金融市场系统性风险预警与监管研究

李合龙　欧阳瑞玲　张卫国

摘   要：系统性风险主要有两个监管视角：一是从系统重要性金融行业的视角测算金融机构系统性风险并识别出系统重要性金融行业，借此观察中国系统性风险的行业分布和时变特征;二是从金融关联网络的视角构建信息溢出网络，并根据网络结构特征分析危机时期的关联交易，通过减少风险交易降低大规模关联风险事件发生的概率。研究发现，系统重要性行业有银行业、保险业以及证券业，其中，银行业和证券业的系统性风险表现出“危机时期极大且平稳时期极小”的特点，在危机时期需要更多的监管关注;信息溢出网络分析表明，全样本时期银行业和保险业处于网络中心地位，危机时期不同子行业交易频繁，平稳时期同类子行业内部关联更为紧密，根据不同时期的关联特征规范风险关联交易可达到监管目的，且信息溢出网络动态因果指数提前一年预警系统性风险。综上，两种监管选择得出的监管重点基本一致且符合实际，说明两种方法的监管方向具备科学性，而信息溢出网络是一种兼具科学性和预警效果的监管选择。

关键词：金融监管;系统性风险;系统重要性行业;信息溢出网络;中心度指标

中图分类号：F830.9   文献标识码：B 文章编号：1674-2265（2022）02-0013-11

DOI：10.19647/j.cnki.37-1462/f.2022.02.002

一、引言及文献综述

“健全金融监管体系，守住不发生系统性金融风险的底线”是我国建设社会主义现代化经济的必然要求，防范系统性风险被提升到新的高度。受全球疫情冲击，金融领域风险有所积聚，2020年全国两会再次强调加强重大金融风险有效防控，守住不发生系统性风险底线。为保证我国经济平稳、健康发展，科学防范系统性风险、强化风险监管能力显得至关重要。基于巴塞尔协议Ⅲ对系统重要性机构的监管理念，识别出系统重要性行业并进行重点监管，从规范系统重要性行业的角度控制金融市场系统性风险以减少金融脆弱性。后危机时代，金融稳定理事会等国际监管组织对系统重要性金融机构展开评估工作并对这些机构设定更高的资本要求以增强防御风险的能力，从此系统重要性金融机构成为监管焦点。随着金融开放与创新程度不断提高，银行、证券、保险等融合渗透、交叉发展，金融业务和产品多层嵌套、杠杆不清，复杂的关联交易导致金融网络错综复杂。Poledna等（2017）[1]指出，巴塞尔协议Ⅲ对系统重要性银行提高资本要求，虽然提高了监管水平，但会造成更高的效率损失，因此，在对系统重要性机构、行业适当提高监管要求的基础上，加强金融网络监管将会更加高效。针对金融网络的监管主要通过征收系统风险税重塑金融网络拓扑结构，虽然税率大小难以界定，但征税带来的流动性减少远低于提高系统性风险资本要求降低的流动性，流动性大幅降低不仅损害金融市场扶持实体经济的效率，同时也会增强违约风险发生的概率。当然我们也可以对系统重要性金融机构或行业征税，但系统性风险并不均匀分布在每一份交易中，也不仅存在于系统重要性机构或行业中，对系统性风险交易征税才直切痛点。因此，研究分析上述两种监管方法、对比两种监管视角下的政策建议，具有极其重要的现实意义。

通过严监管系统重要性部门从而防控系统性风险的重点在于准确测算系统性风险的大小。学术界通过构建模型测算系统性风险的大小（张天顶和张宇，2018;胡宗义等，2020;罗萍，2020）[2-4]，目前主流的测量方法有“条件在险价值法”（Conditional Value at Risk，CoVaR）、“增量条件在险价值法”（Delta Conditional Value at Risk，ΔCoVaR）以及“边际预期损失法”（Marginal Expected Shortfall，MES）。CoVaR以单个金融机构发生极端损失时金融市场风险的大小衡量金融机构的系统性风险值（Adrian 和Brunnermeier，2016）[5]，进一步得到ΔCoVaR衡量风险溢出。CoVaR考虑α分位点的极端尾部风险而忽略了极端风险以外的所有损失，MES（Acharya等，2010;宋加山等，2020） [6，7]很好地补充了这一不足，可计算出极端风险之外的损失平均值。由于现有文献计算系统性风险的结果存在一定差异，因此，为提高识别系统重要性部门的精准度，可以使用多种方法同时测算系统性风险值。

