中圖分類號(hào):F832.33 文獻(xiàn)標(biāo)志碼:A 文章編號(hào):1008-4657(2025)04-0055-10
0 引言
習(xí)近平總書記指出“我們必須堅(jiān)持標(biāo)本兼治、遠(yuǎn)近結(jié)合,牢牢守住不發(fā)生系統(tǒng)性風(fēng)險(xiǎn)底線”。2024 年全國(guó)兩會(huì)和中共中央政治局會(huì)議相繼提出,要進(jìn)一步深化金融體制改革,增強(qiáng)金融體系的抗風(fēng)險(xiǎn)能力,推動(dòng)金融服務(wù)實(shí)體經(jīng)濟(jì),特別是銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的監(jiān)管,以確保金融體系的健康、可持續(xù)發(fā)展。有效規(guī)避系統(tǒng)性風(fēng)險(xiǎn),堅(jiān)持底線思維,是守護(hù)經(jīng)濟(jì)發(fā)展根基的重要舉措??梢姺婪逗突庀到y(tǒng)性風(fēng)險(xiǎn)、維護(hù)金融安全的重要性。
2008 年爆發(fā)的金融危機(jī)對(duì)國(guó)際金融秩序產(chǎn)生了前所未有的沖擊,導(dǎo)致了顯著的信貸緊縮。此次危機(jī)不僅暴露了國(guó)際金融體系中長(zhǎng)期存在的系統(tǒng)性風(fēng)險(xiǎn),還對(duì)全球金融體系的結(jié)構(gòu)穩(wěn)定性構(gòu)成了重大挑戰(zhàn)。隨著危機(jī)的負(fù)面效應(yīng)逐漸蔓延至實(shí)體經(jīng)濟(jì),全球經(jīng)濟(jì)體均遭受了巨大影響。在此背景下,系統(tǒng)性風(fēng)險(xiǎn)問題引發(fā)了強(qiáng)烈關(guān)注。隨著我國(guó)經(jīng)濟(jì)發(fā)展模式從高速增長(zhǎng)轉(zhuǎn)向更注重質(zhì)量和效益的新階段,過去被高速增長(zhǎng)掩蓋的潛在風(fēng)險(xiǎn)逐漸顯露出來(lái)。對(duì)于這些挑戰(zhàn),我國(guó)政府給予了高度關(guān)注,并將風(fēng)險(xiǎn)防控視為金融工作的重要組成部分。隨著金融改革的深化和金融創(chuàng)新的不斷推進(jìn),金融市場(chǎng)既充滿機(jī)遇也伴隨著挑戰(zhàn)。中國(guó)銀行業(yè)作為國(guó)家金融體系的核心支柱,不僅在支撐國(guó)家經(jīng)濟(jì)、推動(dòng)經(jīng)濟(jì)發(fā)展方面起著至關(guān)重要的作用,其穩(wěn)定性還對(duì)于中國(guó)經(jīng)濟(jì)的可持續(xù)發(fā)展具有深遠(yuǎn)影響。因此,在這一背景下,如何科學(xué)有效地預(yù)防和評(píng)估銀行業(yè)的系統(tǒng)性風(fēng)險(xiǎn),對(duì)于防范化解重大金融風(fēng)險(xiǎn)具有重要意義。
因此,本文針對(duì)如何有效地度量中國(guó)銀行業(yè)的系統(tǒng)性風(fēng)險(xiǎn)展開研究,力求更精確地識(shí)別出銀行業(yè)的系統(tǒng)性風(fēng)險(xiǎn)源,實(shí)現(xiàn)精準(zhǔn)且實(shí)時(shí)的風(fēng)險(xiǎn)評(píng)估,從而促進(jìn)銀行業(yè)乃至整個(gè)金融體系的穩(wěn)健發(fā)展。
1文獻(xiàn)綜述
關(guān)于系統(tǒng)性風(fēng)險(xiǎn)度量研究,國(guó)內(nèi)外成果十分豐富,風(fēng)險(xiǎn)度量方法主要分為網(wǎng)絡(luò)分析法和指標(biāo)構(gòu)建法等。其中,指標(biāo)構(gòu)建法通過股價(jià)、收益率等公開數(shù)據(jù)來(lái)構(gòu)建系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo),常用指標(biāo)有條件風(fēng)險(xiǎn)價(jià)值(Conditional Value at Risk,CoVaR)、邊際期望損失(Marginal Expected Shortfall,MES)和系統(tǒng)性風(fēng)險(xiǎn)指數(shù)(SystemicRisk Index,SRISK)等。
在眾多常用指標(biāo)中,BrownleesC等[1]提出的系統(tǒng)性風(fēng)險(xiǎn)指數(shù)方法可以利用金融市場(chǎng)公開數(shù)據(jù)有效地避免財(cái)務(wù)報(bào)表數(shù)據(jù)滯后的問題,同時(shí)考慮到股票市場(chǎng)的波動(dòng)率和相關(guān)性以及金融機(jī)構(gòu)的規(guī)模和杠桿程度,具有良好的可加性、可比性等特點(diǎn)。與CoVaR、MES等指標(biāo)相比,SRISK方法不僅考慮單個(gè)機(jī)構(gòu)的風(fēng)險(xiǎn)暴露,還考慮了金融機(jī)構(gòu)之間的相互影響,能夠提供一個(gè)更全面且準(zhǔn)確的銀行系統(tǒng)性風(fēng)險(xiǎn)評(píng)估方法。