金融网络理论与应用述评

金融创新和同业业务的发展使得金融机构间的资产负债关联日益紧密，整个金融系统具有复杂网络特征。金融机构是网络的节点，金融机构间的资产负债关系则构成网络的边。单个银行的风险可以通过网络连接传染其他银行。2008年的金融危机即是由次级贷款违约引发的风险传染事件。由此，在研究系统风险时，除需关注“大而不能倒（Too—Big—to—Fail）”风险，还需注意“太关联而不能倒（Too—Connect—to—Fail）”风险（Chan—Lau，2010）。

目前利用金融网络理论研究系统风险主要有三个方向：一是现实金融系统的复杂网络特征。二是网络结构与风险传染的关系。三是基于实际数据构建网络评估系统风险。本文将从这三方面综述相关研究。

一、现实金融网络结构及应用

（一）现实金融系统的复杂网络特征

现实金融网络具有小世界网络和无标度网络特征。Gabrieli（2011）发现欧洲银行隔夜拆借市场网络非常稀疏，具有小世界网络特征且节点度的分布服从幂律分布，即大多数银行只与较少的银行交易，只有少数银行拥有较大的网络连接且一般是大型银行。美国联邦基金市场网络与欧洲银行隔夜拆借市场网络结构类似，也具有小世界网络特征，但是网络节点度的分布并非是幂律分布，而是一种厚尾分布（Bech和Atalay，2010）。

除隔夜拆借市场外，澳大利亚月度银行间风险敞口网络的节点度分布服从指数为-1.87的幂律分布，整个网络的平均路径和聚集系数均比较小（Boss，2004）。美国支付结算系统网络也具有无标度网络特征。该网络较为稀疏，只有一些货币中心银行之间的连接较为紧密，其他银行与这些中心银行相连接，彼此之间的关联较少（Soram？ki等，2007）。此外，意大利银行同业存款市场网络（Lazzetta和Manna，2009）、欧洲CDS市场网络（Peltonen等，2014）、德国银行间市场网络（Craig和Von Peter，2014）、巴西银行与非银行金融机构网络（Cont等，2013）等均具有高度中心化且相对稀疏的网络特征，网络节点的度具有异质性，大银行拥有较大的度数，处于网络的中心位置，节点的度较小的银行倾向于与度较大的节点银行相连。

（二）金融网络结构特征在系统风险方面的应用

在复杂网络理论中，可以通过节点度中心性、介数中心性、紧密中心性和特征向量中心性等网络拓扑结构来刻画一个节点在网络中的重要性（赫南等，2008）。因而，可以通过计算金融网络中各银行的网络中心性来确定系统重要性银行。这些系统重要性银行并非是资产规模最大的银行，而是在网络中处于关键位置的银行。Gabrieli（2011）发现2007年8月以后，欧洲银行隔夜拆借市场上的中小银行的网络中心性提高，而大银行有所下降。这说明金融危机以后中小银行的系统重要性上升。

网络中心性不仅可以决定系统重要性银行，还对银行间市场利率具有预测作用。Bech和Atalay（2010）构建一个网络中心性指数，发现当借款银行的网络中心性指数高于出借银行的网络中心性指数时，借款银行可以获得一个较低的借款利率。相反，如果出借银行具有更高的网络中心性指数，则借款银行将获得一个较高的借款利率。Tabak 等（2014）利用2004年1月到2007年11月的巴西银行间市场相关数据发现银行间市场网络的聚集系数和银行间市场利率的变动负相关。

此外，对网络结构变动的动态分析还包含可以预测金融危机的信息。Gabrieli（2011）发现2007年8月金融危机发生以后欧洲货币市场网络呈现出明显的节点之间平均距离的缩短。Tabak 等（2014）指出无向网络的聚集系数和有向网络的入度的聚集系数越高系统风险越大。Minoiu和Reyes（2013）将1978年至2010年发生的几次银行危机作为时间点，利用184个国家的跨国银行数据构建网络，发现每次危机发生之前的银行网络连通性都要高于危机发生之后的网络。

三、网络结构与风险传染的关系

不同网络结构对银行间的风险传染有重要影响，网络结构与风险传染关系存在以下三种观点：

第一种观点认为相对均匀紧密的网络风险传染程度较小。该观点认为在紧密网络内，由于一家银行与较多银行连接，当该银行破产时，其损失平担到每个债权银行就相对较小，从而降低破产银行对整个网络的冲击。Allen和Gale（2000）是该观点的提出者，随后Freixas等（2000）发现相对完全连接网络，包含货币中心的层级网络更容易发生风险传染。Müller（2006）也证实均匀紧密网络内的风险传染程度要小于中心化稀疏网络。

