王優(yōu)銳 廖越馨

摘? ?要：本文基于廣義預測誤差方差分解測算我國7個金融市場的風險溢出系數(shù)，進一步構(gòu)建大型貝葉斯向量自回歸模型，探析影子銀行發(fā)展對我國金融風險跨市場溢出的影響。結(jié)論表明：第一，影子銀行強化了我國金融風險跨市場溢出水平，匯率、貨幣、黃金、大宗商品市場的風險凈溢出有所增強，股票、債券、房地產(chǎn)市場的風險凈溢入有所增強。第二，債券市場在所有市場中承壓最大，特別是貨幣市場向債券市場的風險凈溢出效應最強。第三，進一步的格蘭杰因果檢驗發(fā)現(xiàn)，影子銀行打破了貨幣市場資金流向債券市場的政策約束，推升債券市場杠桿，這是影子銀行驅(qū)動貨幣市場風險向債券市場溢出的根本原因。

關(guān)鍵詞：影子銀行；風險跨市場溢出；貝葉斯估計；向量自回歸模型

中圖分類號：F830? 文獻標識碼：A? 文章編號：1674-2265（2024）04-0022-10

DOI：10.19647/j.cnki.37-1462/f.2024.04.003

一、引言

傳染性是系統(tǒng)性金融風險的核心概念，一個金融市場受到嚴重損失后，會通過市場之間的關(guān)聯(lián)迅速波及與之相關(guān)的市場，并最終對整個金融系統(tǒng)造成嚴重沖擊（楊子暉等，2020）[1]。在2008年國際金融危機后的新監(jiān)管框架中，抑制金融風險的跨市場傳染成為核心內(nèi)容之一。新常態(tài)以來，我國不同金融市場疊加共振的頻率和幅度均有所上升，相關(guān)政策部門開始關(guān)注金融風險跨市場傳染的危害，并將抑制金融風險跨市場傳染作為政策的重要著力點。中國人民銀行原行長易綱在博鰲亞洲論壇2018年年會“貨幣政策的正?；狈终搲懻撋咸岢?，要特別關(guān)注跨市場、跨產(chǎn)品、跨機構(gòu)的風險傳染?！吨袊鹑诜€(wěn)定報告（2019）》中明確指出，金融市場之間風險交叉?zhèn)魅镜目赡苄约哟笫墙鹑诜€(wěn)定的重要威脅。2020年證監(jiān)會原主席易會滿在第十二屆陸家嘴論壇上表示，金融風險跨市場、跨行業(yè)、跨領(lǐng)域交叉?zhèn)魅境蔀楫斍爸匾娘L險挑戰(zhàn)。

金融風險跨市場傳染的強度與金融體系的制度安排密切相關(guān)。從我國近十余年的金融發(fā)展實踐看，影子銀行無疑是推升金融系統(tǒng)關(guān)聯(lián)性的重要因素。影子銀行投資模式多樣，交易結(jié)構(gòu)復雜，涉及多個主體，聯(lián)結(jié)多個市場，這些特征雖然一定程度上推動了利率市場化，但也加劇了風險的跨市場傳染，威脅金融穩(wěn)定。深入研究影子銀行對金融風險傳染的影響，從結(jié)構(gòu)性視角辨析影子銀行對不同金融市場和不同風險傳染路徑的異質(zhì)性作用，對當前防范化解重大風險具有十分重要的現(xiàn)實意義。

影子銀行對風險傳染的影響受到學術(shù)界的廣泛關(guān)注。當前關(guān)于影子銀行與金融風險傳染的研究有兩個不同的分支方向。一是風險測度。學者們嘗試測算影子銀行作為風險源頭對其他市場的影響，采用網(wǎng)絡(luò)分析等方法，將影子銀行視為一個單獨市場，分析影子銀行與其他市場的風險關(guān)聯(lián)網(wǎng)絡(luò)特征（方先明等，2017；張冰潔等，2021）[2，3]。但是，這些研究缺乏對影子銀行的宏觀風險效應的分析，同時也未能很好地解答影子銀行加劇風險傳染的原因和機制。二是風險解釋。學者們通過構(gòu)建宏觀經(jīng)濟變量向量自回歸模型或者回歸模型，分析影子銀行放大金融風險的機制（劉超和馬玉潔，2014；李文喆，2020）[4，5]，這一研究范式重點關(guān)注影子銀行的宏觀風險效應，給出了影子銀行放大金融風險的機制解釋，但是對于風險傳染的微觀特征缺乏深入探討。本文嘗試融合上述兩類研究方法，先構(gòu)建一個包含股票、債券、貨幣等7個市場的有向加權(quán)風險溢出網(wǎng)絡(luò)，分析我國金融風險跨市場溢出的特點，然后構(gòu)建一個大型貝葉斯向量自回歸模型，研究影子銀行對不同金融市場和風險傳染路徑的異質(zhì)性影響。本文的主要貢獻是，將影子銀行視為風險跨市場傳染的驅(qū)動機制而非一個獨立的金融市場，重點分析影子銀行是否以及如何影響金融風險的跨市場傳染，實現(xiàn)了風險測度和風險解釋的有機融合。

