基于CoVaR的保险机构系统性风险研究

中央财经大学保险学院

基于CoVaR的保险机构系统性风险研究

郑梦灵 王丽珍中央财经大学保险学院

本文选取了我国上市保险公司2008—2015年度股票市场周数据，基于修正后的CoVaR模型和分位数回归方法度量保险机构的系统性风险溢出效应，并进一步建立系统性风险预测模型。实证研究发现，中国平安的系统性风险最大，中国太保次之，中国人寿最小；3家公司系统性风险溢出值的变动趋势非常相似，在2008年金融危机和2015年中国股市波动两个时间段达到最高值；以VaR为基础的微观审慎监管规则并不足以准确防范保险机构的系统性风险。预测模型表明，保险公司的自身风险VaR、杠杆率、规模、保费收入增长率、股价波动率等指标对系统性风险的预测具有显著影响。从逆周期宏观审慎监管角度对保险机构系统性风险的监管工作提出政策建议。

随着金融全球化进程的加快和市场开放度的提高，单一金融机构的风险能够通过开放市场的风险波动传导机制产生（负）风险溢出，引发系统性风险和金融危机，对整个金融市场造成极大的破坏。2013年7月，中国平安入选首批9家全球系统重要性保险机构（G-SII），一度提高了人们对保险业系统性风险的关注度。2016年4月，保监会启动国内系统重要性保险机构监管制度建设，致力于提升公司的风险管理水平和危机处理能力。因此，准确度量并理性防范保险机构的系统性风险，实施更加有效的监管政策，强化对“大而不能倒”公司的监管举措，避免个体保险公司的自身风险造成整个行业系统的崩溃，对于经济的稳步向前发展显得尤为重要。

然而，传统的风险计量办法如VaR（Value at Risk）测量的仅是金融机构自身的风险，对于有效估计金融机构系统性风险存在局限性。Adrian和Brunnermeier(2008)首次建立了CoVaR模型，用CoVaR相对于VaR的变化量来表示金融机构对系统的风险溢出，为度量金融机构的系统性风险提供了解决思路。之后，Adrian和Brunnermeier(2011)的工作报告中又引入一系列滞后状态变量改进了模型。鉴于国内缺乏对我国保险机构系统性风险计量手段方面的研究，本文决定在改进的CoVaR模型的基础上测度我国保险公司的系统性风险，并进一步对保险公司未来的系统性风险的预测做出尝试。

一、文献综述

在国外的研究中，除了CoVaR模型，还采用了其他多种研究方法对金融市场银行、证券、保险进行系统性风险的测度。Tarashev，et al.（2010）提出了系统性风险的夏普利值法，相较于CoVaR模型，该方法下整个体系的风险可以由单个金融机构的系统性风险加总得到。Benoit，et al.(2012)基于美国金融机构的数据研究了MES和ES、CoVaR和VaR、ES和CoVaR之间的理论关系，来比较MES和CoVaR两种方法。Talasli(2013)运用系统预期损失(SES)方法选取2000—2011年银行业危机和2007—2009年全球金融危机期间的土耳其金融机构股票市场收益率和资产负债表数据度量了金融机构的系统性风险，以此验证Acharya，et al.(2010)提出的SES方法的有效性，结果表明SES在跟踪金融股票的潜在风险方面是一个强大的工具。Cummins和Weis(2014)使用指标法，基于保险机构的财务分析、保险业在经济中的角色与地位、保险公司之间的相关性等影响系统性风险的主要指标度量美国保险市场引发系统性风险的可能性。Chen Hua，et al.(2014)利用信用违约掉期利差和股票数据度量保险业的系统性风险，运用压力测试和格兰杰因果关系检验分析了银行和保险公司之间的风险关联性。Drakos和Kouretas(2015)基于CoVaR模型，结合重要性测试和优势测试，对美国国内和国外金融机构的系统性风险相对贡献度提供一个正式的比较。Kanno和Masayasu (2016)使用网络分析法，通过再保险和违约风险的传递效应，度量了全球财产保险公司的系统性风险。Jacob和Fernando(2016)利用Copula模型度量了2005—2014年欧洲银行的系统性风险贡献度和基于CDS利差的系统性风险敏感度，分析欧洲银行的系统性风险和传染的驱动因素。

