中國金融業(yè)系統(tǒng)性風險分析

劉志洋

摘 ? 要：本文從金融業(yè)各個類型業(yè)態(tài)的關聯(lián)度視角出發(fā)，以中國上市金融機構為研究樣本，使用股票交易數(shù)據(jù)，在剔除系統(tǒng)風險因子后，測度了銀行業(yè)、證券業(yè)、保險業(yè)和其他類型上市金融機構之間的關聯(lián)度。實證結論表明，證券公司之間的關聯(lián)度風險顯著高于商業(yè)銀行、保險公司和其他類型的金融機構。商業(yè)銀行與證券公司、保險公司和其他類型金融機構的組合會增加金融機構之間的關聯(lián)度風險，而對于證券公司來講，證券公司與商業(yè)銀行、保險公司和其他類型金融機構的融合有助于降低金融機構的關聯(lián)度風險。

關鍵詞：關聯(lián)度;系統(tǒng)性風險;混業(yè)經營

中圖分類號：F830 ?文獻標識碼： A ?文章編號：1674-2265（2019）12-0022-08

DOI：10.19647/j.cnki.37-1462/f.2019.12.003

一、引言

系統(tǒng)性金融風險的爆發(fā)源于金融體系的不穩(wěn)定性。2008年全球金融危機表明，系統(tǒng)性金融風險會給實體經濟的增長帶來嚴重的威脅。20世紀70年代中期，國際清算銀行經濟學家Lamfalussy研究了宏觀經濟出現(xiàn)的失衡現(xiàn)象，并且提出宏觀經濟的失衡會增加金融體系的脆弱性。Lamfalussy認為金融體系能夠內生地產生金融危機，且金融創(chuàng)新不一定能夠降低金融風險。Crockett（2000）和Knight（2006）進一步發(fā)展了Lamfalussy的思想，并提出了要實施宏觀審慎管理的主張。

系統(tǒng)性金融危機蘊含了兩方面的內容：第一，金融體系是脆弱的，金融機構之間的關聯(lián)度非常高;第二，金融危機的爆發(fā)需要外部的負面沖擊，比如美國的次級貸款、西班牙的房地產泡沫破滅、歐洲主權債務危機中的希臘違約。金融體系存在脆弱性是負面沖擊發(fā)生作用的前提。如果金融體系不存在脆弱性，則即使出現(xiàn)負面沖擊，也不會爆發(fā)大規(guī)模的系統(tǒng)性金融風險。因此從金融監(jiān)管當局來看，有效評估金融體系的脆弱性程度是制定系統(tǒng)性金融風險管理政策的必要前提。

然而如何認識金融體系脆弱性本身就是一個非常大的挑戰(zhàn)。雖如此，一個共識是金融體系的脆弱性來自金融機構相互之間的關聯(lián)程度。關聯(lián)程度的大小與監(jiān)管規(guī)則的制定、金融體系的結構性變化、金融創(chuàng)新、宏觀經濟金融政策等均有密切關系。本文的主要關注點不在于研究影響關聯(lián)度的因素，而在于測度金融機構之間的關聯(lián)程度。這種關聯(lián)程度對于推廣宏觀審慎管理非常重要（Crockett，2000），因為依靠某些特定的宏觀金融變量來推測系統(tǒng)性金融風險效果不是非常理想（He和Krishnamurthy，2014）。2017年黨的十九大報告中指出，“健全貨幣政策和宏觀審慎政策雙支柱調控框架”，“守住不發(fā)生系統(tǒng)性金融風險的底線”。因此，有效評估中國金融體系脆弱性，對于管理系統(tǒng)性金融風險、實施宏觀審慎管理具有重要的實踐價值。

