资产价格波动与商业银行脆弱性：理论基础与宏观实践

舒长江+胡援成+樊嫱

[摘要] 本文基于资金循环理论基础，利用2010Q4—2015Q4季度相关指标数据，构建了包含金融市场多项资产价格波动的FCI指数和商业银行脆弱性代理变量，建立了两者之间多元线性回归与VAR模型，并通过脉冲响应函数，得出FCI指数的表达式。研究结果一致表明，无论是线性回归模型还是VAR模型，房地产价格、人民币有效汇率价格波动是造成商业银行脆弱性的主要扰动源，其扰动贡献值高达71%；同时进一步分析得出FCI指数是商业银行脆弱度的单项格兰杰原因，并就当下正确处理好房地产去库存与防风险、人民币国际化改革与国内金融稳定、金融分业监管与加强协调沟通之间的关系提出了相关对策建议。

[关键词]资金循环 金融窖藏 FCI指数 商业银行脆弱性

Abstract：This paper based on the theory of capital circulation， using 2010Q4 - 2015Q4 quarter data，Construct containing the financial markets， a number of assets price fluctuation FCI index and commercial bank fragility proxy variables， between multiple linear regression and the VAR model is established， and through the impulse response function， index （FCI） expressions are derived. Consistent results show that， regardless of the linear regression model and VAR model， the real estate price， price fluctuation of RMB effective exchange rate is caused by a commercial bank fragility of the main disturbance sources with the disturbance with values up to 71%；At the same time， it is concluded that the FCI index is the single reason for the weakness of commercial banks Granger.And on the right now to deal with real estate to inventory and anti risk， the internationalization of the RMB reform and domestic financial stability， financial supervision and strengthen the coordination of the relationship between the communication and the relevant countermeasures and suggestions.

Keywords：Capital circulation； financial hoarding； FCI index； commercial bank fragility

一 引 言

2008年的美国次贷危机发生至今，学界和实务界一直在反思一个问题：在利率、物价和国内实体经济运行平稳的情况下，为什么会突然出现金融危机，因而引发经济崩溃？通过梳理20世纪80年代日本“泡沫经济”破灭引发的经济萧条、90年代末东南亚爆发的经济危机和二十一世纪初的南美金融危机，不难发现它们有一个共同的特征：金融危机扰动源不是来自熟悉的宏观经济直接构成要素，而是金融市场，特别是资产价格的大幅波动。近年来国内资产价格的剧烈波动，引发了社会的广泛关注。典型的事例如2014年11月20日到12月8日，短短12个交易日时间，经历漫漫7年熊市的中国股市暴涨20%多，迎来了一场轰轰烈烈的“疯牛”行情；但好景不长，2015年6月15日到7月8日，短短17个交易日，A股从5178点暴跌到3507点，股指暴跌了1671点，出现连续多日的千股跌停的壮观场面；在汇市， 2015年8月11日央行意外让人民币贬值2%，创逾20年来最大跌幅，触及三年新低。第二日人民币续跌，人民币兑美元即期跌至6.44元，创2011年8月以来最低，引发市场波澜。不难发现，这些资产价格剧烈波动背后都伴随着资金的频繁流动，严重危害整个金融体系的稳定性，极易引发整个金融系统的脆弱性风险。目前，我国的金融体系是以银行为主导的，银行在整个金融体系发挥着举足轻重的作用，由资产价格波动引发的我国金融体系的脆弱性，主要表现为商业银行脆弱性。前我国商业银行已经发展为大型国有控股商业银行、股份制商业银行、城市商业银行以及家农村商业银行等多种类型商业银行并存格局，并且商业银行存款保险制度已于2015年5月1日起正式实施，表明国家不再对商业银行进行信用背书。与此同时，现有实体经济宏观数据表明，曾出现于上世纪80年代西方国家的“现代市场经济之谜”现象在我国有显露的迹象，即出现了低通胀与资产价格迅速上升并存。在此背景下，从资金循环新视角研究资产价格波动对我国商业银行的脆弱性影响，避免可能由此引发的系统性金融危机具有重大的现实意义。

