基于正則藤Copula的行業系統性信用風險傳染分析

申　敏

1(南京工業大學，南京　211816)　2(南京航空航天大學，南京　211100)

?

基于正則藤Copula的行業系統性信用風險傳染分析

申敏1，2

1(南京工業大學，南京211816)2(南京航空航天大學，南京211100)

〔摘要〕本文利用國民經濟中九大門類行業相關數據，將度量行業信用風險的CCA方法加以改進，并構建正則藤Copula模型，揭示了樣本行業間信用風險的非線性相依結構及信用風險傳染路徑。實證結果顯示：各行業信用風險水平不一，但都較好地擬合了實際經濟；任意兩行業間無條件信用風險大多表現為下尾相關性，但條件信用風險的尾部相關性總體較弱；國民經濟行業體系中存在加劇和減緩行業信用風險傳染的“風險催化行業”和“條件隔離行業”。最后，提出了有效控制系統性金融風險、防范金融危機的措施建議。

〔關鍵詞〕CCA信用風險正則藤Copula

引言

作為國際銀行業監管實踐標桿的《巴塞爾協議Ⅲ》提出從宏觀審慎的視角出發，在更為廣泛的領域中強調了監測與防范系統金融風險的重要性，該協議推進了更復雜的統計工具在金融研究中的應用。構成國民經濟的行業眾多，某一行業的金融創新和經濟發展可以帶動整個市場的繁榮，但其金融風險也會影響其他相關行業甚至整個市場的發展，單純的轉移而不是消除風險很有可能最終讓整個金融市場崩潰。本文將以全球面臨的主要金融風險——信用風險為研究對象，研究行業間的風險傳染關系。

金融危機引發宏觀經濟衰退最顯著的特征是，負向反饋回路(Adverse Feedback Loop)導致的風險螺旋式放大機制。由于各非金融行業間的互補性或相似的經營范圍，使其相關程度和違約傳遞非常明顯。因此，行業風險的關系及其動態特征得到了學術界的廣泛關注。Gray和Malone[1]在構建了國民經濟四部門風險調整的資產負債表后，基于CCA方法量化了沖擊以及各部門風險的非線性傳遞機制。Castrén和Rancan[2]構建了包含金融

和非金融部門的宏觀經濟網絡，描述了歐元區通過信貸渠道和證券市場表現出的金融體系和企業部門的雙向聯系，識別出最具有風險傳播效應的部門。國內對行業或部門風險的研究，主要集中在金融部門和主權部門等國民經濟部門。李楊等[3]編制了我國主權資產負債表后，發現近期的風險與長期風險的主要表現。肖璞等[4]采用CovaR方法，量化了我國上市銀行之間的風險溢出效應及單個銀行對整個銀行系統的風險貢獻率。巴曙松等[5]運用Systemic CCA方法研究了我國銀行業的系統性違約風險。宮曉琳和楊淑振[6]結合CCA方法和最大熵方法以及網絡理論，全面量化了我國宏觀金融風險及其演變機制。此外，吳恒煜[7]等利用CCA方法和面板計量方法討論了我國行業風險的決定因素和傳遞機制。然而，上述文獻僅僅是研究了某個行業或某幾個部門的信用風險，并沒有分析各行業間風險的非線性相依結構及信用風險的傳染路徑及傳染方式。