基于网络的系统性风险监管的关键在于构建金融关联网络并识别风险传染路径，进而通过激励措施使金融机构重新安排关联交易，减少系统性风险（Poledna和Thurner，2016） [8]。反映机构关联的网络多种多样：一是根据模拟数据直接生成关联网络。石大龙和白雪梅（2015）[9]基于模拟数据构造了具有部分真实特征的复杂网络模型，然后通过模拟不同冲击考察银行间的风险传染和系统性风险水平。但是复杂网络模型基于随机数据进行模拟，难以对应现实尾部风险事件。二是基于资产负债表数据构建机构关联网络。由于数据可获得性的限制，一般从债务债权关系切入构建金融机构相互拆借网络（齐明和许文静，2019;张志刚等，2019）[10，11]，或者以支付结算网络为例，探讨网络结构对系统性风险及流动性的影响（何奕等，2019）[12]。基于资产负债表数据构建的网络考察银行业某一方面的关联网络，有利于探讨系统性风险的具体传导路径，但无法发现金融机构之间的整体关联，并且由于相互拆借或支付结算形成的直接关联网络只存在于银行机构之间，该方法难以运用到整个金融市场。三是目前最主流的基于金融机构市场数据构建金融网络。基于市场数据，可以通过二元格兰杰因果关系检验（Billio等，2012;高波和任若恩，2013;Gong等，2019）[13-15]、广义方差分解（Diebold和Yilmaz，2014;胡利琴等，2018）[16，17]、LASSO分位数回归（Xu等，2019;李政等，2019a）[18，19]或者TENET（李政等，2019b）[20]、PMFG（叶莉等，2019）[21]等方法构建金融机构的关联网络，然后通过复杂网络理論中的相关参数分析网络结构。市场数据具有高频、时效性及获得性较好等优点，收益率等市场数据的联动性考虑了金融机构之间整体的关联，包括直接关联和间接关联中各种潜在的风险传导渠道，因此，基于市场数据的金融网络对机构间的风险传染进行了全局性、多渠道的测度研究，是一种便捷高效的构建方法。

信息溢出网络是基于市场数据构建的关联网络之一，利用时变的收益率序列或波动率序列，便可观察市场、行业或机构的信息溢出。现阶段，信息溢出网络的构建方法主要有方差分解和格兰杰因果检验，方差分解建立在VAR模型之上，不能应用于机构数量较多的金融系统（李政等，2019a）[19]，而格兰杰因果检验研究金融机构两两之间短期收益率关系，在帮助构建多个金融机构的关联网络方面具有一定优势。基于格兰杰因果网络，高波和任若恩（2013）[14]对比了牛、熊市网络结构，发现熊市金融机构间具有更加紧密的因果联系。类似地，相对于牛市而言，平稳时期保险部门与其他机构的资产关联性较弱（冯燕和王耀东，2018）[22]。李政等（2016）[23]描述了各个年度网络总体关联特征，发现危机时期金融机构关联程度较高，总关联度震荡上升。由此可知，经济下沉时期以及金融市场发生较大波动时期，金融机构格兰杰因果网络稠密，进一步可研究机构关联对系统性风险的影响。另外，不同于金融机构尾部风险关联网络从系统性风险联动性方面探讨机构关联（Xu等，2019;李政等，2019a;李政等，2019b）[18-20]，信息溢出网络从金融机构资产联动性视角构建网络模型（王丹和黄玮强，2019）[24]。

后危机时代，越来越多的观点认为金融网络对系统性风险具有一定的预警作用（Billio等，2012）[13]，João等（2018）[25]指出网络拓扑结构是系统性风险的驱动因素之一。由系统性风险形成的机制可知，负面冲击通过机构关联交易形成网络传导风险，当风险累积至饱和或传染范围达到一定程度则导致整个金融市场系统性风险的爆发。累积和传染过程距离实际爆发存在一定前置时间，而信息溢出网络能根据信息传播方向及时发现风险传染途径以及相似风险敞口，因此，构建信息溢出网络观测金融机构资产的联动性，在危机发生前提前预知系统性风险的传染路径并构建系统性风险的先行指标，有利于提前预警金融系统性风险。

