第37卷第3期2021年6月
吉林工商学院学报
JOURNAL OF JILIN BUSINESS AND TECHNOLOGY COLLEGE
V ol.37,No.3
Jun.2021
洪振木，李悦
（安徽财经大学金融学院，安徽蚌埠233000）
[摘要]以2013—2020年我国16家上市商业银行为研究对象，引入宏观经济状态变量，运用△CoVaR模型度量我国商业银行系统性风险水平，并采用商业银行微观层面和宏观经济层面的数据实证分析系统性风险的影响因素。研究结果表明：国有商业银行系统性风险水平较高而自身风险水平较低，部分股份制商业银行同时具有较高的系统性风险和自身风险。在股市剧烈波动时期，商业银行系统性风险水平明显增
加。此外，微观层面上，银行自身风险值、规模和杠杆率是商业银行系统重要性的重要影响因素。宏观经济层面上，股票市场波动率与商业银行系统性风险显著正相关；金融发展水平也有着正向影响，但其对系统性风险的影响不显著。
[关键词]商业银行；系统性风险；△CoVaR；股市波动率
[中图分类号]F832.33[文献标识码]A[文章编号]1674-3288（2021）03-0082-08
[收稿日期]2021-05-07
[作者简介]洪振木（1987-），男，安徽歙县人，博士，安徽财经大学金融学院副教授，研究方向为金融网络及风险管理；李悦（1996-），女，安徽滁州人，安徽财经大学金融学院硕士研究生，研究方向为金融网络及风险管理。
一、引言与文献综述
2008年全球金融危机发生后，我国的金融监管部门意识到应该把监管的重点放在宏观审慎监管上，需要着眼于整个金融系统共同面临的风险以及金融机构之间的相互关系，将宏观审慎监管与微观审慎监管结合起来，以防范系统性风险的发生。虽然目前我国的金融风险总体可控，尚未发生严重的系统性风险事件，但由于银行之间具有互相关联性，如果一家银行出现危机，那么和其有关的银行也会面临
风险，多米诺骨牌效应依次传递，最终会发生严重的系统性风险。因此对银行的系统性风险溢出进行测度，从而识别出系统重要性银行并对其及时进行监管就十分重要。
学术界对于银行系统性风险的度量以及系统重要性金融机构的识别进行了大量的研究，主要分为以下几个方法。一是矩阵法。这个方法的主要思路是通过银行间同业拆借市场的数据，构建银行间双边风险敞口矩阵，通过模拟一家银行面临危机时其风险溢出对整个银行体系的影响。主要有马君潞等（2007）[1]、王明亮等（2013）[2]、唐振鹏等（2020）[3]等运用矩阵法来度量银行体系的系统性风险。二是网络分析法。主要有贾彦东（2011）[4]通过模拟不同条件对于金融网络的冲击，度量了单个银行对于系统性风险的直接贡献与间接贡献，判断出系统重要性银行；李政等（2016）[5]研究了我国金融机构关联网络的整体以及部门关联特征，研究发现我国金融机构在2012年之后的关联性越来越紧密，系统性风险在不断积聚；林砚和陈志新（2018）[6]通过将金融机构主体属性与金融机构复杂网络相结合来研究金融机构的风险传染性，研究发现金融机构风险传染类型较复杂，不同部门的金融机构具有不同的风险传染性。三是基于股票市场数据的模型法。主要有系统期望损失（SES）和边际期望损失（MES）、SRISK以及条件在险价值（CoVaR）等方法。Acharya（2017）[7]等提出了可以度量单个机构系统性风险的系统期望损失（SES）和单个机构收益率的边际期望损失（MES）；Brownlees等（2017）[8]引入SRISK来度量金融机构系统性风险贡献，并用该指标衡量了金融危机中美国金融机构的系统重要性排名；Adrian和Brunnermeier（2016）[9]提出了条件在险价值（CoVaR） 方法来度量金融机构尾部风险溢出效应；Hautsch等（2015）[10]基于CoVaR方法，将系统性风险β指标作为衡量金融公司系统性风险