長期以來，關于金融問題的一些重要理論都是基于多元正態分布的假設，而眾多實證研究發現的對數收益率呈現尖峰厚尾現象及變量間的非

線性相關性明顯與該假設相悖。目前最流行的用于刻畫高維變量的聯合分布的是Sklar[8]提出的Copula理論。然而，當變量維數增加時，確定適合的copula函數的最大障礙就是“維數災難”[9]。Joe[10]最先提出將多變量的聯合分布問題分解為構建一系列獨立的Pair Copula模塊的方法。Bedford和Cooke[11，12]對該方法進行了系統深入的研究，提出了基于圖論思想構建的正則藤的概念。Cooke和Kurowicka[13]又在此基礎上做了更深入的研究。Aas等[14]通過將多種類型的Copula函數應用于不同的Pair Copula，拓展了Pair Copula的應用范圍。由于這種識別方式類似于構建一系列具有一定規則的樹藤，因此相應的方法又稱為藤Copula或正則藤Copula(R-Vine-copula)。該方法集結所有潛在雙變量的Copula無疑是一種靈活又可操作的方法，非常適合為金融數據建模。Aas等[14]主要闡述了正則藤的兩個特例，即C-藤和D-藤，但是這兩種結構只適合于描述兩類特定的相依關系。事實上，正則藤分布族包含多種形式的結構，遠遠不止上述兩種形式，但目前為止，其他的正則藤分布結構很少被用于實證。

基于以上綜述，本文確定將根據實證研究數據，利用藤Copulas中相對更靈活的正則藤Copula考察國民經濟中的九個最重要的行業間的信用風險相依關系，為宏觀審慎管理系統性金融風險提供政策依據。

本文的主要貢獻如下：(1)利用GARCH模型將CCA方法進行改進，更能體現金融數據的時變波動性，信用風險度量更加準確；(2)建立了比C-藤和D-藤更為靈活的正則藤Copula結構，更加真實地反映了多個行業間的信用風險相依關系；(3)發現了信用風險行業間傳染中的具有使風險傳染程度加強的“風險催化”行業和使風險傳染減緩的“條件隔離”行業，為了解信用風險傳染機制及系統性金融風險的控制提供參考。

1行業信用風險指標——違約距離

信用風險屬于非系統風險，難以量化，數據也較難獲取。因此，它的度量遠比市場風險的度量困難得多。本文首先引入度量信用風險的傳統CCA(或有權益分析)方法，然后通過條件異方差模型加以改進，計算出單個行業的信用違約距離，以其作為信用風險的度量指標。

1.1CCA方法

CCA方法起源于Black和Scholes[15]以及Merton[16]的期權定價理論，具有非常直觀的經濟學意義，并且由于綜合了市場數據與財務數據，更能動態反映企業信用風險的變化，因此在理論界得到了廣泛的應用[17-19]。在CCA分析框架中，債務是有風險的，稱為風險債(D)，其價值源于企業資產的價值(A)。具有不同優先權(即高級索取權D和低級索取權E)的債務的價值將隨著資產價值的隨機變化而變化(A=D+E)。當A低于承諾的負債水平B(即無違約債務的價值或稱為違約障礙)時，違約發生，E=0；當A高于B時，無違約，E=A-B，此時的風險債D即為無風險債B。因而，低級索取權E(通常表示為股權價值)可視為以資產價值A為標的，以違約障礙B為協議價格的看漲期權。

在度量信用違約風險時，常常利用違約距離DD作為信用風險指標。當假設企業資產價值At服從幾何布朗運動時，根據Black-Scholes公式及Ito引理得：

Et=AN(d1)-Be-r(T-t)N(d2)

(1)

σEEt=σAAtN(d2)

(2)

(3)

在已知Et、σE、Bt、r、T-t的情形下，聯立公式(1)、(2)，利用牛頓迭代法，進行Matlab編程，可得出違約距離DD。

1.2改進CCA方法

將股權市值波動率σE視為常數往往不符合金融數據常表現出的自相關、尖峰厚尾及異方差性，因此，放松“同方差”的假定，將會使計算結果更加準確。

事實上，當股權市值的收益率存在自相關和異方差現象時，可利用AR(1)-GARCH(1，1)模型進行過濾，獲取股權收益率的時變波動率σEt，模型如下：

(4)

將σEt代入上述(2)式即可得出體現金融時間序列條件異方差的違約距離。

如果將行業看成是由單個企業構成的組合，則CCA方法的應用范圍便可以從單個企業擴展至行業層面，從而可以考察整個行業的信用違約風險。下面本文將以違約距離DD作為度量行業信用風險的指標。

