方 意，王晏如

一、引 言

黨的十九大以來，中國防范和化解系統(tǒng)性金融風(fēng)險的攻堅戰(zhàn)取得了重大成果。特別地，對過往互聯(lián)網(wǎng)金融和銀行體系過度創(chuàng)新帶來的風(fēng)險進(jìn)行了有效處置，對金融創(chuàng)新發(fā)展過程中的監(jiān)管缺失進(jìn)行了充分填補，逐步建立金融科技監(jiān)管規(guī)則體系。與之相呼應(yīng)，學(xué)術(shù)界對金融科技領(lǐng)域風(fēng)險的研究也更加深入（李蒼舒和沈艷，2019；楊子暉等，2022）。張皓星和黃益平（2018）、沈艷和王靖一（2021）都從金融科技新業(yè)務(wù)的公眾情緒視角出發(fā)，研究了金融科技領(lǐng)域內(nèi)部的風(fēng)險傳染機(jī)制。相比之下，目前關(guān)于銀行發(fā)展金融科技的風(fēng)險研究仍處于起步階段，特別是鮮有研究從媒體對銀行發(fā)展金融科技業(yè)務(wù)的情緒角度探究其對銀行系統(tǒng)性風(fēng)險的影響。

本文認(rèn)為媒體情緒的變化反映了銀行發(fā)展金融科技業(yè)務(wù)的不確定，而這種不確定性可能會通過影響銀行存款負(fù)債的穩(wěn)定性，進(jìn)而增大銀行業(yè)整體的系統(tǒng)性風(fēng)險①2022 年河南部分村鎮(zhèn)銀行發(fā)生的擠兌風(fēng)險問題事件，與銀行實際控制者利用金融科技手段在互聯(lián)網(wǎng)上高息攬儲并非法轉(zhuǎn)移資金密切相關(guān)。這一事件增大了公眾對金融科技相關(guān)概念的不確定性以及對廣大中小銀行儲蓄業(yè)務(wù)的不信任感。隨著利率市場化的逐漸放開，一些民營銀行、中小銀行開始出現(xiàn)這種恐慌擠兌現(xiàn)象，因此對銀行系統(tǒng)性風(fēng)險的防控應(yīng)該關(guān)注情緒問題。。關(guān)于銀行存款的穩(wěn)定性，中國監(jiān)管當(dāng)局當(dāng)前非常關(guān)注。例如，中國銀保監(jiān)會2021 年初發(fā)布了《商業(yè)銀行負(fù)債質(zhì)量管理辦法》，即提到了銀行負(fù)債來源和結(jié)構(gòu)穩(wěn)定性的重要性。然而，關(guān)于哪些因素可能導(dǎo)致銀行存款負(fù)債穩(wěn)定性的下降，這一問題在學(xué)術(shù)界的研究中還較少被提及。本文嘗試從媒體對銀行發(fā)展金融科技的負(fù)向情緒變化為源頭，探究其如何通過影響銀行負(fù)債穩(wěn)定性，進(jìn)而增大系統(tǒng)性風(fēng)險的理論機(jī)制。

本文的研究與以下兩類文獻(xiàn)直接相關(guān)：

第一類文獻(xiàn)關(guān)注金融科技發(fā)展對銀行風(fēng)險的影響。這類研究通常以構(gòu)建金融科技或互聯(lián)網(wǎng)金融發(fā)展指數(shù)為研究基礎(chǔ)，而這些指數(shù)大多衡量社會整體的金融科技發(fā)展水平或與銀行處于競爭關(guān)系的新金融業(yè)態(tài)的普及程度。邱晗等（2018）利用北京大學(xué)數(shù)字普惠金融指數(shù)（郭峰等，2020）研究了金融科技對傳統(tǒng)銀行的風(fēng)險承擔(dān)行為的影響，指出金融科技發(fā)展推動的利率市場化改變了銀行負(fù)債成本結(jié)構(gòu)，從而增加了銀行風(fēng)險承擔(dān)。顧海峰和楊立翔（2018）利用因子分析法測度了互聯(lián)網(wǎng)金融綜合發(fā)展水平，認(rèn)為互聯(lián)網(wǎng)金融通過降低銀行管理成本對銀行風(fēng)險承擔(dān)起到的抑制效應(yīng)，不足以彌補存貸利差收窄所致的助推效應(yīng)。郭品和沈悅（2019）、楊望等（2020）均各自利用文本挖掘方法來構(gòu)建指數(shù)，論證了上述金融科技發(fā)展通過提高負(fù)債端融資成本進(jìn)而提高銀行的風(fēng)險承擔(dān)。

也有少數(shù)研究開始關(guān)注銀行自身發(fā)展金融科技業(yè)務(wù)所引發(fā)的風(fēng)險問題。例如，金洪飛等（2020）利用文本挖掘方法構(gòu)建各家銀行自主運用金融科技的程度指標(biāo)，并發(fā)現(xiàn)金融科技賦能可以顯著降低銀行風(fēng)險，但是存在大銀行對中小銀行的市場擠出效應(yīng)。然而，目前鮮有學(xué)者從銀行發(fā)展金融科技的視角來探究其與銀行系統(tǒng)性風(fēng)險之間的關(guān)聯(lián)。一種可能的原因在于，上述研究采用的金融科技指標(biāo)頻率均較低，且均反映的是長期發(fā)展趨勢對銀行的影響。然而，系統(tǒng)性風(fēng)險度量和監(jiān)測領(lǐng)域的研究需要更加高頻的數(shù)據(jù)，且更加關(guān)注外部沖擊下通過銀行網(wǎng)絡(luò)之間的關(guān)聯(lián)性所放大的風(fēng)險。因此，本文旨在構(gòu)建一個頻率更高的媒體新聞對銀行發(fā)展金融科技的情緒指標(biāo)，以滿足系統(tǒng)性風(fēng)險研究對高頻數(shù)據(jù)和外部沖擊的需求，從情緒的視角出發(fā)來量化對銀行系統(tǒng)性風(fēng)險的影響。我們考慮的系統(tǒng)性風(fēng)險，不僅關(guān)注個體銀行的風(fēng)險承擔(dān)，也關(guān)注銀行之間的關(guān)聯(lián)性。

第二類文獻(xiàn)主要圍繞情緒與系統(tǒng)性風(fēng)險展開。Diamond & Dybvig（1983）將活期存款契約納入分析框架，開創(chuàng)了儲戶情緒恐慌對銀行擠兌風(fēng)險的研究范式。但是Diamond & Dybvig（1983）構(gòu)建的模型不能解釋存款人出現(xiàn)恐慌的原因。以Allen & Gale（1994）為代表的后續(xù)研究將存款人的恐慌情緒歸因于，在信息不對稱條件下儲戶收到關(guān)于存款銀行投資組合回報或者遭遇流動性外部沖擊的負(fù)面信息。上述研究均從儲戶情緒本身在銀行之間迅速傳染的視角來討論銀行業(yè)系統(tǒng)性危機(jī)，因此格外強調(diào)存款保險制度的重要性。但是，Iyer & Puri（2012）的研究發(fā)現(xiàn)，存款保險制度并不能完全抑制儲戶的存款提取行為，由于銀行與儲戶之間的客戶關(guān)系深度存在異質(zhì)性，存款人依然會根據(jù)所獲得的負(fù)面信息向銀行提取存款，造成大面積存款的流失。

近年來，隨著文本分析技術(shù)的興起，大量研究構(gòu)建相關(guān)情緒指數(shù)探究其對存款人信心和提款行為的影響，如Anastasiou & Drakos（2021）。然而，儲戶情緒變化引起銀行存款穩(wěn)定性的下降，在不足以引發(fā)銀行體系整體擠兌的背景下，又將如何影響銀行同業(yè)市場的流動性風(fēng)險以及銀行系統(tǒng)性風(fēng)險的累積，以往研究并沒有給出明確的分析。此外，還有部分文獻(xiàn)直接利用社交媒體、新聞敘述中的情緒變化來刻畫金融部門或銀行體系的系統(tǒng)性風(fēng)險演變規(guī)律（Borovkova et al.， 2017；Fan et al.， 2021）。這些研究將情緒本身當(dāng)成系統(tǒng)性風(fēng)險的代理變量，僅從相關(guān)性的角度論證了兩者之間的關(guān)系，而沒有給出更為直觀的經(jīng)濟(jì)學(xué)機(jī)制。

