中國證券公司系統性風險測度及演化特征研究
——來自20家上市證券公司的數據

劉 超，李元睿，姜 超，馬玉潔，劉宸琦，謝啟偉

(1.北京工業大學經濟與管理學院，北京 100124；2.北京現代制造業發展基地，北京 100124；3.南加州大學，洛杉磯 90089)

1 引言

2008年美國次貸危機和2010年歐洲債務危機爆發后，系統性風險的度量及風險演化規律成為世界各國關注的熱點問題。證券業是金融業中的高危行業，行業內部的風險具有較強的傳導效應。我國證券市場的資產規模僅次于銀行業，對整個金融系統的風險溢出效應較大[1]，而證券公司是資本市場的主體機構，一旦發生重大風險，必然會引起融資不暢、資本市場信心受挫、客戶蒙受損失等一系列連鎖反應，甚至通過關聯業務渠道對整個金融業乃至實體經濟的發展造成影響。在我國證券公司近二十年的發展中，隨著開放程度日益提高，業務范圍不斷擴大，金融衍生產品種類越來越多，其面臨的風險將越來越高。尤其在近幾年的綜合治理之后，證券公司已逐漸發展成為我國金融體系中的重要組成部分。同時，經濟全球化和國際金融一體化的發展在提高資本配置效率的同時，也使得各國金融系統抵御風險的脆弱性進一步加強，證券公司面臨的風險進一步加大[2]。因此有必要對我國證券公司的系統性風險進行深入研究，尋找監測風險的科學方法，揭示系統性風險的演化特征，進而尋求防范風險的有效途徑。

2008年的金融危機之前，對風險的監管多停留在個體層面的微觀審慎監管模式。危機爆發之后，國際監管當局普遍認識到微觀審慎監管容易忽視掉經濟系統中的一些致命風險，而宏觀審慎監管能夠有效彌補監管盲點[3]。尤其是巴塞爾協議Ⅲ實施之后，微觀審慎與宏觀審慎監管相結合的理念越發引起監管當局的重視。這促使學術界和監管部門加大了對系統性風險的重視，對系統性風險的研究在理論層面和實證層面都取得了長足的進展，但這些研究多集中于銀行體系，對證券公司系統性風險的研究并不充分，且大多數研究僅停留在微觀或宏觀的某一層面，沒有將二者結合起來綜合考量。

動態測度系統性風險是刻畫系統性風險演化特征的前提和關鍵。在險價值(Value at Risk, VaR)模型[4]及其延伸出的CoVaR[5]，SES[6]，MES[7]以及SRISK[8]等方法是測度單個機構風險的主流方法。這些方法在實際應用中都展現出一定的優勢，但不足之處在于運用的數據較為單一，對風險的全面性把握不足。而Gray等[9-10]基于“Black-Scholes模型[11-12]”提出的未定權益分析(Contingent Claims Analysis, CCA)結合機構的資產負債表數據和市場數據等多方面信息刻畫風險，具有良好的前瞻性和準確性[13]。CCA模型被廣泛應用于系統性風險研究，如Castren和Kavonius[14]，Antunes和Silva[15]，宮曉琳[16]，吳恒煜等[17]等。

CCA模型能夠很好地在微觀層面測度單個機構的風險，但在應用于宏觀層面對系統性風險進行測度時，通常是將整個體系模型看作一個公司來處理，沒有考慮機構之間的風險相依性。因此，Gray和Jobst[18]對CCA模型進行拓展，結合極值理論和Copula函數形成了可以測度了多家金融機構聯合違約風險的新方法，被稱為系統性未定權益分析(Systemic Contingent Claims Analysis, SCCA)。SCCA作為一套科學、完整的風險測度方法受到監管當局的重視，國際貨幣基金組織IMF[19]多次使用SCCA方法對各國進行實證應用，先后對美國，英國，瑞典，德國，西班牙等國家進行了壓力測試和金融穩定評估。巴曙松等[20]首次將SCCA方法引入國內研究，介紹了SCCA方法的基本模型及相關金融風險指標的度量。此后，國內學者對SCCA技術的應用展開了廣泛研究，如李志輝等[21]，王擎等[22]，葉五一等[23]，陸靜和張佳[24]。