2正則藤Copula模型構建

信用風險的損益分布具有不對稱性，這將導致投資組合違約的概率比正態分布時要高出許多。另外信用風險通常會表現出非線性相關性，導致傳統的皮爾森線性相關系數不足以準確描述個體間信用風險相依性。從而不能準確發現信用風險在整個系統中的傳染機制。因此，在確定了單個行業信用風險違約距離的基礎上，需要考察不同行業間的信用風險可能存在的復雜的非線性相依關系，而目前靈活度量多變量間可能存在的具有不同特征非線性相依關系的方法是正則藤Copula(R-Vine Copula)方法。

2.1正則藤Copula模型介紹

由Sklar定理[8]知，高維數據的聯合分布可由邊緣分布與Copula函數聯合表出。但是，一般的多維Copula函數，如橢圓類或阿基米德類Copula由于其對參數的唯一性要求較高，因此不能很好地刻畫多變量之間的相依關系。比如，Gaussian Copula無法刻畫金融風險厚尾特征[20]，而t Copula只能度量對稱的尾部風險相關性[21]，標準的阿基米德多變量Copula[22，23]可以度量非對稱的尾部相依性，但是只有一個模型參數，即需要限定所有兩兩變量間都存在同一類型的相依性，顯然在復雜的多變量間這一假設不一定成立。因此，更靈活的方式是將聯合概率密度分解為一系列只包含邊緣分布和兩變量Copula的模塊，這種分解方式稱為Pair Copula Construction(PCC)。

考慮一個由隨機變量構成的向量X=(x1，…，xd)，由鏈式法則，聯合分布密度可分解為一系列條件分布密度之積，即

(5)

對每個j，都有[10，14]

(6)

(7)

其中vj∈v，v-j=vvj，cxvj，v-j()稱為Pair Copula(下文簡稱PC)密度函數，Cxvj，v-j()為Pair Copula分布函數。

然而，PC構建的方式卻不唯一，其中五維聯合概率密度有480種不同的PC構建方式，六維情形將有23040種方式，隨著維數的增加，構建方式的種類會迅速增加。如何在多種方式中選擇有效的構建方式？Bedford和Cooke[11]提出了基于圖論思想的正則藤(R-Vine)模式。該方法通過分層構建d-1棵樹，每棵樹的變量都以前一棵樹的變量為條件，構成樹的每一段變量間的相依關系都可用相應的Copula來刻畫，因此Copula類型覆蓋面廣且參數值也可以不唯一。

例如：五維情形：

圖1　五維正則藤樹形結構圖

f=f1·f2·f3·f4·c14·c15·c24·c34·c12，4·c13，4·c45，1·c23，14·c35，14·c25，134

(8)

在正則藤中，最流行的也是普及最廣的兩類藤結構為Canonical Vines(C-藤)and和Drawable Vines(D-藤)。其中C-藤的每一棵樹 都有唯一的節點與該樹其他d-j點構成邊，這種結構適用于系統中存在重要的核心變量的情形。而D-藤中沒有節點與超過兩個節點構成邊，這種結構適用于系統中變量為平行結構的情形。

2.2正則藤Copula模型構建

2.2.1確定合適的PC類型

一個準確的多變量聯合分布的構建以每一個不同形式的兩變量PC類型的準確選擇為前提。定性的選擇可以根據變量間的相依關系特征，確定與之相應的Copula類別，如變量間沒有尾部相依性、存在對稱尾部相依、下尾相依、上尾相依等可分別選取Gaussian、t、Clyton、Gumbel Copula等。定量的選擇常可利用AIC準則或Vuong檢驗選擇合適的Copula類型，同時利用更高層樹的獨立變量的Copula來簡化模型結構[24]，或者利用貝葉斯方法：根據含有模型指標的MCMC從獨立Copula和固定的Copula類型中選擇。

