■楊光藝 王楨

一、引言

自2008年全球金融危機爆發(fā)以來，防范化解系統(tǒng)性金融風險成為各國政府金融工作中的重點內容，對于金融規(guī)模早已達到世界第二的我國金融市場而言，做好系統(tǒng)性金融風險防范化解工作更顯得尤為重要。在2017年第五次全國金融工作會議上，我國將防控金融風險與服務實體經(jīng)濟和深化金融改革共同列為金融工作的三項任務。在此次會議上，習近平總書記還指出“要把主動防范化解系統(tǒng)性金融風險放在更加重要的位置，科學防范，早識別、早預警、早發(fā)現(xiàn)、早處置，著力防范化解重點領域風險，著力完善金融安全防線和風險應急處置機制”。

系統(tǒng)性金融風險預警指標的構建與測度作為防范化解系統(tǒng)性金融風險的基本前提和重要內容，受到了廣泛的關注。其中，金融壓力指數(shù)因其便捷性和直觀性，逐漸成為監(jiān)管層參考的系統(tǒng)性金融風險指標。該指標率先由Illing等[1]提出。在此體系構建框架的指導下，金融監(jiān)管機構和學者基于不同的維度和方法，構建了適應于各地的金融壓力指數(shù)。例如，歐洲系統(tǒng)性風險委員會采用ESRB-CISS 研究方法構建了系統(tǒng)性壓力綜合指數(shù)[2]；Cardarelli 等[3]利用17個國家的數(shù)據(jù)，采用等方差權重的方法構建了金融壓力指數(shù)；Balakrishnan 等[4]基于同樣的方法構造了發(fā)展中國家的金融壓力指數(shù)。國內研究中，陶玲等[5]選取了金融機構、股票市場、債券市場、貨幣市場、外匯市場、房地產市場、政府部門共7個維度，采用因子分析的方法構建了系統(tǒng)性金融風險綜合指數(shù)。此外，清華大學國家金融研究院金融與發(fā)展研究中心課題組[6]和范云朋[7]借鑒了歐洲系統(tǒng)性風險委員會采用的ESRB-CISS 方法，分別選取了不同的維度，構建了適應于我國的系統(tǒng)性金融風險綜合指數(shù)。

雖然金融壓力指數(shù)構造簡便，且有利于動態(tài)的、長期跟蹤的風險監(jiān)測，但仍存在一定的局限性。首先，目前金融壓力指數(shù)構建方法大多為等方差權重法、主成分分析法和因子分析法等。這些方法在刻畫系統(tǒng)性金融風險的過程中，由于過于簡單，無法刻畫金融市場的某些特征，尤其是系統(tǒng)性金融風險防范中最為關鍵的尾部特征[8]。另外，Benoit 等[9]指出這一類的綜合指數(shù)法在指標選取、權重設置和閾值設定等方面存在主觀性。

為刻畫系統(tǒng)性金融風險中的尾部風險，大部分文獻采用“自上而下”的邏輯，將宏觀的系統(tǒng)性金融風險分解至微觀的金融機構，再基于微觀金融機構的尾部風險進行構造。其中，比較經(jīng)典的微觀層面的系統(tǒng)性金融風險指標有風險在值VaR[10]、期望損失ES[11—13]、邊際期望損失MES[14，15]、系統(tǒng)期望損失SES[14，16]、DIP[17]、LRMES[18，19]、SRISK[18，20]、△CoVaR[21，22]等。