本文的研究貢獻(xiàn)主要有以下三點：第一，本文構(gòu)建了媒體對銀行業(yè)發(fā)展金融科技的情緒指數(shù)（后文簡稱為“銀行科技情緒指數(shù)”）。該指數(shù)衡量了銀行發(fā)展運用金融科技業(yè)務(wù)時，新聞媒體文本中表現(xiàn)出的凈悲觀情緒，認(rèn)為其發(fā)展具有較強的不確定性且蘊含著較大的風(fēng)險隱患。該情緒指數(shù)具有高頻的優(yōu)勢，有利于進(jìn)行系統(tǒng)性風(fēng)險的測度研究。

第二，本文給出了銀行科技負(fù)向情緒影響銀行系統(tǒng)性風(fēng)險的經(jīng)濟(jì)學(xué)機(jī)理。具體地，本文以銀行存款負(fù)債的穩(wěn)定性為核心，結(jié)合系統(tǒng)性風(fēng)險生成中的個體風(fēng)險和關(guān)聯(lián)風(fēng)險兩大要素，實證檢驗了銀行科技負(fù)向情緒在短期和長期是如何通過銀行資產(chǎn)負(fù)債表行為增大系統(tǒng)性風(fēng)險發(fā)生的可能性，有力地彌補了金融科技與銀行系統(tǒng)性風(fēng)險、情緒與系統(tǒng)性風(fēng)險學(xué)術(shù)研究中機(jī)制分析不足的問題。

第三，本文創(chuàng)新性使用雙重△CoVaR模型將銀行科技負(fù)向情緒尾部沖擊納入銀行系統(tǒng)性風(fēng)險的度量過程中，量化得到了時變情緒對系統(tǒng)性風(fēng)險溢出效應(yīng)指標(biāo)（后文簡稱“凈溢出指數(shù)”）。傳統(tǒng)對系統(tǒng)性風(fēng)險影響因素的研究大多采用回歸分析的方法。然而，該方法難以從時間維度分析影響系數(shù)的動態(tài)演變趨勢。本文的方法更適合為系統(tǒng)性風(fēng)險的防范和化解提供實時的參考依據(jù)。

二、銀行科技媒體情緒指數(shù)構(gòu)建

本文構(gòu)建的銀行科技情緒指數(shù)，主要體現(xiàn)了新聞媒體對銀行應(yīng)用金融科技賦能資產(chǎn)負(fù)債業(yè)務(wù)的不確定性。該指標(biāo)也能夠反映公眾對金融科技影響銀行資產(chǎn)收益率、負(fù)債付息率的判斷。銀行科技情緒指數(shù)的構(gòu)建流程主要包括，新聞?wù)Z料庫的選擇與爬取、金融科技及情感關(guān)鍵詞的選取、指數(shù)編制方法三部分。

（一）新聞?wù)Z料庫的選擇與爬取

考慮到新聞媒體這一類語料具有受眾廣、范圍大、語料頻率高、數(shù)據(jù)較多的特點，本文選擇其作為語料來源。具體而言，本文選擇的新聞?wù)Z料來源于Infobank數(shù)據(jù)庫。該數(shù)據(jù)庫是全球最大的中文財經(jīng)數(shù)據(jù)庫之一，數(shù)據(jù)源包括國內(nèi)外超過1 500家媒體的公開信息。此外，該數(shù)據(jù)庫每日更新，提供了更高頻率的數(shù)據(jù)，可以為本文構(gòu)建銀行業(yè)媒體金融科技情緒指數(shù)提供一個良好的語料庫。因此，本文在Infobank數(shù)據(jù)庫的“中國經(jīng)濟(jì)新聞庫”板塊中選取了2013 年1 月至2019 年12 月中與銀行有關(guān)的新聞報道。對于每篇新聞?wù)Z篇，利用Python網(wǎng)絡(luò)爬蟲技術(shù)將新聞標(biāo)題、內(nèi)容、日期等關(guān)鍵信息抓取下來，構(gòu)建了本文的原始新聞?wù)Z料庫。

（二）金融科技及情感關(guān)鍵詞的選取

金融科技的關(guān)鍵詞較多。此外，隨著金融科技的快速發(fā)展，金融科技的詞庫也在不斷地更新變化，但是主要包括兩類詞語，即底層技術(shù)類和應(yīng)用場景類。底層技術(shù)類金融科技關(guān)鍵詞，是指金融科技所依靠的基礎(chǔ)信息科技技術(shù)，如人工智能、大數(shù)據(jù)技術(shù)、5G 等。應(yīng)用場景類金融科技關(guān)鍵詞，則是指金融科技底層技術(shù)運用于金融的具體場景，例如大數(shù)據(jù)風(fēng)控、智能投顧等。本文按照兩類詞語分別構(gòu)建金融科技關(guān)鍵詞詞庫（包括64個底層技術(shù)類關(guān)鍵詞和83個應(yīng)用場景關(guān)鍵詞）①具體關(guān)鍵詞可以向作者索取。。進(jìn)一步地，本文基于所選定的金融科技關(guān)鍵詞詞庫搜索和統(tǒng)計了新聞?wù)Z料庫中每條新聞中出現(xiàn)的金融科技關(guān)鍵詞的詞頻。

需要指出的是，金融文本情感的識別不同于一般文本情緒的識別，具有較強的行業(yè)特征。目前，對于一般文本的情緒識別，已經(jīng)具有較為權(quán)威的詞典。然而，由于金融領(lǐng)域的專業(yè)性較強，當(dāng)通用類的文本情緒詞典應(yīng)用于金融領(lǐng)域時，可能會出現(xiàn)詞典詞語遺漏或者詞語不適用的情況。本文的金融情緒詞典主要參考Jiang et al.（2019）構(gòu)建的中文金融文本情感詞典，其中包含了5 890 個負(fù)面詞和3 338 個正面詞。與此同時，本文還進(jìn)一步將知網(wǎng)情感詞典（HowNet）、大連理工大學(xué)中文情感詞典、臺灣大學(xué)情感詞典這三個中文類的通用情感詞典融合在一起，形成更為綜合全面的中文金融正負(fù)情感詞典。該詞典總計包含6 110 個正向情緒詞和3 550 個負(fù)向情緒詞，能夠較為全面地識別新聞中包含的金融科技情感信息。

（三）指數(shù)編制

為了形成連續(xù)且具有時效性的高頻量化指標(biāo)來衡量媒體對銀行業(yè)金融科技的情緒，本文直接選用“銀行名稱”+“金融科技詞”+“情緒詞”作為判斷媒體對銀行業(yè)金融科技情緒的指標(biāo)。具體做法分為以下幾步：

首先，篩選銀行業(yè)金融科技語料庫。本文利用Python軟件的正則表達(dá)式算法，篩選了新聞?wù)Z料庫中包含“銀行名稱（包括其簡稱）”以及包含“金融科技關(guān)鍵詞詞庫”中任意關(guān)鍵詞的新聞。經(jīng)過這一步，得到60 余萬條的新聞數(shù)據(jù)，作為銀行業(yè)金融科技語料庫。其次，判斷銀行業(yè)金融科技語料庫中的每條新聞的情緒。若銀行業(yè)金融科技語料庫中的新聞出現(xiàn)了正負(fù)情緒詞典中的情緒詞，則分別計算該條新聞中正、負(fù)兩類情緒詞的個數(shù)。最后，將其指數(shù)化。計算公式如下：

