我國(guó)金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)動(dòng)態(tài)監(jiān)測(cè)
——基于CCA和動(dòng)態(tài)因子copula模型的研究

王培輝，袁 薇

(河北大學(xué)經(jīng)濟(jì)學(xué)院，河北 保定 071002)

我國(guó)金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)動(dòng)態(tài)監(jiān)測(cè)
——基于CCA和動(dòng)態(tài)因子copula模型的研究

王培輝，袁 薇

(河北大學(xué)經(jīng)濟(jì)學(xué)院，河北 保定 071002)

本文結(jié)合未定權(quán)益分析法和動(dòng)態(tài)因子copula模型研究了2008年1月至2016年3月我國(guó)金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)。研究結(jié)果表明：(1)基于未定權(quán)益分析法計(jì)算的信用價(jià)差指標(biāo)較好地揭示了單一金融機(jī)構(gòu)違約風(fēng)險(xiǎn)動(dòng)態(tài)變化，次貸危機(jī)期間較高，2015年以來再次升高，具體來看，證券公司最高，保險(xiǎn)公司和信托公司居中，銀行最低。(2)基于動(dòng)態(tài)因子copula模型計(jì)算的系統(tǒng)性風(fēng)險(xiǎn)指標(biāo)較好地反映了我國(guó)金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)演進(jìn)，2009年下半年至2014年底系統(tǒng)性風(fēng)險(xiǎn)較高，樣本期間內(nèi)金融機(jī)構(gòu)在系統(tǒng)重要性上沒有顯著差異。比較發(fā)現(xiàn)單一金融機(jī)構(gòu)違約風(fēng)險(xiǎn)較高，并不意味著系統(tǒng)性風(fēng)險(xiǎn)高，這取決于金融機(jī)構(gòu)間相依結(jié)構(gòu)。因此，加強(qiáng)金融機(jī)構(gòu)宏觀審慎監(jiān)管時(shí)，應(yīng)關(guān)注金融機(jī)構(gòu)間相依結(jié)構(gòu)動(dòng)態(tài)變化。

系統(tǒng)性風(fēng)險(xiǎn)；未定權(quán)益分析法；動(dòng)態(tài)因子copula模型

一、引 言

自2007年次貸危機(jī)爆發(fā)以來，金融機(jī)構(gòu)穩(wěn)定性和系統(tǒng)性風(fēng)險(xiǎn)監(jiān)測(cè)已經(jīng)成為各國(guó)中央銀行的一項(xiàng)關(guān)鍵任務(wù)，并發(fā)展成為各國(guó)貨幣政策目標(biāo)。次貸危機(jī)的一個(gè)突出特點(diǎn)是之前獨(dú)立運(yùn)動(dòng)的金融資產(chǎn)，危機(jī)期間突然同時(shí)波動(dòng)變化，金融資產(chǎn)間相依結(jié)構(gòu)發(fā)生變化，協(xié)動(dòng)性明顯增強(qiáng)。危機(jī)后新的審慎監(jiān)管更加關(guān)注金融資產(chǎn)協(xié)動(dòng)性帶來的系統(tǒng)性風(fēng)險(xiǎn)。這需要描述金融資產(chǎn)收益率的聯(lián)合分布，以估計(jì)它們之間的相依結(jié)構(gòu)，然而在現(xiàn)代金融時(shí)間序列分析中，多元變量聯(lián)合分布建模仍然是一大挑戰(zhàn)。當(dāng)金融資產(chǎn)數(shù)量增加時(shí)，這一任務(wù)變得更加困難。在學(xué)術(shù)界和實(shí)踐領(lǐng)域常用的處理方法是使用多元正態(tài)分布，但該類模型存在明顯的缺陷，多元正態(tài)分布不能擬合金融時(shí)間序列的尖峰、厚尾和非對(duì)稱相依結(jié)構(gòu)等特征。另一方面，經(jīng)濟(jì)金融因素及其對(duì)系統(tǒng)性風(fēng)險(xiǎn)的影響是隨著時(shí)間推移而不斷發(fā)展的。例如，金融市場(chǎng)流動(dòng)性、公司違約風(fēng)險(xiǎn)、經(jīng)濟(jì)政策有效性等都隨時(shí)間和經(jīng)濟(jì)狀態(tài)不同而不同，這些都會(huì)對(duì)金融資產(chǎn)相依關(guān)系產(chǎn)生影響。不考慮這些潛在影響可能會(huì)對(duì)金融資產(chǎn)相依關(guān)系判斷不準(zhǔn)確，給出錯(cuò)誤的政策建議。

次貸危機(jī)后學(xué)者提出一些新的研究方法，通過降維來估計(jì)系統(tǒng)性風(fēng)險(xiǎn)，如CoVaR[1]、MES[2]等方法。這些方法通過單一資產(chǎn)與市場(chǎng)指數(shù)關(guān)系進(jìn)行測(cè)算，可能會(huì)遺漏系統(tǒng)性風(fēng)險(xiǎn)的有用信息，如一個(gè)公司可能會(huì)對(duì)數(shù)家公司產(chǎn)生影響，但不會(huì)對(duì)這個(gè)市場(chǎng)指數(shù)造成影響，因而這類方法優(yōu)勢(shì)有限。Oh和Patton(2016)[3]、Creal和Tsay(2015)[4]、Lucas et al.(2016)[5]等提出的動(dòng)態(tài)因子copula模型，適用于研究多元時(shí)間序列動(dòng)態(tài)相依結(jié)構(gòu)變化，在復(fù)雜經(jīng)濟(jì)條件下評(píng)估金融機(jī)構(gòu)(或市場(chǎng))穩(wěn)定性，監(jiān)控系統(tǒng)性風(fēng)險(xiǎn)。

國(guó)內(nèi)對(duì)于金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)測(cè)度仍集中在單一機(jī)構(gòu)對(duì)整體的影響，缺乏對(duì)多機(jī)構(gòu)聯(lián)合的系統(tǒng)性風(fēng)險(xiǎn)研究。隨著我國(guó)金融改革深化，金融市場(chǎng)一體化程度日益提高，加之金融機(jī)構(gòu)各類綜合型業(yè)務(wù)的開展，使得金融機(jī)構(gòu)間資產(chǎn)負(fù)債聯(lián)系緊密而復(fù)雜，金融資產(chǎn)間協(xié)動(dòng)性加強(qiáng)，有必要監(jiān)測(cè)系統(tǒng)性風(fēng)險(xiǎn)動(dòng)態(tài)變化。本文把未定權(quán)益分析法和動(dòng)態(tài)因子copula模型結(jié)合起來，測(cè)度我國(guó)金融機(jī)構(gòu)動(dòng)態(tài)系統(tǒng)性風(fēng)險(xiǎn)，為我國(guó)監(jiān)管機(jī)構(gòu)監(jiān)控系統(tǒng)性風(fēng)險(xiǎn)提供可行參考。

