A Systematic Risk Measure of the Chinese Banking Industry Based on SRISK

Yinjie MA, Muyao LI, Zhiqiang JIANG, Weixing ZHOU

China Journal of Econometrics ›› 2021, Vol. 1 ›› Issue (1) : 114-140.

PDF(1614 KB)
PDF(1614 KB)
China Journal of Econometrics ›› 2021, Vol. 1 ›› Issue (1) : 114-140. DOI: 10.12012/2020-0043-27

A Systematic Risk Measure of the Chinese Banking Industry Based on SRISK

Author information +
History +

Abstract

Developing effective systematic risk measures plays an important role in preventing systematic risk. Based on detailed information of 16 Chinese commercial banks and daily returns of China Securities Index (CSI) 300 from Jan-2011 to Dec-2019, we estimate the systematic risk measure of SRISK for the Chinese banks, which is the expected shortfall of a bank conditional on a prolonged market decline, by means of Monte Carlo simulations. The SRISK is applied to reveal risk ranking of banks, uncover risk contagion among industries, and predict macroeconomic indicators. Our results highlight that: 1) SRISK delivers robust rankings of systematically important banks; 2) Despite the fact that some commercial banks are in the same category, they have heterogeneous effects on different industries. State-owned banks are contagious to the entire industry; 3) SRISK can be used to predict PPI and RPI in short term. It is also capable to predict CPI in 2~3 months. Our results indicate that SRISK not only can be incorporated into the risk management system to strengthen prudential supervision of the banking industry, but also satisfies the requirements of macroprudential supervision due to its bank-industry sensitivity.

Key words

SRISK / DCC-GARCH model / Granger causality test / systemically important banks

Cite this article

Download Citations
Yinjie MA , Muyao LI , Zhiqiang JIANG , Weixing ZHOU. A Systematic Risk Measure of the Chinese Banking Industry Based on SRISK. China Journal of Econometrics, 2021, 1(1): 114-140 https://doi.org/10.12012/2020-0043-27

1 引言

1.1 研究背景

2008年次贷危机爆发之后, 大型金融机构资本不足对实体经济的重大负外部性成为了学术界与监管者的关注重点.负外部性主要是指由机构间交易传导的系统性金融风险.随着金融产品的不断创新、金融科技的不断发展, 金融机构间的交易关系日益密切, 同时也使风险快速扩散的概率急剧上升.
从国内视角来看, 随着金融改革进程的加快, 我国经济步入新常态, 银行业成为了重点关注对象. 2013年5月, 中国银行业爆发了钱荒, 流动性紧缩使7天回购利率达到了史无前例的28%, 造成经济下行压力增大, 金融风险集中显性爆发, 在此后不久的2015年发生的股灾更是金融机构开展大量影子业务的直接后果.从国际视角来看, 随着中国金融市场进一步推进对外开放政策, 风险的传染源扩大到了更为广泛的国际层面. 2019年5月, 美国正式宣布将价值2000亿美元的中国输美商品关税提高至25%, 带来的直接结果便是中美双方的实体经济受到打击, 外来风险经由资金融通渠道对中美双方乃至全球金融业造成了负面冲击.同时, 随着互联网金融、金融科技和人工智能AI的普及与兴起, 二十一世纪新兴科技的发展为传统金融业, 尤其是银行业, 带来了全新的挑战. 2019年8月, 中国人民银行正式印发《金融科技发展规划(2019–2021年)》, 提出增强金融风险技防能力依旧是六大重点任务之一.统筹安全与发展, 提升金融风控水平将是金融业未来发展趋势.我国银行业系统性风险具有来源多样化、变动急剧化、预测困难化的特点, 因此, 当务之急是引入适当的风险度量指标对中国银行业系统性风险进行防控.
SRISK指标由Brownless与诺贝尔经济学奖得主Engle (2011)提出, 相较于VaR、CoVaR等传统风险指标, 更加强调在市场持续下跌的情况下金融实体的预期资本缺口, 直观反映监管当局为了维持金融系统正常运作所必须注入的额外资本.从数据源上来看, 相较于国际通用的MES指标, SRISK采用混频数据, 将更新频率较高的交易数据与更新频率较低的财务数据相结合, 能更加全面地反映市场及金融机构在面对多样化风险来源时的潜在资金缺口; 从及时性上来看, SRI-SK基于公开数据, 时时更新的股票价格变化保证了SRISK对于市场变化具有高度联动性; 从预测性上来看, SRISK在基于历史信息的基础上加入蒙特卡罗模拟, 相较于SES、ΔCoVaR等指标更具有前瞻性, 改善了系统性风险预测困难的问题.
金融风险的防范是金融工作的重中之重.在2019年12月召开的中央经济工作会议中, 习近平总书记强调2020年是全面建成小康社会和"十三五"规划收官之年, 要做好经济工作, 必须完善和强化"六稳"举措, 对金融风险进行有效防控.为守住不发生系统性金融风险底线, 需要针对系统重要性金融机构, 尤其是我国的银行业, 研究他们与实体经济及不同行业的关联性, 根据实际风险水平制定风险度量指标, 以此加强对金融系统的审慎监管, 衡量金融机构对整个系统的风险贡献水平, 识别系统重要性机构, 维护金融系统健康而长久地发展. SRISK指标能够较为全面地弥补传统风险指标的疏漏之处, 综合性地反映银行业对于潜在系统性风险的贡献程度.

1.2 文献综述与研究意义

投资者们从2007年至2009年金融危机中吸取的教训之一是大型金融机构的资本不足会给实体经济带来重大的负外部性.依照这个理论, Acharya et al. (2010)认为金融体系的脆弱性发生的原因是企业没有考虑到他们在当中产生的负面外部成本.鉴于此, Brownless and Engle (2011)引入SRISK来衡量金融公司对系统性风险的贡献程度并将其定义为在市场持续下跌的情况下金融实体的预期资本短缺.此后, SRISK指标被广泛用于美国、欧洲和中国市场的系统性风险分析.针对美国市场, Schularick et al. (2012), Tavolaro et al. (2014), Derbali (2017)基于SRISK指标的美国金融机构分类, 对风险来源进行系统分解, 有效识别出雷曼兄弟等金融机构对总系统风险的贡献水平.针对欧洲市场Acharya et al.(2012, 2014), Grinderslev et al. (2016), Coleman et al. (2018)分别针对欧洲主权债务危机事件、欧洲中央银行对欧元区银行偿付能力的综合评估、丹麦金融部门风险水平以及加拿大保险系统开展研究, 结果显示SRISK可以很好地预测银行在2007–2009年金融危机期间所需要的公共资本注入量.与此同时, Giglio et al. (2016), Jouida (2019)发现杠杆率和资本充足率对SRISK冲击反应是负面的.为了满足实施宏观审慎政策的要求, 梁琪等(2013), 王广龙等(2014)指出8%的杠杆率对于中国市场的数据具有一定的局限性, 并采用市值对SRISK进行相对化处理, 说明SRISK指标针对中美市场具有差异性.通过调整符合中国市场规律的SRISK指标计算方法, 毛泽盛和王元(2015), 刚健华等(2018)分别从信贷扩张、汇率改革两方面对SRISK的估计加以修正, 从机理上解释了SRISK在中国市场的有效性. Engle and Ruan (2018)指出尽管国与国之间存在政治或经济环境上的差异, 但压力测试的参数较为稳健, 对国家样本的选取并不敏感, 说明SRISK指标具有一定的普适性.
同时, 考虑到市场冲击的非对称性, Brownless and Engle (2017), Eckernkemper (2018)分别提出并改进了DCC-GARCH、时变二元Copula及双变量非高斯模型的SRISK指标.在捕捉到市场极端风险变化情况后, 学者们将其与传统的VaR、MES、SES、CoVaR等指标进行了对比, 发现银行业保持恒定的违约概率, 会导致损失分布发生变化, 表明经济衰退时期会有过度的去杠杆行为, 而SRISK相较于VaR指标更能表现出该趋势(Adrian and Shin (2014), Banulescu et al. (2015), 周强等(2014), 王周伟等(2015)).从预期损失的角度来看, SRISK作为一种混合指标, 更能衡量机构间"太关联而不能倒"以及"太大而不能倒"的关系(Nucera et al. (2017), 史永东等(2017), 陈湘鹏等(2019)).同时, 不同GARCH簇改进后得到的SRISK指标排名能够反映在金融危机中各机构的风险贡献水平(Brownlees et al. (2017), 童中文等(2017), 张琳等(2018)).
从SRISK分析对象的角度来看, 我国银行业在整个金融网络中处于核心节点, 分析银行业的SRISK变化情况至关重要.首先, 对于银行业内部影响来说, 系统重要性银行造成的巨额损失将通过中心-边缘网络对各银行造成强烈冲击(隋聪和迟国泰等(2014), 唐振鹏等(2016)); 其次, 我国金融体系由银行业主导, 银行的个体危机将通过机构间的关联性传导至全系统(李红权(2020)). 相较于其它行业, 银行业造成系统性金融危机的潜在概率最大, 目前甚至已经显著超过次贷危机时期的同等水平(朱晓谦, 李靖宇和李建平等(2018)).
本文针对SRISK指标, 利用DCC-GARCH模型, 充分考虑了银行业与宏观市场的动态相关性, 且为了衡量市场的不对称冲击效应, 使用GJR-GARCH模型估计条件相关系数, 更符合市场上负向冲击效果大于正向冲击效果的实际情况, 构造更为贴合实际情况的风险指标.与以往的研究相比, 本文在传统的宏观风险指标与宏观经济指标回归的框架下加入个体风险指标与行业指数数据, 从微观、中观、宏观的角度层层深入分析SRISK指标在我国银行业的使用效果.微观和中观上利用格兰杰因果检验, 相较于传统的静态关联性, 考虑了动态条件下的相关系数, 横向研究个体与个体、个体与行业的系统性风险关联度.宏观上引入滞后变量和控制变量, 从短期、中期、长期纵向研究银行业总体风险水平对我国宏观经济的影响.
本文框架如下: 第2节为模型与理论基础; 第3节为个体SRISK指标的微观、中观分析; 第4节为总体SRISK对于宏观变量的回归分析; 第5节为稳健性检验; 第6节总结全文.