但是，2008年次貸危機的爆發(fā)讓學者和金融監(jiān)管機構意識到微觀審慎下的合成謬誤問題。因此，構建一個既考慮系統(tǒng)性金融風險尾部特征，同時又兼顧宏觀審慎視角的系統(tǒng)性金融風險指標，成為本文關注的重點。相比于傳統(tǒng)的因子分析法，Chen等[23]提出的分位數(shù)因子分析法（后文簡稱QFM）為這一問題提供了解決思路。該方法融合了尾部風險刻畫中常采用的分位數(shù)分析方法和宏觀視角下常用于降維的因子分析方法。并且，厚尾、狀態(tài)相關等金融市場的典型特征在大量的金融實證研究中被驗證，這表明傳統(tǒng)的基于正態(tài)分布假設的均值模型難以描繪市場。例如，Su 等[24]指出金融市場的厚尾特征會影響VaR 的估計結果。另外，大量的實證結果也表明金融市場存在較為明顯的狀態(tài)相關，即市場機制在尾部情形和正常情形存在明顯差異[25，26]，而基于分位數(shù)的方法則可以通過繪制不同分位數(shù)水平上的市場運行機制，使研究者更加清楚地理解市場風險在極端情形下的影響機制。

此外，對系統(tǒng)性金融風險進行監(jiān)測預警是構建系統(tǒng)性金融風險指標的重要目標[27，28]。而金融壓力指數(shù)的構造一般采用宏觀經(jīng)濟數(shù)據(jù)，這一類數(shù)據(jù)除了更新頻率較慢以外，還存在較為嚴重的時滯性。例如，我國的月度CPI 數(shù)據(jù)一般在次月的10 號左右才發(fā)布。在數(shù)字金融快速發(fā)展的時代，金融脫媒趨勢愈發(fā)明顯，風險傳播速度大幅加快，風險傳導渠道呈現(xiàn)出網(wǎng)絡化和復雜化的特征。數(shù)據(jù)的時滯會嚴重影響這一類金融壓力指數(shù)的預警效果。

股票市場作為宏觀經(jīng)濟的晴雨表[29]，不僅具有先行指標的作用，其高頻的數(shù)據(jù)源也為及時高效的風險預警提供了支撐。基于此，本文采用日度的申萬二級行業(yè)指數(shù)收益率數(shù)據(jù)構建了尾部風險因子，用以進行系統(tǒng)性金融風險預警。通過與均值風險因子進行比較，發(fā)現(xiàn)尾部風險因子包含一部分額外信息，這一部分額外信息不僅對未來市場的收益率具有顯著的預測效果，還對未來市場風險具有顯著的預警能力。

本文的邊際貢獻體現(xiàn)在以下幾個方面：（1）基于金融風險的尾部屬性以及金融市場厚尾、狀態(tài)相關等特征，本文首次將分位數(shù)因子分析的方法應用于系統(tǒng)性金融風險的刻畫，并且實證檢驗驗證了該方法相比于傳統(tǒng)因子分析在風險事件刻畫和風險預警能力方面的優(yōu)勢。（2）相比基于因子分析構造的金融壓力指數(shù)或系統(tǒng)性金融風險測度體系，本文提出的尾部風險因子具有更高的頻率，更加符合數(shù)字金融時代下系統(tǒng)性金融風險“早識別、早預警、早發(fā)現(xiàn)、早處置”的防范要求。

二、QFM模型介紹

（一）傳統(tǒng)因子模型的局限

因子分析方法是實證研究中最常用的、具有較強解釋力的降維分析方法，同時也是系統(tǒng)性金融風險測度領域最常用的方法[5，7]。但是，考慮到金融市場的特征，傳統(tǒng)的因子分析面臨一系列問題，以因子分析的基本公式（1）為例。

但是，這樣的假設卻難以解釋金融市場的實際現(xiàn)象。例如，大量研究發(fā)現(xiàn)股票市場的收益率呈現(xiàn)較為顯著的厚尾性和波動時變性特征[30—32]。此外，越來越多的研究還發(fā)現(xiàn)在尾部情形下，市場的表現(xiàn)與正常情形下的表現(xiàn)存在較大差異。例如，Ando等[33]基于60多個國家的金融市場數(shù)據(jù)，指出公有因子結構隨著分位數(shù)的變化而變化，并且分位數(shù)水平上的公有因子結構不同于均值水平上的公有因子結構。而在因子分析的假設下，變量Xit的分布主要取決于εit，且模型中并未包含分位數(shù)相關（quantile-dependence）的假設，導致該模型無法捕捉到在不同分位數(shù)水平上的信息差異。