鉴于此，本文同时运用CoVaR、ΔCoVaR以及MES对我国金融市场若干金融机构以及四类金融行业进行系统性风险测算，从系统重要性部门的监管视角获知监管重点。同时结合网络分析方法与格兰杰因果检验，构建金融机构信息溢出网络，基于网络结构特征和金融行业中心地位得到另一种监管策略下的监管重点。最后，进一步探讨信息溢出网络动态关联指数对系统性风险的预警能力。与以往的研究相比，本文的边际贡献在于：（1）文章细化金融行业系统性风险波动情况，比较了四个金融子行业系统性风险走势图，发现银行业和证券业的系统性风险具有“危机时期极大且平稳时期极小”的特点。（2）文章构造信息溢出网络可视图，发现了“危机时期不同子行业交易频繁，平稳时期同类子行业内部关联更为紧密”的特点。（3）基于上述结果，通过对比金融行业系统性风险波动和信息溢出网络动态因果指数，本文敏锐观察到信息溢出网络动态因果指数提前4个季度（即1年）反映金融市场极端风险事件，最后通过面板数据回归证实了信息溢出网络动态因果指数提前一年预警系统性风险。

二、模型设计与数据说明

（一）信息溢出网络和网络特征

本文结合市场数据构建信息溢出网络。首先，主成分分析可研究不同类型金融机构之间资产回报的共性，从而展现金融机构之间的关联程度。然后，两两金融机构之间分别进行格兰杰因果检验的结果可绘制最终的信息溢出网络可视图，展示冲击在系统中的动态传播。最后，中心度指标反映信息溢出网络的特征，展现网络中金融机构的中心地位。

1. 主成分分析金融机构资产回报共性。参照Billio等（2012）[13]的研究，金融系统中共有[N]个金融机构，其中子集[n<N]。当金融机构的大部分收益趋向于一起移动时，这一子集捕捉到了总波动性的较大部分，表明金融机构高度互联。当前[n]个主成分的风险积累达到系统总风险的一定比例，即超过阈值H，我们称机构之间具有一定的联动性。

2. 基于格兰杰因果构建最终金融机构信息溢出网络。研究冲击对系统的动态传播不仅要衡量金融机构之间的联系程度，而且要衡量这种关系的方向性，后文利用收益率序列观察两两金融机构之间的线性格兰杰因果关系。如果[j]的历史收益率有助于预测[i]的收益率，则称时间序列[j]格兰杰导致时间序列[i]。具体来说，设定[ Rit]和[Rjt]是两个均值为零的平稳时间序列，则以下模型可表示它们之间的线性相互关系：

在信息溢出网络中，如果与某家金融机构具有直接溢出关系的其他金融机构风险传染强度或承受强度越大，则该金融机构的风险传染强度或承受强度也将被提高。

（4）聚类系数（Clustering Coefficient）。聚类系数描述网络集中化程度，具有相同邻居的节点可能彼此连接，衡量的是节点[i]的几个邻居本身互相是邻居的概率，用邻居的数量除以邻居对的数量表示，节点[i]的聚类系数[ci]定义如下：

其中，[gi]为节点度;[gjk，i]表示当[j，k]互相连接时，[j，k]又同时是节点[i]的邻居，否则为0。聚类系数越高，则网络的关联水平越高，同时也越容易形成小集团。

（二）数据说明

本文以申银万国一级行业分类下银行和非银金融机构作为研究对象，选取2008年之前上市的51家金融机构，涵盖银行业、保险业、证券业以及多元金融业。样本区间包含2008年1月1日—2019年9月30日共计2860个交易数据，市场指数采用上证金融业指数，数据均来自万得数据库。其中，四类金融行业51家上市金融机构名单及英文简写見表1。