在国内的研究中，大部分对于系统性风险的研究集中在银行业，如高国华和潘英丽（2011）基于GARCH模型的CoVaR方法应用股票测度了我国14家上市银行的风险溢出情况。周天芸等人（2012）运用分位数回归模型和条件风险价值CoVaR模型研究了中资、港资和外资银行受到外部冲击后系统脆弱性的内生性及传染机理。李志辉等（2011）、陆静等（2014）和白雪梅等（2014）使用CoVaR和分位数回归方法分别衡量了我国商业银行和金融机构的风险溢价。之后，关于债券、股票等证券市场的系统性风险的研究也逐渐兴起，如谢福座（2009）通过CoVaR检测法对我国债券和股票市场的系统性风险进行了测量。王永巧和胡浩(2012)针对股票市场，基于Couple的ΔCoVaR方法度量了危急时刻中国内地和美国、中国香港间的极端风险溢出情况。近年来，才出现对保险业系统性风险的相关研究。林鸿灿等（2012）运用AR-GARCH-CoVaR模型度量了保险机构的系统性风险贡献度。赵桂芹等（2012）从宏观和微观两个层面分析了保险业的系统性风险和主要业务活动的关联性。谢远涛等（2014）从尾部依赖性切入，通过构造SV-t模型和厚尾的SV-GED模型，结合AIC准则和Hit检验法筛选出的Copula模型分析保险业的系统性风险。郭金龙等（2014）对保险业系统性风险的来源、识别、计量和评估等方面展开详细的综述。王丽珍(2015)基于矩阵法研究了我国不同市场结构下再保险业务的传染效应。中国人寿保险（集团）公司财务课题组（2015）运用MES、SES和Garch模型计量了我国寿险行业的系统性风险贡献度。

总体而言，国内对保险业系统性风险的研究多集中在传染机制和关联性的分析上，在度量保险业系统性风险方面缺乏多样的模型分析和计量方法。

二、理论模型

((一))系统性风险度量方法：CoVaRCoVaRCoVaR是指当单个金融机构处于危机时，它对其他金融机构或金融系统所造成的最大可能损失。金融机构对金融系统的风险溢出表示为ΔCoVaR，是极端情况下的CoVaR减去常态下的CoVaR，体现了金融机构对金融体系的风险贡献度。ΔCoVaR的值越大，说明单一机构的系统性风险就越高。CoVaR模型的优势在于能更加有效地捕捉系统性风险的尾部分布，使研究结果更可靠。该模型不仅能够识别金融机构自身的风险，还能解决两个金融机构之间的关联性量化问题，进而达到度量机构对其他金融机构风险溢出的目的。

定义：当金融机构i出现危机（即Xi≤VaRi），机构j的在险价值VaRj，即，其数学表达式为：，Xi为金融机构的收益率。那么，金融机构i对机构j的风险贡献度为：当j表示金融系统时，就意味着金融机构i对系统性风险的贡献度。

同样，机构i在中位数水平下资产收益和CoVaR的值为：

((二))系统性风险预测方法：Forward-ΔCoVaRCoVaR

由上面的度量我们可以得到保险机构的ΔCoVaR值。然而，直接根据ΔCoVaR测算出来的系统性风险对保险机构进行监管存在严重的顺周期现象，即当保险机构的系统性风险较高时，施加严厉的监管政策会使得金融机构不能灵活地采取措施处理风险，导致对保险机构的系统性风险贡献度提高。Forward-ΔCoVaR对金融机构未来一定时期的ΔCoVaR进行预测，代表着向前的ΔCoVaR。通过预测，准确把握机构未来系统性风险的变动趋势，为解决顺周期问题和宏观审慎监管提供合理的政策思路。根据Adrian和Brunnermeier(2011)、高国华和潘英丽（2011）等的研究，选取金融机构易获得的自身特征变量，如杠杆率（Leverage）、规模（Size）、总资产收益率(Roa)、保费收入增长率(Premium)、股价净值比(MTB)和股价波动率(VIX)等指标来预测金融系统未来的系统性风险，构造的面板模型如下：

