互联网金融对商业银行的系统性风险溢出效应测度分析

孙航

【摘 要】互联网金融借助于信息技术快速发展，对商业银行造成巨大冲击，商业银行必须要对风险溢出效应高度警惕。基于此，本文先分析了互联网金融对于商业银行的风险溢出，然后详细分析了系统性风险溢出效应的测度，并提出防范风险的对策。以期能够提高商业银行风险防范能力，加强风险防范。

【关键词】互联网金融;商业银行;系统性风险溢出;风险测度

互联网金融的出现，加速了我国金融脱媒的脚步，但也带来金融风险，让商业银行受到严重冲击。为保证互联网金融和商业银行同时发展，需要了解互联网金融对于商业银行的风险溢出效应，掌握互联网金融对于商业银行的风险影响，进而辅助商业银行采取科学的措施，加强风险防范，保证商业银行的健康发展。

一、互联网金融对商业银行的风险溢出

银行在我国金融体系中占据举足轻重的地位，进入信息时代后，互联网金融快速发展，商业银行受到冲击的同时面临着转型的挑战。由于互联网金融尚未发展成熟，隐藏多种风险，风险会向银行业溢出。商业银行在和互联网金融合作过程中，在资产业务、中间业务以及负债业务上发生合作和竞争，产生风险传递的可能[1]。此外，互联网金融会对宏观经济产生影响，导致经济政策变化，造成商业银行产生系统性风险。金融信息之间的传递也会造成风险，且互联网金融尚未形成完善的监管机制，存在技术性、隐性以及流动性风险，危及商业银行，容易爆发系统性风险。

二、互联网金融对商业银行的系统性风险溢出效应测度

（一）选取数据

本文以商业银行、互联网金融等银行在2017年5月～2019年5月的468个数据为例，互联网金融指数涵盖余额宝、P2P、活期宝等多个概念股。国有银行和商业银行股票价格是各个股票价格加权平均股数，使用Matlab和Eviews8软件进行数据的处理。将商业银行指数以及互联网金融指数收盘价经过对数化处理，可以获得日收益率。对各股指收益率描述，发现股指收益率逐渐减小，趋向于0，在互联网金融中，标准差比商业银行更大，尤其是互联网金融出现较大波动。互联网金融和国有银行两者的偏度系数都逐渐趋近于0，表现出左偏，商业银行表现出右偏，峰度系数远超过3，尖峰特性较为显著，存在尖峰厚尾的特征，使用JB检验，概率值为0，因此拒绝假设，收益率序列不满足正态分布。

（二）数据检验

分析收益率序列偏自相关和自相关，可以发现商业银行和互联网金融的收益率显著相关，统计量结果显示拒绝相关系数，三个收益率序列存在自相关关系。为了深入了解各股指日收益率特征，将股票收益率序列时间上的变化进行描绘，可以发现波动集聚时间一致，三者存在相互关系。各个市场在2018年间发生较大波动，可能受到融资融券机制的影响，互联网金融收益率的变化幅度显著高于商业银行，和互联网金融初始发展阶段不稳定相符合。先对数据平稳性进行分析，利用ADF进行检验，检验P值不超过0.05，因此拒绝原假设，认为收益率平稳。序列不符合正态分布，存在波动集聚的情况，代表存在ARCH效应。所有序列均表现出ARCH效应，由于数据具备尖峰厚尾的特征，要结合GED分布估计序列边缘。

（三）边缘分布预估和检验

通过对互联网金融和国有银行的观察，得出在GED基础上使用GARCH模型进行模拟可以获得最佳效果。按照5%概率水平，参数t统计量和p值较为显著。在国有银行、商业银行以及互联网金融的方差公式中，GARCH项、ARCH项系数和均小于1，满足对参数的约束条件。互联网金融a值比较小，代表互联网金融对于市场信息反应较慢，传递信息的效率较低，商业银行更能快速反应市场短期信息。互联内网金融b值也大于商业银行，互联网金融的服务对象多为小微型企业和个体投资者，缺少对市场信息的判断能力，造成大部分信息得不到保障，消化信息需要吸收更长的时间[2]。商业银行发展时间较久，具备完善的市场披露制度，投资者可以根据市场信息快速反应。

