纳入宏观经济因素的中国系统性金融风险预警研究——基于马尔科夫区制转移模型

刘凤根，王一丁，张敏，王敬童

(1.湖南工商大学 财政金融学院，湖南 长沙 410205；2.湖南工商大学 经济与贸易学院，湖南 长沙 410205；3.湖南工商大学 理学院，湖南 长沙 410205)

一、引言

金融是现代经济的核心，确保金融大局安全稳定对巩固社会经济建设成果和推动经济高质量发展具有重要意义。自党的十九大明确将防范和化解重大风险作为三大攻坚战之一以来，经过近年来的全面监管与集中治理，防范和化解重大金融风险已取得重要的阶段性成果，系统性金融风险的上升势头得到有效遏制。但必须充分认识到，在当前国内房地产金融化、银行不良资产攀升、地方政府隐性债务积聚等“灰犀牛”问题仍十分严峻的形势下，国际、国内宏观经济环境的深刻变化与冲击也在不断酝酿和激发潜在的“黑天鹅”金融风险，金融调控仍面临不小的挑战。为此，在对重点金融领域进行监测治理的同时，应当逐步推动建立全覆盖、多方位的系统性金融风险预警体系，提升综合预警能力，探明监管盲区，细化宏观审慎管理框架，更好地为实体经济高质量发展保驾护航。

自2007年美国次贷危机以来，关于系统性金融风险的预警一直是学术界关注的热点，各国学者采用不同研究方法建立了各具特色的系统性金融风险预警监测体系(Billio 等，2016；Huang等，2021)[1-2]。中国经济自2013年下半年进入“经济新常态”以来，经济结构调整和增速放缓等带来的宏观经济冲击和经济政策不确定性上升都对金融体系产生了明显的风险溢出效应，系统性金融风险爆发的概率显著上升。总体而言，当前国内系统性金融风险的监测预警研究主要侧重于金融体系内部的风险因素(淳伟德和肖杨，2018；李敏波和梁爽，2021)[3-4]，缺少对宏观经济基本面和政策环境等外部因素的充分考虑，事实上并不足以对中国系统性金融风险进行准确刻度，由此获得的预警机制和预防政策不仅无法对系统性金融风险进行有效防控，甚至还可能误导金融监管部门的系统性金融风险监管决策。

因此，从系统性金融风险的形成机理出发，充分考虑宏观经济等外部因素对系统性金融风险的影响构建一个系统性金融风险综合指数进行动态测度，并据此进行系统性金融风险的预警研究，对提早甄别防范系统性金融风险发生，保证金融稳定和宏观经济健康发展尤其重要。

二、文献综述

(一)系统性金融风险的成因

总体来看，系统性金融风险从酝酿到爆发往往是内外部因素相互交织、共同演化的结果。就内部因素而言，系统性金融风险主要与机构个体因素和金融体系因素有关。具体地，主要包括金融机构自身脆弱性、金融体系联动性与传染效应、金融市场脆弱性三个方面(Giglio等，2016；何青等，2018；欧阳资生等，2019)[5-7]。首先，金融机构自身脆弱性是系统性风险的内生根源。资产负债期限错配和高杠杆经营等特性决定了金融机构具有内在不稳定性(Minsky，1985)[8]。具体而言，杠杆率过高、资产价格膨胀、信贷顺周期性、过度创新倾向等反映金融机构脆弱性特定轮廓的因素都是可能引致系统性金融风险集聚的基础性因素(杨海珍等，2020)[9]。其次，风险传染是系统性金融风险的核心内涵。金融机构由于业务往来和共同资产持有等形成复杂关联，当一个金融机构受到严重损失，将会通过资产负债表、金融市场、投资者情绪等渠道迅速波及与之相关的其他机构，最终对整个金融系统造成严重冲击(Fang等，2018)[10]。除直接传染效应，各金融子市场之间的交叉累积叠加效应也进一步放大了初始风险在金融体系中的风险溢出(李优树和张敏，2021)[11]。最后，由于信息不对称和顺周期特性等导致的金融市场脆弱性也是系统性金融风险积聚和溢出的重要来源(刘凤根和周驭舰，2018)[12]，市场脆弱性主要表现在两方面：一是金融市场的波动性和不稳定性，如规模过度集中、市场杠杆率过高带来的金融市场大幅震荡；二是金融市场流动性供给不足和信用风险。