2 模型与理论基础

2.1 SRISK指标理论依据及计算方法

金融机构单方面地忽略风险而承担的过多的资金缺口将通过公司规模、杠杆效应及市场效应进行扩大、传导, 从而造成系统性的金融风险, SRISK便是根据以上三种效应而构造的指标(Acharya et al. (2010)).假设金融系统由N个金融机构组成, 而金融机构i在第t天的市值、债务的账面价值、资产价值和资本充足率分别为Wi,tDi,tAi,tk, 同时定义资金缺口为金融机构出于审慎监管的目的而必须保留的资本留存, 由此得到其资本缺口CSi,t为:
CSi,t=kAi,tWi,t=k(Di,t+Wi,t)Wi,t.
(1)
资本缺口可被认为是公司运营资本的相反数.当资本缺口为负数, 即企业有资本盈余时, 企业将正常运作, 但当此缺口为正数时, 企业将陷入困境.根据《巴塞尔协议Ⅲ》的规定, 银行业的资本充足率不得低于8%, 因此将资本充足率k定为8%.本文将在稳健性检验中对资本充足率的选择进行讨论, 探讨不同的资本充足率是否会根本性地影响SRISK指标的性质.股票数据的更新频率远高于财务数据, 同时具有高度的市场敏感性, 因此将系统性风险事件定义为在一定时间h内发生了低于阈值C的市场指数下跌.同时将t+1t+h的市场算术收益记为Rm,t+1:t+h, 自然而然地, 系统性风险事件可被记作{Rm,t+1:t+h<C}.考虑到中国股市的交易机制, 本文将h设置为1个月间的实际交易天数, 并将阈值C设置为市场指数在该时间跨度下累计收益率的10%分位数.
因此SRISK可被定义为系统性风险事件导致的预期资金缺口:
 SRISKi,t=Et(CSi,t+h|Rm,t+1:t+h<C)            =kEt(Di,t+h|Rm,t+1:t+h<C)(1k)Et(Wi,t+h|Rm,t+1:t+h<C).
(2)
同时, 在发生系统性危机后, 由于债务无法被重新协商, 因此意味着kEt(Di,t+h|Rm,t+1:t+h<C)=Dt.基于该假设, 可得到以下结论:
SRISKi,t=kDt(1k)Et(Wi,t+h|Rm,t+1:t+h<C).
(3)
为了将式子变得更为简便, 分别对拟杠杆率LVGi,t和长期边际预期缺口LRMESi,t (基于系统性风险事件的公司股权多期算术收益的期望)进行定义:
LVGi,t=(Di,t+Wi,t)/Wi,t,
(4)
LRMESi,t=Et(Ri,t+1:t+h|Ri,t+1:t+h<C).
(5)
将(4)式与(5)式代入(3)式, 经过等式变换, 即可得到计算SRISK的等式:
SRISKi,t=Wi,t[kLVGi,t+(1k)LRMESi,t1].
(6)
针对系统范围内总体风险水平和相对风险水平, 可分别用简单加总与求比例的方式来衡量:
SRISKt=i=1NSRISKi,t,
(7)
SRISK%i,t=SRISKi,tSRISKt.
(8)
为了得到SRISK的准确度量, 需要对公司发生系统性风险时的预期损失, 即(5)式的长期边际预期缺口LRMES进行估计.假设企业和市场的对数收益分别表示为: ri,t=log(1+Ri,t)rm,t=log(1+Rm,t), 在时间t1可用的信息集Ft1的条件下, 收益率具有未指定的分布D, 其均值为零, 协方差随时间变化.
[ri,trm,t]|Ft1D(0,[σi,t2ρi,tσi,tσm,tρi,tσi,tσm,tσm,t2]).
(9)
本文将使用双变量高斯模型对长期边际预期缺口进行计算, 并以此计算出中国银行业机构对应的SRISK指标.双变量高斯模型不需要对收益率的分布进行假设, 一定程度上减小了模型风险, 但在双变量高斯模型中, Brownless and Engle (2017)指出动态情况下的LRMES没有解析解, 需要通过数值模拟得到其估计量, 具体计算步骤如下:
1) 在计算历史收益率的标准差及相关系数的基础上对机构及市场收益率进行标准化处理, 经过处理后的标准化变量满足均值为0, 方差为1, 且序列无关:
εm,t=rm,tσm,t,
(10)
ξi,t=(ri,tσi,tρi,trm,tσm,t)1ρi,t2.
(11)
2) 根据标准化变量[ξi,t,εm,t], 使用蒙特卡罗模拟的方法构造T+1T+h期的模拟标准化变量, 若模拟次数为S次, 则可得到:
[ξi,T+tsεm,T+ts]t=1,,h,s=1,,S.
(12)
3) 结合式(11)和(12)中的波动率及相关系数, 可将模拟标准化变量转化为模拟对数收益率序列:
[ri,T+tsrm,T+ts]t=1,,h|Ft,s=1,,S.
(13)
4) 将每个模拟对数收益率序列转化为对应的时间长度下的算术收益率:
Ri,T+1:T+hs=exp{t=1hri,T+ts}1.
(14)
同理, 也可计算得到模拟路径s下对应的市场收益率Rm,T+1:T+hs.
5) 以市场收益率作为条件, 筛选出符合条件的模拟路径, 并对这些路径下的模拟收益率进行简单加权平均, 得到长期边际预期缺口LRMESi,T:
LRMESi,T=s=1SRi,T+1:T+hsI{Rm,T+1:T+hs<C}s=1SI{Rm,T+1:T+hs<C}.
(15)
将式(15)中的长期边际预期缺口代入式(6), 即可得到单个机构iT时SRISK指标.由于在计算长期边际预期缺口时, 需要机构与市场的动态相关性.因此在计算机构收益率与市场收益率的波动性时, 需利用DCC-GARCH模型进行动态估计.

2.2 DCC-GARCH模型与理论

随着对金融市场的更深层次研究, 市场冲击对收益率波动的非对称效应被逐步发现. Black (1976)指出收益率负向冲击效果要远大于正向冲击效果, 该现象被称作杠杆效应.因此, Glosten et al. (1993)进一步改进GARCH簇模型, 将负向冲击效果单独剥离, 提出GJR-GARCH模型, 具体如下:
σi,t2=wvi+αviri˙,t12+γV,iri˙,t12Ii,t1+βviσi,t12,
(16)
σm,t2=wm+σm,t2=wm+αV,mrm,t12+γV,mrm,t12Im,t1+βV,mσm,t12.
(17)
{ri,t<0}, 则Ii,t=1.同理, 若{rm,t<0}, 则Im,t=1.模型将收益率对波动率的影响分成正向和负向两方面, 允许正负波动的非对称性, 更贴近实际情况. GJR-GARCH模型的参数可利用极大似然估计求解.
传统GARCH模型的隐含假设为相关系数为常数, 而实际收益率波动的相关性往往具有时变性, 因此, 需根据时间的推移对参数估计进行调整.首先, 在GJR-GARCH模型的基础上, 分别估计出机构与市场的波动率σi,tσm,t, 并对收益率进行标准化, 得到ϵi,t=ri,t/σi,tϵm,t=rm,t/σm,t, 为了得到动态调整后的相关矩阵Rt, 需要引入拟相关矩阵Qi,t:
Cor(ϵi,tϵm,t)=Rt=[1ρi,tρi,t1]=diag(Qi,t)1/2Qi,tdiagQi,t1/2,
(18)
其中Cor、diag分别表示相关系数矩阵与对角阵. Qi,t满足如下式子:
Qi,t=(1αC,iβC,i)Si+αC,i[ϵi,t1ϵm,t1][ϵi,t1ϵm,t1]+βC,iQi,t1,
(19)
其中Si是机构和市场调整后收益的无条件相关矩阵, αC,iβC,i是需要估计的待估参数, 可利用两步极大似然估计计算. 在该模型中, αC,i表示冲击对收益率的影响程度, βC,i表示该冲击影响的持续性, 两者之和越接近1, 则波动的持续性越强.
针对极大似然估计, 可将极大似然函数拆解为动态变化部分Lv(θ)与相关性部分Lc(θ,ϕ), 其计算方法如下:
L(θ,ϕ)=Lv(θ)+Lc(θ,ϕ),
(20)
Lv(θ)=12t(nlog(2π)+2log|Dt|+rtDt2rt),
(21)
Lc(θ,ϕ)=12t(log(Rt)+ϵtRt1ϵtϵtϵt),
(22)
其中Dt为GJR-GARCH模型下得到的标准方差, θDt的参数, ϕ为动态相关系数.两步极大似然估计法下求解θϕ的详细步骤可参考Engle (2002).