從現有研究來看，對于SCCA技術及相關指標的研究和應用仍處于起步階段，對SCCA理論框架的延伸仍有待繼續完善。關于SCCA及相關方法的應用多集中在銀行體系或國民經濟部門層面，對于證券公司的相關研究不足。近年來，隨著金融風險跨市場跨行業的傳染性日益增強，來自證券公司的系統性風險將對金融市場乃至整個實體經濟造成巨大影響，因此有必要對證券公司的系統性風險進行有效的度量。針對SCCA技術理論框架龐大，在操作和實現上比較復雜、困難的特點，本文對SCCA技術進行了改進，提出了測度系統性風險的新指標，并將其應用于我國上市證券公司系統性風險進行的實證研究中，從微觀和宏觀兩個層面動態測度了我國上市證券公司個體風險及系統性風險，并結合風險指標分析了系統性風險的演化規律和特征。為系統性風險的測度和識別提供了方法支持，為監管當局提出了相應的政策建議。

2 研究方法及模型構建

2.1 研究設計

SCCA技術是對CCA模型的拓展。該方法采取動態的滾動窗口法，首先運用CCA模型測度單個證券公司在窗口期的預期損失值以刻畫其面臨的風險狀況；其次借助極值理論的思想對該窗口期內的證券公司損失分布建模，著重描述監管當局關心的尾部分布；然后將各證券公司的邊際分布通過Copula函數進行連接，構造整個證券公司系統的預期損失聯合概率分布；最后模擬計算每個窗口期整個證券公司系統的風險指標J-VaR*，動態地刻畫系統性風險的演化過程。在這個思路下，將SCCA技術的整體研究設計表述如圖1。

圖1 SCCA技術研究設計

2.2 單個證券公司預期損失

高負債經營是證券行業的一個基本特點，這種經營模式可以利用杠桿效應來擴大收益，但同時也帶來了潛在的預期損失。Merton[12]最早將期權定價理論應用于公司層面的違約風險測度，能夠具有前瞻性地得出違約距離、違約概率以及預期損失等風險指標。本文主要通過對單個證券公司的損失程度衡量整個系統的風險狀況，故采用預期損失指標度量單個公司的個體風險。

定義證券公司t時刻的資產市場價值At在時域上隨機波動，且等于t時刻股權的市場價值Et與風險債務的市場價值Dt之和：

At=Et+Dt

(1)

其中Dt具有高級別的索取權，而Et具有低級別的索取權。設t時刻，該公司承諾在T時刻償付的債務賬面值為Bt，則t時刻市場隱含預期損失Lt可表示為：

Lt=Bte-r(T-t)-Dt

(2)

Lt反映了單個證券公司面臨的風險大小，為測度風險，需對資產價值At的運動進行考量。CCA模型假設公司的資產價值At服從漂移常數為μA, 波動率為σA的幾何布朗運動：

dAt=μAAtdt+σAAtdZt

(3)

其中Zt表示標準布朗運動。漂移常數μA代表資產的預期收益率，但由于μA的值難以準確獲得，在實際操作中常使用無風險利率r代替μA。從上式可以看出At隨時間不斷波動變化，有可能在某一償債期T時刻跌破承諾償付的債務賬面值Bt，從而發生債務違約。這與期權定價模型十分類似，因而根據Merton[12]的研究，可將證券公司的股權市場價值Et看作基于資產價值的歐式看漲期權，將證券公司的賬面債務值Bt看作期權的敲定價格，由“Black-Scholes”期權定價公式可得：

Et=AtN(d1)-Bte-r(T-t)N(d2)

(4)

其中：

(5)

(6)

N(x)為正態分布累積分布函數。而證券公司的市場隱含預期損失可以看作歐式看跌期權：

Lt=Bte-r(T-t)N(-d2)-AtN(-d1)

(7)

一般而言，證券公司的隱含資產波動率σA難以直接觀測，但可以根據其與股權市值波動率σE之間的關系來計算：

EtσE=AtσAN(d1)

(8)

將(5)，(6)式帶入(4)式，并聯立(4)，(8)兩式，除At和σA兩個未知數以外，其他參數都可以通過市場及財務數據獲得。求解該非線性方程組，得到At和σA的值，并代入(7)式，可求得t時刻該證券公司的預期損失值Lt。

綜上，利用CCA模型求解單個證券公司的預期損失分布的流程可由圖2表示。

圖2 單個證券公司預期損失計算流程

2.3 單個證券公司的邊際損失分布

設X1,X2,…,XS為單個證券公司在某窗口期的S個損失樣本，令MS=max{X1,X2,…,XS}，若X1,X2,…,XS獨立同分布且已知Xi,i=1,2,...,S的分布，則極值MS的分布可以表示為[25]：

