相互关联性、风险溢出与系统重要性银行识别，本文主要内容关键词为：关联性论文,重要性论文,风险论文,银行论文,系统论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、引言
2007年以来的全球金融危机使各界人士认识到：单个金融机构的稳健性并不代表整体金融体系的稳健性，必须加强宏观审慎监管以防范系统性风险。依据系统性风险的特征，可以将宏观审慎监管分为横截面维度(Cross-Sectional Dimension)与时间维度(Time Dimension)。横截面维度关注金融机构之间的相互关联，时间维度关注系统性风险的顺周期变化。
从宏观审慎监管的横截面维度来看，由于金融机构可能直接持有相同或类似的资产类别或间接地持有与这些资产类别相关的其他资产，因此需要对单个金融机构的投资组合和金融产品风险之间的关联性特别关注。监管当局要了解在某一给定的时点上单个金融机构的风险是如何在金融体系内分布的，从实践来看，考察哪些金融机构具有系统重要性以及其对金融体系的风险贡献率，可以为监管机构的监管提供依据。就银行体系而言，银行与银行之间通过业务往来、相互持有对方债券等具有相互关联性的行为联系起来。一家银行陷入困境时，单个银行的风险会扩散到与它有关联的银行乃至整个银行系统，这也就是所谓的风险溢出。对于风险溢出效应大的银行，它的倒闭将给整个银行体系造成系统性风险，进而可能引发危机。因此，准确判断哪些银行具有系统重要性及其风险在银行体系中的分布，成为金融监管当局面临的重要基础性工作。按巴塞尔协议Ⅲ的定义，系统重要性银行是业务规模较大，业务复杂程度较高，发生重大风险事件或经营失败会对整个银行体系带来系统性风险的银行，系统性银行测度的指标分为跨境活动、规模、关联度、可替代性以及复杂性这五类。巴塞尔协议Ⅲ的标准针对的是全球范围内的银行，考虑到中国银行业与国外银行业业务经营方式及所处宏观环境不同，中国的监管当局正在巴塞尔协议Ⅲ基础上，结合我银行业的现实情况来制定中国版的系统重要性银行界定标准。
我们认为，在确定系统重要性银行时，不仅要考虑银行的规模因素，更要考虑由于银行间的相互关联性，考虑单个银行陷入困境对其他银行的风险溢出乃至对整个银行体系的风险溢出效应。研究银行间的相互关联时，有两条技术路线，一是从机构间的业务关系出发，利用银行间的支付结算、同业拆借等交易数据，来研究银行间相互关联的紧密程度，将机构间的关联定义为机构间的复杂动态网络；二是从市场数据出发，基于“如果金融市场是有效的，银行间的相互关联就会体现在股票价格的波动性与相关性上”这一假设，利用股票价格、股权收益率等数据做实证。此次金融危机后，部分机构和学者对基于市场数据的系统性风险测度方法进行了广泛研究，发现市场数据在识别即将面临的系统性风险上同样有效。鉴于国内从机构间的业务关系出发对系统性风险进行的研究比较普遍，本文拟采用市场数据量化银行间的风险溢出效应，测度单个银行对整个银行的系统的风险贡献率，为银行监管当局识别系统重要性银行，实施宏观审慎监管提供参考。
二、文献综述
关于银行间的风险溢出及银行体系的系统性风险与系统重要性银行识别，国内外学者与监管机构都有所研究。银行间风险溢出方面，国内外大多学者研究了同业银行间市场风险的传染。Kyle and Xiong(2001)提供了一种传染模型，指出各金融机构间的风险溢出效应和财富效应的相互作用导致了机构传染。Allen and Gale(2000)基于Diamond and Dybvig(1983)提出的D-D模型，用银行网络表示银行同业市场，构造了一个包括四家银行的网络结构，证明了传染的蔓延主要取决于银行之间相互关联的模式。Upper(2004)运用矩阵估计，通过对德国每家银行进行破产模拟，发现大部分银行的破产能引起其他银行倒闭，这表明银行间风险溢出效应比较明显。
，L.L.Ong(2007)通过极值理论研究欧洲上市银行，发现银行之间风险溢出效应明显。国内方面，马君潞等(2007)通过利用资产负债表数据，用矩阵法估测了我国银行市场间双边传染的风险，分析了不同损失水平下单个银行倒闭以及两家以上银行同时倒闭造成的风险传染规模。目前国内大部分研究都集中在银行间风险传染及风险溢出的理论分析上，有效量化银行与银行间风险溢出效应强度的实证研究较少。