其中，Post、Negt分別代表正向或負(fù)向情緒詞在第t 天內(nèi)的銀行金融科技語料中出現(xiàn)的頻數(shù)，T 代表樣本區(qū)間的總天數(shù)。然后將負(fù)向情感除以當(dāng)天的正向情感，最終得到銀行科技的凈情緒指數(shù)TechSentit。該指數(shù)越大，代表媒體對銀行發(fā)展金融科技的悲觀情緒越強。

由于日度頻率的新聞中會出現(xiàn)沒有金融科技相關(guān)內(nèi)容的情況，后文對銀行科技情緒指數(shù)的分析和應(yīng)用主要利用更低頻率的均值。具體而言，對于銀行科技情緒指數(shù)的影響因素分析、短期系統(tǒng)性風(fēng)險影響機(jī)制分析和凈溢出的量化分析中，均采用銀行科技情緒指數(shù)的周頻均值進(jìn)行研究。針對長期系統(tǒng)性風(fēng)險影響機(jī)制的實證分析，由于銀行財務(wù)數(shù)據(jù)頻率的局限性，本文與之對應(yīng)采用銀行科技情緒指數(shù)的季頻均值進(jìn)行研究。

三、銀行科技媒體情緒影響系統(tǒng)性風(fēng)險的機(jī)制分析

（一）理論機(jī)制分析

銀行科技負(fù)向情緒如何影響銀行系統(tǒng)性風(fēng)險？盡管本文構(gòu)建的銀行科技負(fù)向情緒反映的是媒體的情感傾向，但這一傾向會引導(dǎo)儲戶的存款投資情緒。特別地，本文研究的媒體對銀行科技的負(fù)向情緒報道，會通過影響儲戶的兩種動機(jī)來改變其存款行為。

第一，儲戶要求更安全投資的動機(jī)。對于儲戶而言，相對于金融科技運用對銀行資產(chǎn)端的影響，其更關(guān)心銀行負(fù)債端的金融科技賦能業(yè)務(wù)。例如，網(wǎng)上銀行賬戶、智能投顧、智能支付等應(yīng)用場景。當(dāng)儲戶受媒體對這類銀行科技業(yè)務(wù)的負(fù)向報道影響時，會減少對銀行存款的投資。第二，儲戶要求更高收益投資的動機(jī)。當(dāng)儲戶的投資情緒較為負(fù)向時，往往會對銀行存款產(chǎn)品或理財產(chǎn)品要求更高的回報收益率（陳榮達(dá)等，2019），而在存款利率市場化程度仍不足的背景下，銀行存款利率的上浮程度依然有限，加劇了儲戶對銀行存款需求的降低程度?？梢?，在這兩種動機(jī)的綜合影響下，銀行科技負(fù)向情緒的上升會影響銀行存款負(fù)債的穩(wěn)定性。這種存款負(fù)債穩(wěn)定性的下降，又可以分為短期、長期兩種表現(xiàn)。

在短期，銀行存款負(fù)債穩(wěn)定性的下降主要表現(xiàn)為存款的大量提取和流失。此時，銀行面臨突發(fā)的流動性償還需求，被迫需要在銀行間市場融入更多的同業(yè)批發(fā)性資金以緩解壓力。當(dāng)這種負(fù)向情緒引發(fā)的存款流失規(guī)模達(dá)到一定程度時，銀行間市場資金的需求會大幅超過供給，最終表現(xiàn)為整個市場流動性的緊缺，銀行體系的整體流動性風(fēng)險上升，進(jìn)而發(fā)生系統(tǒng)性風(fēng)險的可能性也隨之增大。

在長期，銀行存款負(fù)債穩(wěn)定性的下降主要表現(xiàn)為存款的展期和獲取難度的增大，從而不得不轉(zhuǎn)向更大比例的同業(yè)負(fù)債融資。根據(jù)方意等（2019）的研究框架，銀行系統(tǒng)性風(fēng)險的主要來源機(jī)制包含機(jī)構(gòu)個體的風(fēng)險承擔(dān)以及機(jī)構(gòu)之間的關(guān)聯(lián)風(fēng)險。

首先，銀行科技負(fù)向情緒會增大銀行個體風(fēng)險敞口。由于同業(yè)負(fù)債的利息支出普遍高于存款負(fù)債，因此隨著銀行同業(yè)負(fù)債比例的被動上升，銀行負(fù)債端的融資成本整體抬升。這會倒逼銀行主動調(diào)整其資產(chǎn)端的風(fēng)險結(jié)構(gòu)以獲得更高收益，從而匹配負(fù)債端的成本壓力。也即，銀行主動風(fēng)險承擔(dān)的意愿會上升?？紤]到銀行科技負(fù)向情緒沖擊對存款流失的影響具有持續(xù)性，銀行需要維持一定數(shù)量的高流動性資產(chǎn)（如現(xiàn)金、準(zhǔn)備金、國債等）以滿足存款負(fù)債的提取需求。因此，負(fù)向情緒沖擊下的銀行主動風(fēng)險承擔(dān)意愿可能更多地通過改變風(fēng)險資產(chǎn)內(nèi)部的收益結(jié)構(gòu)來實現(xiàn)，而不是風(fēng)險資產(chǎn)總量的變化。這種主動風(fēng)險承擔(dān)行為的上升，最終可能會引起銀行在未來遭受資產(chǎn)損失。也即，被動風(fēng)險承擔(dān)的上升，個體銀行在網(wǎng)絡(luò)中的風(fēng)險敞口增大。

其次，銀行科技負(fù)向情緒會增大銀行之間的關(guān)聯(lián)性。有關(guān)系統(tǒng)性風(fēng)險的研究中，銀行之間的關(guān)聯(lián)性主要分為兩類：通過同業(yè)借貸而形成的直接業(yè)務(wù)關(guān)聯(lián)性（楊子暉和李東承，2018；王輝等，2021）和通過持有共同資產(chǎn)而形成的間接關(guān)聯(lián)性（方意和黃麗靈，2019）。銀行科技負(fù)向情緒導(dǎo)致的銀行同業(yè)負(fù)債占比的上升就是直接關(guān)聯(lián)性增大的直接表現(xiàn)。銀行間接關(guān)聯(lián)性的影響則主要來自于，負(fù)向情緒沖擊下銀行未來持有債券或同業(yè)資產(chǎn)的比重上升。銀行出于資產(chǎn)端追求更高收益或保持更高流動性的動機(jī)，其會持有更多的債券和同業(yè)資產(chǎn)投資。這類資產(chǎn)相較于貸款而言，在金融市場上采取標(biāo)準(zhǔn)化交易。當(dāng)銀行面臨外部沖擊而拋售資產(chǎn)時，就會通過間接關(guān)聯(lián)性來放大整個系統(tǒng)的損失程度。

圖1 銀行科技媒體情緒影響系統(tǒng)性風(fēng)險的理論機(jī)制

（二）銀行科技情緒沖擊短期影響的實證分析

1. 實證設(shè)計

為了刻畫短期影響機(jī)制，本文采用三變量的向量自回歸（VAR）模型來刻畫銀行科技負(fù)向情緒沖擊下，銀行體系流動性風(fēng)險和系統(tǒng)性風(fēng)險的變化情況。由于此部分主要考慮情緒的短期沖擊影響，因此數(shù)據(jù)頻率選擇為周頻，樣本區(qū)間為2013年1月1日至2019年12月31日。除銀行科技情緒指數(shù)為作者自行構(gòu)建之外，本文的其他數(shù)據(jù)均來自于WIND數(shù)據(jù)庫。

