中國金融機構系統性金融風險貢獻度的量化研究
——基于極端分位數回歸的CoVaR模型

運用極端分位數回歸方法對中國33家上市金融機構對系統性金融風險的貢獻度進行測度，結果顯示，中國金融機構的資產收益率具有明顯的非正態分布特征，極端分位數回歸方法能更準確測度尾部風險的聯動性；銀行機構對系統性風險的貢獻度最高并且波動最大，對系統性風險的貢獻度排名前十的均為銀行類機構；保險類、證券類金融機構對系統性風險的貢獻度相對較低；對比其他研究結果發現，在極端情形下，由于尾部風險的聯動性，股份制商業銀行對系統性風險的貢獻度上升。

一、引言

極端的金融事件通常是發生概率極小的黑天鵝事件，但是常常得不到主流研究的重視。傳統的經濟學與金融學理論的模型通常是在平穩的隨機過程中采用連續擴散的假設，對金融風險從漸進積累到突然爆發的過程進行描述和分析比較困難，對金融風險突變和傳染的非線性機理考慮不充分。然而，自20世紀以來，世界各國極端金融事件發生的頻率和規模不斷增加，每一次極端性的金融事件都給涉事國家的金融系統帶來巨大挑戰。當前，我國所處的國際和國內經濟環境異常復雜，金融風險加速聚集，所以一定要將預防風險置于突出的位置，努力避免發生重大風險。雖然目前學術界已有不少文獻使用CoVaR對中國上市金融機構系統性金融風險進行了相關研究，但對系統性金融風險的測度僅側重于使用基于分位數回歸的CoVaR模型本身進行分析，而對于模型分位數回歸的結果沒有進行細致的拓展，也沒有將回歸結果與其他測度系統性金融風險方法進行比較分析。此外，對如何識別系統重要性金融機構尚未形成一致標準。

本文首先對金融機構系統性金融風險貢獻度的概念、作用機制進行了仔細的梳理和總結；接著以CoVaR模型為基礎，運用股票市場指數的收益率和波動率、短期流動性利差、利率期限利差四個狀態變量來模擬系統性金融風險的時變性，利用分位數回歸方法對我國銀行、證券、保險這三類上市金融機構對系統性金融風險的貢獻度進行了回歸分析，并選取了7個有代表性的金融機構繪制了△CoVaR季度動態時序圖，同時將本文所運用的分位數回歸方法所確定出的系統重要性金融機構與前人使用的指標法、網絡模型所得到的結果進行比較分析，以全方面、多維度的測度金融機構對系統性金融風險的貢獻度。為識別系統重要性的金融機構提供理論依據，同時為我國宏觀審慎監管背景下宏觀審慎政策的實施提供實證支持。

二、文獻綜述

Bank of England提出，金融機構對系統性金融風險的貢獻度形成的主要原因是風險的空間的傳染與時間的積累。［1］Marius和Nicolae認為，金融機構對系統性金融風險的貢獻度不是相互獨立存在的，而是相互聯系相互依存的，且不能夠由投資組合的這種方式消除。［2］當經濟體受到一定的沖擊以后，就會造成資本的利用率大大下降，資產價格在金融市場中大幅度波動，從而造成系統性的金融風險。［3］［4］BIS（國際清算銀行）、IMF（國際貨幣基金組織）以及FSB（金融穩定理事會）指出，當金融系統中的一些或者全部金融機構受到沖擊后，金融機構對系統性金融風險的貢獻度增大，不能再進行金融服務從而造成實體經濟不能夠進行融資活動，而帶來的巨大負面影響。Ellis L認為，金融機構對系統性金融風險貢獻度是因為金融機構大面積的崩潰，造成無法進行融資業務，從而對實體經濟不能及時融資而面臨嚴重的危險。［5］Girardi G、Ergun A.T.與Gauthier C、A Lehar and M Souissi先后對此也進行了分析。［6］［7］