鉴于此，本文依据资金循环理论，对我国资产价格的波动深层次原因进行理论上的系统推导，揭示资产价格波动的扰动源进而传导商业银行脆弱性的内在机理，然后用FCI指数（金融条件指数）作为整个金融市场资产价格波动的代理变量；通过量化指标分析方法和因子分析法提取商业银行脆弱性代理变量，建立计量模型，利用我國2004Q2至2015Q3度数据，对资产价格多向性波动与商业银行脆弱性进行实证检验。本文的新意在于：（1）从资金循环视角剖析资产价格波动的扰动源，进而分析资产价格波动与商业银行脆弱性的关系，使得分析结果更具微观基础；（2）首次采用FCI指标作为金融市场资产价格的联合代理变量来分析商业银行脆弱性，优于现有文献对单个市场进行考虑的局限。

本文包括六部分，余下的结构安排如下：第二部分为文献回顾，第三部分为基本理论模型，第四部分为模型构建，第五部分为实证结果分析，第六部分为结论和建议。

二 文献回顾

通过对比历次经济危机或货币危机，不难发现一个共同点：危机期间及其前后资金频繁流出入该国境内形成外部冲击，滞留资金反复炒做，资产交易量明显放大，资产价格大幅波动，经济稳定性遭受重挫，国家经济安全面临空前挑战。这些现象已经引起了学术界的高度重视，现有文献对交易量与资产价格波动之间关系进行了详细阐述。Lamoureux & Lastrapes（1990）[1]首次把交易量引入GARCH 模型的条件方差方程中，研究发现交易量的系数变得非常显著，而以前对价格波动产生冲击的影响因素却变得不显著，论证了交易量和股价波动是由某个共同的因素驱动的，同时也证明了交易量对股价波动有很强的解释作用；Brailsford（1996）[2]通过对澳大利亚股票市场的相关数据进行分析后得出了一致的结论；Marsh & Wagner（2000）[3]利用 GARCH-M模型分析了七个发达国家股市交易量与价格波动之间的关系，研究表明在绝大多数的市场上，交易量对收益率条件方差具有一定的解释作用，然而在美国市场上，交易量可以完全解释 GARCH 效应；Lee et al.（2001）[4]研究了中国股票市场上的量价关系，发现在中国市场上交易量对股票价格波动的影响并不显著；此外，还有学者通过将交易量细化成了平均单笔交易的数量和交易频率，分别研究它们与价格波动之间的关系。Back & Baruch（2007）[5]、Ozsoylev & Takayama（2010）[6]等认为股价波动与平均单笔交易的数量之间存在正相关关系，而Louhichi（2011）[7]认为股价波动与交易频率之间存在正相关关系。国内学者李双成等（2006）[8]利用非对称成分 GARCH-M 模型研究了沪深股市的量价关系，研究表明在深市短期内价格波动持续性的部分可以由交易量来解释，而在沪市短期内的价格波动持续性可以完全由交易量来进行解释；在沪深两市上，短期内的价格波动主要可以由非预期的交易量来解释；相对于相同程度的负的交易量，正的交易量冲击对短期内价格波动的影响程度更高；王春峰等（2007）[9]基于信息不对称理论对沪市的交易行为与价格波动的之间关系进行了分析，研究表明相对于交易的频率，平均单笔交易的数量含有较多价格波动持续性的信息，对价格的波动具备更好的解释作用，并且交易的规模不同，它们对价格波动的冲击作用也就不同，其中最大笔的交易对价格波动的冲击作用最大。