Pr(MS≤x)=Pr(X1≤x,X2≤x,…,XS≤x)=Pr(X1≤x)Pr(X2≤x)…Pr(XS≤x)=FS(x)

(9)

但在實際中，Xi的分布往往不能準確獲得，因此也難以精確計算MS的分布。然而，當S→∞時，經過適當的規范化，可以得到MS的漸進分布H(x)。由Fisher-Tippet定理可知：若存在常數列{aS>0}和{bS}，使得：

(10)

則H(x)是Gumbel分布，Fréchet分布或Weibull分布這三類極值分布中的一種。

極值理論提供了尋找極端值的分布的理論依據。在此基礎上，對金融風險的測度進行建模時通常有兩種選擇：一類是區間極大值模型(Block Maxima Model)。但是由于風險在積聚和爆發時，極端統計觀測值往往較為集中，采用區間極大值模型將會忽略掉一些具有豐富信息的數據[26]。另一類方法是閾值模型(Peaks Over Threshold)。這類模型利用超過某一臨界值的所有極值數據來刻畫損失分布的尾部輪廓。由于閾值模型相對于區間極大值模型保證了極端數據的完整性，更精確地刻畫證券公司預期損失分布的尾部特征，故本文采取閾值模型對單個證券公司的預期損失數據進行處理。

閾值模型的建模思想是通過對超出閾值的尾部數據漸進擬合為某一極值分布，并找到尾部分布與整體分布之間的關系，從而估計出整體分布。設損失樣本X服從分布F(x)，定義u為閾值，超過閾值的超出量Y=X-u的分布可表示為：

(11)

整理可得尾部分布與整體分布之間的關系式：

F(x)=Fu(y)(1-F(u))+F(u),x≥u

(12)

在對尾部分布的刻畫中，根據DuMouchel[27]的研究，設定足夠大的閾值u，則超過閾值的超出量Y漸進服從廣義帕累托分布：

(13)

當ξ≥0時y≥0，ξ<0時0≤y≤-σ/ξ。其中，ξ表示形狀參數，σ表示尺度參數。當ξ為正時，G(y;ξ,σ)為厚尾分布，且隨著ξ的增大厚尾特征越發顯著。分布中的參數ξ和σ可通過極大似然估計法得出。u值的選取是閾值模型的關鍵，u值太大，則將只有較少的超出量，造成樣本不足；u值太小，則超出量分布不能準確地被廣義帕累托分布擬合，估計量將成為有偏估計[28]。u值的選取通常使用樣本平均超額函數方法，但此方法的主觀性較大，且難以對大量的窗口期數據進行批量處理，故本文采用峰度法[29]找到正態分布與偏態分布的交點，以此確定閾值u，具體做法為：

算法1 基于峰度法確定閾值uStep 1:計算窗口期內單個證券公司損失樣本數據的均值X與峰度KS;Step 2:判斷峰度值,若KS≥3,則選取使得|Xi-X|值最大的Xi,將其從樣本從剔除;Step 3:重復Step 1,Step 2,直到樣本的峰度小于3;Step 4:在剩余的樣本中,選取最大的樣本值作為閾值u的取值。

(14)

(15)

在實際操作中，預期損失樣本中大量的小額數值容易使閾值估計失真。根據李志輝等[21]的研究，過小的預期損失樣本數據對整個系統的影響有限，有必要對損失的規模進行界定，將小額的預期損失剔除以保證閾值的準確性。具體做法為：首先設定預期損失規模的下界，將低于下界的數據剔除；然后對剩余的數據利用峰度法求出閾值u的初步估計值；再進行Kolmogorov-Smirnov檢驗，如果不拒絕原假設，則認為閾值的取值是合理的，如果拒絕原假設，則適當提高損失規模的下界，繼續重復上述步驟，直到得出合理的閾值。

閾值u的選取確定后，即可得到閾值超出量Y的漸進分布G(y;ξ,σ)，用G(y;ξ,σ)替換(12)式中的Fu(y)，可以得到單個證券公司的邊際預期損失分布：

(16)