三、实证结果及分析

（一）系统性风险的测度与系统重要性部门

本文采用CoVaR①、ΔCoVaR以及MES测算系统性风险，基于所有样本机构和算法平均原则，测算整个金融市场以及四个金融行业的系统性风险。

图1展现了三种测算方法下我国金融机构整体系统性风险大小，阴影区标识发生明显波动的区间，曲线仅展示趋势变化，不代表数值大小。结果显示，三种方法计算所得的系统性风险时变趋势基本一致，2008—2019年出现四个较为明显的波动。2008年，美国金融危机蔓延至中国金融市场，系统性风险在十二年间出现第一个峰值;2013年，银行钱荒迎来系统性风险的第二个小峰值;2015年，国内股市千股跌停，金融市场系统性风险骤升，达到继2008年之后系统性风险的又一个高点;2018年，中美贸易摩擦影响国内金融市场，系统性风险再一次小幅上升。2019年开始，系统性风险呈下降趋势，在没有黑天鹅事件情况下，预计未来一段时间金融市场将会比较稳定。

不同金融行业的风险走势与金融市场整体走势基本一致，但是四个行业之间风险大小存在明显差异，具体如图2所示。银行业和证券业在危机期间呈现出较大的系统性风险，在其他时间段反而略低于保险业和多元金融业，银行业的系统性风险甚至出现阶段性低点。作为金融市场的中坚力量，银行业受到的市场冲击最大，危机时期系统性风险较大，但由于其主导地位，受到的监管关注较高，因此，风险管理较好，平稳时期系统性风险较小。保险业系统性风险紧随其后，并在平稳时期略高于其他行业，其系统性风险应引起重视。证券业系统性风险次于银行业和保险业，其经营业务广泛，风险管理难度大，危机时期系统性风险较高;同样，由于所受监管较严，证券业平稳时期系统性风险控制比较到位。多元金融业作为实体经济与金融行业一体化的全链条商业生态圈，系统性风险最小，是目前市场上金融机构寻求转型的热门选项。

为了研究不同时期系统性风险的特点，除观察全样本时期以外，本文还对系统性风险处于波峰的2015年以及处于波谷的2017年做了对比分析。2015年国内千股跌停，代表金融行业受到较大冲击的危机时期;2017年大资管新规落地、表外理财正式纳入中央银行宏观审慎评估体系（MPA）考核、规范整顿“现金贷”等监管措施相继落地，被誉为监管大年的2017年代表监管力度加大的平稳时期。表2对全样本时期、危机时期以及平稳时期四类金融行业的系统重要性进行排名。就整个时期而言，银行业对金融市场的风险溢出明显，但是系统性风险排名靠后，银行业机构内部风险管理较好;证券业正好相反，系统性风险排名靠前，内部风险管理难度大，但对金融市场的风险溢出排名靠后，影响力有限;多元金融业在2015年危机时期表现出较小的系统性风险，实体经济与金融一体化的模式具有风险控制的优势;保险业在2017年平稳时期以及2015年危机时期风险排名都比较靠前，该行业系统性风险危机不容忽视。就不同时期系统性风险而言，2015年各行业系统性风险明显大于2017年以及全样本时期;银行业和证券业在2015年的系统性风险排名和系统性风险溢出排名都要超过2017年，而保险业2017年各指标排名皆高于2015年，由此可知，危机期间银行业和证券业是市场系统性风险爆发的主导力量，对其重点监管具有政策合理性;平稳时期保险业是系统性风险积聚的潜在危险，同样需要严格规范。

CoVaR和MES排名略有差异主要由于两者定义不同。CoVaR模型主要计算极端风险损失，MES在CoVaR计算极端损失的基础上，计算了极端风险之外的损失平均值。全样本时期和2017平稳时期影响两种系统性风险排名的是多元金融业，加入极端风险之外的损失后，多元金融业系统性风险变小，主要是由于多元金融业创新化的金融模式增加极端风险概率，但全链条多元化的金融模式可以分散额外风险，所以只计算极端风险的CoVaR系统性风险排名靠前，而加入日常损失的MES则排名靠后。2015危机时期影响系统性风险排名的是银行业。由于在中国金融市场具有核心地位，银行业承担了危机时期绝大部分的风险冲击，计算极端风险的CoVaR系统性风险排名靠前，而作为监管关注重点，其日常风险管理较为到位，加入日常损失的MES系统性风险排名靠后。