资产价格波动与商业银行脆弱性之间是否存在重要关系？现有文献主要两方面进行阐述。一是资产价格波动的传递效应与金融脆弱性。Kaminsky & Reinhart（1999）[10]以墨西哥金融危机和亚洲金融危机为例，分析了银行危机与货币危机的关系；Wilson（2002）[11]通过对美国早期历史上四次主要的股票市场崩溃和金融危机分析，发现在资产价格波动与金融危机之间存在高度的相关性；Goetz von Peter（2004）[12]建立了一个世代交替的宏观经济学模型，探讨了资产价格与银行脆弱新机构之间的双向互动机理，分析结果表明，在资产价格的下降与银行危机之间存在一个非线性的、间接的和相互反馈的关系；Shin（2006）[13]围绕资本金变动的影响，分析了房地产价格波动与金融稳定之间的关系；Danfelessson & Zigrand（2008）[14]建立了引入异质投资者的多资产定价均衡模型，发现过度杠杠化与搭便车行为引致的过度风险承担是系统性风险产生的原因，进而说明资产价格波动是引发金融脆弱的重要原因；桂荷发、邹朋飞、严武（2008）[15]运用我国1996年第一季度至2006年第四季度的数据，采用五变量的VAR模型对我国银行信贷与股票价格之间的动态关系进行实证分析，结果发现股票价格的上涨会导致银行信贷的扩张，但信号信贷的增加并不必然导致股票价格指数的显著上涨。二是资产价格波动的不对称性与金融脆弱性。Bernanke、Gertler和Gilchrist（1996）[16]从金融加速器的角度分析资产价格与银行信贷相互加强的作用机制。他们从抵押物的视角分析了资产价格波动与银行信用扩张、收缩相互影响机理。研究认为，金融资本的短缺与借款者财务质量的下降共同导致了银行信贷规模的缩减；Koriinek（2009）[17]构建了一个考虑外部性的资产定价模型，分析了强负向冲击的金融加速效应，进而验证了资产价格波动对金融脆弱性的引发和放大作用；胡援成、舒长江（2015）[18]利用2005 年1 季度至2014 年1 季度数据，基于金融加速器原理检验了利率冲击对我国商业银行脆弱性的影响。研究结果表明，面对利率冲击，基于脆弱性的不同类型商业银行不仅存在差异显著的的金融加速器效应，并且还呈现出显著的非线性、非对称性差异特征。

现有文献表明，资产价格波动与商业银行脆弱性之间存在紧密互动关系，但现有研究表现于侧重单项影响关系，缺乏针对互动关系的融合多项关键变量的分析框架和相关研究；随着金融体系的日益完善，多种金融资产市场，包括股票市场、房地产市场、外汇市场、货币市场等相互交织、相互影响，具有“共振效应”，这些资产的波动呈现双向性，现有研究往往仅关注资产价格波动的方向单一和资产价格单一影响，对多种资产价格联合波动与商业银行脆弱性相互作用全过程的完整分析较少；同时，现有文献仅仅把资产价格波动当成一种表面现象来看待，缺乏对资产价格波动成因的深入分析，因此研究还需要深入。

三 基本理论模型

本文从实体经济与金融虚拟经济的关系出发，以资金循环流动为纽带，借鉴Binswanger（1997）建模思路构建了一个包括家庭部门、企业部门、金融部门、政府部门和国外部門的五部门资金循环流量模型（如图1）。与Binswanger用来分析金融部门对实体经济的影响不同，本文尝试运用资金循环流量模型来解释资产价格的波动，从而有机地搭建起与实体经济运行相关联的资产价格波动的扰动源。模型重点关注的是实体经济的货币流量如何“漏”进出金融循环中去的，并且希望能通过研究流进或流出的货币量来解释金融市场中资产价格的变动。

模型假设：

（1）资金循环发生在两个时期，时期长短不影响分析结果；

（2）资金能够在五部门之间连续循环流动；

（3）居民通过向企业提供劳动力获取收入，并通过购买商品进行消费；

（4）企业部门通过利用循环中的货币来发放工资，这些资金在不同时期不会消失；

那么，根据一定时间内资金供给的流量应该等于资金需求的流量原则，得出一般均衡式：

其中，等式左边反映了 时期资金的需求， 是总投资， 是消费， 是从产业循环进入金融循环的货币量， 、 、 分别代表政府的公共支出、税收收入和转移支付。等式右边表示 时期资金的供给， 是总货币收入， 是折旧的货币融资， 是从金融循环中退出的资金， 是资金供给变化量， 表示经常项目的盈余， 为当期资本项目的盈余。进行移项后，可以得到：

通过模型可知，货币现金通过金融机构转化为信用后，在现代经济中形成了两个既有联系，又相互独立的循环系统，即用于经济实体的“产业循环”和用于金融交易的“金融循环”。我们定义在一定时期内流入金融部门而没有全部从金融部门流出的资金称之为“金融窖藏”，其包含国内资金“金融窖藏”和国外资金“金融窖藏”。由式（2）可知，从产业循环进入金融循环的“金融窖藏”有两个来源，一是国内资金“金融窖藏”，即储蓄盈余 和货币增量 ，其大小分别取决于真实基准利率与货币政策的宽松；二是国外资金“金融窖藏”，经常项目的盈余 和资本项目的盈余 ，二者大小取决于汇率水平和资本开放水平。这些“金融窖藏”脱实向虚，滞留在金融体系内（股市、债市、房市、期市等）空转，必然导致实体经济因融资不足而萎缩，同时也会造成金融体系资产价格大幅上涨，通过资产价格泡沫的传导，制造虚假繁荣的景象，一旦这些“金融窖藏”大量从金融体系逃离，泡沫破灭，引发系统性金融风险（传导机理见图2）。