三、实证分析

((一))指标含义与数据来源

1.指标含义

本文拟采用上市的中国平安、中国太保、中国人寿的收益率数据（中国共有5家上市保险公司。中国人保在香港上市，香港股市无论是交易机制、价格波动限制还是开放程度，都和内地有差异，故予以剔除；新华保险于2011年12月16日上市，上市时间短，数据较少，研究性不强，故予以剔除），将3家保险公司看作整体保险系统，来度量单个保险公司对保险系统的风险贡献。由于可度量的上市保险公司的数量较少，使得研究范围较为局限，在之后的进一步研究中，将会引入国外保险公司的上市数据，与我国保险市场进行比较分析，扩大研究范围，使研究结果具有更高的可靠性。

选取2008年1月1日至2015年12月25日中国平安、中国太保、中国人寿的A股周收盘价数据来测量我国保险体系的系统性风险。周收益率则通过公式计算得到，其中Pt表示的是上市保险机构的周收盘价。保险系统的收益率由所有上市的保险公司的周收益率加权得到，计算公式为为各保险机构的A股股本数。有关滞后状态变量和面板模型的特征变量的描述详见表1。

2.数据来源及处理

本文数据包括3家保险公司的财务数据（包括总资产、总负债、总权益和保费总收入）、A股交易数据（周收盘价和股本数），上证综合A股指数日收盘价和周收盘价、3个月和10年期国债到期收益率、3个月银行回购利率、10年期AA-级企业债到期收益率等来源于Wind数据库。研究的时间范围为2008年1月1日至2015年12月25日，所使用的计量分析软件为Stata13。状态变量的描述性统计结果如表2。

▶表1 变量一览表

▶表2 状态变量的描述性统计

▶表3 ADF检验结果

▶表4 保险机构的系统性风险ΔCoVaR结果与排名

((二))保险机构系统性风险的度量分析

在用分位数回归方法对ΔCoVaR和VaR序列进行分析之前，需要对数据进行正态性检验和平稳性检验。在JB（Jarque-Bera）检验中，保险公司收益率的JB统计量的值都很大，最小也达到7.06。中国平安和中国人寿收益率对应的P值都接近于0，中国太保收益率的P值也小于0.05，均拒绝序列服从正态分布的假设；从收益率的峰度值来看，最小也达到3.62，均大于正态分布时的值3。以上检验结果表示，收益率序列具有尖峰厚尾的特征，因此，用分位数回归估计更加准确。为防止出现伪回归，在分位数回归之前还需要对数据进行平稳性检验。假设序列是非平稳的，也不存在相关关系，如果两个变量均随着时间同上或同下变动，就会呈现出高度相关的伪回归结果。根据表3显示的ADF检验结果可以发现，在含截距项和不含截距项的情况下，各t值都小于1%、5%、10%置信水平下的临界值，拒绝单位根假设，因此序列是平稳的。

▶图1保险公司系统性风险ΔCoVaR时间序列图（5%）

1.保险机构系统性风险ΔCoVaR的度量结果

风险管理中一般采取0＜q≤0.05，因此本文选取5%和1%不同的分位数水平进行回归检验。根据（1）～（7）式，得到保险机构的系统性风险溢出值ΔCoVaR的度量结果。

表4中显示的Xi、VaRi和ΔCoVaRi的值为各序列的平均值，VaRi和ΔCoVaRi表现为负值，现实意义即危机到来时极端情况下的损失。为了使结果更直观，本文将二者的值处理为绝对值，二者的值越大，表示在经济波动中的自身风险和系统性风险溢出越大，对整个保险市场的影响越大。由于5%和1%分位数回归的结果一致，为避免重复性的描述，文中仅讨论5%分位数的情况。如表4所示，中国平安的系统性风险溢出值ΔCoVaR最大，为9.67，中国太保次之，为9.58，中国人寿最小，为8.60。从图1显示的ΔCoVaR的时间序列图可以看出，3家公司的系统性风险溢出情况非常相似。宏观经济层面，3家公司处于同样的经济形势、市场环境和监管政策中，受到大致相同的外部影响；微观主体层面，我国的保险市场尚未成熟，且市场集中度高，主要以价格竞争为主，保险公司的经营模式、产品结构、资产投资组合、销售渠道以及服务创新等多方面具有高度同质现象，因此，3家公司的系统性风险情况也非常相似。

