對“杠桿市”環境下系統性風險監測的研究

■周　劍，曹　東

對“杠桿市”環境下系統性風險監測的研究

■周劍，曹東

本文采用主成分分析方法，以2005年1月至2016年5月期間中證全指一級行業指數的月收益率、波動率與成交金額變動為研究對象，對股票市場系統性風險進行了研究；同時，本文對比了在2008年金融危機與2015年“杠桿市”行情下，市場系統性風險所呈現出的差異。研究結果顯示：從收益率與波動率角度看，系統性風險的顯著增加主要體現在股票市場暴跌行情中；而從成交金額角度看，系統性風險的增加于股票市場暴跌前已經開始體現，且較在2008年金融危機中，這種現象在2015年“杠桿市”行情下更為明顯。

主成分分析；資金杠桿；系統性風險；市場泡沫

周劍，華東理工大學商學院；曹東，華東理工大學經濟發展研究所。（上海200237）

一、引言

自進入21世紀以來，我國證券市場先后經歷了三次較為嚴重的股市泡沫危機，最近一次泡沫危機則發生在剛過去的2015年。在剛過去的2015年里，廣大股民體驗了從“杠桿牛”到“去杠桿”過山車般大起大落的行情。上證指數自2014年下半年開始持續拉升，并在2015年6月12日一度站上了5178.19高點。但好景不長，市場在觸高后發生了崩潰式下跌的局面，在短短兩個多月中，上證指數跌幅逾四成；在此期間，我國滬、深兩市股票市場呈現出“千股跌停”、“千股漲停”、“千股停盤”等難得一見之景象，使得市場流動性數次處于嚴重匱乏的狀態。

圖12000　年以來上證綜指走勢示意圖（虛線所代表為區域指數高點月份）

2015年的這次股市泡沫事件與2008年的金融危機時期市場狀態相比，存在著顯著差異。這主要體現在資金層面上所采用的“杠桿”方式。2015年這輪牛市因“高杠桿”而起，也伴隨著“去杠桿”而由“牛轉熊”。我國股票市場中進行的資金杠桿業務主要有兩類：一是杠桿相對較低的融資融券業務；二是高杠桿的場外配資活動。

（一）融資融券業務

我國上海證券交易所與深圳證券交易所于2010年3月31日起正式開展融資融券業務（簡稱兩融業務）。其中，融資業務是指證券公司向合格客戶出借資金用于客戶在二級市場購買證券；融券業務是指證券公司向合格客戶出借證券用于客戶在二級市場賣空。融資融券的資金杠桿較低，一般在1～2倍之間，風險相對可控。兩融業務發展并不均衡，呈現出融券余額資金量明顯小于融資余額資金量情況。

圖2　上證綜指指數與滬深兩市融資余額示意圖①數據來源：Wind數據庫。

圖2反映了上證綜指指數與滬深兩市融資余額走勢，從圖中我們可以直觀觀察到，在兩融業務開展的前期（2014年前），滬深兩市融資余額呈現出逐步、緩慢的增長，融資余額與市場指數的相關性并不明顯；自2014年下半年以來，兩市融資余額存量與市場指數開始呈現出較為明顯的協同性，融資余額在2015年6月前持續迅速攀升，最高觸及22，666億元，而后隨著“去杠桿”政策，發生斷崖式縮量。在股市暴跌期間，中信證券在2015年8月4日，宣布暫停融券交易業務，隨后華泰、長城、齊魯、國信等多家證券業也宣布暫停對融券業務的運營。

（二）場外配資業務

相對于融資融券業務，場外配資業務通常具有更高的杠桿，資金杠桿通常在5～9倍之間。場外配資以恒生HOMS系統、銘創軟件或同花順為接口，屬于一種未納入監管層監管范圍的民間配資，一般很難區別于傳統融資融券業務。場外配資的大規模存在，使得當市場出現與資金杠桿有關的風險時，無法準確預測風險的大小，難以準確掌握和預測風險暴露的節奏和結構①證券時報，《券商人士解讀“規范配資”新規：擠壓非法高杠桿利于長遠健康發展》，2015年7月14日。。