學(xué)者張琳等[2]運(yùn)用支持向量機(jī)回歸模型,測(cè)度了非上市保險(xiǎn)公司系統(tǒng)性風(fēng)險(xiǎn)指數(shù)和貢獻(xiàn)度,為保險(xiǎn)業(yè)系統(tǒng)性風(fēng)險(xiǎn)的研究拓寬了道路;陳湘鵬等[3]對(duì)比分析常用的系統(tǒng)性風(fēng)險(xiǎn)指標(biāo),發(fā)現(xiàn)SRISK更適用于我國(guó)微觀層面系統(tǒng)性金融風(fēng)險(xiǎn)的測(cè)度;Zhou Hua 等[4]對(duì)比CoVaR、MES和SRISK三種不同的系統(tǒng)性風(fēng)險(xiǎn)衡量標(biāo)準(zhǔn),發(fā)現(xiàn)CoVaR和MES在2008年國(guó)際金融危機(jī)爆發(fā)和2015年國(guó)內(nèi)股市崩盤期間表現(xiàn)出異常上升,且中國(guó)的SRISK仍在不斷增長(zhǎng),絕大多數(shù)系統(tǒng)性風(fēng)險(xiǎn)來(lái)自銀行;張金清等[5]依據(jù)修正的SRISK指標(biāo)對(duì)我國(guó)上市商業(yè)銀行的系統(tǒng)性風(fēng)險(xiǎn)大小進(jìn)行測(cè)度,發(fā)現(xiàn)我國(guó)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)水平自2012年以來(lái)持續(xù)上升;趙勝民等[6]以中國(guó)A股上市銀行為研究樣本,采用動(dòng)態(tài)DCC-GARCH模型計(jì)算LRMES,并以此為基礎(chǔ),計(jì)算出SRISK指標(biāo)來(lái)衡量銀行的系統(tǒng)性風(fēng)險(xiǎn);歐陽(yáng)資生等[7對(duì)MES、CoVaR和△CoVaR等常用的系統(tǒng)性風(fēng)險(xiǎn)度量指標(biāo)對(duì)我國(guó)上市金融機(jī)構(gòu)的系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行回測(cè)檢驗(yàn),發(fā)現(xiàn)這些指標(biāo)未能有效測(cè)度我國(guó)金融機(jī)構(gòu)在金融市場(chǎng)危機(jī)時(shí)期的系統(tǒng)性風(fēng)險(xiǎn);王周偉等[8]以中國(guó)16家商業(yè)銀行為研究對(duì)象,利用 SRISK測(cè)算銀行系統(tǒng)性風(fēng)險(xiǎn),并構(gòu)建MS-VECM模型驗(yàn)證經(jīng)濟(jì)政策不確定性和國(guó)際資本流動(dòng)對(duì)其的非線性動(dòng)態(tài)影響,發(fā)現(xiàn)三者間長(zhǎng)期均衡與短期誤差修正效應(yīng)顯著;張玉鵬等[9]基于760家金融機(jī)構(gòu)SRISK數(shù)據(jù),采用時(shí)變參數(shù)向量自回歸模型和廣義方差分解法測(cè)度全球系統(tǒng)性風(fēng)險(xiǎn)的時(shí)變傳染網(wǎng)絡(luò),這種結(jié)合方式有效識(shí)別了重大風(fēng)險(xiǎn)事件的發(fā)生。
在支持向量機(jī)的研究方面,罩小兵等[1]將自適應(yīng)合成抽樣方法和支持向量機(jī)模型相結(jié)合,集成四種核函數(shù)策略,預(yù)警我國(guó)系統(tǒng)性風(fēng)險(xiǎn),發(fā)現(xiàn)該模型預(yù)警性能較BP神經(jīng)網(wǎng)絡(luò)和Logit模型更優(yōu);李紅權(quán)等[]采用5種典型的機(jī)器學(xué)習(xí)模型及其集成模型預(yù)測(cè)系統(tǒng)性風(fēng)險(xiǎn),發(fā)現(xiàn)相對(duì)于傳統(tǒng)的線性模型,善于捕捉非線性關(guān)系的機(jī)器學(xué)習(xí)模型在樣本內(nèi)外均表現(xiàn)優(yōu)異,且支持向量機(jī)模型在向前多期預(yù)測(cè)時(shí)能力較強(qiáng);劉香[12]運(yùn)用支持向量機(jī)模型和主成分分析構(gòu)建了農(nóng)戶信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系,研究表明,支持向量機(jī)模型表現(xiàn)最佳,其規(guī)則提取的準(zhǔn)確性優(yōu)于傳統(tǒng)的分類方法。
在隨機(jī)森林的研究方面,曹桃云[13]基于隨機(jī)森林算法,闡述了回歸問題中的最小深度、置換重要性、節(jié)點(diǎn)純度等變量重要性度量原理,并通過數(shù)值模擬評(píng)估了各重要性度量的性能;Wang Yuanping等[14]運(yùn)用隨機(jī)森林模型確定指標(biāo)重要性的功能,篩選并分析食品生產(chǎn)行業(yè)的影響因素;Ye Liuying等[15]基于隨機(jī)森林算法的元胞自動(dòng)機(jī)仿真模型,選擇碳排放的各種空間變量作為影響城市土地利用變化的驅(qū)動(dòng)因素,運(yùn)用該模型分析碳排放約束對(duì)城市土地利用變化的貢獻(xiàn)。
通過文獻(xiàn)研究發(fā)現(xiàn),現(xiàn)有研究采用SRISK方法度量系統(tǒng)性風(fēng)險(xiǎn)時(shí),多以上市銀行為研究對(duì)象,非上市銀行系統(tǒng)性風(fēng)險(xiǎn)的度量涉及較少,且缺乏對(duì)關(guān)鍵影響因素的有效篩選與驗(yàn)證。因此,本文運(yùn)用系統(tǒng)性風(fēng)險(xiǎn)指數(shù)方法度量上市銀行的系統(tǒng)性風(fēng)險(xiǎn),在此基礎(chǔ)上,引人支持向量機(jī)算法優(yōu)化SRISK度量模型進(jìn)行非上市銀行的系統(tǒng)性風(fēng)險(xiǎn)研究,并結(jié)合隨機(jī)森林算法確定預(yù)測(cè)因子變量的重要性,識(shí)別關(guān)鍵因素,構(gòu)建更為全面的系統(tǒng)性風(fēng)險(xiǎn)度量框架。
2 方法介紹
2.1 SRISK模型理論與計(jì)算方法
系統(tǒng)性風(fēng)險(xiǎn)指數(shù)方法(SystemicRiskIndex,SRISK)利用公開數(shù)據(jù)進(jìn)行計(jì)算,度量在系統(tǒng)性金融危機(jī)發(fā)生的條件下一家機(jī)構(gòu)可能出現(xiàn)的資本短缺。資本缺口(Capital Shortfall,CS)衡量金融機(jī)構(gòu)的資金短缺程度,數(shù)值為正且越大時(shí),表明企業(yè)出現(xiàn)融資危機(jī),在此期間機(jī)構(gòu)進(jìn)行融資時(shí),承擔(dān)的成本也會(huì)迅速攀升。在t時(shí)刻銀行i面臨的資本短缺為:
CSit=kAit-Wit=k(Dit+Wit)-Wit