二、文獻綜述

系統(tǒng)性金融風險往往被定義為金融部門在一些情景下無法正常運轉，導致信貸可得性下降，進而危害實體經濟的健康發(fā)展（Bisias等，2012）。

在系統(tǒng)性風險評估方面，學者們進行了大量的研究，開發(fā)了眾多指標測度系統(tǒng)性金融風險。早期的研究已經關注到金融機構之間的關聯(lián)度導致的系統(tǒng)性金融風險的增加。比如Furfine（1999）使用Fedwire轉移系統(tǒng)研究銀行間市場在聯(lián)邦基金市場中的信貸投放問題，使用模擬的辦法分析雙邊風險敞口導致的期望損失。Elsinger等（2002）構建了奧地利銀行間市場關聯(lián)度矩陣，研究銀行間市場的傳染風險。Iori等（2003）模擬分析了銀行間傳染風險，認為當銀行間市場關聯(lián)度增加時，銀行體系的脆弱性增加，且風險高的銀行倒閉會引發(fā)經營穩(wěn)健的商業(yè)銀行倒閉?？傊?，早期的研究結論認為，銀行間關聯(lián)度越緊密，銀行體系脆弱性越高，爆發(fā)危機的可能性就越大。

2008年金融危機爆發(fā)后，大量學者采取了更為直接的方法研究系統(tǒng)性金融風險，其主要特征就是提出了系統(tǒng)性金融風險的測度指標。這些系統(tǒng)性風險測度指標在預警金融危機方面具有較為理想的效果（Hollo等，2012;Duca和Peltonen，2013）。Hollo等（2012）整合了歐盟區(qū)15個金融市場指標，將其分成五類，構建了歐盟區(qū)系統(tǒng)性金融風險指標。具體來講，Hollo等（2012）的五類指標包括：金融中介、貨幣市場、股票市場、債券市場和外匯市場。Hollo 等（2012）在考慮這五類指標的截面相關性之后，在關注每一個市場影響的基礎上進行了加權，進而構建出監(jiān)測系統(tǒng)性金融風險的指標。

在構建系統(tǒng)性金融風險的相關指標基礎上，學者們積極運用所構建的指標進行預測分析。Aspachs等（2006）將商業(yè)銀行市值的變化與違約概率進行加總來評估銀行體系的穩(wěn)定性。其優(yōu)勢在于，商業(yè)銀行的違約在此模型中是內生的。Aspachs等（2006）使用向量自回歸模型證明，加總的指標影響GDP增長率，因此可以用來評估系統(tǒng)性金融風險。Segoviano 和Goodhart（2009）測度了單一商業(yè)銀行的違約概率，發(fā)現(xiàn)可以使用這些違約概率數(shù)據(jù)來預測商業(yè)銀行整體陷入困境的概率。Salidas（2012）使用違約距離作為系統(tǒng)性金融風險的測度指標，發(fā)現(xiàn)單個商業(yè)銀行的違約距離的平均值與整體銀行的違約距離并不一致，這之間的差別與商業(yè)銀行之間的關聯(lián)度密切相關。Acharya等（2011）、Adrian和Brunnermeier（2016）也分別測度了商業(yè)銀行對銀行業(yè)整體的系統(tǒng)性風險貢獻度。

由于金融機構之間存在傳染風險，因此在近期的研究中，學者們開始使用網(wǎng)絡模型研究金融機構之間的關聯(lián)度。2008年金融危機爆發(fā)后，基于網(wǎng)絡模型的壓力測試得到了監(jiān)管當局和學者們的青睞，代表性文獻包括Montagna和Lux（2017）、Castren和Rancan（2014）、Rancan等（2015）等。在運用網(wǎng)絡理論進行研究過程中，學者們常常關注網(wǎng)絡結構與金融體系穩(wěn)定之間的關系。Leon等（2018）分析回購市場和銀行間市場，發(fā)現(xiàn)金融市場中的等級結構對于金融體系的穩(wěn)定非常重要。Cetina等（2018）使用美國存款信托及清算公司（Depository Trust和Clearing Corporation）的數(shù)據(jù)，發(fā)現(xiàn)一家商業(yè)銀行倒閉所帶來的間接負面影響大于其直接的負面影響。在實證分析方面，除銀行間市場外，學者們也開始關注銀行間債務相互持有、衍生工具和表外業(yè)務所構成的網(wǎng)絡結構給金融體系穩(wěn)定帶來的影響，近期的研究成果包括Anand等（2018）、Aldasoro和Alves（2018）、Halaj等（2018）等。在實證分析方面，對于高精度的數(shù)據(jù)要求非常高，這需要監(jiān)管當局和金融市場參與者的有效配合。