ΔCoVaR是系统性风险溢出，与CoVaR和MES测算的系统性风险大小有所不同，它是指单个机构发生极端风险时对市场风险的贡献度。ΔCoVaR在不同时期的排名基本一致，银行业在金融市场中资金规模最大，其系统性风险溢出最明显;保险业资金规模仅次于银行，其风险事件对市场系统性风险的溢出次之;证券业系统性风险溢出排名第三，符合其资金规模略小，但业务影响广泛的特征;多元金融业对金融市场的影响较弱，溢出效应最小。

综上，系统性风险波峰大致对应2008年、2013年、2015年以及2018的风险集聚尾部事件，波谷大致对应2012年、2014年以及2017年，CoVaR、ΔCoVaR以及MES对系统性风险的度量基本符合实际情况，作为系统性重要部门的银行业、保险业和证券业需要受到重点监管。为比较两种系统性风险监管选择的结果，后文将基于另一监管视角，构造以2015年和2017年为代表的危机时期和平稳时期信息溢出网络。

（二）金融机构信息溢出网络

从金融网络监管视角入手，本文基于51家金融机构的收益率序列，考察两两机构之间格兰杰因果联系，构建信息溢出网络模型。第一步，通过主成分分析检测整个时期各个金融机构之间的共性。第二步，为探讨单个金融机构之间具体的联系，本文基于格兰杰因果关系构建了金融机構的信息溢出网络，可视化网络如图3所示。网络以机构为顶点，以因果关系为边，若机构A向机构B发射一条直线，表明机构A的收益率波动可以预测机构B的波动，机构AB之间存在信息溢出路径，也即AB之间相互关联。可视图中，黑色代表银行，深灰色代表保险公司，白色代表证券公司，浅灰色代表多元金融机构。节点的大小代表股票市值的大小，从规模方面反映机构在金融网络中的地位，图中节点较大的银行处于首要地位，其次是保险公司。错综复杂的信息溢出网络反映整个金融市场的关联性，整体上危机时期与平稳时期关联网络密集度没有显著差别，但是网络结构呈现差异性特征。危机时期关联网络图结构复杂，不同行业金融机构联系紧密，为系统性风险跨部门溢出提供通道;平稳时期网络关联图比较规律，同行业金融机构关联更加紧密，系统性风险多在部门内传导，影响范围小且不易形成大范围危机。观察网络中不同类型金融机构发现：银行在危机时期的信息溢出网络中与各类金融机构都有紧密联系，是风险传染的主导力量，而在平稳时期信息外溢较少;多元金融机构数量众多，危机时期关联网络多建立在行业内部和证券公司之间，助力构建繁杂的传染路径;保险机构与其他金融机构在危机时期的关联性最弱，即风险传导能力最弱，同时，受其他金融机构影响最小，平稳时期多与银行相关联;证券机构平稳时期信息外溢更强烈，是潜在的不稳定因素。因此，危机时期系统性风险主要通过银行业、多元金融业传导，平稳时期风险传导路径主要在同行业内部。

基于相同的理论基础，计算出2009—2019年动态格兰杰因果指数（见图4），其中黑色曲线代表关联性，阴影部分标注关联性较强的部分。图中2010年、2012年、2014年、2015年、2018年的格兰杰因果指数位于阴影部分，表示相应时间金融市场关联紧密。结合上文发现，图1系统性风险时变图与图4具有类似走势，同时，图1中系统性风险峰值出现在2008年、2013年、2015年以及2018年，系统性风险峰值时间点也类似于图4因果指数，因此，动态格兰杰因果指数一定程度上预测了系统性风险的走势，后文继续探讨动态因果指数的预警效果。