3 个体SRISK指标的微观、中观实证分析

3.1 数据处理与基本统计量描述

3.1.1 商业银行日度收益率基本统计量描述与DCC-GARCH参数估计结果

本文以中国商业银行的系统性风险研究为背景, 以我国A股的商业银行作为研究对象.为了保证数据的平稳性和模拟过程中的稳健性, 本文根据上市时间挑选了16家银行(见表 1).本文研究的时间范围是2011年1月1日至2019年12月31日.由于每一家商业银行的上市时间具有差异性, 考虑到较晚上市的银行数据较少, 会导致蒙特卡罗模拟和动态条件相关系数的估计缺乏平稳性.因此, 本文选取2011年1月1日前上市的16家商业银行(如表 1所示)为研究对象, 相应的日度收盘价、市值及季度的负债数据由Wind数据库提供.此外, 本文使用沪深300指数的日收益率作为市场日收益率.
表1 2011年1月1日前上市的商业银行名单
序号 股票代码 股票名称 类别 上市时间
1 000001.SZ 平安银行 股份制商业银行 1991-04-03
2 002142.SZ 宁波银行 城市商业银行 2007-07-19
3 600000.SH 浦发银行 股份制商业银行 1999-11-10
4 600015.SH 华夏银行 股份制商业银行 2003-09-12
5 600016.SH 民生银行 股份制商业银行 2000-12-19
6 600036.SH 招商银行 股份制商业银行 2002-04-09
7 601009.SH 南京银行 城市商业银行 2007-07-19
8 601166.SH 兴业银行 股份制商业银行 2007-02-05
9 601169.SH 北京银行 城市商业银行 2007-09-19
10 601288.SH 农业银行 国有商业银行 2010-07-15
11 601328.SH 交通银行 国有商业银行 2007-05-15
12 601398.SH 工商银行 国有商业银行 2006-10-27
13 601818.SH 光大银行 股份制商业银行 2010-08-18
14 601939.SH 建设银行 国有商业银行 2007-09-25
15 601988.SH 中国银行 国有商业银行 2006-07-05
16 601998.SH 中信银行 股份制商业银行 2007-04-27
表 2给出了市场及商业银行日度收益率的描述性统计.所选取的商业银行的日度收益率均值基本与0接近, 其标准差也都小于0.021, 说明日度收益率数据在所选取的时间范围内基本满足零均值的假设条件, 为了进一步检验该序列的平稳性, 已对市场及银行的日度收益率序列进行了ADF检验, 结果表明市场指数及商业银行的对数收益率序列都满足平稳性, 可以进行GJR-GARCH估计.
表2 市场及商业银行日度收益率的描述性统计
机构名称 平均数 最大值 最小值 标准差 ADF
市场指数 0.0001232 0.0649887 –0.0915443 0.0144848 –45.6377***
平安银行 0.0005197 0.0955476 –0.1055774 0.0210058 –46.4299***
宁波银行 0.0003171 0.0959727 –0.1055361 0.0239517 –47.6768***
浦发银行 0.0003630 0.2006448 –0.1056508 0.0220494 –46.6589***
华夏银行 0.0003900 0.0959486 –0.1058943 0.0230334 –47.1864***
民生银行 0.0004703 0.0962285 –0.1053612 0.0210747 –46.7781***
招商银行 0.0006616 0.0956142 –0.1054425 0.0214779 –47.6227***
南京银行 0.0002836 0.0959128 –0.1055123 0.0221645 –45.6588***
兴业银行 0.0004151 0.0957906 –0.1055822 0.0237139 –46.6738***
北京银行 –0.0000518 0.0958001 –0.1055075 0.0208227 –48.8540***
农业银行 0.0003421 0.0964179 –0.1042379 0.0136319 –46.8061***
交通银行 –0.0000859 0.0962575 –0.1059963 0.0198264 –44.8609***
工商银行 0.0003611 0.0958075 –0.1053520 0.0171654 –47.4571***
光大银行 0.0002383 0.0966340 –0.1044459 0.0176639 –45.7254***
建设银行 0.0001415 0.0956573 –0.1063889 0.0177650 –46.7705***
中国银行 0.0001719 0.0967912 –0.1058078 0.0169363 –46.2804***
中信银行 –0.0000621 0.0961287 –0.1056430 0.0225084 –44.3290***
  注: *、**、*** 分别表示10%、5%和1%的显著性水平.
表 3给出了最后一期(2019年12月31日) GJR-GARCH的参数估计结果, 可以发现α值与β值均显著, 说明上一期的收益率与波动性对当期具有解释力, β值的绝对值较大, 意味着当期收益率的波动情况主要由上一期的波动决定.从杠杆效应来看, γ值衡量了市场收益率下跌时商业银行的敏感程度, 表 3的结果显示市场的非对称效应对于商业银行收益率具有弱显著效果, 但始终保持为负值, 表明相较于正向冲击, 商业银行对于市场的负向冲击更加敏感.
表3 各银行收益率的GJR-GARCH模型参数估计
α γ β
平安银行 0.04520*** –0.01806* 0.96275***
(4.90245) (–1.88364) (92.14289)
宁波银行 0.04812*** 0.011416 0.93439***
(2.67157) (0.59125) (33.96591)
浦发银行 0.02444*** 0.008144 0.969813***
(2.38290) (0.77565) (119.78238)
华夏银行 0.07920*** –0.02807** 0.932189***
(3.78606) (–1.97771) (48.36871)
民生银行 0.08923*** –0.02772* 0.92333***
(4.49070) (–1.82780) (54.97935)
招商银行 0.03691*** –0.0074 0.962502***
(5.41905) (–0.63538) (101.38266)
南京银行 0.06181*** 0.004764 0.928186***
(4.10826) (0.50702) (53.44626)
兴业银行 0.05611*** –0.0038 0.944927***
(4.53548) (–0.68886) (82.44751)
北京银行 0.04844*** –0.00888 0.953532***
(3.53269) (–0.81552) (74.32663)
农业银行 0.069562 –0.03421** 0.936797***
(1.45572) (–2.02405) (15.97875)
交通银行 0.12104*** –0.04575 0.898124***
(3.00560) (–1.64235) (33.08305)
工商银行 0.09554*** –0.03538*** 0.921244***
(3.84687) (–2.33130) (42.42581)
光大银行 0.13906*** –0.06736** 0.879513***
(3.20155) (–2.22310) (25.21735)
建设银行 0.09669*** 0.002042 0.893728***
(4.20896) (1.23825) (37.84939)
中国银行 0.10505*** –0.03641* 0.909262***
(3.53243) (–1.83943) (36.43817)
中信银行 0.09592*** –0.02554 0.905249***
(3.19739) (–1.34776) (31.41630)
  注: 样本期为2011年1月1日至2019年11月30日.其中, *、**、*** 分别表示10%、5%和1%的显著性水平.
表 4给出了各银行与市场的DCC-GARCH参数估计结果. ac描述了当期波动对下一期的影响, βc表示滞后一期的波动对当期的影响, 结果显示滞后期波动对当期波动都具有显著的正向影响.定义λ=ac+βc, λ越接近于1, 表明该正向相关性的持续性越强.
表4 各银行与市场的DCC-GARCH模型参数估计
ac βc λ
平安银行 0.0621*** 0.9199*** 0.9821
(3.4038) (48.0811)
宁波银行 0.0249** 0.9613*** 0.9862
(1.9788) (106.1528)
浦发银行 0.0410*** 0.9472** 0.9882
(3.4729) (56.5071)
华夏银行 0.0167* 0.9620*** 0.9787
(1.6876) (69.3812)
民生银行 0.0431 0.9405*** 0.9836
(1.6353) (31.9185)
招商银行 0.0330** 0.9553*** 0.9884
(2.0606) (82.1928)
南京银行 0.0235 0.9421*** 0.9707
(1.0762) (32.9712)
兴业银行 0.0399*** 0.9421*** 0.9821
(2.5037) (46.3023)
北京银行 0.0361 0.9453*** 0.9782
(0.2040) (8.3816)
农业银行 0.0204* 0.9364 0.9657
(1.6568) (56.8831)
交通银行 0.0407*** 0.9561*** 0.9771
(2.7861) (47.7252)
工商银行 0.0284 0.9494*** 0.9844
(0.7442) (2.9224)
光大银行 0.0256 0.9596*** 0.9750
(1.1367) (26.003)
建设银行 0.0258*** 0.9593*** 0.9854
(2.7700) (96.2202)
中国银行 0.0289 0.9488*** 0.9778
(0.8256) (23.6748)
中信银行 0.0331*** 0.9467*** 0.9798
(2.3373) (58.4865)
  注: 样本期为2011年1月1日至2019年11月30日.其中, *、**、*** 分别表示10%、5%和1%的显著性水平.