宏观经济基本面变动和政策变迁往往是驱动系统性金融风险的主要外部因素。作为联结盈余部门和赤字部门的桥梁，金融体系不仅承担着自身货币资金运营的风险，而且承担着来自外部宏观经济各种不利变动所引发的风险(马勇，2011)[13]。金融机构的经营行为和资产状况具有很强的“顺周期”特点，当经济处于低迷期时，企业和个人财务状况的下滑会直接影响银行贷款的偿付能力，更容易催生不良贷款，抬高银行的“坏账率”，严重时还会导致公众信心受挫，引发恐慌性“挤兑”和资产抛售，进而通过金融机构和市场关联导致更大范围的金融危机(方意和陈敏，2019)[14]。宏观经济变动对金融市场长期波动会产生显著影响，且呈现出较强的持续效应(刘凤根等，2020)[15]。关于政策变动对系统性金融风险的影响研究，学者们围绕财政政策、货币政策和宏观审慎政策、经济政策不确定性等方面进行了广泛研究(方意等，2019；金成晓和姜旭，2021；欧阳资生等，2021)[16-18]。特别地，经济政策不确定性在系统性金融风险积累和爆发过程所起作用备受关注。首先，经济政策不确定性会对金融机构流动性管理、资产负债表结构和盈利状况等具有直接影响(Hu和Gong，2019；田国强和李双建，2020)[19-20]；其次经济政策不确定性的攀升也可能直接导致金融市场震荡和风险传染(杨子晖等，2020)[21]。最后，经济政策不确定性对于宏观基本面走势具有重要影响，经济政策不确定性的增大可能导致经济复苏乏力，间接引起金融体系不稳定和风险加剧(Baker等，2016)[22]。

(二)系统性金融风险的预警研究

在长期的理论研究和实践总结中，学者们围绕系统性金融风险预警的探索主要形成了以下三种思路：一是基于单个金融子系统表现和重要性来监测预警系统性金融风险，相关研究主要集中于银行业和股票市场(Wang等，2021；李辰颖，2020)[23-24]。二是以金融体系整体表现为基础构建综合指数的预警研究(Huang等，2021；李敏波和梁爽，2021)[2],[4]。三是设计前瞻性单一指标进行预警(Patro等，2013；杨子晖和李东承，2021)[25-26]。由于综合指数法能够更好地从宏观审慎视角将各个金融子系统纳入统一框架，进行动态刻画和整体分析，目前已成为学界和业界进行系统性金融风险预警的主流方法。

尽管综合指数法的应用十分普遍，但由于危机表现形式和金融市场复杂程度等的差异，基础指标的选取不尽相同。21世纪前，金融危机的早期预警指数(Early Warning Index，EWI)主要通过回顾历次大型金融危机发生时的宏观经济变动，寻找危机间的共同点作为指标备选的考量。在EWI盛行期间，由于现实中的金融危机多以货币危机呈现，学者们通常围绕宏观经济变量或货币变量进行指标筛选和体系构建，实证中较多用于评估危机的有效指标包括国际储备、通货膨胀率、实际GDP增长、货币增长和财政赤字等(Kaminsky和Reinhart，1999)[27]。随着20世纪末到21世纪初金融危机的密集爆发，作为一种适用性更广、有效性更好的指数方法——金融压力指数(Financial Stress Index，FSI)应运而生(Illing 和Liu，2003)[28]。该指数由一国主要金融市场的相关指标体系构成，更强调金融体系的关联性。FSI指标范围通常覆盖了股票、债券、外汇市场和银行部门，更适用于分析拥有众多系统重要性金融机构和市场的金融体系。次贷危机后，在国际金融组织推广和各国学者、监管机构改进下，发达经济体和发展中国家都形成了各具特色的衍生指数，如美国堪萨斯城联储金融压力指数(Hakkio和Keeton，2009)[29]、德国金融压力指数(Roye，2014)[30]、黎巴嫩金融压力指数(Ishrakieh等，2020)[31]等。国内学者对于中国金融压力指数的研究也逐步丰富，如陈雨露和马勇(2013)[32]主要基于金融层面选取指标构建中国“金融失衡指数”；徐国祥和李波(2017)[33]选取银行、股票、债券和外汇市场相关指标采用因子分析法构建日频“中国金融压力指数”。