并且，對于系統(tǒng)性金融風險的測度而言，尾部風險的測度是其關鍵，而市場運行機制在尾部情形與正常情形相比又存在巨大差異，導致均值層面上的因子分析法在系統(tǒng)性金融風險測度方面存在明顯的缺陷。

（二）QFM模型

應對上述限制最直接的解決辦法就是將均值層面的因子分析方法轉為分位數(shù)層面的因子分析方法。Chen 等[23]提出的分位數(shù)因子分析方法QFM 為構建尾部的系統(tǒng)性金融風險測度提供了最便捷的工具。該方法可以在整個分布上提煉因子，構建出分位數(shù)相關的風險因子，基于該方法構造的尾部風險因子更加符合系統(tǒng)性金融風險的內涵。式（2）給出了QFM的基本模型。

其中，Xit為N個可觀測變量，時間跨度t為1到T，τ為不同的分位數(shù)水平，個體項uit(τ) 滿足為模型的r(τ) 個因子，λi=[λ1i,…,λr(τ)i]'為各變量在各因子上的載荷，其中，因子的個數(shù)r(τ)同樣可以隨著分位數(shù)τ的變化而變化。

首先，從QFM 模型的假設來看，QFM 模型可以在任意分位數(shù)水平上構建因子。其中，在尾部構建的因子，相比于傳統(tǒng)的均值層面上的主成分因子，更加符合金融風險的內涵。例如，當τ取0.01 或者0.05 時，則可以構建對應市場1%和5%的尾部風險因子，有助于更加準確地刻畫系統(tǒng)性金融風險的尾部特征。

其次，從QFM 模型的假設還可以看到，因子的數(shù)量、因子值以及因子載荷均可以隨著分位數(shù)的變化而變化，使基于QFM模型構造的分位數(shù)因子能夠更加契合金融市場中的狀態(tài)特征。

此外，在模型計算方面，QFM 方法同樣具有優(yōu)勢，使其能夠更加適應金融市場的厚尾特征。具體而言，QFM與分位數(shù)回歸一樣采取的是一階形式的目標優(yōu)化函數(shù)，而因子分析方法采取的是二階形式的目標優(yōu)化函數(shù)，而二階形式相比于一階形式具有平方的擴大效應，增大了異常值在目標優(yōu)化中的重要程度，削弱了因子分析方法等均值方法處理尾部異常值的能力。根據(jù)Chen 等[23]的隨機模擬結果，QFM在厚尾分布上確實具有更強的穩(wěn)健性。

（三）QFM的估計

對于任一分位數(shù)τ而言，待估參數(shù)包括因子值和載荷θ=(λ1',…,λN',f1',…,fT') 。其中，載荷Λ=(λ1,…,λN) 為變量X在因子上的載荷，F(xiàn)=(f1,…,fT)為t=1 到t=T期的因子值。在因子數(shù)確定為r(τ) 的情況下，待估參數(shù)個數(shù)為M=(N+T)×r(τ)。需要注意的是，與因子分析方法一樣，QFM 面臨λi和ft無法同時識別的問題。因此，為了對模型參數(shù)進行估計，對QFM進行了式（3）的假設。

QFM 模型的估計原則與分位數(shù)回歸的估計原則一致，最小化一階目標函數(shù)式（4），其中ρτ(u)=(τ-1{u≤0})u。

但是，最小化式（4）并沒有顯式解，因此，QFM的估計采用了迭代的思路，具體的步驟如下：

第一步，設定初始的因子值F(0)。

第二步，在給定F(l-1)的情形下，對每一個變量Xi，利用Koenker[34]提出的方法最小化式（5），得到其載荷。

第三步，在給定Λ(l)的情形下，針對每一期，通過最小化式（6），得到每一期的因子值

第四步，利用第二步和第三步的方法持續(xù)迭代，直到MNT(θ(L))與MNT(θ(L-1))足夠接近。

第五步，根據(jù)式（3）的準則對Λ(L)和F(L)進行正則化，得到最終的參數(shù)估計。

（四）因子個數(shù)的確定

QFM 擬合需要提前確定因子的個數(shù)。確定方法主要有兩種，分別是秩最小化法和信息準則法。

1.秩最小化法

選擇一個足夠大的k值，確保真實的因子數(shù)r(τ)小于k，在假設因子數(shù)為k的情況下，根據(jù)前文的方法估計出相對應的載荷和因子值。其中，令為因子數(shù)是k時的載荷估計值，將此估計值代入式（7）。