總之，2008年金融危機爆發(fā)后，無論金融監(jiān)管當局，還是學術界，都非常關注對于由金融機構相互關聯(lián)導致的系統(tǒng)性風險。對于管理系統(tǒng)性金融風險來講，最重要的就是要提前布局、設定預案，而這些工作的前提是有效的監(jiān)測和評估系統(tǒng)性金融風險。然而，在信息披露方面，金融機構很少披露其交易對手的明細資產負債數(shù)據(jù)，這會給研究金融機構之間關聯(lián)程度帶來很大阻礙。為了解決此問題，使用金融市場交易數(shù)據(jù)，尤其是金融機構股票交易數(shù)據(jù)來研究金融機構之間的關聯(lián)程度、進而監(jiān)測系統(tǒng)性金融風險，成為學者們的選擇。因此，本文擬使用中國上市金融機構的股票交易數(shù)據(jù)，構建系統(tǒng)性金融風險監(jiān)測評估指標，以期為中國管理系統(tǒng)性金融風險提供參考。

三、研究方法與樣本數(shù)據(jù)

（一）研究理論基礎

2008年金融危機爆發(fā)后，對于系統(tǒng)性風險的研究從“大而不倒”演變?yōu)椤疤B接而不倒”。這說明關聯(lián)度是影響系統(tǒng)性風險的重要因素。本文認為，關聯(lián)度增加導致系統(tǒng)性金融風險增加的理論基礎在于資產組合理論。馬科維茨1952年提出的資產組合理論表明，金融資產收益率變化的協(xié)方差決定了資產組合的風險。這說明如果金融資產收益變化的相關系數(shù)變大，則資產組合的風險也會變大。如果我們將中國金融體系看作一個資產組合，將每一個金融機構看作組合中的一份資產，則不難說明，金融機構之間相關性增加會導致整體組合風險的變大。這說明，各個資產收益率變化的相關性可以用來作為表示整體資產組合風險的替代指標。隨著中國金融業(yè)綜合化經營的趨勢不斷發(fā)展，銀行、證券、保險以及其他類型的金融業(yè)務均出現(xiàn)了融合的態(tài)勢，因此可以將各類型金融機構看作金融體系這一“大的資產組合”的組成部分，研究不同類型金融機構之間的相關程度，以進一步測度金融體系的系統(tǒng)性風險。

金融體系的脆弱性主要反映在金融機構風險承擔行為之間的關聯(lián)性上，因此一個直觀性的測量方法是測度金融機構股票收益率之間的相關性。如果股票收益率之間相關系數(shù)非常高，則負面沖擊就會給金融體系帶來很大的負面影響。因此，可以使用股票收益率數(shù)據(jù)測度在每一個時間點的相關系數(shù)。正如Hollo 等（2012）指出，金融系統(tǒng)的脆弱性來源于金融機構之間的截面相關性。關聯(lián)度的增加會導致交叉性金融風險的上升。這種風險具有復雜性、系統(tǒng)性、變異性的特征，破壞能力強，危害范圍廣泛。交叉性金融風險會通過各種渠道在金融機構之間傳染。相對于傳統(tǒng)的“黑天鵝”理論，交叉性風險更多地表現(xiàn)為“灰犀?！爆F(xiàn)象。

關聯(lián)度增加導致的傳染風險是系統(tǒng)性風險生成的主要機制。在傳染風險方面，學者們主要從以下四個方面進行研究：第一，違約導致的傳染風險，代表性文獻包括Acemoglu等（2015）、Elliott等（2014）的研究;第二，由金融體系困境導致的傳染風險，代表性文獻包括Tasca和Battiston（2016）、Battiston等（2016）的研究;第三，由共同風險敞口導致的傳染風險，代表性文獻包括Caballero和Simsek（2013）、Caccioli等（2014）等的研究;第四，由融資流動性導致的傳染風險，代表性文獻包括Fourel等（2013）、Acharya和Merrouche（2013）、Lee（2013）等的研究。