中國證監會新聞發言人鄧舸在2015年6月12日表示，證監會已要求券商對外部證券接口進行自查，并重申各證券公司不得通過網上證券交易接口，為任何機構和個人的場外配資活動、非法證券業務提供便利；次日中午，證監會微博發布了題為《禁止證券公司為場外配資活動提供便利》的通知，要求證券公司對信息系統外部接入管理進行自查，證監局對自查情況進行核實，以及要求證券業協會制定證券公司信息系統外部接入的規范標準。

本文的研究目的在于以我國證券市場在2008年金融危機中的表現為參照，對在2015年股票市場暴跌行情中系統風險呈現出的特征進行比較，尋求在“杠桿牛”與“去杠桿”行情中可以用于系統風險預警的指標。

二、文獻回顧

金融風險可以分為系統性風險以及非系統性風險兩類。其中系統性風險可以被定義為一種由系統事件引起的，對各大金融機構或市場產生強烈影響的風險；其核心概念即“傳染性”，這是一種將一個機構、市場或者系統失敗傳遞到另一個機構、市場或者系統的強有力的傳播，故會損壞正常運行的完善金融系統（De Bandt和Hartmann，2000）。

Plerou等（2002）利用隨機矩陣理論（RMT），分析了美國股票收益率間的相關性，其研究結果表明股票收益率相關系數矩陣的最大特征值代表了市場對所有股票的共同影響，而其余偏離隨機矩陣理論的特征值則顯示了股票的行業種類。Ren和Zhou（2014）研究了我國上海證券交易所367只股票間相關系數的動態變化。其結果顯示，股票間相關性在2001年與2008年的兩次市場崩盤階段顯著增強，且系統性風險在市場波動期要比在市場平靜期更大。

Kritzman等（2010）提出吸收系數（由固定數量的特征向量對資產收益率總方差的解釋度）用以衡量金融系統的脆弱性。其研究結果表明，吸收系數峰值的出現往往要先于大多數美國股票市場崩盤；而當股票價格上升時，大多伴隨著吸收系數的迅速減少。Zheng等（2012）利用主成分分析方法，對在2008～2012年全球金融危機期間的10個道瓊斯經濟成分指數的收益率與波動率進行了研究。其研究結果表明，運用12個月移動時間窗進行計算的第一大主成分變動可以有效地用于檢測系統性風險，在2008年金融危機前夕（即2007年8月），第一大主成分迅速增加，系統性風險也相應迅速增加。Kritzman等（2010）和Zheng等（2012）的研究結果顯示，通過計算資產收益率序列的主成分貢獻度，可以起到對市場崩盤的預警作用。

傳統的資本資產定價模型認為，通過對資產進行分散配置，可以有效降低組合整體的投資風險。Reigneron等（2011）運用了矩陣回歸方法研究了6組股票池及其相對應的股票指數的相關效應，其結果顯示：當指數處于下跌趨勢時，股票間的平均相關系數將會增加，使得市場模式更加一致；而當指數處于上行趨勢的時候，股票間的平均相關系數也會增加，但是相應市場模式則趨于分散。Preis等（2012）以72年間道瓊斯30工業平均成分股為研究對象，對Reigneron等（2011）的研究進行了擴展，其發現成分股股票的平均相關系數與標準化后的指數收益率呈現線性關系；并且當市場處于暴跌期，資產分散化的作用將顯著減弱。Reigneron等（2011）與Preis等（2012）的研究結果揭示了通過資產配置分散組合風險的固有弊端，即組合風險最終受制于系統整體的風險水平。

Billio等（2010）表示，在使用資金杠桿進行投資的情況下，若市場突發負面消息使得抵押產品發生減值，這將迫使頭寸在短時間內被清算以起到去杠桿的效果，加劇系統性風險；此外，當金融機構進行去杠桿時，如果清算頭寸的流動性越差，則強迫清算造成的價格沖擊將會更大。早在19世紀初，美國證券市場便開始利用資金杠桿進行交易，即所謂的融資融券業務①國信證券“境外市場融資融券業務比較研究”系列一。；而相對于歐美等國家，我國融資融券業務開展較晚，相關制度與政策也還在逐步完善當中。剛走出2015年的我們，在經歷了“杠桿牛”帶來的喜悅與“去杠桿”帶來的悲傷之后，是否有閑暇能夠坐下來思考、回顧上世紀20年代末美國的股市危機呢？