二、文獻(xiàn)綜述

系統(tǒng)性風(fēng)險(xiǎn)測(cè)度一直是金融學(xué)者關(guān)注和研究的重點(diǎn)內(nèi)容之一。次貸危機(jī)后，金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)監(jiān)測(cè)成為各國(guó)金融監(jiān)管當(dāng)局的迫切任務(wù)。學(xué)者提出多種系統(tǒng)性風(fēng)險(xiǎn)測(cè)度方法，相關(guān)研究主要有以下兩個(gè)方面：

一是以測(cè)度單一金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)為出發(fā)點(diǎn)，具體研究方法包括兩大類：第一類是假定單一金融機(jī)構(gòu)陷入經(jīng)營(yíng)困境，對(duì)其他金融機(jī)構(gòu)乃至金融部門的影響，主要有市場(chǎng)指標(biāo)法[6]、網(wǎng)絡(luò)模型法[7]、CoVaR方法[1]等；第二類是當(dāng)金融系統(tǒng)面臨危機(jī)時(shí)，哪些金融機(jī)構(gòu)更易受到影響，損失較大，主要有Shapley值[8]、MES[2]、SRISK[9]等。市場(chǎng)指標(biāo)法多為實(shí)踐中金融監(jiān)管部門使用，金融監(jiān)管部門可以獲得金融機(jī)構(gòu)定期披露的詳細(xì)信息，但限于信息收集整理時(shí)間較長(zhǎng)，不利于金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)動(dòng)態(tài)監(jiān)測(cè)和預(yù)警。網(wǎng)絡(luò)模型法面臨同樣的問題，該方法以金融機(jī)構(gòu)間往來交易數(shù)據(jù)為基礎(chǔ)，更難搜集，多以銀行間交易市場(chǎng)數(shù)據(jù)代替，且無法分析不同金融子行業(yè)間風(fēng)險(xiǎn)傳導(dǎo)。CoVaR、Shapley值、MES和SRISK方法以金融機(jī)構(gòu)股價(jià)數(shù)據(jù)為基礎(chǔ)，時(shí)效性較好，便于對(duì)金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)實(shí)時(shí)跟蹤監(jiān)測(cè)。

總體而言，這兩類方法側(cè)重于分析單一金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)，識(shí)別系統(tǒng)重要性金融機(jī)構(gòu)，但不能分析金融機(jī)構(gòu)聯(lián)合違約帶來的系統(tǒng)性風(fēng)險(xiǎn)，不適于整體金融部門系統(tǒng)性風(fēng)險(xiǎn)監(jiān)測(cè)。

二是測(cè)度多個(gè)金融機(jī)構(gòu)聯(lián)合違約帶來的系統(tǒng)性風(fēng)險(xiǎn)。該類研究主要有未定權(quán)益分析法和聯(lián)合違約概率分析法兩大研究方法。未定權(quán)益分析法(簡(jiǎn)稱CCA模型)結(jié)合了股票價(jià)格和資產(chǎn)負(fù)債表信息，能獲得一系列具有前瞻性且易于計(jì)算的公司違約風(fēng)險(xiǎn)指標(biāo)。學(xué)者通過建立國(guó)家或部門資產(chǎn)負(fù)債表，將CCA模型應(yīng)用于一國(guó)主權(quán)債務(wù)風(fēng)險(xiǎn)、各宏觀部門風(fēng)險(xiǎn)的測(cè)度；一些中央銀行也開始使用該模型測(cè)度金融部門違約風(fēng)險(xiǎn)以及多家金融機(jī)構(gòu)違約可能帶來的風(fēng)險(xiǎn)傳染，對(duì)本國(guó)銀行業(yè)和整個(gè)金融部門進(jìn)行壓力測(cè)試，如Castren和Kavonius(2009)[10]、Saldías(2013)[11]、Harada et al.(2013)[12]等。Jobst和Gray(2013)提出了Systemic cca分析法，結(jié)合極值理論和多元copula產(chǎn)生一個(gè)多元極值分布，擬合金融機(jī)構(gòu)間相依結(jié)構(gòu)，捕捉金融系統(tǒng)聯(lián)合違約的整體預(yù)期損失，并用該方法衡量了美國(guó)金融體系的系統(tǒng)性風(fēng)險(xiǎn)[13]。未定權(quán)益分析法已經(jīng)應(yīng)用于分析多家銀行、金融部門或主權(quán)債務(wù)系統(tǒng)性風(fēng)險(xiǎn)，幫助監(jiān)管部門建立新的監(jiān)管框架，應(yīng)對(duì)不斷提升的系統(tǒng)性風(fēng)險(xiǎn)。聯(lián)合違約概率分析法是由Segoviano和Goodhart(2009)[14]提出，研究使用當(dāng)一家金融機(jī)構(gòu)陷于經(jīng)營(yíng)困境時(shí)，至少一家金融機(jī)構(gòu)也出現(xiàn)經(jīng)營(yíng)困境的條件概率密度來衡量系統(tǒng)性風(fēng)險(xiǎn)，將金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)測(cè)度由單一維擴(kuò)展到多維。在此基礎(chǔ)上，Zhou(2010)[15]提出用一家特定金融機(jī)構(gòu)出現(xiàn)經(jīng)營(yíng)危機(jī)時(shí)，系統(tǒng)中金融機(jī)構(gòu)陷于經(jīng)營(yíng)危機(jī)的預(yù)期數(shù)量衡量系統(tǒng)性風(fēng)險(xiǎn)，給出了系統(tǒng)影響指數(shù)和系統(tǒng)脆弱指數(shù)兩個(gè)系統(tǒng)性風(fēng)險(xiǎn)衡量指標(biāo)。Peeters(2011)[16]使用金融機(jī)構(gòu)規(guī)模加權(quán)系統(tǒng)影響指數(shù)，構(gòu)建了系統(tǒng)加權(quán)損害指數(shù)。

