中国金融机构系统性金融风险贡献度的量化研究——基于极端分位数回归的CoVaR模型

运用极端分位数回归方法对中国33家上市金融机构对系统性金融风险的贡献度进行测度，结果显示，中国金融机构的资产收益率具有明显的非正态分布特征，极端分位数回归方法能更准确测度尾部风险的联动性；银行机构对系统性风险的贡献度最高并且波动最大，对系统性风险的贡献度排名前十的均为银行类机构；保险类、证券类金融机构对系统性风险的贡献度相对较低；对比其他研究结果发现，在极端情形下，由于尾部风险的联动性，股份制商业银行对系统性风险的贡献度上升。

一、引言

极端的金融事件通常是发生概率极小的黑天鹅事件，但是常常得不到主流研究的重视。传统的经济学与金融学理论的模型通常是在平稳的随机过程中采用连续扩散的假设，对金融风险从渐进积累到突然爆发的过程进行描述和分析比较困难，对金融风险突变和传染的非线性机理考虑不充分。然而，自20世纪以来，世界各国极端金融事件发生的频率和规模不断增加，每一次极端性的金融事件都给涉事国家的金融系统带来巨大挑战。当前，我国所处的国际和国内经济环境异常复杂，金融风险加速聚集，所以一定要将预防风险置于突出的位置，努力避免发生重大风险。虽然目前学术界已有不少文献使用CoVaR对中国上市金融机构系统性金融风险进行了相关研究，但对系统性金融风险的测度仅侧重于使用基于分位数回归的CoVaR模型本身进行分析，而对于模型分位数回归的结果没有进行细致的拓展，也没有将回归结果与其他测度系统性金融风险方法进行比较分析。此外，对如何识别系统重要性金融机构尚未形成一致标准。

本文首先对金融机构系统性金融风险贡献度的概念、作用机制进行了仔细的梳理和总结；接着以CoVaR模型为基础，运用股票市场指数的收益率和波动率、短期流动性利差、利率期限利差四个状态变量来模拟系统性金融风险的时变性，利用分位数回归方法对我国银行、证券、保险这三类上市金融机构对系统性金融风险的贡献度进行了回归分析，并选取了7个有代表性的金融机构绘制了△CoVaR季度动态时序图，同时将本文所运用的分位数回归方法所确定出的系统重要性金融机构与前人使用的指标法、网络模型所得到的结果进行比较分析，以全方面、多维度的测度金融机构对系统性金融风险的贡献度。为识别系统重要性的金融机构提供理论依据，同时为我国宏观审慎监管背景下宏观审慎政策的实施提供实证支持。

二、文献综述

Bank of England提出，金融机构对系统性金融风险的贡献度形成的主要原因是风险的空间的传染与时间的积累。［1］Marius和Nicolae认为，金融机构对系统性金融风险的贡献度不是相互独立存在的，而是相互联系相互依存的，且不能够由投资组合的这种方式消除。［2］当经济体受到一定的冲击以后，就会造成资本的利用率大大下降，资产价格在金融市场中大幅度波动，从而造成系统性的金融风险。［3］［4］BIS（国际清算银行）、IMF（国际货币基金组织）以及FSB（金融稳定理事会）指出，当金融系统中的一些或者全部金融机构受到冲击后，金融机构对系统性金融风险的贡献度增大，不能再进行金融服务从而造成实体经济不能够进行融资活动，而带来的巨大负面影响。Ellis L认为，金融机构对系统性金融风险贡献度是因为金融机构大面积的崩溃，造成无法进行融资业务，从而对实体经济不能及时融资而面临严重的危险。［5］Girardi G、Ergun A.T.与Gauthier C、A Lehar and M Souissi先后对此也进行了分析。［6］［7］

