互联网金融对商业银行风险溢出效应研究

郭柳含 单勇霖 张芮嘉

（吉林财经大学，吉林 长春 130000）

一、引言

互联网金融作为一种新型金融业务模式，从上市之初就备受关注，褒贬不一。因其虽加速了金融脱媒的进程，但同时也存在管理弱、风险大等问题。从2015年开始，互联网金融的理财平台风险爆发，各种问题层出不穷，时至今日，互联网金融风险已经成为国内学者关注的焦点问题之一。

关于互联网金融对商业银行的影响，经验研究和理论研究结论尚未统一。一是认为应用互联网金融有助于商业银行发展。代婉瑞等（2020）研究得出，互联网金融与商业银行风险存在不对称的正向风险溢出。二是认为互联网金融对商业银行有消极的影响。Claessens等（2012）、章连标等（2013）表示互联网金融会影响商业银行经营模式从而增加商业银行风险。

在对金融市场间风险溢出的测度方面，Adrian（2009）为衡量危机后金融市场间的风险溢出效应，提出了CoVaR模型。陈珂等（2017）研究互联网货币市场基金和金融市场的风险溢出效应引入了GARCH-CoVaR模型。Sklar（1959）最先提出Copula模型，其广泛运用于刻画变量间的相依结构。Patton（2006）通过二元Copula模型研究三国汇率收益率相关关系，结论看出Copula可以用于刻画非对称相依的金融市场。而后有大量学者将CoVaR与Copula模型相结合度量金融市场间的风险溢出效应。王帅等（2019）构建动态Copula-CoVar模型考量影子银行和金融市场之间的风险溢出效应。

本文承袭前人的研究方法，采用最新的数据，研究互联网金融在极端风险下对各类商业银行的风险溢出程度。

二、互联网金融对商业银行的风险影响途径

互联网金融为民众提供了多样的理财手段与储蓄方式，同时也加大了银行的经营压力。以市场中的各类活期理财产品为例，此类产品起点低、风险低、操作便捷，其收益率与银行定期存款利率相差不多，但是灵活性却比银行定期存款高很多。这些理财产品多是各个基金公司发行的货币市场基金，借助互联网金融平台能够使民众很方便地申赎。互联网理财产品的出现吸收了一部分银行客户，加之利率市场化进程的推进，使得商业银行传统负债业务拓展面临着巨大压力。

除此之外，由于互联网金融蚕食了银行的部分客户，中小银行可能会选择风险较高的客户来拓展自己的贷款业务，从而维持原有的盈利能力，由此给银行的信用风险防控带来很大压力。商业银行与互联网金融平台的合作也会放大银行的风险。银行为了拓宽自身的盈利渠道，会借助互联网金融平台的获客渠道，通过向互联网金融平台提供资金来发放联合贷款。而目前我国互联网金融平台良莠不齐，而一旦这些网上金融平台出现违约，风险必然会通过信用渠道向银行传导，致使银行出现严重的风险，进而对银行业经营稳定性造成冲击。而对上市银行而言，互联网金融对银行经营的冲击除了会削弱银行的盈利能力，还会加大银行股价的波动性，在一定程度上影响银行板块的稳定性。

三、模型介绍

1.VaR模型

VaR又称在险价值，指的是金融主体或金融市场在某一特定置信区间水平下可能发生的最大损失值，其一般表达式为：

2.CoVaR模型

CoVaR模型，又称为条件在险价值，是指在某一置信度水平下，当某一金融主体发生极端风险时，其他金融主体可能产生的最大风险，其表达式为：

Girardi等（2013）对CoVaR模型进行了改进，并且定义了风险溢出值CoVaRqy|x，其表达式为：

3.GARCH-CoVaR模型

GARCH模型又被称为广义自回归条件异方差模型，是由Bollerslev（1986）发展起来的。GARCH模型的发展很好地解决了金融数据中由于“波动率的集聚性”所造成的异方差的问题，并且在预测数据的波动性和均值方面有很好的效果。其表达式为：

上式中：利用ARMA模型进行修正，具体的滞后阶数由估计得出的模型中的拟合优度及显著性水平来确定，选择式（6）标准GARCH 模型进行在险价值VaR 的计算，其中随机扰动项采用偏t分布。在计算VaR时，利用GARCH模型进行相关参数预测估计，由此根据式（1），可将式（5）写为如下形式：