银行系统性风险方面，Craig H.Furfine(2003)认为系统性风险有两类：一类是一些外部冲击引起金融市场或机构陷入困境的风险，另一类是单个机构或一部分机构陷入困境将风险传染给其他机构的风险。对第一类系统性风险主要根据宏观变量如GDP、通货膨胀率、利率、汇率的冲击来测算银行间系统潜在的传染风险；对第二类系统性风险主要研究支付系统出现问题导致其他银行结算失败及对银行的风险溢出(Dirk，1998；Cohen，1993；McAndrews and Wasilyew，1995；Angelini，Maresca and Russo，1996)，已有的研究较少测度单个银行陷入困境时对整个商业银行系统性风险的贡献程度。此次危机之后，监管机构和学者们提出了一系列计量和分析金融机构之间的相互关联和机构对系统性风险贡献度的方法，借以识别系统重要性金融机构，具体大致归纳为以下三类。
(1)多指标评价法。比较有代表性的有Thomason(2009)提出从传染性、集中度、关联度、环境四个方面衡量系统重要性；IMF、BIS and FSB(2009)提出从规模、可替代性和关联性三个方面对机构、市场及工具的系统重要性进行评估；GHOS(中央银行行长和监管当局负责人会议)(2011)从资产规模、关联性、不可替代性、全球业务的复杂程度等几个方面评价系统重要性；巴塞尔银行监管委员会(BCBS)2010年提出依据总资产、银行间资产和银行间负债三项指标或其在整个系统中的占比，计算出反映不同银行对应的系统重要性水平的分值进行排序；2011年BCBS进一步提出以资产规模、跨区域活动能力、关联度、可替代性以及复杂程度五个标准对全球系统重要性银行进行识别和评价。
(2)网络分析法。这类研究将金融系统视作一个复杂的动态网络，目前网络模型的分析主要是基于金融机构之间的相互关联关系性。学者们主要从银行系统(Mistrulli's，2007；Gai and Kapadia，2008；Nier，2008；马君潞、范小云等，2007)、金融市场(Naylor et al.，2008)和支付结算系统(Afonso and Shin，2008；贾彦东，2011)三方面来研究。网络分析方法主要是基于机构间的数据评估网络的外部性。使用该方法需要对银行间的业务关系进行清晰、全面的度量，对因业务关系而相互关联的银行间动态网络进行详细的刻画，它的优势在于能够提供不同压力条件下的银行间风险传染多米诺效应的测度。它的不足在于，一是需要获取机构之间的详细的风险暴露数据，但这些数据往往只被一国监管当局掌握并严格保密，二是长于分析因为单一机构或某一类机构自身的风险诱发传染，引起风险扩散导致整个系统功能丧失的这一类系统性风险；对因为资产价格波动等外部共同冲击所导致的全系统波动与系统功能的损失这一类系统性风险的解释力相对不够。
(3)市场模型法。也被称为简式法(Reduced-Form Approach)，基于市场数据建立模型测度系统性风险。主要包括：①CoVaR方法，通过测度某一机构陷入困境时整个金融系统的CoVaR与未陷入困境时的整个金融系统的VaR之差衡量该机构对金融系统的风险贡献度及其在时间维度上的变化状况(Adrian & Brunnermeier，2008、2009)；②极端值方法(Extreme Value)，在特定银行倒闭条件下，计算其他银行倒闭的条件概率，确定单一机构系统性的影响(Segoviano and Goodhart，2009)，Zhou(2010)将这一测度扩展到了多元情形，提出了SII(系统性影响指数)、VI(脆弱性指数)，并对美国的系统重要性银行进行了实证研究；③Shapely值方法，将系统重要性的度量问题转换为如何根据金融机构的系统重要性分配系统风险的问题，通过测量各个机构对于系统性风险的贡献程度，确定系统重要性金融机构(Tarahev & Borio，2010)；④基于期望损失(ES)的系统性期望损失(SES)和边际期望损失(MES)方法(Acharya et al.，2010)。市场模型法的优点在于采用公开的市场数据，数据易得；并且，市场数据能够及时反映金融部门系统性风险在时间维度上的变化状况(Huang et al.，2009)，也能反映市场对金融机构未来表现的预期，具有前瞻性(Duffie et al.，2009)。该方法的不足在于很多新兴市场国家市场数据质量不高、时间跨度短、样本少，使得该方法的实用性和有效性受到限制。