二、文獻綜述

跨市場傳染是金融風險的主要表現(xiàn)形式，復雜網(wǎng)絡(luò)分析是構(gòu)建跨市場風險傳染網(wǎng)絡(luò)的重要工具。研究范式主要有以下三類：一是基于GARCH模型測算風險的跨市場傳染。如Kanas（2000）[6]基于EGARCH模型研究6個發(fā)達國家股市和匯市的波動率溢出效應，發(fā)現(xiàn)存在股市向匯市的單向波動率溢出。Caporale等（2002）[7]采用BEKK-GARCH模型分析亞洲四國的股市和匯市聯(lián)動關(guān)系。李成等（2010）[8]采用VAR-GARCH-BEKK模型研究了我國股票、債券、外匯及貨幣市場，發(fā)現(xiàn)上述市場具有很強的波動集聚性和持續(xù)性。二是基于格蘭杰因果檢驗構(gòu)建風險傳染復雜網(wǎng)絡(luò)并展開分析。Billio等（2012）[9]通過雙變量格蘭杰因果檢驗構(gòu)建了美國銀行、保險、對沖基金等部門的收益率溢出網(wǎng)絡(luò)，發(fā)現(xiàn)收益率溢出指標能夠預警金融風險。Brunetti等（2019）[10]基于歐洲上市銀行數(shù)據(jù)構(gòu)建國際金融危機前后的銀行間市場收益率關(guān)聯(lián)網(wǎng)絡(luò)，發(fā)現(xiàn)危機期間收益率網(wǎng)絡(luò)的聯(lián)動性顯著增強。楊子暉等（2020）[1]基于非線性的格蘭杰因果檢驗構(gòu)建全球19個國家股票市場和外匯市場的風險傳染關(guān)系發(fā)現(xiàn)，股票市場是風險的主要輸出方，外匯市場則是風險的主要接收者。三是基于方差分解構(gòu)建不同金融市場的風險傳染網(wǎng)絡(luò)并進行分析。Diebold和Yilmaz（2012）[11]基于方差分解方法，構(gòu)建美國股票、債券、外匯和商品市場的波動率溢出網(wǎng)絡(luò)，發(fā)現(xiàn)上述四個市場中有12%的波動是由跨市場傳染造成的。此后，大量學者基于這一方法進行了深化研究。如Liow等（2018）[12]構(gòu)建了一個7個國家4類金融市場的波動率溢出網(wǎng)絡(luò)，研究發(fā)現(xiàn)全球金融市場波動的71.8%來源于不同國家和資產(chǎn)的溢出效應。Reboredo和Ugolini（2015）[13]研究美國綠色債券市場與國債、公司債、股票、貨幣、能源市場之間的收益率溢出關(guān)系，發(fā)現(xiàn)綠色債券會受到國債和貨幣市場的影響，但反向溢出效應不強。傅強和張穎（2015）[14]基于方差分解方法研究了我國銀行、保險、房地產(chǎn)、證券等板塊的風險溢出效應。劉超等（2017）[15]采用GARCH模型測算貨幣、資本、商品、外匯、黃金、房地產(chǎn)市場的條件方差，并基于方差分解方法研究了不同市場的風險溢出狀況。宮曉莉和熊熊（2020）[16]基于TVP-VAR模型的方差分解研究了我國6類金融市場之間的特質(zhì)性波動溢出效應。

近年來影子銀行迅速發(fā)展，影子銀行對我國金融穩(wěn)定的影響成為受到廣泛關(guān)注的話題。學術(shù)界對這一問題的研究主要沿兩個方向展開：一是從微觀機制出發(fā)分析影子銀行對金融穩(wěn)定的影響。Tang和Wang（2016）[17]將銀行費用和傭金收入作為影子銀行業(yè)務(wù)的代理變量，研究發(fā)現(xiàn)銀行通過影子銀行業(yè)務(wù)規(guī)避監(jiān)管能改善盈利水平，但他們同時認為影子銀行擾亂了信貸體系，給監(jiān)管制度帶來挑戰(zhàn)。Acharya等（2020）[18]研究發(fā)現(xiàn)資管產(chǎn)品的發(fā)展給發(fā)行銀行帶來較大風險，造成資管產(chǎn)品收益率上升，銀行間市場借貸利率上升，影響了發(fā)行銀行在股票市場的表現(xiàn)。二是從宏觀視角出發(fā)，通過對經(jīng)濟金融變量構(gòu)建宏觀模型，分析影子銀行的影響。如李向前等（2013）[19]將信托貸款和委托貸款作為影子銀行的測度指標，構(gòu)建了一個金融穩(wěn)定指數(shù)，通過向量自回歸模型的脈沖響應分析發(fā)現(xiàn)影子銀行導致我國金融穩(wěn)定性降低。劉超和馬玉潔（2014）[4]構(gòu)建了一個包括影子銀行、存貸款余額、同業(yè)拆借利率的向量自回歸模型，研究發(fā)現(xiàn)影子銀行對金融穩(wěn)定產(chǎn)生了負向沖擊。方先明等（2017）[2]利用宏觀層面和金融機構(gòu)層面的指標構(gòu)建金融穩(wěn)定指數(shù)，并基于TVP-VAR模型研究影子銀行對金融穩(wěn)定的影響，發(fā)現(xiàn)影子銀行規(guī)模擴張短期內(nèi)有助于促進金融穩(wěn)定，但長期會對金融穩(wěn)定造成不利影響。馬德功等（2019）[20]發(fā)現(xiàn)，商業(yè)銀行作為影子銀行體系最主要的資金供給方，與影子銀行的資產(chǎn)負債關(guān)聯(lián)越高，受到的風險傳染越強。李文喆（2020）[5]運用影子銀行、經(jīng)濟增長、房價等變量構(gòu)建結(jié)構(gòu)向量自回歸模型，研究發(fā)現(xiàn)影子銀行主要通過房地產(chǎn)價格影響金融穩(wěn)定。張冰潔等（2021）[3]發(fā)現(xiàn)，短期內(nèi)影子銀行的風險會通過匯率向?qū)嶓w經(jīng)濟傳遞，而長期內(nèi)則會通過資產(chǎn)價格渠道傳染到債券市場。