由于在周度的數(shù)據(jù)頻率下，銀行財務(wù)數(shù)據(jù)實難獲取，因此VAR 模型包含的內(nèi)生變量為：（1）本文構(gòu)建的銀行科技情緒指標(biāo)。（2）隔夜銀行間同業(yè)拆借利率。該指標(biāo)刻畫了銀行在同業(yè)市場的融資流動性風(fēng)險，一方面它在某種程度上代表了銀行負(fù)債端在流動性需求驅(qū)動下的短期結(jié)構(gòu)變化，另一方面銀行間市場流動性的緊缺也普遍被認(rèn)為是銀行系統(tǒng)性風(fēng)險的核心表現(xiàn)之一。（3）銀行業(yè)系統(tǒng)性風(fēng)險指數(shù)。本文采用16 家上市銀行的各自周頻△CoVaR 指標(biāo)的市值加權(quán)指數(shù)代表銀行業(yè)系統(tǒng)性風(fēng)險程度。每家銀行的△CoVaR指標(biāo)參考Adrian & Brunnermeier（2016）中GARCH—△CoVaR方法計算得到，見下式：

該方法將單家銀行對整個系統(tǒng)的風(fēng)險溢出貢獻(xiàn)度分解為兩個部分：單家銀行與銀行系統(tǒng)損失率之間的相關(guān)系數(shù)，以及整個系統(tǒng)損失率的波動率。

本文使用廣義脈沖響應(yīng)方法來計算銀行科技情緒沖擊的影響。傳統(tǒng)的Cholesky分解計算的脈沖響應(yīng)函數(shù)受內(nèi)生變量進(jìn)入VAR模型順序影響，而廣義脈沖響應(yīng)則避免了這一問題。VAR模型的滯后階數(shù)選擇2期，脈沖響應(yīng)的預(yù)測期數(shù)選擇16期。

2. 實證結(jié)果分析

由于情緒沖擊具有突發(fā)性，從更加高頻短期的視角來研究銀行科技情緒對銀行體系風(fēng)險的影響具有重要意義，這也是本文構(gòu)建更加高頻的情緒指數(shù)的研究優(yōu)勢。銀行科技負(fù)向情緒沖擊的短期影響結(jié)果參見圖2。

圖2 銀行科技情緒沖擊脈沖影響分析

可以發(fā)現(xiàn)，銀行科技負(fù)向情緒的增加整體抬升了銀行間市場同業(yè)拆借利率，銀行融資流動性風(fēng)險上升。具體的響應(yīng)趨勢表現(xiàn)為，銀行間同業(yè)拆借利率在負(fù)向情緒沖擊后的1周內(nèi)先下降，隨后2—6周內(nèi)拆借利率顯著上升，之后影響緩慢消減。這種變化趨勢的原因可能在于：當(dāng)銀行面臨公眾負(fù)向情緒引發(fā)的負(fù)債端流動性償還需求時，會首先出售或贖回自己資產(chǎn)端的同業(yè)資產(chǎn)以獲取流動性資金。在這一過程中，銀行間同業(yè)市場形成了一個短期的賣方市場狀態(tài)，因此同業(yè)拆借利率在1期內(nèi)呈現(xiàn)下降趨勢。隨著情緒引發(fā)的流動性償還需求逐漸增大，銀行不得不轉(zhuǎn)向通過負(fù)債端融入更多的同業(yè)批發(fā)性資金以緩解流動性償還壓力。這時，銀行間同業(yè)市場便呈現(xiàn)為買方市場的狀態(tài)，市場上的流動性資金供給逐漸緊張，銀行體系的流動性風(fēng)險整體加大。

此外，銀行科技負(fù)向情緒的增加會導(dǎo)致銀行系統(tǒng)性風(fēng)險在未來整體呈上升趨勢。具體表現(xiàn)為情緒沖擊后的當(dāng)期，銀行系統(tǒng)性風(fēng)險顯著上升，在第3、4 期系統(tǒng)性風(fēng)險達(dá)到頂峰，隨后影響逐漸消減。銀行體系流動性風(fēng)險在第2 期開始逐漸上升。這一變化也充分影響了銀行系統(tǒng)性風(fēng)險，或者說整個銀行體系的流動性風(fēng)險就是系統(tǒng)性風(fēng)險中非常重要的一部分。

綜上所述，銀行科技負(fù)向情緒在短期內(nèi)對銀行負(fù)債端造成了流動性償還壓力，進(jìn)而引發(fā)銀行機(jī)構(gòu)甚至整個銀行體系流動風(fēng)險的上升，最后表現(xiàn)為銀行業(yè)系統(tǒng)性風(fēng)險的上升。

（三）銀行科技情緒沖擊中長期影響的實證分析

1. 實證設(shè)計

為探究金融科技負(fù)向情緒對銀行系統(tǒng)性風(fēng)險的中長期影響，本文基于2013年第一季度至2019年第四季度16家上市銀行季度面板數(shù)據(jù)，構(gòu)建回歸模型如下：

其中，被解釋變量為第i家銀行在第t+h期時的系統(tǒng)性風(fēng)險水平，同樣采用△CoVaR指標(biāo)（江婕和王正位，2015），為上文計算周頻△CoVaR 指標(biāo)的季度內(nèi)均值。TechSentt為本文構(gòu)建的銀行科技情緒指數(shù)的季度內(nèi)均值。該指標(biāo)越大，代表該季度的負(fù)向情緒越大，反之則越小。Controlsi，t代表一系列控制變量，μi為銀行個體固定效應(yīng)，εi，t+h為殘差項。

為了研究銀行科技負(fù)向情緒沖擊對未來銀行系統(tǒng)性風(fēng)險的影響，本文將被解釋變量分別取當(dāng)期和半年后（未來兩個季度）的系統(tǒng)性風(fēng)險水平。這一做法的目的主要有以下兩點：（1）緩解內(nèi)生性問題。具體體現(xiàn)為，利用未來期銀行系統(tǒng)性風(fēng)險水平對當(dāng)期的情緒沖擊進(jìn)行回歸，可以在一定程度上避免反向因果帶來的內(nèi)生性問題。（2）能進(jìn)行前瞻性分析。如果銀行科技情緒指標(biāo)對未來期的銀行系統(tǒng)性風(fēng)險均具有顯著的正向影響效果，則銀行科技情緒指標(biāo)可以視作一個較好的前瞻性風(fēng)險預(yù)警指標(biāo)。

回歸方程中還納入如下的控制變量：（1）銀行個體固定效應(yīng)；（2）銀行層面特征變量，包括銀行規(guī)模、杠桿率、不良貸款率、非利息收入占比；（3）加入年份固定效應(yīng)以控制其他宏觀層面變量的影響以及整體的時間趨勢。這樣的做法在于，本文核心解釋變量為僅隨時間變化的指標(biāo)，因此不能加入季度的時間固定效應(yīng)。

此外，本文根據(jù)式（3），將銀行系統(tǒng)性風(fēng)險分解為兩大影響因素：單家機(jī)構(gòu)與銀行系統(tǒng)之間的關(guān)聯(lián)性以及單家銀行風(fēng)險。具體而言，ρit為第t期季度內(nèi)銀行i與銀行系統(tǒng)損失率之間的相關(guān)系數(shù)，σit為銀行i在第t 期季度內(nèi)損失率的標(biāo)準(zhǔn)差。單家銀行損失率為季度內(nèi)股票收益率均值的相反數(shù)，銀行系統(tǒng)損失率為季度內(nèi)WIND 銀行業(yè)指數(shù)收益率均值的相反數(shù)。本文將被解釋變量拆解為以上兩個指標(biāo)之后，同樣建立前瞻性的回歸模型如下：

進(jìn)一步地，本文嘗試實證檢驗當(dāng)期的銀行科技負(fù)向情緒是如何通過改變銀行未來一段時期內(nèi)的資產(chǎn)負(fù)債表行為，進(jìn)而增大銀行的個體風(fēng)險和關(guān)聯(lián)風(fēng)險，最終表現(xiàn)為系統(tǒng)性風(fēng)險的累積與實現(xiàn)。