這兩種方法均測(cè)度了金融系統(tǒng)多家金融機(jī)構(gòu)聯(lián)合違約帶來的系統(tǒng)性風(fēng)險(xiǎn)，但在實(shí)踐應(yīng)用上仍存在一些問題。CCA分析法主要問題在于個(gè)體違約風(fēng)險(xiǎn)指標(biāo)如何加總為系統(tǒng)性風(fēng)險(xiǎn)指標(biāo)。目前已有的幾種方法為簡(jiǎn)單算數(shù)平均加總、資產(chǎn)加權(quán)加總和協(xié)方差加總法。這些方法一定程度上反映了金融機(jī)構(gòu)系統(tǒng)性違約風(fēng)險(xiǎn)，但忽略了金融機(jī)構(gòu)間非線性相依結(jié)構(gòu)。Systemic cca分析法使用了非線性相依結(jié)構(gòu)，但模型假定任意兩變量間相依結(jié)構(gòu)相同且不隨時(shí)間變化，這顯然與現(xiàn)實(shí)不符。聯(lián)合違約概率方法面臨同樣問題，在計(jì)算金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)指標(biāo)時(shí)需要估計(jì)變量聯(lián)合概率發(fā)布，當(dāng)金融機(jī)構(gòu)數(shù)量較多時(shí)，固定相依結(jié)構(gòu)假定使得計(jì)算結(jié)果出現(xiàn)偏差。Oh和Patton(2016)[3]、Lucas et al.(2016)[5]等提出了時(shí)變參數(shù)的動(dòng)態(tài)因子copula模型，能較好地描述多變量間相依結(jié)構(gòu)的動(dòng)態(tài)變化。本文將CCA模型和動(dòng)態(tài)因子copula模型結(jié)合起來，參考聯(lián)合違約概率方法的系統(tǒng)性風(fēng)險(xiǎn)指標(biāo)，分析我國(guó)金融機(jī)構(gòu)聯(lián)合違約風(fēng)險(xiǎn)，為系統(tǒng)性風(fēng)險(xiǎn)動(dòng)態(tài)監(jiān)測(cè)提供可行指標(biāo)。

三、研究設(shè)計(jì)

(一)未定權(quán)益分析法與信用價(jià)差計(jì)算

未定權(quán)益分析法假定資產(chǎn)市場(chǎng)價(jià)值隨機(jī)波動(dòng)，并服從幾何布朗運(yùn)動(dòng)，具體形式如下：

dAt=μAAtdt+σAAtdWt

(1)

上式中μA為漂移率或資產(chǎn)收益率；σA為資產(chǎn)收益率的標(biāo)準(zhǔn)差。由伊藤引理可知，At服從對(duì)數(shù)正態(tài)分布。

(2)

公司股權(quán)價(jià)值可以看作是以資產(chǎn)市場(chǎng)價(jià)值為標(biāo)的，以公司負(fù)債為執(zhí)行價(jià)格的歐式看漲期權(quán)。給定到期時(shí)間T，在風(fēng)險(xiǎn)中性假定下，估計(jì)模型時(shí)采用同期無風(fēng)險(xiǎn)收益率r代替資產(chǎn)收益率μA，由期權(quán)定價(jià)公式可得：

Et=AtNd1-De-rT-tNd2

(3)

同時(shí)，資產(chǎn)市場(chǎng)價(jià)值波動(dòng)率與股權(quán)價(jià)值波動(dòng)率存在如下關(guān)系：

(4)

聯(lián)立式(3)和式(4)，優(yōu)化迭代求解可得At和σA。公司信用風(fēng)險(xiǎn)價(jià)值相當(dāng)于一個(gè)以公司資產(chǎn)市場(chǎng)價(jià)值為標(biāo)的，到期債務(wù)額為執(zhí)行價(jià)格，到期期限為T-t的歐式看跌期權(quán)。如果債權(quán)人購(gòu)買了這樣一個(gè)期權(quán)，那么就可以消除公司違約的信用風(fēng)險(xiǎn)?？吹跈?quán)價(jià)值可以看作是消除公司債權(quán)違約的信用風(fēng)險(xiǎn)成本。進(jìn)一步的，風(fēng)險(xiǎn)負(fù)債價(jià)值等于到期債務(wù)額的現(xiàn)值減去信用風(fēng)險(xiǎn)成本。

Dt=De-rT-t-Pt

(5)

在風(fēng)險(xiǎn)中性假定下，根據(jù)B-S期權(quán)定價(jià)公式，可得每個(gè)公司信用風(fēng)險(xiǎn)成本為：

Pt=De-rT-tN-d2-AtN-d1

(6)

假定債務(wù)到期收益率為y，滿足y?r。

(7)

信用價(jià)差s=y-r代表債權(quán)人所承擔(dān)違約風(fēng)險(xiǎn)的補(bǔ)償。代入(5)、(6)和(7)可得：

(8)

由上式可計(jì)算出公司信用價(jià)差，為監(jiān)測(cè)金融機(jī)構(gòu)違約風(fēng)險(xiǎn)提供了一個(gè)明確且易于處理的預(yù)警指標(biāo)。

(二)動(dòng)態(tài)因子copula模型

金融機(jī)構(gòu)違約風(fēng)險(xiǎn)存在明顯的動(dòng)態(tài)相關(guān)性，基于未定權(quán)益分析法計(jì)算的信用價(jià)差是衡量單個(gè)金融機(jī)構(gòu)違約風(fēng)險(xiǎn)的指標(biāo)，不能反映多個(gè)金融機(jī)構(gòu)聯(lián)合違約風(fēng)險(xiǎn)狀況，不利于監(jiān)管部門監(jiān)控金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)。使用動(dòng)態(tài)因子copula作為連接函數(shù)，擬合金融機(jī)構(gòu)信用價(jià)差間動(dòng)態(tài)相依結(jié)構(gòu)，構(gòu)建系統(tǒng)性風(fēng)險(xiǎn)度量指標(biāo)，可以有效解決這一難題。

構(gòu)建高維變量相依結(jié)構(gòu)模型的一個(gè)關(guān)鍵問題是降維。學(xué)者們提出了一種靈活的因子copula建?？蚣?。結(jié)合本文研究?jī)?nèi)容，考慮如下因子copula模型：

uit=Fxitθ,i=1,2,…,nt=1,2,…,T

xit=λitγλzt+εit,i=1,2,…,n

(9)

z～FZγzεi～iidFεγε

其中，F(xiàn)xitθ為xit的邊際分布函數(shù)；zt為變量xit的共同因子；λitγλ為共同因子zt潛在的時(shí)變權(quán)重；FZγz和Fεγε分別是共同因素和異質(zhì)因素的單變量分布函數(shù)，本文假定FZγz函數(shù)形式為Skew-tνz,φz，F(xiàn)εγε函數(shù)形式為tνε。γλ,γZ,γε為所需要估計(jì)的copula參數(shù)集。