三、金融風險跨市場溢出測度

（一）有向加權(quán)風險溢出網(wǎng)絡(luò)的構(gòu)建方法

本文參考Diebold和Yilmaz（2012）[11]提出的方法，通過構(gòu)建向量自回歸模型并進行廣義預測誤差方差分解來獲得不同市場之間收益率溢出的有向加權(quán)網(wǎng)絡(luò)。與基于格蘭杰因果檢驗構(gòu)建的網(wǎng)絡(luò)相比，有向加權(quán)網(wǎng)絡(luò)能夠同時識別出節(jié)點風險溢出的方向和強度，目前在金融風險傳染領(lǐng)域應用廣泛?；谟邢蚣訖?quán)溢出網(wǎng)絡(luò)，可以計算總體和結(jié)構(gòu)性溢出系數(shù)，用于測度金融風險水平（Liow等，2017；Tsai，2017）[12，21]。

先構(gòu)建一個N變量VAP（p）模型：

[xt=i=1pΦixt-1+εt]? ?（1）

其中，[xt]是各市場的收益率指標，[εt]是服從獨立同分布的隨機誤差項，[εt～N（0，Σ）]。上式可以重新表述為移動平均形式：

[xt=i=0∞Aiεt]? ? （2）

其中，[Ai]是一個[N×N]的矩陣，服從如下遞歸過程：[Ai=Θ1Ai-1+Θ2Ai-2+…+ΘpAi-p]，對于[i<0]，有[Ai=0]。通過對上式進行廣義預測誤差方差分解可以獲得金融市場之間的風險溢出效應。[xi]對[xj]的未來Z期的廣義預測誤差方差可以表述為如下形式：

[?gijZ=σ-1jjz=0Z-1e'iAzej2z=0Z-1e'iAzA'zej]? ? ?（3）

其中，[Σ]是[εt]的方差協(xié)方差矩陣，[σjj]是[Σ]對角線上第[j]個元素，[ei]是第[i]個元素為1，其余元素為0的N維列向量。在廣義預測誤差方差分解中，每一行的和并不一定為1，因此，Diebold和Yilmaz（2012）[11]對方差分解結(jié)果進行標準化處理，公式如下：

[?gijZ=?gijZj=1N?gijZ]? ? （4）

在上式基礎(chǔ)上，可以計算由多個市場組成的整個金融系統(tǒng)的總體關(guān)聯(lián)度，將其稱為風險總溢出系數(shù)，公式為：

[SgZ=i，j=1i≠jN?gijZi，j=1N?gijZ×100]? ? （5）

在整個金融系統(tǒng)中，其他所有市場對市場[i]的風險溢出可以表示為如下公式：

[Sgi?Z=i=1i≠jN?gijZi，j=1N?gijZ×100]? ?（6）

市場[i]對其他所有市場的風險溢出可以表示為如下公式：

[Sg?iZ=j=1i≠jN?gijZi，j=1N?gijZ×100]? ? （7）

市場[i]的風險凈溢出可以表示為市場[i]向其他市場的風險溢出與其他市場向市場[i]的風險溢出的差，將其稱為市場[i]的風險凈溢出系數(shù)，其公式為：

[SgiZ=Sg?iZ-Sgi?Z]? ? （8）

根據(jù)上述原理，市場[i]對市場[j]的風險凈溢出可以表示為如下公式，將其稱為市場[i]對市場[j]的風險凈溢出系數(shù)：

[SgijZ=?gjiZi，k=1N?gikZ-?gijZj，k=1N?gjkZ]? ? ?（9）

（二）變量選擇和數(shù)據(jù)來源

參考宮曉莉和熊熊（2020）[16]的研究，本文構(gòu)建我國股票、債券、外匯、黃金、房地產(chǎn)、貨幣、大宗商品7個市場的收益率溢出網(wǎng)絡(luò)。樣本區(qū)間為2006年1月1日—2020年12月31日，涵蓋了2008年國際金融危機、歐洲主權(quán)債務(wù)危機、2013年我國銀行間市場“錢荒”、2015年我國“股災”、2016年我國“債災”和2020年新冠疫情等重要風險事件。本文選取的7個市場的相關(guān)指標見表1，數(shù)據(jù)均來源于萬得數(shù)據(jù)庫。對各指標進行以下處理：首先，由于上述7個市場的交易日并不完全一致，為了保證時間上的一致性，參考既有研究中的數(shù)據(jù)采集方法，采用共同交易窗口來處理數(shù)據(jù)，刪除各市場交易時點不匹配的數(shù)據(jù)，保留公共交易時點下的數(shù)據(jù)，共得到3646個觀測樣本。其次，按照公式[Rt=logpt/pt-1×100%]，將除貨幣市場利率以外的其他6個指標轉(zhuǎn)換為收益率數(shù)據(jù)。最后，對上述7個指標進行ADF單位根檢驗，結(jié)果顯示在1%的顯著性水平上所有變量均為I（0）過程，可以用于建立向量自回歸模型。

關(guān)于影子銀行的規(guī)模，既有文獻采用多種方法進行過測算，如Chang等（2016）[22]以委托貸款、信托貸款、未貼現(xiàn)銀行承兌匯票為基礎(chǔ)測算了我國影子銀行的季度數(shù)據(jù)并定期對外發(fā)布，本文采用他們測算的數(shù)據(jù)①。

根據(jù)AIC準則，確定VAR模型的最優(yōu)滯后期為1期。參照Diebold 和Yilmaz（2012）[11]，使用廣義向量自回歸的第10步預測計算風險溢出網(wǎng)絡(luò)。通過步長為1個交易日、窗口為240個交易日②的滾動估計，獲得時變的風險總溢出系數(shù)、不同金融市場的風險凈溢出系數(shù)、金融市場兩兩之間的風險凈溢出系數(shù)。

（三）金融市場風險總溢出系數(shù)的時變特征及驅(qū)動因素

圖1給出了金融市場風險總溢出系數(shù)的時變特征，我們在圖中標識出近年來的重大風險事件以檢驗本文構(gòu)建指數(shù)的科學性。由于滾動樣本時間窗口為一年，因此，特定時點的風險總溢出系數(shù)表示過去一年的總體情況。為使影子銀行增速與風險總溢出系數(shù)相對應，圖1中的影子銀行增速為季度環(huán)比增速4期移動平均值。