本文延續(xù)上文思路從銀行個體風(fēng)險承擔(dān)和銀行與系統(tǒng)之間關(guān)聯(lián)風(fēng)險這兩個維度進(jìn)行考慮，綜合采用4 類銀行財務(wù)指標(biāo)。（1）直接關(guān)聯(lián)性指標(biāo)：銀行同業(yè)負(fù)債占比。由同業(yè)批發(fā)性融資占計息負(fù)債比重計算得到。該指標(biāo)一方面反映銀行面臨金融科技負(fù)向情緒沖擊時，在存款負(fù)債流失或難以展期的壓力下，被迫向同業(yè)融資的傾斜程度；另一方面，同業(yè)負(fù)債占比的上升代表著銀行間直接關(guān)聯(lián)性的上升。（2）主動風(fēng)險承擔(dān)指標(biāo)：風(fēng)險加權(quán)資產(chǎn)比例，由風(fēng)險加權(quán)資產(chǎn)占總資產(chǎn)的比例計算得到，反映了銀行事前的主動風(fēng)險承擔(dān)意愿（方意，2015），即銀行對資產(chǎn)的數(shù)量結(jié)構(gòu)調(diào)整。（3）被動風(fēng)險承擔(dān)指標(biāo)：Z-score①本文計算Z-score時，采用滾動5個季度的窗口計算ROA的波動率。。該指標(biāo)被學(xué)術(shù)研究廣泛應(yīng)用于銀行事后風(fēng)險損失的刻畫，是銀行被動風(fēng)險承擔(dān)的代理指標(biāo)。（4）間接關(guān)聯(lián)性指標(biāo)。本文選用投資資產(chǎn)占比這一指標(biāo)作為銀行間接關(guān)聯(lián)性的代理指標(biāo)。該指標(biāo)由銀行生息資產(chǎn)總額減去現(xiàn)金、準(zhǔn)備金和貸款及墊款三項資產(chǎn)后，除以總資產(chǎn)得到。相較于貸款資產(chǎn)而言，這類以公允價值計算的投資類資產(chǎn)具有標(biāo)準(zhǔn)化交易的特征，當(dāng)銀行廣泛地投資于此類資產(chǎn)時，銀行之間就更加表現(xiàn)為持有共同資產(chǎn)的間接關(guān)聯(lián)性?；谏鲜? 類資產(chǎn)負(fù)債表行為，本文建立回歸模型如下。其中，被解釋變量Behaviori，t+h分別代表4類資產(chǎn)負(fù)債表行為的變量。

表4 銀行科技負(fù)向情緒與資產(chǎn)負(fù)債表行為

2. 實證結(jié)果分析

本文首先基于回歸模型來檢驗銀行科技負(fù)向情緒對銀行系統(tǒng)性風(fēng)險的中長期影響關(guān)系，回歸結(jié)果參見表1，所有回歸均包含控制變量、銀行固定效應(yīng)和年份固定效應(yīng)?？梢园l(fā)現(xiàn)，這一影響系數(shù)在當(dāng)期和半年后均在1%的顯著性水平下為正。由于情緒指數(shù)代表公眾對銀行發(fā)展金融科技的負(fù)向情感，因此該系數(shù)為正，表明銀行科技的負(fù)向情緒越高，銀行的系統(tǒng)性風(fēng)險水平也越大。平均來看，當(dāng)銀行科技情緒指數(shù)上升1個標(biāo)準(zhǔn)差，單家銀行的系統(tǒng)性風(fēng)險當(dāng)期上升約0.46個標(biāo)準(zhǔn)差，半年后上升約0.6個標(biāo)準(zhǔn)差，經(jīng)濟(jì)顯著性較高。

表1 銀行科技負(fù)向情緒沖擊與銀行系統(tǒng)性風(fēng)險

此外，考慮銀行科技情緒指數(shù)在季度頻率內(nèi)取均值后的波動性會有所減弱，因此本文還采用歷史分解法得到的內(nèi)部影響因子進(jìn)行變量替代的穩(wěn)健性分析。具體地，本文選取北京大學(xué)數(shù)字金融研究中心公開的互聯(lián)網(wǎng)金融關(guān)注度指數(shù)，代表銀行以外金融科技領(lǐng)域的發(fā)展?fàn)顩r；選取該研究中心的互聯(lián)網(wǎng)金融情緒指數(shù)，代表媒體對銀行以外金融科技領(lǐng)域的情緒狀況；選取“金融監(jiān)管”一詞的百度搜索指數(shù)，代表金融監(jiān)管的整體強度和監(jiān)管信息在社會中的整體普及度。歷史分解法可以得到上述三個外部影響因子對銀行科技情緒指數(shù)的時變貢獻(xiàn)趨勢，還會同時給出排除三個外部影響因素和歷史趨勢項之后的內(nèi)部影響因子。將銀行科技情緒指數(shù)替換為其內(nèi)部影響因子之后，負(fù)向情緒對半年后銀行系統(tǒng)性風(fēng)險的正向溢出效果依然顯著。

根據(jù)前文，銀行系統(tǒng)性風(fēng)險由兩個因素驅(qū)動：個體波動風(fēng)險以及單家銀行與銀行系統(tǒng)之間的關(guān)聯(lián)性，即相關(guān)系數(shù)。因此，本文接下來將被解釋變量拆解成個體風(fēng)險和關(guān)聯(lián)風(fēng)險，分別對銀行科技情緒指數(shù)等相關(guān)變量進(jìn)行前瞻性回歸。以銀行個體風(fēng)險為被解釋變量的回歸結(jié)果參見表2，以銀行與系統(tǒng)的關(guān)聯(lián)性為被解釋變量的回歸結(jié)果參見表3，所有回歸均包含控制變量、銀行固定效應(yīng)和年份固定效應(yīng)?？梢园l(fā)現(xiàn)，銀行科技情緒指數(shù)的上升，即銀行遭受負(fù)向情緒沖擊之后，當(dāng)期銀行的個體風(fēng)險和關(guān)聯(lián)風(fēng)險均顯著上升，這與本節(jié)第一部分短期影響的結(jié)果相呼應(yīng)。也即，突發(fā)的情緒沖擊會引起部分存款同時擠兌，銀行迫于負(fù)債償還壓力從銀行間同業(yè)市場來融入資金，引發(fā)自身和整個銀行系統(tǒng)的流動性風(fēng)險的上升。

表2 銀行科技負(fù)向情緒沖擊與銀行個體風(fēng)險

表3 銀行科技負(fù)向情緒沖擊與銀行的關(guān)聯(lián)性

此外，還可以發(fā)現(xiàn)，公眾對銀行科技的負(fù)向情緒越大時，銀行的個體風(fēng)險和關(guān)聯(lián)風(fēng)險在兩個季度之后又呈現(xiàn)出顯著上升的結(jié)果?？傮w來講，銀行科技負(fù)向情緒不僅在短期會通過流動性風(fēng)險來影響銀行體系的系統(tǒng)性風(fēng)險，還會在未來較長的時間里，通過增大銀行個體風(fēng)險、增大銀行與系統(tǒng)的關(guān)聯(lián)風(fēng)險兩個驅(qū)動因素，再次影響系統(tǒng)性風(fēng)險水平的抬升。從另一方面，這也表明，銀行科技情緒指標(biāo)對系統(tǒng)性風(fēng)險具有一定的前瞻性預(yù)警能力。