動(dòng)態(tài)模型的一個(gè)關(guān)鍵特征是參數(shù)如何隨時(shí)間變化的。學(xué)者們針對(duì)copula模型提出了多種參數(shù)動(dòng)態(tài)化方法，GAS模型在應(yīng)用于高維動(dòng)態(tài)copula建模時(shí)更有優(yōu)勢(shì)，它是一種純粹基于數(shù)據(jù)本身驅(qū)動(dòng)的時(shí)變參數(shù)建模方法，一定程度上避免了設(shè)定時(shí)變參數(shù)動(dòng)態(tài)過程的主觀性，該方法的詳細(xì)討論參見Creal et al.(2013)[17]。這種時(shí)變參數(shù)建模方法能較好地適應(yīng)尖峰厚尾型多元變量聯(lián)合分布概率密度函數(shù)，提高了動(dòng)態(tài)波動(dòng)性和相關(guān)性估計(jì)的穩(wěn)定性。因此，本文使用GAS方法描述模型動(dòng)態(tài)特征，動(dòng)態(tài)參數(shù)的GAS模型具體形式如下：

logλi,t=ωi+βlogλi,t-1+αsi,t-1,i=1,2,…,n

(10)

上述動(dòng)態(tài)因子copula模型沒有具體解析表達(dá)式，因此也無法求得該copula模型似然函數(shù)解析表達(dá)式，只能通過數(shù)值方法來解決這一問題。本文使用基于數(shù)值逼近的似然函數(shù)值最大化方法，估計(jì)動(dòng)態(tài)因子copula模型參數(shù)值。

(三)系統(tǒng)性風(fēng)險(xiǎn)指標(biāo)

系統(tǒng)性風(fēng)險(xiǎn)可以定義為大量公司或機(jī)構(gòu)處于經(jīng)營(yíng)困境的風(fēng)險(xiǎn)。當(dāng)其他金融機(jī)構(gòu)處于經(jīng)營(yíng)壓力之下時(shí)，一家金融機(jī)構(gòu)經(jīng)營(yíng)出現(xiàn)問題，風(fēng)險(xiǎn)看似可控，實(shí)際上卻不是這樣的。如果一家金融機(jī)構(gòu)處于經(jīng)營(yíng)困境中，也許仍然可以獲得其他正常金融機(jī)構(gòu)的支持，但當(dāng)兩個(gè)、三個(gè)或更多金融機(jī)構(gòu)處于經(jīng)營(yíng)困境時(shí)，情況會(huì)變得很糟糕，壞的結(jié)果一起發(fā)生會(huì)使問題變得更嚴(yán)重。本文借鑒相關(guān)研究，同時(shí)考慮金融機(jī)構(gòu)規(guī)模的影響，設(shè)計(jì)兩個(gè)指標(biāo)衡量金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)。

本文定義當(dāng)金融機(jī)構(gòu)未來一季度信用價(jià)差高于某一門限值時(shí)，則金融機(jī)構(gòu)處于經(jīng)營(yíng)危機(jī)中，具體如下：

Yi,t+60=Isi,t+60?c

(11)

其中，I{}為指示性函數(shù)，括號(hào)中為真，取值為1，否則取值為0。c為信用價(jià)差固定門限值，可根據(jù)研究需要設(shè)定。

指標(biāo)一是使用多家金融機(jī)構(gòu)同時(shí)出現(xiàn)經(jīng)營(yíng)困境的概率衡量系統(tǒng)性風(fēng)險(xiǎn)。聯(lián)合違約概率定義為：

(12)

其中，wi為根據(jù)金融機(jī)構(gòu)規(guī)模計(jì)算的權(quán)重；k為處于經(jīng)營(yíng)困境的金融機(jī)構(gòu)數(shù)量。

指標(biāo)二是金融機(jī)構(gòu)i陷入經(jīng)營(yíng)困境時(shí)，所有金融機(jī)構(gòu)中出現(xiàn)經(jīng)營(yíng)危機(jī)的比例，稱為條件違約概率。定義為：

(13)

四、我國(guó)金融機(jī)構(gòu)動(dòng)態(tài)系統(tǒng)性風(fēng)險(xiǎn)測(cè)度

(一)數(shù)據(jù)選擇與說明

考慮到數(shù)據(jù)連續(xù)性及研究需要，本文選取在國(guó)內(nèi)A股上市的26家金融機(jī)構(gòu)，包括14家銀行、6家證券公司、3家保險(xiǎn)公司、3家信托公司，涵蓋金融業(yè)四個(gè)子行業(yè)，研究使用日度數(shù)據(jù)。股權(quán)價(jià)值等于金融機(jī)構(gòu)總股本(流通A股+非流通股+H股)×當(dāng)日實(shí)際收盤價(jià)；采用向前復(fù)權(quán)股價(jià)計(jì)算股票收益率，并用GARCH(1,1)測(cè)算股權(quán)價(jià)值波動(dòng)率；無風(fēng)險(xiǎn)利率選用一年期中央銀行定期存款利率；債務(wù)違約閥值為短期負(fù)債+0.5×長(zhǎng)期負(fù)債，由于金融機(jī)構(gòu)資產(chǎn)負(fù)債表季度公布，本文利用線性插值法轉(zhuǎn)換為日度數(shù)據(jù)。所有數(shù)據(jù)均來自于Wind資訊。

樣本考察期為2008年1月1日至2016年3月31日，包括了次貸危機(jī)爆發(fā)影響、財(cái)政四萬億投資計(jì)劃、歐債危機(jī)、地方政府債務(wù)問題、金融深化改革及經(jīng)濟(jì)增速下滑等一系列比較有影響的宏觀經(jīng)濟(jì)時(shí)期，有助于認(rèn)識(shí)復(fù)雜宏觀經(jīng)濟(jì)環(huán)境背景對(duì)我國(guó)金融機(jī)構(gòu)系統(tǒng)性違約風(fēng)險(xiǎn)的影響。

(二)我國(guó)金融機(jī)構(gòu)信用價(jià)差的動(dòng)態(tài)特征

在分析金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)動(dòng)態(tài)特征之前，首先分析單一金融機(jī)構(gòu)違約風(fēng)險(xiǎn)，本文使用前文介紹的金融機(jī)構(gòu)信用價(jià)差這一指標(biāo)。金融機(jī)構(gòu)信用價(jià)差越大，說明其違約損失補(bǔ)償越高，違約風(fēng)險(xiǎn)越大。將相關(guān)變量代入未定權(quán)益分析模型，使用MATLAB2012優(yōu)化求解可得金融機(jī)構(gòu)信用價(jià)差。整體來看，信用價(jià)差指標(biāo)能較好地捕捉到單一金融機(jī)構(gòu)違約風(fēng)險(xiǎn)動(dòng)態(tài)變化，反映出不同市場(chǎng)環(huán)境和宏觀經(jīng)濟(jì)背景對(duì)金融機(jī)構(gòu)違約風(fēng)險(xiǎn)的影響。