在变动趋势上，2008年3家公司的系统性风险都很高，中国平安的系统性风险溢出值最高达到27.16，其他两家最高也达到25.00左右，主要原因是2008年美国次贷危机全面爆发引起经济下滑和频发的雪灾、地震等自然灾害，导致中国保险市场的系统性风险迅速增加。由于中国保险业的开放性程度和国际化程度较低，受到的风险传染仍相对较小，加上危机期间及时采取防御措施，到2009年中旬，系统性风险在持续波动中不断降低，此后各年均稳定在一定水平，基本在5～15之间波动。2011年，欧洲主权债务危机爆发，但对中国保险市场的系统性风险影响较小，原因在于3家公司的业务和资金主要投放于国内市场，在国际市场的业务和投资比重微乎其微，因而受国际金融市场波动的影响不大。2015年，中国股票市场出现剧烈波动，大幅上涨和下跌，政策上也经常变动，央行多次降准降息，加上人民币汇率持续走低，保险公司所处的外部环境存在较大的不确定性，投资受到利率风险、市场风险、政策风险和汇率风险等多方面的影响，致使保险市场面临大量风险的威胁，系统性风险一度上升，直到2015年底经济形势相对趋于稳定后才有回升。

▶图2 中国平安2015年的VaR和ΔCoVaR变动情况

金融风险监管强调防范金融体系的系统性风险。现行的金融风险监管主要是基于VaR的个体监管规则，那么，根据金融机构的VaR值采取监管措施能有效防范金融体系的系统性风险吗？以中国平安为例，图2显示，单个保险机构的风险VaR和系统性风险溢出值ΔCoVaR的变动趋势很相似，虽然许多关于银行业的研究表示VaR和ΔCoVaR之间的相关程度低，但在保险市场中二者呈现为较稳定的正相关。从风险大小角度看，VaR的值整体低于ΔCoVaR，说明基于VaR的个体监管规则可能低估了保险机构的系统性风险，不足以准确把握保险机构的系统性风险。因此，采用ΔCoVaR值的宏观审慎监管规则更适用于我国保险市场的系统性风险的度量。

2.保险机构系统性风险的度量结果分析

CoVaR模型结果显示，中国平安的系统性风险溢出值最高，中国太保次之，中国人寿最小。3家公司的系统性风险度量结果之所以存在差异，可能有以下几方面原因：

（1）股权结构的差异性

3家公司的国有股份占比存在差异性，中国人寿的国有股本比例很高且稳定，达到68.37%。中国平安和中国太保上市初期存在一定的国有股本，分别在2008年和2010年减持至0的水平。中国平安和中国太保股东份额小、数量多的现状，意味着公司一旦遭遇危险极端事件，风险更容易从这分散的股权结构传染到其他金融企业和金融系统，导致系统性风险的发生。再者，3家公司前10名股东持股中境外法人的占比情况为，中国平安42.39%，中国太保31.75%，中国人寿26.00%，一定层面上也能反映出公司对境外金融市场影响和被影响的程度。由此看来，中国人寿很大程度上是国有控股，股权集中，风险外溢的传导面相对较小，从而导致了比其他两家公司系统性风险外溢效应更小的局面，这是与模型结论相符的。

（2）业务经营范围的差异性

中国平安如今是中国领先的综合金融集团，通过综合金融的一体化架构，以保险起家，触角逐渐伸至银行、投资和互联网金融服务等领域，实行混业经营的模式，广泛的业务开展面是其他两家公司不可比拟的，同时也意味着经营的业务对外有着更大的风险敞口。中国太保和中国人寿相对来说是更趋近于单一业务经营的保险公司，但中国太保除了保险业务之外，还有资产管理业务、在线服务科技平台业务等等，正在完善保险产业链布局，在保险领域的涉及面较中国人寿也更广泛，因此有着更高的系统性风险外溢效应。