有效的预警系统除了要对基础指标予以充分考虑外，模型选择也十分关键。2008年次贷危机以前，主流方法是基于历史金融危机结果的早期预警模型。代表性模型包括FR单位概率模型(Frankel和Rose，1996)[34]、KLR信号分析法模型(Kaminsky等，1998)[35]、Logit模型(Kumar等，2003)[36]和Probit模型(Bussiere和Fratzscher，2006)[37]等。传统预警模型的共同缺陷在于：(1)金融危机被看作是二元变量，无法刻画金融风险的连续变化和严重程度，存在一定程度的信息损失；(2)对于没有明确历史经验和国际惯例参照的指标，往往采用主观评价的方式选取预警界限；(3)以历史经验为主要依据也导致该类方法缺乏动态调整，不能够及时反映现实经济环境的发展变化。到21世纪初，基于金融危机和系统性风险形成过程中的典型事实，并考虑经济主题行为和市场动态过程的模型逐渐兴起，更多学者开始采用马尔科夫区制转移模型、机器学习方法等进行预警研究(Huang等，2021[2])。相较于机器学习方法，马尔科夫区制转移模型在保证预测能力的同时，能够兼顾经济理论支持，且具有信息最大化利用和动态风险刻画等良好特性。此外，该模型相较传统的早期预警模型也有以下几方面的优势：(1)模型采用金融压力指数等连续的因变量，避免了一定程度的信息损失；(2)通过状态变量在高低风险之间的平滑转换来确定所处的风险等级反映风险状态转换的动态性，且运用最大似然估计模型得到高风险出现的具体时段，不必事先设定指标阈值标注风险和预估高风险出现的时间。作为一种系统性金融风险预警的成熟方法，马尔科夫区制转移模型在国内研究中被广泛应用。王维国和王际皓(2016)[38]基于金融压力指数方法分别构建货币、银行、资产价格压力指数，并通过MSIH-VAR模型识别三类金融风险的风险状态；陶玲和朱迎(2016)[39]选取金融市场、金融机构和政府部门指标合成系统性金融风险综合指数，利用马尔科夫区制转移模型对风险状态进行了预测；李敏波和梁爽(2021)[4]从债券、股票、货币和外汇市场选取指标合成金融压力指数，通过MS-AR模型判断近年中国金融市场处于中低压力状态，总体运行平稳。

(三)文献评述

在对相关文献进行梳理时发现，较多利用综合指数法的系统性金融风险预警研究在构建指标体系时侧重于金融体系内部的风险因素，而缺乏对外部因素的充分考虑，特别是宏观经济变动和政策变迁的影响。事实上，从系统性金融风险的成因看，宏观经济变动与政策变迁等外部冲击是系统性金融风险积聚和爆发的重要诱因，忽略这一点可能导致对系统性金融风险测度偏误，由此获得的预警机制和预防政策不仅无法对系统性金融风险进行有效防控，甚至还可能误导金融监管部门的系统性金融风险监管决策。因此，以系统性风险成因为基础，将金融体系内部因素和宏观经济、经济政策变动等外部因素共同纳入系统性金融风险预警体系，采用马尔科夫区制转移模型进行系统性金融风险的预警研究具有重要意义。