其中, Wit 為市場(chǎng)價(jià)值, Dit 為負(fù)債的賬面價(jià)值, .Ait 為資產(chǎn)價(jià)值, k 為金融機(jī)構(gòu)審慎權(quán)益資產(chǎn)比率,根據(jù)《巴塞爾協(xié)議 III 要求,最低資本充足率為 8% ,因此, k 取為 0.08 。系統(tǒng)性危機(jī)事件為在 h 期內(nèi)市場(chǎng)收益率低于臨界值 c ,設(shè) Rmt+1:t+h 為 t+1 至 Ψt+h 階段的市場(chǎng)累計(jì)收益率, {Rmt+1:t+h
SRISKi=Ei(CSi+h|Rm,t+1:i?i 假設(shè)負(fù)債 Dit+h 固定,即 Et(Di,t+h|Rm,t+1:t+h 相較于整體金融系統(tǒng),各金融機(jī)構(gòu)的資本短缺程度: (3)式中, LRMESit 表示t時(shí)刻機(jī)構(gòu)i的長(zhǎng)期邊際期望損失,即 2.2 SVM模型基本原理 支持向量機(jī)(SupportVector Machine,SVM)的核心思想是定義最優(yōu)線性超平面,并將尋找該超平面的算法通過升降維的思路轉(zhuǎn)化為最優(yōu)化問題的求解。相較于神經(jīng)網(wǎng)絡(luò)等方法,SVM可以解決在有限的歷史數(shù)據(jù)中需尋找其中的依賴關(guān)系,同時(shí)在應(yīng)對(duì)非線性和高維模式識(shí)別問題時(shí)具有獨(dú)特的優(yōu)勢(shì)。支持向量機(jī)可以分為支持訓(xùn)練分類機(jī)和支持向量回歸機(jī),本文主要運(yùn)用支持向量回歸機(jī)。 在支持向量回歸機(jī)中,通常使用不同于支持訓(xùn)練分類機(jī)的損失函數(shù)和正則化項(xiàng)來(lái)訓(xùn)練模型。將訓(xùn)練數(shù)據(jù)集表示為 ({xi},yi|i=1,?,k) ,其中 {xi} 表示樣本特征向量, yi 表示樣本的真實(shí)值。支持向量回歸機(jī)的目標(biāo)是學(xué)習(xí)一個(gè)函數(shù) f({xi}) ,使得對(duì)于任意輸入向量 {xi} ,都能夠預(yù)測(cè)出相應(yīng)的實(shí)數(shù),函數(shù)表示為: f(x)=w*?(x)+b 其中,參數(shù) 將上述優(yōu)化問題轉(zhuǎn)化為凸二次規(guī)劃問題,含兩約束:提升泛化能力、縮小誤差。常數(shù) 2.3SVM-SRISK模型基本原理 由于非上市銀行缺乏可用的股價(jià)數(shù)據(jù),無(wú)法利用市場(chǎng)數(shù)據(jù)通過模型模擬直接計(jì)算出長(zhǎng)期邊際期望損失,且計(jì)算SRISK所需的市場(chǎng)價(jià)值也未知,無(wú)法進(jìn)一步求解。因此,本文以SRISK模型為基礎(chǔ),引入SVM模型預(yù)測(cè)非上市銀行的權(quán)益市場(chǎng)價(jià)值和長(zhǎng)期邊際期望損失,將非上市銀行的財(cái)務(wù)數(shù)據(jù)代人訓(xùn)練好的模型預(yù)測(cè)相關(guān)變量,再根據(jù)SRISK公式得出每家非上市銀行的系統(tǒng)性風(fēng)險(xiǎn)指數(shù)。預(yù)測(cè)權(quán)益市場(chǎng)價(jià)值時(shí)先預(yù)測(cè)非上市銀行的市值賬面比(Market to book value,M2B),再將市值賬面比與權(quán)益的賬面價(jià)值相乘而得到市場(chǎng)價(jià)值。 結(jié)合實(shí)際數(shù)據(jù)的可得性及銀行業(yè)的特點(diǎn),并參考已往文獻(xiàn)指標(biāo)的選取方法,本文將不良貸款率、存貸比例、資本充足率、資產(chǎn)利潤(rùn)率、資本利潤(rùn)率和撥備覆蓋率作為支持向量機(jī)模型的預(yù)測(cè)因子變量,所選取的變量對(duì)銀行長(zhǎng)期邊際期望損失影響程度較大,具體說明如表1所示。 表1變量選取與說明表 3 實(shí)證分析 3.1樣本選取與數(shù)據(jù)來(lái)源 上市銀行方面,本文綜合考慮銀行上市時(shí)間、對(duì)銀行系統(tǒng)重要性有顯著性影響的市值和資產(chǎn)總值等指標(biāo)以及數(shù)據(jù)可獲得性等因素,選取16家上市商業(yè)銀行在2014年1月1日至2023年12月31日間的交易數(shù)據(jù)計(jì)算其系統(tǒng)性風(fēng)險(xiǎn)指數(shù),涵蓋5家大型國(guó)有銀行、3家城市商業(yè)銀行以及8家全國(guó)性股份制商業(yè)銀行,計(jì)算SRISK值所用的日度收盤價(jià)、市值以及季度的負(fù)債數(shù)據(jù)源于CSMAR數(shù)據(jù)庫(kù)和各銀行年報(bào),市場(chǎng)收益率采用滬深300指數(shù)的收益率。 非上市銀行方面,由于其數(shù)量眾多、規(guī)模不一、機(jī)制不完善,且缺乏全面的財(cái)務(wù)信息披露,數(shù)據(jù)獲取相對(duì)困難,并且系統(tǒng)性風(fēng)險(xiǎn)多數(shù)由市場(chǎng)規(guī)模較大的銀行引發(fā),本文選取截至2023年末資產(chǎn)規(guī)模都在500億以上的28家非上市商業(yè)銀行,數(shù)據(jù)由各銀行的年度報(bào)告中獲取。 3.2 測(cè)算結(jié)果 3.2.1 上市銀行SRISK測(cè)算結(jié)果 根據(jù)股票收盤價(jià)計(jì)算市場(chǎng)和各上市銀行的日度收益率,對(duì)收益率序列進(jìn)行描述性統(tǒng)計(jì)分析如表2所示。 表2收益率序列描述性統(tǒng)計(jì)分析結(jié)果表 續(xù)表2 注:*、*****分別表示 10%.5%.1% 的顯著性水平。 由表2發(fā)現(xiàn),所選上市銀行的日度收益率均值接近于0,標(biāo)準(zhǔn)差小于0.024,基本符合零均值假設(shè)。