本文認為，關聯(lián)度增加導致系統(tǒng)性金融風險增加的理論基礎在于資產組合理論。馬科維茨1952年提出的資產組合理論表明，金融資產收益率變化的協(xié)方差決定了資產組合的風險。這說明如果金融資產收益變化的相關系數(shù)變大，則資產組合的風險也會變大。如果我們將中國金融體系看作一個資產組合，將每一個金融機構看作組合中的一份資產，則不難說明，金融機構之間相關性增加會導致整體組合風險的變大。這說明，各個資產收益率變化的相關性可以用來作為表示整體資產組合風險的替代指標。隨著中國金融業(yè)綜合化經營的趨勢不斷發(fā)展，銀行、證券、保險以及其他類型的金融業(yè)務均出現(xiàn)了融合的態(tài)勢，因此可以將各類型金融機構看作金融體系這一“大的資產組合”的組成部分，研究不同類型金融機構之間的相關程度，以進一步測度金融體系的系統(tǒng)性風險。

（二）實證方法

根據(jù)資產組合理論的經典思想，本文將金融體系視作一個大的資產組合，因此可以使用相關系數(shù)研究金融機構之間的關聯(lián)度。由于本文使用的是股票收益率數(shù)據(jù)，因此可以測度每一個時間點上金融機構之間的關聯(lián)度。結合Gibson等（2018）的研究，金融機構之間的關聯(lián)程度可以表示為：

[σ（ri）σ（ri）=σ（ri）+2cov（ri，rj）σ（ri）] （1）

其中σ表示方差，Cov表示協(xié)方差，ri表示商業(yè)銀行i股票收益率。之所以選擇股票收益率數(shù)據(jù)，其主要原因是股票收益率數(shù)據(jù)可得性強，能夠實現(xiàn)實時評估風險。在理想情況下，我們可以運用（1）式得到時變的協(xié)方差數(shù)值，將這些協(xié)方差進行加總，就可以得到金融機構之間整體的關聯(lián)度情況。為了估計方差和協(xié)方差，Garch族模型是主要計算工具。多元Garch模型可以估計許多變量之間的時變協(xié)方差。然而，當變量維度增加時，運算量急劇上升，待估參數(shù)量顯著增加。即使在Garch（1，1）模型下，如果存在5個變量，則需要估計465個參數(shù)（Gibson等，2018）。雖然可以通過對角矩陣簡化參數(shù)估計，但此模型忽略了變量之間的協(xié)方差。而即使使用BEKK模型，當存在5個變量時，估計參數(shù)也達到75個。因子Garch（Factor Garch）模型能夠簡化估計過程，但對協(xié)方差的時變性估計存在局限性。

由于本文的樣本包括了中國所有上市金融機構，且本文主要關注的是關聯(lián)度引發(fā)的系統(tǒng)性金融風險，因此本文首先使用單變量Garch模型（Univariate Garch Model）估計股票收益率的方差。對于每家金融機構，本文使用Garch（1，1）模型進行參數(shù)估計，并將所估計的方差進行加總得到方差的總和。如果（1）式的比值大于1，說明金融機構之間的關聯(lián)度為正值;（1）式小于1說明金融機構之間的相關性為負;（1）式為零，說明金融機構之間不存在相關性。

然而，正如Gibson等（2018）指出，（1）式的大小與樣本量n有關，因此（1）式無法比較不同類型金融機構之間的關聯(lián)度。在極端情況下，如果金融機構股票收益率完全相關，則樣本量的值與（1）式的值永遠相等。為了避免此問題，Gibson等（2018）提出了依據(jù)樣本量調整的監(jiān)測指標，見（2）式：

[R=（j=1n-1i=j+1n2cov（rj，ri））/（n-1）i=1nσ（ri）+1] （2）

從（2）式可以看出，如果R大于1，則說明金融機構之間存在正相關性;（2）式小于1則說明存在負相關性。R值越大，說明金融機構之間相關性越強，由關聯(lián)度風險引發(fā)的系統(tǒng)性風險可能性就越大。