3.1.2 SRISK指标描述性统计

在DCC-GARCH模型得到的动态相关性及波动率的基础上, 可通过第2节介绍的双变量高斯模型, 利用蒙特卡罗模拟得到SRISK指标的数值解. 此时的SRISK指标为月度数据, 根据2011年1月1日至2019年12月31日的沪深300历史月度收益率, 可以得到市场指数收益率的10%分位数为8.63%, 因此将风险阈值C取为8.63%, 即将系统性风险事件定义为市场指数在一个月内发生8.63%的下跌.同时依据《巴塞尔协议Ⅲ》, 将用于计算的资本充足率k定为8%.表 5给出了样本区间内商业银行的SRISK指标描述性统计.
表5 商业银行SRISK指标的描述性统计
机构名称 平均数 中位数 最大值 最小值 标准差
平安银行 651.29 676.48 1246.64 105.69 273.45
宁波银行 62.36 95.89 238.05 –207.33 102.75
浦发银行 1321.39 1343.32 2273.58 116.50 518.50
华夏银行 717.66 729.07 1252.98 181.02 276.78
民生银行 1150.99 944.13 2497.79 –8.87 765.10
招商银行 11.29 284.93 1688.74 –2305.99 964.39
南京银行 200.70 189.02 480.66 –91.50 154.26
兴业银行 1437.05 1495.31 2342.83 77.21 581.82
北京银行 440.21 401.40 1046.87 –66.62 262.25
农业银行 4517.22 5003.63 8086.72 401.73 1886.90
交通银行 2080.74 2061.66 3899.74 168.14 983.97
工商银行 2622.62 3335.04 5602.54 –2466.87 2068.29
光大银行 1021.56 954.33 1827.58 24.87 487.57
建设银行 1988.86 2327.04 4430.25 –2407.04 1846.86
中国银行 4044.33 4376.77 7621.59 175.60 1864.38
中信银行 1295.85 1407.91 2697.81 –238.79 737.14
  注: 单位为亿元.
由2011年1月至2019年12月的商业银行SRISK指标可以看出, 传统意义上的四大国有商业银行: 农业银行、中国银行、工商银行、建设银行在SRISK指标上维持较高的水平, 多层次的业务及巨大的市值在SRISK风险指标上得到体现.与之相比, 股份制银行(如: 平安银行、浦发银行)的SRISK值处于中等水平, 随着业务范围受到限制, 所涉足的行业也远不及国有银行, 因此风险来源较国有商业银行单一.以此类推, 宁波银行、北京银行、南京银行等城市商业银行的SRISK值处于低位, 标准差较小, 意味着这些银行在SRISK指标体系下的预期资金缺口及波动较小.
从时间上来看, 图 1描述了16家银行在2011年1月至2019年12月的SRISK指标序列, 可以发现尽管不同商业银行的波动性水平不同, 但在如下时间段上具有相似的变化: 2015年股灾爆发后, 16家商业银行的SRISK值都出现了显著的大幅上升, 从资金缺口的角度上来说, SRISK指标对股市崩盘、市场流动性缺失具有极其迅速的反应; 2017年, 随着A股被纳入MSCI新兴市场指数的信息放出, 市场由于国际资本的流入补充了流动性, SRISK指标也在此时发生了显著的下降, 直观地反映了商业银行风险水平的降低.
图1 商业银行SRISK指标序列

Full size|PPT slide

3.2 SRISK排序及系统重要性银行识别

3.2.1 不同类别商业银行的SRISK排序

表 5可初步观察到, 以农业银行、中国银行为代表的国有商业银行在SRISK指标下具有高均值、高波动性的特点, 其次为平安银行、浦发银行等股份制银行, 最后是北京银行、南京银行等城市商业银行.图 2展示了按类别对商业银行SRISK指标求和的序列.该图直观展示了国有商业银行、股份制商业银行及城市商业银行对我国银行业SRISK风险度量的贡献情况.
图2 不同类别商业银行总体SRISK序列

Full size|PPT slide

从三类商业银行SRISK指标的变化情况来看, 其变动趋势基本保持一致.由于国有银行的巨大体量, 占据超过中国银行业43%的市值, 因此系统性风险的发生将首当其冲地对国有商业银行造成巨大冲击, 从而使其SRISK指标在三者中处于绝对高位.从股份制银行来看, 尽管其总体SRISK指标不及国有商业银行, 但股份制银行的数量要远大于国有商业银行的数量, 从空间和时间上都具有很大的发展潜力.尤其需要关注的是2015年股灾爆发前, 当国有商业银行的SRISK值达到谷底时, 股份制商业银行的SRISK达到了波峰, 出现了反常的逆向趋势, 表明依旧有必要对于股份制商业银行进行系统性风险监控.城市商业银行也是我国银行业不可或缺的一部分, 其SRISK值相较于以上两者较小, 在谋划战略转型的同时依旧需要对风险防控的重视.
结合三者的共同趋势来看, SRISK值都已于2019年达到或接近于历史水平的最高点, 未来银行业可能存在因资金缺口导致的系统性金融风险, 需要警惕.

3.2.2 系统重要性银行识别

从类别上来看, 国有商业银行、股份制商业银行及城市商业银行在SRISK指标体系下具有可分析性.从具体实施的角度考虑, 需要在该分类下对单个金融机构的SRISK值进行分析, 利用其排名情况识别出符合国际通用标准的系统重要性金融机构. 图 3~5分别表示SRISK值、长期边际预期缺口及市值规模最大的国有商业银行, 颜色偏深表示该商业银行在16家机构内对应的指标排名越高, 与之相对, 颜色偏浅表示其排名越低.同时考虑到SRISK排名指标的有效性, 表 6展示了国际金融监督和协调机构金融稳定理事会(FSB)于2018年发布的全球系统重要性银行名单, 并给出了所需要的额外资本缓冲率及等级, 缓冲率及等级越高, 重要性越高.
图3 商业银行SRISK指标动态排名

Full size|PPT slide

图4 商业银行长期边际预期缺口指标动态排名

Full size|PPT slide

图5 商业银行市值规模动态排名

Full size|PPT slide

表6 2019年12月商业银行各指标排名及G-SIB评价
机构名称 SRISK排名 LRMES排名 市值排名 G-SIB评级
中国银行 1 16 4 2(1.5%)
农业银行 2 11 3 1(1.0%)
工商银行 3 9 1 2(1.5%)
交通银行 4 14 6 未入列
建设银行 5 10 2 1(1.0%)
中信银行 6 7 10 未入列
民生银行 7 15 11 未入列
浦发银行 8 6 8 未入列
兴业银行 9 3 7 未入列
光大银行 10 4 12 未入列
华夏银行 11 12 15 未入列
北京银行 12 13 14 未入列
平安银行 13 2 9 未入列
南京银行 14 8 16 未入列
宁波银行 15 1 13 未入列
招商银行 16 5 5 未入列
图 3~5可以发现, 机构是否能够成为系统重要性银行并不单单取决于其市值规模大小, 工商银行作为市值规模最大的国有商业银行, 其系统重要性在SRISK指标体系下要低于中国银行, 意味着即使工商银行的市值大于中国银行, 但在系统性风险事件中, 中国银行更易成为系统性风险来源, 从资金链上进行资金缺口的大规模传导.究其可能的原因是由于中国银行相较于工商银行、农业银行等其他大型国有商业银行, 中国银行更多地涉足于国家外汇交易, 是国家外汇贸易专业银行, 更大程度上受国际市场及汇率波动影响. 2018年至2019年, 中美双方开展的贸易战经过了多回合的拉锯与谈判致使国际外汇市场波动剧烈, 关税加征与汇率调整使中国银行的预期资金缺口有较大幅度的波动, 从而使其成为具有最高SRISK值的商业银行.金融稳定理事会提供的全球系统重要性银行评级也为该现象提供了佐证.由此可见, SRISK指标具有能够识别系统重要性银行的作用.

3.3 银行间SRISK指标与行业指数的格兰杰因果检验

3.3.1 五大国有银行SRISK增长率的格兰杰因果检验

在识别了系统重要性银行的基础上, 为了探究银行间由预期资金缺口导致的风险动态传染机制, 借助格兰杰因果检验, 对排名在前的五大国有银行的SRISK增长率进行分析, 并不断纳入其余十一家银行及行业指数, 从银行间、银行与行业间两个角度进行格兰杰因果分析.表 7展示了五大国有银行间SRISK增长率格兰杰因果检验结果.在进行格兰杰因果检验前, 已对以上数据进行单位根检验, 满足平稳性.
表7 国有银行SRISK增长率格兰杰因果检验结果
Null Hypothesis F-Statistic Prob.
SRISK% does not Granger Cause SRISK% 0.55765 0.5743
SRISK% does not Granger Cause SRISK% 1.80450 0.1698
SRISK% does not Granger Cause SRISK% 0.94218 0.3932
SRISK% does not Granger Cause SRISK% 0.24849 0.7805
SRISK% does not Granger Cause SRISK% 8.67455 0.0003
SRISK% does not Granger Cause SRISK% 11.9175 2E05
SRISK% does not Granger Cause SRISK% 9.35179 0.0002
SRISK% does not Granger Cause SRISK% 6.51352 0.0022
SRISK% does not Granger Cause SRISK% 0.10564 0.8998
SRISK% does not Granger Cause SRISK% 0.06429 0.9378
SRISK% does not Granger Cause SRISK% 0.96251 0.3854
SRISK% does not Granger Cause SRISK% 0.41875 0.6590
SRISK% does not Granger Cause SRISK% 0.81944 0.4436
SRISK% does not Granger Cause SRISK% 3.60105 0.0309
SRISK% does not Granger Cause SRISK% 0.38997 0.6781
SRISK% does not Granger Cause SRISK% 1.27040 0.2852
SRISK% does not Granger Cause SRISK% 4.81409 0.0101
SRISK% does not Granger Cause SRISK% 0.61086 0.5449
SRISK% does not Granger Cause SRISK% 5.27274 0.0066
SRISK% does not Granger Cause SRISK% 6.84076 0.0016
从五大国有银行SRISK增长率的格兰杰因果检验结果可以发现, 在99%的显著性水平下, 排名最高的三大银行: 中国银行、农业银行和工商银行相互间不满足格兰杰因果关系, 交通银行与中国银行互为格兰杰因果, 农业银行为建设银行的单向格兰杰原因, 建设银行与交通银行互为格兰杰因果.
中国银行、农业银行与工商银行间不存在格兰杰因果关系的现象, 其背后存在一定的合理性.中国银行的涉外信贷业务突出, 在外汇交易中占据更多的市场份额; 农业银行侧重于农业开发与建设, 网点与产能布局上较其他大型银行更多地囊括了乡镇地区; 工商银行规模庞大, 涉及领域较广, 且凭借金融科技广泛地拓展基金托管等业务.三者的业务侧重比例不同, 导致其风险来源成分发生变化, 进而使三者的SRISK增长率受不同程度的影响.

