非對稱尾部相依視角下的金融機構系統性風險研究

王劍 杜紅軍

摘要：本文以我國45家上市金融機構為樣本，分別使用12種非對稱和4種對稱Copula模型擬合“系統—機構”二元相依結構，對比基于最優非對稱和最優對稱Copula-廣義CoVaR的估計精度，并從宏觀金融和微觀機構層面分析影響金融機構系統性風險的重要因素。結果表明：時變非對稱尾部相依是“系統—機構”相依關系的普遍特征；我國金融業各子部門的系統性風險排序基本為“銀行>保險>證券>多元金融”；金融機構的個體風險與系統性風險的相關性較弱，下尾相依性是識別系統重要性金融機構的關鍵因素；在危機期間，金融機構的杠桿率對個體風險和系統性風險具有顯著的正向影響；穩定和改善宏觀金融環境是化解系統性風險的根本舉措。

關鍵詞：非對稱尾部相依；Copula；系統性風險；廣義CoVaR

中圖分類號：F832? ? ? ? 文獻標識碼：A? ? ? ? 文章編號：1007-0753（2023）03-0054-16

一、引言

黨的二十大報告明確指出“要強化金融穩定保障體系，依法將各類金融活動全部納入監管，守住不發生系統性風險的底線”。2021年中央經濟工作會議提出“要正確認識把握和防范化解重大風險，完善金融風險處置機制”。這預示著中國特色宏觀審慎金融政策的進一步落實和深化。

隨著我國金融改革的不斷推進，金融機構逐步由“分業經營”向“混業經營”過渡，金融創新和影子銀行規模的不斷擴張既提高了金融服務的普惠性，同時也加強了金融機構間的業務往來和關聯資產重疊。另外，移動互聯網的高速發展、信息媒介的不斷更迭使得金融市場內的信息傳遞效率顯著提高，進而加深了我國金融網絡的緊密度。

自2008年全球金融危機爆發以來，關于系統性風險的普遍認識開始從“太大而不能倒”向“太關聯而不能倒”轉變（Chen等，2020），人們逐漸意識到忽視金融機構間的關聯性而采取孤立的微觀審慎監管政策是這場危機的誘因之一。李政等（2016）通過構建我國40家上市金融機構的格蘭杰因果網絡，發現自2012年以來我國金融機構間的總體關聯性呈上升趨勢。蔣海和張錦意（2018）使用LASSO分位數回歸技術構建了我國上市銀行尾部風險網絡，發現銀行間尾部風險網絡的關聯性對系統性風險具有正向影響。胡利琴等（2018）則發現銀行資產的高同質性、創新關聯和銀行網絡集中度會顯著提高銀行風險的外溢性。顯然，關聯性特征正逐漸成為金融機構系統性風險研究中不可忽視的因素。

防范化解系統性風險的前提是準確度量和預測金融機構的系統性風險水平。傳統的風險計量方法如“在險價值（VaR）”和“期望損失（ES）”側重于個體風險的測度，而忽視了風險的外溢性。Tobias和Brunnermeier（2016）率先考慮到銀行個體風險的負外部性，創造性地提出了“條件在險價值（CoVaR）”模型，通過分位數回歸捕捉金融機構與金融系統間的尾部依賴，并輔以宏觀狀態變量進行動態估計。肖璞等（2012）首次將基于分位數回歸的CoVaR模型應用于我國銀行業，用來識別我國系統重要性銀行。高國華和潘英麗（2011）則基于DCC-GARCH模型對CoVaR進行估計，并分析了影響我國銀行系統性風險的機構層面因素。越來越多的證據表明金融變量間的尾部相依性具有時變、非線性和非對稱特征，然而CoVaR模型忽視了金融機構更極端的風險情形，因此基于傳統分位數回歸或GARCH模型的CoVaR測度方法可能嚴重低估金融機構的系統性風險水平。近年來，Copula模型因其對多元分布建模的靈活性被廣泛應用于聯合風險計量和系統性風險研究，Chen和Khashanah（2016）結合Copula模型與Mainik和Schaanning（2014）提出的廣義CoVaR模型測度了美國10部門間的風險傳染效應。Reboredo和Ugolini（2016）應用GARCH-Copula-廣義CoVaR模型研究了原油價格和全球主要股指在不同分位點上的相依關系和風險溢出強度。江一帆（2021）基于GARCH-Copula-CoVaR模型測度了中國與“一帶一路”沿線國家股市間的風險溢出效應。潘德春和曾建新（2022）則基于時變SJC Copula-CoVaR模型測度了我國股票市場與基金市場間的尾部風險溢出效應。為了更好地估計尾部風險，Zhu等（2021）結合Copula模型與EVT極值理論測度了在金融危機和新冠肺炎疫情期間美國能源部門和農業部門間的尾部風險溢出效應。考慮到金融機構與金融系統相依結構和尾部相依性的時變特征，趙林海和陳名智（2021）使用滾窗法動態擬合多種Copula模型，測度了我國33家金融機構的系統性風險貢獻。此外，為檢驗廣義CoVaR的估計精度，王錦陽等（2018）采用嚴格的后驗分析驗證了基于Copula模型估計廣義CoVaR的準確性。