根據(jù)資本資產定價模型，所有股票收益率都會受到系統(tǒng)風險因子的影響，因此金融機構股票收益率之間會通過系統(tǒng)風險因子產生關聯(lián)。為了研究純粹由金融機構之間經營導致的關聯(lián)度，本文將剔除金融機構股票收益率中系統(tǒng)風險因子部分，將得到的殘差項代入（2）式的計算中。首先本文假設金融機構股票收益率受到給定的系統(tǒng)風險因子的影響。在系統(tǒng)風險因子的選取方面，本文使用Fama-French三因素模型中的三個風險因子：市場組合溢價（MKTPRE）、市值因子（SMB）和賬面市值因子（HML）。具體見（3）式：

[ri，t-rf=αi+βiMKTPREt+γiSMBt+θiHMLt+εi，t] （3）

其中，rf表示無風險利率，MKTPRE、HML、SMB均對無風險利率進行調整。本文使用銀行間市場隔夜拆借利率作為無風險利率的代表，使用HS300指數(shù)作為市場組合的代表。[εi，t]表示非系統(tǒng)沖擊，刻畫金融機構自身的經營風險。本文在（3）式基礎上，將（3）式與Garch（1，1）模型聯(lián)合，將聯(lián)合模型生成的殘差代入（2）式求解協(xié)方差，以剔除系統(tǒng)風險因子的影響，全面刻畫由于金融機構自身經營導致的傳染風險。

（三）樣本數(shù)據(jù)

本文的樣本期間為2007年1月至2017年12月，數(shù)據(jù)頻率為月度數(shù)據(jù)，數(shù)據(jù)來源為萬得數(shù)據(jù)庫。本文使用上述上市金融機構月度股票收益率數(shù)據(jù)進行實證分析。

本文的樣本為所有中國上市的金融機構，具體包括銀行類金融機構、券商類金融機構、保險類金融機構和其他類型的金融機構。其中銀行類金融機構包括：平安銀行、寧波銀行、江陰銀行、張家港銀行、浦發(fā)銀行、華夏銀行、民生銀行、招商銀行、無錫銀行、江蘇銀行、杭州銀行、南京銀行、常熟銀行、興業(yè)銀行、北京銀行、上海銀行、農業(yè)銀行、交通銀行、工商銀行、光大銀行、建設銀行、中國銀行、貴陽銀行、中信銀行、吳江銀行。券商類金融機構包括：申萬宏源、中油資本、東北證券、錦龍股份、國元證券、國海證券、廣發(fā)證券、長江證券、越秀金控、山西證券、國盛金控、西部證券、國信證券、第一創(chuàng)業(yè)、中信證券、國投資本、國金證券、寶碩股份、西南證券、華鑫股份、綠庭投資、海通證券、華安證券、東方證券、招商證券、太平洋、財通證券、東興證券、國泰君安、中原證券、興業(yè)證券、東吳證券、華泰證券、光大證券、浙商證券、中國銀河、方正證券、綠庭B股等。保險類金融機構包括：天茂集團、西水股份、中國平安、新華保險、中國太保、中國人壽。其他類型金融機構包括：民生控股、陜國投、海德股份、民盛金科、新力金融、五礦資本、熊貓金控、愛建集團、中航資本、安信信托等。銀行類金融機構25家，券商類金融機構38家、保險類金融機構6家、其他類型金融機構10家。

四、實證結果

本文首先分別測算了銀行業(yè)（bank）、證券業(yè)（qs）、保險業(yè)（bx）和其他類型金融機構（qt）各類型自身的相關度指標（即（2）式的R值）。同時，本文又分別將銀行券商（bqs）、銀行保險（bbx）、銀行與其他金融機構（bqt）、券商與保險（qsbx）、券商與其他金融機構（qsqt）、保險與其他金融機構（bxqt）、銀行券商保險（bqsbx）、銀行券商其他金融機構（bqsqt）、銀行保險其他金融機構（bbxqt）、券商保險其他金融機構（qsbxqt）以及銀行券商保險其他金融機構（bqsbxqt）看作一個整體，分別測算金融機構之間的關聯(lián)度，以研究不同類型金融機構之間的關聯(lián)度指標，為系統(tǒng)性風險監(jiān)測提供預警。本文使用時間序列模型，能夠求解樣本期內每一個月各個類型金融機構組合的關聯(lián)度情況，進而形成了關聯(lián)度的時間序列。