其中，預期損失小于閾值的概率F(u)可由歷史模擬法獲得，即：F(u)≈(S-Su)/S，S表示該窗口期樣本總數量，Su表示超出閾值的樣本數量。

綜上，利用閾值模型求單個證券公司的邊際預期損失分布的具體流程如圖3所示。

圖3 單個證券公司邊際預期損失分布計算流程

2.4 證券公司系統的聯合損失分布

在得出窗口期內單個證券公司的預期損失分布后，可以進一步對單個公司的個體風險進行刻畫。在考量單個證券公司風險的基礎上，還應該試圖探索公司之間的風險聯動性，繼而刻畫整個系統的風險變化情形。Sklar[30]提出的Copula理論指出：可以將一個N元聯合分布分解為N個邊緣分布和一個Copula函數，該Copula函數描述了變量間的相關性。

多元分布的Sklar定理：令G(x1,x2,…,xN)為具有邊緣分布F1(x1)，F2(x2)，…，FN(xN)的聯合分布函數，那么一定存在一個Copula函數C(p1,p2,…,pN)，滿足：

G(x1,x2,…,xN)=C(F1(x1),F2(x2),…,FN(xN))

(17)

若F1(x1)，F2(x2)，…，FN(xN)連續，則C(p1,p2,…,pN)唯一確定。

由于證券公司的風險之間的相關關系通常是非線性的，并且受外部環境的影響不斷地發生著變化。因此考慮采用變量之間相關關系變化的動態Copula來聯合各公司之間的預期損失分布，本文采取時變Gumbel Copula函數對各證券公司之間的風險相依性進行刻畫。Gumbel Copula函數是Archimedean Copula函數族的一種，它對變量之間的上尾變化十分敏感，能快速捕捉到變量之間的上尾相關變化。Gumbel Copula函數的表示形式為：

C(p1,p2,…,pN)

(18)

其中的參數θ可由兩階段極大似然估計法得出[31-33]。在估計出參數后，結合各證券公司的損失分布函數，可求得各窗口期內整個證券公司系統聯合預期損失分布函數G(x1,x2,…,xN)的具體形式。

2.5 系統性風險測度指標

利用分布函數可以構建多種指標來刻畫風險，其中VaR采用一定置信水平的分位數來描述風險，是已知損失分布函數來衡量風險的主流方法。但VaR通常適用于單個公司對應的一元概率分布。對于整個證券公司系統對應的多元聯合分布不存在一元分布的“分位數”概念，因為在給定的置信水平1-α下，可能有多種不同預期損失組合(x1,x2,…,xN)滿足Gt(x1,x2,…,xN)=1-α。因此在將VaR應用于描述多元聯合分布對應的系統性風險時，需要對其進行改進。對此，李志輝等[21]提出了J-VaR指標，其定義式如下：

(19)

(20)

在對風險指標J-VaR*進行模擬時，需要利用Copula函數的性質。多元Copula函數表示多個變量之間的相關關系，根據N元Copula函數的性質，有:

C(1,…,1,p1,p2,…,pk,1,…,1)

=C(p1,p2,…,pk),k=1,2,…,N

(21)

特別地，當k=1時，有：

C(1,…1,p1,1,…1)=p1

(22)

即在其余變量都取1時，多元Copula函數將變為一個低維度的Copula函數，表示剩余變量之間的相關關系。又對于Archimedean Copula函數，容易證明：

(23)

即一個N元Archimedean Copula函數都可以分解為N-1個二元Archimedean Copula函數。根據這兩個性質，本文考慮首先模擬兩個證券公司之間的相關關系，再將其視為一個整體與第三個證券公司進行模擬，最終求得整個證券公司系統在一定置信水平下的J-VaR*值。具體算法如下：

算法2 蒙特卡洛模擬J-VaR?Step 1:生成N-1個在(0,1)上服從均勻分布的隨機變量(q1,q2,…,qN-1),并選定置信度α;Step 2:模擬在一定風險相依性下各證券公司的風險狀況(p1,p2,…,pN);Step 3:根據特定窗口期內單個證券公司的預期損失分布函數,求得單個證券公司的預期損失xj=F-1j(pj);Step 4:求得一定風險相依性下各公司損失之和∑Nj=1xj的模擬值;Step 5:重復Step 1-4 10000次求平均值,得到該窗口期內的J-VaR?值;Step 6:將時間窗口向后推移,重復Step 1-5 依次求得研究區間內各窗口期的J-VaR?值。