首先，本文分別使用12種非對稱和4種對稱的靜態或時變參數Copula模型擬合我國45家金融機構與金融系統的相依結構，并依據多種準則進行模型優選，這一方面避免了大部分已有研究直接設定Copula模型帶來的主觀性偏差，另一方面也避免了滾窗動態估計造成的信息損失；然后，結合EVT極值理論估計各機構在最優Copula模型下的廣義CoVaR并對相關風險指標進行后驗回測；最后，根據系統性風險的大小給出金融機構的系統重要性排序，并從宏觀金融和微觀機構層面分析影響金融機構系統性風險的重要因素。

本文的主要貢獻包括以下三個方面：第一，使用多種Copula模型依據多種準則擬合“系統—機構”相依結構的最優模型，使得估計出的廣義CoVaR更為公允有效；第二，使用Kupiec回測對比基于最優非對稱和對稱Copula模型下的廣義CoVaR估計精度，通過統計手段驗證了金融機構與金融系統間非對稱的尾部相依結構特征；三是從宏觀金融和微觀機構層面分析了影響金融機構系統性風險、個體風險以及下尾相依性的重要因素。

二、研究設計

（一）廣義CoVaR

若給定金融系統s收益率序列Rs和金融機構i收益率序列Ri，VaR被定義為一定置信水平q下金融系統（機構）可能面臨的最大損失，即

三、實證分析

（一）數據說明和描述性統計

本文選取2012年10月22日至2022年9月8日我國金融業4個子行業45家上市金融機構的股票收盤價數據作為樣本。根據申萬行業分類，包含16家銀行機構、20家證券機構、4家保險機構和5家多元金融機構。為保證時間間隔的連續性，以樣本期內交易日為基準日期，對因停牌而缺失的數據使用前一交易日數據插補，并計算各樣本金融機構的日對數收益率。為減小誤差，收益率均用百分數表示，即

表1列示了各子行業代表性金融機構②收益率序列的描述性統計③，可以發現：工商銀行的標準差最小而國網英大的標準差最大，表明銀行機構股價波動較小而多元金融機構股價波動較大；各序列偏度異于0、峰度大于3且JB檢驗均在1%的水平下顯著，表明各序列分布呈有偏且“尖峰厚尾”的非正態特征，其中國網英大的負偏度和峰度最大，表明多元金融機構的股價具有較高風險；ADF檢驗均在1%水平下顯著，表明各序列均平穩，Q（20）和ARCH檢驗均顯著，表明各序列均存在自相關性和條件異方差性。因此適合使用ARMA（1，1）-GJR-EVT模型擬合金融機構負對數收益率序列的邊緣分布并估計對應的VaR值。