表1為金融機構之間各個月份關聯(lián)度的統(tǒng)計特征。從單個類型的金融機構來看，券商之間的關聯(lián)度最高，指標平均值達到了100以上，其他類型的金融機構之間的關聯(lián)度指標值平均為14.84，略高于商業(yè)銀行的平均值10.77。保險行業(yè)的各個金融機構之間的平均關聯(lián)度最低，僅為1.35。然而，從“混業(yè)”經營視角來看，券商與保險融合，其關聯(lián)度指標平均值為105.0652，券商與其他類型金融機構融合的關聯(lián)度指標的平均值為121.7333。商業(yè)銀行與券商、商業(yè)銀行與保險以及商業(yè)銀行與其他金融機構的融合，其關聯(lián)度指標略微高于銀行業(yè)自身的關聯(lián)度指標，平均值分別為13.2602、10.9505和16.6531。商業(yè)銀行與證券公司和保險公司、商業(yè)銀行與保險公司和其他金融機構的融合，關聯(lián)度指標的平均值也略微高于銀行業(yè)自身的關聯(lián)度指標平均值，但證券公司與保險和其他金融機構的融合關聯(lián)度指標非常高。如果將四類金融機構融合在一起，則其關聯(lián)度指標平均值為18.3682，高于商業(yè)銀行和其他類型金融機構自身的關聯(lián)度指標，但明顯低于證券業(yè)自身的關聯(lián)度指標。

圖1—圖5為金融機構之間關聯(lián)度的走勢圖。從圖1可以看出，各個類型的金融機構自身之間的關聯(lián)度走勢不盡相同。證券公司之間的關聯(lián)度指標非常高，而保險公司整體關聯(lián)度水平最低。從關聯(lián)度指標波動性來看，各金融子行業(yè)關聯(lián)度的走勢不是非常一致。對于證券公司來講，在2013年初，關聯(lián)度出現(xiàn)了顯著上升，說明在2013年第一季度，證券業(yè)系統(tǒng)性風險顯著上升，但隨后又快速下降。從商業(yè)銀行來看，在2017年3月之前，銀行業(yè)整體關聯(lián)度風險不是非常高，而到2017年第一季度，銀行業(yè)關聯(lián)度風險顯著上升。對于其他類型的金融機構來講，在2016年年中，關聯(lián)度出現(xiàn)顯著上升。

[4]Adrian T. 2016. Brunnermeier M K.CoVaR[J]. American Economic Review，106（7）.

[5]Aspachs O，Goodhart C，Segoviano M. 2006. Searching for a Metric for Financial Stability[C].London School of Economics，F(xiàn)inancial Markets Group.

[6]Anand，K.，van Lelyveld，I.，Banai et al. 2018. The missing links：aglobal study on uncovering financial network structures from partial data[J].Journal of Financial Stability， 35.

[7]Aldasoro，I.，Alves，I.I. 2018. Multiplex interbank networks和systemicimportance： an application to European data. Journal of Financial Stability，35.

[8]Battiston S，Marco D'Errico， Stefano Gurciullo，et al. 2016. Leveraging the network：a stress-test framework based on DebtRank[J].Statistic Risk Model，33.

[9]Bisias D， Flood M， Lo A W， et al. 2012. A Survey of Systemic Risk Analytics[J]. Annual Review of Financial Economics， 4（76）.

[10]Cetina，J.，Paddrik，M.，Rajan，S. 2018. Stressed to the core：counterparty concentrations和systemic losses in CDS markets. Journal of Financial Stability，35.

[11]Crockett Andrew. 2000. Marrying the Micro-and Macro-prudential Dimensions of Financial Stability[C].Remarks before the Eleventh Internationl Conference of Banking Supervisors，Semtember.