本文内容安排如下：第一部分为引言；第二部分为相关研究综述；第三部分为中国系统性金融风险综合指数的构建；第四部分为基于马尔科夫区制转移模型对系统性风险的状态和拐点进行识别与预测；第五部分为结论。

三、系统性金融风险综合指数的构建

根据系统性金融风险的内、外部驱动因素，本文选取的系统性金融风险基础指标涵盖宏观经济、政府政策、金融机构、金融市场(货币、债券、股票、外汇和房地产市场)共八个维度。首先，依据选取的各维度代表性指标采用主成分分析法编制系统性风险维度指数，以更好地探明系统性风险的主要来源及其在各维度的生成变化机制；在此基础上，为充分体现系统性金融风险的跨市场传染特征，通过各维度之间的时变相关性，对维度之间相关性较高的情况给予更高赋权，对维度之间相关性较低的情况给予较小赋权，以此将维度指数合成综合指数，实现对系统性风险的总体动态监测。

(一)基础指标的选取

基础指标选取是系统性金融风险综合指数构建的前提。本文基于系统性金融风险的成因，从宏观经济、政策变化等外部因素和金融体系脆弱性、传染性等内部因素两方面设计系统性金融风险指标体系。指标选取充分遵循科学性、系统性和可实践性等原则，在前述关于系统性金融风险成因的文献综述基础上，参考借鉴Illing 和Liu(2003)[28]、徐国祥和李波(2017)[33]等国内外学者相关研究，力求反映中国宏观经济、政策环境、金融体系对系统性金融风险影响的实际情况。选取的各维度基础指标如表1 所示。

表1 各维度基础指标池

续表

宏观经济维度主要关注经济周期变动(A1—A5)、通货膨胀程度(A6)、经济货币化程度(A7)、外部经济冲击(A8)。政府政策维度重点反映财政政策意向(B1—B2)、货币政策意向(B3—B4)、经济政策不确定程度(B5)对系统性风险的影响。金融机构维度主要关注金融机构面临的信贷违约风险、流动性风险和运营压力，其中M2与M1剪刀差(C2)收窄表示市场流动性有所提高，经济活跃度上升；C3—C4表示当短期贷款余额贷款增速或总贷款增速超过GDP增速时，风险有所上升；C5反映流动性，中长期贷款在总贷款中占比越高，则流动性越差；C6—C7表示银行业、保险业等金融机构的经营压力。股票市场维度的压力积聚主要体现在市场波动率(D1)加剧、市场繁荣程度(D2—D3)的抬升和整体估值水平(D4—D5)过高。对债券市场维度监测主要关注市场的波动性(E1)、信用风险(E2)、流动性风险(E3)以及投资者预期情绪(E3—E4)等。对货币市场维度的监测主要侧重于市场短期资金的流动性状况和信用风险，其中，F1主要反映短期资金的供求状况，利率越高代表市场中的短期流动性越紧张；F2反映信用利差；F3主要反映期限利差，系统性风险较大时，短期资金需求和避险情绪的提升通常会导致利差扩大。通过外汇市场考察国际经济金融变动对于系统性金融风险的影响，G1—G2反映应对外汇市场大幅冲击的能力；G3反映人民币汇率的稳定程度；G4表明国内经济对外的吸引力。无论基于国际经验还是国内实际，房地产市场都是影响金融体系稳定性的重要因素。房价波动(H1)增大了抵押品价值波动，提高信贷风险；房地产市场繁荣程度(H1—H3)的过快提升也会积聚潜在的系统性风险隐患；房地产企业贷款资金占比(H4)高会增加高杠杆经营带来的流动性紧张和违约风险；房地产景气程度(H5)过高或过低对于实体经济和金融体系都可能带来冲击。