3.3.2 银行SRISK增长率与行业指数收益率的格兰杰因果检验

由于不同银行的业务构成、资金规模不同, 当某一银行发生危机事件并产生大量资金缺口时, 对不同的行业也会产生不同的影响.为了探究银行的资金缺口将在风险事件中对哪些行业产生较为强烈的冲击, 有必要对每一家银行SRISK增长率与行业指数收益率进行格兰杰因果检验. 本文选取2011年1月1日至2019年12月31日申万宏源分类下的全部28类行业指数月度对数收益率, 将其余11家银行的SRISK增长率与行业指数月度对数收益率进行单位根检验, 皆满足平稳性, 因此可进行格兰杰因果检验.
图 6可以看出, 五大国有银行的预期资金缺口会对全行业产生强烈冲击.所有五个银行SRISK增长率都是28个行业指数对数收益率的格兰杰原因, 意味着尽管从横向比较上, 五大行的业务及风险来源各有侧重, 但其预期资金缺口造成的影响范围却是针对全行业的, 市值规模大、经营范围广、服务人数多的特点使五大国有银行不可独立于任一行业.
图6 五大国有银行与行业指数的格兰杰因果检验图

Full size|PPT slide

与之相对, 图 7图 8分别表示了股份制商业银行、城市商业银行与行业指数的格兰杰因果关系, 差异明显.股份制商业银行的影响范围依旧广泛, 如平安银行是房地产、建筑装饰等行业的格兰杰原因, 但与国防军工、电子等行业无格兰杰因果关系; 招商银行是国防军工、电子等行业的格兰杰原因, 但与汽车、建筑装饰等行业不构成格兰杰因果关系. SRISK增长率的变化可以对实体行业造成不同程度上的显著性影响.
图7 股份制商业银行与行业指数的格兰杰因果检验图

Full size|PPT slide

图8 城市商业银行与行业指数的格兰杰因果检验图

Full size|PPT slide

由于业务差异化导致不同银行对于不同行业的风险传导产生了不同的效果, 并且该效果在城市商业银行的检验中得到了更充分的体现.受制于资金规模的大小以及业务范围、牌照限制等因素, 城市商业银行所涉足的行业有限, 因此更多地表现为风险接受者.从样本内的三家城市商业银行来看, 能够影响的行业仅有非银金融、银行、建筑装饰、食品饮料及钢铁业.
综上所述, 不同层次的商业银行将会对实体经济产生不同程度的影响, SRISK指标能够反映出资金缺口由银行业向具体行业传递的过程, 当银行出现资金缺口的大幅上升时, 需要重点关注受其影响的行业.国有商业银行的SRISK值较大, 对全行业都能够造成大幅冲击; 股份制银行次之, 针对开展业务的不同, 受其影响的行业也不同.最后是城市商业银行, 尽管受其影响的行业范围较小, 但这些行业贴近日常的民生生活, 仍需要通过SRISK指标进行时时关注.

4 总体SRISK指标的宏观实证分析

4.1 模型设定

系统性风险的增加可能会对实体经济产生负面的溢出效应.结合我国银行业的情况来看, 当银行业的SRISK增大, 会在行业中造成强烈负向冲击, 进而影响实体经济.在此分析基础上, 本章使用回归模型来表明银行业的总体SRISK值在实际经济活动中提供了预警信号, 即使在控制了市场波动性后, 仍能体现SRISK对于宏观指标的预测能力.从实体经济的产业链上下游关系考虑, 生产物价指数(PPI)衡量了一段时间内工业品出厂价格的变化, 直观地反映了上游供给侧的经济状况.经过加工的工业品在市场中流通后, 零售物价指数(RPI)从下游反映了实体经济对于这些产成品的实际需求.随着第三产业的不断扩大, 服务业的规模与日俱增, 因此必须将劳务价格纳入到考虑范围内, 消费物价指数(CPI)应运而生. PPI、RPI、CPI指数能从需求-供给的角度反映我国的宏观经济运行情况.
因此, 本章使用如下模型进行实证研究:
yt+h=α0+i=1pαiyti+1+i=1pβiΔSRISK%ti+1+δxt+ut.
(23)
yt+h表示PPI、RPI、CPI指数的每月超前增长率, h表示领先期, ΔSRISK%t是总SRISK的每月增长率, 反映了16家银行SRISK加总值的变化情况, xt是包含控制变量的向量而ut是假定与控制变量无关的随机误差项.控制变量包括沪深300月度收益率(Rmt)、违约溢价变化率(DSt)、期限溢价变化率(LTSt)以及货币供应量M2增长率δM2t.这里为了衡量货币市场对实体经济的冲击, 参照陈湘鹏等(2019)将违约溢价变化率定义为一年期AA-票据与一年期AAA票据发行利率的差值, 将期限溢价变化率定义为10年期国债和1个月期国债之间的价差变化.回归针对领先期的不同值进行, 范围从提前1个月到12个月不等.为了消除季度因素, 右侧的滞后项p设置为三个月(一个季度).所有的变量选取2011年1月至2019年12月的月度数据.