從圖中可以看出，2007年以來風險總溢出系數(shù)經(jīng)歷了四個階段：一是2007年初—2013年6月，波動上升；二是2013年7月—2017年12月，震蕩下行；三是2018年初—2020年3月，快速上升；四是2020年4月至今，高位回落。風險總溢出系數(shù)的波動能夠很好地反映重要的風險事件，比如2007年7月美國次貸危機爆發(fā)和2009年10月初希臘主權(quán)債務(wù)危機爆發(fā)后，國外風險向國內(nèi)傳染，風險總溢出系數(shù)在此后均經(jīng)歷了一個上升期；2013年6月我國銀行間市場爆發(fā)了歷史上最嚴重的一次“錢荒”，風險總溢出系數(shù)在當年6月21日飆升至歷史最高水平；2015年“股災”期間風險總溢出系數(shù)震蕩上升；2016年底“債災”期間風險總溢出系數(shù)創(chuàng)階段性高峰?？梢?，本文構(gòu)建的風險總溢出系數(shù)可以有效反映我國金融市場的風險壓力。

圖1顯示影子銀行與風險總溢出系數(shù)密切相關(guān)。2012年之前，二者走勢高度一致，如影子銀行增速分別在2008年3月和2010年6月達到階段性高點，風險總溢出系數(shù)則分別在2008年2月和2010年6月達到階段性高點，影子銀行增速與風險總溢出系數(shù)幾乎完全同步。2013年中—2016年末，影子銀行增速和風險總溢出系數(shù)在大趨勢上仍然具有很強的一致性，影子銀行增速從2013年6月的8.2%下降至2016年“債災”時的1%，同期風險總溢出系數(shù)從44.6%回落至23.2%，二者均呈回落趨勢。2017年以來，影子銀行增速和風險總溢出系數(shù)的同向變動趨勢開始反轉(zhuǎn)，兩者呈現(xiàn)反向波動特征，如2016年12月—2017年12月影子銀行增速穩(wěn)步回升，但風險總溢出系數(shù)波動下行；2018年1月—2019年1月影子銀行增速觸底回升，而同期風險總溢出系數(shù)則持續(xù)回落。

（四）各市場和不同傳染路徑風險凈溢出系數(shù)的特征分析

圖2給出了樣本期內(nèi)不同金融市場的風險凈溢出系數(shù)，可以看出不同市場的風險凈溢出差異較大。股票、房地產(chǎn)市場大多數(shù)時候表現(xiàn)為風險凈溢出，外匯、黃金、貨幣市場大多數(shù)時候則表現(xiàn)為風險凈溢入，債券、大宗商品市場呈現(xiàn)出風險凈溢出和風險凈溢入的雙向特征，在金融風險傳染中扮演的角色較為復雜。本文測算的風險凈溢出系數(shù)較好捕捉了極端風險事件。以2013年“錢荒”為例，風險主要從貨幣市場和債券市場溢出并向股票市場和房地產(chǎn)市場傳染。這一風險事件主要在國內(nèi)金融市場傳染，涉外金融市場未受明顯影響，故大宗商品市場和外匯市場的風險凈溢出系數(shù)未受到明顯影響。

直觀對比來看，影子銀行對大宗商品市場的風險溢出可能存在一定影響。2014年之前影子銀行快速增長，大宗商品市場主要表現(xiàn)為風險凈溢出；2014年之后影子銀行增長放緩，大宗商品市場風險凈溢入情況有所增加。這可能與影子銀行快速發(fā)展的驅(qū)動內(nèi)核在2014年前后發(fā)生了轉(zhuǎn)變有關(guān)。2014年前，影子銀行的快速擴張實際是銀行傳統(tǒng)資產(chǎn)負債業(yè)務(wù)向表外延伸，這期間實體經(jīng)濟融資需求旺盛，影子銀行對大宗商品市場的影響程度不高。2014年后，融資需求逐漸萎縮，影子銀行的進一步擴張轉(zhuǎn)向了監(jiān)管空白領(lǐng)域，大量資金進入各類市場，影子銀行也更多地開始借助大宗商品進行金融套利。由于不同市場風險溢出的特征差異較大且比較復雜，因此，僅通過直觀對比無法精確刻畫影子銀行對金融風險傳染機制的影響。

圖3進一步給出了不同市場兩兩之間的風險凈溢出情況，由于篇幅有限，此處僅展示樣本期內(nèi)方差最大的前10條風險傳染路徑?？梢钥闯?，方差最大的前10條傳染路徑主要涉及債券、匯率、商品三個市場。債券市場向貨幣市場溢出的強度較大、波動性較高，這與我國貨幣市場資金主要投向債券市場的現(xiàn)實情況相吻合。股票市場向匯率市場的溢出較強，尤其是2018年以來溢出強度明顯提高，一個可能的解釋是“滬港通”和“深港通”開通后外資持有我國A股的比例不斷上升，股市波動對外匯市場的影響隨之增大。匯率向房地產(chǎn)市場的溢入強度較高，即風險從房地產(chǎn)市場向匯率市場傳染，外資購買我國房產(chǎn)的規(guī)模較大，房地產(chǎn)波動會導致匯率承壓。

市場兩兩之間的風險凈溢出波動性較大。一方面，雖然凈溢出系數(shù)的方向變化不大，但凈溢出系數(shù)的水平波動較大，如股市—商品市場的凈溢出系數(shù)在樣本期內(nèi)大部分時期為正，但溢出的強度呈現(xiàn)明顯的周期性波動；另一方面，凈溢出系數(shù)的方向和強度均波動較大，如債券—匯率市場的風險溢出方向和強度均呈現(xiàn)出較強的波動性。