三、數據說明及方法介紹

本文數據來源于Wind數據庫，采用了中證全指一級行業指數，數據時間跨度為2005年1月至2016年5月，共計137個月份的月度收盤價以及月度成交金額等數據。中證全指一級行業指數采用派許加權方式，共計包括10個行業指數：全指能源（000986.SH）、全指材料（000987.SH）、全指工業（000988.CSI）、全指可選（000989.SH）、全指消費（000990.SH）、全指醫藥（000991.SH）、全指金融（000992.SH）、全指信息（000993.SH）、全指電信（000994.CSI）、全指公用（000995.CSI）。

我們定義行業指數i在t交易月的收益率ri，t為該指數月度收盤價Pi，t的對數差分，即：

其中Pi，t為行業i在t交易月的收盤價。同理，我們定義行業指數i在t交易月的成交金額變動AmtChgi，t為相應指數月度成交金額Amti，t的對數差分：

其中，Amti，t為行業i在t交易月的成交總金額。同時，我們定義行業指數i在t交易月的波動率vi，t定義為收益率ri，t的絕對值，即：

我們對這10個行業收益率ri，t、波動率vi，t以及成交金額變動AmtChgi，t分別進行相應主成分分析。設當有k個行業指數，且每個指數各取n個觀測值時，則我們可以將原始數據寫成矩陣X：

其中ρi，j表示行業i與行業j之間的相關系數，其計算公式為：

相關系數矩陣R的第i大主成分其對應特征值λi可以由公式（5）計算獲得，且各大特征值依次應當滿足λ1≥λ2≥…≥λp＞0：

主成分特征值λi的貢獻度Ci代表對應第i個主成分對總方差解釋度，其計算公式為：

相應前k大主成分的累計貢獻度CumsumCi的計算為：

四、實證結果及分析

（一）行業收益率與波動率主成分研究

我們分別以12個月、36個月為移動時間窗口，計算中證全指一級行業月收益率序列以及月波動率序列的特征值。圖3展現了行業指數月收益率與月波動率前四大主成分貢獻度隨時間變化的趨勢圖。對比子圖（a）與子圖（b），以及子圖（c）與子圖（d），我們可以看到，相比較于以36個月為移動時間窗口計算獲得的月收益率以及月波動率主成分貢獻度，以12個月為移動時間窗口計算獲得的月收益率以及月波動率的主成分貢獻度的波動更為明顯。

在12個月移動時間窗口下，對于行業月收益率而言，其第一大主成分占比基本保持在60%以上，前兩大主成分累計貢獻度在0.9附近。當上證指數先后在2007年10月、2015年5月達到區間最高點后發生崩盤，月收益率第一大主成分貢獻度呈現出明顯的上升，并擠壓了第二大主成分貢獻度；對于行業月波動率而言，其第一大主成分貢獻度的波動明顯強于月收益率第一大主成分的波動，且在0.6附近上下震蕩，當發生股票市場崩盤后，我們直觀看到波動率第一大主成分貢獻度的反應程度要略滯后于收益率第一大主成分貢獻度的反應程度。在36個月移動時間窗口下，行業月收益率與行業月波動率的主成分貢獻度的波動明顯要較12個月移動時間窗口小很多；對于月收益率主成分而言，其第一大主成分貢獻度維持在0.8附近，而對于月波動率而言，其第一大主成分則維持在0.7附近；當在2015年5月上證指數觸高崩盤后，行業月收益率與月波動率的第一大主成分貢獻度均呈現出上升趨勢。

圖3　中證全指一級行業指數月收益率與月波動率前四大主成分貢獻度的動態變化，顏色由深到淺分別代表第一、二、三、四大主成分貢獻度：（a）行業月收益率主成分貢獻度，以12個月為移動時間窗口；（b）行業月收益率主成分貢獻度，以36個月為移動時間窗口；（c）行業月波動率主成分貢獻度，以12個月為移動時間窗口；（d）行業月波動率主成分貢獻度，以36個月為移動時間窗口

進一步，我們研究以12個月為移動時間窗口計算得到月收益率主成分貢獻度的變動情況。如圖4所示，我們用豎直虛線標出了行業月收益率第一大主成分貢獻度變動值超過兩倍標準差閾值所在月份。在滯后1個月的情況下，在2008年金融危機中，行業月度收益率第一大主成分貢獻度變動值在2007年4月超出閾值；在2015年股市暴跌時期，行業月收益率第一大主成分貢獻度變動值在2015年6月、7月以及12月先后三次突破閾值。當滯后階數增加至6個月，在2008年金融危機中，第一大主成分貢獻度變動并未出現變動值超過閾值的情況；而在2015年8月到2016年1月的6個月中，行業第一大主成分貢獻度變動持續超閾值。