4.2 回归分析与结果

根据表 8.18.2, 从产业链上游来看, 结合系数的显著性与正负性, 可以发现提前23个月的SRISK增长对PPI的增速有显著正向效应, 意味着当预期资金缺口扩张时, 银行业将收缩信贷业务, 经过23的时间反映在工业品生产价格上, 为了维持利润或减少亏损, 实体产业不得不提升工业品价格.
表8.1 SRISK对PPI的回归结果(1~6期)
领先期 1 2 3 4 5 6
C 0.000 0.002 –0.001 0.004 0.002 0.003
ΔSRISK%t –0.009 –0.009 –0.016 0.003 0.011 0.012
ΔSRISK%t1 –0.031** –0.018 –0.007 0.008 0.009 0.022*
ΔSRISK%t2 –0.022** –0.006 –0.004 0.008 0.018* 0.022**
PPIt 0.251*** 0.011 –0.172* –0.103 –0.040 –0.091
PPIt1 0.004 –0.109 –0.035 –0.027 –0.112 –0.006
PPIt2 –0.161* –0.055 –0.103 –0.092 0.019 –0.006
Rmt –0.023*** –0.006 –0.007 0.000 0.000 0.004
LTSt –0.070 –0.130 0.081 0.006 0.088 0.122
DSt 0.017 –0.004 0.042 –0.044 –0.046 –0.064*
ΔM2t 0.012 0.010 0.013 –0.012 –0.009 –0.014
R2 0.192 0.069 0.079 0.061 0.089 0.139
表8.2 SRISK对PPI的回归结果(7~12期)
领先期 7 8 9 10 11 12
C 0.005 0.004 0.003 0.002 0.005 0.007
ΔSRISK%t 0.009 0.017 0.019 0.008 0.009 0.018
ΔSRISK%t1 0.015 0.025* 0.010 0.003 0.021 0.019
ΔSRISK%t2 0.023* 0.016 0.010 0.011 0.011 0.009
RPIt 0.057 0.171 0.247 0.418 0.345 0.312**
RPIt1 0.084 0.106 0.227 –0.010 0.040 –0.036
RPIt2 0.211 0.121 –0.140 –0.181 –0.316 –0.352
Rmt 0.002 0.002 –0.004 –0.009 0.003 0.010
LTSt –0.097 –0.112 –0.070 0.029 0.020 0.114
DSt –0.037 –0.037 –0.043 0.011 –0.022 –0.082
ΔM2t –0.031 –0.023 –0.021 –0.024 –0.042 –0.056
R2 0.179 0.192 0.180 0.168 0.150 0.191
  注: *、**、*** 分别表示10%、5%和1%的显著性水平.
经过工业品价格的变化之后, 表 9.19.2反映了SRISK对零售物价指数的影响.可以发现, 由于存在生产与销售过程, SRISK对RPI的显著正向影响主要出现在第3~4个月后, 银行业的SRISK增长将在这段时间内表现在零售物价的提升上. 一方面是由于生产资料的成本上升, 另一方面银行业与零售行业也存在信贷关系, 紧缩的信贷政策同样提升了零售行业的资金借贷成本.
表9.1 SRISK对RPI的回归结果(1~6期)
领先期 1 2 3 4 5 6
C 0.000 0.001 0.001 0.001 0.003 0.001
ΔSRISK%t –0.001 0.005 0.014* 0.010 0.002 –0.003
ΔSRISK%t1 0.007 0.017** 0.016* –0.008 –0.014 –0.002
ΔSRISK%t2 0.012** 0.018** 0.009 –0.009 –0.006 0.005
RPIt 1.064*** 0.763*** 0.472*** 0.272 0.095 0.035
RPIt1 –0.401*** –0.361* –0.277 –0.289 –0.160 –0.142
RPIt2 0.069 0.091 0.127 0.237 0.290 0.408**
Rmt 0.004 0.002 –0.005 –0.015 –0.008 0.001
LTSt –0.039 –0.130 –0.217* –0.197* –0.207* –0.148
DSt 0.011 –0.006 0.013 0.013 –0.040 –0.018
ΔM2t 0.000 0.001 0.001 –0.002 –0.007 –0.003
R2 0.689 0.317 0.149 0.095 0.084 0.111
表9.2 SRISK对RPI的回归结果(7~12期)
领先期 7 8 9 10 11 12
C 0.001 0.000 –0.001 –0.002 0.000 0.002
ΔSRISK%t 0.006 0.014 0.019 0.008 0.008 0.016
ΔSRISK%t1 0.010 0.018* 0.007 0.000 0.018 0.023
ΔSRISK%t2 0.021* 0.014 0.008 0.008 0.011 0.010
RPIt 0.011 0.105 0.252 0.510*** 0.488*** 0.365**
RPIt1 0.005 0.149 0.302 0.019 –0.079 –0.190
RPIt2 0.384** 0.217 –0.136 –0.248 –0.324* –0.268
Rmt –0.001 –0.005 –0.010 –0.013 0.001 0.012
LTSt –0.140 –0.156 –0.108 0.000 –0.033 0.009
DSt –0.006 –0.004 –0.012 0.037 0.014 –0.032
ΔM2t –0.004 0.004 0.005 0.003 –0.009 –0.015
R2 0.182 0.218 0.219 0.215 0.158 0.117
  注: *、**、***分别表示10%、5%和1%的显著性水平.
根据表 10.110.2在RPI的基础上, CPI纳入了服务业消费价格, 可以发现SRISK的增长在23内即可反映在CPI的变化上.由于服务业的营业周期要远小于制造业等行业, 因此价格变化的"菜单成本"也小, 由此可见服务业消费价格的敏感性要远高于零售产品价格, 导致CPI指数与PPI指数对于SRISK变化的反应速度几乎同样迅速.不同点在于CPI指数在23内随SRISK的增长出现下降趋势, 但在中期的7个月内出现上升趋势, 在长期的910个月内再次出现下降趋势.原因是服务业消费价格和零售商品价格综合影响着消费品价格, 在短期内, 工业物价指数仍未向下游传导, 但随着系统性风险的提升, 以金融服务为主要业务的银行业面临"强监管"与紧缩货币政策的信号, 导致流通中的资金减少, 服务业消费价格率先下跌, 在中期时, 零售商品价格的增长效果在CPI中得到体现, 导致其向上波动, 但在长期中, 为了对系统性风险采取审慎监管, 宏观政策的效力得以体现, 此时真正出现货币乘数的降低, 领先11期时货币增量的显著负向效果便是该效力的直接体现.
表10.1 SRISK对CPI的回归结果(1~6期)
领先期 1 2 3 4 5 6
C 0.002 0.002 –0.001 0.005* 0.003 0.004
ΔSRISK%t –0.005 –0.010 –0.022* 0.003 0.009 0.015
ΔSRISK%t1 –0.037*** –0.018 –0.006 0.007 0.016 0.028*
ΔSRISK%t2 –0.028** –0.005 –0.008 0.010 0.027** 0.019
CPIt 0.137 –0.049 –0.265*** –0.137 0.021 –0.025
CPIt1 0.014 –0.223** –0.099 0.003 –0.051 0.089
CPIt2 –0.262*** –0.089 –0.027 –0.001 0.123 –0.036
Rmt –0.028*** –0.002 –0.004 0.004 0.004 0.003
LTSt –0.135 –0.104 0.144 0.019 0.127 0.116
DSt –0.013 –0.022 0.026 –0.063 –0.030 –0.071*
ΔM2t 0.015 0.015 0.017 –0.013 –0.013 –0.018
R2 0.208 0.108 0.128 0.051 0.088 0.130
表10.2 SRISK对CPI的回归结果(7~12期)
领先期 7 8 9 10 11 12
C 0.002 0.002 –0.001 0.005* 0.003*** 0.004
ΔSRISK%t –0.005 –0.010 –0.022 0.003 0.009 0.015
ΔSRISK%t1 –0.037 –0.018* –0.006 0.007 0.016 0.028
ΔSRISK%t2 –0.028 –0.005* –0.008 0.010 0.027 0.019
CPIt 0.137 –0.049 –0.265 –0.137* 0.021** –0.025***
CPIt1 0.014 –0.223 –0.099*** 0.003 –0.051*** 0.089***
CPIt2 –0.262 –0.089* –0.027** –0.001*** 0.123*** –0.036
Rmt –0.028 –0.002 –0.004** 0.004 0.004 0.003
LTSt –0.135 –0.104 0.144** 0.019 0.127 0.116
DSt –0.013 –0.022 0.026 –0.063 –0.030 –0.071*
ΔM2t 0.015 0.015 0.017 –0.013* –0.013*** –0.018
R2 0.208 0.108 0.128 0.051 0.088 0.130
  注: *、**、***分别表示10%、5%和1%的显著性水平.
综上所述, SRISK对于宏观指标PPI、RPI、CPI具有一定的预测能力.对于PPI, SRISK的增长将在23内反映到生产物价指数的上升中; 对于RPI, 在PPI增长后的一个月内, SRISK的增长也对RPI的增长具有预测性; 对于CPI, 由于其组成范围较广, 因此预测的趋势比较复杂, 在短期与长期中与SRISK呈现反向变动, 在中期时则表现为同向变动.

5 稳健性检验

由于在SRISK计算的过程中需要设定一些参数, 如资本充足率k、风险阈值C, 因此这些参数的选择将对SRISK指标的计算造成影响. 上述的SRISK基于资本充足率为8%, 风险阈值为10%分位数下市场指数的收益率8.63%.在本章节中, 为了讨论SRISK指标的稳健性, 分别对资本充足率与风险阈值进行调整.根据最新的《商业银行资本管理办法》, 原银监会对系统重要性银行提出的资本充足率要求为11.5%, 因此在本章中考虑将k调整为11.5%.此外, 为了进一步刻画风险事件的发生, 将风险阈值定为2011年1月至2019年12月5%分位数下沪深300指数的月度收益率, 即12.84%.

5.1 SRISK排名的稳健性

若基于不同的参数对SRISK进行计算得到的风险排名具有较大出入, 则说明SRISK指标不具有宏观审慎的参考价值, 因此有必要对其排名进行稳健性检验. 为了实现该目的, 使用Spearman相关系数进行检验, 分别调整资本充足率与风险阈值对SRISK风险排名进行计算, 并与原排名进行比较.
表 11的结果来看无论是调整资本充足率还是风险阈值, 排名间的Spearman相关系数都高达0.80以上, 且绝大多数的相关系数在0.96附近, 同时满足99%置信区间下的显著性.从双变量非高斯模型来看, 资本充足率的提升与风险阈值绝对值的增加都会增加银行业的SRISK指标, 但这些关键参数的选择对于系统重要性银行的识别、SRISK风险排名不会产生过多影响, 意味着SRISK排名具有稳健性, 从稳定性的角度来看, 该排名能够反映银行的系统重要性.
表11 不同参数下SRISK排名的Spearman相关系数
c=12.84% k=11.5% k=11.5%, c=12.84%
2013-Q1 0.9735*** 0.8029*** 0.8029***
2014-Q1 0.9882*** 0.9676*** 0.9618***
2015-Q1 0.9882*** 0.9618*** 0.9618***
2016-Q1 0.9941*** 0.9765*** 0.9765***
2017-Q1 0.9971*** 0.9794*** 0.9735***
2018-Q1 0.9971*** 0.9794*** 0.9735***
2019-Q1 0.9912*** 0.9676*** 0.9618***
  注: *、**、*** 分别表示10%、5%和1%的显著性水平.