2.信息準則法

與其他信息準則的評價標準相類似，基于信息準則的因子個數(shù)選擇同樣是在參數(shù)個數(shù)和效用損失之間進行權衡，具體的權衡公式如式（9）。

三、基于QFM的系統(tǒng)性金融風險測度

（一）數(shù)據(jù)來源與數(shù)據(jù)處理

考慮到個股存在上市日期不一致、停牌、退市等導致數(shù)據(jù)缺失的問題，本文在構建日度頻率上的系統(tǒng)性金融風險指標的時候，采用的數(shù)據(jù)為申萬二級行業(yè)指數(shù)的日度對數(shù)收益率數(shù)據(jù)。其中，由于非金屬材料、林業(yè)、農商行這3個二級行業(yè)存在數(shù)據(jù)缺失等問題，因此，本文選取了其他122 個二級行業(yè)，時間區(qū)間為2012年1月4日到2022年6月30日。數(shù)據(jù)來源于WIND數(shù)據(jù)庫。

為構造基于尾部的風險因子，本文參考學術研究和監(jiān)管機構在使用VaR值時常用的99%和95%置信水平，對應選擇了1%和5%的尾部分位數(shù)水平，并利用QFM模型構建了兩個尾部的因子指標，后文將這兩個指標分別簡稱為QF01 和QF05。此外，為了將本文提出的尾部風險因子與傳統(tǒng)的均值風險因子進行比較，本文還采用QFM模型構建了50%分位數(shù)水平上的中位數(shù)風險因子和基于主成分分析法構建的系統(tǒng)性金融風險指標，后文將這兩個指標分別簡稱為QF50 和PCA。從指標的構造來看，QF01 和QF05 更多地刻畫了金融市場的尾部風險，而QF50和PCA 則更多地刻畫了金融市場的平均水平。因此，本文將QF01 和QF05 統(tǒng)稱為尾部風險因子，將QF50 和PCA 統(tǒng)稱為均值風險因子。圖1 給出了四個指標的時間趨勢圖。從趨勢圖上來看，四者呈現(xiàn)出較為相似的走勢，且四者的極端值均出現(xiàn)在2015年股災期間，表現(xiàn)出了良好的系統(tǒng)性金融風險測度效果。

圖1 QF01、QF05、QF50和PCA指標的走勢圖

（二）尾部風險因子與均值風險因子的比較分析

考慮到尾部風險因子主要集中于分布的尾部，均值風險因子主要集中在分布的中部，本文首先猜測兩者在信息上存在一定的差異，但是，無論是分布的尾部，還是分布的中部，均受到分布本身的水平位置影響。因此，除了差異之外，尾部風險因子與均值風險因子還存在一些公有信息。

表1給出的四個指標之間的相關系數(shù)水平則進一步佐證了這一猜想?？梢钥闯觯琎F01 與QF05 的相關性為0.957，QF50 和PCA 的相關性高達0.997，而QF01 與QF50 以及QF01 與PCA 的相關性均僅在0.850附近，表明尾部風險因子與均值風險因子之間包含著不同的信息。但是，0.847以上的相關系數(shù)表明兩類風險因子之間同樣具有大量的公有信息。

表1 各指標的相關系數(shù)