张晓朴对金融机构对系统性金融风险的贡献度做了深入的分析，研究表明冲击事件与风险传导以及风险都均有内生性。［8］闻岳春发现金融机构对系统性金融风险的内生性问题大多从金融机构的规模与关联性进行研究的。［9］张兴军等指出，所谓的金融机构对系统性的金融风险的贡献度就是当微观的金融风险累积到一定程度后，如果外部事件进行冲击从而对实体经济造成严重的损害，最终会造成金融系统瘫痪。［10］对于金融机构对系统性金融风险的贡献度产生的原因，范小云认为，当前金融行业的快速发展使得金融机构之间的联系越来越紧密，金融机构的网络关系也变得非常复杂，如果系统中的金融机构一旦出现危机，这种风险就会马上通过金融网络传导到其他的金融机构，在这个过程中金融体系中的风险在不断集聚和传播，这种效应会使得经济体的运行受到很大的影响。［11］白雪梅、石大龙通过研究证明金融机构之间有很多重合的业务，这种重合业务会产生风险溢出效应，这种溢出效应正是发生系统性金融风险的根本原因。［12］陶玲认为金融机构的综合经营和银行大量进行的表外业务以及道德风险是造成系统性金融风险的根本原因。［13］研究的视角不同、使用的方法不同，针对金融机构对系统性金融风险的贡献度的特征的认识也是不同［14］。

三、金融机构风险对系统性金融风险贡献度的实证研究

(一)金融机构对系统性金融风险度量模型的方法

在2008年金融危机发生之前，像早期预警法和综合指标法等对系统性金融危机进行预警的方法都没有能够很好预测到这次危机的发生，许多学者开始反思这些预测方法的缺陷：基于历史数据进行建模和度量来预测下一场危机的方法，今后金融危机还会以同样的方式重演，而且该种方法没有考虑金融风险的失效性。［15-17］在继续寻找更加有效的方法中，条件在险价值方法CoVaR引起了学者的关注。［18-20］这种方法考虑了指标的连续性以及时效性，具有很好的操作性和有效性。CoVaR由风险指标的理论方面演变而来，VaR只能度量个体金融机构所存在的风险，而CoVaR显著的价值是可以度量单个机构在尾部极端事件中对系统性金融风险的贡献度。CoVaR这种方法要得到有条件的情况下与无条件时的VaR值，这些都需要使用极端分位数回归方法。

1.风险价值VaR方法。风险价值VaR（Value At Risk）是衡量交易活动中一些持有头寸所暴露出来的市场风险，即在一定的置信水平上，一定期间内头寸由于市场上不利波动所遭受的最大损失。Adams Z,R Fuss and R Gropp.分析了它们的相互影响。［21］可以假设为q的分位数，则：

其中，Xij为金融机构拥有的资产在一定的日期△t内的最大损失，VaR是置信区间在1-q上金融机构所拥有的风险价值。置信度主要是用来表示金融机构厌恶风险的程度。金融机构厌恶风险的程度越大，置信度就会越高。国外监管当局对很多金融机构都已经用VaR值来测度金融机构处在风险条件下的指标。

2.条件在险价值CoVaR方法。由于VaR技术在计算风险时没有考虑金融机构之间存在的相互影响的因素，无法捕捉金融机构对系统性风险的贡献度的测度，Adrian等在VaR方法基础上，引入CoVaR方法测度金融机构系统性风险的贡献度。［22］

在（2）式中，金融机构i与j的资产收益，都是在置信水平为q的尾部风险区间。金融机构i在中位数条件下的资产收益为，中位数条件下的收益表示金融机构是在正常状态下，尾部收益表示已经发生了危机事件。在公式（3）中，这两种条件下的CoVaR之差，表示金融机构i处在危机状态下对另外机构的风险贡献度：

由于CoVaR方法需要计算无条件以及有条件水平下的VaR值，本文通过分位数回归方法度量出金融机构的不同置信区度，进而可以计算出公式(4)中的系数。

通过式（5）与式（6）这两个方程，能够得到机构i对系统性金融风险的贡献度：

(二)变量选取

1.主要变量。本文主要变量为：状态变量Mt、金融机构的资产收益率。金融机构的资产收益率的计算过程为：通过上市机构的交易价格与资产负债率中得到的财务杠杆率（总资产与权益的比值）进行结合而得到金融机构的资产收益率。其中，财务杠杆率为季度数据，所以将其转换为日度数据，使之能与交易价格的频率相匹配。在将财务杠杆率变换为日度数据中，我们使用线性的平均法，金融机构的资产收益率为：