5.2 对宏观指标预测能力的稳健性

同样地, 通过调整参数对SRISK的宏观指标预测能力进行稳健性检验, 为节约篇幅, 由于单独调整单一参数的结果相似, 在此处只列出同时调整资本充足率与风险阈值的结果.由表 12~14可以发现, 调整后的SRISK指标仍保持相应的变化趋势, 即在短期内与PPI、RPI呈同向变化, 与CPI反向变化, 在中期和长期分别与CPI呈正向和反向变化.综合表 12~14的回归结果, 两者结论大体一致, 说明SRISK对PPI、RPI、CPI具有稳健的预测能力.
表12.1 SRISK(k=11.5%,c=12.84%)对PPI的回归结果(1~6期)
领先期 1 2 3 4 5 6
C 0.001 0.002 0.000 0.004 0.002 0.003
ΔSRISK%t 0.002 0.000 –0.003 –0.005 –0.005 0.007*
ΔSRISK%t1 0.000* 0.000 –0.006 –0.006* 0.004 0.004
ΔSRISK%t2 0.002* –0.005 –0.007 0.002 0.001 0.007*
PPIt 0.266*** 0.020 –0.152 –0.109 –0.069 –0.115
PPIt1 –0.029 –0.121 –0.040 –0.018 –0.097 0.023
PPIt2 –0.133 –0.045 –0.092 –0.098 0.001 –0.026
Rmt –0.009 0.001 –0.006 –0.006 –0.003 –0.005
LTSt –0.073 –0.139 0.047 0.001 0.122 0.119
DSt 0.012 –0.004 0.036 –0.046 –0.034 –0.062*
ΔM2t 0.009 0.009 0.010 –0.012 –0.004 –0.011
R2 0.127 0.072 0.108 0.118 0.096 0.138
表12.2 SRISK(k=11.5%,c=12.84%)对PPI的回归结果(7~12期)
领先期 7 8 9 10 11 12
C 0.001 0.002 0.001 0.004 0.007*** 0.003
ΔSRISK%t 0.004 0.004 0.002 –0.004 –0.005 –0.003
ΔSRISK%t1 0.004 0.003 0.001 –0.003 –0.006* –0.004
ΔSRISK%t2 0.005 0.001 –0.001 –0.005 –0.006* 0.000
PPIt –0.023 –0.006 –0.008 –0.063 0.155* 0.371
PPIt1 –0.003 –0.017 –0.157 0.127 0.376*** 0.248
PPIt2 –0.045 –0.033 0.261*** 0.403*** 0.223*** –0.137
Rmt –0.002 –0.003 0.018*** 0.009 –0.003 –0.002
LTSt 0.119 0.023 0.136 –0.001 –0.131* –0.013
DSt –0.030 –0.008 0.006 –0.012 –0.039 0.039
ΔM2t –0.005 –0.006 –0.006 –0.023 –0.044*** –0.022
R2 0.067 0.024 0.176 0.283 0.363 0.314
  注: *、**、*** 分别表示10%、5%和1%的显著性水平.
表13.1 SRISK$(k=11.5%,c=12.84%)$对RPI的回归结果(1~6期)
领先期 1 2 3 4 5 6
C 0.000 0.001 0.001 0.001 0.003 0.001
ΔSRISK%t 0.003 0.003 –0.001 0.001 0.002 0.001
ΔSRISK%t1 –0.001 0.004* –0.002 –0.002 0.000 0.003
ΔSRISK%t2 0.000 0.001* 0.000 0.002 0.004 0.001
RPIt 1.078*** 0.784*** 0.459*** 0.268 0.100 0.031
RPIt1 –0.421*** –0.410* –0.289 –0.251 –0.141 –0.142
RPIt2 0.068 0.108 0.136 0.210 0.282 0.414**
Rmt 0.000 –0.007 –0.012 –0.013 –0.003 0.002
LTSt –0.056 –0.147 –0.210* –0.196* –0.207* –0.145
DSt 0.009 –0.008 0.015 0.008 –0.044 –0.015
ΔM2t 0.001 0.002 0.003 –0.003 –0.008 –0.003
R2 0.684 0.307 0.137 0.084 0.083 0.112
表13.2 SRISK(k=11.5%,c=12.84%)对RPI的回归结果(7~12期)
领先期 7 8 9 10 11 12
C 0.001 –0.001 –0.001 –0.002 0.000 0.001
ΔSRISK%t 0.003 0.001 0.004 0.005 0.000 –0.003
ΔSRISK%t1 –0.001 0.000 0.003 –0.001 –0.004 –0.008*
ΔSRISK%t2 0.003 0.004 0.001 –0.001 –0.007 –0.006
RPIt 0.027 0.085 0.208 0.511*** 0.488*** 0.362**
RPIt1 –0.042 0.140 0.378 0.051 –0.100 –0.237
RPIt2 0.409** 0.237 –0.178 –0.287* –0.328* –0.247
Rmt –0.006 –0.013* –0.012 –0.014* –0.008 –0.001
LTSt –0.151 –0.146 –0.096 –0.012 –0.042 0.004
DSt –0.005 0.001 –0.009 0.034 0.016 –0.029
ΔM2t –0.001 0.007 0.007 0.003 –0.007 –0.011
R2 0.167 0.205 0.206 0.222 0.174 0.132
  注: *、**、*** 分别表示10%、5%和1%的显著性水平.
表14.1 SRISK(k=11.5%,c=12.84%)对CPI的回归结果(1~6期)
领先期 1 2 3 4 5 6
C 0.001 0.001 –0.001 0.004 0.001 0.003
ΔSRISK%t 0.004 0.000 –0.004 –0.013** 0.000 0.004
ΔSRISK%t1 0.002 –0.001* –0.012** –0.006 0.003 0.007
ΔSRISK%t2 0.003 –0.009* –0.006 –0.002 0.004 0.008
CPIt 0.080 –0.093 –0.254*** –0.127 0.009 –0.025
CPIt1 –0.064 –0.239** –0.092 0.013 –0.013 0.099
CPIt2 –0.231** –0.088 –0.034 –0.030 0.101 –0.069
Rmt –0.011 0.006 –0.005 –0.002 –0.002 –0.005
LTSt –0.113 –0.087 0.095 0.017 0.107 0.118
DSt –0.017 –0.015 0.027 –0.051 –0.019 –0.061
ΔM2t 0.022 0.027 0.024 –0.005 –0.003 –0.008
R2 0.138 0.152 0.163 0.106 0.040 0.114
表14.2 SRISK(k=11.5%,c=12.84%)对CPI的回归结果(7~12期)
领先期 7 8 9 10 11 12
C 0.000 0.000 –0.002 0.004 0.007*** 0.000
ΔSRISK%t 0.007 0.007 0.002 –0.003 –0.012*** 0.002
ΔSRISK%t1 0.010** 0.007 0.000 –0.013*** –0.004 0.002
ΔSRISK%t2 0.009* 0.002 –0.012*** –0.004 –0.003 0.003
CPIt 0.064 –0.092 –0.137 –0.125 0.180** 0.501***
CPIt1 –0.089 –0.148 –0.229** 0.162 * 0.518*** 0.238***
CPIt2 –0.140 –0.136 0.200** 0.488*** 0.225*** –0.160*
Rmt 0.000 –0.005 0.021*** 0.003 –0.004 0.000
LTSt 0.078 0.032 0.226** –0.013 –0.055 –0.030
DSt –0.015 0.013 0.029 –0.009 –0.028 0.089**
ΔM2t 0.012 0.016 0.012 –0.022 –0.049*** –0.008
R2 0.121 0.108 0.304 0.421 0.469 0.422
  注: *、**、*** 分别表示10%、5%和1%的显著性水平.

6 结论与潜在应用

随着金融改革进程的推进, 中国金融业的发展速度日益迅猛.从国内来看, 金融科技、金融创新等新兴技术促进着银行业等金融机构的转型, 在拓宽了产业链、资金链的同时, 金融机构间的联系密切性与日俱增.在该情形下, 挑战与机遇并存.以往单个金融机构的资金缺口将会通过该紧密联系的金融交易网络扩散到其他机构与行业, 造成系统性风险, 而处于该网络核心节点的银行业便是首要的监管对象.由此, "一行两会"的监管体制应运而生.从国际视角来看, 中外资金融通渠道开通, 中国银行等大型国有商业银行所面临的系统性风险来源范围得到了进一步的扩展.防范系统性金融风险, 尤其是预防由银行业产生的大规模系统性风险事件的发生, 不仅在国内上升到了政治、经济工作的重中之重, 更需要国际层面的通力合作.因此, 本文从预期资金缺口视角对我国银行业的系统性风险度量进行实证研究, 对于投资者理解风险传染路径、政策制定者选取与制定宏观调控指标具有重要的参考价值.
本文基于国内外有关SRISK指标在宏观风险监管领域的大量文献研究和理论基础, 将理论模型与实证回归相结合, 在运用DCC-GARCH模型、蒙特卡罗模拟构造银行业SRISK指标的基础上结合平稳性检验、VAR模型、格兰杰因果检验等方法对SRISK指标在我国银行业系统性风险度量的可行性进行了研究.
基于以上分析, 本文得出以下结论:
1) SRISK指标具有识别系统重要性银行的能力.从SRISK排名上来看, 由于资金规模、业务范围的不同, 大型国有商业银行、股份制商业银行以及城市商业银行对于金融系统的重要性呈递减趋势.尽管SRISK排名受单个银行的市值规模影响, 但市值并非影响排名的唯一因素.中国银行的市值并非最高, 但由于中国银行在我国外汇交易中的领导性地位以及贸易战带来的汇率波动, 导致其系统重要性高于工商银行. SRISK排名能结合交易数据与财务数据, 全面反映银行业对于风险事件的敏感性.
2) 基于银行间、银行与行业间的格兰杰因果关系可知, 不同行业对于不同银行的风险敏感性不同.大型国有商业银行是所有行业的格兰杰原因, 从行业传染性角度进一步说明大型国有商业银行在我国系统性金融风险防范中的重要地位.与之相比, 股份制商业银行的风险传染具有局部差异性, 城市商业银行的风险传染具有单调性, 从公开已知的数据可以推断银行与不同行业间的资金缺口传播途径.
3) 从宏观视角来看, 银行业SRISK值具有对宏观经济指标的预测能力.在短期内, SRISK与生产者物价指数、零售物价指数呈共同增长趋势.对于居民消费物价指数, 两者间的变动趋势具有波动性, 在短期与长期中二者呈反向变动, 在中期时共同增长.这种波动性可以反映货币政策具有时滞性.总体来看, SRISK指标对上述三个重要宏观变量具有领先23的预测能力.
基于SRISK指标对我国银行业系统性风险度量的分析, 针对我国金融市场的运行状况和实际存在的问题, 可根据SRISK指标下的系统重要性对不同银行进行细致性差异化管理.基于本文分析, 股份制商业银行与城市商业银行对于不同行业具有敏感性, 对于急需扶持的行业, 监管部门可根据银行-行业的关联度, 对某几家商业银行定向降准, 以此释放流动性, 缓解政策性扶持行业的资金压力.另一方面, SRISK指标作为传统风险度量指标的补充, 面对来源多样化、变动急剧化、预测困难化的系统性风险具有一定前瞻性, 监管部门可将SRISK指标纳入风险测度体系, 加强对银行业的审慎监管.

