金融市場系統性風險的動態測度與演化分析——基于時效性視角

榮夢杰， 李 剛

(湖北工業大學 理學院， 湖北 武漢 430068)

測度系統性金融風險的方法主要有信號法、壓力指數法、模型法三大類。信號法旨在找出有效的信號指標和合理閾值[1]，并不能滿足當今金融市場風險測度所需的時效性需求。基于模型法測度系統性金融風險的研究理論大體可分為基于期望損失理論、基于條件在險價值理論和基于Black-Sholes 期權定價模型的未定權益分析(CCA)法[2]，但這些模型多是針對傳統金融業，鮮有從提高系統性金融風險測度的時效性為著手點而對當今金融業進行的研究。已有研究多是運用固定權重法進行加權[3-8]，并不能夠準確刻畫實際的風險狀況。因此，尋找具有良好時效性的系統性金融風險測度方法勢在必行。設置動態權重可以大大提高時效性，不少學者在系統性金融風險的動態度量方面進行了探究，例如，Dovern 和 van Roye[9]應用動態近似因子模型計算出了20個主要經濟體的金融壓力指數,鄧創和趙珂[10]基于動態CRITIC賦權法測度了中國金融壓力總指數并分析了其變動特征……。雖然上述研究通過動態權重設置滿足了時效性要求的動態度量，但都未考慮相近時間點間金融壓力的狀態轉換關系以及對風險信息的提取效果，最終導致測度出的各時間點的金融壓力都是孤立間斷的，實際捕獲的壓力信息量大小也無從得知。本文通過結合壓力指數法和模型法來實現系統性金融風險度量的時效性要求，并對其風險信息提取能力進行驗證，發現利用時變參數狀態空間模型測度金融市場系統性金融風險具有良好的“時效性”與風險信息提取能力。

1 模型設定

時變參數狀態空間模型主要由兩部分組成：一個是量測方程，一個是狀態方程。其基本形式可以用式(1)-(3)來描述：

量測方程

(1)

狀態方程

ψi,t=c+λiψi,t-1+εi,t

(2)

(3)

式中：μt和εt均為隨機擾動項，相互獨立且服從均值為0、方差為σ2、協方差矩陣為Q的正態分布；Xi,tXi,t代表不同金融子系統金融壓力的指標值，Yt是與金融壓力的變化相關聯的指標，ψi,t為狀態變量。

量測方程度量的是因變量隨自變量變化而產生的變化，狀態方程度量的是整個系統狀態隨時間變化而產生的變化，即系統的狀態變化[11]，可以發現運用時變參數狀態空間模型(SSM模型)來測度金融壓力指數從理論上恰好可以滿足時效性要求。

Illing和Liu最早提出金融壓力這一概念，指出金融壓力是在金融體系內部的不穩定性與外部環境的共同作用下而導致金融體系所承受的壓力水平，該壓力值能夠很好地反映出整個金融系統所面臨的系統性風險的大小，并且是與期望金融損失、風險正相關的連續變量,當這個變量達到極值時，就極有可能觸發金融危機[12]。當今金融市場風險復雜多變，風險形成、集聚、擴散機制愈加多元化，這對風險度量的準確性、時效性等都提出了更高的要求。參照余輝研究我國金融狀況指數的方法[13]，本文在研究金融壓力指數時各個指標權重的具體計算方法如下：

(4)

式中：WSSMi,t為由SSM模型得到的各子系統在不同時刻的權重，ψi,t為各子系統在不同時刻的參數估計值。

將WSSMi,t帶入式(5)，計算出相應的金融壓力指數

(5)

FSISSMt為通過SSM模型計算得到的t(t=0,1,2,3,…，T)時刻的金融市場壓力大小，Xi,t(i=1,2,3,…,n)為不同時刻各金融子系統的金融壓力值，各子系統在不同時刻的權重記為WSSMi,t(i=1,2,3,…,n，t=0,1,2,3,…,T)。

2 指標選擇

依據代表性原則，各子系統的金融風險壓力主要用其相關指標的資產利差和GARCH波動率來衡量。在參照張勇[14]選取指標的基礎之上，結合數據頻率特征及數據可得性，選取最終的子系統金融壓力代理變量如表1所示。此外，本文選取能夠代表宏觀經濟產出變化的工業增加值同比增長率作為關聯指標Yt。