贡献的标准，度量了美国100家金融公司的系统性风险溢出，并识别出了单个公司在美国金融体系中的系统重要性。国内方面，肖璞等（2012）[11]采用上市银行的股权收益率数据，运用CoVaR模型测度当单个银行陷入危机时对关联银行以及银行体系的风险溢出效应；杜子平和李金（2014）[12]运用CoVaR模型和GARCH-CoVaR模型测算出我国银行体系中的系统重要性银行，并对这两种模型进行了优劣比较；曾裕峰等（2017）[13]运用多元分位数回归构建了证券市场的新CoVaR模型，测度证券市场对我国A股证券市场的风险溢出效应。四是将网络分析和模型法相结合。欧阳红兵和康小康（2017）[14]选取上市银行股票收盘价数据，运用DCC-MVGARCH模型构建上市银行关联性网络，结果表明我国商业银行整体关联性强，风险溢出效应高，在股市发生剧烈波动时，银行网络具有小世界效应；蒋海和张锦意（2018）[15]利用16家商业银行的股票数据，将极端分位数回归方法、LASSO算法与CoVaR相结合，构建商业银行尾部风险关联网络，检验银行网络关联性对系统性风险的影响，结果表明国有银行的尾部风险溢出效应较高，银行尾部关联网络的紧密性与系统性风险有显著联系并且具有明显的时变性；李守伟等（2019）[16]首先运用时变Copula-CoVaR模型测度出单个银行的系统性风险，再根据股票收益率的三种相关性构建出银行多层网络模型，研究结果表明网络中的度中心性与系统性风险有着较强的关联；黄玮强等（2019）[17]选取上市金融机构股票数据，运用分位数回归的
动态CoVaR模型，构建金融机构尾部风险网络，对网络总体关联性进行分析，并建立固定效应模型，研究尾部风险网络对系统性风险的贡献，金融机构的尾部风险传染强度存在差异，银行业的风险溢出最高并且危机期间风险传染强度明显变大。
总结上述文献可以看出，大多的学者都认为我国银行业具有较强的风险溢出效应，国有银行的系统性风险贡献较高，并且银行系统性风险具有明显的时变特征，伴随着宏观经济的波动而变化。本文以△CoVaR 模型为基础，度量我国商业银行系统性风险并分析系统性风险的影响因素。
二、实证研究设计
（一）条件风险价值（CoVaR）理论
CoVaR方法是基于VaR（在险价值）方法的延伸，由于VaR方法只能度量单个机构在一定置信水平下的最大损失，并没有考虑到金融机构之间的风险溢出效应，具有一定的局限性。所以Adrian和Brunnermeier （2016）[9]又提出了CoVaR方法，该方法可以将金融机构互相联系起来，度量当一家金融机构陷入困境或倒闭时，与之相关的另一家金融机构或整个金融市场所面临的最大损失。
（二）银行系统性风险测度
本文根据Adrian和Brunnermeier（2016）[9]提出的运用分位数回归度量尾部风险溢出的CoVaR模型，
构建商业银行的系统性风险溢出分位数回归模型。首先，建立单个银行的收益率序列分位数回归模型：R i
q=αi+βi M t-1+εi t（1）其中R i
q
为银行i股票日收益率序列，q为分位数。在度量风险时，通常将q取为较小值（如1%、2.5%、5%），来考察收益率序列左端即损失率的影响因素。本文取q=1%，并将其定义为单个银行陷入困境的状
态。αsys|i、βsys|i和γsys|i为回归系数，εi
t 为误差项。M
t-1
为滞后一期的宏观状态变量，其选取将在下节介绍。
将式（1）分别进行1%和50%水平的分位数回归，得出单个银行陷入困境时VaR序列和正常经营状态时VaR序列：
VaR i1%,t=αi1%+βi1%M t-1（2）
VaR i50%,t=αi50%+βi50%M t-1（3）其次，单个银行对整个银行体系的风险溢出分位数回归模型为：
R sys
q=αsys|i+βsys|i M t-1+γsys|i R i t+εi t（4）将上式进行1%水平的分位数回归，得出：
CoVaR sys|i1%,t=αsys|i1%+βsys|i1%M t-1+γsys|i1%VaR i1%,t（5）αsys|i1%和βsys|i1%为回归系数，γsys|i1%为风险关联系数，表示银行i的系统性风险贡献比例。将银行不同时期的风险值代入式（5）中，就可以计算出ΔCoVaR sys|i1%,t序列。
ΔCoVaR sys|i1%,t=CoVaR sys||R i=VaR i q