为了进一步观察信息溢出网络特征，图5呈现2015年危机时期和2017年平稳时期51家金融机构的中心度指标柱状图。紧密度中心性指标在危机时期和平稳时期展现较大差异，危机时期法尔胜、建设银行、工商银行、中油资本、中国人寿、民生银行、交通银行、熊猫金控的紧密度中心性指标远高于其他金融机构，中心性值都在10以上。由于緊密度中心性是取最短路径的倒数，因此，紧密度中心性数值大的金融机构在危机时期与其他金融机构的连接路径短，更容易将风险传染至其他金融机构，也更容易受到其他金融机构风险的传染。此外，各机构的相对度数中心性、特征向量中心性以及聚类系数在危机时期的平均值普遍大于平稳时期，说明在重要性和聚集程度方面，各个指标皆显示危机时期金融机构的中心性相对上升，金融关联网络表现出“小世界”特征。

根据算法平均原则，表3从数值上比较不同金融行业中心度指数的大小和排名。全样本时期，不同指标下金融行业的表现各不相同，银行业中心地位较为突出，多元金融业中心地位最弱。危机时期没有中心地位特别突出的行业，每个金融行业在不同的中心度指标下都表现出一定程度的中心地位，说明危机时期每个金融行业都是系统性风险传导的重要节点，需要全方位加强监管。平稳时期，保险业的中心度指标全部最高且多元金融业全部最低。由此可见，处于网络中心的金融行业主要是银行业和保险业，它们在网络中影响较大且是信息溢出网络的重要节点，应作为重点监管对象。

综合以上研究，就整个观察期而言，银行业和保险业需要重点监管;危机时期，多元金融业以及证券业需要重点规范交易行为;平稳时期，行业内部需要防止系统性风险的积聚。金融关联网络展现了更具体的系统性风险行为，有利于更准确的监管措施的开展。

（三）信息溢出网络对系统性风险的预警

依据上文的分析可知，机构关联指数一定程度上预测了金融市场系统性风险时变趋势，为进一步研究关联指数的预警效果，本文的关联指数由动态格兰杰因果指数DCI表示。观察图1金融市场系统性风险波动图和图4动态因果指数时变图，系统性风险对应风险事件的波峰出现在2008年、2013年、2015年以及2019年初，而动态因果指数对应时间段的波峰出现在2012年、2014年以及2018年初，可以发现动态因果指数约提前一年（即4个季度）达到高峰。另外，对解释变量进行ADF检验，发现滞后4阶表现最佳。因此，选择滞后4个季度的动态格兰杰因果指数DCIL4作为解释变量，系统性风险作为被解释变量。同时基于张天顶（2017）[27]、胡宗义（2017）[28]等人的研究，选取五个宏观因素作为状态变量，分别是货币供应量M2、国内信贷DC、国内生产总值GDP、房地产投资指数HI以及财政收支差额FB，并对前三个状态变量取对数，且保留财政收支差额的符号。由于大部分宏观经济变量只公布了季度数据，因此，将系统性风险日度高频数据取平均值转化成季度低频数据建立回归模型，然后分析信息溢出网络关联指标以及部分宏观因素对系统性风险的影响，回归结果见表4。

由上述三式可知，滞后4个季度的动态格兰杰因果指数与系统性风险显著成正比，金融机构相互关联越紧密则系统性风险越大。动态格兰杰因果指数滞后4个季度表示关联指标提前一年预测到系统性风险的发生，该指数是一个良好的系统性风险预示指标，因此，信息溢出网络对系统性风险具有一定预警作用。同时，四个宏观状态变量也与系统性风险显著相关：货币供应量M2与系统性风险显著成正比，货币供应量M2增加时金融市场流通的货币量增大，资本运作过程中系统性风险也会增大;国内信贷DC、国内生产总值GDP以及财政收支差额FB与系统性风险显著负相关。国内信贷DC属于表内业务且受到严格监管，是一种比较安全的融资手段，当信贷规模增大时系统性风险会减小。而国内生产总值GDP增大时，经济情况向好发展，系统性风险也会变小。财政收支差额FB偏向赤字时，经济压力增大，系统性风险增大。由此可见，机构关联指标和部分宏观因素都对系统性风险具有显著影响，从成因角度预防系统性风险爆发，要特别注意以上因素的异常变动，同时，信息溢出网络的动态因果指数可作为系统性风险的先导指标。

四、结论与建议

本文从系统重要性金融行业和金融关联网络两个监管视角进行研究：一方面，通过提高资本要求或降低杠杆率加强对系统重要性部门的监管，从而降低金融脆弱性;另一方面，基于金融网络控制系统性风险传染的路径，降低大规模关联风险事件发生的概率，从金融网络视角强化金融整体安全性。