References

陈湘鹏, 周皓, 金涛, 王正位, 微观层面系统性金融风险指标的比较与适用性分析——基于中国金融系统的研究[J]. 金融研究, 2019, 467 (5): 17- 36.
Chen X P , Zhou H , Jin T , Wang Z W , Comparison and Applicability Analysis of Micro-level Systemic Risk Measures: A Study Based on China's Financial System[J]. Journal of Financial Research, 2019, 467 (5): 17- 36.
刚健华, 赵扬, 高翔, 短期跨境资本流动, 金融市场与系统性风险[J]. 经济理论与经济管理, 2018, (4): 98- 112.
Gang J H , Zhao Y , Gao X , Portfolio Investments, Financial Market and Systemic Risk[J]. Economic Theory and Business Management, 2018, (4): 98- 112.
李红权, 何敏园, 黄莹莹, 我国金融机构的系统重要性评估: 基于多元极值理论[J]. 中国管理科学, 2020, 28 (5): 14- 24.
Li H Q , He M Y , Huang Y Y , The Evaluation of Systemically Important Financial Institution of China: Based on Multivariate Extreme Value Theory[J]. Chinese Journal of Management Science, 2020, 28 (5): 14- 24.
梁琪, 李政, 郝项超, 我国系统重要性金融机构的识别与监管——基于系统性风险指数SRISK方法的分析[J]. 金融研究, 2013, (9): 56- 70.
毛泽盛, 王元, 中国信贷波动对金融系统性风险影响的实证研究[J]. 国际金融研究, 2015, 339 (12): 25- 33.
史永东, 王龑, 宋西伟, 中国金融机构系统风险对宏观经济的影响[J]. 投资研究, 2017, 36 (12): 65- 77.
Shi Y D , Wang Y , Song X W , The Impact of Systemic Risk of China's Financial[J]. Review of Investment Studies, 2017, 36 (12): 65- 77.
隋聪, 迟国泰, 王宗尧, 网络结构与银行系统性风险[J]. 管理科学学报, 2014, 17 (4): 57- 70.
Sui C , Chi G T , Wang Z Y , Network Structure and Systemic Risk by Banks[J]. Journal of Management Sciences in China, 2014, 17 (4): 57- 70.
唐振鹏, 谢智超, 冉梦, 陈菊琴, 网络视角下我国上市银行间市场系统性风险实证研究[J]. 中国管理科学, 2016, 24 (S1): 489- 494.
Tang Z P , Xie Z C , Ran M , Chen J Q , Systemic Risk Empirical Study of China Listed Bank Market under the Network Perspective[J]. Chinese Journal of Management Science, 2016, 24 (S1): 489- 494.
童中文, 魏歆七, 中国金融机构系统重要性的度量[J]. 统计与决策, 2017, (8): 146- 149.
Tong Z W , Wei X Q , Measurement of Chinese Systemically Important Financial Institutions[J]. Statistics & Decision, 2017, (8): 146- 149.
王广龙, 熊利平, 王连猛, SRISK系统性风险测算方法、结果及评述[J]. 投资研究, 2014, 33 (4): 63- 73.
王周伟, 万里欢, 茆训诚, 中国系统重要性银行的市场识别法有效性研究[J]. 金融理论与实践, 2015, (4): 53- 59.
张琳, 汤薇, 林晓婕, 周媛, 基于SVM-SRISK的非上市保险公司系统性风险度量[J]. 保险研究, 2018, (6): 3- 15.
Zhang L , Tang W , Lin X J , Zhou Y , Systematic Risk Measurement of Unlisted Insurance Companies Based on SVM-SRISK[J]. Insurance Studies, 2018, (6): 3- 15.
周强, 杨柳勇, 论中国系统重要性银行识别——市场模型法还是指标法[J]. 国际金融研究, 2014, (9): 70- 79.
朱晓谦, 李靖宇, 李建平, 陈懿冰, 魏璐, 基于危机条件概率的系统性风险度量研究[J]. 中国管理科学, 2018, 26 (6): 1- 7.
Zhu X Q , Li J Y , Li J P , Chen Y B , Wei L , An Indicator of Conditional Probability of Crisis for Systemic Risk Measurement[J]. Chinese Journal of Management Science, 2018, 26 (6): 1- 7.
Acharya V V , Engle R , Richardson M , Capital Shortfall: A New Approach to Ranking and Regulating Systemic Risks[J]. American Economic Review, 2012, 102 (3): 59- 64.
Acharya V V , Pedersen L H , Philippon T , Richardson M P , Measuring Systemic Risk[J]. The Review of Financial Studies, 2010, 30 (1): 2- 47.
Acharya V V, Steffen S, (2014). Falling Short of Expectations? Stress-testing the European Banking System[EB/OL]. https://ideas.repec.org/p/eps/cepswp/8803.html.
Adrian T , Shin H S , Procyclical Leverage and Value-at-Risk[J]. The Review of Financial Studies, 2014, 27 (2): 373- 403.
Banulescu G D , Dumitrescu E I , Which Are the SIFIs? A Component Expected Shortfall Approach to Systemic Risk[J]. Journal of Banking & Finance, 2015, 50, 575- 588.
Black F, (1976). Studies of Stock Price Volatility Changes[C]//Proceedings of the Business and Economic Statistics Section: 177-181.
Brownlees C T, Engle R, (2011). Volatility, Correlation and Tails for Systemic Risk Measurement[EB/OL]. http://citeseerx.ist.psu.edu/viewdoc/summary? doi: 10.1.1.463.2902.
Brownlees C , Engle R F , SRISK: A Conditional Capital Shortfall Measure of Systemic Risk[J]. The Review of Financial Studies, 2017, 30 (1): 48- 79.
Coleman T F , LaPlante A , Rubtsov A , Analysis of the SRISK Measure and Its Application to the Canadian Banking and Insurance Industries[J]. Annals of Finance, 2018, 14 (4): 547- 570.
Derbali A , Systemic Risk Ranking of US Financial Institutions[J]. International Journal of Management and Network Economics, 2017, 4 (1): 1- 41.
Eckernkemper T , Modeling Systemic Risk: Time-varying Tail Dependence When Forecasting Marginal Expected Shortfall[J]. Journal of Financial Econometrics, 2018, 16 (1): 63- 117.
Engle R F, Ruan T, (2018). How Much SRISK is Too Much[EB/OL]. https://dx.doi.org/10.2139/ssrn.3108269.
Engle R , Dynamic Conditional Correlation: A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models[J]. Journal of Business & Economic Statistics, 2002, 20 (3): 339- 350.
Giglio S , Kelly B , Pruitt S , Systemic Risk and the Macroeconomy: An Empirical Evaluation[J]. Journal of Financial Economics, 2016, 119 (3): 457- 471.
Glosten L R , Jagannathan R , Runkle D E , On the Relation Between the Expected Value and the Volatility of the Nominal Excess Return on Stocks[J]. The Journal of Finance, 1993, 48 (5): 1779- 1801.
Grinderslev O J, Kristiansen K L, (2016). Systemic Risk in Danish Banks: Implementing SRISK in a Danish Context[R]. Danmarks Nationalbank Working Papers.
Jouida S , Bank Capital Structure, Capital Requirements and SRISK Across Bank Ownership Types and Financial Crisis: Panel VAR Approach[J]. Review of Quantitative Finance and Accounting, 2019, 53 (1): 295- 325.
Nucera F , Lucas A , Schaumburg J , Schwaab B , Do Negative Interest Rates Make Banks Less Safe[J]. Economics Letters, 2017, 159, 112- 115.
Schularick M , Taylor A M , Credit Booms Gone Bust: Monetary Policy, Leverage Cycles, and Financial Crises, 1870-2008[J]. American Economic Review, 2012, 102 (2): 29- 61.
Tavolaro S, Visnovsky F, (2014). What is the Information Content of the Srisk Measure as a Supervisory Tool[EB/OL]. EconPapers. https://EconPapers.repec.org/RePEc:bfr:decfin:10.

Funding

National Natural Science Foundation of China(U1811462)
National Natural Science Foundation of China(71532009)
National Natural Science Foundation of China(71671066)
Shanghai Outstanding Academic Leaders Plan(2019)
The Program of Shanghai Young Top-notch Talent(2018)
The Shanghai Philosophy and Social Science Fund Project(2017BJB006)
The Fundamental Research Funds for the Central Universities

RIGHTS & PERMISSIONS

All rights reserved, without authorization
PDF(1614 KB)

5005

Accesses

0

Citation

Detail

Sections
Recommended

/