四 计量模型

由式（2）可知，资金频繁流动而形成的“金融窖藏”是导致资产价格波动的扰动源，资产价格波动通过银行体系和金融市场的传导，造成了整个金融的脆弱性。下面通过上述理论原理，遵循“金融窖藏”资金来源，构建资产价格波动与商业银行脆弱性的计量模型。鉴于数据的可获性，本文选取2010Q4—2015Q4数据。

（一）变量选取与数据说明

（1）资产价格波动代理变量的选取

根据资产价格波动扰动源的分析，本文认为FCI指数是资产价格波动比较合适的代理变量，根据Goodhart、Hofmann（2000）[19]的定义，FCI为短期利率、有效汇率、房地产价格和股票价格的加权平均数，用公示表示为：

其中， 是 中资产 的相对权重，且 ； 是资产 在 时期的价格， 是资产 的长期趋势或均衡值， 为缺口变量，表示变量实际值与其长期趋势或均衡值的偏离。由于货币供应量对商业银行也具有冲击，现有文献也有把货币供应量考虑进来，但鉴于短期利率、汇率等指标暗含了货币供应量，本文不考虑货币供应量，相关数据技术处理如下（见表1）：

（1）真实短期利率（Rr）：采用银行间7天同业拆借利率的季度加权平均数减去同期的CPI通胀率作为事后真实短期利率的代理指标，标记为 ，数据来源于中宏经济数据库；

（2）真实房地产价格（Rh）：采用国房景气指数作为房地产价格的代理变量。由季度环比数据计算得到以2009年为定基的真实国房景气指数的季度数据， 标记为 ，数据来源于中宏经济数据库；

（3）人民币真实有效汇率指数（Re）：数据来源于国际货币基金组织的《国际金融统计》，汇率采用间接标价法，标记为 ；

（4）真实股权价格指数（Rs）：股票价格指数采用上证综合指数，数据来源于上海证券交易所。真实股权价格指数由名义指数除以同期CPI指数得到，标记为 ；

（5）估计长期趋势：本文采取封北麟、王贵民（2006）的做法，利用样本期内真实短期利率均值作为其长期趋势，其余变量使用Hodrick—Prescott滤波计算长期趋势或者均衡值。

（6） 权重估计：根据国际经验，本文将采用VAR模型广义脉冲响应函数来估计各资产变量在FCI指数中的权重斌，从而得到我国FCI的经验表达式。

其中： 分别代表相关指标的均衡值。

（2）商业银行脆弱性代理变量的选取

关于商业银行脆弱性的度量，现有文献主要有以下三种方法：一是Kaminsky等（1997）提出的信号分析法；二是Frankel、Rose（1996）提出的概率单位模型，如Logit模型和Probit模型；三是Sachs等（1996）提出的橫截面回归模型，简称STV模型。在具体指标的选取上，目前理论界没有一致的看法。本文借鉴国外通行做法，结合脆弱性概念和数据的可获性，选取不良贷款率（NPLA）、资本充足率（CAR）、存贷款比率（DLA）、资产利润率（ROA）、累计外汇敞口头寸比率（CFEER）等微观量化指标对商业银行脆弱度进行测度。其中不良贷款率反映了银行的信用风险指标、资本充足率反映了银行资本充足指标、存贷款比率反映了银行流动性指标、资产利润率反映了银行资产的盈利指标、累计外汇敞口头寸比率反映了银行资产的市场风险指标，所有数据来源于Wind数据库（见表2）。根据Mckinnon、Pill（1997）[20]以及巴塞尔协议Ⅲ关于商业银行脆弱性指标和相应的临界值（见表3），将上述分指标原始数据映射为相应的脆弱程度值。例如：2010Q4不良贷款率为1.14%，对照表3，现将其对应到区间0-5，计算可得：（1.14-0）÷（5-0）=22.8%，，按相同比例将其映射到脆弱性程度区间0—20，故其赋值结果为：0+（20-0）×22.8%=4.6，脆弱性程度在安全范围内，其他指标赋值过程为同样原理；然后利用因子分析法，获得不良贷款率、资本充足率、存贷款比率、累计外汇敞口头寸比率等权重分别为0.52、0.27、0.12、0.05、0.04，计算商业银行脆弱性测度的最终指标BF（见表4）。

