基于动态CoVar 模型的商业银行系统性风险研究

张晓雪

（淮南师范学院 金融与数学学院，安徽 淮南 232038）

一、引言

商业银行的稳定与中国金融体系的稳定密切相关， 其对中国经济的持续健康发展有着重要意义。 商业银行一旦出现系统性风险，则会危及中国实体经济的发展，风险的快速蔓延与传播甚至会引发金融危机。 当前银行业保险业运行总体平稳，主要指标处于合理区间，但风险形势依然复杂，商业银行体系仍存在诸多不确定性和不稳定性。银行存款激烈竞争虽有利于实现银行业市场主体的多元化，但也可能导致银行承担过度的风险，甚至危及银行业的安全。 中国银行业风险总体可控，但形势依然严峻复杂，面临若干重大挑战，当前任务是全面推进银行业改革，转变银行业发展重心，由高速度转向高质量发展， 坚决防止发生银行系统性风险。因此，在上述背景下，文章通过探讨银行系统性风险的溢出价值，不仅为银行制定发展与投资策略提供理论依据，而且为银行和监管机构在面对新的存款竞争环境下如何防范及化解银行系统性风险，具有一定的理论和现实意义。

二、文献综述

李明辉和黄叶苨利用 2005—2016 年 16 家上市银行的周收益率数据， 选用CoVaR 模型测算了各银行的条件在险值 (CoVaR) 和系统风险溢出值（△CoVaR），从动态分析的结果图可以看出，大型国有银行的风险溢出值要高于股份制银行［1］。 通过最小二乘法的回归结果发现，银行规模、监管力度和银行间的关联性是影响系统性风险的关键因素。高国华和潘英丽基于动态CoVaR 方法运用金融市场的股价数据研究发现，建设银行、中国银行和工商银行的风险溢出价值最高，其原因主要由于此3家银行居于我国银行业的主导地位，占据的总资产达到银行业的一半以上，而正是这3 家银行较高的不良贷款率造成△CoVaR 的值偏高， 进而表明风险传染和溢出效应越高［2］。 岳敏应用基于GARCH模型的CoVaR 方法对中国16 家上市银行的系统性风险贡献度进行了实证分析,研究发现单个银行发生危机会通过各种作用渠道增添整个银行体系的风险［3］。此外,回归结果发现银行贷款客户集中度与其对系统性风险的贡献度之间存在负相关关系。文章基于上述学者的研究发现，采用不同方法和变量对银行系统性风险传染进行测度，其结果对银行稳定性的影响存在差异。 因此文章利用条件在险价值法进行分析，以期精确地计算出各个银行的系统性风险的溢出价值。

吴敏灵（2018）基于我国14 家上市银行2008—2015 年的相关数据,采用MES（边际期望损失法）分别研究了我国大小型股份制上市银行的系统性风险贡献度问题［4］。 认为系统性风险贡献与某些银行特征变量密切相关,在险价值和杠杆率对系统性风险贡献有显著正影响,银行规模对系统性风险贡献有显著负影响。汉桂民等利用稳健最小二乘模型考察了外资银行的进入对中国银行系统性风险的影响,时间跨度2003—2015 年,结果发现外资银行的进入跟中国银行系统的稳定性有显著相关性［5］。白静选取了2010—2020 年16 家银行的日收盘价，通过构建GARCH-DCC-Copula-CoVar 模型，从动态视角下刻画了商业银行与银行体系间的相依结构,同时测度了各商业银行对银行体系的系统性风险溢出效应。研究表明国有大型商业银行与银行体系的系统性关联度最大［6］。

三、银行系统性风险的度量模型

CoVaR 主要用于测度一家银行的倒闭给其他银行或银行体系带来的溢出效应,这个溢出效应称之为系统性风险的贡献度 （ΔCoVaR），ΔCoVaR 表示银行处于正常经营活动下面临的风险价值与处于危机状态时面临的风险价值的差值。

其公式如下：

其中，VaR 表示某一金融资产在未来的最大可能损失，q 是某一置信水平，代表了当银行i 发生危机或倒闭时， 对银行j 造成的总的风险贡献度，而为了真实刻画银行i 对银行j 造成的损失，此时的风险溢出价值为：