2.状态变量。借鉴以前学者的研究，本文选取研究变量为利率期限的利差与短期流动性的利差、股票市场指数收益序列的波动率、股票市场指数的收益率。短期的流动性利差和利率期限的利差分别代表货币与债券市场上的交易以及风险和股票市场指数的收益率与波动率代表证券市场上的信息。状态变量Mt的指标见表1。

（三）样本选取

从上证指数成分股中的42个金融机构中筛选出33家，而由于上市金融公司在2007年以前的数量不多，因此为了使得所选的样本数量和分析具有代表性，我们剔除了42家企业中因为上市时间比较晚且数据不足的7个金融公司，最后选择了14个银行、14个证券公司以及5个保险公司，以每家公司每个交易日中的收盘价格为基础，这样各金融机构的观测值有2434个。样本时间间隔为2008—2017年，能够覆盖此间多个极端性的金融事件，如2008年的全球性金融危机，2010年的欧洲债务性危机，2015年的大股灾，这些极端的金融事件对于度量金融数据的显性表示非常重要。本文所有上市机构股票市场数据均来自Wind数据库。

（四）数据处理

表1 状态变量Mt的选取

在本文研究的样本数据中，对于部分变量，例如财务杠杆率是在通过资产负债表中获得，为了与资产负债率中得到的财务杠杆率（总资产与权益的比值）进行结合。其中财务杠杆率为季度数据，所以将其转换为日度数据，以至于能与交易价格的频率相匹配。假定在t期末以及在t+1期末，金融机构的资产负债表中的杠杆率的数据分别是levt与levt+1，那么在t+1期内的日度杠杆率就会呈现出等差数列，差额为(levt+1-levt)/n，其中n为t+1期经历的天数。在进行数据的频率转换后，我们可以得到2008年1月2日到2017年12月31日完整的数据序列。

（五）平稳性检验

在使用分位数回归方法之前，首先对全部变量实行平稳性检验，因为金融公司的个数较多，所以最终的检验结果以表格的形式只列出其中的10个机构。表2结果显示这些金融变量均平稳，满足建模的条件。

(六)描述性统计

为了便于分析，本文只列出10个金融机构收益率的描述性统计结果，见表3。从表中可见，金融公司的资产收益率在0值附近，有明显的零均值的特点。第一天上市进行交易以及进行重组后再进行交易时没有涨跌停的限制，很容易出现大幅度的波动，所以为了防止极端值对实证结果的不良影响，通过winsorize缩尾的方法剔除一些收益率，这样把金融公司的上市价格涨跌幅度局限在10%，也就是最小值是-0.1与最大值是0.1。

表2 变量单位根检验结果

表3 金融公司的收益率的描述性统计

研究发现，金融公司的标准差在不同行业之间也存在很大差异，证券类公司和保险类公司的标准差大部分大于0.0，银行类公司的标准差则小于0.03，非银行类金融公司的资产收益率的波动率明显大于银行类公司。银行类公司的标准差在其内部也有结构性的差异，除交通银行外的3个大型国有银行公司的标准差都小于0.02，而股份制银行的标准差都大于0.02。而在偏度与峰度这两个指标上，这些金融公司的特征几乎是一致性的，表现在偏度的值大于0，峰度的值大于3，也就是收益率数据是右偏和厚尾的特点，满足金融数据的尖峰、厚尾的特点。不仅如此，每个金融公司的J-B统计量与对应的概率值都是显著的拒绝原假设，从而也证明金融公司资产收益率的分布不满足正态分布。