運(yùn)用Matlab軟件估計(jì)GJR-GARCH模型的動(dòng)態(tài)波動(dòng)率和DCC動(dòng)態(tài)相關(guān)系數(shù)模型的參數(shù),然后計(jì)算資產(chǎn)在市場(chǎng)下跌到特定閾值時(shí)的MES,根據(jù)MES計(jì)算長(zhǎng)期邊際預(yù)期損失(LRMES),結(jié)合上市銀行的負(fù)債和市值數(shù)據(jù)代入公式(3),求得SRISK測(cè)度值,單位為億元,如表3所示。 表3上市銀行SRISK描述性統(tǒng)計(jì)分析結(jié)果表 由表3可知,16家上市銀行2014—2023年的系統(tǒng)性風(fēng)險(xiǎn)指數(shù)整體呈上升趨勢(shì),尤其是2019年之后,這種上升趨勢(shì)變得更加明顯。這可能反映出銀行業(yè)面臨的系統(tǒng)性風(fēng)險(xiǎn)隨著時(shí)間推移在逐漸增加,同時(shí)與金融市場(chǎng)的復(fù)雜性和不確定性密切相關(guān)。 3.2.2 非上市銀行SRISK測(cè)算結(jié)果 由于非上市銀行沒有股價(jià)數(shù)據(jù),所以本文使用SVM模型測(cè)算28家非上市商業(yè)銀行的SRISK值,運(yùn)用支持向量回歸模型來(lái)預(yù)測(cè)銀行的LRMES和M2B。整個(gè)過程包括數(shù)據(jù)預(yù)處理、特征降維、模型訓(xùn)練、參數(shù)優(yōu)化、模型評(píng)估以及最終對(duì)新數(shù)據(jù)的預(yù)測(cè)。 具體步驟為:采用SandardScaler對(duì)特征變量進(jìn)行標(biāo)準(zhǔn)化處理,使用主成分分析法對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)作降維處理,并計(jì)算不同的主成分?jǐn)?shù)下的均方誤差(Mean Squared Error,MSE),選擇MSE 最小的主成分?jǐn)?shù),本文最佳PCA組件數(shù)為5。數(shù)據(jù)集按8:2比例劃分為訓(xùn)練集和測(cè)試集,并使用GridSearchCV進(jìn)行SVR模型的超參數(shù)優(yōu)化,通過5折交叉驗(yàn)證評(píng)估不同參數(shù)組合的性能,記錄評(píng)分以選擇最佳參數(shù)。驗(yàn)證結(jié)果顯示最佳C值和gamma值分別為10和0.1,使用這些參數(shù)訓(xùn)練 SVR模型。最后,運(yùn)用訓(xùn)練好的模型對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè),獲取非上市銀行的LRMES和M2B預(yù)測(cè)值,進(jìn)而得到非上市銀行的SRISK值。通過模型擬合,得到的擬合效果如圖1所示。 回歸結(jié)果(RMSE=0.0749)觀測(cè)值擬合值0.30.2SEERS0.1 A人 W0.00 5 10 15 20 25 30樣本回歸結(jié)果(RMSE=0.1926)觀測(cè)值1.4 擬合值1.21.00.80.6-10.40.20 5 10 15 20 25 30樣本 由圖1可知,SVM回歸曲線與原曲線相近,且LRMES和M2B的預(yù)測(cè)評(píng)價(jià)指標(biāo)均方根誤差(RootMeanSquaredError,RMES)分別為0.0749和0.1926,RMES的值越小,說明模型的預(yù)測(cè)值與實(shí)際值越接近,模型的預(yù)測(cè)精度越高,表明SVM模型擬合效果良好。由于選取的未上市銀行數(shù)量較多,所獲得的預(yù)測(cè)值僅展示數(shù)據(jù)運(yùn)算結(jié)果區(qū)間內(nèi)的部分,如表4所示。 表4非上市銀行SVM模型預(yù)測(cè)結(jié)果區(qū)間表 將所得的非上市銀行市值賬面比數(shù)據(jù)與權(quán)益的賬面價(jià)值相乘得到權(quán)益的市場(chǎng)價(jià)值,綜合負(fù)債數(shù)據(jù)和LRMES值,進(jìn)一步估算非上市銀行系統(tǒng)性風(fēng)險(xiǎn)指數(shù)。統(tǒng)計(jì)28家非上市銀行2014—2023年的系統(tǒng)性風(fēng)險(xiǎn)指數(shù)計(jì)算結(jié)果,如表5所示。 表5部分非上市銀行SRISK描述性統(tǒng)計(jì)分析結(jié)果表 由表5可知,SRISK值的波動(dòng)范圍較大,但大多數(shù)銀行的SRISK值在這段時(shí)間內(nèi)呈現(xiàn)出上升的趨勢(shì),且2019年后上升趨勢(shì)變得更加明顯,表明非上市銀行面臨的系統(tǒng)性風(fēng)險(xiǎn)有所增加。受銀行自身規(guī)模、風(fēng)險(xiǎn)管理能力、經(jīng)濟(jì)環(huán)境的變化等多方面因素影響,不同銀行之間的SRISK值存在顯著差異,其中廈門國(guó)際銀行、吉林銀行、漢口銀行、溫州銀行、桂林銀行SRISK值較大,位居前五。 3.3 綜合分析 本文運(yùn)用GJR-GARCH方法計(jì)算16家上市商業(yè)銀行、用改進(jìn)的SVM算法估算28家非上市商業(yè)銀行的SRISK%值如表6所示。 表6銀行SRISK%統(tǒng)計(jì)表 表6結(jié)果顯示,我國(guó)商業(yè)銀行體系近十年的SRISK值總體上升,表明系統(tǒng)性風(fēng)險(xiǎn)水平顯著提高,值得監(jiān)管部門關(guān)注。其次,五大國(guó)有銀行在我國(guó)商業(yè)銀行體系中的 SRISK份額中占據(jù)主導(dǎo)地位,顯示其系統(tǒng)重要性。 對(duì)于SRISK時(shí)間序列的具體分析,受到2015年“股災(zāi)”2016年供給側(cè)結(jié)構(gòu)性改革去杠桿、2018年中美貿(mào)易摩擦、2019年底新冠疫情的影響,各大商業(yè)銀行這些年份的SRISK均出現(xiàn)較為明顯的波動(dòng)。