圖4中證全指一級行業指數月收益率第一大主成分貢獻度變動（以12個月為移動時間窗口，水平虛線表示兩倍標準差）：（a）一階滯后主成分貢獻度變動；（b）二階滯后主成分貢獻度變動；（c）三階滯后主成分貢獻度變動；（d）六階滯后主成分貢獻度變動

圖5顯示的為中證全指一級行業指數月波動率第一大主成分貢獻度變動情況。在滯后1階的情況下，第一大主成分貢獻度變動超過兩倍標準差閾值的情況分別發生在2007年4月，2014年9月、12月，2015年12月以及2016年1月；而當滯后階數逐漸增加到6階時，我們看到超過閾值的第一大主成分貢獻度的變動情況主要集中在2016年1月至5月，2015年股災所帶來的系統性風險并沒有迅速消散，相反在2016年初的指數“熔斷機制”推出的背景下，維持在了一個較為高的水平上；另一方面，盡管2008年金融危機后第一大主成分貢獻度變動并未超過閾值，但在2008年年末第一大主成分貢獻度變動也達到了0.2的水平。

圖5　中證全指一級行業指數月波動率第一大主成分變動（以12個月為移動時間窗口，水平虛線表示兩倍標準差）：（a）一階滯后主成分貢獻度變動；（b）二階滯后主成分貢獻度變動；（c）三階滯后主成分貢獻度變動；（d）六階滯后主成分貢獻度變動

我們的結果表明，相對于2008年金融危機，2015年股市暴跌所顯示出的系統風險更加強烈，且相較于股市上升期，系統性風險在股市暴跌階段更為明顯，這與Billio等（2010）、Reigneron等（2011）、Preis等（2012）的結論相一致；另一方面，無論是行業指數收益率還是行業波動率，其第一大主成分貢獻度的顯著增加，均滯后于市場崩盤的發生，這與Kritzman等（2010）以及Zheng等（2012）的結論相左，表明我們并不能夠通過對行業指數收益率或者波動率進行主成分分析來有效預測市場危機的到來。

（二）行業成交金額主成分研究

華爾街有句名言講的是“量是推動價格變動的重要因素”。誠然在“杠桿市”中，我們認為這種量價推動作用勢必也將得到相應放大。為研究“資金杠桿”對系統性風險所帶來的影響，我們選擇采用行業月成交金額為研究對象，對其進行相應主成分分析，試圖從資金層面分析系統性風險所呈現的情況，并將其作為對Zheng等（2012）研究內容的補充。

如圖6子圖（a）所示，我們發現行業月成交金額變動第一大主成分貢獻度從2014年年中快速拉升（在短短一年時間內，由2014年6月的0.4334迅速增加到2015年5月的0.8632），貢獻度幾乎翻倍；但這種現象并未明顯體現在2008年金融危機期間。圖6子圖（b）顯示的為行業月成交金額變動第一大主成分貢獻度變動值的經驗概率密度分布，第一大主成分貢獻度變動值的峰度為9.584，偏度為-0.290。與擬合所獲得的正態分布相比，第一大主成分貢獻度變動的經驗概率密度分布呈現出尖峰胖尾且左偏特性。

圖6　中證全指一級行業指數月成交金額變動主成分分析結果，以12個月為移動時間窗口（a）前四大主成分貢獻度的動態變化圖（顏色由深到淺分別代表第一、二、三、四大主成分貢獻度）；（b）主成分貢獻度變動的概率密度分布圖（圖中曲線由正太分布函數對經驗概率密度進行擬合后獲得）

進一步，我們研究行業月成交金額變動的第一大主成分貢獻度變化情況。如圖7所示，在一階滯后條件下，在2014年7月到2014年12月間共計出現了3次第一大主成分貢獻度變動超過兩倍標準差閾值的情況；隨著滯后階數增加到6個月，在2014年12月至2015年5月連續6個月中，行業月成交金額第一大主成分貢獻度變動超過閾值水平。但就2008年金融危機時期而言，無論滯后一階、二階、三階還是六階，第一大主成分貢獻度的波動都顯得相對比較平淡。