1%,t-CoVaR sys|R i=VaR i50%
50%,t=γsys|i1%(VaR i1%,t-VaR i50%,t)（6）
（三）银行系统性风险影响因素模型设定
为了度量银行系统性风险贡献与自身风险值VaR、规模和财务状况以及宏观经济波动之间的相关关系，
通过选取相关变量，构建面板数据模型来分析银行系统性风险影响因素。
1.被解释变量的选取。由于上述模型计算出的ΔCoVaR表示当单个银行陷入风险时其对系统性风险的贡献度，所以将系统性风险值ΔCoVaR作为被解释变量。
2.解释变量的选取。解释变量的选取参考高国华和潘英丽（2011）[18]和先前学者的研究，分为微观解释变量和宏观控制变量。微观方面考虑能表示银行风险和财务状况的变量，选取银行自身风险值VaR、银行总资产、总资产收益率、杠杆率作为解释变量。宏观方面考虑能反映宏观经济变动和股票市场波动的变量，选取金融发展水平和股票市场波动率作为控制变量。
3.面板模型的构建。基于上述的分析，选取16家上市商业银行2013—2020年财务数据和宏观经济数据，建立如下的面板数据模型：
ΔCoVaR it=β0+β1K it+β3X it+μi+γt+εit（7）
其中K
it
为微观解释变量，包括银行自身风险值VaR、银行总资产（Assets）、总资产收益率（Roa）、杠杆率
（Leverage）。X
it 为宏观控制变量，包括金融发展水平（Development）和股票市场波动率（VIX）。μ
i
和γ
t
分
别为个体效应和时间效应，ε
it
为残差项。
（四）数据的选取与处理
由于本文研究的时间段为2013—2020年，因此将2013年以后才上市的银行剔除，选取了16家商业银
行作为研究样本，分别为工商银行、建设银行、农业银行、交通银行、中国银行、中信银行、浦发银行、光大银行、招商银行、兴业银行、民生银行、华夏银行、平安银行、北京银行、南京银行、宁波银行。为了消除除权对于股票价格的影响，本文选取了16家银行前复权日收盘价数据以及内地银行指数前复权日收盘价数据，采取对数一阶差分法并将结果乘以100以减少误差，计算出各银行日收益率序列以及内地银行指数日收益率序列。
计算公式为：R
i=ln(p i t p i t-1)*100，其中R i为银行i的日收益率序列，p i t、p i t-1为银行i在第t天和第t-1天的收盘价。ΔCoVaR模型中的宏观状态变量参照Adrian和Brunnermeier（2016）[9]以及先前学者研究，选取衡量市场流动性风险、利率风险以及股票市场风险在内的指标，具体指标计算见表1，数据来源于Wind数据库。
表1具体变量一览表
变量
R i、R sys
亚太经济
宏观状态变量被解释变量微观解释变量宏观控制变量
流动性风险（LS）
利率变化（IR）
期限利差（TS）
股票市场波动率（VIX）
股票市场收益率（MR）
系统性风险值△CoVaR
银行自身风险值VaR
银行总资产（Assets）
总资产收益率（Roa）
杠杆率（Leverage）
金融发展水平（Development）
股票市场波动率(VIX)
具体解释
银行日收益率序列和内地银行指数日收益率序列：选取了16家银行前复
权日收盘价数据以及内地银行指数前复权日收盘价数据，采取对数一阶
差分法并将结果乘以100计算得到
用3个月的shibor利率和3个月的国债利率之差衡量
用3个月国债收益率变动衡量
用10年期国债利率和3个月国债利率之差衡量
用沪深300指数对数日收益率标准差衡量
用沪深300指数对数日收益率衡量
根据CoVaR模型计算得出
根据CoVaR模型计算得出
银行季度总资产的自然对数值
银行净利润/银行资产总额
银行总资产/所有者权益
股市总市值/GDP总额
用沪深300指数对数收益率标准差衡量
