我国金融体系跨部门系统性风险特点
——基于广义方差分解的双向溢出网络

吴 静

(上海交通大学 安泰经济与管理学院，上海 200030)

1 文献综述

随着金融业务的发展与进一步成熟，金融创新的例子不胜枚举。一方面，新产品和新服务催生了新型金融机构；另一方面，层出不穷的嵌套金融产品使交易过程更复杂，金融部门杠杆水平保持在高位，机构之间联系更加紧密，市场面临的系统性风险更大。

系统性风险是指由一些重要机构造成的市场波动溢出，并将其迅速传递给所有相关市场参与者(BIS，FSB和IMF，2009)。那些拥有大量资产，业务涵盖多个领域，与各种机构都具有合作伙伴关系的机构很容易诱发系统性风险。高负债水平的银行(Bonfiglio，2008)，合作关系广泛的银行(Craig和von Peter，2014；Leaven等，2014)都属于这种类型。同时，保险公司由于传统的承担风险的业务性质，往往在研究时很容易被忽略。Weiβ和Mühlnickel(2015)从兼并业务影响的角度研究保险公司的合并，验证了资本规模越大，业务创新性程度越高，公司治理和业务模式越复杂，越容易产生系统性风险溢出效应。因此，想研究中国典型金融部门之间的系统性风险，不能忽视银行和保险公司。

在高度相关的系统下，单个主体传递出的冲击很快就会影响到与之有联系的其他主体，这种传导至整个体系的风险也是系统性风险的特点。目前，许多研究人员已经建立了测量系统连通性的模型。Adrian和Brunnermerier(2011)、Lopez(2011)通过估计样本的CoVar建立了连通度网络，测度了银行间系统性风险。CoVar模型也被广泛运用于各国各行业之间的影响溢出的衡量。Acharya等(2010)则使用MES(marginal expected shortfall)来估计未来系统在危机时预计会遭受的损失，作为系统性风险的度量。Kumar等(2020)在研究G7集团油价和股价之间的依赖性时，利用MES和CoVar的方式度量了系统性风险的溢出效应，发现了油价和股价的依赖性符合不同的特征。Diebold(2009,2014,2018)使用估计的日波动率数据，基于VAR(vector autoregression)模型，并结合FEVD(variance decomposition of forecast errors)和广义FEVD来构建波动率连通网络。

对于中国市场的研究，杨子晖等(2018)结合了CoVar和MES的多种测量方法，测量了中国金融机构的系统性风险。文风等(2017)研究了中国银行体系，基于广义FEVD方法对中国主要16家上市商业银行进行了系统重要性和脆弱性的识别。张琳等(2018)通过SVM-SRISK模型估计了非上市保险公司的系统性影响。少数其他学者也研究了不同金融部门间的系统性风险，比如严伟祥(2017)用CoVar的方法度量了跨部门金融机构的系统性风险溢出。目前国内用广义方差分解构造的波动溢出网络主要运用于分析中国的银行体系，一方面首先是因为中国的金融体系具有明显的银行中心性，银行体系始终居于一个不可忽视的重要地位，另一方面是上市银行数量相较而言比较多，研究样本多。

2 研究方法

Diebold和Yilmaz(2014)通过向量自回归模型和广义方差分解建立了波动率溢出连通网络。Diebold之所以使用广义方差分解，是因为在传统的Cholesky方差分解下，变量顺序会影响预测的结果，由此所构建的网络不具有唯一性和稳定性。Shin(1998)和Koop等(1996)证明，广义方差分解结果与VAR中变量的排序无关并且保留了Cholesky方差分解所具有的其他特质。在考虑数据选取时，Ross(1989)使用有限的参数化模型证明，如果在市场上不可能进行套利，价格的波动率可以有效传达市场信息。

p滞后阶的向量自回归模型：

(1)

其中，xt=(x1t,x2t,…，xmt)′表示m个金融机构波动率时间序列的m×1向量，φi(i=1,2,…，p)是VAR模型估计参数,εt～N(0,Σ)为白噪声。式(1)经过整理可以重新写为

(2)

Ai=φ1Ai-1+φ2Ai-2+…+φpAi-p，i=1,2

(3)

A0=Im,Ai=0 fori<0.

然后根据式(2)和式(3)可以得到预测误差的H步向前预测水平下的结果，它解释了变量j由变量i的一单位变动而产生的预测误差：

(4)

(5)

(6)

3 数据

3.1 数据来源

文章根据一般金融机构的主营业务将其分为四大类：银行、保险、券商、信托及其他(多元金融)。数据来自中信证券行业分类名单。文章根据两个标准选择样本：1.已经上市；2.具有较大的总市值。文章的样本包括14家银行、4家保险公司、3家证券公司和另外7家归类为信托和其他的公司。数据取wind Info 2019/5/28日数据，完整信息可在附录中获取。

3.2 数据处理

文章使用Garman和Klass(1980)提供的方法以便于获得波动率数据，估计如下：

u=Hit-Oit,d=Lit-Oit,c=Cit-Oit

Hit、Lit、Oit、Cit是i公司在日期t的每日最高、最低、开盘、收盘价的自然对数。

4 实证结果

4.1 静态样本分析

参照Diebold和Yilmaz(2014，2018)，文章基于VAR模型(滞后2阶，预测向前步数H= 10)来估计所选28家机构的波动率连通矩阵。文章通过Gephi显示结果,选取内置ForceAtlas 2布局算法(Jacomy,Heymann,Venturini(2014)等来决定节点位置。在图1中，节点名称、节点大小、曲线颜色深浅分别代表了公司简称、总市值、主营业务、连通度。