為了進一步探尋不同因子指標間信息差異的具體內容，本文結合系統(tǒng)性金融風險的具體內涵，選取了樣本期間內滬深300指數(shù)下跌幅度在尾部0.5%的樣本日期，以考察分析不同指標在極端情形下的表現(xiàn)。表2給出了在這些樣本期間內不同指標是否也處于自身序列尾部0.5%分位數(shù)范圍的結果，發(fā)現(xiàn)13個交易日中除2015年1月19日以外，其他交易日期各指標的表現(xiàn)一致。其中，2015 年1 月19 日，QF01 和QF05 兩個尾部風險因子同樣處于各自序列的前0.5%，而QF50 和PCA 兩個均值風險因子并未表現(xiàn)出類似的結果，表明QF01 和QF05 相比而言具有更好地對系統(tǒng)性金融風險測度的效果。

表2 各指標在市場極端收益率情形下的表現(xiàn)情況

從具體事件來看，2015 年1 月19 日，受監(jiān)管層規(guī)范券商兩融的影響，當天19 只券商股集體跌停，上證指數(shù)和滬深300 指數(shù)均下跌7.7%，創(chuàng)造了A 股自2008年金融危機以來的最大跌幅，也被稱為“119股災”。并且，上證指數(shù)這一跌幅，相比于之后的2015 年股災而言①，也僅低于2015 年8 月24 日8.49%的跌幅。此外，2015年1月19日，市場對于兩融規(guī)定的反應，也為后續(xù)股災的爆發(fā)提供了暗示。2015 年股災前期的牛市帶有較為明顯的“杠桿牛”特征。圖2 給出了2014 年1 月1 日到2016 年12 月31 日區(qū)間內上證指數(shù)收盤價和A 股融資余額規(guī)模的走勢圖?？梢钥闯?，兩者具有十分相似的行走軌跡。在第一階段，自2014年7月開始，融資融券業(yè)務限制放寬，融資余額規(guī)模開始快速增長，A股牛市也正式同步啟動。在第二階段，2015 年6 月13 日，證監(jiān)會發(fā)布消息將嚴厲打擊場外配資活動之后，融資余額規(guī)模與上證指數(shù)開始同步大幅下跌，A 股也正式爆發(fā)了近十年來最為嚴重的股災。

圖2 上證指數(shù)收盤價與融資余額的走勢圖

四、風險因子的預警效果評估

（一）風險預警模型設計

構建系統(tǒng)性金融風險測度指標最主要的目的是對潛在的系統(tǒng)性金融風險進行預警監(jiān)測，為評估比較兩類風險因子的預警能力，本文決定采用前瞻預警模型進行分析，進一步探尋尾部風險因子與均值風險因子的信息差異。式（10）給出了本文采用的前瞻預警模型。

其中，yt+1為金融市場的實際表現(xiàn)。本文主要采用了滬深300指數(shù)的對數(shù)收益率和對數(shù)振幅兩個指標，分別代表市場的價格信息和風險信息。riskt為本文構造的四個系統(tǒng)性金融風險指標。需要指出的是，為確保風險因子的前瞻性，因子構造采用了滾動的方法，即每一期的因子計算僅使用本期及以前的數(shù)據(jù)進行計算。由于因子的計算需要一定的樣本量，因此，本部分的實證研究選擇將前50%的樣本作為第一期風險因子的訓練期，再通過滾動的形式獲得后50%用于評估的風險因子。具體而言，用于前瞻預警模型評估的樣本區(qū)間為2017 年4 月6 日到2022年6月30日。

此外，考慮到時間序列變量本身的自相關性，本文在前瞻預警模型中還加入了被解釋變量的滯后項，關于滯后項階數(shù)的選擇，本文采用了BIC信息準則的方法，根據(jù)BIC信息準則，滬深300收益率的滯后階數(shù)為0，符合在日度頻率上收益率自相關較弱的假設；滬深300振幅的滯后階數(shù)為4階，與被廣泛發(fā)現(xiàn)的波動率聚集現(xiàn)象相吻合。