表1列出了樣本期內(nèi)26家金融機(jī)構(gòu)信用價(jià)差序列描述性統(tǒng)計(jì)分析情況。由表1可以看出各金融機(jī)構(gòu)信用價(jià)差序列數(shù)值上表現(xiàn)出較大差異，均呈現(xiàn)出尖峰、右偏特征。從均值來看，證券業(yè)最高，達(dá)到0.227%，然后依次為保險(xiǎn)業(yè)0.075%、信托業(yè)0.056%，銀行業(yè)最小為0.042%。進(jìn)一步比較單個(gè)金融機(jī)構(gòu)信用價(jià)差發(fā)現(xiàn)，國(guó)有大型商業(yè)銀行信用價(jià)差要顯著低于股份制商業(yè)銀行和城市商業(yè)銀行，這與陳忠陽(yáng)和劉志洋(2013)[18]研究一致。這主要是由于大型商業(yè)銀行的國(guó)有屬性，其背后有國(guó)家信用的支持。市場(chǎng)普遍預(yù)期當(dāng)國(guó)有大型商業(yè)銀行出現(xiàn)償付問題時(shí)，政府會(huì)進(jìn)行救助，存在“大而不能倒”現(xiàn)象，這一預(yù)期已經(jīng)反映到了大型商業(yè)銀行信用價(jià)差中。此外，相比其他金融機(jī)構(gòu)，國(guó)有大型商業(yè)銀行資產(chǎn)規(guī)模大、業(yè)務(wù)范圍廣、風(fēng)險(xiǎn)控制能力較強(qiáng)等優(yōu)勢(shì)，也使其違約風(fēng)險(xiǎn)低于其他金融機(jī)構(gòu)。證券公司違約風(fēng)險(xiǎn)要明顯高于其他金融機(jī)構(gòu)。這主要是因?yàn)樽C券公司收益更易受股市波動(dòng)影響，樣本期內(nèi)幾次股市大跌使證券公司收益下降，違約風(fēng)險(xiǎn)較高。

表1 金融機(jī)構(gòu)信用價(jià)差描述性統(tǒng)計(jì)分析

圖1給出了樣本考察期內(nèi)銀行業(yè)、信托業(yè)、保險(xiǎn)業(yè)和證券業(yè)的信用價(jià)差動(dòng)態(tài)變化。*限于篇幅，沒有給出各個(gè)金融機(jī)構(gòu)的信用價(jià)差時(shí)序圖。2008年次貸危機(jī)爆發(fā)以來，金融機(jī)構(gòu)違約風(fēng)險(xiǎn)不斷攀升，至2008年第四季度達(dá)到峰值，之后開始回落。2010年第一季度小幅波動(dòng)之后，基本維持在較低水平。直到2014年底信用價(jià)差水平再度提高，2015年一度超過次貸危機(jī)期間最高水平?？梢?，金融機(jī)構(gòu)信用價(jià)差易受到市場(chǎng)和經(jīng)濟(jì)因素影響，金融機(jī)構(gòu)違約風(fēng)險(xiǎn)短期內(nèi)可能會(huì)劇烈變動(dòng)。各金融機(jī)構(gòu)信用價(jià)差序列動(dòng)態(tài)走勢(shì)高度一致，樣本期內(nèi)呈現(xiàn)出同升同降的變化，這說明金融機(jī)構(gòu)間違約風(fēng)險(xiǎn)存在動(dòng)態(tài)相關(guān)性，表現(xiàn)出較強(qiáng)協(xié)動(dòng)性特征，有必要測(cè)度金融機(jī)構(gòu)聯(lián)合違約風(fēng)險(xiǎn)，加強(qiáng)動(dòng)態(tài)系統(tǒng)性風(fēng)險(xiǎn)監(jiān)測(cè)。

圖1 金融機(jī)構(gòu)信用價(jià)差動(dòng)態(tài)變化

圖2 金融機(jī)構(gòu)因子載荷動(dòng)態(tài)變化

(三)動(dòng)態(tài)因子copula模型估計(jì)

由于信用價(jià)差數(shù)據(jù)表現(xiàn)出明顯的尖峰和右偏特征，本文首先選用殘差服從Stewed-t分布的AR(1)—GARCH(1,1)模型擬合各序列邊際分布，然后將估計(jì)的標(biāo)準(zhǔn)化殘差進(jìn)行概率積分變換獲得uit，用于動(dòng)態(tài)因子copula分析。表2給出了動(dòng)態(tài)因子copula模型估計(jì)結(jié)果?？梢钥闯?，β參數(shù)為0.9197，說明模型時(shí)變參數(shù)具有較高的持久性。時(shí)變參數(shù)系數(shù)比較顯著，相比傳統(tǒng)靜態(tài)copula模型，動(dòng)態(tài)因子copula模型具有更好的表現(xiàn)，較好地?cái)M合了金融機(jī)構(gòu)間動(dòng)態(tài)相依結(jié)構(gòu)演變。模型中因子載荷(λt)是序列相關(guān)結(jié)構(gòu)的標(biāo)準(zhǔn)指標(biāo)，因子載荷越大，金融機(jī)構(gòu)間相關(guān)性越強(qiáng)[3]。

圖2給出了樣本期內(nèi)估計(jì)的因子載荷的動(dòng)態(tài)變化。各金融子行業(yè)序列為同類金融機(jī)構(gòu)因子載荷的平均值。觀察圖2我們發(fā)現(xiàn)，金融機(jī)構(gòu)間相依結(jié)構(gòu)變動(dòng)大體可分為三個(gè)階段：2008年1月至2009年12月為第一階段，2008年因子載荷相對(duì)穩(wěn)定，大部分集中在0.5～1之間，金融機(jī)構(gòu)相關(guān)性在0.2～0.5左右；2009年開始在波動(dòng)中大幅提高到2以上?？傮w上這一階段金融機(jī)構(gòu)間相關(guān)關(guān)系由大到小依次為保險(xiǎn)公司、銀行、證券公司和信托公司。2010年1月至2014年12月為第二階段，在此期間因子載荷一直維持在高水平波動(dòng)，金融機(jī)構(gòu)間相依結(jié)構(gòu)發(fā)生明顯變化，金融機(jī)構(gòu)相關(guān)關(guān)系明顯提高，達(dá)到0.8以上，意味著一家金融機(jī)構(gòu)出現(xiàn)問題，至少還有20家金融機(jī)構(gòu)會(huì)同時(shí)陷入困境。銀行的因子載荷波動(dòng)較小，且顯著小于其他三類公司；保險(xiǎn)和證券公司波動(dòng)較大，一度回落到1.5以下。這一階段相依關(guān)系依次為信托公司、保險(xiǎn)公司、證券公司和銀行。2015年1月進(jìn)入第三階段，金融機(jī)構(gòu)相關(guān)性下降，因子載荷降到2以下。證券和信托公司回落到2008年水平，并有進(jìn)一步下降趨勢(shì)；銀行和保險(xiǎn)公司仍然較高，銀行降幅最小。這一階段相關(guān)性變?yōu)殂y行最大，保險(xiǎn)公司次之，信托和證券公司最小。