上述分析表明，金融市場風險總溢出系數(shù)與影子銀行具有很強的相關(guān)性。但是，金融風險跨市場傳染會受到多種因素的影響，各市場的凈溢出系數(shù)、市場兩兩之間的凈溢出系數(shù)表現(xiàn)出很強的波動性，僅通過描述性分析和直觀觀察很難捕捉到影子銀行對風險傳染的影響機制。因此，我們構(gòu)建向量自回歸模型并進行脈沖響應分析，來進一步捕捉影子銀行發(fā)展對我國金融風險跨市場傳染的影響機制。

四、影子銀行對風險跨市場傳染的影響——基于BVAR模型

（一）貝葉斯向量自回歸模型介紹

無約束向量自回歸模型（以下簡稱VAR）是宏觀經(jīng)濟分析的重要工具，但存在參數(shù)過多、過度擬合等問題。本部分構(gòu)建的向量自回歸模型變量較多而樣本期較短，采用常規(guī)估計會面臨“維數(shù)詛咒”問題，無法準確估計模型參數(shù)，因此，我們采用貝葉斯方法估計模型參數(shù)。貝葉斯向量自回歸模型將參數(shù)看作是具有某種先驗分布的隨機變量，先驗分布與似然函數(shù)結(jié)合得到后驗分布，避免了VAR模型的自由度損失問題。假設(shè)一個滯后期為p的VAR模型：

[yt=a0+j=1pAjyt-1+εt]? （10）

其中，[yt]是一個m×1階的矩陣，[εt]是m×1階的殘差項，[εt?N0，Σε]，上式可以寫成如下緊湊形式：

[Y=XA+E] 或者[y= Im?Xθ+e]? （11）

其中，[Y]和[E]是T×m階的矩陣，[X= x1，…，xt']是一個T×（mp+1）階矩陣，[xt=1，y't-1，…，y't-q]，[θ=VECA]，[e?N（Σε?IT）]。貝葉斯估計的優(yōu)勢在于對先驗信息的利用，本文采用常用的Minnesota先驗分布。Minnesota先驗分布假設(shè)[Σε]已知，先驗分布[θ?Nθ0，V0]。根據(jù)貝葉斯定理，后驗分布可以表述成如下形式：

[πθ|y∝exp-12θ-θ'V-1θ-θ]? ? （12）

其中，后驗均值[θ]為：

[θ=V-10+Σ-1??X'X-1V-10θ0+Σ-1??X'y]

（13）

后驗方差[V]為：

[V= V-10+Σ-1??X'X-1]? ? （14）

采用Minnesota先驗分布進行估計時，需要先設(shè)定模型超參數(shù)。對于先驗分布的均值[θ0]，參考既有研究將其設(shè)定為0。對于先驗分布的方差[V0]，其元素為[vlij]，[l=1，…，p]，[vlij]，形式如下：

[vlij=λ1lλ32，i=jλ1λ2σilλ3σj2， i≠j]? ? （15）

其中，[σi]是矩陣[Σε]對角線上的第[i]個元素。[λ1]的取值范圍是[0，∞]，[λ2]的取值范圍是（0，1），[λ3]的取值范圍是[0，1]。在確定模型參數(shù)時，本文使用matlab BayVAR工具包，以誤差平方和最小為目標對超參數(shù)進行搜索，最終確定參數(shù)值。

本部分通過構(gòu)建的貝葉斯向量自回歸模型考察影子銀行對金融風險跨市場傳染的影響，共涉及以下三類變量：一是影子銀行季度環(huán)比增速，根據(jù)Chang等（2016）[22]測算的影子銀行規(guī)模計算得到。二是風險總溢出系數(shù)、金融市場風險凈溢出系數(shù)、兩兩市場之間的風險凈溢出系數(shù)，均由本文測算得到。由于影子銀行數(shù)據(jù)的頻率為季度，為了使風險溢出數(shù)據(jù)和影子銀行數(shù)據(jù)匹配，我們分季度重新測算了風險溢出系數(shù)值。三是GDP季度環(huán)比增速、各項貸款季度環(huán)比增速，引入這兩項指標是為了控制經(jīng)濟增長和正規(guī)金融對風險溢出的影響，該兩項指標根據(jù)Chang等（2016）[22]的數(shù)據(jù)計算得到。樣本期為2006年第一季度—2020年第四季度。ADF單位根檢驗顯示在5%的顯著性水平上所有變量均為I（0）過程。

（二）影子銀行對各金融市場風險凈溢出的影響

先構(gòu)建一個包含金融市場風險總溢出系數(shù)、7個市場風險凈溢出系數(shù)、影子銀行季度環(huán)比增速、GDP季度環(huán)比增速和各項貸款季度環(huán)比增速共11個變量的貝葉斯向量自回歸模型，考察影子銀行對總體金融風險和各市場的影響。網(wǎng)格搜索確定的超參數(shù)取值為[λ1] =0.31，[λ2] =0.21，[λ3] =0.91，AIC準則顯示模型最優(yōu)滯后期為2。由于無法確定不同變量之間影響的先后順序，此處采用廣義脈沖響應進行分析。

影子銀行發(fā)展對金融風險跨市場溢出產(chǎn)生了顯著影響。從脈沖響應圖可以看出（見圖4）：一是影子銀行提升了金融市場的總體風險溢出程度，1單位的影子銀行沖擊導致風險總溢出系數(shù)最多上升0.6個單位，且這一影響持續(xù)兩年左右?？梢?，影子銀行復雜的業(yè)務(wù)結(jié)構(gòu)將不同市場關(guān)聯(lián)起來，確實會增大風險跨市場傳染的壓力。二是影子銀行對不同金融市場的影響存在顯著的異質(zhì)性。影子銀行強化了外匯市場、貨幣市場、黃金市場和大宗商品市場的風險凈溢出，即影子銀行的發(fā)展使得上述四個市場的風險更容易傳染給其他市場。其中，黃金市場的反應最強烈，影子銀行1單位沖擊導致黃金市場風險凈溢出上升2個單位，但這一影響僅持續(xù)了一個季度；對外匯市場影響的持續(xù)性最強，在沖擊發(fā)生后的8個季度后回歸至0，持續(xù)時間長達兩年。貨幣市場和大宗商品市場的脈沖響應強度均在1.5左右，持續(xù)時間均為1個季度。三是影子銀行造成股票市場、債券市場和房地產(chǎn)市場的風險凈溢出下降，即影子銀行使上述三個市場更容易受到其他市場的影響。其中，債券市場反應最強烈，1單位影子銀行沖擊導致債券市場風險凈溢出下降了4.5個單位，在所有市場中受到的沖擊最大。影子銀行的發(fā)展使得債券市場成為風險“洼地”，主要是由于大量資金通過影子銀行產(chǎn)品最終流向債券市場，其他市場的風險極易沿著資金鏈向債券市場溢出。房地產(chǎn)市場風險凈溢出下降1.5個單位，影響持續(xù)8個季度左右。股票市場風險凈溢出在第1期上升0.2個單位，但第2期之后開始下降且一直持續(xù)至第8期。