[12]Caballero R J，Simsek A. 2013. Fire Sales in a Model of Complexity[J].Journal of Finance，68（6）.

[13]Castrén O，Rancan M. 2014. Macro-Networks：An application to euro area financial accounts[J].Journal of Banking & Finance，46（1）.

[14]Caccioli F，Shrestha M， Moore C， et ak. 2014. Stability analysis of financial contagion due to overlapping portfolios[J]. Journal of Banking & Finance，46（3）.

[15]Duca M L，Peltonen T A. 2013. Assessing systemic risks和predicting systemic events[J].Journal of Banking & Finance，37（7）.

[16]Elsinger，Helmut，Lehar，Alfred，Summer，Martin. 2002. Risk Assessment for Banking System[R].Oesterreichische National Bank Working papers.

[17]Elliott M， Golub B， Jackson M O. 2014. Financial Networks and Contagion[J]. American Economic Review， 104（10）.

[18]Fourel V， Heam J C， Salakhova D，et al. 2013. Domino Effects When Banks Hoard Liquidity：The French Network[J]. Working Papers.

[19]Furfine.C. 1999. The Microstructure of the Federal Funds Markets[J].Financial Markets，Institutions&Instruments，8（5）.

[20]Gibson H D，Hall S G，Tavlas G S. 2018. Measuring Systemic Vulnerability in European Banking Systems[J]. Journal of Financial Stability，forthcoming.

[21]Ha?aj，G.，Peltonen，T.A.，Scheicher，M. 2018. How did the Greek credit eventimpact the credit default swap market？[J].Journal of Financial Stability，35.

[22]He Z，Krishnamurthy A. 2014. A Macroeconomic Framework for Quantifying Systemic Risk[R].NBER Working Papers， 2014.

[23]Hollo D，Kremer M，Lo Duca M. 2012. CISS - A Composite Indicator of Systemic Stress in the Financial System[J]. Working Paper， 2012， 92（3）：347-351.

[24]Iori，Guilia，Jafarey，Saqib，Padilla，F(xiàn)rancisco. 2003. Interbank lending and Systemic Risk[R].Mimeo.

[25]Knight M D. 2006. Marrying the Micro- and Macro-prudential Dimensions of Financial Stability[C].Siz Years on Conference of Banking Supervisors， Merida，Octorber.

[26]León，C.，Machado，C.，Sarmiento，M. 2018. Identifying central bank liquiditysuper-spreaders in interbank funds networks. Journal of Financial. Stability，35.

[27]Montagna M，Lux T. 2017. Contagion risk in the interbank market：a probabilistic approach to cope with incomplete structural information[J].Quantitative Finance，（17）.

[28]Rancan，M.，Sarlin，P.，Peltonen， T.A. 2015. Interconnectedness of the Banking Sector as a Vulnerability to Crises， Available at SSRN 2605810.

[29]Saldías M. 2010. Systemic risk analysis using forward-looking Distance-to-Default series[J].Journal of Financial Stability，9（4）.

[30]Segoviano Basurto，Miguel，Goodhart， Charles. ?2009. Banking Stability Measures[R].IMF Working Papers， No.23.

[31]Tasca，S. Battiston. 2016. Market Procyclicality and Systemic Risk[J].Quantitative Finance，16（8）.

Systemic Risk Analysis of Financial System in China

——From the Perspective of Financial Form Correlation

Liu Zhiyang

（College of Economics and Management，Northeast Normal University，Jilin ? Changchun ? 130117）

Abstract：From correlation of various type of financial form perspective，taking the listed financial institutions in China as the samples，this paper measures banking industry，securities business，insurance companies and other financial institutions' correlation by using stock trading data of listed financial institutions after removing systemic risk factors. Empirical evidence shows that the correlation among securities companies is significantly higher than commercial banks，insurance companies and other financial institutions. When commercial banks are combined with investment banks，insurance companies and other kinds of institutions，the correlation risk will increase. But with regard to the security companies，when they are combined with commercial banks，insurance companies and other kinds of institutions，the correlation risk will decrease.

Key Words： correlation，systemic risk，mixed operation