上述結(jié)果是利用市場數(shù)據(jù)測算的系統(tǒng)性風(fēng)險指標(biāo)作為基礎(chǔ)，而市場數(shù)據(jù)測算的系統(tǒng)性風(fēng)險指標(biāo)較為“黑箱”，機(jī)制不是很直觀。為此，本文進(jìn)一步通過考慮銀行面臨沖擊后資產(chǎn)負(fù)債表行為的變化，嘗試對銀行科技負(fù)向情緒的長期影響機(jī)制進(jìn)行更為直觀的剖析。具體而言，本文采用同業(yè)負(fù)債占比、加權(quán)風(fēng)險資產(chǎn)比例、凈息差、Z-score、投資資產(chǎn)占比五個資產(chǎn)負(fù)債表指標(biāo)對銀行科技負(fù)向情緒沖擊進(jìn)行前瞻性回歸分析，分別研究該情緒沖擊對銀行主動風(fēng)險承擔(dān)、被動風(fēng)險承擔(dān)這兩大類個體風(fēng)險指標(biāo)和直接關(guān)聯(lián)性、間接關(guān)聯(lián)性這兩大關(guān)聯(lián)指標(biāo)的長期影響?；貧w結(jié)果參見表4，所有回歸均包含控制變量、銀行固定效應(yīng)和年份固定效應(yīng)。

綜合表4的結(jié)果，本文總結(jié)負(fù)向情緒對銀行系統(tǒng)性風(fēng)險的長期影響機(jī)制如下：當(dāng)銀行遭受負(fù)向情緒沖擊后，以存款為代表的銀行核心負(fù)債穩(wěn)定性下降。銀行在短期可能面臨存量存款的流失，在長期則面臨從公眾吸收存款難度加大的問題。此外，由于銀行可能借助于“金融科技”的噱頭來宣傳其理財?shù)冉Y(jié)構(gòu)性存款產(chǎn)品，銀行科技的負(fù)向情緒同時也會對這一部分負(fù)債來源造成沖擊。最終，導(dǎo)致銀行不得不加大從同業(yè)融入資金的比例。因此，金融科技負(fù)向情緒沖擊之后，銀行同業(yè)負(fù)債比例表現(xiàn)出顯著的持續(xù)性上升態(tài)勢，銀行間的直接關(guān)聯(lián)性也隨之上升。

由于銀行同業(yè)負(fù)債的融資利率相較于存款負(fù)債而言整體較高，因此銀行同業(yè)負(fù)債比例的被動上升會導(dǎo)致銀行負(fù)債端成本的上升，這就要求銀行主動改變其資產(chǎn)端的風(fēng)險結(jié)構(gòu)以匹配負(fù)債端的成本壓力。本文發(fā)現(xiàn)，在遭遇銀行科技負(fù)向情緒沖擊之后，從數(shù)量角度刻畫風(fēng)險承擔(dān)意愿的指標(biāo)（也即調(diào)整的加權(quán)風(fēng)險資產(chǎn)比例），僅在當(dāng)期顯著增大，而在隨后的季度中并沒有發(fā)生顯著的變化。當(dāng)期系數(shù)為正值，在一定程度上更多地反映短期負(fù)債流動性的償還壓力下，銀行持有現(xiàn)金等無風(fēng)險資產(chǎn)數(shù)量的下降，而不是持有風(fēng)險資產(chǎn)數(shù)量的上升。本文還將銀行凈息差作為被解釋變量，發(fā)現(xiàn)凈息差在負(fù)向情緒沖擊下呈現(xiàn)逐季度顯著上升的趨勢。這反映了，銀行的主動風(fēng)險承擔(dān)并不是調(diào)整風(fēng)險資產(chǎn)的規(guī)模，而是更傾向于調(diào)整風(fēng)險資產(chǎn)的結(jié)構(gòu)（也即將資金投向收益更高的貸款資產(chǎn)和債券投資上）。

這種風(fēng)險資產(chǎn)結(jié)構(gòu)的變化一般會帶來兩個后果。第1個后果是銀行未來的風(fēng)險敞口會增大。具體體現(xiàn)為，高收益往往伴隨著高風(fēng)險，銀行主動風(fēng)險承擔(dān)行為的上升最終可能會引起銀行遭受資產(chǎn)損失。也即，事后被動風(fēng)險承擔(dān)水平的上升。從回歸結(jié)果來看，在銀行科技負(fù)向情緒沖擊半年之后，銀行Z-score值呈現(xiàn)顯著下降趨勢。由于該值越小代表銀行事后風(fēng)險承擔(dān)水平越高，因此銀行科技負(fù)向情緒通過改變銀行主動風(fēng)險承擔(dān)意愿從而導(dǎo)致了事后個體風(fēng)險的實現(xiàn)。第2個后果是銀行網(wǎng)絡(luò)的間接關(guān)聯(lián)性會增大。具體體現(xiàn)為，銀行從事風(fēng)險資產(chǎn)業(yè)務(wù)以持有或投資更多的同業(yè)資產(chǎn)和金融債券資產(chǎn)為主。與貸款資產(chǎn)不同，這些類別的資產(chǎn)在金融市場上采取標(biāo)準(zhǔn)化交易。因此，這類資產(chǎn)在銀行資產(chǎn)端比重的上升，也意味著銀行與銀行之間持有相似資產(chǎn)的間接關(guān)聯(lián)性上升。當(dāng)銀行面臨外部沖擊拋售資產(chǎn)時，就會通過間接關(guān)聯(lián)性放大整個系統(tǒng)的損失程度，進(jìn)而引發(fā)系統(tǒng)性風(fēng)險。

綜上，當(dāng)銀行面臨負(fù)向情緒沖擊時，由于存款負(fù)債穩(wěn)定性的部分喪失，被迫提升同業(yè)負(fù)債融資比例，加大資產(chǎn)風(fēng)險投資占比，進(jìn)而放大未來個體風(fēng)險敞口及其在銀行網(wǎng)絡(luò)中的直接關(guān)聯(lián)性和間接關(guān)聯(lián)性，最終表現(xiàn)為系統(tǒng)性風(fēng)險的上升。

四、銀行科技情緒沖擊的動態(tài)凈溢出指數(shù)

（一）情緒沖擊影響的時變量化：雙重△CoVaR模型

現(xiàn)有文獻(xiàn)研究外部或內(nèi)部沖擊下銀行系統(tǒng)性風(fēng)險的變化，大多利用回歸模型進(jìn)行分析。然而，回歸分析也存在以下不足：第一，回歸模型只能得到樣本期內(nèi)平均的影響系數(shù)，難以捕捉凈溢出影響的時變特征。第二，回歸模型難以刻畫沖擊的尾部特性，而系統(tǒng)性風(fēng)險的內(nèi)涵是更關(guān)注極端沖擊下的風(fēng)險演變過程。

本部分借鑒方意等（2021）構(gòu)建的改進(jìn)雙重△CoVaR模型以得到反映銀行科技負(fù)向情緒尾部沖擊下的動態(tài)銀行業(yè)系統(tǒng)性風(fēng)險指標(biāo)。然后，通過新建指標(biāo)與傳統(tǒng)Adrian & Brunnermeier（2016）中分位數(shù)模型計算的△CoVaR指標(biāo)進(jìn)行差分，得到銀行科技負(fù)向情緒對銀行業(yè)系統(tǒng)性風(fēng)險的凈溢出。

雙重△CoVaR模型改進(jìn)的核心思想在于：

（1）刻畫銀行科技負(fù)向情緒自身的壓力情形，以此為基礎(chǔ)刻畫在銀行科技情緒處于壓力情形時單家銀行的壓力水平，這是第一重△CoVaR。在這一重△CoVaR 模型中，與Adrian & Brunnermeier（2016）不同的是，本文將銀行系統(tǒng)對單家銀行的尾部依賴關(guān)系替換為單家銀行對銀行科技負(fù)向情緒的尾部依賴關(guān)系。因此，這一重△CoVaR，代表銀行科技負(fù)向情緒變動對銀行機(jī)構(gòu)風(fēng)險的影響作用。

（2）本文刻畫銀行科技負(fù)向情緒和單家銀行同時處于壓力情形下，銀行系統(tǒng)的壓力水平，這是第二重△CoVaR 模型。銀行科技負(fù)向情緒對銀行系統(tǒng)風(fēng)險溢出的作用原理與第一重△CoVaR 類似，這里不再贅述。利用銀行科技負(fù)向情緒處于壓力時期的單家銀行對系統(tǒng)風(fēng)險貢獻(xiàn)度扣減銀行科技負(fù)向情緒處于正常時期的單家銀行對系統(tǒng)風(fēng)險貢獻(xiàn)度，可以得到著重考慮銀行科技負(fù)向情緒由正常狀態(tài)轉(zhuǎn)為壓力狀態(tài)時單家機(jī)構(gòu)的系統(tǒng)性風(fēng)險。