表1 金融壓力指數指標體系

3 數據來源與預處理

本文選取2007年1月至2018年10月的月度數據分析我國金融市場的系統性金融風險狀況，其中，3個月銀行間同業拆借利率、3個月國債收益率、1年期和10年期銀行間固定利率國債收益率、人民幣兌美元匯率數據來源于中國人民銀行官網，國房景氣指數數據來源于中國金融信息網。相關收益率數據通過式(6)計算，其中，Rt為計算得到的收益率，Pt為t時刻的相應指數值。缺失數據采用均值法進行填補，并將指標進行標準化處理。另外，工業增加值同比增長率序列存在明顯的季節效應，故對該序列進行季節調整，其他指標并不存在明顯的季節效應，因此不做相應處理。

Rt=lnPt-lnPt-1

(6)

4 實證研究

4.1 單位根與協整檢驗

為避免偽回歸問題，建模前需先對序列進行單位根檢驗，由于本文數據均為月度數據，因此將檢驗的最優滯后階數設置為12，檢驗結果顯示只有forex為平穩序列，其余序列都不平穩，因此需要對不平穩的序列進行差分處理，結果表明差分后的序列為平穩序列。對變量進行基于回歸系數的Johansen協整檢驗，檢驗結果表明，在0.05的顯著性水平下，這6個變量之間存在2個協整關系，變量間確實存在著長期的均衡關系，可以建立時變參數狀態空間模型。

4.2 Kalman濾波估計

運用Eviews6.0軟件對狀態空間模型進行估計。經過反復調參，發現假定狀態向量為AR(1)過程的模型估計結果并不理想。因此，借鑒高鐵梅[15]處理類似問題的做法，將狀態向量定義為遞歸形式。這種情況下，金融壓力指數的狀態空間模型定義形式如下：

@signal output=c(1) +α×bank +β×

bond +γ×stock +η×forex +

φ×realty +[var=exp(c(2))]

@stateα=α(-1)、@stateβ=β(-1)、

@stateγ=γ(-1)、@stateη=η(-1)

@stateφ=φ(-1)、@paramc(1)-

0.068427c(2)-0.205018796

其中，c(1)的初始值為output對bank、bond、stock、forex、 realty進行最小二乘回歸之后得到的截距項的值，c(2)的初始值計算方法如式(7)所示：

(7)

運用Eviews6.0軟件，通過Kalman濾波算法對本文建立的上述時變參數狀態空間模型進行參數估計，得到狀態空間模型：

outputt=-0.009253+αtbankt+βtbondt+γtstockt+ηtforext+φtrealtyt+[var=exp(-0.4388)]

(8)

狀態向量的估計值如圖1所示。

圖 1 狀態向量估計值

為確保模型合理，需進一步對模型殘差進行平穩性分析。殘差檢驗結果顯示，在0.05的顯著性水平下，建立金融壓力指數的狀態空間模型所得到的殘差是平穩的，說明殘差中的有效信息提取相對充分，模型合理有效。

4.3 金融市場系統性風險的測度結果

為對比時變參數狀態空間模型的實際風險信息提取效果，選取等方差權重法和CRITIC賦權法進行對比分析，結果如圖2所示。

用“W-權重計算方法-子系統壓力符號”表示上述三種方法計算出的相應權重； 時變參數狀態空間模型法用符號“SSM”表示， 圖形上用虛曲線表示； 等方差權重法用符號“E”表示， 圖形上用實直線表示； CRITIC賦權法用符號“C”表示， 圖形上用虛直線表示；由SSM模型計算出的各子系統風險用符號“FSI-SSM-子系統名稱”表示，圖形上用實曲線表示。可以看出兩種固定權重的差別并不明顯，而基于SSM模型計算出的各子系統動態權重圍繞固定權重值上下波動，與固定權重交點較少且多數時候都與固定權重有程度不等的偏離，這種偏離實際上是對每個子系統平均風險水平之外的進一步精確刻畫，更準確地反映了每一時間點上的風險水平，也充分說明了利用時變參數狀態空間模型測度金融市場風險狀況具有良好的時效性。