張曉樸對金融機構對系統性金融風險的貢獻度做了深入的分析，研究表明沖擊事件與風險傳導以及風險都均有內生性。［8］聞岳春發現金融機構對系統性金融風險的內生性問題大多從金融機構的規模與關聯性進行研究的。［9］張興軍等指出，所謂的金融機構對系統性的金融風險的貢獻度就是當微觀的金融風險累積到一定程度后，如果外部事件進行沖擊從而對實體經濟造成嚴重的損害，最終會造成金融系統癱瘓。［10］對于金融機構對系統性金融風險的貢獻度產生的原因，范小云認為，當前金融行業的快速發展使得金融機構之間的聯系越來越緊密，金融機構的網絡關系也變得非常復雜，如果系統中的金融機構一旦出現危機，這種風險就會馬上通過金融網絡傳導到其他的金融機構，在這個過程中金融體系中的風險在不斷集聚和傳播，這種效應會使得經濟體的運行受到很大的影響。［11］白雪梅、石大龍通過研究證明金融機構之間有很多重合的業務，這種重合業務會產生風險溢出效應，這種溢出效應正是發生系統性金融風險的根本原因。［12］陶玲認為金融機構的綜合經營和銀行大量進行的表外業務以及道德風險是造成系統性金融風險的根本原因。［13］研究的視角不同、使用的方法不同，針對金融機構對系統性金融風險的貢獻度的特征的認識也是不同［14］。

三、金融機構風險對系統性金融風險貢獻度的實證研究

(一)金融機構對系統性金融風險度量模型的方法

在2008年金融危機發生之前，像早期預警法和綜合指標法等對系統性金融危機進行預警的方法都沒有能夠很好預測到這次危機的發生，許多學者開始反思這些預測方法的缺陷：基于歷史數據進行建模和度量來預測下一場危機的方法，今后金融危機還會以同樣的方式重演，而且該種方法沒有考慮金融風險的失效性。［15-17］在繼續尋找更加有效的方法中，條件在險價值方法CoVaR引起了學者的關注。［18-20］這種方法考慮了指標的連續性以及時效性，具有很好的操作性和有效性。CoVaR由風險指標的理論方面演變而來，VaR只能度量個體金融機構所存在的風險，而CoVaR顯著的價值是可以度量單個機構在尾部極端事件中對系統性金融風險的貢獻度。CoVaR這種方法要得到有條件的情況下與無條件時的VaR值，這些都需要使用極端分位數回歸方法。

1.風險價值VaR方法。風險價值VaR（Value At Risk）是衡量交易活動中一些持有頭寸所暴露出來的市場風險，即在一定的置信水平上，一定期間內頭寸由于市場上不利波動所遭受的最大損失。Adams Z,R Fuss and R Gropp.分析了它們的相互影響。［21］可以假設為q的分位數，則：

其中，Xij為金融機構擁有的資產在一定的日期△t內的最大損失，VaR是置信區間在1-q上金融機構所擁有的風險價值。置信度主要是用來表示金融機構厭惡風險的程度。金融機構厭惡風險的程度越大，置信度就會越高。國外監管當局對很多金融機構都已經用VaR值來測度金融機構處在風險條件下的指標。

2.條件在險價值CoVaR方法。由于VaR技術在計算風險時沒有考慮金融機構之間存在的相互影響的因素，無法捕捉金融機構對系統性風險的貢獻度的測度，Adrian等在VaR方法基礎上，引入CoVaR方法測度金融機構系統性風險的貢獻度。［22］

在（2）式中，金融機構i與j的資產收益，都是在置信水平為q的尾部風險區間。金融機構i在中位數條件下的資產收益為，中位數條件下的收益表示金融機構是在正常狀態下，尾部收益表示已經發生了危機事件。在公式（3）中，這兩種條件下的CoVaR之差，表示金融機構i處在危機狀態下對另外機構的風險貢獻度：

由于CoVaR方法需要計算無條件以及有條件水平下的VaR值，本文通過分位數回歸方法度量出金融機構的不同置信區度，進而可以計算出公式(4)中的系數。

通過式（5）與式（6）這兩個方程，能夠得到機構i對系統性金融風險的貢獻度：

(二)變量選取

1.主要變量。本文主要變量為：狀態變量Mt、金融機構的資產收益率。金融機構的資產收益率的計算過程為：通過上市機構的交易價格與資產負債率中得到的財務杠桿率（總資產與權益的比值）進行結合而得到金融機構的資產收益率。其中，財務杠桿率為季度數據，所以將其轉換為日度數據，使之能與交易價格的頻率相匹配。在將財務杠桿率變換為日度數據中，我們使用線性的平均法，金融機構的資產收益率為：