2.2.2參數估計

關于參數估計，常采用順序估計法[14]和極大似然估計法。由式(7)可知，第j棵樹中Copula函數的自變量(即條件分布函數)是第j-1棵樹的相應Copula的偏導。因此，可對每個Copula參數利用順序估計法，將得到的參數作為初值，代入極大似然函數，利用迭代法求出極大似然估計值。

2.2.3選擇正則藤樹形結構

在變量個數d較小時，可以遍歷所有的正則藤結構圖形，結合觀測數據選取似然值最大的正則藤結構，但當d較大時，這一做法是不現實的。鑒于此，J.DiBmann等[25]提到結構選擇應以“具有最強相依性”為標準。

3實證研究

3.1樣本與數據的選擇

本文選取的樣本行業來自將國民經濟按照證監會行業分類標準劃分的18個門類行業，依據相應行業上市公司的總市值，選取樣本期內行業市值在全行業中占比始終處于前九位的行業(采礦業B、制造業C、電熱水燃氣業D、建筑業E、批發零售業F、交通運輸倉儲業G、信息軟件業I 、金融業J、房地產業K)，由于九行業總市值始終占全行業總市值的90%以上，因此對樣本行業信用風險的分析可以代表整個國民經濟的信用風險狀況。樣本期為2008/01～2014/09，共81個月。本文將在整個區間內利用改進的CCA模型和正則藤Copula模型分析國民經濟中的九大行業信用風險的相依結構。本文所有數據均來源于銳思數據庫。

3.2行業違約距離求解

利用改進的CCA模型求解每個行業的違約距離，模型中所有變量按以下方式確定：

T-t(到期時間)：取為1年；

Et(行業股權市值)：取行業所有上市公司月末市值之和；

Bt(行業違約障礙)：根據該行業所有上市公司季度財務報表，取公司短期負債+0.5*長期負債的總和，并利用插值法將季度債務轉換為月度債務；

r(無風險利率)：取自中國人民銀行發布的1年期定期存款基準利率，對于同一月份有不同利率的情形，取當月不同利率的平均值；

σEt(股權收益率波動率)：利用LM法對行業股權市值對數收益率進行自相關效應檢驗和GARCH效應檢驗，對具有相應效應的收益率序列建立AR、GARCH或AR-GARCH模型，求出月度條件方差序列，并轉化為年波動率。

表1　行業股權市值收益率的自相關和異方差檢驗結果

注：F1為滯后一階自相關檢驗的LM統計量，F2為滯后2階ARCH效應的LM統計量，*，**，***分別表示在10%、5%、1%水平下顯著。

由表1可以看出，9個行業的收益率序列均不存在一階自相關，但是除了金融行業以外，其他行業都至少在10%水平下接受存在ARCH效應，因此利用本文改進的CCA方法將比傳統CCA方法更為恰當。

下面兼顧簡潔和準確性，對除金融行業外的8個行業收益率序列建立GARCH(1，1)模型，得出月度條件異方差序列，并轉化為年波動率σEit(i=1，…，7，9)，對金融行業，計算無條件波動率σE8。