（3）將新構(gòu)建的考慮銀行科技負(fù)向情緒尾部沖擊下的系統(tǒng)性風(fēng)險指標(biāo)與傳統(tǒng)△CoVaR指標(biāo)作差，得到本文的研究目標(biāo)，即銀行科技負(fù)向情緒對銀行系統(tǒng)性風(fēng)險的凈溢出。

依照上述思路，具體實證步驟如下：

第一，刻畫銀行科技負(fù)向情緒自身的壓力指標(biāo)。也即，在90%分位數(shù)水平下構(gòu)建分位數(shù)回歸模型得到金融科技負(fù)向情緒的壓力指標(biāo)：其中，TechSentt為上文構(gòu)建的銀行科技情緒指數(shù)，Mt-1為滯后一期的7 個宏觀狀態(tài)變量。參照Adrian &Brunnermeier（2016），本文選擇了以下7 個宏觀狀態(tài)變量，分別是短期國債收益率、期限價差、短期“TED”價差、信用價差、股市收益率、股市波動率以及房地產(chǎn)市場超額收益率。

第二，計算單家銀行的壓力指標(biāo)。本文將銀行科技情緒指數(shù)納入到計算單家銀行在險價值的分位數(shù)回歸模型中，得到負(fù)向情緒處于壓力時期單家銀行的在險價值指標(biāo)：

第三，計算銀行系統(tǒng)的壓力指標(biāo)。本文以銀行系統(tǒng)損失率為被解釋變量，以單家銀行損失率、銀行科技情緒指數(shù)和各狀態(tài)變量為解釋變量，在q%的分位數(shù)水平下構(gòu)建分位數(shù)回歸模型得到銀行系統(tǒng)的壓力指標(biāo)：

接下來，利用實際數(shù)據(jù)對上述式子進(jìn)行回歸，可以得到如下三個擬合方程：

本文統(tǒng)一將壓力水平定義為90%分位數(shù)。因此，著重考慮銀行科技負(fù)向情緒由正常狀態(tài)轉(zhuǎn)為壓力狀態(tài)時單家機(jī)構(gòu)的系統(tǒng)性風(fēng)險，計算如下：

此外，根據(jù)Adrian & Brunnermeier（2016），傳統(tǒng)不單獨考慮銀行科技情緒尾部沖擊的系統(tǒng)性風(fēng)險指標(biāo)計算如下：

式（14）和式（15）相減得到銀行科技負(fù)向情緒對銀行i 的系統(tǒng)性風(fēng)險貢獻(xiàn)凈影響，稱之為銀行科技負(fù)向情緒的凈溢出：

將式（16）銀行科技負(fù)向情緒對單家機(jī)構(gòu)系統(tǒng)性風(fēng)險的凈溢出，以市值規(guī)模進(jìn)行加權(quán)平均，可以得到時間維度下的總凈溢出指標(biāo)：

本文進(jìn)一步將式（16）中銀行科技負(fù)向情緒對系統(tǒng)性風(fēng)險的凈溢出進(jìn)行分解，可以分解為兩項。每一項中分別包含一個驅(qū)動因子，如下所示：

第一個驅(qū)動因子主要刻畫銀行科技負(fù)向情緒通過改變單家機(jī)構(gòu)i的個體風(fēng)險而對銀行系統(tǒng)造成的風(fēng)險凈溢出，本文稱為個體風(fēng)險溢出因子。第二個驅(qū)動因子主要刻畫銀行科技負(fù)向情緒通過改變銀行機(jī)構(gòu)與銀行系統(tǒng)之間的關(guān)聯(lián)性而對銀行系統(tǒng)造成的風(fēng)險凈溢出，本文稱為關(guān)聯(lián)風(fēng)險溢出因子。

可以發(fā)現(xiàn)，上述兩個因子對應(yīng)著傳統(tǒng)系統(tǒng)性風(fēng)險△CoVaR指標(biāo)的兩個因素，即單家機(jī)構(gòu)風(fēng)險水平以及銀行機(jī)構(gòu)與銀行系統(tǒng)之間的尾部關(guān)聯(lián)性。這兩個因素數(shù)值越大，單家機(jī)構(gòu)對銀行系統(tǒng)的風(fēng)險溢出（即系統(tǒng)性風(fēng)險）也就越大。而個體風(fēng)險溢出因子和關(guān)聯(lián)風(fēng)險溢出因子正是反映了銀行科技負(fù)向情緒的尾部沖擊對這兩個因素的凈增大程度。因此，本文通過對這兩個因子的刻畫，可以精確捕捉外部沖擊下銀行業(yè)系統(tǒng)性風(fēng)險生成的驅(qū)動因素，有助于監(jiān)管當(dāng)局進(jìn)行有效的政策制定。

此外，需要說明的是，為了避免前瞻性偏差問題，本文計算雙重△CoVaR 模型時采用滾動窗口的方法。由于滾動窗口法會損失樣本，因此本文在這一部分使用較為高頻的周度數(shù)據(jù)進(jìn)行量化分析。具體而言，本文設(shè)置200 為窗口期，利用窗口內(nèi)樣本數(shù)據(jù)測算雙重△CoVaR 模型，以窗口期內(nèi)的計算得到末期凈溢出值作為該時點的凈溢出水平。

（二）凈溢出的量化分析

本文進(jìn)一步量化了2015年1月至2019年12月間周頻傳統(tǒng)△CoVaR指標(biāo)、考慮銀行科技負(fù)向情緒尾部沖擊下的△CoVaR 指標(biāo)以及銀行科技負(fù)向情緒對銀行系統(tǒng)性風(fēng)險的凈溢出指標(biāo)。圖3給出了銀行科技負(fù)向情緒對銀行系統(tǒng)性風(fēng)險的加權(quán)凈溢出的歷史趨勢（黑色實線），并結(jié)合銀行科技負(fù)向情緒增長率指標(biāo)（灰色陰影）進(jìn)行比對分析?？紤]周頻數(shù)據(jù)波動性較大，直接制圖不便于直觀地總結(jié)規(guī)律，因此本文將計算得到的周頻數(shù)據(jù)取月度平均值來制圖，后文相關(guān)圖形同理。

圖3 凈溢出走勢和銀行科技負(fù)向情緒增長率

本文統(tǒng)計了圖3 中的凈溢出和負(fù)向情緒表現(xiàn)出當(dāng)期同漲同跌現(xiàn)象的時點數(shù)為37 個，表現(xiàn)出凈溢出與滯后一期負(fù)向情緒同漲同跌現(xiàn)象的時點數(shù)為34個，滿足上述任意條件的時點數(shù)總計為55個，占整個樣本時點數(shù)的5/6。因此，整體來看，在銀行科技負(fù)向情緒加劇時期，其對銀行系統(tǒng)性風(fēng)險的凈溢出也隨之上升；反之，當(dāng)銀行科技的負(fù)向情緒有所緩和時，凈溢出也相應(yīng)下降。

本文進(jìn)一步地根據(jù)凈溢出指數(shù)的變化趨勢，將其劃分為四個階段：第一階段（2015年1月至2015年7 月），凈溢出整體呈加速上升趨勢。第二階段（2015年8 月至2017年12 月），凈溢出呈現(xiàn)出波動下降趨勢。第三階段（2018 年1 月至2018 年10 月），凈溢出表現(xiàn)為大幅抬升態(tài)勢，并達(dá)到歷史高點。第四階段（2018年10月至2019年12月），凈溢出重啟波動式下降的變化特征。