第二种观点则认为紧密连接的网络容易发生风险传染。Degryse和Nguyen（2007）发现1993—2002年间比利时银行系统网络的网络结构从早期的近似完全连接结构到以多家银行为货币中心的结构的转变降低了风险传染发生的可能性和影响程度。Viver-Lirimont （2006）基于Diamond & Dybvig模型从理论上证明网络连通性越高，风险传染程度越严重，传染速度也越快。因而银行分散化投资行为表面上看可以降低单个银行的风险，但实际上会增加银行之间的关联度而提高传染风险。Brusco和 Castiglionesi（2007）的研究也认为银行之间互相持有资金会增加传染风险。

针对上述两种不同观点，第三种观点认为网络结构与风险传染之间并非单调线性关系。Battiston 等（2012）认为第一种观点所谓的紧密网络不易发生风险传染并不总成立。具有中等水平连通性的网络最容易发生风险传染，并且最优银行间市场网络结构与冲击大小有关（Ladley ，2013）。当负向冲击较小时，均匀紧密的银行网络更稳定；当负向冲击大于一定阈值时，弱连接网络反而比紧密网络稳定（Acemoglu等，2013）。

四、基于金融网络理论的系统风险实证研究

金融网络研究的一个重要方向即是利用真实数据对系统风险进行评估。若是可以获得银行之间一对一的资产负债数据，即可据此直接构建网络，考察一家或多家银行破产引发的风险传染问题，如Müller（2006）、Degryse和Nguyen（2007）、黄聪和贾彦东（2010）、Sokolov等（2012）等的研究。

然而，现实中银行之间一对一的资产负债数据较难获得，因而许多文献利用最大熵方法估算银行间资产负债头寸。Upper和Worm（2004）最早根据德国各银行资产负债表中的银行间总资产和银行间总负债数据，利用最大熵方法估算银行之间一对一的资产负债头寸，构建银行网络。他们发现德国银行体系发生风险传染的概率尽管很小，但是一旦发生仅通过银行间资产负债敞口就可引发大规模风险传染。该方法由于解决了数据可得性问题而得到广泛应用，例如Mistrulli（2011）、Degryse和Nguyen（2007）、马君潞等（2007）等的研究。

最大熵方法实际上是假设金融网络为完全连接网络，即每家银行都与其他银行交易，这显然与真实银行网络结构不符。Mistrulli（2011）通过对比真实数据构建的网络和基于最大熵方法估算的数据构建的网络，发现最大熵方法建立的网络会高估风险传染的程度。因而，基于最大熵方法构建的金融网络模型无法对系统风险进行准确评估，只能是一种参考。

五、金融网络理论总结与展望

2008年的金融危机说明现代金融系统不再是一个个孤立的金融机构，而是相互连接的金融网络。单个金融机构的行为会对网络内其他金融机构产生重要影响，网络连接会助推系统风险的扩散。因而将金融机构视为网络的节点，将金融机构之间的资产负债关联视为网络的边来刻画金融系统，为我们研究金融问题尤其是系统风险问题提供了全新的视角。

首先，通过对真实金融网络结构的静态分析有助于寻找系统重要性银行，这些银行并非一定是大银行。对网络结构变动的动态分析则蕴含与预测金融危机有关的信息，从而为监管提供新的思路。其次，通过对网络结构与风险传染关系的探讨，有助于监管当局正确引导金融机构之间的交易行为。最后，利用金融网络来评估系统风险，可以作为CoVaR方法（肖璞等，2013）、压力测试法（曹麟和彭建刚，2014）等传统方法的补充。

尽管金融网络理论在探讨系统风险方面有诸多好处，也有利于监管当局从宏观审慎管理的角度来看待系统风险，但是该类研究也面临诸多困难。由于数据可得性较差，对真实网络结构的刻画并不全面，对系统风险的评估也只能是一种参考。未来在金融网络研究中，有必要考虑有关流动性冲击、信息传染等其他传染渠道对系统风险的共同影响。

参考文献：

[1]Chan-Lau J A. Balance She-

et Network Analysis of Too—Connected—To—Fail Risk in Global and Domestic Banking Systems[J]. IMF Working Papers，2010