綜上，影子銀行提升了我國金融市場的風險溢出強度，導致金融風險從匯率、黃金、貨幣和大宗商品市場向債券、股票和房地產(chǎn)市場傳染，特別是債券市場受影子銀行的沖擊最大。

（三）影子銀行對不同風險傳染路徑的影響分析

進一步構(gòu)建一個包含金融市場兩兩之間風險凈溢出系數(shù)③、影子銀行季度環(huán)比增速、GDP季度環(huán)比增速和各項貸款季度環(huán)比增速共24個變量的貝葉斯向量自回歸模型，考察影子銀行對不同風險傳染渠道的影響。網(wǎng)格搜索確定的超參數(shù)為[λ1] =0.91，[λ2] =0.01，[λ3] =0.01，AIC準則顯示模型最優(yōu)滯后期為2。圖5給出了影子銀行對不同市場兩兩風險凈溢出系數(shù)的沖擊，其中第i行第j列表示的是市場j向市場i的風險凈溢出系數(shù)對影子銀行沖擊的脈沖響應圖。

由于影子銀行業(yè)務(wù)模式具有高度復雜性和多樣性，不同風險傳染渠道對影子銀行沖擊的脈沖響應差異明顯。通過脈沖響應圖可以看出，影子銀行極大地增強了債券市場的風險溢入，影子銀行的發(fā)展導致其余六個市場向債券市場的風險傳染均有所提高。特別是貨幣市場向債券市場的風險溢出，最多上升了2.3個單位，影響持續(xù)三個季度，在所有風險傳染渠道中反應最強烈。其次是黃金市場向債券市場的風險溢出，最多上升0.96個單位；再次是商品市場向債券市場的風險溢出，最多上升0.91個單位。影子銀行提升了黃金市場的風險凈溢出水平，即影子銀行的發(fā)展加劇黃金市場向其余六個市場的風險傳染，特別是黃金市場向債券市場的風險傳染上升最明顯。

影子銀行對其他市場風險溢出路徑的影響更加復雜。如股票市場，面對影子銀行沖擊，股票市場向債券、房地產(chǎn)和貨幣市場的風險溢出增強，向外匯、黃金和商品市場的風險溢入增強，即影子銀行的發(fā)展導致股票市場的風險更容易向債券、房地產(chǎn)和貨幣市場傳染，但同時也導致外匯、黃金和商品市場的風險更容易傳染至股票市場。影子銀行的發(fā)展使股票市場成為風險傳染的“中繼器”。貨幣、外匯、房地產(chǎn)和商品市場的表現(xiàn)與股票市場類似。影子銀行對不同風險傳染路徑的這種異質(zhì)性復雜影響，極大提升了風險防范的難度，這是影子銀行威脅金融穩(wěn)定的一個重要表現(xiàn)。

五、業(yè)務(wù)視角下影子銀行扭曲風險傳染機制的再討論

前述分析表明，債券市場的風險傳染特征受影子銀行影響最大，特別是貨幣市場向債券市場的風險溢出在所有傳染渠道中受影響最大。本部分從業(yè)務(wù)視角出發(fā)，以貨幣市場向債券市場的風險溢出為例，進一步討論影子銀行扭曲金融風險傳染的內(nèi)在機制。

（一）關(guān)于影子銀行影響貨幣向債券市場風險溢出的兩個假設(shè)

2015年以來我國貨幣市場進入低利率、低波動時期，2015—2020年7天銀行間同業(yè)拆借利率均值為2.97%，標準差為0.56，而2010—2015年的均值和標準差分別為3.54%和1.27。在這樣一種宏觀背景下，從貨幣市場融入低成本短期資金，并在債券市場加杠桿投資，成為金融機構(gòu)獲得超額利潤的一種普遍操作模式。但是，在影子銀行出現(xiàn)之前，債券投資者只能通過場內(nèi)回購的方式加杠桿，政策約束較多，杠桿水平被嚴格限制。如《上海證券交易所債券質(zhì)押式回購交易風險控制指引》規(guī)定，融資回購交易放大倍數(shù)最大不超過五倍；證監(jiān)會《公開募集證券投資基金運作管理辦法》規(guī)定，公募基金場內(nèi)回購形成的凈杠桿不超過40%。影子銀行使金融機構(gòu)有了突破監(jiān)管限制的工具，投資者通過場外產(chǎn)品設(shè)計，利用委外投資、債券代持等結(jié)構(gòu)化影子銀行產(chǎn)品，掃清了資金流動障礙，打通了貨幣市場和債券市場，將債券市場杠桿推升至較高水平。中央國債登記結(jié)算有限責任公司2016年底測算顯示，我國債券代持規(guī)模為12萬億元，債券代持使債券市場杠桿從109%上升至156%。貨幣市場推升債券市場杠桿這一現(xiàn)象增大了貨幣市場風險向債券市場傳染的壓力。當市場流動性穩(wěn)定時，貨幣市場資金大量涌入債券市場，兩個市場的聯(lián)系日益緊密，債券市場杠桿不斷上升；而當貨幣市場出現(xiàn)波動，資金面較為緊張時，貨幣市場向債券市場的資金流動便會停滯甚至發(fā)生逆轉(zhuǎn)，債券市場杠桿高位承壓，甚至出現(xiàn)擠兌式拋售，導致價格大幅波動，最終體現(xiàn)為貨幣市場風險向債券市場傳染。上述關(guān)系如圖6所示。