2.狀態變量。借鑒以前學者的研究，本文選取研究變量為利率期限的利差與短期流動性的利差、股票市場指數收益序列的波動率、股票市場指數的收益率。短期的流動性利差和利率期限的利差分別代表貨幣與債券市場上的交易以及風險和股票市場指數的收益率與波動率代表證券市場上的信息。狀態變量Mt的指標見表1。

（三）樣本選取

從上證指數成分股中的42個金融機構中篩選出33家，而由于上市金融公司在2007年以前的數量不多，因此為了使得所選的樣本數量和分析具有代表性，我們剔除了42家企業中因為上市時間比較晚且數據不足的7個金融公司，最后選擇了14個銀行、14個證券公司以及5個保險公司，以每家公司每個交易日中的收盤價格為基礎，這樣各金融機構的觀測值有2434個。樣本時間間隔為2008—2017年，能夠覆蓋此間多個極端性的金融事件，如2008年的全球性金融危機，2010年的歐洲債務性危機，2015年的大股災，這些極端的金融事件對于度量金融數據的顯性表示非常重要。本文所有上市機構股票市場數據均來自Wind數據庫。

（四）數據處理

表1 狀態變量Mt的選取

在本文研究的樣本數據中，對于部分變量，例如財務杠桿率是在通過資產負債表中獲得，為了與資產負債率中得到的財務杠桿率（總資產與權益的比值）進行結合。其中財務杠桿率為季度數據，所以將其轉換為日度數據，以至于能與交易價格的頻率相匹配。假定在t期末以及在t+1期末，金融機構的資產負債表中的杠桿率的數據分別是levt與levt+1，那么在t+1期內的日度杠桿率就會呈現出等差數列，差額為(levt+1-levt)/n，其中n為t+1期經歷的天數。在進行數據的頻率轉換后，我們可以得到2008年1月2日到2017年12月31日完整的數據序列。

（五）平穩性檢驗

在使用分位數回歸方法之前，首先對全部變量實行平穩性檢驗，因為金融公司的個數較多，所以最終的檢驗結果以表格的形式只列出其中的10個機構。表2結果顯示這些金融變量均平穩，滿足建模的條件。

(六)描述性統計

為了便于分析，本文只列出10個金融機構收益率的描述性統計結果，見表3。從表中可見，金融公司的資產收益率在0值附近，有明顯的零均值的特點。第一天上市進行交易以及進行重組后再進行交易時沒有漲跌停的限制，很容易出現大幅度的波動，所以為了防止極端值對實證結果的不良影響，通過winsorize縮尾的方法剔除一些收益率，這樣把金融公司的上市價格漲跌幅度局限在10%，也就是最小值是-0.1與最大值是0.1。

表2 變量單位根檢驗結果

表3 金融公司的收益率的描述性統計

研究發現，金融公司的標準差在不同行業之間也存在很大差異，證券類公司和保險類公司的標準差大部分大于0.0，銀行類公司的標準差則小于0.03，非銀行類金融公司的資產收益率的波動率明顯大于銀行類公司。銀行類公司的標準差在其內部也有結構性的差異，除交通銀行外的3個大型國有銀行公司的標準差都小于0.02，而股份制銀行的標準差都大于0.02。而在偏度與峰度這兩個指標上，這些金融公司的特征幾乎是一致性的，表現在偏度的值大于0，峰度的值大于3，也就是收益率數據是右偏和厚尾的特點，滿足金融數據的尖峰、厚尾的特點。不僅如此，每個金融公司的J-B統計量與對應的概率值都是顯著的拒絕原假設，從而也證明金融公司資產收益率的分布不滿足正態分布。