表2 動(dòng)態(tài)因子copula模型參數(shù)估計(jì)結(jié)果

注：所有參數(shù)均在1%顯著性水平上顯著。

(四)時(shí)變系統(tǒng)性風(fēng)險(xiǎn)測(cè)度

比較大的金融危機(jī)通常會(huì)導(dǎo)致經(jīng)濟(jì)蕭條或衰退。危機(jī)發(fā)生時(shí)，銀行和其他金融機(jī)構(gòu)破產(chǎn)會(huì)通過資產(chǎn)負(fù)債和流動(dòng)性渠道觸發(fā)其他金融機(jī)構(gòu)倒閉，危及實(shí)體經(jīng)濟(jì)穩(wěn)定性。最近的金融危機(jī)表明傳統(tǒng)的微觀審慎監(jiān)管不能有效防范系統(tǒng)性風(fēng)險(xiǎn)。上文研究也證實(shí)了金融機(jī)構(gòu)間相依結(jié)構(gòu)會(huì)隨經(jīng)濟(jì)環(huán)境變化而不斷變動(dòng)，需要監(jiān)測(cè)系統(tǒng)性風(fēng)險(xiǎn)動(dòng)態(tài)變化。本文利用蒙特卡洛模擬法計(jì)算兩個(gè)系統(tǒng)性風(fēng)險(xiǎn)指標(biāo)。設(shè)定信用價(jià)差99%分位數(shù)為違約門限值。在時(shí)刻t，基于估計(jì)的動(dòng)態(tài)因子copula模型產(chǎn)生n組隨機(jī)變量uit，i=1,…,26t=1,…,n，n為測(cè)度周期。因?yàn)樯鲜薪鹑跈C(jī)構(gòu)財(cái)務(wù)數(shù)據(jù)季度披露一次，故假定n為60個(gè)交易日(約為一個(gè)季度)，以預(yù)測(cè)下一季度系統(tǒng)性風(fēng)險(xiǎn)變動(dòng)狀況。然后由邊際分布模型迭代求出金融機(jī)構(gòu)下一季度末的信用價(jià)差，進(jìn)而計(jì)算出聯(lián)合違約風(fēng)險(xiǎn)和條件違約概率。重復(fù)上述過程1000次，求期望值得模擬的系統(tǒng)性風(fēng)險(xiǎn)。

圖3給出了k=2和k=5的聯(lián)合違約概率動(dòng)態(tài)變化，即同時(shí)有2家或5家以上金融機(jī)構(gòu)陷入經(jīng)營(yíng)困境的概率。我們發(fā)現(xiàn)k=2和k=5時(shí)金融機(jī)構(gòu)聯(lián)合違約概率走勢(shì)高度一致，k=2時(shí)聯(lián)合違約風(fēng)險(xiǎn)略高于k=5時(shí)，說明金融機(jī)構(gòu)間協(xié)動(dòng)性較強(qiáng)。下面以k=2時(shí)為例進(jìn)行分析，2009年第二季度之前金融機(jī)構(gòu)聯(lián)合違約風(fēng)險(xiǎn)幾乎為零，2009年第二季度直接升高到樣本期內(nèi)最大值0.711，這再次表明系統(tǒng)性風(fēng)險(xiǎn)實(shí)時(shí)監(jiān)測(cè)的必要性。2009年下半年風(fēng)險(xiǎn)概率略有下降但仍在0.68以上。2010年下降到0.6以下，直至2014年第三季度，除2013年第四季度有一個(gè)短暫下降外，其他時(shí)間均保持在0.5～0.6之間波動(dòng)。2014年第四季度以來，聯(lián)合違約風(fēng)險(xiǎn)大幅下降，違約概率回落到0.1以下。2016年有上升趨勢(shì)，但上升幅度較小。

圖4給出了條件違約概率動(dòng)態(tài)變化?？梢钥闯鐾?lián)合違約風(fēng)險(xiǎn)表現(xiàn)相似，2009年第二季度條件違約概率攀升至0.84以上，第三季度達(dá)到極值1，這表明任何一家金融機(jī)構(gòu)違約時(shí)，其他金融機(jī)構(gòu)也會(huì)一起違約。2009年底重新下降到0.85左右，一直維持到2014年第三季度。2014年底下降到0.1以下，之后2016年又有所上升超過0.7。當(dāng)一家金融機(jī)構(gòu)條件違約概率較低時(shí)，說明金融機(jī)構(gòu)間相關(guān)性較低。這家金融機(jī)構(gòu)經(jīng)營(yíng)陷入困境不會(huì)導(dǎo)致其他金融機(jī)構(gòu)經(jīng)營(yíng)出現(xiàn)問題。如果金融機(jī)構(gòu)條件違約概率高于其他金融機(jī)構(gòu)，說明其對(duì)于金融市場(chǎng)穩(wěn)定有較強(qiáng)影響力，是系統(tǒng)重要性金融機(jī)構(gòu)，在樣本期間內(nèi)，四類金融機(jī)構(gòu)表現(xiàn)差異不大，大部分時(shí)間段相差不超過2%，金融機(jī)構(gòu)間表現(xiàn)出較強(qiáng)相關(guān)性，與上文因子載荷分析結(jié)論相一致。