在建立模型之前，首先对各变量进行描述性统计分析。结果表明，各银行日收益率序列和内地银行指数日收益率序列的Jarque-Bera检验P值均趋于零，峰度最小为6.89，最大为15.86，均远大于正态分布的峰度3，峰度呈现出尖峰的特点。其偏度也都大于零，稍微右偏，与正态分布相比，呈现出厚尾的特征。宏观状态变量中，股票市场收益率稍微左偏，其余变量均为右偏，峰度均大于3，Jarque-Bera检验P值均趋于零。基于上述数据的特征可以表明，银行股票的日收益率序列不服从正态分布，所以并不适用于传统的回归模型。而基于分位数回归的△CoVaR模型则克服了收益率序列不服从正态分布假定的这一缺陷，本文以△CoVaR 模型为基础，来度量我国商业银行系统性风险。
三、实证研究
（一）单个银行系统性风险测度
根据上述模型，可以得到各银行收益率系数和宏观状态变量的回归系数，具体结果如表2所示。对实证结果进行分析，各银行风险关联系数均在1%的水平上显著，由表2可以看出，国有银行的风险关联系数γsys|i 值最高，依次为工商银行0.48、交通银行0.40、中国银行0.39、建设银行0.37。以兴业银行和民生银行为代表的股份制商业银行风险关联系数也较高，依次为0.39和0.38。以上表明国有银行的系统性风险贡献最大，股份制商业银行的系统性风险贡献次之。宏观状态变量中，股票市场波动率（VIX）和股票市场收益率（MR）的显著性水平较高。其中，股票市场波动率回归系数均为负值，表明当股票市场处于波动状态时，单个银行对银行体系的风险溢出会加大。而股票市场收益率与银行的风险溢出呈正相关关系，表明当市场行情较好时会降低银行体系的风险。其余状态变量的相关性不同的银行会有较大差异。
表2部分银行CoVaR模型回归系数值
参数
R i t LS
TS VIX MR IR C 工商银行
0.48***
（14.33）
-0.23*
（-1.61）
-0.01
（-0.02）
-0.52***
（-2.75）
0.60***
（13.98）
-1.16
（-1.47）
纳米微粒-0.59***
（-2.84）
交通银行
0.40***
（18.44）
-0.12
（0.91）
-0.57**
（-1.93）
-0.35***
（-3.54）客房管理系统设计
0.58***
（17.07）
-1.98**
（-2.15）
-0.60***
（-3.76）
兴业银行
0.39***
（10.11）
-0.05
（-0.6）
0.54***
（5.1）
-0.83**
（-3.12）
0.53***
（9.94）
-0.67**
（-3.04）
-0.50*
（-1.65）
中国银行
0.39***
（12.93）
-0.07
（-0.72）
-0.15
（-0.37）
-0.70***
（-4.02）
0.63***
（20.15）
-
0.81
（-1.50）
-0.48***
（-3.36）
民生银行
0.38***
（13.92）
0.04
（0.11）
0.40
（1.46）
-
0.58***
（-2.91）
0.59***
（13.0）
0.74
（0.19）
-0.98***
（-3.78）
建设银行
0.37***
（8.79）
-
0.26**
（-1.96）
炉火 阅读答案0.37
（1.53）
-0.75***
（-3.82）
0.57***
（10.59）
-1.84***
（-2.47）
-0.46*
（-1.62）
南京银行
0.36***
（8.16）
-0.61***
（-2.67）
-0.11
（-0.42）
-0.81***
（-4.88）
0.47***
（12.64）
-1.53***
（-3.20）
0.06
（0.34）
注：括号中为各回归系数的t统计值；***、**、*分别表示在1%、5%、10%的水平上显著。
根据分位数回归方程（2）和（6），可以计算出单个银行在不同时期的自身风险价值VaR i和系统性风险ΔCoVaR sys|i t序列，将单个银行的序列数据取平均值，整理之后可得在1%分位数水平下，单个银行平均风险值和平均系统性风险排名，如表3所示。可以看出，光大银行、中信银行的平均风险最大。五家国有银行的平均风险值较低，其中中国银行的平均风险最小。比较各银行平均系统性风险值可以看出，平均系统性风险最大的是工商银行，其次是兴业银行和民生银行等。北京银行的平均系统性风险最小。对比表4，工商银行