（二）邊緣分布與VaR值的估計結果及回測

表2列示了部分金融機構使用ARMA（1，1）

-GJR-EVT模型擬合負對數收益率序列邊緣分布的估計結果。在Panel B中，各序列Leverage（杠桿項）的系數均顯著為正，表明各類金融機構股價波動的杠桿效應顯著；在Panel C中，工商銀行廣義Pareto分布的形狀參數最大而中信證券最小，表明銀行機構股價序列具有更顯著的“厚尾”特征。

估計所有樣本金融機構95%置信水平（下同）下的VaR值并進行回溯測試，表3列示了所有金融機構VaR值估計序列的回測P值，結果均大于0.05即接受原假設，表明各金融機構VaR的估計結果較為準確，進一步說明邊緣分布的擬合結果較優。

（三）基于非對稱Copula函數的相依結構估計與優選

構造“系統—機構”二元收益率序列（Rs|-i，t， Ri，t）。為避免金融機構i與金融系統s的收益率序列存在偽相關，參考Karimalis和Nomikos（2018）的方法，使用剔除金融機構i后其余樣本金融機構前一交易日的市值占比為權重，計算加權平均系統收益率：

為更好地捕捉金融機構與金融系統收益率間非對稱的相依結構，本文選取Gumbel、Rotated Gumbel（下文簡寫為RG）、Clayton、Rotated Clayton（下文簡寫為RC）、BB7和SJC這6種具有非對稱相依結構的Copula函數所對應的靜態和時變（TVP）參數模型對不同金融機構與金融系統間的相依結構進行估計，并依據多種準則通過“投票”④進行模型優選。表4列示了各金融機構最優非對稱Copula模型的優選結果，可以發現：所有金融機構均選擇時變（TVP）Copula模型，表明金融機構與金融系統普遍存在時變的尾部相依性；不同金融機構的最優Copula模型不盡相同，表明不同金融機構與金融系統的相依結構存在異質性；所有金融機構的Copula模型均選擇具有雙尾相依性的TVPBB7或TVPSJC模型，表明金融機構與金融系統間普遍既存在極端上行聯動也存在極端下行聯動。

（四）基于最優非對稱Copula模型的CoVaR估計及回測

基于表4中的優選模型，本文估計各金融機構的CoVaR并進行回溯測試。表5列示了所有金融機構在最優非對稱Copula模型下的CoVaR估計序列的回測P值，結果均大于0.05即接受原假設，表明對所有樣本金融機構基于最優非對稱Copula模型的估計結果準確。

（五）基于最優對稱Copula模型的CoVaR估計及回測

為說明非對稱Copula模型相較于對稱Copula模型更能真實準確地反映金融機構與金融系統的相依結構，進一步基于4種具有對稱結構且無尾部相依特征Copula函數的靜態或時變參數模型估計樣本金融機構與金融系統的相依結構，包含正態Copula（Normal）、時變正態Copula（TVPN）、Plackett和Frank。表6列示了各金融機構的最優對稱Copula模型的優選結果，大部分金融機構選擇TVPN為最優，表明大部分金融機構與金融系統間具有時變的相依性。表7列示了各金融機構基于最優對稱Copula模型CoVaR估計序列的回測P值，其中以華金資本為首的11金融機構CoVaR估計序列的回測P值至少在10%的水平下拒絕原假設，表明部分金融機構在對稱相依結構的假設下CoVaR估計結果的準確性較差。

綜上，具有非對稱尾部相依特征Copula函數的時變參數模型對于擬合我國金融機構與金融系統間相依結構的效果更優，一方面說明我國金融機構與金融系統間普遍存在時變非對稱的尾部相依結構，另一方面說明基于時變非對稱Copula模型計量我國金融機構的系統性風險更為準確有效。

（六）系統性風險的計算

本文使用AMRA（1，1）-GJR-EVT模型計算剔除金融機構i后金融系統s的VaR值，并結合各金融機構基于最優非對稱Copula模型估計的CoVaR計算各金融機構的系統性風險（ΔCoVaR）、上尾部相依性（DepU）和下尾相依性（DepL）。