(二)维度指数的合成

由于各维度基础指标的性质、量纲和量级不同，在利用主成分分析法合成维度指数前需对指标标准化，本文采用离差标准化进行处理。具体地，对于正向、负向和适度指标的处理方法分别如式(1)、式(2)和式(3)所示：

(1)

(2)

Xij=

(3)

本文采用协方差矩阵作为主成分分析的输入，以保留各指标在离散程度上的特性，同时避免低估或夸大指标的相对离散程度，按照主成分选取要求累计贡献率超过85%的经验标准提取主成分。利用主成分分析法计算的各维度指数如图1所示：

图1 系统性金融风险维度指数

(三)综合指数的构建

在维度指数基础上，为充分刻画系统性金融风险的跨市场联动性与传染特征，借鉴Hollo等(2012)[40]、李敏波和梁爽(2021)[4]的方法，以各维度间的时变相关系数为权重，对维度之间相关性较高的情况给予更高赋权，而对相关性较低情况给予较小赋权，以此将维度指数合成综合指数，实现对系统性风险的综合监测，具体地：

SFRCIt=(wt·pt)Ct(wt·pt)'

(4)

其中，常向量wt=(ω1,ω2,…,ω8)表示各维度指数的初始权重向量，在没有显著实证证据表明某个维度持续性地比其他维度对系统性风险贡献度更高的情况下，本文对八个维度赋予初始等权重，即ωi=0.125；pt=(α1t,α2t,…,α8t)表示t时刻各维度的指数值；wt·pt表示Hadamard积；Ct为各维度指数的时变相关系数矩阵。

(5)

各维度指数之间的时变相关系数为ρij,t随着时间变化，具体表达式如下：

ρij,t=σij,t/(σi,t·σj,t)

(6)

(7)

(8)

图2 系统性金融风险综合指数

进一步地，本文依据宏观经济和金融体系的实际运行情况对SFRCI进行适当说明：

在2007年4月至2007年12月，国际金融危机的爆发前夕，系统性金融风险不断积聚主要来源于国内股票市场的过度繁荣，同期其他维度风险水平相对较低。2008年1月至2008年12月，伴随着外部国际金融危机爆发的风险溢出不断加大，国内股票市场暴跌，宏观经济和其他金融市场受到波及，政策不确定性增大，系统性金融风险迅速提高。

2009—2010年，随着次贷危机风险的逐步释放，全球经济波动趋向缓和，中国经济在政策刺激下企稳回升，金融市场总体平稳，金融体系较为稳健，但“四万亿计划”加速信贷与货币增幅扩张的弊端随后逐步显现，潜在违约风险上升，金融脆弱性加强，导致系统性金融风险在后期随之加剧。2011—2013年，宏观经济总体稳定，但经济发展中不平衡、不协调和不可持续问题逐步凸显。同时，货币市场、外汇市场等市场波动逐步加大，系统性金融风险高位波动。

2014—2015年，中国逐步进入“经济新常态”，结构性产能问题比较突出，企业杠杆率高居不下，经济政策不确定性加强等导致外部冲击不断加剧。同时，受实体经济影响，商业银行不良贷款率有所抬升，股票市场高涨导致金融市场剧烈波动，系统性金融风险出现攀升。

2016—2017年，尽管经济转型与供给侧结构性改革仍面临压力，但在积极的财政政策与稳健的货币政策的推动下，经济增速企稳回升，物价水平保持稳定，产业结构得到优化。金融体系内部，银行业改革逐步推行，资产质量下行压力趋缓，信用风险总体可控；金融市场稳定运行，市场投机情绪得到抑制。

2018—2019年，中国金融体系面临的内外部形势明显复杂，防范和化解系统性金融风险成为三大攻坚战之一。从国际因素看，世界经济复苏缓慢，贸易保护主义影响逐步扩大，国内实体经济发展受到牵连，金融市场对国际局势的敏感性不断增强。国内方面，经济下行压力有所加大，经济发展过程中的一些深层次矛盾逐渐暴露，经济政策不确定性不断加大也加剧了宏观经济的波动与金融体系的不稳定。重点领域，如影子银行、地方政府债务、房地产金融化等存量金融风险有待进一步化解，互联网金融等增量金融风险逐步暴露，监管机构需要逐步推进治理。