在Step 2中，根據隨機變量模擬在一定置信水平下，各證券公司的風險狀況及風險相依性：

(24)

上式中，結合(21),(22)和(23)式，每一個等式都可以轉化為一個一元方程：

(25)

從而可以解得1-α置信水平下的(p1,p2,…,pN)的模擬值。

根據3.3節中利用閾值模型構建的單個證券公司的預期損失分布函數，可求得單個證券公司的預期損失，從而進一步求得各公司損失之和的模擬值。在每個窗口期內進行10000次模擬，并求模擬樣本的平均值來逼近其期望值，即J-VaR*，從而在研究區間內動態地描述整個證券公司系統的系統性風險變化。

3 實證結果分析

3.1 數據的選取與處理

在2015年，中國股票市場經歷了劇烈動蕩，對證券公司的經營造成了巨大沖擊。為保證捕捉到風險演化的規律和特征，并使實證結果具有借鑒意義，故本文將數據選取的區間選定為2011年第四季度至2016年第三季度，滾動窗口設為3年，則研究區間為2014年第四季度至2016年第三季度。在中國證券監督管理委員會2016年第四季度公布的上市公司行業分類結果中，“資本市場服務”類共有29家。由于部分公司上市時間較晚，存在大量數據缺失，故選取其中20家的數據作為樣本。它們分別是：東北證券、東吳證券、方正證券、光大證券、廣發證券、國海證券、國金證券、國投安信、國元證券、海通證券、華泰證券、錦龍股份、山西證券、太平洋、西部證券、西南證券、興業證券、長江證券、招商證券和中信證券。本文所采取的樣本數據的處理方式和來源如表1所示。所有算法均由Matlab軟件實現。

表1 樣本數據說明表

3.2 單個證券公司預期損失測度

SCCA技術是基于CCA模型的組合方法，通過微觀，宏觀兩個層面刻畫證券公司的風險狀況。在微觀層面，首先運用CCA模型測度單個證券公司的預期損失，捕捉風險在整個數據樣本范圍內的變動；在宏觀層面，利用滾動時間窗口期內的預期損失數據擬合單個證券公司的預期損失分布，并使用Copula函數得到整個證券公司系統的聯合損失分布，從而進一步測度在證券公司風險聯動下的系統性風險。

首先，在微觀層面，由CCA模型測得的單個證券公司的風險指標Lt在整個數據選取區間隨時間變化的趨勢如圖4所示。

圖4 單個證券公司預期損失(單位：元)

從圖4可以看出：

①由CCA模型監測到的單個證券公司風險主要集中爆發在2015年6月，與2015年我國股市的大規模震蕩，證券公司普遍暴露出危機的事實相符合。在2014年底能監測到大部分證券公司風險小幅度積累，但在2015年初有所下降，如東北證券、東吳證券、方正證券、光大證券、廣發證券、國海證券、國元證券、海通證券、華泰證券、山西證券、西部證券、西南證券、長江證券、招商證券和中信證券。在所有的20家上市證券公司中，除國投安信、太平洋和興業證券外，其余公司均在2015年6月份開始有大幅度的風險攀升，并持續貫穿整個2015年，在進入2016年后逐漸緩釋。而國投安信、太平洋和興業證券風險的明顯攀升發生在2016年初，滯后于其他公司。

②在風險規模方面，單個證券公司的預期損失在風險爆發時期主要集中在十億元到百億元水平之間。本文將2015年風險爆發時期各證券公司的預期損失水平和2015年各公司資產規模整理如表2所示?？梢钥吹?，風險爆發時期預期損失在十億元水平的證券公司，如東北證券、東吳證券、方正證券、國海證券、國金證券、國元證券、錦龍股份、山西證券、太平洋、西部證券、西南證券、長江證券和招商證券，資產規模普遍偏低，集中在百億元水平，而風險爆發時期預期損失較高，在百億元水平的證券公司，如光大證券、廣發證券、國投安信、海通證券、華泰證券、興業證券和中信證券等，資產規模普遍偏高，集中在千億元水平。高負債經營是金融機構的特點，現有研究指出資產規模大的金融機構具有較高的風險貢獻[34]，與本文測度的單個證券公司風險結果相符合。

表2 單個證券公司風險水平與資產規模對比(單位：元)