使用GARCH模型，ARCH效应和自相关没有关联，受到篇幅的限制，未提供对应数据。若边缘分布模型得到准确估计，标准化残差序列可以使用概率积分变换获得，属于独立分布的一种随机变量序列，满足均匀分布。检验分布设定，将标准化残差序列进行概率积分的变换，使用KS和AD软件检验，原假设服从均匀分布。在5%显著性水平下检验各阶矩，不能拒绝原假设。KS检验以及AD检验p值超过0.05，选择GED分布较为合理。

（四）选取Copula函数

使用Copula函数参数拟合边缘分布的标准化残差，获得Copula函数参数值，根据对数似然值选取Copula函数。T-Copula函数具有最大的对数似然值，使用t-Copula函数进行CoVaR值进行计算。

（五）结果分析

在1%显著性水平中，互联网金融具有更高的风险值，和市场初期不成熟的规律相符合。股份制银行比国有银行具有更高的风险，由于国有银行具有国家信誉的担保，进入到成熟发展阶段，风险相对较小。预估t-Copula参数后，计算CoVaR值。可以得出：（1）互联网金融对于其他两种银行风险溢出表现为正，且较为显著。由于我国互联网金融正处于发展阶段，主要围绕P2P、第三方支付作为主要业务，造成金融业内，银行成为风险传导对象，我国金融体系是银行主导型。（2）而1%显著性水平中，互联网对于股份制银行的风险溢出明显大于对于国有银行的风险溢出，主要是由于两种银行采取不同的经营模式，且受到自身机构性质的影响，产生较大差异。

三、政策建议

（一）商业银行加强风险监管

商业银行必须要加强风险管理，包括杠杆率控制以及信用风险等，需要对风险建立正确认知，能够对金融业风险准确计算，同时让风险控制能力得到提高。互联网货币基金具有负向风险溢出效应，传统银行要和互联网金融联合建立监管机制，寻找全新的融合模式，利用大数据技术对金融信息进行分析，避免发生传统营销模式中存在的漏洞，将先进信息技术融入传统金融业，充分发挥技术优势，加强对金融业发展的保障，加强风险的控制[3]。另外对于网贷业务尤其要重视，网贷业务在银行业中存在正向风险溢出效应，必须要加强P2P监管，控制风险传染。不仅需要正确识别风险，更要注意风险隔离，提高银行业的应急反应能力，避免风险溢出引发联锁反应。金融业要联合建立信息披露机制，提高网贷业务透明度，规避风险危机。

（二）互联网金融关注风险溢出

互联网金融在自身风险管理的同时要加强风险溢出的控制，规避系统性风险。互联网金融要不断完善法律监管体制，根据行业发展特点，建立完善风险管控机制，形成透明的信息披露机制，减少风险行为，形成完善共享金融信息平台，让参与者能够及时了解金融信息。信用评级机构要完善征信体系，消除客户和互联网金融平台之间的信息不对称情况，保护投资者利益。尤其是P2P业务，风险溢出效应较强，互联网金融需要集中提高风险防范能力，提高网贷平台软件设施以及技术含量，保证平台的稳定运行。同时注意循序渐进推动产品创新，只有做到创新，才能赋予互联网金融持续发展的动力。互联网金融在產品创新过程中要充分发挥信息优势。但也要注意风险的控制，决不能出现急功近利的情况，需要将金融创新融入金融监管体系内，控制创新带来的金融风险。

四、结论

综上所述，本文针对2017～2019年互联网金融指数和商业银行指数数据，结合GARCH-Copula-CoVaR模型，测度系统性风险溢出效应。针对测度结果，提出相关政策建议，商业银行要加强风险监管，互联网金融需关注风险溢出，进而加强金融风险控制。

【参考文献】

[1]荆帅. 互联网金融对我国银行业系统性风险的影响研究[D].山西财经大学，2019.

[2]程小珊. 我国互联网金融风险测度及风险溢出效应分析[D].山东大学，2019.

[3]李治章，王帅.互联网金融对中国商业银行系统性风险溢出效应的测度——基于GARCH-CoVaR模型的研究[J].经济研究导刊，2018（36）：50-53+69.