同理，当银行i 发生危机或倒闭时，对银行整个系统造成的风险溢出价值为：

文章运用条件在险价值(CoVaR)来测度银行系统风险，研究商业银行的系统性风险和其重要性排名的问题， 该方法将一系列状态变量引入模型中，从而能够得出各银行系统性风险贡献程度的动态变化。因此文章借鉴其方法，对14 家银行的周收盘价进行数据计算得出周收益率，再分别计算银行危机情况时(q=0.05) 和 正常状态时(q=0.5)的条件在险值(CoVaR)，最后利用银行i 危机情况时(q=0.05)和正常状态时(q=0.5)的条件在险值(CoVaR)的差值，即可得出银行i 对系统风险溢出价值ΔCoVaR。而此时的ΔCoVaR 即文章中的被解释变量，一般为负值，因此取其绝对值，若绝对值越大，则银行i 造成的系统风险越大；反之，绝对值越小，银行的系统风险则越小。

国内外学者构建银行系统性风险动态研究模型， 对银行系统性风险的度量均采用不同方法，文章则运用分位数回归法， 对银行i 设立q=0.05 的分位数回归：

其中Pt为周收盘价为滞后一期的状态变量。 文章参考李明辉和黄叶苨［1］的研究，选取市场收益率、期限利差、国房景气指数和居民价格消费指数4 个状态变量，银行整个系统的周收益率为各银行的股本数和周收益率得出的加权平均收益率：

其中k 为股本数代表权重， 之后再设立q=0.5的分位数回归：

利用公式(4)(6)求出各个系数估计值，再带入(4)求出各个银行的在险价值VaR：

（一）正态性检验

文章利用SPSS23.0 软件对各银行的收益率序列进行正态性检验， 通过柯尔莫戈洛夫-斯米诺夫检验（K-S）和夏皮洛-威尔克检验（S-W）发现各银行收益率的显著性P 值均小于0.05， 拒绝原假设，即所有的收益率序列均不呈正态分布。为了进一步检验序列是否呈正态分布，通过查看收益率序列的峰度进一步确认。 一般而言正态性的峰度值为3，而SPSS23.0 软件中将正态分布峰度值定为0 则是因为在此基础上已经减去3，直接与正态分布进行对比。 研究发现，所有峰度值均大于0，如表1 所示。因此度量银行系统性风险时利用分位数回归方法所得结果更为精确。

表1 各银行峰度值

（二）平稳性检验

关于时间序列数据的平稳性检验，最常见且有效的方法就是单位根检验，或者叫做ADF 检验。通过Eviews10.0 软件对所有收益率序列进行检验，如表3 所示， 所有ADF 检验值均小于1%显著水平的检验值-3.443， 并且ADF 检验的t 检验统计量的p值均等于0。因此，所有的收益率时间序列在1%的显著性水平下拒绝原假设，即不含单位根均是平稳的。

表2 收益率序列ADF 检验值

表3 主要状态变量的选择

（三）条件在险价值

通过以上正态性检验和平稳性检验，可以证明所有的收益率序列不是正态分布且是平稳的时间序列。文章选择分位数回归来估计银行的系统性风险。

表4 系统重要性指标排名

四、研究结论

由模型(4)—(12)通过分位数回归计算得出各个银行的△CoVaR 值， 再通过描述性统计可以发现文章得出的数据与以往经验基本一致。 从△CoVaR 的绝对值来看，工商银行、中国银行、建设银行和交通银行这4 个大型国有制银行的风险溢出价值比其他股份制银行高，因此对整个银行系统造成的风险冲击较大。 而根据FSB 公布的全球系统性的重要名单中，工商银行和中国银行已经被列入其中，因此文章所研究的结果与实际情况相吻合。中信银行与民营银行的代表民生银行的均值仅次于国有制银行，由此可认为这两个银行可能存在威胁银行系统稳定性的潜在因素。文章在建立面板数据前，将各银行的条件风险价值ΔCoVaR 值求其年度平均值，从图1 的条件在险价值的动态变化中可知，2008 年系统性风险的ΔCoVaR 值较大，其主要原因在于当时中国正处于国际金融危机冲击的时期，经济受到一定影响，银行系统性风险明显增大。此外还可以看出，工商银行、中国银行和建设银行波动幅度较大， 而在2009—2010 年由于世界经济的全面复苏，经济外部环境有所改善，加之中国经济开始强劲复苏，银行的抗压弹性增强，因此系统性风险有所缓和。而在2012 年我国GDP 增长率有所趋缓， 银行系统性风险再次呈现增加的趋势。上述研究较为精确地反映各银行系统性风险的溢出价值以及对银行整体的贡献情况，相关银行和监管机构可参考文章的研究结论。

图1 14 家银行△CoVaR 值变化情况