(七)分位数回归

通过检验确定金融变量都是平稳的序列后，根据（5）式与（6）式来进行q=5%的分位数回归，这里仅列估计结果中的十家金融公司，见表4。

表4的结果表明，每个金融公司金融市场的整体资产收益率与波动率都十分显著。参数β1在1%的显著水平上均为正，表示金融市场的行情和金融公司的资产收益率呈同方向变动的趋势。而且β1的特点也十分明显，除了4个国有大型银行的这个参数小于0.5以外，其他29个金融公司都接近1，显示出大型国有银行对价格的变化更加平缓，然而股份制的商业银行、证券类公司与保险类公司对市场价格的变化表现得很敏感。每个金融公司对于市场波动率的表现系数在1%的显著水平上均为负，说明市场中的波动率越大，投资者的情绪对投资行为会表现地更加不确定，单个金融公司的资产收益率趋向于向下。在利率期限利差的参数与短期流动性利差的参数中，显著数较少。短期流动性利差参数值皆为负，说明在极端的条件下，同业之间进行拆借的流动性风险溢价越大，金融公司的资产收益率降低。利率期限利差显著的参数值皆为正，显示出在极端条件下,对于金融公司的资产收益率有正向的作用。通常情况下，发生尾部极端事件的时候经济下行但是需求在下降，这个时候是正向的，表示对于管控风险的水平比较强的时候，金融公司有一种规避风险的动机，这时就会将长期的贷款利率提高，并将存款利率降低，从而扩大利率的期限利差，以此改善公司的自身经营状况。通过（5）式来研究单个的金融公司对于金融系统的作用参数，参数γsys表示单个金融公司的收益率对整体的金融体系影响。结果显示银行类、保险类、证券类公司的γsys参数大都显著性为正，这表明系统性风险传导机制是存在的，同时也证明了CoVaR模型是有效的。证券类公司的系数值几乎显著地小于银行类公司与保险公司的系数值，说明其对金融系统的风险贡献度没有银行和保险公司大。

表4 分位数回归结果（分位数为q=5%）

(八)各金融机构对系统性风险贡献度的实证结果分析

以式（5）与式（6）为基础，能够度量出单个金融公司对于系统性风险的贡献度△CoVaR。最终的计算结果通常是负数，为了分析简便，对△CoVaR的日度数据取绝对值使其为正，得到33个金融公司对系统金融风险贡献度的均值。

表5是全部金融公司在样本期内的△CoVaR的均值及排序，能够用来研究单个金融公司对系统性金融风险的贡献度。银行类公司对于系统性风险的贡献度最大，其均值在0.48附近，其中建设银行与工商银行对于系统性金融风险的贡献度位于前两位，并且排名前四的公司都是国有大型银行，华夏银行对系统性风险的贡献度最低。资产规模大的金融公司通常对系统性风险的影响也是较大的，因此，监管当局既要重点防范银行类公司对系统性金融风险的贡献度，还要根据资产规模来确定系统重要性公司。证券类的公司对系统性风险的贡献度都比较低，其△CoVaR均值都在0.06附近。保险类公司对系统性风险的贡献度处在中间地位，其△CoVaR均值都在0.11附近，其中，太平洋对系统性金融风险的贡献度最高。

为了描述动态时序的金融机构的△CoVaR，把日度△CoVaR序列进行处理从而得到各机构的季度△CoVaR序列。因为样本中的金融公司数量比较多，所以选取一些有代表性的公司进行分析。图1简洁地显示出在2008年第1季度至2017年第3季度期间内有代表性的金融公司对系统性风险贡献度的季度△CoVaR时序图。

表5 金融机构样本期内△CoVaR的均值及排名

图1 7个代表性金融公司的△CoVaR动态时序图

从动态时序图中趋势分析发现，所有金融公司的△CoVaR，其变动趋势具有同一步调的特征，而且都能很好地对极端性事件与系统性风险做出反应。在2008年期间处于整个样本期间的最高位，其中峰值是在2008年的第2季度，也就是在雷曼兄弟倒闭前后时间。国家出台四万亿救市政策后金融体系中的系统性风险开始降低。随着经济的复苏，从2009年开始金融机构的△CoVaR大幅度下降。然而，从2012年的第二季度开始，各金融机构的△CoVaR又逐渐地增大，主要原因是当时我国经济发展增速已出现放缓趋势。2012年我国国内GDP增速仅为7.8%，创13年来最低水平。实体经济发展不佳导致风险增大，再加上欧洲债务危机的外部影响，系统性金融风险逐渐集聚，最终在2013年6月导致系统性风险在银行业中的集中爆发，从而诱发钱荒事件。然而，2011年末到发生钱荒事件期间，△CoVaR的值并不是很大，这说明金融公司对系统性风险的贡献度比较温和，△CoVaR值只是在一定的幅度内有上升的趋势，而且各种金融公司在发生钱荒事件期间中的△CoVaR值比金融危机期间的峰值小很多，这表明出经济发展的速度下降以及钱荒事件的冲击，均不会使金融公司对系统性金融风险的贡献度有大幅的增加。但是，在2015年全部金融公司的△CoVaR都同时大幅度增加时，金融公司对系统性风险的贡献度显著地增大，这与2015年我国股市上出现的疯牛行情以及在之后爆发的股灾事件是相呼应的。