（3）模型设立

本文首先建立商业银行脆弱性与FCI指数之间的多元线性回归基准模型，分析多个金融市场对商业银行脆弱性的影响，由于选取的各个市场指标之间的数值相差较大，所有数据采用标准化法对其进行无量纲化处理。基准模型设立如下：

其中 代表商业银行脆弱性， 代表真实利率缺口， 代表真实房地产缺口，

代表人民币真实有效汇率指数缺口， 代表真实股权价格指数缺口； 代表随机扰动项。 代表回归系数。

基准模型（5）没有考虑其它宏观经济变量与金融环境变量对商业银行脆弱性的影响，容易造成分析结果偏颇，因此，本文依据现有文献对模型 （5）进行扩展，引入一些宏观经济与金融环境控制变量，深入研究不同金融市场对商业银行脆弱性的影响。这些控制变量包括宏观控制变量：国生产总值增长率，全社会固定资产投资增长率；金融环境变量：银行业市场集中度，贷款增长率。扩展模型如下：

其中， 代表国内生产总值增长率， 代表全社会固定资产投资增长率， 代表银行业市场集中度， 代表贷款增长率，其它变量与式（5）相同。

最后，本文采用VAR模型，借用脉冲相应函数、格兰杰因果关系检验、方差分解等方法进一步分析我国金融市场价格波动与商业银行脆弱性间的相互关系。VAR模型克服了原始的联立方程组的不足，不需要事先把一些变量设定为内生变量和外生变量，它的本质在于如果一组变量之间有真实的联立性，那么这些变量就应平等地加以对待，而不应该事先区分内生和外生变量。

五 实证结果分析

（一）多元回归分析

在回归之前，所有数据进行了单位根检验，检验结果表明所有数据是平稳的，可以进行回归分析。同时为了防止变量内生性问题造成的伪回归，在正式进行回归之前通过Hausman检验法对变量进行内生性检验，检验结果表明，变量之前存在内生性问题，所以本文采用TSLT方法进行回归，回归结果表明（见表5），在不考虑控制变量的情况下，房地产价格指数波动对商业银行具有显著的负向影响，房地产价格指数上升有助于降低商业银行脆弱性，人民币有效汇率指数和上证指数价格波动对商业银行脆弱性具有显著的正向影响；研究结果还表明，利率价格变动对商业银行脆弱性没有显著影响，这可能与我国利率市场化没有完全放开有很大的关系。在分别加入宏观与金融环境等控制变量后，将方程二、方程三与方程一对比，发现各变量系数都有所增大，尤其是房地产价格指数和人民币有效汇率指数对商业银行的脆弱性影响显著性增强，对比方程二和方程三，发现无论是加入宏观控制变量还是加入金融环境控制变量，房地产价格指数对商业银行脆弱性影响都显著增强。在将宏观和金融环境控制变量同时加入后，通过方程四与方程一、方程二、方程三一一对比，发现所有变量回归系数都在增大，变量更为显著和具有经济意义。

（二）稳健性检验

为了确保上述结果的可靠性，考虑我国资本管制现实，本文采用不良贷款率、资本充足率、存贷款比率指标替代原先的银行脆弱性，作为回归方程的因变量，进行稳健性检验（见表6a）。另外，考虑到在样本区间内，2013年6月的“钱慌”事件对市场产生了巨大的影响，整个市场资金状况在这个时间点出现了一个大的转折，因此本文采用CHOW分割点来检验不同的子样本估计方程是否具有显著的差异（见表6b）。限于篇幅，本文只报告了基准模型（5）的回归结果。从表6a可以看到，结果与上文没有明显区别，尽管回归系数的数值略有变化，但不影响基本结果。表6b的Chow分割点检验表明，基准模型（5）无显著的结构变化。因此，所有稳健性检验的结果都表明，本文的实证结果是稳健与可靠的。