1. 截面維度分析

取各樣本金融機構的ΔCoVaR、VaR、DepU、DepL和市值占比在樣本期內的平均值并進行截面排序，各項指標的排序結果如表8所示。以ΔCoVaR的排序為基準，總體來看系統性風險在各類金融機構中的大小排序基本為：銀行>保險>證券>多元金融。前10位中銀行類機構占9位，其中五大國有銀行中有4家位居前5，表明銀行類機構在我國最具有系統重要性，國有銀行是我國系統性風險的主要貢獻者。VaR與ΔCoVaR排序偏離較大，表明金融機構的個體風險與系統性風險相關性較弱，而DepU、DepL與ΔCoVaR的排序較為類似，同時市值占比和ΔCoVaR的排序相似度較高，表明“系統—機構”的尾部相依性以及金融機構的規模與其系統性風險具有較高的正相關關系。為驗證上述觀點，基于截面數據，將ΔCoVaR對VaR、DepU、DepL和市值占比進行回歸，回歸結果如表9所示。由表可知，VaR的系數不顯著而DepL的系數顯著為正，表明在截面維度，金融機構的個體風險與系統性風險沒有顯著的相關性，而“系統—機構”下尾相依性與金融機構的系統性風險存在顯著正相關，進一步說明“系統—機構”下尾相依性對系統重要性金融機構具有顯著的識別作用。

2.時序維度分析

將風險變量（ΔCoVaR、VaR和DepL）分別在截面維度上取平均得到各變量的平均時序，如圖1所示。可以發現，ΔCoVaR和VaR的趨勢高度重合，表明金融機構的個體風險與系統性風險具有時序關聯性；各風險變量在幾次經濟危機期間（2013年銀行“錢荒”、2015年“股災”、2020年新冠肺炎疫情）的總體平均水平均高于其他時期，表明宏觀經濟危機對金融機構的系統性風險、個體風險以及下尾相依性產生顯著沖擊。為進一步考察我國金融業各子部門風險變量在時序維度上的差異，本文計算出各風險變量在各子部門中的截面均值。如圖2所示，各子部門的ΔCoVaR在時序上排序為：銀行>保險>證券>多元金融，而各子部門的VaR排序則與ΔCoVaR相反，即“多元金融>證券>保險>銀行”。各子部門的DepL排序與ΔCoVaR相同，其中銀行類和保險類機構與金融系統間的下尾相依性遠高于證券類和多元金融類機構。

綜合截面和時序維度的分析結果可以發現：盡管銀行和保險類機構具有較低的個體風險，但由于其與金融系統間的下尾相依性較高，銀行類和保險類機構具有較高的系統性風險。反之，多元金融類機構的個體風險較高，但由于其與金融系統間的下尾相依性較弱，其系統性風險較低。由此可知，金融機構與金融系統間的下尾相依性是影響金融機構系統性風險的重要因素，而個體風險的影響則較弱。

四、系統性風險的影響因素分析

為進一步探究金融機構系統性風險的影響因素，本文分別從宏觀金融層面和微觀機構層面分析影響金融機構系統性風險、個體風險和下尾相依性的重要因素。

（一）宏觀金融因素的影響分析

本文以金融機構的風險變量（系統性風險ΔCoVaR、個體風險VaR和“系統—機構”下尾相依性DepL）為被解釋變量對一系列宏觀金融變量進行前瞻性面板回歸分析，滯后期分別設為5天、10天和15天。回歸模型如下：

其中，k為滯后期，u為個體固定效應，Cri為虛擬變量，在危機期取值為1，否則為0。結合我國近年來發生的重大金融風險事件和圖1中系統性風險相關指標的時序特征，將危機期設定為2013、2015、2020年。選取如下宏觀金融變量：Rm為滬深300指數日對數收益率，用于反映A股的整體收益水平；Vm為滬深300指數年化波動率，用于反映A股的整體波動水平；ctb為3個月期國債利率的一階差分，用于反映將資金投資于股市的機會成本；cts為10年期國債利率減3個月期國債利率差的一階差分即期限利差的變化，衡量收益率曲線斜率的變化，用于反映市場參與主體對市場未來的預期和信心；ls為3個月期SHIBOR減3個月期國債利率即TED利差，用于反映市場流動性風險的大小；ccs為10年期AAA級企業債利率減10年期國債利率差的一階差分即信用利差的變化，用于反映市場信用風險的大小；err為滬深300房地產業收益率減滬深300金融業收益率即房地產行業超額收益率，用于反映房地產市場的火熱程度。所有方程均使用機構層面的聚類標準誤估計。模型中還納入了各宏觀金融變量與危機期虛擬變量的交乘項（Rmt-kCri、Vmt-kCri、ctbt-kCri、ctst-kCri、lst-kCri、ccst-kCri、errt-kCri）。