2020年初，全球政治经济局势更加复杂严峻，特别地，新冠肺炎疫情对中国乃至全球经济带来前所未有的冲击，内外部经济不确定与经济政策不确定性均显著加大，系统性金融风险防范面临巨大挑战。在国务院“六稳”“六保”工作部署下，监管当局及时增加流动性供给，引导金融机构发挥“服务实体经济”功能，有力地支持宏观经济恢复和金融体系的稳定。此外，近年来中国在防范化解系统性金融风险过程中，宏观杠杆率过快攀升势头得到有效遏制、重大金融风险得到有序化解等，守住了不发生系统性金融风险的底线，系统性金融风险攻坚战取得重要阶段性成果。

四、风险状态识别与预测

系统性风险的积聚变化和金融危机的爆发往往呈现出显著的非线性特征(Giglio等，2016)[5]。因此，为了更好地对系统性风险的状态和拐点进行识别与预测，考虑系统性金融风险综合指数在动态变化中存在三种状态区制，即低风险、中风险和高风险水平，本文构建马尔科夫区制转移模型如下：

SFRCIt=μt(st)+εt(st)

(9)

P(st=j|st-1=i,st-2=k,…)=

P(st=j|st-1=i)

(10)

因此，设状态变量st的转移概率矩阵P表示为：

(11)

本文采用Hamilton滤波推断转移概率，并运用极大似然法求出各参数估计值，马尔科夫区制转移模型的估计结果如表2所示。由表2可知，风险状态越高，区制下的条件均值和随机误差项估计值越大，即“低风险低波动、高风险高波动”。设平滑概率表示连续两期为同一风险状态的转移概率，通过风险状态转移概率矩阵可知，低风险、中风险和高风险的平滑概率分别为0.9405、0.9583和0.9195，三种状态的平滑概率均大于0.7，表明三种状态的区分度显著。另外，中风险状态的持续期最长，平均持续期接近24个月。

表2 马尔科夫区制转移模型的估计结果

本文设定当风险状态的平滑概率大于0.5时为对应的风险状态区域。图3由上到下展示了2007年4月—2021年6月中国系统性金融风险处在低、中、高风险状态区域的平滑概率。总体而言，由马尔科夫区制转移模型识别的系统性风险状态区域与本文前述分析的系统性金融风险总体压力程度基本吻合。同时，由图3可知，2021年以来，中国正处在系统性金融风险的中风险区域。结合当前风险状态的平滑概率以及风险状态平均持续期和转移概率，预测未来短时期内系统性风险保持中风险状态的概率仍然较大。

图3 系统性金融风险状态平滑概率

五、结论

本文从系统性金融风险的成因与形成机理出发，建立涵盖宏观经济、政策变化等外部因素和金融体系脆弱性、传染性等内部因素的系统性金融风险指标体系，利用主成分分析法和时变相关系数法构建2007年4月—2021年6月的系统性金融风险综合指数，并基于马尔科夫区制转移模型对系统性风险的状态和拐点进行了识别预测。研究表明：(1)通过样本区间内现实经济金融压力事件，并结合马尔科夫区制转移模型对风险状态的识别结果来看，充分考虑内、外部因素的系统性金融风险综合指数能够较好地反映系统性风险的总体动态变化；同时，各维度指数对于局部风险来源也具有较好的识别能力。(2)根据马尔科夫区制转移模型对风险状态的识别，当前中国系统性金融风险总体处于中度风险状态，且通过风险状态的平滑概率、平均持续期与转移概率判断，短期内保持这一状态的概率较大，这对于提早甄别和主动防范化解系统性金融风险具有重要作用。