(七)分位數回歸

通過檢驗確定金融變量都是平穩的序列后，根據（5）式與（6）式來進行q=5%的分位數回歸，這里僅列估計結果中的十家金融公司，見表4。

表4的結果表明，每個金融公司金融市場的整體資產收益率與波動率都十分顯著。參數β1在1%的顯著水平上均為正，表示金融市場的行情和金融公司的資產收益率呈同方向變動的趨勢。而且β1的特點也十分明顯，除了4個國有大型銀行的這個參數小于0.5以外，其他29個金融公司都接近1，顯示出大型國有銀行對價格的變化更加平緩，然而股份制的商業銀行、證券類公司與保險類公司對市場價格的變化表現得很敏感。每個金融公司對于市場波動率的表現系數在1%的顯著水平上均為負，說明市場中的波動率越大，投資者的情緒對投資行為會表現地更加不確定，單個金融公司的資產收益率趨向于向下。在利率期限利差的參數與短期流動性利差的參數中，顯著數較少。短期流動性利差參數值皆為負，說明在極端的條件下，同業之間進行拆借的流動性風險溢價越大，金融公司的資產收益率降低。利率期限利差顯著的參數值皆為正，顯示出在極端條件下,對于金融公司的資產收益率有正向的作用。通常情況下，發生尾部極端事件的時候經濟下行但是需求在下降，這個時候是正向的，表示對于管控風險的水平比較強的時候，金融公司有一種規避風險的動機，這時就會將長期的貸款利率提高，并將存款利率降低，從而擴大利率的期限利差，以此改善公司的自身經營狀況。通過（5）式來研究單個的金融公司對于金融系統的作用參數，參數γsys表示單個金融公司的收益率對整體的金融體系影響。結果顯示銀行類、保險類、證券類公司的γsys參數大都顯著性為正，這表明系統性風險傳導機制是存在的，同時也證明了CoVaR模型是有效的。證券類公司的系數值幾乎顯著地小于銀行類公司與保險公司的系數值，說明其對金融系統的風險貢獻度沒有銀行和保險公司大。

表4 分位數回歸結果（分位數為q=5%）

(八)各金融機構對系統性風險貢獻度的實證結果分析

以式（5）與式（6）為基礎，能夠度量出單個金融公司對于系統性風險的貢獻度△CoVaR。最終的計算結果通常是負數，為了分析簡便，對△CoVaR的日度數據取絕對值使其為正，得到33個金融公司對系統金融風險貢獻度的均值。

表5是全部金融公司在樣本期內的△CoVaR的均值及排序，能夠用來研究單個金融公司對系統性金融風險的貢獻度。銀行類公司對于系統性風險的貢獻度最大，其均值在0.48附近，其中建設銀行與工商銀行對于系統性金融風險的貢獻度位于前兩位，并且排名前四的公司都是國有大型銀行，華夏銀行對系統性風險的貢獻度最低。資產規模大的金融公司通常對系統性風險的影響也是較大的，因此，監管當局既要重點防范銀行類公司對系統性金融風險的貢獻度，還要根據資產規模來確定系統重要性公司。證券類的公司對系統性風險的貢獻度都比較低，其△CoVaR均值都在0.06附近。保險類公司對系統性風險的貢獻度處在中間地位，其△CoVaR均值都在0.11附近，其中，太平洋對系統性金融風險的貢獻度最高。

為了描述動態時序的金融機構的△CoVaR，把日度△CoVaR序列進行處理從而得到各機構的季度△CoVaR序列。因為樣本中的金融公司數量比較多，所以選取一些有代表性的公司進行分析。圖1簡潔地顯示出在2008年第1季度至2017年第3季度期間內有代表性的金融公司對系統性風險貢獻度的季度△CoVaR時序圖。

表5 金融機構樣本期內△CoVaR的均值及排名

圖1 7個代表性金融公司的△CoVaR動態時序圖

從動態時序圖中趨勢分析發現，所有金融公司的△CoVaR，其變動趨勢具有同一步調的特征，而且都能很好地對極端性事件與系統性風險做出反應。在2008年期間處于整個樣本期間的最高位，其中峰值是在2008年的第2季度，也就是在雷曼兄弟倒閉前后時間。國家出臺四萬億救市政策后金融體系中的系統性風險開始降低。隨著經濟的復蘇，從2009年開始金融機構的△CoVaR大幅度下降。然而，從2012年的第二季度開始，各金融機構的△CoVaR又逐漸地增大，主要原因是當時我國經濟發展增速已出現放緩趨勢。2012年我國國內GDP增速僅為7.8%，創13年來最低水平。實體經濟發展不佳導致風險增大，再加上歐洲債務危機的外部影響，系統性金融風險逐漸集聚，最終在2013年6月導致系統性風險在銀行業中的集中爆發，從而誘發錢荒事件。然而，2011年末到發生錢荒事件期間，△CoVaR的值并不是很大，這說明金融公司對系統性風險的貢獻度比較溫和，△CoVaR值只是在一定的幅度內有上升的趨勢，而且各種金融公司在發生錢荒事件期間中的△CoVaR值比金融危機期間的峰值小很多，這表明出經濟發展的速度下降以及錢荒事件的沖擊，均不會使金融公司對系統性金融風險的貢獻度有大幅的增加。但是，在2015年全部金融公司的△CoVaR都同時大幅度增加時，金融公司對系統性風險的貢獻度顯著地增大，這與2015年我國股市上出現的瘋牛行情以及在之后爆發的股災事件是相呼應的。

