發(fā)現(xiàn)了油價和股價的依賴性符合不同的特征。Diebold(2009,2014,2018)使用估計的日波動率數(shù)據(jù)，基于VAR(vector autoregression)模型，并結(jié)合FEVD(variance decomposition of forecast errors)和廣義FEVD來構(gòu)建波動率連通網(wǎng)絡(luò)。

對于中國市場的研究，楊子暉等(2018)結(jié)合了CoVar和MES的多種測量方法，測量了中國金融機(jī)構(gòu)的系統(tǒng)性風(fēng)險。文風(fēng)等(2017)研究了中國銀行體系，基于廣義FEVD方法對中國主要16家上市商業(yè)銀行進(jìn)行了系統(tǒng)重要性和脆弱性的識別。張琳等(2018)通過SVM-SRISK模型估計了非上市保險公司的系統(tǒng)性影響。少數(shù)其他學(xué)者也研究了不同金融部門間的系統(tǒng)性風(fēng)險，比如嚴(yán)偉祥(2017)用CoVar的方法度量了跨部門金融機(jī)構(gòu)的系統(tǒng)性風(fēng)險溢出。目前國內(nèi)用廣義方差分解構(gòu)造的波動溢出網(wǎng)絡(luò)主要運(yùn)用于分析中國的銀行體系，一方面首先是因為中國的金融體系具有明顯的銀行中心性，銀行體系始終居于一個不可忽視的重要地位，另一方面是上市銀行數(shù)量相較而言比較多，研究樣本多。

2 研究方法

Diebold和Yilmaz(2014)通過向量自回歸模型和廣義方差分解建立了波動率溢出連通網(wǎng)絡(luò)。Diebold之所以使用廣義方差分解，是因為在傳統(tǒng)的Cholesky方差分解下，變量順序會影響預(yù)測的結(jié)果，由此所構(gòu)建的網(wǎng)絡(luò)不具有唯一性和穩(wěn)定性。Shin(1998)和Koop等(1996)證明，廣義方差分解結(jié)果與VAR中變量的排序無關(guān)并且保留了Cholesky方差分解所具有的其他特質(zhì)。在考慮數(shù)據(jù)選取時，Ross(1989)使用有限的參數(shù)化模型證明，如果在市場上不可能進(jìn)行套利，價格的波動率可以有效傳達(dá)市場信息。

p滯后階的向量自回歸模型：

(1)

其中，xt=(x1t,x2t,…，xmt)′表示m個金融機(jī)構(gòu)波動率時間序列的m×1向量，φi(i=1,2,…，p)是VAR模型估計參數(shù),εt～N(0,Σ)為白噪聲。式(1)經(jīng)過整理可以重新寫為

(2)

Ai=φ1Ai-1+φ2Ai-2+…+φpAi-p，i=1,2

(3)

A0=Im,Ai=0 fori<0.

然后根據(jù)式(2)和式(3)可以得到預(yù)測誤差的H步向前預(yù)測水平下的結(jié)果，它解釋了變量j由變量i的一單位變動而產(chǎn)生的預(yù)測誤差：

(4)

(5)

(6)

3 數(shù)據(jù)

3.1 數(shù)據(jù)來源

文章根據(jù)一般金融機(jī)構(gòu)的主營業(yè)務(wù)將其分為四大類：銀行、保險、券商、信托及其他(多元金融)。數(shù)據(jù)來自中信證券行業(yè)分類名單。文章根據(jù)兩個標(biāo)準(zhǔn)選擇樣本：1.已經(jīng)上市；2.具有較大的總市值。文章的樣本包括14家銀行、4家保險公司、3家證券公司和另外7家歸類為信托和其他的公司。數(shù)據(jù)取wind Info 2019/5/28日數(shù)據(jù)，完整信息可在附錄中獲取。