表10列示了宏觀金融因素對金融機構不同風險變量在不同滯后期的回歸結果，整體來看，各宏觀金融變量對金融機構風險變量的影響系數基本顯著，表明宏觀金融因素對金融機構的系統性風險、個體風險和“系統—機構”下尾相依性均具有顯著影響。

具體而言，由表10第（1）列宏觀金融因素對ΔCoVaR的回歸結果可知：當滯后期k=5時，除errt-k的系數在1%的水平下顯著為負外，其余宏觀金融變量的系數均在1%的水平下顯著為正，表明在非危機期，A股整體收益上行、整體波動加劇、資金機會成本上升、市場預期和信心增強、市場流動性風險和信用風險上升都會提高金融機構的系統性風險，而房地產行業市場的繁榮能顯著降低金融機構的系統性風險。Rmt-kCri、ctbt-kCri、ctst-kCri的系數均在1%的水平下顯著為負且其絕對值均大于Rmt-k、ctbt-k、ctst-k的系數，表明在危機時期，A股整體收益上行、資金機會成本上升以及市場預期和信心增強能降低金融機構的系統性風險，這是由于在危機時期，A股整體收益上升以及市場預期和信心增強降低了因市場恐慌而導致風險集中爆發的可能性，而資金機會成本上升則能有效抑制市場投機行為，進而降低市場的潛在風險。Vmt-kCri、lst-kCri、errt-kCri的系數顯著為正，表明危機期放大了市場波動和流動性風險對金融機構系統性風險的正向影響，同時危機期房地產市場的過度繁榮所導致的房地產泡沫也更容易加劇金融機構的系統性風險。由表10第列（2）、（3）列可知：部分變量系數的符號在不同滯后期發生改變，表明部分宏觀金融因素對金融機構系統性風險的長期影響具有時變特征。

由表10第（4）列宏觀金融因素對VaR的回歸結果可知：當滯后期k = 5時，其回歸結果與以ΔCoVaR為被解釋變量的結果基本一致，區別在于相較于后者，ccst-kCri的系數顯著為負，表明政府部門和金融機構在危機期所采取的風險緩釋措施一定程度緩解了市場信用風險對金融機構個體風險的正向影響。由表10列第（5）、（6）列可知：所有在5%水平下顯著的宏觀金融變量系數在不同滯后期的符號基本一致，表明宏觀金融因素對金融機構個體風險的長期影響較為穩定。

由表10列（7）宏觀金融因素對DepL的回歸結果可知：當滯后期k=5時，ctbt-k、ctst-k、lst-k、ccst-k的系數均在1%水平顯著為負，而errt-k的系數在1%水平顯著為正，表明在非危機期資金機會成本上升、市場預期和信心增強、流動性風險和信用風險上升均能降低“系統—機構”間的損失聯動性，而房地產市場的繁榮強化了“系統—機構”間的損失聯動性。Rmt-kCri、errt-kCri的系數在1%水平顯著為負，而ctbt-kCri、ctst-kCri、ccst-kCri的系數在1%水平顯著為正，表明在危機期股市整體收益上行、房地產市場繁榮能降低“系統—機構”間的損失聯動性，但危機期也強化了資金機會成本、市場預期和信心以及信用風險對金融機構系統性風險的正向影響，這是由于在危機期股市整體收益上行和房地產市場繁榮能夠降低整個金融市場下行的可能性，但同時資金機會成本的上升也加大了市場投資者的實際經濟損失，而市場預期和信心的增強提高了投資者的主動風險承擔意愿，信用風險上升則增大了企業的違約概率，進而提高了“系統—機構”間的損失聯動性。由表10第（8）、（9）列可知：所有在5%水平下顯著的宏觀金融變量系數在不同滯后期的符號基本一致，表明宏觀金融因素對“系統—機構”下尾相依性的長期影響較為穩定。