將上述數據代入改進的CCA模型，利用Matlab自編程序，計算出各行業的違約距離序列。結果如圖2所示。

圖2　行業違約距離

由圖2可以看出，各行業的違約距離總體趨勢大致相同，在金融危機期(2008/01～2009/08)較小，在后危機期(2009/09～2013/05)總體較為平穩，而在2013/06～2014/09期間違約距離普遍上升，說明經濟緩慢回暖，與宏觀經濟發展趨勢基本吻合。由于市場對自然資源的強大需求致使采礦業B的違約距離最大，違約風險相對最小，但在2010～2011年間及2013年后有較大的波動，波動主要歸因于重大技術突破及新資源的發現，但就行業本身而言，由于資源稅等抑制行業發展的因素及宏觀經濟不振的影響，采礦業發展處于頹勢，信用風險逐漸加大。值得注意的是金融業和房地產業的違約距離一直處于低位，其中房地產業在危機初期由于房價增速過快，所以違約風險反而較小，直至2008年底才達到最大風險，之后在房地產非理性炒作和宏觀調控政策的干預雙重作用下，行業信用風險有所波動，但總體較為平穩地處于低位，這與房企融資主要來源于銀行貸款有關。金融業在所有行業中信用風險最高，這一結果非常客觀地反映了金融業的現實，也值得警惕。除了宏觀經濟因素以外，大量影子銀行的存在也加劇了金融行業信用風險，由于過去國有銀行違約損失都有政府的隱性擔保，銀行自身的危機意識不強。2014年8月，銀監會推出允許銀行破產條例，金融業的信用風險很可能演變為金融危機。由圖2還可以看出建筑業信用風險與房地產業相輔相成，但波動更大。除此之外，其他五個行業的信用變化趨勢均大體相同，其中，制造業的違約距離最大，信用風險最小。

3.3基于正則藤Copula結構的行業信用風險相依分析

關于違約距離序列的分布，可以利用參數或非參數方法進行分布擬合，鑒于參數法需要對序列分布類型有較準確的判斷，而本文的違約距離序列分布沒有明顯特征，因此，本文采用非參數方法得到行業違約距離邊緣分布函數序列。當邊緣分布函數序列經過檢驗服從U(0，1)均勻分布時，則可將其應用于Copula路徑選擇。下表是對9個行業違約距離的經驗分布函數序列ui(i=1，…，9)做K-S檢驗的結果。由表2顯見，各行業違約距離的經驗分布序列均服從均勻分布U(0，1)。

表2　K-S檢驗結果

注：ui(i=1，…，9)分別表示行業B、C、D、E、F、G、I、J、K的違約距離累計分布序列。

為了選擇最合適的藤Copula模型，本文分別求出C-藤、D-藤、正則藤3種藤結構下模型評價指標，見表3。

由表3可見，正則藤的AIC和BIC值最小、極大似然值Loglik最大，故后文中將以正則藤模型為依據來分析行業間信用風險的相依結構。

表4列出了行業Kendall’τ相關系數矩陣，利用最大生成樹MST-PRIM算法，根據行業間的最強相依關系，可以構建正則藤的第一棵樹。

表3　3種藤結構模型評價指標

表4　行業間無條件Kendall’τ相關系數矩陣

由表4可以看出與采礦業、交通運輸倉儲業的秩相關系數較大的行業較多，說明這兩個行業處于全行業中相對核心的地位，這主要是因為它們分別是在第一、三產業中處于基礎地位的行業；金融業是一個特殊的行業，它與所有行業幾乎均負相關或無關，尤其與制造業和采礦業的負相關性最大，說明我國最大的實體行業與最大的虛擬經濟行業關系密切。事實上金融行業的主要資產恰恰是其他行業的負債，因此大多呈負相關；建筑業由于包含了除房屋建筑以外的其他建筑類別，因此表現為與其他行業的風險相關性均較弱，甚至與房地產業的相關性也較小；一直被大眾關注的房地產行業與其他各行業的相關性卻不大，其中與電熱水燃氣業和交通運輸倉儲業的相關性幾乎為零。

通過最大生成樹MST-PRIM算法，挑選Kendall’τ相關系數絕對值較大的行業對——1-3，3-6，1-2，1-6，2-3，5-6，2-8，2-6，3-5，1-7，1-8，7-9，4-6(其中1，2，…，9分別表示行業B、C、D、E、F、G、I、J、K)，兼顧“初始節點要保證相關性最強的節點間連接成邊”及“保證每個節點都至少有其中的一條邊與之連接”原則，可確定正則藤的第一棵樹形結構圖，如圖3：