(九)三种不同方法的系统重要性机构比较

本文通过分位数方法得到金融机构对系统性风险的贡献度，并对前十个系统性风险贡献度重要性金融公司进行排序。将本文方法、张强等的指标法与贾彦东的网络模型这三种方法得到的结果进行比较分析（见表6）。

对比分析结果表明，运用指标法和网络模型法研究得到的排名前五的重要性金融机构均为国有大型银行，但排序差别较大。本文通过分析极端事件的尾部风险，发现股份制商业银行（比如招商银行和浦发银行）对系统性金融风险贡献度的排名有所上升。基于此，本文认为，在评估系统重要性金融机构的时候，不应仅使用某一种方法进行单一衡量，而应运用多种度量方法以综合测度金融机构对系统性风险的贡献度，为金融风险的监管实践提供切实有效的借鉴。

表6 不同方法下的系统重要性机构比较

四、结论与建议

(一)金融机构对系统性金融风险贡献度的研究结论

1.金融市场总资产收益率的尖峰、后尾特性满足分位数回归方法的前提条件。股票市场的震荡越大，金融公司所遭受的损失就会越大；期限利差与流动性利差对于不同种类的金融公司的作用差异很大。当期限利差变大时，银行、保险类金融公司出现极端风险的可能性降低，但是证券行业的公司发生极端风险的可能性加大；短期流动性的利差对银行业公司有较大的影响，主要发生在十分极端的分位数下。在这种条件下，会增大银行业中金融公司的风险；金融公司规模这个变量对于系统性风险的影响是十分显著的，那些规模很大的金融公司往往也对系统性金融风险的贡献度较大。

2.按风险的贡献度从大到小排序为银行类机构、保险类机构和证券类机构。银行类金融公司中对系统性金融风险贡献度最高的是中国建设银行；而证券类金融公司对系统性风险贡献度普遍较低；保险类金融公司对系统性风险的贡献度处于中间位置。对各大金融机构系统性风险贡献度进行排名，得到前十名系统重要性的金融机构，皆为银行机构。这说明银行在中国金融系统中占有最重要的位置。银行类金融机构若出现金融风险，会对金融体系产生很大的冲击作用。

(二)金融机构视角下的系统性金融风险防范建议

1.多种度量工具并用。多种度量工具并用，加强对金融数据的统计，把上市与非上市金融机构的相关数据详细统计，然后利用各种度量方法对系统性金融风险的贡献度进行测度，从而能够对金融机构系统性风险的贡献度有一个全面的了解，以便对整个金融体系的系统性风险有一个很好的把控。传统的技术虽然被大量应用，然而这种方法在宏观审慎监管中有很大的不足。技术可测度金融机构对系统性风险的贡献度，在一定程度上弥补技术上的不足，然而，用这种方法计算的数值，需要数据具有较强的有效性且模型具有较强的适用性。因此，监管机构不能仅依赖单一方法，要同时使用多种风险测度方法对系统性金融风险进行量化研究，比如利用CoRisk(条件风险模型)、SRISK(系统风险指数模型)、SES(系统预期损失模型)，全方位、多维度测度金融机构之间的风险溢出效应以及对整个金融系统的边际风险贡献。

2.对重要性机构实施动态监控。如今，金融市场发展日新月异，我国混业经营加速。金融机构对系统性金融风险的贡献度是不稳定的，而且在不同时期内的波动性也是不一样的，所以要实时、动态地对金融机构进行监管。在经济较为平稳的时期，对规模较大或期限错配水平较高的机构，由于其较高的传染性，应要求更高的准备金率和拨备覆盖率以增强其应对非预期损失的能力，从而避免其在遭受损失时发生大范围的风险传染；［23］在经济繁荣时期，监管者应该将关注重点转移到此时系统性风险较高的机构，因为一旦出现危机，这些机构受到冲击的速度及风险传染的速度更快，加剧金融市场的动荡；危机发生时，金融脆弱性较高与其他机构关联性较强、风险承担能力较低的金融机构，应及时得到政府的救助，避免危机进一步传递。