綜上，基于宏觀金融因素對金融機構不同風險變量在不同滯后期的回歸結果，可以得出以下幾點結論：第一，宏觀金融因素對金融機構的系統性風險和個體風險的影響機制較為類似，危機期強化了市場波動、流動性風險和房地產泡沫對金融機構個體風險和系統性風險的正向影響。第二，宏觀金融因素對“系統—機構”下尾相依性的作用效應傾向于在危機期表現為正向影響，此時資金成本上升、市場預期增強、信用風險加劇將提高“系統—機構”間的損失聯動性。第三，宏觀金融因素對金融機構系統性風險的長期影響具有時變特征，對個體風險和“系統—機構”下尾相依性的長期影響則較為穩定。

（二）微觀機構因素的影響分析

本文以金融機構的風險變量為被解釋變量，對滯后一期的微觀機構變量進行面板回歸分析，選取年度微觀機構變量，年度風險變量通過年內聚合轉頻得到。回歸模型如下：

其中，Cri為危機期虛擬變量，u為個體固定效應。本文選取如下微觀機構變量：Voli，t-1表示金融機構股票的年化波動率，用于反映金融機構股票的波動情況；Betai，t-1表示金融機構的股票beta值，用于反映金融機構股價面臨的系統風險；Sizei，t-1為金融機構總資產的對數值，用于反映金融機構的規模；Levi，t-1為金融機構的權益乘數，用于反映金融機構的杠桿水平；RoAi，t-1表示金融機構的資產收益率，用于反映金融機構的盈利能力；BMi，t-1表示金融機構股票的賬面市值比，用于反映金融機構股票的投資價值。所有方程均使用機構層面的聚類標準誤估計，模型中還納入了各微觀機構變量與危機期虛擬變量的交乘項（Voli，t-1Cri、Betai，t-1Cri、Sizei，t-1Cri、Levi，t-1Cri、RoAi，t-1Cri、BMi，t-1Cri）。為避免異常值干擾，對所有微觀機構變量在其樣本分布的1%和99%位置進行縮尾處理。

表11列示了微觀機構變量對金融機構不同風險變量的回歸結果，整體來看，大部分微觀機構變量的統計顯著性較弱。相較于宏觀金融因素，微觀機構因素對金融機構系統性風險、個體風險和“系統—機構”下尾相依性的影響較弱。

具體而言，從微觀機構變量對ΔCoVaR的回歸結果來看，Betai，t-1的系數在1%水平下顯著為正，表明金融機構股票的系統風險對金融機構的系統性風險具有顯著的正向影響。Levi，t-1Cri的系數在1%水平下顯著為正，表明在危機期，金融機構的高杠桿將加劇金融機構的系統性風險。BMi，t-1Cri的系數顯著為負，表明在危機期，金融機構股票的投資價值越高，其系統性風險水平越低，這是由于越具有投資潛力的金融機構其基本面狀況越好，經營也越穩健。

從微觀機構變量對VaR的回歸結果來看，Levi，t-1的系數在1%水平下顯著為正，表明金融機構的杠桿率對個體風險具有正向影響，同時Levi，t-1Cri的系數在1%水平下顯著為正，表明危機期進一步放大了高杠桿對金融機構個體風險的促進作用。BMi，t-1Cri

的系數在1%水平下顯著為負，表明在危機期，金融機構越具有投資價值，其個體風險越低。

從微觀機構變量對DepL的回歸結果來看，Voli，t-1的系數在1%水平下顯著為正，表明金融機構股票的波動率對“系統—機構”下尾相依性具有正向影響，Levi，t-1Cri的系數在1%水平下顯著為負，表明在危機期，金融機構提高杠桿能降低“系統—機構”的下尾相依性。