如上文所述，銀行科技負(fù)向情緒對銀行系統(tǒng)性風(fēng)險的凈溢出可以拆解為兩個驅(qū)動因子：個體風(fēng)險溢出因子與關(guān)聯(lián)風(fēng)險溢出因子。接下來，本文將從這兩個因子的角度出發(fā)，進(jìn)一步從時間維度拆解銀行科技負(fù)向情緒對銀行系統(tǒng)性風(fēng)險的溢出途徑。圖4上下兩圖分別展示了個體風(fēng)險溢出因子和關(guān)聯(lián)風(fēng)險溢出因子（實線）與凈溢出指數(shù)（虛線）的走勢對比。直觀來看，凈溢出與間接溢出因子之間的走勢高度一致，而凈溢出相較關(guān)聯(lián)溢出因子而言具有一定的滯后性?；诖耍疚臏y算了凈溢出指數(shù)和兩類驅(qū)動因子的當(dāng)期及滯后期相關(guān)系數(shù)，結(jié)果參見表5。

表5 凈溢出指數(shù)和兩類驅(qū)動因子相關(guān)系數(shù)

圖4 凈溢出的兩個驅(qū)動因子

從表5可以發(fā)現(xiàn)，凈溢出效應(yīng)的當(dāng)期驅(qū)動因素主要來自于個體風(fēng)險溢出因子，但當(dāng)期的個體風(fēng)險溢出因子受關(guān)聯(lián)風(fēng)險溢出因子的滯后期影響很大。凈溢出與同期個體風(fēng)險溢出因子之間的相關(guān)系數(shù)最大，高達(dá)0.98。隨著滯后期的延長，凈溢出與個體風(fēng)險溢出因子的滯后期水平正相關(guān)系數(shù)逐漸減弱。然而，關(guān)聯(lián)風(fēng)險溢出因子與凈溢出之間的相關(guān)系數(shù)結(jié)果則完全相反：凈溢出與同期關(guān)聯(lián)溢出因子之間的相關(guān)系數(shù)較小，但隨著滯后期的延長，凈溢出與關(guān)聯(lián)風(fēng)險溢出因子的滯后期水平之間的正相關(guān)系數(shù)越來越強。從表的第3列可知，關(guān)聯(lián)溢出因子首先通過影響未來個體風(fēng)險溢出因子的同向變化，繼而影響未來當(dāng)期的凈溢出水平。也即，面臨銀行科技負(fù)向情緒沖擊時，當(dāng)期銀行個體風(fēng)險水平隨之增大，并立即體現(xiàn)為當(dāng)期系統(tǒng)性風(fēng)險的上升；而當(dāng)期銀行網(wǎng)絡(luò)之間關(guān)聯(lián)性的上升不會立即導(dǎo)致系統(tǒng)性風(fēng)險的實現(xiàn)，而是通過關(guān)聯(lián)性的不斷累積，在未來風(fēng)險實現(xiàn)過程中通過傳染鏈條來放大個體的損失水平，從而引發(fā)未來系統(tǒng)性風(fēng)險水平的上升。

五、結(jié)論及政策建議

本文通過構(gòu)建媒體對銀行發(fā)展金融科技的情緒指數(shù)，從銀行存款負(fù)債穩(wěn)定性視角出發(fā)，探究了銀行科技負(fù)向情緒沖擊對銀行系統(tǒng)性風(fēng)險的短期和長期影響機(jī)制，并利用雙重△CoVaR 模型量化了時變的情緒溢出效應(yīng)指數(shù)。本文得到的主要研究結(jié)論如下：

第一，銀行科技負(fù)向情緒沖擊在短期和長期都會增大銀行系統(tǒng)性風(fēng)險。短期影響主要來自情緒引發(fā)的存款擠兌，銀行間同業(yè)市場資金壓力上升，進(jìn)而增大整個銀行體系的流動性風(fēng)險。長期影響來自于核心負(fù)債穩(wěn)定性下降后，銀行被迫加大同業(yè)融資比重和風(fēng)險資產(chǎn)業(yè)務(wù)的投資，進(jìn)而增大了銀行未來的風(fēng)險損失敞口和銀行間的關(guān)聯(lián)性，最終表現(xiàn)為系統(tǒng)性風(fēng)險的上升與釋放。

第二，銀行科技負(fù)向情緒尾部沖擊對系統(tǒng)性風(fēng)險的時變凈溢出指數(shù)整體為正，且表現(xiàn)出階段性上升的特征。凈溢出的當(dāng)期驅(qū)動因素主要來自個體風(fēng)險溢出因子，但沖擊下當(dāng)期關(guān)聯(lián)風(fēng)險溢出因子的上升會增大未來個體風(fēng)險遭遇沖擊時的風(fēng)險放大程度。

基于上述結(jié)論，本文提出如下政策建議：

第一，要注重公眾對銀行科技負(fù)向情緒的演變趨勢，盡可能做好情緒的撫平管理。首先，監(jiān)管當(dāng)局應(yīng)持續(xù)規(guī)范引導(dǎo)金融科技的發(fā)展方向，銀行應(yīng)用金融科技賦能資產(chǎn)負(fù)債業(yè)務(wù)時要正本清源，避免打著“金融創(chuàng)新”的幌子進(jìn)行監(jiān)管套利和損害消費者利益，減弱公眾的信任。其次，要充分關(guān)注金融創(chuàng)新演變過程中可能對銀行造成的競爭壓力，銀行應(yīng)積極與新金融理念、模式、技術(shù)合作共贏，從而抑制公眾的負(fù)向情緒。最后，金融監(jiān)管當(dāng)局要重視金融創(chuàng)新的演變趨勢，及時合理地制定監(jiān)管約束，避免金融監(jiān)管過度滯后于金融創(chuàng)新而引發(fā)的風(fēng)險事件和負(fù)向情緒。同時，監(jiān)管部門要格外注重監(jiān)管信息在公眾中的感知程度，讓有序監(jiān)管、穿透監(jiān)管、合理監(jiān)管的理念在整個社會得到共識。

第二，監(jiān)管當(dāng)局應(yīng)把情緒管理納入宏觀審慎政策框架之中。本文結(jié)果發(fā)現(xiàn)，以金融科技負(fù)向情緒為代表的情緒沖擊對銀行系統(tǒng)性風(fēng)險具有深刻的影響。監(jiān)管當(dāng)局應(yīng)利用大數(shù)據(jù)等監(jiān)管科技手段量化情緒變動指標(biāo)，以監(jiān)測和防范系統(tǒng)性金融風(fēng)險的發(fā)生。從防范角度而言，當(dāng)面臨較大情緒沖擊時，短期內(nèi)監(jiān)管當(dāng)局應(yīng)注重銀行間市場的流動性緊缺狀況，合理釋放流動性資金。在長期應(yīng)重點關(guān)注銀行因負(fù)債穩(wěn)定性下降而導(dǎo)致的主動風(fēng)險承擔(dān)意愿的上升，做好微觀審慎銀行個體風(fēng)險管理的同時，加大針對銀行關(guān)聯(lián)性變化的宏觀審慎管理。

第三，銀行要更加注重日常的負(fù)債管理工作。一方面，銀行管理層也要重視外部情緒變化可能帶來的銀行聲譽風(fēng)險，進(jìn)而引發(fā)核心負(fù)債存款的擠兌和流失。銀行管理層在面臨外部情緒沖擊時，要主動安撫公眾信心，增強核心負(fù)債的穩(wěn)定性。另一方面，銀行應(yīng)當(dāng)確立與本行負(fù)債規(guī)模和復(fù)雜程度相適應(yīng)的負(fù)債質(zhì)量管理體系，從負(fù)債來源的穩(wěn)定性、結(jié)構(gòu)的多樣性與資產(chǎn)流動性匹配的合理性、獲取的主動性、成本的適當(dāng)性等方面加強日常負(fù)債管理質(zhì)量，維護(hù)銀行體系安全穩(wěn)健運行。