注：資產規模數據來源于中國證券業協會

3.3 單個證券公司風險演化特征分析

在得到樣本區間內單個證券公司的風險值后，將單個證券公司各時間窗口內的數據擬合為廣義帕累托分布，以刻畫該窗口期內的預期損失分布。廣義帕累托分布的形狀參數ξ>0時，具有厚尾特征，且隨著ξ的增大厚尾特征越來越顯著。因此，形狀參數ξ能夠較好地反映單個證券公司的風險演化趨勢。由于滾動窗口期設為3年，對應的研究區間為2014年三季度至2016年三季度。將研究區間內的各證券公司預期分布的形狀參數ξ的變化表示如圖5所示。

從圖5可以看出，在形狀參數的大小方面，由各證券公司窗口期內數據測得的形狀參數在(0,4)之間波動，表現出一定的厚尾性。形狀參數隨時間的變化也反應了不同時期各證券公司面臨的風險狀況。結合圖4，我們可以得出：

①系統性風險在大規模爆發前往往會有部分公司共同表現出的小型波動前兆，提前期約為6個月。在圖4中，2015年6月風險大規模爆發之前，大部分證券公司在2014年12月均表現出小幅度的風險波動。在風險集體攀升的2015年，各證券公司的形狀參數ξ普遍較大，在2016年風險緩釋階段，形狀參數普遍較小。在參數的波動方面，我們可以看到在2014年四季度之后ξ值持續走高的情形下，大多數證券公司在2015年初都有明顯的回落，與之后的繼續攀升形成了斷層，這與圖4中風險大規模爆發前，有部分小規模風險積聚的前兆相吻合。

②證券公司系統性風險的積累具有一定的隱蔽性，在風險演化過程中具有“陡增緩降”的特點。圖4中，在2015年6月份之后的大規模風險爆發時期，各證券公司的風險指標急劇攀升，在隨后的一年內持續波動，逐步回歸正常水平。圖5中，各證券公司形狀參數的波動幅度在風險爆發時期不盡相同，但都在風險緩釋階段趨于平穩，這說明危機時期風險的相互傳導能力較強，風險的傳導和沖擊造成了各公司預期損失分布隨時間不斷變化。而緩釋時期由于各證券公司之間的風險傳導逐步減弱，表現出一定的獨立性。因此，在系統性風險爆發期間，各證券公司的風險并不是一次性的“積聚—爆發—緩釋”，而是表現為在多次較大幅度波動中逐漸減小，這說明系統性風險爆發時，造成了體系內的多輪沖擊，沖擊力度在監管治理和市場調節的作用下逐步放緩，直至風險指標回歸正常水平。

3.4 證券公司系統預期損失測度

在宏觀層面，SCCA技術基于對單個證券公司測度的風險值，建立證券公司系統聯合損失分布，使用蒙特卡洛方法模擬出99%置信水平下的風險指標J-VaR*的變化。為了對比其他風險測度的方法，本文將整個證券公司看作單一整體，使用CCA模型測度樣本區間內證券公司系統的預期損失值，并求得各時間窗口期內99%置信水平下的最大損失值，記作T-VaR。同時，本文采取傳統VaR方法，利用證券公司系統整體的收益波動，計算整體資產在99%置信水平下的最大損失。三種測度方法采用同樣的樣本區間和滾動窗口期，測度結果如圖6所示。

自2014年底至2015年6月，A股形勢持續走好，各類傘形信托和配資平臺迅速成長，影子銀行不斷將資金由實體經濟轉向股市，股市杠桿不斷攀升，系統性風險在該時期逐漸積累[35]。2015年6月12日以來，上證綜指從5178.19點經歷了斷崖式下跌，于8月26日跌至2850.37點，A股經歷了大幅震蕩[36]，系統性風險大規模爆發。在2015年第四季度之后，風險逐漸緩釋。從圖6可以看出，J-VaR*，T-VaR以及VaR都捕捉到了2015年6月以來的風險大幅攀升，證明了這些指標對風險爆發的準確識別。其中，J-VaR*與T-VaR走勢接近，在整個研究區間內波動較大，捕捉到了風險爆發的突然性。VaR指標在研究區間內的風險攀升和緩釋階段都較為平穩，不易于識別系統性風險大規模爆發及演化特征。在指標值方面，T-VaR和傳統VaR在整個風險時期相較于J-VaR*更小，這是由于T-VaR和傳統VaR是基于正態假設，不能反映金融風險的厚尾特性，因此在一定置信水平下得到的風險值偏低。在風險積累階段(2014年9月-2015年5月)，J-VaR*相較于T-VaR和傳統VaR攀升幅度明顯，反映了J-VaR*對風險積累的敏感性；在風險爆發階段(2015年6月-2015年9月)，J-VaR*振幅明顯，曲線上升陡峭，良好地刻畫了風險爆發的突然性和振蕩性；在風險緩釋階段(2015年10月-2016年9月)，J-VaR*相較于T-VaR和傳統VaR迅速回落。這說明了J-VaR*在風險演化的各個階段能夠敏感捕捉到風險變化，對刻畫風險演化特征具有良好特性。