綜上，基于微觀機構因素對金融機構不同風險變量的回歸結果，可以發現：相較于宏觀金融因素，微觀機構因素對金融機構系統性風險、個體風險和“系統—機構”下尾相依性的影響較弱；在非危機期，金融機構股票的系統風險對其系統性風險具有正向影響，金融機構的高杠桿提高其個體風險，金融機構股票波動加劇提高了“系統—機構”下尾相依性；危機期加劇了杠桿率對金融機構個體風險和系統性風險的正向影響，但此時金融機構杠桿率的提高能降低“系統—機構”下尾相依性。

五、結論與建議

本文旨在從相依結構的擬合優度和系統性風險的估計精度兩個方面驗證我國金融機構與金融系統間的非對稱尾部相依關系，并在此基礎上分析了影響我國金融機構系統性風險的重要因素。具體而言，本文以我國45家上市金融機構為樣本，分別使用12 種非對稱和4種對稱Copula模型擬合“系統—機構”二元相依結構，對比基于最優非對稱和最優對稱Copula模型廣義CoVaR估計值的后驗精度，給出我國金融機構的系統重要性排序，并從宏觀金融層面和微觀機構層面分析了影響金融機構系統性風險、個體風險和“系統—機構”下尾相依性的重要因素。根據上述分析，本文得出以下結論：

第一，時變非對稱尾部相依是我國金融機構“系統—機構”相依關系的普遍特征。

第二，我國金融機構的系統性風險排序基本為“銀行>保險>證券>多元金融”。此外，“系統—機構”下尾相依性是識別系統重要性金融機構的重要因素，而金融機構的個體風險與系統性風險的相關性較弱。

第三，根據金融機構系統性風險的影響因素分析結果可以發現：相較于微觀機構因素，宏觀金融因素對銀行系統性風險的影響更為顯著；在非危機期，杠桿率監管僅能降低銀行的個體風險，而在危機期，杠桿率監管能有效降低銀行的個體風險和系統性風險。

根據以上結論，為維護我國金融穩定和防范系統性金融風險，提出如下政策建議：

第一，考慮到我國金融機構與金融系統普遍存在時變非對稱尾部相依關系，金融監管部門應實時監測金融機構間的尾部風險聯動，提高系統重要性金融機構的風險警戒線，防止系統重要性金融機構因尾部事件引發系統性金融危機。

第二，考慮到金融業不同子行業的風險特征區別明顯，金融監管部門在逐步提高監管效率的同時仍應堅持分業監管模式。就銀行類機構而言，其個體風險較低，卻是我國系統性金融風險的主要貢獻者，這是由于長期以來銀行是我國金融體系的核心組成部分，龐大的資產規模和穩健的經營戰略使得銀行通過各種復雜且多元化的表內外業務分散了個體風險，但與此同時也加深了其在金融網絡中的關聯重要性。近年來金融脫媒和銀行業競爭的加劇對銀行業的穩定造成了沖擊，因此金融監管部門在積極推動銀行業務轉型的同時也應該嚴控其通過金融創新、影子銀行和通道業務進行監管套利，防范這些行為造成系統性風險隱患。

第三，考慮到“系統—機構”下尾相依性與金融機構系統性風險的正向關系，金融監管部門應抑制金融機構間的損失聯動，一方面嚴格執行逆周期監管政策，防止金融機構在經濟上升期的風險積聚，另一方面嚴格控制金融機構的同業依賴，在經濟下行期減小破產風險在金融機構間的傳染效率。

第四，從長遠角度來看，防范和化解系統性金融風險的根本舉措是穩定和改善宏觀金融環境。相關部門應著力于創造良好的金融市場秩序，構建完善的金融法律體系，維持穩定的宏觀經濟政策，減少由不確定性沖擊導致的系統性金融危機。