(九)三種不同方法的系統重要性機構比較

本文通過分位數方法得到金融機構對系統性風險的貢獻度，并對前十個系統性風險貢獻度重要性金融公司進行排序。將本文方法、張強等的指標法與賈彥東的網絡模型這三種方法得到的結果進行比較分析（見表6）。

對比分析結果表明，運用指標法和網絡模型法研究得到的排名前五的重要性金融機構均為國有大型銀行，但排序差別較大。本文通過分析極端事件的尾部風險，發現股份制商業銀行（比如招商銀行和浦發銀行）對系統性金融風險貢獻度的排名有所上升。基于此，本文認為，在評估系統重要性金融機構的時候，不應僅使用某一種方法進行單一衡量，而應運用多種度量方法以綜合測度金融機構對系統性風險的貢獻度，為金融風險的監管實踐提供切實有效的借鑒。

表6 不同方法下的系統重要性機構比較

四、結論與建議

(一)金融機構對系統性金融風險貢獻度的研究結論

1.金融市場總資產收益率的尖峰、后尾特性滿足分位數回歸方法的前提條件。股票市場的震蕩越大，金融公司所遭受的損失就會越大；期限利差與流動性利差對于不同種類的金融公司的作用差異很大。當期限利差變大時，銀行、保險類金融公司出現極端風險的可能性降低，但是證券行業的公司發生極端風險的可能性加大；短期流動性的利差對銀行業公司有較大的影響，主要發生在十分極端的分位數下。在這種條件下，會增大銀行業中金融公司的風險；金融公司規模這個變量對于系統性風險的影響是十分顯著的，那些規模很大的金融公司往往也對系統性金融風險的貢獻度較大。

2.按風險的貢獻度從大到小排序為銀行類機構、保險類機構和證券類機構。銀行類金融公司中對系統性金融風險貢獻度最高的是中國建設銀行；而證券類金融公司對系統性風險貢獻度普遍較低；保險類金融公司對系統性風險的貢獻度處于中間位置。對各大金融機構系統性風險貢獻度進行排名，得到前十名系統重要性的金融機構，皆為銀行機構。這說明銀行在中國金融系統中占有最重要的位置。銀行類金融機構若出現金融風險，會對金融體系產生很大的沖擊作用。

(二)金融機構視角下的系統性金融風險防范建議

1.多種度量工具并用。多種度量工具并用，加強對金融數據的統計，把上市與非上市金融機構的相關數據詳細統計，然后利用各種度量方法對系統性金融風險的貢獻度進行測度，從而能夠對金融機構系統性風險的貢獻度有一個全面的了解，以便對整個金融體系的系統性風險有一個很好的把控。傳統的技術雖然被大量應用，然而這種方法在宏觀審慎監管中有很大的不足。技術可測度金融機構對系統性風險的貢獻度，在一定程度上彌補技術上的不足，然而，用這種方法計算的數值，需要數據具有較強的有效性且模型具有較強的適用性。因此，監管機構不能僅依賴單一方法，要同時使用多種風險測度方法對系統性金融風險進行量化研究，比如利用CoRisk(條件風險模型)、SRISK(系統風險指數模型)、SES(系統預期損失模型)，全方位、多維度測度金融機構之間的風險溢出效應以及對整個金融系統的邊際風險貢獻。

2.對重要性機構實施動態監控。如今，金融市場發展日新月異，我國混業經營加速。金融機構對系統性金融風險的貢獻度是不穩定的，而且在不同時期內的波動性也是不一樣的，所以要實時、動態地對金融機構進行監管。在經濟較為平穩的時期，對規模較大或期限錯配水平較高的機構，由于其較高的傳染性，應要求更高的準備金率和撥備覆蓋率以增強其應對非預期損失的能力，從而避免其在遭受損失時發生大范圍的風險傳染；［23］在經濟繁榮時期，監管者應該將關注重點轉移到此時系統性風險較高的機構，因為一旦出現危機，這些機構受到沖擊的速度及風險傳染的速度更快，加劇金融市場的動蕩；危機發生時，金融脆弱性較高與其他機構關聯性較強、風險承擔能力較低的金融機構，應及時得到政府的救助，避免危機進一步傳遞。