圖3 金融機(jī)構(gòu)聯(lián)合違約概率動(dòng)態(tài)變化

圖4 金融機(jī)構(gòu)條件違約概率動(dòng)態(tài)變化

綜合對(duì)比以上分析，我們發(fā)現(xiàn)2008年次貸危機(jī)爆發(fā)期間，單一金融機(jī)構(gòu)違約風(fēng)險(xiǎn)顯著提高，這與現(xiàn)有研究一致；與二元模型(MES、CoVaR等)測(cè)度結(jié)果不同，次貸危機(jī)期間系統(tǒng)性風(fēng)險(xiǎn)并不高，而是2009年下半年開始達(dá)到較高水平。二元模型僅考慮了單個(gè)金融機(jī)構(gòu)股價(jià)指數(shù)與市場(chǎng)指數(shù)關(guān)系，沒有涉及金融機(jī)構(gòu)間相依關(guān)系。本文使用的動(dòng)態(tài)因子copula模型能擬合金融機(jī)構(gòu)間相依結(jié)構(gòu)，并且較好地描述了動(dòng)態(tài)相依結(jié)構(gòu)的變化，對(duì)系統(tǒng)性風(fēng)險(xiǎn)評(píng)估更準(zhǔn)確可靠。次貸危機(jī)對(duì)我國(guó)影響主要有金融和貿(mào)易兩個(gè)渠道。我國(guó)金融機(jī)構(gòu)參與國(guó)際金融市場(chǎng)交易規(guī)模有限，次貸危機(jī)爆發(fā)主要是國(guó)內(nèi)投資者信心和市場(chǎng)預(yù)期受到?jīng)_擊，股市下跌造成金融機(jī)構(gòu)資產(chǎn)市場(chǎng)價(jià)值下降，進(jìn)而單個(gè)金融機(jī)構(gòu)融資成本上升違約風(fēng)險(xiǎn)較高。危機(jī)發(fā)生并未造成我國(guó)金融機(jī)構(gòu)資產(chǎn)大規(guī)模減記，金融渠道影響較快但影響有限。近年來，出口貿(mào)易是拉動(dòng)經(jīng)濟(jì)增長(zhǎng)的重要源動(dòng)力之一。次貸危機(jī)發(fā)生導(dǎo)致我國(guó)出口負(fù)增長(zhǎng)，不少企業(yè)因此陷入經(jīng)營(yíng)困境，甚至破產(chǎn)跑路，這直接影響到金融機(jī)構(gòu)投資或貸款的收回，給金融機(jī)構(gòu)造成較大損失。這一渠道作用較慢，直到2009年才逐漸顯現(xiàn)，但影響較大，金融機(jī)構(gòu)受波及范圍較廣。因此，次貸危機(jī)后金融機(jī)構(gòu)間相關(guān)性大大提高，遠(yuǎn)超過次貸危機(jī)期間水平。另一方面，為穩(wěn)定經(jīng)濟(jì)增長(zhǎng)，2008年底政府推出了擴(kuò)大內(nèi)需、促進(jìn)經(jīng)濟(jì)增長(zhǎng)的十項(xiàng)措施，預(yù)計(jì)到2010年底投資四萬億。各金融機(jī)構(gòu)紛紛通過影子銀行等方式為政府投資融通資金，這使得金融機(jī)構(gòu)間本已緊密的資產(chǎn)負(fù)債聯(lián)系更加錯(cuò)綜復(fù)雜，協(xié)動(dòng)性增強(qiáng)，出現(xiàn)“一榮俱榮、一損俱損”的局面。金融機(jī)構(gòu)被動(dòng)成為一個(gè)整體，這一情況直到2014年底才有所緩解。從系統(tǒng)性風(fēng)險(xiǎn)測(cè)度結(jié)果來看，2014年底以來，金融機(jī)構(gòu)系統(tǒng)性違約風(fēng)險(xiǎn)回落，這主要緣于金融機(jī)構(gòu)相關(guān)性減弱而非其自身風(fēng)險(xiǎn)的下降。政府在充分認(rèn)識(shí)經(jīng)濟(jì)進(jìn)入新常態(tài)階段后，實(shí)施“一帶一路”“供給側(cè)改革”等經(jīng)濟(jì)發(fā)展戰(zhàn)略，不斷深化金融體制改革，加強(qiáng)金融機(jī)構(gòu)違約風(fēng)險(xiǎn)監(jiān)控，增強(qiáng)金融機(jī)構(gòu)抗風(fēng)險(xiǎn)能力，2014年底以來多次下調(diào)法定存款準(zhǔn)備金比率，釋放流動(dòng)性。在一系列經(jīng)濟(jì)金融政策措施作用下，金融機(jī)構(gòu)相關(guān)性下降，雖然在金融監(jiān)管壓力下，單一金融機(jī)構(gòu)違約風(fēng)險(xiǎn)有所提高，但金融業(yè)整體系統(tǒng)性風(fēng)險(xiǎn)大大降低。

五、結(jié) 論

本文基于2008年1月1日至2016年3月31日股價(jià)和財(cái)務(wù)數(shù)據(jù)，運(yùn)用未定權(quán)益分析法測(cè)度我國(guó)26家上市金融機(jī)構(gòu)的信用價(jià)差，并構(gòu)建動(dòng)態(tài)因子copula模型估計(jì)金融機(jī)構(gòu)系統(tǒng)性風(fēng)險(xiǎn)。研究發(fā)現(xiàn)信用價(jià)差變動(dòng)較好地揭示了單個(gè)金融機(jī)構(gòu)違約風(fēng)險(xiǎn)動(dòng)態(tài)變化特征；相比二元變量模型，動(dòng)態(tài)因子copula模型表現(xiàn)更好，描述了樣本期內(nèi)金融機(jī)構(gòu)間相依結(jié)構(gòu)變化。

從單一金融機(jī)構(gòu)違約風(fēng)險(xiǎn)來看，次貸危機(jī)期間和2015年以來金融機(jī)構(gòu)個(gè)體違約風(fēng)險(xiǎn)均大幅提高，遠(yuǎn)超過其他時(shí)間段違約水平。從金融機(jī)構(gòu)系統(tǒng)性違約風(fēng)險(xiǎn)來看，與單一金融機(jī)構(gòu)違約風(fēng)險(xiǎn)相反，上述兩個(gè)時(shí)間段系統(tǒng)性違約風(fēng)險(xiǎn)較小，不到0.1，而2009年下半年到2014年底，聯(lián)合違約風(fēng)險(xiǎn)指標(biāo)一直在0.8以上，這主要是緣于這段時(shí)期金融機(jī)構(gòu)較高的相關(guān)性。這一發(fā)現(xiàn)與二元變量模型結(jié)果明顯不同，說明僅關(guān)注二元變量相依關(guān)系不足以反映金融業(yè)整體風(fēng)險(xiǎn)狀況，必須加強(qiáng)對(duì)多家金融機(jī)構(gòu)間相依結(jié)構(gòu)變動(dòng)的關(guān)注。正如前文所言，一家金融機(jī)構(gòu)違約對(duì)金融市場(chǎng)影響可能有限，但當(dāng)其他金融機(jī)構(gòu)與這家金融機(jī)構(gòu)協(xié)動(dòng)性較強(qiáng)，也同時(shí)陷入困境時(shí)，將對(duì)金融市場(chǎng)造成嚴(yán)重影響，二元模型無法揭示這一點(diǎn)。本文分析認(rèn)為由于我國(guó)金融機(jī)構(gòu)開放度較低，受次貸危機(jī)直接影響較小，主要問題來自于出口負(fù)增長(zhǎng)帶來經(jīng)濟(jì)下滑，企業(yè)破產(chǎn)倒閉造成各種呆壞賬，這是2009年之后金融機(jī)構(gòu)相依關(guān)系變強(qiáng)、系統(tǒng)性風(fēng)險(xiǎn)加大的主要原因。