圖7　中證全指一級行業成交金額變動第一大主成分貢獻度變動（以12個月為移動時間窗口，水平虛線表示兩倍標準差）：（a）一階滯后主成分貢獻度變動；（b）二階滯后主成分貢獻度變動；（c）三階滯后主成分貢獻度變動；（d）六階滯后主成分貢獻度變動

我們的研究結果表明，從成交資金額角度看，潛伏在2015年這輪“杠桿牛”行情中的系統性風險于股市暴跌前早已開始積累；對比2008年金融危機，我們發現這種系統性風險在資金杠桿的作用下，得到了相應放大。

五、結論及政策建議

本文分別以我國中證全指一級行業指數月收益率、月波動率以及月成交金額變動為研究對象，利用主成分分析法，研究了相應第一大主成分貢獻度隨時間動態變化的情況。我們以第一大主成分貢獻度作為對系統性風險大小的度量。

首先，從行業月收益率與月波動率角度來看，行業月波動率第一大主成分貢獻度增加的反應速度略滯后于行業月收益率第一大主成分貢獻度增加的反應速度；月收益率與月波動率第一大主成分貢獻度的增加，即其呈現出的系統性風險主要集中在市場暴跌期而并非市場暴跌之前，這與已有文獻結論不一致，故我們認為利用月收益率或月波動率的第一大主成分貢獻度變動來預警股市危機并不合適。

其次，考慮到量價關系以及“杠桿市”作用，本文進一步研究了由月成交金額所呈現出的系統性風險。我們發現早在2015年股市暴跌前，行業月成交金額變動的第一大主成分貢獻度已呈現出明顯的上升趨勢。即從資金層面講，2015年的股市泡沫的系統性風險在市場一路高歌猛進期間已經開始積聚；且對比2008年金融危機，我們發現這種系統性風險在“資金杠桿”的作用下，得到了顯著增強。

本文研究的意義在于，在一個特定場合、一個特定時間段，找到了一個能夠有效預警市場風險的指標。2015年的股市崩盤是我國證券市場自2010年實行“融資融券”、允許杠桿交易以來面臨的首次嚴峻考驗。新制度與新規則的引進，誠然有助于健全市場功能，提升市場效率，但也難免在政策執行初期暴露出種種的問題。在初期“杠桿市”行情下，我們發現通過對成交金額變動的監測，能夠較為有效地對系統性風險進行預警，且其效果要優于收益率與波動率。

制度的完善，是一個不斷借鑒與日積月累的過程。我們認為對于成交金額變動的檢測，在短期內，仍不失為一種預警系統性風險的有效措施；而且從長遠角度上看，也有其固有的重要意義。因此，我們建議相關市場監察部門，加強對市場、行業間資金協同流向的監督與管理，在預警市場系統性風險方面能夠未雨綢繆。

［1］O.De Bandt and P.Hartmann.Systemic risk:a survey［J］.European Central Bank Working Paper，2000，35

［2］V.Plerou，P.Gopikrishnan，B.Rosenow，L.A. N.Amaral，T.Guhr and H.E.Stanley.Random matrix approach to cross correlations in financial data［J］. Physical Review E，2002，65

［3］F.Ren and W.X.Zhou.Dynamic evolution of cross-correlations in the Chinese stock market［J］.Plos One，2014，9（5）:

［4］M.Kritzman，Y.Z.Li，S.Page and R.Rigobon. Principal components as ameasure of systemic risk［J］. The Journal of Portfolio Management，2010，37（4）:

［5］Z.Y.Zheng，B.Podobnik，L.Feng and B.W. Li.Changes in cross-correlations as an indicator for systemic risk［J］.Scientific Reports，2012，

［6］P.-A.Reigneron，R.Allez and J.-P.Bouchaud. Principal regression analysis and the index leverage effect［J］.Physica A，2011，390（17）:3026～3035；

［7］T.Preis，D.Y.Kenett，H.E.Stanley，D.Helbing and E.Ben-Jacob.Quantifying the behavior of stock correlations under market stress［J］.Scientific Report，2012，2.

［8］M.Billio，M.Getmansky，A.W.Lo and L. Pelizzon.Measuring systemic risk in the finance and insurance sectors［J］.MIT Sloan Research Paper，2010，4774～10.

F830.91

A

1006-169X（2016）09-0067-06