根據(jù)前文的結論，尾部的測度指標與均值水平的測度指標包含不同的信息，為了進一步比較不同指標間的差異，本文采用式（11）的前瞻預警模型，將尾部因子和均值因子同時納入前瞻預警模型中。其中，tailt為尾部風險因子，對應變量QF01 或QF05；meant為均值風險因子，對應變量QF50或PCA。

（二）實證結果

表3給出了前瞻預警模型的實證結果。從Panel A中模型1到模型4的結果可以看到，無論是尾部風險因子，還是均值風險因子，對于未來的收益率均具有十分顯著的預測效果。并且，在將尾部風險因子和均值風險因子同時納入的模型5到模型8的結果中，兩者的預測效果同時有效，表明尾部風險因子和均值風險因子均包含市場未來的價格信息。

表3 各指標的系統(tǒng)性金融風險預警效果分析

需要指出的是，雖然不同分位數(shù)上的風險因子衡量了分布在不同位置的信息，但是，分布在不同分位數(shù)上的信息也同樣受到分布的水平信息影響，這一點也得到了表1 結果的證明。因此，本文認為水平信息是均值風險因子和尾部風險因子對未來價格信息具有預測作用的共同因素。

結合回歸系數(shù)均為正數(shù)的結果，本文認為市場收益率在日度頻率上的正相關關系與我國市場上超短期的動量效應相關[35，36]，即當天市場的收益率水平偏低時，下一個交易日的收益率水平同樣偏低。

進一步分析對數(shù)收益率的回歸結果，有兩個結果值得注意。首先，在僅納入一個風險因子的模型1到模型4中，尾部風險因子的回歸系數(shù)高于均值風險因子的回歸系數(shù)；其次，當同時納入尾部風險因子和均值風險因子時，雖然尾部風險因子的回歸系數(shù)大幅下滑，但是，尾部風險因子的系數(shù)同樣顯著，并且，該系數(shù)和均值風險因子的系數(shù)之和與模型1 和模型2中尾部風險因子的系數(shù)相近。基于這樣的實證結果，本文認為尾部風險因子除包含水平信息以外，還包含其他對未來市場收益率具有預測作用的信息。

具體而言，在單變量的前瞻模型中，由于尾部風險因子包含了更多的信息，因此其對未來的收益率具有更強的預測效果；而當兩類因子同時納入回歸方程時，水平信息的預測作用主要體現(xiàn)在均值風險因子上，通過比較模型3—4 與模型5—8，發(fā)現(xiàn)均值風險因子的回歸系數(shù)的數(shù)值并未出現(xiàn)大幅下跌，即可說明這一點。而尾部風險因子上顯著的系數(shù)則更多地體現(xiàn)了尾部特征對未來市場收益率的預測能力。因此，對于尾部風險因子而言，其包含的水平信息和尾部信息對于未來市場的收益率均具有預測作用。

關于尾部風險因子包含的額外信息到底是什么，Panel B中振幅的前瞻預警模型給出了進一步的指引。首先，從Panel B 中模型1 到模型4 的結果可以發(fā)現(xiàn)，四個風險因子指標均具有十分顯著的風險預警效果，即當日風險因子的數(shù)值越低，對應于當日的市場下跌幅度越大、風險水平越高的情形，下一個交易日的振幅越大。這表明在單變量模型中，四個風險因子均具有顯著的風險預警能力。需要指出的是，與市場收益率的預警模型一樣，尾部風險因子回歸系數(shù)的絕對值更大，表現(xiàn)出更強的風險預警能力。

但是，與對數(shù)收益率預警模型不同的是，當同時納入尾部風險因子和均值風險因子的時候，振幅預警模型中均值風險因子的預警能力不再顯著，而尾部風險因子的風險預警能力仍然顯著，表明市場風險的預測能力主要來自尾部風險因子。結合尾部特征的自有屬性、風險事件刻畫的比較以及表3 中Panel A的結果，本文認為尾部風險因子水平信息之外的信息主要為市場的風險信息，并且這一部分風險信息不僅對于未來市場價格具有邊際的預測作用，還是風險預警能力的主要來源。