從本文分析結(jié)果來看，各金融機(jī)構(gòu)違約風(fēng)險(xiǎn)呈現(xiàn)較大差異，相比其他金融機(jī)構(gòu)，銀行違約風(fēng)險(xiǎn)較低，但其相依關(guān)系波動(dòng)較小，近期處于高點(diǎn)，需加強(qiáng)監(jiān)控。傳統(tǒng)微觀審慎監(jiān)管措施不能有效防范系統(tǒng)性風(fēng)險(xiǎn)，單一金融機(jī)構(gòu)違約風(fēng)險(xiǎn)低，系統(tǒng)性風(fēng)險(xiǎn)不一定低，系統(tǒng)性風(fēng)險(xiǎn)更多地依賴于金融機(jī)構(gòu)間相依結(jié)構(gòu)。從系統(tǒng)性重要機(jī)構(gòu)來看，由于相關(guān)性較高，條件違約概率測(cè)度結(jié)果沒有顯著差異，表明在一家金融機(jī)構(gòu)陷入困境時(shí)，其他金融機(jī)構(gòu)以一個(gè)較大的概率陷入經(jīng)營(yíng)困境，沒有發(fā)現(xiàn)明顯的系統(tǒng)性重要機(jī)構(gòu)，或者說每個(gè)金融機(jī)構(gòu)都很重要。這意味著金融監(jiān)管部門僅關(guān)注系統(tǒng)性重要機(jī)構(gòu)仍然不足。因此，需要加強(qiáng)宏觀審慎監(jiān)管，關(guān)注金融機(jī)構(gòu)間相依結(jié)構(gòu)變化。

[1] Adrian，Tobias，Markus K. Brunnermeier.CoVaR[R].National Bureau of Economic Research，2011.

[2] Acharya, V.，R. F. Engle，M. Richardson.Capital Shortfall: A New Approach to Ranking and Regulating Systemic Risks[J]. American Economic Review，2012，102(3)，pp.59-64.

[3] Dong Hwan Oh，Patton A. J. Time-Varying Systemic Risk: Evidence from a Dynamic Copula Model of CDS Spreads[J].Journal of Business and Economic Statistics，2016，F(xiàn)orthcoming.

[4] Creal D. D.，Tsay R. S.High Dimensional Dynamic Stochastic Copula Models[J].Journal of Econometrics，2015，189(2)，pp.335-345.

[5] Lucas A.，Schwaab B.，Zhang X.Modeling Financial Sector Joint Tail Risk in the Euro Area[J].Journal of Applied Econometrics，2016，F(xiàn)orthcoming.

[6] Financial Stability Board.Policy Measures to Address Systemically Important Financial Institutions[R]. 2011.

[7] Mistrulli，Paolo Emilio.Assessing Financial Contagion in the Interbank Market: Maximum Entropy Versus Observed Interbank Lending Patterns[J].Journal of Banking and Finance，2011，35(5)，pp.1114-1127.

[8] Tarashev N.，Borio C.，Tsatsaronis K.The Systemic Importance of Financial Institutions[J].Bis Quarterly Review，2009，pp.75-87.

[9] Brownlees, T.C.，Engle, R.F.Volatility, Correlation and Tails for Systemic Risk Measurement [Z].NYU-Stern Working Paper，2012.

[10] Castren, O.，Kavonius, I. K. Balance Sheet Interlinkages and Macro-Financial Risk Analysis in the Euro Area[Z].ECB Working Paper，No.1124，2009.

[11] Saldías M.Systemic Risk Analysis Using Forward-looking Distance-to-Default Series [J].Journal of Financial Stability，2013，9(4)，pp.498-517.

[12] Harada K.，Ito T.，Takahashi S.Is the Distance to Default A Good Measure in Predicting Bank Failures? A Case Study of Japanese Major Banks[J].Japan & the World Economy，2013，27(4)， pp.70-82.

[13] Jobst A.，Gray D. F.Systemic Contingent Claims Analysis—Estimating Market-Implied Systemic Risk[Z].IMF Working Paper，No.13(54)，2013.

[14] Segoviano Basurto M.，Goodhart C.Banking Stability Measures[J].Journal of Information Processing，2009，23(2)，pp.202-209.

[15] Zhou C.Are Banks Too Big to Fail? Measuring Systemic Importance of Financial Institutions [J].International Journal of Central Banking，2010(12)，pp.205-250.

[16] Peeters，R.Quantifying Systemic Importance：An Extreme Value Approach[D].Master Thesis, Maastricht University，2011.

[17] Creal,D.D.，S.J. Koopman，A. Lucas.Generalized Autoregressive Score Models with Applications[J].Journal of Applied Econometrics，2013，28(5)，pp.777-795.

[18] 陳忠陽(yáng)，劉志洋.國(guó)有大型商業(yè)銀行系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)度真的高嗎？——來自中國(guó)上市商業(yè)銀行股票收益率的證據(jù)[J].財(cái)貿(mào)經(jīng)濟(jì)，2013，(9)：57-66.

DynamicMonitoringofSystematicRiskofChinaFinancialInstitutions——BasedonCCAandDynamicFactorCopulaModel

WANG Peihui，YUAN Wei

(School of Economics，Hebei University，Baoding 071002，China)

This paper uses contingent claim analysis and dynamic factor copula model to study the systematic risk of financial institutions from January 2008 to March 2016.The findings are as follows: (1) The credit spread reveals the dynamic changes of the single financial institution’s default risk, which was at a high level during the subprime crisis and has risen again since 2015. The risk was at its highest in securities companies, followed by insurance companies,and trust companies,and at its lwest in banks. (2) Simulation of the systematic risk index reflects the systematic risk of financial institutions. During the second half of 2009 to the end of 2014 the systematic risk was at its highest. It is found that the higher risk of default in a single financial institution does not mean that the systematic risk is high, which depends on the dependence structure of financial institutions. Therefore, when strengthening the macro prudential supervision, regulators should pay attention to the dynamic changes in the dependence structure.

Systematic Risk; Contingent Claim Analysis; Dynamic Factor Copula Model

2016-12-23

國(guó)家社科基金青年項(xiàng)目(14CJY073)

王培輝(1981-)，男，河北滄縣人，河北大學(xué)經(jīng)濟(jì)學(xué)院副教授；袁薇(1982-)，女，河北邯鄲人，河北大學(xué)經(jīng)濟(jì)學(xué)院講師。

F832

A

1004-4892(2017)12-0043-11

(責(zé)任編輯:原蘊(yùn))