在风险管理中，VaR是被普遍接受并广泛运用的方法，但是，目前金融机构最常用的VaR方法只能衡量单独的个体机构的风险，没有考虑银行间的风险溢出效应。在此基础上发展形成的CoVaR方法克服了传统VaR方法的不足，将金融系统视为一个整体，充分研究系统重要性金融机构在金融危机过程中的风险溢出与风险传导，能够反映危机时期机构间相关性增加的事实，便于监管机构识别金融机构的系统重要性。尽管CoVaR方法需要的金融市场数据量比较大，而由于我国已上市银行的家数比较少，一些银行上市时间还不够长，数据量比较有限，一定程度上影响了该方法的使用，但是考虑到该方法在危机后系统性风险管理研究中的相对主流地位，并且随着我国股票市场的快速发展，上市银行的数量将不断增加，市场数据跨度也会越来越大，未来基于市场数据的模型法也可能会成为我国测度系统性风险主要方法。因此，本文在Adrian and Brunnermeier(2009)研究的基础上，采用CoVaR方法，利用分位数回归技术，研究我国单一商业银行陷入困境时对其他银行的风险溢出效应，以及对整个银行体系的风险贡献率①。不过，也是因为受限于样本的数量，本文暂未考虑VaR和CoVaR的时间变量，将CoVaR跟这些宏观变量联系起来将是下一步研究的方向。
三、研究设计
(一)样本选择与数据来源
本文研究商业银行间的风险溢出强度以及单个银行陷入困境时对银行系统性风险的贡献度，考虑到上市银行资产规模大以及业务复杂度高，数据容易获得以及具有很强的代表性，本文选择中国上市银行作为研究对象，采用上市公司的股权收益率来进行研究，因为股权收益率不仅包含了不利资产价格变动的风险，也涵盖了资金的流动性风险②。考虑到宁波银行、北京银行、南京银行是城市性商业银行，资产规模小，业务相对简单，营业网点覆盖仅局限于少数城市，故将它们从样本中剔除。另外，农业银行和光大银行上市时间是2010年，数据过少，难以研究，也被剔除。最终本文选取了11家银行作为研究样本，样本区间为2002年12月27日至2011年7月8日。其中深发展A、浦发银行、招商银行、民生银行数据始于2002年12月27日，华夏银行数据始于2003年9月12日，中国银行数据始于2006年7月7日，工商银行数据始于2006年10月27日，兴业银行数据始于2007年2月9日，中信银行数据始于2007年4月27日，交通银行数据始于2007年5月18日，建设银行数据始于2007年9月28日。银行指数数据始于2002年12月27日。数据来源于wind数据库。
(二)模型设计
分位数回归最初由Koenker和Bassett(1978)提出，两位学者基于中位数回归的基础上，将中位数回归推广到了一般的分位数回归。该方法相对OLS和均值回归估计，能更好度量回归变量在分布上尾和下尾的影响，更好描述金融时间序列普遍存在的尖峰厚尾等数据特征。分位数回归对于不同的分位点进行分析，能够提供一个更全面的数据分析，尤其在出现异常点的数据拟合方面，其稳健性更强。
分位数的定义：设X为实值随机变量，分布函数为F(x)，则对任意0＜q＜1，有：
(一)商业银行间风险溢出效应的测度
本研究选取中国资产规模较大的中国银行、建设银行、工商银行、交通银行、招商银行、中信银行进行研究。实证结果如表1，括号内的数值为相应参数的T统计量，结果都显著。
从国有银行与股份制商业银行的风险溢出来分析，我们发现当中国银行陷入困境时对中信银行风险溢出强度最大，其次是招商银行、交通银行；当建设银行陷入困境时对中信银行风险溢出强度最大，其次是招商银行、中国银行和交通银行；当工商银行陷入困境时对中国银行风险溢出强度最大，其次是招商银行、中信银行和交通银行。整体来说，国有银行陷入困境时，其风险对股份制商业银行风险溢出强度较大，溢出效应明显。从三大国有银行间的风险溢出来分析，工商银行对中国银行的风险溢出强度大于建设银行对中国银行的风险溢出强度，这说明工商银行较建设银行与中国银行的关联可能更紧密。从股份制商业银行间的风险溢出来分析，招商银行对中信银行的风险溢出强度最大，这说明招商银行与中信银行间业务联系可能最紧密。另外，研究表明单个银行陷入困境时对其他银行风险溢出强度存在差异，这是因为银行与银行间的关联度不一，以及每家银行抗风险能力存在差异。
(二)单个银行陷入困境时对整个银行体系的风险贡献度
剔除城市商业银行如宁波银行、北京银行、南京银行以及由于上市时间较晚、数据过少的光大银行、中国农业银行。本研究选取资产规模排前的11家上市银行作为样本，实证结果见表2。括号内的数字为对应参数的T统计值，结果都很显著。