[2]Gabrieli S. The Microstruc-

ture of the Money Market Before and After the Financial Crisis： a Network Perspective[C]. CEIS Tor Vergata Research Paper Series，2011（1）

[3]Bech M L，Atalay E. The To-

pology of the Federal Funds Market[J]. Physica A：Statistical Mechanics and its Applications，2010（22）

[4]Boss M， Elsinger H，Summer

M，et al. Network Topology of the Interbank Market[J]. Quantitative Finance，2004（6）

[5]Soram i K，Bech M L，Arnold J，et al. The Topology of Interbank Payment Flows[J]. Physica A：Statistical Mechanics and its Applications，2007（1）

[6]Iazzetta，Carmela，and Mich-

ele Manna. The Topology of the Interbank Market： Developments in Italy Since 1990[R]. Bank of Italy Temi di Discussione Working Paper，2009

[7]Peltonen T A，Scheicher M，

Vuillemey G. The Network Structure of the CDS Market and its Determinants[J]. Journal of Financial Stability，2014（13）

[8]Craig B，Von Peter G. Inter-

bank Tiering and Money Center Banks[J]. Journal of Financial Intermediation，2014（3）

[9]Cont R，Moussa A，Santos E B.

Network Structure and Systemic Risk in Banking Systems[J]. Handbook of Systemic Risk，2013

[10]赫南，李德毅，淦文燕等.复杂网络中重要性节点发掘综述[J].计算机科学，2008（12）

[11]Tabak B M，Takami M，Roch-

a J M C，et al. Directed Clustering Coefficient as a Measure of Systemic Risk in Complex Banking Networks[J]. Physica A：Statistical Mechanics and its Applications，2014（394）

[12]Minoiu C，Reyes J A.A Ne-

twork Analysis of Global Banking：1978—2010[J]. Journal of Financial Stability，2013（2）

[13]Freixas X，Parigi B M，Rochet J C. Systemic Risk，Interbank Relations，and Liquidity Provision by the Central Bank[J]. Journal of Money，Credit and Banking，2000（3）

[14]Müller J. Interbank Credit Lines as a Channel of Contagion [J]. Journal of Financial Services Research，2006（29）

[15]Degryse H，Nguyen G. Int-

erbank Exposures：An Empirical Ex-

amination of Contagion Risk in the Belgian Banking System[J]. International Journal of Central Banking，2007（2）

[16]Vivier-Lirimont，Sébast-

ian. Contagion in Interbank Debt Networks[R]. Reims Management School and CES，Paris I Pantheon Sorbonne University Working Paper，2006

[17]Brusco S， Castiglionesi F.

Liquidity Coinsurance， Moral Hazard，and Financial Contagion[J]. The Journal of Finance，2007（5）

[18]Battiston S，Gatti D D，G-

allegati M，etal. Default Cascades：When does Risk Diversification Increase Stability？[J]. Journal of Financial Stability，2012（8）

[19]Ladley D. Contagion and R-

isk-sharing on the Inter-bank Market[J]. Journal of Economic Dynamics and Control，2013（7）

[20]黄聪，贾彦东.金融网络视角下的宏观审慎管理——基于银行间支付结算数据的实证分析[J].金融研究，2010（4）

[21]Sokolov A，Webster R，Mela-

tos A，et al. Loan and Nonloan Flows in the Australian Interbank Network[J]. Physica A：Statistical Mechanics and its Applications，2012 （9）

[22]Upper C，Worms A. Estimati-

ng Bilateral Exposures in the German Interbank Market： Is There a Danger of Contagion？[J]. European Economic Review，2004，48（4）

[23]Mistrulli P E. Assessing F-

inancial Contagion in the Interbank Market：Maximum Entropy versus Observed Interbank Lending Patterns[J]. Journal of Banking & Finance，2011，35（5）

[24]马君潞，范小云，曹元涛.中国银行间市场双边传染的风险估测及其系统性特征分析[J].经济研究，2007（1）

[25]肖璞，刘轶，杨苏梅.相互关联性，风险溢出与系统重要性银行识别[J].金融研究，2013 （12）

[26]曹麟，彭建刚.基于宏观压力测试方法的逆周期资本监管框架研究[J].国际金融研究，2014（7）

（孙艳霞，1988年生，辽宁丹东人，东北财经大学社会与行为跨学科研究中心博士研究生。 研究方向：金融网络与仿真）