圖5 單個證券公司損失分布形狀參數變化

圖6 證券公司系統性風險指標對比(單位：元)

3.5 證券公司系統風險演化特征分析

從圖6中可以看到：J-VaR*的曲線經歷了兩次大幅攀升的階段。第一次集中于2015年一季度，曲線上升陡峭，峰值比較集中，與圖4中單個證券公司同時期的小幅波動相對應；第二次集中于2015年三季度，整體的風險指標值略低于一季度，但曲線的波動更為劇烈，產生了多個峰值，并與圖4中證券公司大面積爆發系統性風險的時期相吻合。結合圖4分析可知：

①系統性風險的積累是伴隨著微觀層面風險相依結構的改變而進行的。在2015年一季度，圖4中各證券公司相對低水平的預期損失小幅攀升，在同時沖擊的作用下表現為圖6中風險指標J-VaR*的陡增，增幅甚至大于2015年6月份以后的大規模風險爆發時期。系統性風險是由各證券公司之間風險相依性和風險事件共同作用而產生的結果，在2015年一季度J-VaR*的陡增是由于各證券公司風險相依結構變得緊密，系統的脆弱性已經突顯。所以，在風險積累階段，監管的重點在于結合宏、微觀層面的分析，關注各證券公司之間的風險相依結構的變化，識別潛在的風險。

②系統性風險大規模爆發，是風險在各個證券公司相互傳導，形成多輪沖擊的結果。圖6中J-VaR*的大幅震蕩對應于圖4中2015年證券公司大規模爆發系統性風險的時期。這個時期中單個公司相對高水平的預期損失并沒有完全集中于同一時刻爆發，而是在證券公司之間相互傳導，表現為一段時期內的多輪沖擊。對于單個證券公司，宏觀層面中的短期多輪沖擊帶來的風險難以及時化解，就會導致風險在微觀層面持續累積，拖慢風險釋放速度。所以在風險爆發階段，對系統性風險的防范不僅要關注J-VaR*大小變化帶來的沖擊，更應關注指標的震蕩。在此階段，監管的重點在于防范截面維度的風險的傳染，實施時間維度的逆周期性監管，阻止風險的繼續放大和擴散。

4 結語

近年來，隨著國際金融危機的頻繁發生，宏觀審慎監管越來越被監管當局所重視，而對系統性風險的測度是對其進行監管和治理的首要環節。本文基于SCCA技術，并結合國內外學者的研究，對風險指標進行改進，測度了2014年四季度至2016年三季度證券公司系統性風險。將J-VaR*與傳統CCA及VaR測度方法進行對比，并以風險事實為基準，表明J-VaR*能夠有效捕捉到風險攀升，對風險爆發敏感，對刻畫風險演化特征具有良好特性。

在對證券公司系統性風險的實證測度與演化特征分析中，本文得到如下結論：①證券公司系統性風險大規模爆發前，往往伴隨著小型系統性風險短期突顯的現象，表現為風險相依結構的改變引起的強關聯性；②證券公司系統性風險具有“陡增緩降”的特點，其演變過程一般為：首先在風險事件的影響下突然快速攀升，隨后風險在一定時間內，在體系內部相互傳導，形成對體系的多次沖擊，最終逐漸緩釋，回歸正常水平。

因此，對于風險監管的啟示和建議有：①在SCCA技術的應用中，J-VaR*指標短期的突然攀升表現為體系內部風險的集中爆發，反映了風險的強關聯性，但在監管中更要注意J-VaR*值的多次大幅波動，其反映了風險在內部相互傳導，形成多次沖擊的過程；②監管者應識別系統性風險的前兆，做到對系統性風險預防控制,同時也應該把握風險傳導過程，良好的風險管理將使風險在多次傳導中逐漸稀釋，回歸正常水平。