图1 金融机构波动溢出图(2007—2019年，颜色用来区分不同金融部门)

从图1可以看出这四个部门构成了一个相互联系的整体。对于银行、保险公司和券商，它们形成了比较明显的由部门内部成员主导的自然圈子。信托等其他机构的圈子并不那么紧密和明显。总体上来看，银行圈分布在图的西北部，而保险圈分布在图的东北部，剩下的两个部门居于中间，被两个部门拉扯着。保险行业的天茂集团和和西水股份，按业务来看将聚集在保险圈中，但是被吸引进了银行圈。同样，信托公司中的陕西国际信托有限公司也被包围在证券圈。曾经主要从事化工行业的天茂，现在通过其子公司开展保险业务，并且其子公司的保险业务收入已占总收入的97.17%。西水股份也是如此。至于信托类公司，文章发现属于该分类的公司往往会开展各种业务(它们的主营业务占比依旧决定了被分类为信托行业)，其多元化金融业务的比例决定了它们在整个金融系统中的地位。因此, 信托类企业构成的圈子相较而言确实会更为松散。

基于初始的连通矩阵结果，文章计算了部门之间的双向波动溢出(表1)。部门间呈现的连通性(溢出强度)等级分布于24.9到261.8之间，上下限分别来自Cinsurance←security和Ctrust & others←bank。

表1 部门间波动溢出矩阵(2007—2019年)

对于保险公司、券商、信托及其他类而言，它们收到的最高波动溢出都来自银行部门(Cinsurance←bank=182.3,Csecurity←bank=79,Ctrust&others←bank=261.8)。就影响力而言，银行在中国金融体系中具有重要性，总体上银行受其他机构影响程度居于信托及其他类之后，受保险机构影响最大，Cbank←insurance=121.9。

4.2 动态结果分析

接着，文章研究了中国金融体系的总体连通度在不同阶段是如何变化的。除了在模型设置中添加了252天时间窗滚动，文章通过相同的广义方差思路来估计动态结果。文章使用沪深300指数(0003000.SH)收盘价来衡量中国股市的状况。图2显示了2008年8月至2020年2月的动态总连通性和CSI300指数。文章发现总连接度和CSI300之间存在比较明显的负相关关系。在2008—2019年，总连通性上下波动，最高水平为95.21，最低水平为63.11。

图2 中国金融体系的总体连通度指数(2008—2019年)

根据总的连通性指数，文章可以将整个样本跨度分为五个时期。第一阶段始于2008年的金融危机。这一阶段的高水平总体连通性一直持续到2010年第三季度。沪深300指数在此期间随波动下跌。在这一期间，金融危机、欧债危机、收紧的货币财政政策、CPI上升，都导致金融行业的不佳表现以及彼此之间的高度关联性。在这一期间总体连通性指数保持在超过75%的高水平。

随之而来的是从2010年第四季度到2012年第四季度的第二阶段，总体连通性指数趋于下降到70%上下波动，并且CSI300总体上也较为稳定。首先，在2008年金融危机之后，新实施的政府巨额投资作用逐渐显现出来，对经济产生了积极的影响；其次，工业水平进步和适中的物价水平拉动内需，带动了增长。系统性风险随之从之前的高水平下降。

第三阶段始于2013年第二季度，一直持续到2014年第三季度。总连通性指数突然再次上升至80%，系统整体处于高风险阶段。在这一阶段，国内GDP不再高速增长，并且增速趋于持续下降。同时，券商和信托及其他类的资产负债率飙升至80%(图3)，这表明潜在的资金短缺问题大概率会出现。因此，金融体系各部门之间再次变得高度相关。

第四个时期包含2015年和2016年，这是另一个金融机构之间高度关联的时期，平均总体连通度指数超过80%。2014年12月9日，当四个部门的所有资产负债率都接近最高时(图3)，系统的连通性指数也达到了最高峰95.21%(图2)，CSI300也在历史地位。尽管在2015年金融和非金融企业资产负债比都已经达到一个比较高的水平(图4)，但这一期间影子银行和各种金融创新产品的快速发展使不同部门之间的联系更加紧密。

图3 不同部门的资产负债率(2008—2019年)

到了第五个阶段，相较而言，总体连通度指数在上一时期之后有所下降，并保持在80%以下的水平，除了在2017年7月11日突然短暂升至87.87%。这种波动溢出总体更稳定的结果主要来自金融监管的加强和2016年之后国内增长速度放缓的负债(图3)。此外，在2017年7月的全国金融工作会议上，中国政府提出紧跟稳定发展这一核心观念，突出了防范金融风险。可以看到，在2017年第4季度之后，总体连通性仍然呈现缓慢增长的趋势，但是系统性风险有逐步上升的危险。

5 结论

根据Diebold和Yilmaz(2014，2018)建立波动溢出网络的广义方差分解法，文章建立了包括银行、保险、券商和信托及其他类公司在内的金融市场主要参与者双向波动溢出网络。实证结果表明：

(1)在静态分析部分中，主营业务是不同圈子稳定形态最终形成的决定性因素。对于银行、保险公司和券商，它们形成了比较明显的由部门内部成员主导的自然圈。

(3)在动态分析部分，文章发现总连通度可以充当市场表现的先行指标，具有不对称性。市场低迷状态到来之前，通常会有总体连通指数保持在一个相对较高的水平的特点或是出现明显上升的倾向，但是长期保持稳定低水平的总体连通水平不一定伴随着马上会出现良好的市场表现。