通過上述梳理可以發(fā)現(xiàn)，較低且穩(wěn)定的貨幣市場利率會催生金融機構(gòu)對于影子銀行業(yè)務(wù)的需求，而影子銀行的存在則進一步便利了債券市場的加杠桿行為，推高債券市場杠桿，這是影子銀行加劇貨幣市場風險向債券市場傳染的內(nèi)在邏輯。我們提出兩個假設(shè)，利用格蘭杰方法進一步檢驗這一論斷：

假設(shè)1：貨幣市場利率和波動性是影子銀行增速的格蘭杰原因。

假設(shè)2：影子銀行增速是債券市場杠桿的格蘭杰原因。

（二）指標構(gòu)建及檢驗結(jié)果

假設(shè)1和假設(shè)2共涉及4項指標。由于影子銀行數(shù)據(jù)為季度頻率，因此，我們采用季度數(shù)據(jù)進行格蘭杰因果檢驗。其中，影子銀行增速（gshb）的含義與第四部分相同。其余指標的含義如下：

1. 債券市場杠桿率（blev）。參考市場機構(gòu)的做法，用債券托管量/（債券托管量-待回購債券余額）測度債券市場杠桿率。根據(jù)上述指標的月度值計算得到月度的杠桿率，然后進行季度平均獲取季度的債券市場杠桿率數(shù)據(jù)。

2. 貨幣市場利率（int）和波動率（vol）：直接采用7天銀行間同業(yè)拆借利率代表貨幣市場利率水平。對于貨幣市場波動率，目前并沒有官方指標，因此，我們采用GARCH（1，1）模型提取貨幣市場利率的條件方差測度市場波動率，GARCH（1，1）模型如下：

[Rt=μt+σtεt，εt～WN0，1]? ? （16）

[σ2t=ω+αRit-1-μi2+βσ2t-1]? ? （17）

其中，[Rt]是銀行間7天同業(yè)拆借利率，[μt、ω、α、β]是模型的系數(shù)，[σt]是條件方差時間序列，用以測度市場波動率的測度。[Rt]和[σt]均為日度頻率數(shù)據(jù)，對其取季度平均得到季度的貨幣市場利率（int）和波動率（vol）數(shù)據(jù)。格蘭杰因果檢驗的樣本期為2006年第一季度—2020年第四季度。對blev、int、vol和gshb四個變量進行平穩(wěn)性檢驗，結(jié)果表明四個變量均為I（0）過程，可以直接進行格蘭杰因果檢驗。AIC準則顯示最優(yōu)的滯后期為2個季度。檢驗結(jié)果見表2?？梢钥吹?，模型在5%的顯著性水平上拒絕了int不是gshb的格蘭杰原因的原假設(shè)，即貨幣市場利率是影子銀行增速的格蘭杰原因；在1%的顯著性水平上拒絕了vol不是gshb的格蘭杰原因的原假設(shè)，即貨幣市場波動率是影子銀行增速的格蘭杰原因。據(jù)此，假設(shè)1得到了驗證，貨幣市場利率和波動率會引起影子銀行增速的變動。模型在5%的顯著性水平上拒絕了gshb不是blev的格蘭杰原因，即影子銀行的增速會引起債券市場杠桿的變化，假設(shè)2也得到驗證。

六、結(jié)論與政策建議

本文基于廣義預測誤差方差分解，構(gòu)建我國股票、債券等7個金融市場的有向加權(quán)風險溢出網(wǎng)絡(luò)，測算不同金融市場和傳染渠道的風險溢出系數(shù)，進一步構(gòu)建包含風險溢出系數(shù)和影子銀行增速的大型貝葉斯向量自回歸模型，探析影子銀行發(fā)展對我國風險跨市場傳染的影響機制。結(jié)論表明：一是影子銀行強化了我國金融風險跨市場溢出水平，影子銀行1單位沖擊導致風險總溢出系數(shù)最大上升0.6個單位，持續(xù)時間為兩年。影子銀行增強了匯率、貨幣、黃金和大宗商品市場的風險凈溢出，其中黃金市場反應強度最大，匯率市場反應持續(xù)時間最長。影子銀行增強了股票、債券和房地產(chǎn)市場的風險凈溢入，其中債券市場反應強度最大，房地產(chǎn)市場反應持續(xù)時間最長。二是影子銀行沖擊使債券市場承壓最大，其他6個子市場向債券市場的風險溢出均有所增強。影子銀行導致股票、貨幣、外匯、房地產(chǎn)和商品市場向一部分市場的風險溢出上升，向另一部分市場的風險溢入上升，強化了這些市場風險傳染的“中繼器”作用。三是面對影子銀行沖擊，貨幣市場向債券市場的風險溢出在所有傳染渠道中反應最強烈。進一步基于格蘭杰因果檢驗的分析發(fā)現(xiàn)，貨幣市場利率和波動率是影子銀行增速的格蘭杰原因，影子銀行增速是債券市場杠桿的格蘭杰原因。影子銀行成為貨幣市場資金流向債券市場的中介，刺激債券市場杠桿率上升，加大了貨幣市場風險向債券市場傳染的壓力。