3.按照功能和地位分類監管。近年來，我國新型金融機構發展迅速，規模增長迅猛，不同金融子行業的金融機構之間的風險溢出效應很強，然而與此相應的分類與綜合風險監管體系卻尚未有效建構起來。所以，每個金融子行業都要提高自身行業的風險度量與防范能力，從防控體系、技術手段和人才培養等各維度上加大投入，以同時增強分類和綜合風險管理能力。此外，監管當局要根據不同的金融機構在系統性風險積累、傳導過程中所處的不同位置來制定與之相對應的監管方式，進行差異化管理。在監管的過程中，需要考慮每個金融機構對于系統性金融風險的貢獻度，對于那些貢獻度排名靠前的金融機構（比如，銀行類機構）要嚴加防控，對其風險進行實時度量和動態化的監管，及時發現機構潛在的異常波動風險，重點排查風險源頭，做到早期識別、及時預警、主動處置，積極引導金融機構回歸本源，聚焦服務實體經濟；而對于排名靠后的金融機構，實施相對較寬松一點的監管政策。一方面能夠使得中國的金融系統保持穩定性，另一方面又能夠使得中國的金融系統保有活力。具體而言，我國銀行部門是系統性風險的主要產生者，因此加強對銀行部門的風險監管，降低銀行部門的風險溢出水平是防范化解我國系統性金融風險，維護金融系統安全穩定的關鍵。［24］可以針對股份制商業性銀行、國有大型商業銀行提出不同的監管方法，把監管的標準進行細分化，也可以根據銀行機構的規模和地域性等方面來制定出分類的差別化監管準則。

4.根據不同類型機構風險精準施策。對系統性金融風險的貢獻較高的金融機構，依照高風險金融集團既定方案和分工安排依法依規進行管理處置。對農村金融機構所面臨的風險，要堅持縣域法人地位總體穩定，鼓勵綜合運用多種方式補充資本，引進戰略投資者。對城商行和信托等金融機構所面臨的風險，要及時制定并實施風險處置方案。另外，加快統一系統重要性金融機構的識別方法，列舉國內系統重要性金融機構名單，對于名單內的金融機構，組織制定恢復與處置計劃，建立高效的問題機構風險處置機制。金融機構要履行好主體責任，股東特別是主要股東要承擔重要責任，金融管理部門履行監管主體責任。［25］尤其針對那些貢獻度排名靠前的銀行類金融機構，要健全存款保險制度和機構體系，充分發揮早介入、早預警、早處置的作用。

5.規范金融機構內部管理機制，防范化解金融科技風險。長期以來，我國金融機構普遍存在“重貸款，輕管理”的問題，一些金融機構為了追求規模效益，比較重視經濟業務的發展，忽略了系統性金融風險的防控。［26］由于過度關注績效考核，將業務重點放在了資金投放上，缺乏對貸后資金細致且有效的管理，貸后管理成為信貸管理的薄弱環節。因此，金融機構要嚴格把關資金的投放領域，加強對資金流向的監控力度，建立健全風險預警機制。在信貸資金投放時，要嚴格把關信貸準入門檻，保證審批流程的完善性和合理性，同時注意提升貸后管理能力，在重大風險發生前，綜合運用多種風險測度方法對系統性金融風險進行量化研究，做出風險預判。金融機構在運用大數據、云計算、人工智能等高新技術的同時也要注意傳統金融風險的表現形式、傳染路徑可能發生的潛在變化。

6.構建全球多邊監管機制。在全球金融危機爆發前，國際上通行的監管規則主要是針對機構層面的微觀審慎監管，用系統內各個金融機構風險的簡單加總來衡量整體的金融風險。這種監管方式主要是依靠金融機構的自制能力，監管當局普遍認為只要每個金融機構的個體風險被較好地控制，整個金融體系的風險就能被控制。然而，國際金融危機的爆發證明，即使世界上絕大多數國家金融機構穩健，也不能杜絕系統性全球金融風險的爆發。因此，后金融危機時代的金融監管不應該只關注單個國家的個體金融機構，而是轉向全球范圍內整個金融體系的宏觀審慎監管，構建一個多邊的、宏觀審慎與微觀審慎相結合的國際金融監管體制機制，站在人類命運共同體的高度對系統性金融風險進行全球性的宏觀審慎監管。［27］