（三）尾部風險因子特有信息驗證

為進一步驗證尾部風險因子的額外信息為風險信息的假設，本文利用因子分析法萃取了尾部風險因子的特有信息。具體做法是將四個風險因子利用式（12）的因子分析模型提煉出公有信息ft以及各自的特有信息εi,t。為方便闡釋，本文將各自的特有信息分別定義為QF01_indi、QF05_indi、QF50_indi、PCA_indi。

基于萃取出來的共有因子和特有信息，式（13）通過同時納入尾部風險因子的特有信息、均值風險因子的特有信息以及公有信息來驗證尾部風險因子額外信息的信息屬性及預警功能。

與式（10）和式（11）一樣，滬深300 振幅的預警模型還加入了滬深300振幅的四階滯后項，滬深300對數(shù)收益率的預警模型則同樣未加入該變量的滯后項。回歸結果見表4。

表4 各指標特有信息的系統(tǒng)性金融風險預警效果分析

從表4的Panel A來看，共有因子在四個模型中均對滬深300 的未來價格信息具有顯著的預測能力，進一步驗證了風險因子中的水平信息對于未來價格信息的預測作用，并且，共有因子正向的回歸系數(shù)同樣為價格信息預測作用的動量傳導渠道提供了證據(jù)。在特有信息方面，除QF05 因子以外，其他風險因子的特有信息均未表現(xiàn)出穩(wěn)健的預測能力，表明尾部風險因子在預測市場價格信息方面具有額外的作用，而回歸系數(shù)的方向為這一額外作用提供了理論指引，無論在模型10，還是模型12，本文均發(fā)現(xiàn)QF05_indi 的回歸系數(shù)在5%的水平上顯著為負，表明在當日的市場下跌幅度越大、風險水平較高的情形下，下一個交易日的收益率越高，符合金融學經(jīng)典理論中的風險-收益原則，也為進一步確定尾部風險因子的額外信息為風險信息提供了證據(jù)。

從表4 的Panel B 中可以看到，在模型9 到模型12的四個模型中，均只有尾部風險因子的特有信息對未來市場的風險信息表現(xiàn)出顯著的預警能力，同樣為尾部風險因子的額外信息為風險信息的假設提供了證據(jù)。

綜上所述，本文認為尾部風險因子除包含水平信息以外，還包含風險信息。兩者均對市場未來的價格信息具有預測作用，其中，水平信息的預測作用占主導，但是，風險信息同樣具有邊際的預測能力。除此之外，在風險預警中，尾部風險因子中的風險信息還是風險預警能力的主要來源。

五、結論

本文利用2012年1月4日到2022年6月30日申萬二級行業(yè)指數(shù)的日度數(shù)據(jù)，采用分位數(shù)因子分析的方法，構建了尾部風險因子和均值風險因子，用來測度系統(tǒng)性金融風險。通過評估分析發(fā)現(xiàn)：尾部風險因子和均值風險因子在風險事件刻畫和風險預警方面均具有不錯的效果，且相比之下，尾部風險因子具有更優(yōu)的刻畫效果和預警效果。

進一步的研究分析表明，尾部風險因子在風險預警方面具有優(yōu)勢的原因在于，除水平信息以外，尾部風險因子還具有額外的風險信息，尾部風險因子的風險信息不僅對未來市場價格信息具有邊際的預測能力，還是風險預警能力的主要來源。

綜合而言，相比于傳統(tǒng)的因子分析方法，本文利用分位數(shù)因子分析方法構建的尾部風險因子不僅在風險監(jiān)測預警效率上具有優(yōu)勢，還具有時效性、更新頻率快等特點，使其更加適應數(shù)字金融時代下隱蔽性更高、傳播速度更快的風險特征，有助于金融監(jiān)管機構實現(xiàn)系統(tǒng)性金融風險的早識別、早預警、早發(fā)現(xiàn)、早處置。

注 釋

①根據(jù)上證指數(shù)的峰谷值計算，2015年股災開始于2015年6月12日，結束于2016年1月27日。