实证结果显示，在q=0.025的情况下，当单个银行陷入困境时，中国银行对整对系统性风险贡献率%(
/
)最大③，这也间接印证了马君潞和范小云等(2007)在无金融安全网的情形下，采用矩阵法得到的研究结论：中国银行单独破产会对其他银行带来庞大的传染效应，甚至会造成整个银行体系崩溃④。在中国银行之后，按对系统性风险贡献率大小排名依次是建设银行、工商银行、兴业银行、民生银行、交通银行、中信银行、华夏银行、招商银行、浦发银行和深发展A。建设银行和工商银行对银行系统性风险贡献率较大，与当前普遍认定三大国有银行为系统性重要银行相一致。兴业银行、民生银行、交通银行和中信银行对整个银行的系统性风险贡献率水平比较相近。实证分析结果中Δ皆为负值，表明所有银行对系统性风险都有贡献。从银行的资产规模与其对整个银行体系的风险贡献率的关系来看，工商银行资产规模大于中国银行和建设银行，但对整个银行体系的系统性风险贡献率水平却低于中国银行和建设银行；兴业银行的资产规模低于交通银行，但对整个银行系统的风险贡献率却高于交通银行。由此，在确定系统性重要银行的时候，监管当局在考虑资产规模的同时，还要特别考察风险溢出强度。从单个银行的风险与对整个银行体系的风险贡献率的关系来看，我们发现每个银行的与%(/)并没有很大联系，浦发银行的VaR的绝对值大于中国银行、建设银行、工商银行，但它对整个银行风险贡献率%(，/)却很小。这说明单个银行的风险高并不一定代表对整个银行的系统性风险贡献率就大，完全基于单个银行个体风险的监管措施作用有限，监管当局有必要加强那些对系统性风险贡献率大的银行的监管。
五、结论及政策建议
本文通过运用分位数回归结合CoVaR方法，以我国上市银行为样本，测度了银行与银行间的风险溢出效应以及单个银行陷入困境时对整个银行体系的风险贡献度。本文的主要结论及相关政策建议如下：
1.银行与银行间的风险溢出效应明显，但强度不一。银行与银行间具有相互关联性，其风险可以通过多渠道传染。由于各个银行在业务关联性，流动性等方面存在差异，单个银行陷入困境时对其他银行的风险溢出强度也就不一样。在实践中，当那些对其他银行风险溢出强度大的银行陷入困境时，监管当局要当机立断，纠正该银行存在的问题，要求该银行谨慎经营，尽量降低该银行对其他银行的风险溢出，维护整个银行体系的稳定。
2.单个银行机构的风险高，但对整个银行系统的风险贡献率不一定大。建议监管当局在关注单个银行的VaR的同时，还要加强监管那些对整个银行系统风险贡献率大的银行。实践中可以对那些系统性风险贡献率大的银行机构实施更高的准备金率和动态拨备率的监管要求；要求该银行增强吸收非预期损失的能力；限制其参与高风险的业务；在考虑逆周期的基础上对其提出更高的资本充足率要求。
3.资产规模最大的银行对整个银行系统的风险贡献率不一定最大。研究发现，中国银行对整个银行的系统性风险贡献率最大。工商银行资产规模最大，但对整个银行系统的风险贡献率却低于中国银行和建设银行。因此，在认定系统性重要银行的时候，监管当局除了要考虑单个银行的资产规模，更要考虑该银行对整个银行体系的风险贡献率。
注释：
①本文研究的风险溢出效应指单个银行陷入困境，其风险对其他商业银行或整个银行系统的传染与扩散；银行体系系统性风险是指由于银行间具有明确的相互关联，单个银行陷入困境时将导致整个银行体系面临困境。
②“股权收益率”指标在中国的使用存在争议，但考虑到金融机构的股价变化能够及时反映当前资产价格变动的风险与资金的流动性风险，也反映了市场对其未来表现的预期和系统性风险在时间维度上的变化，具有较强的前瞻性与时效性。本文采用了这一指标，这也是由本文所使用的方法决定的。
③2011年11月4日，在金融稳定理事会(FSB)公布的全球29家“系统重要性金融机构”名单中，中国银行作为唯一的中资金融机构名列其中。
④马君潞等(2007)的研究发现，我国同业拆借市场的流动性结构是以中国银行为中心，中国建设银行为次中心的网状结构。本文运用模型法基于市场数据得出的研究结论与他们利用网络分析法基于银行间的业务关系的研究结论是比较一致的，这在一定程度上说明了使用市场数据的有效性。
标签：中行论文; 银行论文; 银行风险论文; 系统性风险论文; 银行监管论文; 资产规模论文; 银行系统论文; 银行资产论文; 金融论文; 监管机构论文; 中信银行论文; 金融机构论文; 交通银行论文; 溢出效应论文; 中国建设银行论文; 贡献率论文;