圖3　Tree1樹形結構圖

依據同樣的原理，可選擇正則藤的另外7棵樹的結構，完整結構可通過如下的矩陣M表示：

依據AIC最小原則，在常見的五類分別用來刻畫變量間的不同相依特征的Copula類型族中(Gaussian，t，Clayton，Gumbel，Fank Copula)，通過計算每個Pair Copula(PC)在相應Copula族中的AIC值(篇幅限制，暫不列出)，最終選擇了如下PC的類型見下表的Family列。利用極大似然估計法，得出Copula參數(見Par1，Par2列)。

為了便于比較，表5將條件Copula與相應的無條件Copula估計結果對比列出。

表5　正則藤Copula估計結果

續　　表

注：1.Pair Copula列中的數字1，2，3，4，5，6，7，8分別表示采礦業B、制造業C、電熱水燃氣業D、建筑業E、批發零售業F、交通運輸倉儲業G、信息軟件有I、金融業J、房地產業K；2.Family列中的數字1，2，3，4，5分別表示Gaussian，t，Clayton，Gumbel，Frank Copula模型；3.↓與↑分別表示條件Kendall’τ比無條件Kendall’τ偏大、偏小，為了說明問題，表中只標出τ值變化大于0.1的具有明顯變化的條件PC。

首先，從表5顯示的PC類型來看，初始節點間的PC類型主要表現為類型3，說明行業信用風險的下尾相關性較強，當一個行業發生信用危機時，另一行業發生危機的可能性也較大；不過建筑業與交通運輸倉儲業的相關類型卻為4，說明行業信用風險具有上尾相關性。事實上，從第2列可見，無條件PC中，大部分表現為類型2，3，4，即具有尾部相關性，但縱觀第7列發現，所有條件PC中，大部分均表現為類型1，5，即沒有或只有很弱的尾部相關性，說明在條件行業信用風險已知時，一個行業的信用危機不太可能導致相關行業的信用危機。

另外，從Kendall’τ相關系數來看，主要表現出兩方面的特征：

(1)存在條件隔離信用風險傳染的行業。與無條件秩相關系數相比，原本幾乎不相關或具有弱相關性的行業，在已知條件行業的信用風險條件下，Kendall’τ相關系數明顯增加，這說明在某些行業信用風險已知的條件下，Pair行業(注：為便于說明，下面將Pair Copula所對應的行業稱為Pair行業) 間的信用風險相關性加強，即條件行業成為Pair行業信用風險傳染的催化劑。這種現象主要表現在房地產行業與制造業、建筑業、電熱水燃氣業的風險相關性以及金融業與批發零售業、交通運輸倉儲業、信息軟件業間的條件相關性增加。說明條件行業的信用風險導致房地產行業與相關行業、金融行業與相關行業的風險傳染，若要弱化Pair行業間的風險相依，應首先弱化條件行業信用風險帶來的負面效應。比如作為虛擬經濟代表的金融業及作為第三產業核心的交通運輸倉儲業，在已知最大的實體行業采礦業、制造業和電熱水燃氣業風險的條件下，風險相關性明顯增加，可以理解為實體經濟的信用危機會造成對宏觀基本面的悲觀預期，從而導致金融業與交通運輸倉儲業中任一行業的信用風險的變化都會對另一行業產生比無條件情形下更大的影響。

(2)存在催化信用風險傳染的行業。與無條件秩相關系數相比，更多的行業間的條件相關性明顯減弱甚至消失，即條件行業在目標行業間的信用風險傳染中起到隔離作用，兩行業間信用風險的傳遞以條件行業為媒介。具體表現為原本高度相關的制造業與電熱水燃氣業在已知采礦業的風險條件下、采礦業與交通運輸倉儲業在已知電熱水燃氣業條件下的信用風險相關性明顯大幅減弱；而在已知制造業的信用風險條件下，金融行業和采礦業風險幾乎無關；原本高度相關的制造業和交通運輸倉儲業在電熱水燃氣業、采礦業的風險已知條件下，將變得幾乎無關；鑒于條件行業的這一風險隔離作用，若要降低目標行業間風險相依性，減小風險傳染的可能，可以通過密切關注并控制條件行業的信用風險。比如，可以認為若要降低采礦業的風險給金融業帶來的不確定性，應該充分了解制造業的信用風險等。