的资产和A股市值在银行中都位居第一，作为金融稳定委员会（FBS）公布的全球系统重要性银行之
一，一旦陷入风险会对整个金融体系造成严重危机，这与实际相符。兴业银行和民生银行虽然规模相对较小，但对系统性风险的贡献却仅次于工商银行。这表明监管当局在判定银行系统重要性时，除了要考虑银行的资产规模，还应考察单个银行的风险贡献率。同时我们能注意到，所有商业银行的平均系统性风险值都为负数，表明了在面临极端风险时，所有银行都对系统性风险有所贡献。并且从同一个银行的CoVaR sys|i和VaR|i值排序可以看出，二者之间并不存在一致性。工商银行的平均系统性风险排名第一，但其平均风险值却很小。光大银行的平均风险值最大，但对系统性风险贡献却较小。还值得注意的是，建设银行、中国银行和农业银行对于系统性风险的贡献排名远低于工商银行。而在2012年，金融稳定委员会（FBS）就已经将中国银行选为全球系统重要性金融机构，2015年又将工商银行、建设银行和农业银行纳入其中，这表明了它们“大而不能倒”的系统重要性地位，所以实证结果与实际不太符合。可能的原因在于，在选取银行股票数据时，仅选取了银行A股的总市值，并没有选取银行所有股票的总市值，从表4的数据可以看出A股市值的差距。这会减少这几家银行资产规模，从而削减了其系统性风险贡献。
表3商业银行平均自身风险与平均系统性风险
参数CoVaR sys|i 排名VaR i 排名参数CoVaR sys|i 排名VaR i 排名工商银行
-1.345
1
-2.795
13
建设银行
-1.016
9
-2.800
12
兴业银行
-1.137
2
-
2.928
11
中国银行
-0.983
10
-2.552
16
南京银行
-1.133
3
-3.147
8
宁波银行
-0.736
11
-3.519
3
民生银行
-1.089
4
-3.003
10
农业银行
-0.712
12
-2.772
14
平安银行
-1.087
5
-3.210
7
浦发银行
-
0.556
13
-3.067
9拍拍烧
中信银行
-1.057
6
-3.650
2
光大银行
-0.509
14
-3.820
1iesuper
交通银行
-1.040
7
-2.647
15
招商银行
-0.490
15
-
3.489
4
华夏银行
-1.017
8
-3.328
6
北京银行
-0.413
16
-3.359
5
表4商业银行2019年部分财务数据
类别资产负债股东权益A股市值类别资产负债股东权益A股市值工商银行
30109436
27417433
30109436
1188989
宁波银行
1317717
1216980
1317717
212323
中国银行
22769744
20793048
22769744
670234
民生银行
6681841
6151012
6681841
184403
建设银行
25436261
23201134
25436261
60248
平安银行
3939070
3626087
3939070
180970
农业银行
24878288
22918526
24878288
1002426
中信银行
6750433
6217909
6750433
174009
交通银行
9905600
9104688
9905600
175843
光大银行
4733431
4347377
4733431
164999
招商银行
7417240
6799533
7417240
906642
北京银行
2737040
2528077
2737040
102332
兴业银行
7145681
6596029
7145681
3557
华夏银行
3020789
2751452
3020789
96170
浦发银行
7005929
6444878
7005929
292672
南京银行
1343435
1255507
1343435
80856
注：数据来源于RESSET数据库；单位：百亿元。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议