3.按照功能和地位分类监管。近年来，我国新型金融机构发展迅速，规模增长迅猛，不同金融子行业的金融机构之间的风险溢出效应很强，然而与此相应的分类与综合风险监管体系却尚未有效建构起来。所以，每个金融子行业都要提高自身行业的风险度量与防范能力，从防控体系、技术手段和人才培养等各维度上加大投入，以同时增强分类和综合风险管理能力。此外，监管当局要根据不同的金融机构在系统性风险积累、传导过程中所处的不同位置来制定与之相对应的监管方式，进行差异化管理。在监管的过程中，需要考虑每个金融机构对于系统性金融风险的贡献度，对于那些贡献度排名靠前的金融机构（比如，银行类机构）要严加防控，对其风险进行实时度量和动态化的监管，及时发现机构潜在的异常波动风险，重点排查风险源头，做到早期识别、及时预警、主动处置，积极引导金融机构回归本源，聚焦服务实体经济；而对于排名靠后的金融机构，实施相对较宽松一点的监管政策。一方面能够使得中国的金融系统保持稳定性，另一方面又能够使得中国的金融系统保有活力。具体而言，我国银行部门是系统性风险的主要产生者，因此加强对银行部门的风险监管，降低银行部门的风险溢出水平是防范化解我国系统性金融风险，维护金融系统安全稳定的关键。［24］可以针对股份制商业性银行、国有大型商业银行提出不同的监管方法，把监管的标准进行细分化，也可以根据银行机构的规模和地域性等方面来制定出分类的差别化监管准则。

4.根据不同类型机构风险精准施策。对系统性金融风险的贡献较高的金融机构，依照高风险金融集团既定方案和分工安排依法依规进行管理处置。对农村金融机构所面临的风险，要坚持县域法人地位总体稳定，鼓励综合运用多种方式补充资本，引进战略投资者。对城商行和信托等金融机构所面临的风险，要及时制定并实施风险处置方案。另外，加快统一系统重要性金融机构的识别方法，列举国内系统重要性金融机构名单，对于名单内的金融机构，组织制定恢复与处置计划，建立高效的问题机构风险处置机制。金融机构要履行好主体责任，股东特别是主要股东要承担重要责任，金融管理部门履行监管主体责任。［25］尤其针对那些贡献度排名靠前的银行类金融机构，要健全存款保险制度和机构体系，充分发挥早介入、早预警、早处置的作用。

5.规范金融机构内部管理机制，防范化解金融科技风险。长期以来，我国金融机构普遍存在“重贷款，轻管理”的问题，一些金融机构为了追求规模效益，比较重视经济业务的发展，忽略了系统性金融风险的防控。［26］由于过度关注绩效考核，将业务重点放在了资金投放上，缺乏对贷后资金细致且有效的管理，贷后管理成为信贷管理的薄弱环节。因此，金融机构要严格把关资金的投放领域，加强对资金流向的监控力度，建立健全风险预警机制。在信贷资金投放时，要严格把关信贷准入门槛，保证审批流程的完善性和合理性，同时注意提升贷后管理能力，在重大风险发生前，综合运用多种风险测度方法对系统性金融风险进行量化研究，做出风险预判。金融机构在运用大数据、云计算、人工智能等高新技术的同时也要注意传统金融风险的表现形式、传染路径可能发生的潜在变化。

6.构建全球多边监管机制。在全球金融危机爆发前，国际上通行的监管规则主要是针对机构层面的微观审慎监管，用系统内各个金融机构风险的简单加总来衡量整体的金融风险。这种监管方式主要是依靠金融机构的自制能力，监管当局普遍认为只要每个金融机构的个体风险被较好地控制，整个金融体系的风险就能被控制。然而，国际金融危机的爆发证明，即使世界上绝大多数国家金融机构稳健，也不能杜绝系统性全球金融风险的爆发。因此，后金融危机时代的金融监管不应该只关注单个国家的个体金融机构，而是转向全球范围内整个金融体系的宏观审慎监管，构建一个多边的、宏观审慎与微观审慎相结合的国际金融监管体制机制，站在人类命运共同体的高度对系统性金融风险进行全球性的宏观审慎监管。［27］