4結論及政策建議

本文利用修正CCA方法和構建多元聯合分布的正則藤 Copula方法，以國民經濟中的九大門類行業為樣本，利用上市公司的財務數據和市場數據，測度了行業信用風險，發現了行業間信用風險的復雜相依關系。本文的主要結論及相關政策建議如下：

(1)各行業信用風險水平不一，其中虛擬經濟中金融業和房地產業信用風險最高，實體經濟中采礦業和制造業信用風險最低；建筑業信用風險也較高且波動較大，其他行業信用風險的趨勢和水平均相近。監管部門需要防范信用風險水平較高的行業發生信用危機，尤其是銀行和房地產業。政府要增強對房地產宏觀調控的前瞻性和科學性，設計合理的房產稅制度，抑制土地過度投機；銀監會應加快建立誠信制度，促進金融穩定。同時促進建立多元化、規范化的金融二級市場，達到分散、化解信用風險的作用。

(2)行業間風險相關性會因對其他相關行業風險的了解而增加或減小，即條件行業的信用風險會加劇或隔離其他相關行業間的信用風險傳染。因此，若要全面控制系統性信用風險，除了要控制本行業的風險外，還應關注風險信息通道的關鍵節點，對起到條件隔離風險傳染的行業節點，應重點關注對條件行業風險的識別；對起到加劇傳染作用的行業，應注意隔離信息通道，風險管控中要實行分類管理，做到既發揮協同效應，又滿足風險隔離要求。

參考文獻

[1]Gray D,Malone S.Macro Financial Risk Analysis[M]．John Wiley & Sons，2008

[2]Olli Castrén,Michela Rancan.Macro-Networks:An Application to Euro Area Financial Accounts[J]．Journal of Banking & Finance.2014,46:43～58

[3]李揚,張曉晶,常欣,等.中國主權資產負債表及其風險評估(下)[J].經濟研究,2012，(7):4～21

[4]肖璞,劉軼,楊蘇梅.相互關聯性、風險溢出與系統重要性銀行識別[J].金融研究,2012，(12):97～105

[5]巴曙松,居姍,朱元倩.我國銀行業系統性違約風險研究——基于Systemic CCA方法的分析[J].金融研究，2013，(9):71～83

[6]宮曉琳,楊淑振.量化分析宏觀金融風險的非線性演變速度與機制[J].金融研究，2013，(4):99～111

[7]吳恒煜,胡錫亮,呂江林,等.我國行業風險的決定因素及傳遞機制研究[J]．當代經濟科學，2014,36(5):70～80

[8]Sklar,A.Fonctions de Repartition an Dimensions et Leurs Marges[J].Publ.Inst.Statist.Univ.Paris,1959,(8):229～231

[9]Scott,D.W..Multivariate Density Estimation[M].NY:Wiley，1992

[10]Joe,H.Families of M-variate Distributions with Given Margins and m(m-1)/2 Bivariate Dependence Parameters[J].Institute of Mathematical Statistics,Hayward，1996,28:120～141

[11]Bedford,T.,Cooke,R.M..Probability Density Decomposition for Conditionally Dependent Random Variables Modeled by Vines[J].Annals of Mathematics and Artificial Intelligence，2001,32:245～268

[12]Bedford,T.,Cooke,R.M..Vines-a New Graphical Model for Dependent Random Variables[J].Annals of Statistics，2002,30(4)：1031～1068