這一方面說明我國(guó)商業(yè)銀行系統(tǒng)經(jīng)歷過近年的一系列風(fēng)險(xiǎn)事件使得商業(yè)銀行風(fēng)險(xiǎn)在短期內(nèi)得到一定的釋放和恢復(fù),另一方面也對(duì)我國(guó)商業(yè)銀行系統(tǒng)性風(fēng)險(xiǎn)發(fā)出了預(yù)警。 值得注意的是,股份制、城商銀行和非上市銀行的 SRISK% 值在\"十二五\"\"十三五\"期間整體呈現(xiàn)上升趨勢(shì),由于當(dāng)時(shí)實(shí)體經(jīng)濟(jì)產(chǎn)能過剩,導(dǎo)致了金融機(jī)構(gòu)的不良貸款率上升,反映到金融機(jī)構(gòu)表現(xiàn)為股份制、城商銀行和非上市銀行的SRSIK風(fēng)險(xiǎn)具體值呈增加趨勢(shì)。五大國(guó)有銀行在2021年對(duì)系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)度達(dá)到近十年最高值 75.04% ,2019年底開始受到新冠疫情的影響,系統(tǒng)性風(fēng)險(xiǎn)上升,直至2022年疫情得到有效控制,銀行資產(chǎn)質(zhì)量有所改善,系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)度有所下降,但隨著全球經(jīng)濟(jì)環(huán)境復(fù)雜多變,以及國(guó)內(nèi)經(jīng)濟(jì)結(jié)構(gòu)調(diào)整和轉(zhuǎn)型的壓力,銀行體系仍面臨一定風(fēng)險(xiǎn)。 將我國(guó)商業(yè)銀行分類來(lái)看,2014—2023年間國(guó)有銀行的SRISK % 始終占據(jù)主導(dǎo)地位,且其比例在多數(shù)年份中超過 60% ,這表明國(guó)有銀行在中國(guó)金融體系中扮演著至關(guān)重要的角色。其中,工商銀行、農(nóng)業(yè)銀行、建設(shè)銀行、中國(guó)銀行的SRISK值較高, SRISK% 在2014—2023年間占比超過 50% ,比較而言,交通銀行的市場(chǎng)價(jià)值和資產(chǎn)總量較另外四大國(guó)有銀行而言相對(duì)較小,SRISK值也相對(duì)較小,說明系統(tǒng)性風(fēng)險(xiǎn)指數(shù)SRISK的值與銀行自身的資產(chǎn)、市值高度正相關(guān)。 股份制和城市商業(yè)銀行的SRISK % 總體波動(dòng)下降,從2014年的 30.28% 下降到2023年的 26.80% 重要性不可忽視,其中,招商銀行、興業(yè)銀行、民生銀行、浦發(fā)銀行等系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)度較大。非上市銀行SRISK% 在2015年股災(zāi)期間增至 4.27% ,后保持較低水平,反映其風(fēng)險(xiǎn)增加但隨監(jiān)管加強(qiáng)而受控。由于非上市銀行系統(tǒng)地位相對(duì)較低且受樣本數(shù)量影響,所求得SRISK % 占比較少,但從非上市銀行所求得的SRISK具體值來(lái)看,每年都有較大變化幅度,非上市公司的風(fēng)險(xiǎn)是顯著存在的,系統(tǒng)性風(fēng)險(xiǎn)穩(wěn)定性較弱且對(duì)系統(tǒng)性風(fēng)險(xiǎn)條件資本短缺的貢獻(xiàn)不容忽視。規(guī)模效應(yīng)的存在,導(dǎo)致市場(chǎng)份額高的商業(yè)銀行的業(yè)務(wù)渠道和融資渠道更加完善,且信用良好,因而管理者側(cè)重于經(jīng)營(yíng)更有內(nèi)含價(jià)值的業(yè)務(wù)并制定穩(wěn)健的投資策略。而非上市公司獲得融資的力度相對(duì)較小,融資渠道較窄,披露要求沒有上市銀行完善,且管理者的權(quán)利更加集中,因此加強(qiáng)對(duì)非上市銀行風(fēng)險(xiǎn)的研究,對(duì)于全面衡量我國(guó)銀行業(yè)的系統(tǒng)性風(fēng)險(xiǎn)具有戰(zhàn)略意義。 總體上,我國(guó)目前銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)度最大的是國(guó)有商業(yè)銀行,五大國(guó)有銀行應(yīng)為重點(diǎn)監(jiān)管對(duì)象,尤其是農(nóng)業(yè)銀行風(fēng)險(xiǎn)管理水平不到位等問題突出,需特別關(guān)注。對(duì)于股份制、城市商業(yè)銀行,雖然總資產(chǎn)規(guī)模目前不及五大國(guó)有銀行,但其系統(tǒng)性金融風(fēng)險(xiǎn)貢獻(xiàn)度在近十年內(nèi)存在波動(dòng),未來(lái)會(huì)越來(lái)越成為監(jiān)管的重點(diǎn);非上市銀行的系統(tǒng)性風(fēng)險(xiǎn)結(jié)果雖然表明目前風(fēng)險(xiǎn)總體可控,但每年都有較大變化幅度,也應(yīng)重視監(jiān)管。 3.4預(yù)測(cè)因子變量重要性分析 由于測(cè)算系統(tǒng)性風(fēng)險(xiǎn)指數(shù)的核心在于衡量長(zhǎng)期邊際期望損失,為了深入探究SVM模型中各預(yù)測(cè)因子變量如何影響這一關(guān)鍵指標(biāo),進(jìn)一步了解銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)指數(shù)的主要影響因素。本文引人隨機(jī)森林算法量化分析各因子變量在預(yù)測(cè)SRISK過程中的重要性,該過程不僅能夠揭示每個(gè)因子對(duì)SRISK的相對(duì)貢獻(xiàn)度,還能為制定更有效的監(jiān)管策略提供數(shù)據(jù)支持。 