3.2 數(shù)據(jù)處理

文章使用Garman和Klass(1980)提供的方法以便于獲得波動率數(shù)據(jù)，估計如下：

u=Hit-Oit,d=Lit-Oit,c=Cit-Oit

Hit、Lit、Oit、Cit是i公司在日期t的每日最高、最低、開盤、收盤價的自然對數(shù)。

4 實(shí)證結(jié)果

4.1 靜態(tài)樣本分析

參照Diebold和Yilmaz(2014，2018)，文章基于VAR模型(滯后2階，預(yù)測向前步數(shù)H= 10)來估計所選28家機(jī)構(gòu)的波動率連通矩陣。文章通過Gephi顯示結(jié)果,選取內(nèi)置ForceAtlas 2布局算法(Jacomy,Heymann,Venturini(2014)等來決定節(jié)點(diǎn)位置。在圖1中，節(jié)點(diǎn)名稱、節(jié)點(diǎn)大小、曲線顏色深淺分別代表了公司簡稱、總市值、主營業(yè)務(wù)、連通度。

圖1 金融機(jī)構(gòu)波動溢出圖(2007—2019年，顏色用來區(qū)分不同金融部門)

從圖1可以看出這四個部門構(gòu)成了一個相互聯(lián)系的整體。對于銀行、保險公司和券商，它們形成了比較明顯的由部門內(nèi)部成員主導(dǎo)的自然圈子。信托等其他機(jī)構(gòu)的圈子并不那么緊密和明顯。總體上來看，銀行圈分布在圖的西北部，而保險圈分布在圖的東北部，剩下的兩個部門居于中間，被兩個部門拉扯著。保險行業(yè)的天茂集團(tuán)和和西水股份，按業(yè)務(wù)來看將聚集在保險圈中，但是被吸引進(jìn)了銀行圈。同樣，信托公司中的陜西國際信托有限公司也被包圍在證券圈。曾經(jīng)主要從事化工行業(yè)的天茂，現(xiàn)在通過其子公司開展保險業(yè)務(wù)，并且其子公司的保險業(yè)務(wù)收入已占總收入的97.17%。西水股份也是如此。至于信托類公司，文章發(fā)現(xiàn)屬于該分類的公司往往會開展各種業(yè)務(wù)(它們的主營業(yè)務(wù)占比依舊決定了被分類為信托行業(yè))，其多元化金融業(yè)務(wù)的比例決定了它們在整個金融系統(tǒng)中的地位。因此, 信托類企業(yè)構(gòu)成的圈子相較而言確實(shí)會更為松散。

基于初始的連通矩陣結(jié)果，文章計算了部門之間的雙向波動溢出(表1)。部門間呈現(xiàn)的連通性(溢出強(qiáng)度)等級分布于24.9到261.8之間，上下限分別來自Cinsurance←security和Ctrust & others←bank。

表1 部門間波動溢出矩陣(2007—2019年)

對于保險公司、券商、信托及其他類而言，它們收到的最高波動溢出都來自銀行部門(Cinsurance←bank=182.3,Csecurity←bank=79,Ctrust&others←bank=261.8)。就影響力而言，銀行在中國金融體系中具有重要性，總體上銀行受其他機(jī)構(gòu)影響程度居于信托及其他類之后，受保險機(jī)構(gòu)影響最大，Cbank←insurance=121.9。

4.2 動態(tài)結(jié)果分析

接著，文章研究了中國金融體系的總體連通度在不同階段是如何變化的。除了在模型設(shè)置中添加了252天時間窗滾動，文章通過相同的廣義方差思路來估計動態(tài)結(jié)果。文章使用滬深300指數(shù)(0003000.SH)收盤價來衡量中國股市的狀況。圖2顯示了2008年8月至2020年2月的動態(tài)總連通性和CSI300指數(shù)。文章發(fā)現(xiàn)總連接度和CSI300之間存在比較明顯的負(fù)相關(guān)關(guān)系。在2008—2019年，總連通性上下波動，最高水平為95.21，最低水平為63.11。

圖2 中國金融體系的總體連通度指數(shù)(2008—2019年)