(a) 銀行市場風險及三種權重結果對比

(b)債券市場風險及三種權重結果對比

(c)股票市場風險及三種權重結果對比

(d) 外匯市場風險及三種權重結果對

(e)房地產市場風險及三種權重結果對比圖 2 各子系統金融風險及三種權重結果對比

觀察期內，各個子系統對系統性金融風險的貢獻度(即“W-SSM-子系統壓力符號”曲線)變化如下：自2013年以來，銀行市場和房地產市場的貢獻度明顯下降，銀行市場的貢獻占比一直水平較低且波動不大，而房地產市場的貢獻占比幾乎處于不變的低水平狀態，說明近年來銀行市場、房地產市場的金融壓力相較于其他子系統而言較小且較為穩定。債券市場、股票市場和外匯市場近年來的貢獻度明顯上升且波動較大，但三者情況又有不同：債券市場在整個觀察期內的貢獻度呈現近似的倒U型變化，近年來呈現循序漸進上升趨勢，而股票市場和外匯市場貢獻度則呈現截然不同的進階式攀升，攀升至較高水平后一直保持不穩定狀態，說明我國債券市場、股票市場和外匯市場近年來的金融壓力水平較高且非常不穩定。觀察期內的金融市場系統性風險演化在2013年前后出現了截然不同的變化趨勢，這是由于我國2013年停發IPO整整一年，持續時間最長，另外又由于光大烏龍事件的連續發酵影響，加之央行隨后放開了存款利率、擴大了人民幣境外市場并于2014年重啟IPO等事件的沖擊，使得我國的金融市場風險自2013年開始出現幅度較為明顯的上升與波動。

計算出基于SSM模型、等方差權重、CRITIC賦權法所得到的金融壓力指數，同時反映在圖3中。由于運用式(6)使得2007年1月份數據有缺失，為使圖形顯示效果更佳，在做FSI折線圖時人為添加了2007年1月份的FSI數據并設置其值為0，因此2007年1月份到2月份的折線波動不具有實際意義。由圖3可以看出，不管是哪種測度方法，都顯示近年來我國金融市場的系統性金融風險逐漸上升且波動較大，結合圖2中各個子系統的金融風險演化趨勢，可以看出近幾年的金融市場風險波動主要是由債券市場、股票市場和外匯市場的波動所引起的，銀行市場和房地產市場則相對穩定。

圖 3 不同加權方法下的FSI對比

4.4 時變參數狀態空間模型的風險信息提取能力

為進一步探究基于SSM模型測度出的金融壓力指數是否具有優越的風險信息提取能力，計算出“信息損失量”指標

(9)

其中：InfM表示與基于SSM模型的計算方法相比較而言，通過M方法計算出的金融壓力指數的信息損失量；當M取E時，為通過等方差權重法；當M取C時，為通過CRITIC賦權法；WSSM,t為t時刻由SSM模型計算出的權重向量；WM,t為t時刻通過M方法計算出的權重向量；Xt為t時刻代表5個子系統壓力的指標值。

表2 固定權重法的風險信息損失量

由表2可以看出，由等方差權重法計算出的金融壓力指數序列本身的方差為0.1801，而基于SSM模型計算的金融壓力指數在此基礎之上多提取了0.0995的風險信息，提高了55.24%的信息提取能力，與CRITIC賦權法相比則提高了60.34%，即與固定權重法相比，幾乎都提高了一半以上的風險信息提取能力。

5 結論

本文從時效性的視角，利用金融市場交易數據，分析了中國金融市場系統性風險的動態演化及其現狀，得出以下結論：

1)相近時間點間的金融壓力轉移狀態為遞歸形式，基于此所建立的時變參數狀態空間模型在系統性金融風險測度方面具有良好的時效性與風險信息提取能力，更加符合正處于快速成長壯大之中的我國金融市場環境；

2)自2013年以來，我國銀行市場、房地產市場對系統性金融風險的貢獻度相較于其他子系統而言較小且十分穩定，但債券市場、股票市場和外匯市場對系統性金融風險的貢獻度相對較高，但三者呈現完全不同的狀況。債券市場自2013年以來對系統性金融風險的貢獻度呈現小幅波動上升的趨勢，而股票市場的貢獻度一直穩定在較高水平，外匯市場則呈現波動幅度較大、水平較高的變化趨勢；

3)近幾年來我國金融市場的系統性金融風險呈現明顯的波動上升，這主要是由債券市場、股票市場和外匯市場的波動所引起的，銀行市場和房地產市場則相對較為穩定，這提醒金融監管部門應更加注重對債券市場、股票市場和外匯市場的風險防控。