由于扰动项μx服从学生t分布，故式（1）可写为以下形式：

在上式中：μx为GARCH模型一步向前预测的均值；σx为一步向前预测的条件均值； Q（q）为置信水平q下的分位数。

在计算CoVaR 时，同样利用GARCH 模型进行CoVaR的计算，模型构建如下：

四、实证分析

1.指标选取与数据处理

本文选取中证互联网金融指数来刻画互联网金融的风险状况，该指数由中证指数有限公司编制，选取与互联网金融相关的代表性沪深A股作为样本股。数据来源于Wind数据库。商业银行选取了5家国有商业银行和9家股份制商业银行，根据其性质不同划分为两组，分别测算互联网金融对国有商业银行和股份制商业银行的风险溢出程度。商业银行数据来源于国泰安数据库。

本文的数据选取的是2016年1月29日至2020年12月31的互联网金融指数和商业银行的日收盘价作为样本数据，数据为工作日数据，删掉了个别日缺失的收盘价数据，三种指标分别含有1198个数据。将三组序列的每日收盘价除以前一日的收盘价，记为互联网金融与商业银行的收益率序列，为了解决计算的误差问题，因此将三组收益率序列取对数，即=ln(Pt)-ln(Pt-1)，其中Pt为第T日的收盘价，Pt-1为第T-1日的收盘价，γt为第T日的收益率。其对数收益率的描述性统计见表1。

表1 收益率序列描述性统计

根据表1数据，三序列的标准差都偏大，说明皆具有一定的波动强度，根据其偏度和峰度的统计值来看，三序列均呈现了尖峰厚尾的特征，符合了金融时间序列的一般特点。最后，因为其JB统计量和P值均为0，拒绝了正态分布的假设，所以三组序列均不服从正态分布，因此在后续建模过程，本文选取适用于尖峰厚尾分布的t分布。

2.收益率序列波动性研究

因为ARMA-GARCH模型中要求使用平稳的时间序列数据，若收益率序列不平稳会造成在回归分析中出现伪回归的现象。因此使用ADF单位根检验判断序列是否平稳，根据ADF检验结果可以判断，三组收益率序列均为平稳时间序列，因此可以进行ARMA-GARCH模型的建模。

通过观察互联网金融、国有银行和股份制银行的最优滞后阶数，根据AIC准则和SC、HQ比对，最后选择GARCH（2，1）模型，根据结果可以判断出：ω、α的值均大于0，因此三种行业的收益率波动是具有从集性和波动性的，各参数系数都和统计检验量都十分显著，因此通过了显著性检验。

五、结果分析

根据GARCH模型中得到的自由度以及5%的显著性水平可以计算出相应的t值，然后根据式（10）计算出VaR值，如表2所示，在5%的显著性水平下，国有银行的VaR值相对较小，股份制银行和互联网金融的VaR值偏大，这符合互联网金融与股份制银行起步晚发展慢的事实。

使用恰当的GARCH模型，对互联网金融指数日收益率与之前计算得出的各个银行的VaR进行拟合，可以得到最终选用的模型为ARMA（1，1）-GARCH（2，1）模型，计算出t-copula数值后，通过式（12）计算出CoVaR的值，根据（4）式可求出。结果如表2所示。

表2 互联网金融与商业银行风险情况

六、结论与启示

通过研究本文共得出以下结论和启示。

从三序列VaR值看，互联网金融的风险水平高于国有银行，与股份制银行持平，国有银行中风险最小的是建设银行和工商银行，风险最大的是中国银行。因为互联网金融发展起步晚，各种制度仍不健全，并且作为新兴行业尚未成熟，所以自身的风险值会偏大。

根据风险溢出值判断，风险溢出程度最大的是国有银行，其中对建设银行和工商银行的风险溢出程度最大，建设银行和工商银行自身的风险最小，由此可见商业银行自身的风险大小与受互联网金融的风险溢出程度成反比。究其原因，是因为互联网金融造成的系统性风险对于自身风险小的银行反而突显其受影响的程度之大。股份制银行也可再次验证这一结论，股份制银行本身风险大，但是其风险溢出值偏小。

基于上述结论，本文从政府、互联网金融行业及商业银行三个角度提出建议。政府可以通过提供政策上的支持作为鼓励和引导，如减税降负、增加政企合作，另外政府应当尽快完善法律法规、加强监管，提高行业的准入机制。商行在加强自身的风险管控，提升自身的抗风险能力的同时，也要建立诸如互联网金融业等外部风险溢出的预警机制。互联网金融企业把握住AI、大数据等互联网技术，回归技术服务，减少操作风险和网络技术安全风险发生的可能性。