具體步驟為:第一,數(shù)據(jù)讀取與處理,劃分訓(xùn)練集與測(cè)試集,標(biāo)準(zhǔn)化處理;第二,定義并訓(xùn)練隨機(jī)森林回歸模型,設(shè)置模型參數(shù),具體為樹的數(shù)量為100,樹的最大深度為10,控制每個(gè)節(jié)點(diǎn)至少要有2個(gè)樣本才能繼續(xù)分裂,確保每個(gè)葉節(jié)點(diǎn)至少有1個(gè)樣本,在每次分裂時(shí)考慮的特征數(shù)量為特征總數(shù)的平方根,以增加模型的多樣性。使用訓(xùn)練集數(shù)據(jù)訓(xùn)練模型,訓(xùn)練過程中,隨機(jī)森林會(huì)對(duì)每棵樹進(jìn)行多次隨機(jī)抽樣和特征選擇,從而提高模型的泛化能力;第三,訓(xùn)練完成后,預(yù)測(cè)測(cè)試集數(shù)據(jù),計(jì)算均方誤差(MeanSquared Error,MSE)、平均絕對(duì)誤差(Mean Absolute Error,MAE)、決定系數(shù)(Coefficient of Determination,R2)和均方根誤差(Root Mean Squared Error,RMSE)等評(píng)價(jià)指標(biāo);最后,計(jì)算特征重要性并將其可視化為條形圖。 計(jì)算結(jié)果為 MSE=0.007 0,MAE=0.017 8,R2=0.8069,RMSE=0.026 5 ,結(jié)果表明模型預(yù)測(cè)性能良好。各特征對(duì)預(yù)測(cè)結(jié)果的貢獻(xiàn)如圖2所示。 圖2預(yù)測(cè)因子變量重要性圖 由圖2可知,不良貸款率被識(shí)別為預(yù)測(cè)LRMES重要性最大的變量。其重要性評(píng)分高于其他因子變量,表明其對(duì)模型預(yù)測(cè)性能的顯著影響,該變量不良貸款率反映了銀行貸款組合中違約或潛在違約的比例,直接影響銀行的資產(chǎn)質(zhì)量,較高的不良貸款率可能導(dǎo)致信用風(fēng)險(xiǎn)增加和銀行資產(chǎn)價(jià)值下滑。同時(shí),不良貸款率與經(jīng)濟(jì)周期密切相關(guān)。在經(jīng)濟(jì)衰退時(shí)期,借款人還款能力下降,導(dǎo)致不良貸款率上升,這可能預(yù)示著更廣泛的經(jīng)濟(jì)風(fēng)險(xiǎn),引發(fā)銀行系統(tǒng)內(nèi)的連鎖反應(yīng)。撥備覆蓋率和存貸比例等值,為第二重要性指標(biāo),說明對(duì)LRMES的預(yù)測(cè)也具有重要作用,二者的合理水平對(duì)銀行的抗風(fēng)險(xiǎn)能力和整體金融穩(wěn)定性至關(guān)重要。 其余三個(gè)預(yù)測(cè)因子變量重要性占比略低,但相差不大,仍然是重要的預(yù)測(cè)指標(biāo),在預(yù)測(cè)LRMES中的作用不可忽視。整體上,這些指標(biāo)的重要性得分相近,表明它們?cè)陬A(yù)測(cè)LRMES 時(shí)的貢獻(xiàn)程度較為均衡。可以說明所選指標(biāo)體系較為全面且合理,涵蓋了銀行財(cái)務(wù)健康的多個(gè)方面,包括資本質(zhì)量、盈利能力、貸款質(zhì)量和資金管理等,能夠全面反映影響LRMES的主要因素,進(jìn)而更好地度量并防范系統(tǒng)性風(fēng)險(xiǎn)。 4結(jié)論與建議 4.1 結(jié)論 本文運(yùn)用SRISK方法和SVM模型對(duì)2014—2023年16家上市銀行和28家非上市銀行的系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行了研究,探討全面度量我國(guó)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的方法,結(jié)論如下: 第一,我國(guó)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)呈上升趨勢(shì),其中五大國(guó)有銀行的風(fēng)險(xiǎn)貢獻(xiàn)占據(jù)主導(dǎo)地位。由數(shù)據(jù)可知,各銀行近十年的系統(tǒng)性風(fēng)險(xiǎn)指數(shù)整體上升,但處于可控范圍內(nèi)。五大國(guó)有銀行的系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)度顯著高于股份制、城市商業(yè)銀行和非上市銀行,且近十年風(fēng)險(xiǎn)貢獻(xiàn)度始終超過 50% ,應(yīng)重點(diǎn)監(jiān)管。 第二,非上市銀行系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)度較小。本文運(yùn)用SVM模型測(cè)算了28家非上市銀行的 SRISK值,彌補(bǔ)了SRISK方法只能應(yīng)用于上市金融機(jī)構(gòu)的缺陷,受銀行規(guī)模等因素影響,計(jì)算結(jié)果表明我國(guó)非上市銀行系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)度較小。 第三,SVM-SRISK模型適用于非上市銀行系統(tǒng)性風(fēng)險(xiǎn)度量。通過將支持向量機(jī)和系統(tǒng)性風(fēng)險(xiǎn)指數(shù)模型相結(jié)合,SVM-SRISK模型能夠有效應(yīng)對(duì)非上市銀行系統(tǒng)性風(fēng)險(xiǎn)的非線性特征,為非上市銀行系統(tǒng)性風(fēng)險(xiǎn)的度量提供支持。 第四,銀行信貸資產(chǎn)質(zhì)量對(duì)系統(tǒng)性風(fēng)險(xiǎn)防控至關(guān)重要。由隨機(jī)森林算法的變量重要性預(yù)測(cè)結(jié)果可知,不良貸款率重要性占比最高,驗(yàn)證了銀行信貸資產(chǎn)質(zhì)量在系統(tǒng)性風(fēng)險(xiǎn)防控中的核心地位,能夠?yàn)橹贫ㄓ行У谋O(jiān)管策略提供數(shù)據(jù)支持。 4.2 建議 根據(jù)本文實(shí)證研究的計(jì)算結(jié)果和結(jié)論分析,提出如下建議: 第一,加強(qiáng)對(duì)國(guó)有銀行的監(jiān)管??