結(jié)合本文結(jié)論，針對下一步影子銀行發(fā)展和我國金融風險防控，提出如下政策建議：一是加大風險監(jiān)測力度。建立全覆蓋的資管統(tǒng)計監(jiān)測體系，建立風險跨市場傳染的監(jiān)測制度，重點加強債券市場風險監(jiān)測，防范貨幣市場流動性風險向債券市場傳染。提升對外匯、大宗商品等外向型市場的風險預警水平，防范外部風險通過影子銀行業(yè)務(wù)向國內(nèi)傳染。二是嚴控不合規(guī)加杠桿行為。影子銀行所引發(fā)的不合規(guī)加杠桿是重要的風險隱患，容易成為金融風險的導火索。因此，要完善監(jiān)管政策措施，加大政策執(zhí)行力度，提升金融機構(gòu)內(nèi)控水平，控制債券交易加杠桿行為。三是推動《關(guān)于規(guī)范金融機構(gòu)資產(chǎn)管理業(yè)務(wù)的指導意見》平穩(wěn)有序?qū)嵤?。一方面，要積極推動影子銀行風險化解，特別是對于違規(guī)影子銀行業(yè)務(wù)要及時取締；另一方面，也要密切關(guān)注影子銀行壓降過程中的苗頭性風險，給予金融機構(gòu)必要的轉(zhuǎn)型時間。

注：

①相關(guān)數(shù)據(jù)見：https：//www.atlantafed.org/cqer/research/china-macroeconomy.aspx。

②2006—2020年金融市場每年平均有243個交易日，故將窗口設(shè)定為240個交易日相當于1年。

③由于A對B的溢出與B對A的溢出是相反數(shù)，因此，7個市場兩兩之間共存在21條不同絕對值的傳染渠道。

參考文獻：

[1]楊子暉，陳里璇，陳雨恬.經(jīng)濟政策不確定性與系統(tǒng)性金融風險的跨市場傳染——基于非線性網(wǎng)絡(luò)關(guān)聯(lián)的研究 [J].經(jīng)濟研究，2020，（01）.

[2]方先明，謝雨菲，權(quán)威.影子銀行規(guī)模波動對金融穩(wěn)定的溢出效應 [J].經(jīng)濟學家，2017， （01）.

[3] 張冰潔，汪壽陽，魏云捷，趙雪婷.我國影子銀行的風險傳導渠道及監(jiān)管對策研究 [J].系統(tǒng)工程理論與實踐，2021，41（01）.

[4]劉超，馬玉潔.影子銀行系統(tǒng)對我國金融發(fā)展、金融穩(wěn)定的影響——基于2002—2012年月度數(shù)據(jù)的分析[J].經(jīng)濟學家，2014，（04）.

[5]李文喆.中國影子銀行的經(jīng)濟學分析：對金融穩(wěn)定的影響 [J].金融監(jiān)管研究，2020，（05）.

[6]Kanas A. 2000. Volatility Spillovers Between Stock Returns and Exchange Rate Changes： International Evidence [J].Journal of Business Finance & Accounting， （3）.

[7]Caporale G M，Pittis N，Spagnolo N. 2002. Testing for Causality‐in‐Variance：An Application to the East Asian Markets [J].International Journal of Finance & Economics，（3）.

[8]李成，馬文濤，王彬.我國金融市場間溢出效應研究—基于四元VAR-GARCH（1，1）-BEKK模型的分析 [J].數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究，2010，（06）.

[9]Billio M，Getmansky M，Lo A W，Pelizzon L. 2012. Econometric Measures of Connectedness and Systemic Risk in the Finance and Insurance Sectors [J].Journal of financial economics， 3.

[10]Brunetti C，Harris J H，Mankad S，Michailidis G. 2019. Interconnectedness in the interbank market [J].Journal of Financial Economics，（2）.

[11]Diebold F X，Yilmaz K. 2012. Better to Give than to Receive： Predictive Directional Measurement of Volatility Spillovers [J].International Journal of Forecasting，（1）.

[12]Liow K H，Liao W C，Huang Y. 2018. Dynamics of International Spillovers and Interaction：Evidence from Financial Market Stress and Economic Policy Uncertainty [J].Economic Modelling， （68）.

[13]Reboredo J C，Ugolini A. 2015. Systemic Risk in European Sovereign Debt Markets：A CoVaR-copula Approach [J].Journal of International Money和Finance， （51）.

[14]傅強，張穎.我國金融系統(tǒng)的風險溢出效應研究—基于溢出指數(shù)的實證分析 [J].宏觀經(jīng)濟研究，2015，（07）.

[15]劉超，徐君慧，周文文.中國金融市場的風險溢出效應研究——基于溢出指數(shù)和復雜網(wǎng)絡(luò)方法 [J].系統(tǒng)工程理論與實踐，2017，（04）.

[16]宮曉莉，熊熊.波動溢出網(wǎng)絡(luò)視角的金融風險傳染研究 [J].金融研究，2020，（05）.

[17]Tang J，Wang Y. 2016. Effects of Shadow Banking on Return：A Empirical Study Based on Chinese Commercial Banks [J].International Journal of Financial Research，（1）.

[18]Acharya V V，Qian J，Su Y，Yang Z. 2020. In the Shadow of Banks：Wealth Management Products and Issuing Banks' Risk in China [J].NYU Stern School of Business.

[19]李向前，諸葛瑞英，黃盼盼.影子銀行系統(tǒng)對我國貨幣政策和金融穩(wěn)定的影響 [J].經(jīng)濟學動態(tài)，2013，（05）.

[20]馬德功，趙新，韓喜昆.商業(yè)銀行參與影子銀行業(yè)務(wù)與金融風險傳染——基于影子銀行體系資金供給方的視角 [J].重慶大學學報（社會科學版），2019，25（03）.

[21]Tsai? I C. 2017. The Source of Global Stock Market Risk：A Viewpoint of Economic Policy Uncertainty [J].Economic Modelling，（60）.

[22]Chang C，Chen K，Waggoner D F，Zha T. 2016. Trends and Cycles in China's Macroeconomy [R].NBER MacroeConomics Annual， 30（1）.