系统重要性部门监管选择表明：三类系统性风险测算方法均能准确识别出我国标志性尾部风险事件，体现了系统性风险测度方法的可靠性;四个金融行业整体风险走势基本一致，银行业和证券业系统性风险表现出“危机时期极大且平稳时期极小”的特点，是风险爆发最具影响的行业;保险业在全样本时期系统性风险紧随银行业，在平稳时期明显高于其他行业，可被视为系统性风险爆发的潜在推动力;而多元金融业系统性风险最小，成为目前市场上金融机构寻求转型的热门选项。基于此，监管部门应对银行业、证券业以及保险业重点监管，防范银行业系统性风险溢出，督促证券业加强内部风险管理，重视保险业潜在风险并借鉴多元金融全链条管理模式分散系统性风险。

金融网络监管选择结果显示：其一，危机期间和平稳时期格兰杰因果关联网络结构显著不同。危机时期关联网络表现为不同行业的机构关联，主要通过银行业、多元金融业传导风险，平稳时期同行业金融机构关联更加紧密。其二，格兰杰因果指数出现阶段性高位，2010年、2012年、2014年、2015年和2018年的格兰杰因果指数较大，并且提前一年预警标志性尾部风险事件。根据复杂网络模型理论得到的网络特征，全样本时期银行业中心地位较高，多元金融业最低;危机时期没有中心地位特别突出的行业;平稳时期保险业中心地位较高。另外，机构的封闭度中心性、相对度数中心性、特征向量中心性、聚类系数在危机时期的平均数值普遍大于平稳时期，危机时期金融机构关联网络表现出“小世界”特征。因此，防范系统性风险，应强化跨部门金融风险监管，利用先导指标动态因果指数预警系统性风险。整体上，应当规范银行业和保险业的交易行为，可通过征收系统性风险交易税降低风险交易行为的概率，并在危机时期注意防控多元金融业的系统性风险。

本文还利用动态因果指数考察信息溢出网络对系统性风险的预警作用。研究结果表明，滞后4个季度的动态格兰杰因果指数与系统性风险显著成正比，信息溢出网络对系统性风险具有明显的预警效果;货币供应量M2与系统性风险显著成正比;国内信贷DC、国内生产总值GDP以及财政收支差额FB与系统性风险显著负相关，当金融市场关联性增强、货币供应量显著增加、国内信贷收缩、国内生产总值下降或者财政收支差额偏向赤字时，监管组织应警惕潜在的系统性风险并加强对金融机构的监管。

综上，两种监管选择最主要的监管重点都是银行业和保险业，两种监管选择得出的监管建议基本一致，说明两种方法的监管方向具有科学性，而信息溢出网络动态因果指数提前一年预警系统性风险，且理论上网络监管视角不损害市场效率，因此，就功能和效率而言，信息溢出网络是更好的监管选择。

本文主要有两个方面的局限：一是本文研究范围仅包括2008年之前上市的51家金融机构，由此展现的金融市场与实际情况有偏差。二是没有进一步模拟考察两种监管视角的效果。未来的研究可以随金融市场的演变进一步完善对系统性风险的度量，并且通过模拟监管建议考察监管效果，深入挖掘分析两种监管选择的优劣。

注：

1结合我国上市金融机构收益率序列，计算动态CoVaR度量系统性风险时，选择了如下控制变量：沪深300收益率、3月SHIBOR指数、美国10年期国债与3月期国债利差、中国10年期国债与3月期国债利差和中国3个月国债即期利率。

参考文献：

[1]Poledna S，Bochmann O，Thurner S. 2017. Basel III Capital Surcharges for G-SIBs are Far Less Effective in Managing Systemic Risk in Comparison to Network-based，Systemic Risk-Dependent Financial Transaction Taxes [J].Journal of Economic Dynamics and Control，77.

[2]张天顶，张宇.我国金融市场系统重要性机构的评估及政策启示 [J].管理评论，2018，30（01）.

[3]胡宗义，李毅，万闯.基于贝叶斯GARCH-Expectile模型的VaR和ES风险度量 [J].数理统计与管理，2020，39（03）.