紤]到國(guó)有銀行對(duì)系統(tǒng)性風(fēng)險(xiǎn)的高貢獻(xiàn)度,監(jiān)管機(jī)構(gòu)應(yīng)制定差異化的監(jiān)管政策。對(duì)于大型銀行,增加資本充足率和流動(dòng)性要求,以降低其潛在的系統(tǒng)性風(fēng)險(xiǎn)。要求國(guó)有銀行定期進(jìn)行壓力測(cè)試,特別是在經(jīng)濟(jì)波動(dòng)期間,評(píng)估其極端情況下的風(fēng)險(xiǎn)承受能力。同時(shí),鼓勵(lì)提高透明度,定期披露關(guān)鍵風(fēng)險(xiǎn)指標(biāo)和財(cái)務(wù)狀況,增加市場(chǎng)對(duì)其風(fēng)險(xiǎn)管理能力的信任度。 第二,提升非上市銀行系統(tǒng)性風(fēng)險(xiǎn)監(jiān)控能力。針對(duì)非上市銀行數(shù)據(jù)的難獲得性,提倡建立覆蓋非上市銀行的數(shù)據(jù)共享平臺(tái),收集并分析其經(jīng)營(yíng)數(shù)據(jù)、財(cái)務(wù)狀況等信息,為風(fēng)險(xiǎn)評(píng)估提供數(shù)據(jù)支持。同時(shí),鼓勵(lì)監(jiān)管機(jī)構(gòu)和非上市銀行采用機(jī)器學(xué)習(xí)等模型進(jìn)行系統(tǒng)性風(fēng)險(xiǎn)評(píng)估,提升對(duì)非上市銀行風(fēng)險(xiǎn)狀況的精準(zhǔn)把握能力。確保現(xiàn)場(chǎng)檢查與非現(xiàn)場(chǎng)監(jiān)管結(jié)合,落實(shí)風(fēng)險(xiǎn)防控措施。 第三,優(yōu)化銀行資產(chǎn)質(zhì)量和風(fēng)險(xiǎn)準(zhǔn)備能力。針對(duì)預(yù)測(cè)因子變量重要性預(yù)測(cè)結(jié)果可知,不良貸款率是預(yù)測(cè)SRISK的重要指標(biāo),應(yīng)重點(diǎn)關(guān)注。建議監(jiān)管機(jī)構(gòu)制定相關(guān)政策,推動(dòng)銀行降低不良貸款率。制定更嚴(yán)格的信貸審批標(biāo)準(zhǔn),確保銀行在放貸時(shí)對(duì)借款人進(jìn)行充分的信用評(píng)估;引導(dǎo)銀行合理配置貸款組合,倡導(dǎo)多元化經(jīng)營(yíng)策略,避免過度集中于高風(fēng)險(xiǎn)行業(yè)。 參考文獻(xiàn): [1]Brownles CEngleRF.SISK:aconditionalcapitalshortfallmeasureofsystemicrisk[J].TheRevewofFinanialStudie,2017,30(1):48-79. [2]張琳,湯薇,林曉婕,等.基于SVM-SRISK的非上市保險(xiǎn)公司系統(tǒng)性風(fēng)險(xiǎn)度量[J].保險(xiǎn)研究,2018(6):3-15. [3]陳湘鵬,周皓,金濤,等.微觀層面系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)的比較與適用性分析——基于中國(guó)金融系統(tǒng)的研究[J].金融研究,2019(5):17-36. [4]Zhou Hua,Liu Wenjin,Wang Liang.Systemic riskofChina’sfinancial system(2OO7-2018):acomparisonbetween△CoVaR,MES and SRISK acrossbanks, insurance and securities firms[J].The Chinese Economy,2O2O,53(3):221-245. [5]張金清,龔懿婷,孫大釗.我國(guó)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)防范研究——基于 SRISK指標(biāo)的修正與測(cè)度[J].復(fù)旦學(xué)報(bào)(社會(huì)科學(xué)版),2021,63(2):132-141. [6]趙勝民,張博超.“雙支柱\"調(diào)控與銀行系統(tǒng)性風(fēng)險(xiǎn)——基于SRISK指標(biāo)的實(shí)證分析[J].國(guó)際金融研究,2022(1):50-61. [7]歐陽(yáng)資生,周學(xué)偉.中國(guó)金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)回測(cè)與關(guān)聯(lián)研究—基于 MES和△CoVaR的實(shí)證分析[J].中國(guó)管理科學(xué). [8]王周偉,黃靜怡,吳虹儀.經(jīng)濟(jì)政策不確定性、國(guó)際資本流動(dòng)與銀行系統(tǒng)性風(fēng)險(xiǎn)[J].統(tǒng)計(jì)與決策,2024,40(1):153-157. [9]張玉鵬,婁云深.基于時(shí)變傳染網(wǎng)絡(luò)和分位數(shù)Granger 因果檢驗(yàn)的系統(tǒng)性風(fēng)險(xiǎn)傳染研究[J].金融經(jīng)濟(jì)學(xué)研究,2024,39(3):3-20. [10]覃小兵,羅美娟,黃迅,等.我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警研究——基于時(shí)變CRITIC 賦權(quán)法和 ADASYN-SVM方法[J].金融監(jiān)管研究,2022(9):93-114. [11]李紅權(quán),周亮.基于機(jī)器學(xué)習(xí)技術(shù)的系統(tǒng)性金融風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警[J].運(yùn)籌與管理,2023,32(11):212-219. [12]劉香.