（三）VAR模型分析

（1）平稳性检验

本文建立一个包含5个变量的结构化VAR模型：商业银行脆弱性测度指标BF、真实短期利率缺口GRR、真实房地产价格缺口GRH、真实股权价格指数缺口GRS、实际有效汇率缺口GRE。建立VAR模型的前提条件是要求各变量是平稳的或者各变量之间满足协整关系。通过对VAR模型进行滞后结构的单位根检验，发现被估计的VAR模型所有根模的倒数均小于1，即位于单位圆内，表明以上各变量是平稳的（如图3所示）。

（2）脉冲响应分析

脉冲响应函数可以提供给随机误差项上施加一个新息冲击后对内生变量的动态影响。按照AIC 准则和 SC 准则，借助计量软件eviews6.0，采用10期滞后，可以获得各个资产变量冲击于商业银行脆弱度之上的脉冲响应函数。分析结果表明（见图4）：所有变量对商业银行脆弱性的影响具有滞后性，在第三期影响开始。房地产价格指数（GRH） 的单位新息扰动对商业银行脆弱度冲显著擊为负，直到第八期才开始为正，影响非常大，同时呈现出很强的周期性；人民币实际有效汇率缺口（GRE）的单位新息扰动对商业银行脆弱度的正向冲击效应很大，具有很长的持续性，说明境外资本频繁流动会对商业银行脆弱性具有明显的短期扰动；真实股权价格指数缺口（GRS）的单位新息扰动对商业银行脆弱性具有持续的正向冲击效应；真实短期利率缺口（GRR）的单位新息扰动对商业银行脆弱度影响很微弱。

然后，通过标准的Cholesky分解识别结构冲击，可以得到向量自回归模型商业银行脆弱度的脉冲响应函数，进而得到真实短期利率缺口GRR、真实房地产价格缺口GRH、真实股权价格指数缺口GRS、实际有效汇率缺口GRE、真实货币供应量缺口GRM等5个变量1-10期具体反应值的累计，以各变量累计值占总累计值的比重为权数，根据式（4），可以得到FCI表达式：

通过式（7）可知，在FCI指数构成中，房地产价格所占比重最大，表明房地产价格波动对商业银行脆弱性影响最大，这符合当前我国实际经济事实；其次是汇率，表明尽管在我国资本和金融账户还没有完全放开情况下，汇率波动对商业银行脆弱性影响不容忽视，股权价格指数所占比重位居第三，表明股指价格波动对商业银行脆弱度的影响没有我们经验想象的那么大，这与当下我国金融行业实行分业经营有关；短期利率所占比重最小，表明其对商业银行脆弱度影响最低。

（3）FCI指数与商业银行脆弱度格兰杰因果关系检验

在对FCI和商业银行脆弱度进行格兰杰因果检验之前，需要确定滞后阶数，本文通过计算滞后8期以内的各种信息标准，根据AIC（赤池信息）准则确定滞后阶数为8。格兰杰检验结果如表3所示，金融条件指数FCI不是商业银行脆弱度Z的原因的概率仅为1.5%，非常小，相反， 商业银行脆弱度Z不是FCI的原因的概率却高达38.1%。因此，可以推断FCI是引致商业银行脆弱度Z的单向格兰杰原因。

六 结论和建议

本文基于资金循环视角，利用相关指标的2010Q4—2015Q4季度数据，构建了包含金融市场多项资产价格波动的FCI指数和商业银行脆弱度代理变量，建立了两者之间多元线性回归与VAR模型，通過脉冲响应函数和格兰杰因果关系分析，得出FCI指数的表达式。研究结果一致表明，无论是线性回归模型还是VAR模型，房地产价格、汇率价格波动是造成商业银行脆弱性的主要扰动源，其扰动贡献值高达71%；同时进一步分析得出FCI指数是商业银行脆弱度的单项格兰杰原因。研究结论对当下我国金融市场改革具有重要的借鉴意义，要正确处理好以下三方面之间的关系。

（1）要处理好房地产去库存与防风险的关系。从当前房地产行业融资渠道来看，其绝大多数资金来源于商业银行的信贷，当下房地产去库存无疑会加剧房企资金链紧张，容易引发更多房企倒闭、跑路以及产生大量的不良贷款问题，这必然会加剧商业银行的脆弱性。要在有效控制风险的前提下，加大对那些经营效率高、库存去化速度快的房企给予资金支持，协助房企之间并购重组，坚决防范由去库存而引起的银行系统性风险。