[13]Cooke,R.M.,Kurowicka,D.Wilson,K.Sampling.Conditionalizing,Counting,Merging,Searching Regular Vines[J].Journal of Multivariate Analysis,2015,138:4～18

[14]Aas,K.,Czado,C.,Frigessi,A.,Bakken,H.Pair-copula Constructions of Multiple Dependence[J].Insurance:Mathematics and Economics，2009,44(2):182～198

[15]Black S，Scholes M．The Pricing of Corporate Options and Liabilities[J].Journal of Political Economy，1973，81(3):637～654

[16]Merton R.On the Pricing of Corporate Debt:The Risk Structure of Interest Rates[J].Journal of Finance，1974，29(2):449～470

[17]Dale Gray,Marco Gross,Joan Paredes,and Matthias Sydow.Modeling Banking,Sovereign,and Macro Risk in a CCA Global VAR[J].International Monetary Fund，2013:1～60

[18]Saldías M．A Market-based Approach to Sector Risk Determinants and Transmission in the Euro Area[J].Journal of Banking and Finance,2013，37(11):4534～4555

[19]Saldías M．Systemic Risk Analysis Using Forward Looking Distance to Default Series[J].Journal of Financial Stability，2013,9(4):498～517

[20]Salmon,F.Recipe for Disaster:The Formula that Killed Wall Street[J].Peer Reviewed Journal,2012,9(1):16～20

[21]Joe,H.,Li,H.,Nikoloulopoulos,A.K..Tail Dependence Functions and Vine Copulas[J].Journal of Multivariate Analysis，2010,101(1):252～270

[22]Joe,H.Multivariate Models and Dependence Concepts[M].Chapman & Hall,London，1997

[23]Hofert,M.Efficiently Sampling Nested Archimedean Copulas[J].Computational Statistics & Data Analysis,2011,55(1):57～70

[24]Brechmann,Eike C.,Joe,Harry.Truncation of Vine Copulas Using Fit Indices[J].Journal of Multivariate Analysis，2015,138:19～33

[25]J.DiBmann,E.C.Brechmann,C.Czado,D.Kurowicka.Selecting and Estimating Regular Vine Copulae and Application to Financial Returns[J].Computational Statistics and Data Analysis，2013,59:52～69

(責任編輯：史琳)

Analysis of Systemic Credit Risk Contagion among Industries Based on R-Vine Copula Model

Shen Min1，2

(1．Nanjing Tech University，Nanjing 211816，China；2．Nanjing University of Aeronautics & Astronautics，Nanjing 211100，China)

〔Abstract〕Based on the related date of nine industries of the national economy,this paper improves the measure of credit risk industry—CCA method and constructs R-Vine Copula model to check the nonlinear dependent structure and credit risk contagion route of the industry’s credit risk.Empirical results show that:(1)The credit risk level of each industry is different,but it fits the actual economy well;(2)Any of the two industries with no conditional credit risk are mostly of lower tail dependence,but the conditional tail dependence of credit risk is overall weak;(3)Knowledge of the degree of inter industry credit risk will change as a result of the credit risk in other industries.There exists“risk catalyst industry”that can aggravate credit risk contagion and“conditional isolation industry”that can slow down credit risk contagion in industry system.Finally,according to the credit risk contagion mechanism,this paper puts forward the measures to effectively control systemic financial risk and prevent systemic financial crisis.

〔Key words〕CCA;credit risk;R-vine copula

收稿日期：2016—02—25

基金項目：國家自然科學基金項目(項目編號：71401074)、江蘇省哲學社會科學基金重點項目(項目編號：14GLA003)、江蘇省高校研究生科研創新計劃項目(項目編號：KYZZ0099)。

作者簡介：申敏，南京工業大學數理科學學院講師，南京航空航天大學經濟管理學院博士研究生。研究方向：金融風險管理。

DOI：10．3969/j．issn．1004-910X．2016．06．007

〔中圖分類號〕F224.7

〔文獻標識碼〕A