根據(jù)總的連通性指數(shù)，文章可以將整個樣本跨度分為五個時期。第一階段始于2008年的金融危機(jī)。這一階段的高水平總體連通性一直持續(xù)到2010年第三季度。滬深300指數(shù)在此期間隨波動下跌。在這一期間，金融危機(jī)、歐債危機(jī)、收緊的貨幣財政政策、CPI上升，都導(dǎo)致金融行業(yè)的不佳表現(xiàn)以及彼此之間的高度關(guān)聯(lián)性。在這一期間總體連通性指數(shù)保持在超過75%的高水平。

隨之而來的是從2010年第四季度到2012年第四季度的第二階段，總體連通性指數(shù)趨于下降到70%上下波動，并且CSI300總體上也較為穩(wěn)定。首先，在2008年金融危機(jī)之后，新實(shí)施的政府巨額投資作用逐漸顯現(xiàn)出來，對經(jīng)濟(jì)產(chǎn)生了積極的影響；其次，工業(yè)水平進(jìn)步和適中的物價水平拉動內(nèi)需，帶動了增長。系統(tǒng)性風(fēng)險隨之從之前的高水平下降。

第三階段始于2013年第二季度，一直持續(xù)到2014年第三季度?？傔B通性指數(shù)突然再次上升至80%，系統(tǒng)整體處于高風(fēng)險階段。在這一階段，國內(nèi)GDP不再高速增長，并且增速趨于持續(xù)下降。同時，券商和信托及其他類的資產(chǎn)負(fù)債率飆升至80%(圖3)，這表明潛在的資金短缺問題大概率會出現(xiàn)。因此，金融體系各部門之間再次變得高度相關(guān)。

第四個時期包含2015年和2016年，這是另一個金融機(jī)構(gòu)之間高度關(guān)聯(lián)的時期，平均總體連通度指數(shù)超過80%。2014年12月9日，當(dāng)四個部門的所有資產(chǎn)負(fù)債率都接近最高時(圖3)，系統(tǒng)的連通性指數(shù)也達(dá)到了最高峰95.21%(圖2)，CSI300也在歷史地位。盡管在2015年金融和非金融企業(yè)資產(chǎn)負(fù)債比都已經(jīng)達(dá)到一個比較高的水平(圖4)，但這一期間影子銀行和各種金融創(chuàng)新產(chǎn)品的快速發(fā)展使不同部門之間的聯(lián)系更加緊密。

圖3 不同部門的資產(chǎn)負(fù)債率(2008—2019年)

到了第五個階段，相較而言，總體連通度指數(shù)在上一時期之后有所下降，并保持在80%以下的水平，除了在2017年7月11日突然短暫升至87.87%。這種波動溢出總體更穩(wěn)定的結(jié)果主要來自金融監(jiān)管的加強(qiáng)和2016年之后國內(nèi)增長速度放緩的負(fù)債(圖3)。此外，在2017年7月的全國金融工作會議上，中國政府提出緊跟穩(wěn)定發(fā)展這一核心觀念，突出了防范金融風(fēng)險。可以看到，在2017年第4季度之后，總體連通性仍然呈現(xiàn)緩慢增長的趨勢，但是系統(tǒng)性風(fēng)險有逐步上升的危險。

5 結(jié)論

根據(jù)Diebold和Yilmaz(2014，2018)建立波動溢出網(wǎng)絡(luò)的廣義方差分解法，文章建立了包括銀行、保險、券商和信托及其他類公司在內(nèi)的金融市場主要參與者雙向波動溢出網(wǎng)絡(luò)。實(shí)證結(jié)果表明：

(1)在靜態(tài)分析部分中，主營業(yè)務(wù)是不同圈子穩(wěn)定形態(tài)最終形成的決定性因素。對于銀行、保險公司和券商，它們形成了比較明顯的由部門內(nèi)部成員主導(dǎo)的自然圈。

(3)在動態(tài)分析部分，文章發(fā)現(xiàn)總連通度可以充當(dāng)市場表現(xiàn)的先行指標(biāo)，具有不對稱性。市場低迷狀態(tài)到來之前，通常會有總體連通指數(shù)保持在一個相對較高的水平的特點(diǎn)或是出現(xiàn)明顯上升的傾向，但是長期保持穩(wěn)定低水平的總體連通水平不一定伴隨著馬上會出現(xiàn)良好的市場表現(xiàn)。