（3）保费收入增速的差异性

通过对2008—2015年保费收入增长率的计算发现，中国平安保费增速明显，年平均增长率达17.68%，中国太保为12.19%，中国人寿这些年市场份额不断被瓜分，年平均增长率仅3.17%。资产总额增势方面，中国平安从2008年的6334.36亿元总资产增长至如今的46671.13亿元，实现增长6.37倍，中国太保和中国人寿分别实现增长1.96倍和1.59倍。从数据中可以发现，中国平安业务扩张和资本集聚的速度较中国人寿和中国太保都大得多，公司规模不断膨胀的同时也带来了各类风险的与日俱增，存在着更多系统性风险外溢的可能性。

（4）保费投资组合的差异性

保险资金（主要为保费收入）投资资产主要配置在以下四类：固定收益类、权益收益类、投资性房地产和现金及现金等价物。从历年财务报告中发现，中国平安和中国太保的权益收益类投资占比相对于中国人寿较高，中国人寿的固定收益类投资稳定，始终高居85%左右。固定收益类较权益收益类有着风险较低的优势，说明中国人寿拥有更加稳健的投资策略，不仅能够更好地管控公司自身的风险，也对系统性风险的外溢起到一定的抵御作用，能较好地防范一旦经济波动导致投资风险较高从而对金融系统的风险传染。

除了以上原因之外，关联交易数量和金额、企业的治理结构和情况等因素也可能导致保险公司系统性风险的差异性。风险进行预测，面板回归分析之前，通过Hausman检验结果发现，滞后一季度、滞后半年的情况下，p值接近于0，均拒绝随机效应模型的原假设，因此采用固定效应模型。采用季度数据，保险公司的VaR、杠杆率、规模、总资产收益率、保费收入增长率、股价净值比和股价波动率是回归分析中的解释变量，是被解释变量，和VaR是由保险公司一个季度内的值加总得到。回归结果如表5所示。

▶表5 面板数据模型回归结果（5%）

▶图3 同期ΔCoVaR和预测ΔCoVaR的变动情况

结果显示，滞后一季度和滞后半年的回归结果非常相似，大部分变量具备显著性。

((三))保险机构系统性风险的预测分析

四、结论与政策建议

本文基于CoVaR和Forward-ΔCoVaR模型，运用分位数回归和面板回归方法对保险机构的系统性风险大小进行度量和预测。研究表明，根据ΔCoVaR输出序列平均值，中国平安系统性风险溢出值最大，中国太保次之，中国人寿最小。具体而言，首先，3家公司的系统性风险溢出情况在变动趋势上非常相似,在2008年金融危机和2015年中国股市波动两个时间段达到最高值。但是，由于股权结构、业务经营范围、保费收入增速、保费投资组合以及其他因素的不同，3家公司的系统性风险溢出情况也存在一定的差异性。监管当局应当在采取宏观审慎监管的基础上，根据系统性风险的差异对不同的公司实施相应的监管政策。其次，保险机构的自身风险VaR和系统性风险溢出值ΔCoVaR具有稳定的相关关系，和许多关于银行业的研究表示VaR和ΔCoVaR之间相关程度低的情况不同，说明我国保险业系统性风险具有特殊性。然而VaR整体小于ΔCoVaR，一定程度上低估了保险机构的系统性风险，说明以VaR为基础的微观审慎监管规则并不足以准确把握保险机构的系统性风险，采用ΔCoVaR值的宏观审慎监管规则更适用于我国现实情况。

保险机构系统性风险预测模型结果表明，保险机构向前的系统性风险与VaR、规模、杠杆率、保费收入增长率、股价波动率显著正相关，这是符合现实逻辑的。一方面，与任何尾端的风险度量方法一样，采用高频数据度量ΔCoVaR依赖于较少发生的极端危机事件，会导致尾端风险大幅增加，降低了测量结果的准确度。相反，用公司自身的特征数据来度量系统性风险反而比采取高频数据统计分析更可靠、稳健。另一方面，预测ΔCoVaR和同期ΔCoVaR呈负相关关系，说明Forward-ΔCoVaR方法可以很好地解决同期风险度量方法产生的顺周期问题。综上，从逆周期角度，利用季度数据来预测保险机构的系统性风险，能够进行更准确、稳健的宏观审慎监管，更加有效地预防保险机构的系统性风险，达到维护保险市场稳定的目的。

国家自然科学基金项目（项目批准号：71403305）；教育部人文社科研究项目（项目批准号：14YJC790118）；中财121人才工程青年博士发展基金（批准号：QBJ1401）。