[4]罗萍.商业银行金融创新与系统性风险 [J].金融发展研究，2020，（02）.

[5]Adrian T，Brunnermeier M K. 2016. CoVaR [J]. American Economic Review，106（07）.

[6]Acharya V，Pedersen L，Philippon T，Richardson M. 2010. Measuring Systemic Risk [R].FRB of Cleveland Working Paper.

[7]宋加山，蔣坤良，周学伟.基于GAS-混合Copula模型的不同行业系统性风险研究 [J].统计与信息论坛，2020，35（05）.

[8]Poledna S，Thurner S. 2016. Elimination of Systemic Risk in Financial Networks by Means of a Systemic Risk Transaction Tax [J].Quantitative Finance，16（10）.

[9]石大龙，白雪梅.网络结构、危机传染与系统性风险 [J].财经问题研究，2015，（04）.

[10]齐明，许文静.复杂网络下金融机构的系统性风险研究 [J].技术经济与管理研究，2019，（08）.

[11]张志刚，黄解宇，孙维峰.中国银行业系统性风险演进及影响因素研究 [J].数理统计与管理，2019，38（05）.

[12]何奕，童牧，吴珊，尚诗昆. 复杂金融网络中的系统性风险与流动性救助：基于不同网络拓扑结构的研究 [J]. 系统工程理论与实践，2019，39（06）.

[13]Billio M，Getmansky M，Lo A W，Pelizzon L.  2012. Econometric Measures of Connectedness and Systemic Risk in the Finance and Insurance Sectors [J].Journal of Financial Economics，104（03）.

[14]高波，任若恩.基于Granger因果网络模型的金融机构系统重要性评估 [J].管理评论，2013，25（06）.

[15]Gong X L，Liu X H，Xiong X，Zhang W. 2019. Financial Systemic Risk Measurement based on Causal Network Connectedness Analysis [J].International Review of Economics and Finance，64.

[16]Diebold F X，Yilmaz K. 2014. On the Network Topology of Variance Decompositions：Measuring the Connectedness of Financial Firms [J].Journal of Econometrics，182（01）.

[17]胡利琴，胡蝶，彭红枫.机构关联、网络结构与银行业系统性风险传染——基于VAR-NETWORK模型的实证分析 [J]. 国际金融研究，2018，（06）.

[18]Xu Q F，Li M T，Jiang G X，He Y Y. 2019. Interconnectedness and Systemic Risk Network of Chinese Financial Institutions：A LASSO-CoVaR Approach [J].Physica A：Statistical Mechanics and its Applications，534.

[19]李政，鲁晏辰，刘淇.尾部风险网络、系统性风险贡献与我国金融业监管 [J].经济学动态，2019a，（07）.

[20]李政，刘淇，梁琪. 基于经济金融关联网络的中国系统性风险防范研究 [J]. 统计研究，2019b，36（02）.

[21]叶莉，王远哲，陈勇勇.基于尾部风险关联网络的中国金融机构间风险溢出效应研究 [J]. 统计与信息论坛，2019，34（03）.

[22]冯燕，王耀东. 保险业系统性风险传染研究——基于格兰杰因果关系模型 [J].金融与经济，2018，（02）.

[23]李政，梁琪，涂晓枫.我国上市金融机构关联性研究——基于网络分析法 [J].金融研究，2016，（08）.

[24]王丹，黃玮强.基于信息溢出网络的我国行业关联性研究 [J].运筹与管理，2019，28（09）.

[25]João B R B B，Thiago C S，Sergio R S D S. 2018. Identifying Systemic Risk Drivers in Financial Networks [J]. Physica A：Statistical Mechanics and its Applications，503（01）.

[26]黄玮强，庄新田，姚爽.基于信息溢出网络的金融机构风险传染研究 [J].系统管理学报，2018，27（02）.

[27]张天顶，张宇.模型不确定下我国商业银行系统性风险影响因素分析 [J]. 国际金融研究，2017，（03）.

[28]胡宗义，刘砚伊.基于金融压力指数的金融系统性风险测度及影响因素 [J].财经理论与实践，2017，38（04）.

3223501908267