注釋：

① 為便于表述，后文所提及的CoVaR均為廣義CoVaR。

② 以樣本金融機構的平均市值大小排序為基準，選取各子行業規模最大的金融機構為例。

③ 由于篇幅所限，未列示所有機構收益率序列的描述性統計，如有需要向作者聯系。

④“投票”：對不同金融機構與金融系統的相依結構建模，以NLL（負對數似然值）、AIC、BIC、HQ、平方歐氏距離和KS統計量最小為準則選擇Copula模型，被各準則選擇的模型獲一票，最后綜合得票最多的為最優Copula模型。

參考文獻：

[1] CHEN Y， HU J， ZHANG W. Too connected to fail？ Evidence from a Chinese financial risk spillover network[J]. China & World Economy， 2020， 28（06）：78-100.

[2] 李政， 梁琪， 涂曉楓.我國上市金融機構關聯性研究——基于網絡分析法[J].金融研究，2016（08）：95-110.

[3] 蔣海， 張錦意.商業銀行尾部風險網絡關聯性與系統性風險——基于中國上市銀行的實證檢驗[J].財貿經濟，2018，39（08）：50-65.

[4] 胡利琴， 胡蝶， 彭紅楓.機構關聯、網絡結構與銀行業系統性風險傳染——基于VAR-NETWORK模型的實證分析[J].國際金融研究，2018（06）：53-64.

[5] TOBIAS A， BRUNNERMEIER M K.CoVaR[J].The American Economic Review，2016， 106（07）：1705-1741.

[6] 肖璞， 劉軼， 楊蘇梅.相互關聯性、風險溢出與系統重要性銀行識別[J].金融研究，2012（12）：96-106.

[7] 高國華， 潘英麗.銀行系統性風險度量——基于動態CoVaR方法的分析[J].上海交通大學學報，2011， 45（12）：1753-1759.

[8] CHEN K H， KHASHANAH K. Analysis of systemic risk： A vine copula-based ARMA-GARCH model[J]. Engineering Letters， 2016， 24（03）： 268-273.

[9] MAINIK G， SCHAANNING E. On dependence consistency of CoVaRand some other systemic risk measures[J]. Statistics & Risk Modeling， 2014， 31（01）： 49-77.

[10] REBOREDO J C， UGOLINI A. Quantile dependence of oil price movements and stock returns[J]. Energy economics， 2016， 54： 33-49.

[11] 江一帆.基于Copula函數的“一帶一路”沿線地區金融風險相依性研究[J].金融經濟，2021，545（11）：33-41.

[12] 潘德春，曾建新.信息沖擊下的金融市場尾部相依結構與風險溢出效應——以股票市場和基金市場為例[J].區域金融研究，2022，599（06）：70-77.

[13] ZHU B， LIN R， DENG Y， et al.Intersectoral systemic risk spillovers between energy and agriculture under the financial and COVID-19 crises[J].Economic Modelling，2021， 105： 105 651.

[14] 趙林海， 陳名智.金融機構系統性風險溢出和系統性風險貢獻——基于滾動窗口動態Copula模型雙時變相依視角[J].中國管理科學，2021，29（07）：71-83.

[15] 王錦陽， 劉錫良， 杜在超.相依結構、動態系統性風險測度與后驗分析[J].統計研究，2018，35（03）：3-13.

[16] GIRARDI G， TOLGAERG?N A. Systemic risk measurement： Multivariate GARCH estimation of CoVaR[J].Journal of Banking & Finance， 2013，37（08）： 3 169-3 180.

[17] DUMOUCHEL W H. Estimating the Stable indexα in order to measure tail thickness： A critique[J]. Annals of Statistics， 1983， 11（04）：1 019-1 031.

[18] 張連增， 胡祥. Copula的參數與半參數估計方法的比較[J].統計研究， 2014，31（02）：91-95.

[19] PATTON A J. Modelling asymmetric exchange rate dependence[J]. International Economic Review， 2006， 47（02）：527-556.

[20] KARIMALIS E N， NOMIKOS N K. Measuring systemic risk in the European banking sector： A Copula CoVaR approach[J]. The European Journal of Finance， 2018， 24（11）：944-975.

（責任編輯：張艷妮/校對：唐詩柔）