（2）要处理好人民币国际化改革与银行稳定之间的关系。当下人民币国际化是趋势所然，也是目前我国金融体制改革的重要方向。人民币国际化可以降低汇率风险、缓解外汇储备压力、获取铸币税、推动金融体系建设、提高国际地位。与此同时，人民币国际化后，我国资本和金融账户完全放开，境外资本可以随时流入和流出，人民币会时刻成为国际炒家狙击的对象，加大汇率的波动性，这势必加大银行的脆弱性。因此，在加快人民币国际化的进程中，前提是必须要提升好我国银行机构抗击汇率波动的承受力，做好银行机构汇率波动压力测试，健全银行机构监管指标，夯实银行机构微观稳定基础。

（3）要处理好金融分业监管与加强协调沟通之间的关系。近来频繁显露的局部风险特别是近期资本市场的剧烈波动充分说明，现行分业监管框架已不适应我国金融业发展的需求，金融机构“跨界”的综合化经营的现实，需要加强监管部门之间的协调，应建立完善包括货币政策、信贷政策和金融监管政策在内的“三位一体”的宏观审慎政策框架体系，并通过各种政策之间的合理协调和有效搭配，促进金融和实体经济的稳定运行。

参考文献

[1] Lamoureux C G， Lastrapes W D. Heteroskedasticity in stock return data： Volume versus GARCH effects [J]. The Journal of Finance， 1990， 45（1）： 221-229.

[2] Brailsford T J. The empirical relationship between trading volume， returns and volatility [J]. Accounting & Finance， 1996， 36（1）： 89-111.

[3] Marsh T A， Wagner N F. Return-volume dependence and extremes in international equity markets [M]. Working paper， Walter A. Haas School of Business， 2000.

[4] Lee C F， Chen G， Rui O M. Stock returns and volatility on China's stock markets [J]. Journal of Financial Research， 2001， 24（4）： 523-544.

[5]Louhichi W. What drives the volume–volatility relationship on Euronext Paris？ [J]. International Review of Financial Analysis， 2011， 20（4）： 200-206

[6] Back K， Baruch S. Working orders in limit order markets and floor exchanges [J]. The Journal of Finance， 2007， 62（4）： 1589-1621

[7] Ozsoylev H N， Takayama S. Price， trade size， and information revelation in multi- period securities markets [J]. Journal of Financial Markets， 2010， 13（1）： 49-76

[8] 李双成， 邢志安， 任彪. 基于 MDH 假说的中国沪深股市量价关系实证研究[J]. 系统工程， 2006， （04）： 77-82

[9] 王春峰， 韩冬， 蒋祥林. 基于信息非对称模型的交易行为与波动性关系研究—交易规模和交易频率[J]. 管理工程学报， 2007， （01）： 134-137

[10] Kaminsky G L and Reinhart C M ，1999， The Twin Crises： The Causes of Banking and Balance-of-Payments Problems [J].American Economic Review ，89 （3） ：473-500.

[11] Wilson J W 2002，An analysis of the s&p500 Index and Cowless extensions： price indexes and stock return ，1870-1999 [J].Journal of Business， （75）：505-533.

[12] Goetz V P ，2009 ，Asset Prices and Backing Distress ： a Macroeconomic Approach [J].Journal of Financial Stability ， 5 （3）：298-319.

[13] Shin H S， 2006 ，Risk and Liquidity in a System Context [R].BIS Working Papers.

[14] Danielsson J.and Zigrand J P，2008， Equilibrium Asset Pricing with Systemic Risk [J].Economic Theory ，35（2）：293-319.

[15] 桂荷發，邹朋飞，严武，银行信贷与股票价格动态关系研究 [J].金融论坛，2008 （8）：46-52

[16] Bernanke B S ，Gertler M ，and Gilchrist S， 1996， The Financial Accelerator and the Flight to Quality [J] .The Review of Economics and Statistics，78（1）：

[17]Korinek A，2009，SystemicRisk-Taking：AmplificationEffects，Externalities，and Regulatory Responses[R].Work-in-Progress of University of Maryland ，1-25.

[18] 胡援成，舒长江.我国商业银行脆弱性：利率冲击与金融加速器效应[J].当代财经，2015（12）：46-57

[19] Goodchart C and Hofmann B.Do Asset Price Help To Predict Consumer Price Inflation[Z].Mancherster School，2001：122-140

[20] Mckinnon R.and Pill H.A Decomposition of Credit and Currency Risks.1997