基于SVM模型的農(nóng)村金融機(jī)構(gòu)農(nóng)戶信用風(fēng)險(xiǎn)評(píng)價(jià)體系研究——以黑龍江省為例[J].市場(chǎng)周刊,2024,37(7):19-24. [13]曹桃云.基于隨機(jī)森林的變量重要性研究[J].統(tǒng)計(jì)與決策,2022,38(4):60-63. [14]Wang Yuanping,HuLang,Hou Lingchun,etal.Studyoncarbon emisioninfluencingfactors andcarbon emissionreductionpotential in China's food production industry[J]. Environmental Research,2024,261:119702. [15]YeLiuying,Zhao Shuhe,Yang Hong,etal.Urbanlandusesimulationandcarbon-relateddriving factorsanalysisbasedonRF-CA in Shanghai,China[J]. Ecological Indicators,2024,166:112555. Research on Systemic Risk Measurement of Banking Industry Based on SVM-SRISK Model HAN Guanghui, CAI Jinming, LI Xiaobo, YANG Fan (School of Management Engineering and Business,Hebei University of Engineering, Handan O56O38, China) Abstract:Thestabilityofbanksiscrucialforeconomicsecurityanddevelopment,andeffcient managementof systemicrisk inthebankingsectorisessntial.ThisstudycombinesSupportVectorMachine(SVM)andSystemicRiskIndex(RISK)metods to analyze hesystemicriskofthebankingsectorfrom2O14to2O23.TheSRISKmethod isusedtomeasurethesystemicriskoflisted commercialbanks,while theSValgorithisintroducedtoassesstheriskstatusofnon-listedcommercialbanks,measuringboth thesystemiciskindexanditscontribution.Inaddition,theRandomForestalgorithmisappliedtodeterminetheimportanceof predictivefactors.Thestudyfinds thattheSVM-SRISKmodelcanefectivelymeasuresystemicriskinthebanking industry.ystemic riskin China’sbankingsectorshowsanoverallupward rend,withstate-ownedbankscontributingsignficantlyhighersystemic riskthanjoint-stockandcitycommercialbanks,aswellasnon-listedbanks.Theriskcontributionofnon-listedbanksisrelatively lower.Furthermore,thenon-peformingloanatioisidentifedasthemostimportantvariable.Basedonthefindings,fectivegulatoryrecommendationsareproposedonstrengtheningthesupervisionofstate-owedbanks,improvingthesystemicrisk monitor ing capacity of non-listed banks,and optimizing banks' asset quality and risk provisioning capacity. Key words:systemic risk;commercial banks;support vector machine;random forest [責(zé)任編輯:許立群] 由此可見,式中需要的數(shù)據(jù)有資本充足率、負(fù)債的賬面價(jià)值、市場(chǎng)價(jià)值和長(zhǎng)期邊際期望損失,前三者可以在相應(yīng)數(shù)據(jù)庫(kù)中獲得,重點(diǎn)在于計(jì)算LRMES。因此,首先設(shè)定關(guān)于市場(chǎng)收益率和金融機(jī)構(gòu)收益率的雙變量條件異方差模型以構(gòu)建DCC-GJR-GARCH模型,利用兩步極大似然估計(jì)得到模型需要的條件方差和動(dòng)態(tài)相關(guān)性,之后獲取t時(shí)刻機(jī)構(gòu)的收益率與市場(chǎng)收益率之間的相關(guān)系數(shù),由此得知金融機(jī)構(gòu)在t時(shí)刻的MES,再根據(jù)
的方法測(cè)算核心指標(biāo)LRMES,經(jīng)上述步驟確定各變量數(shù)值后,根據(jù)公式(3)得到系統(tǒng)性風(fēng)險(xiǎn)指數(shù)。
為權(quán)重, b 為偏置。此外選用 ∈ 不靈敏誤差函數(shù)(
),使所有樣本點(diǎn)與超平面間的總偏差最小化,定義為 y-f(x)|?=max{0,y-f(x)|-?} ,為每個(gè)樣本點(diǎn)引入松弛變量 ζi 和 ζi 后,目標(biāo)函數(shù)和約束條件為:
表示懲罰系數(shù),
為正常數(shù)以控制回歸精度。引入拉格朗日乘子轉(zhuǎn)換為對(duì)偶優(yōu)化問題,函數(shù)表示為: