基于条件在险价值法的商业银行系统性风险研究，本文主要内容关键词为：商业银行论文,条件论文,风险论文,价值论文，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。
修回日期：2014-03-26 一、引言 自2007年全球金融海啸爆发以来，国际金融体系乃至实体经济相继受到严重冲击。据世界银行发布的世界发展指数(WDI)显示，2008年度，美国GDP增长率为-0.02％，日本为-1.17％，英国为-1.1％，中国为9.6％；2009年度，美国为-3.5％，日本为-6.29％，英国为-4.37％，中国为9.2％。出现这一严重负增长的根本在于金融全球化和复杂化的背景下，金融机构的系统性风险具有极其严重的破坏作用。因此，高度关注金融机构系统性风险，势必把过去对单个金融机构实施微观审慎监管为主的监管模式转变为宏观审慎监管模型，在关注金融机构自身风险的同时，更要重视金融机构对金融体系可能产生的(负)风险溢出(IMF，BIS，FSB，2009)[1]。而这项工作的有效开展必须建立在金融机构系统性风险的准确计量和识别上。所以，如何计量和识别它，便成为了金融稳定领域极其重要和迫切的研究问题。 传统的风险计量方法如VaR主要用于测量单个金融机构的自身风险，并不能测量金融机构的系统性风险。金融危机之后，该法备受质疑。各界纷纷探究新的系统性风险检测法，以弥补现有计量方法的缺陷和不足。2008年，Adrian和Brunnermeier[2]提出了条件在险价值法(Conditional Value at Risk，CoVaR)，为系统性风险的计量提供了新思路，并于2011年通过时间状态变量的引入对该法进行了改进。本文将借鉴改进后的条件在险价值法，对我国上市银行系统性风险进行研究，以期为银行业风险监管工作提供有益启发。本文其余部分安排如下：第二部分为文献综述；第三部分为研究设计；第四部分为变量选取和数据来源；第五部分为实证分析，就国内14家上市银行的系统性风险进行检测，分析其变动轨迹，并进一步推测银行向前的系统性风险，从逆周期缓冲的角度为监管部门实施宏观审慎监管提供帮助；最后为研究结论。 二、文献综述 (一)系统性风险的内涵 尽管对系统性风险的研究由来已久，但遗憾的是，就其定义尚未有统一的认识。在2008年全球金融危机爆发前，系统性风险更多地被理解为金融机构对其他金融机构或金融体系产生系统性冲击的可能。而危机爆发后，除强调金融体系受到冲击外，系统性风险对实体经济的危害得到了重视。IMF，BIS和FSB(2009)[1]认为，系统性风险是指“由于金融系统的部分或整体减值而致使其无法持续地为实体经济提供金融服务的金融行业崩盘的风险”，其内涵强调了两个方面：(1)导致金融系统大部分或全部遭受损失；(2)对实体经济造成巨大的负面经济后果。这是对系统性风险较具权威的定义。 (二)系统性风险的检测方法 早期系统性风险检测法大多为经验指标分析法，如KLR信号分析模型(Kaminsky，Lizondo and Reinhart，1998)[3]、STV横截面回归模型(Sachs，Tornell and Velasco，1996)[4]、FR概率模型(Frankel and Rose，1996)[5]。这些方法在区分系统性风险由宏观冲击产生还是由传染效应形成上存在不足，且这类方法还不能有效捕捉金融部门间的内在结构及其相互作用，而这正是系统性风险研究的核心。随后，产生了一些具有一定改进意义的新的系统性风险检测法，较为典型的有矩阵法、网络分析法、ARCH(Autoregressive Conditional Heteroskedasticity Model)法。矩阵法是通过检测一家银行倒闭(或破产)所引发其他银行倒闭(或破产)的数量来判断系统性风险的传染程度(Lehar，2005)[6]。马君潞等(2007)[7]运用矩阵法从风险传染渠道的角度模拟研究了单个银行对整个银行体系的风险传染程度。网络分析法则是对银行之间的交易数据进行网络分析，将银行划分在不同网络结构中，通过模拟来计算每家银行网络存在的系统性风险(Muller，2006)[8]。ARCH法认为银行的股票价格是市场对其未来累计收益预期的一种反映，强调了和其他金融机构相互关联关系对自身的影响(Schroder and Schuler，2003)[9]。然而，这些方法都有一个共同的假设前提，那就是都认为金融机构间的风险相互独立，传染途径单一。但事实上，金融机构的风险往往具有同质性。2008年金融海啸中常见的金融机构大多采用相同的风险管理模式、投资组合以及会计实务，若继续沿用上述方法来测度金融机构间的系统性风险显然是有欠缺的。 Huang et al.(2009)[10]指出，金融机构的系统性风险可以通过采取其压力情形下保险费用价格的方式来度量，基于单家银行机构违约概率及其预期资产报酬率相关性展开。该方法主要涉及两个问题：一是要设计出一个可以较好测度包含了不同性质银行的金融体系组合风险程度的指标，即系统性风险指数，二是要对系统性风险的来源进行测度，如计算单家银行(集团)的系统性风险贡献度。Huang et al.(2009)[10]首先通过灾难保险费指标的构建对美国多家异质银行组成的银行体系的系统性风险进行了测度，再通过边际贡献率指标的构建对银行系统性风险的来源进行了检测。检测结果与实际相符，证明了该模型的有效性。但这是基于发达金融市场而做的分析，对于金融市场欠发达、仍有多数银行机构未上市的发展中国家而言，其测度的有效性将有所降低。 Tarashev et al.(2010)[11]在Huang等人的方法上提出了另一种检测法。该方法基于夏普值博弈理论去展开对每家银行产生的风险及其对系统中其他银行风险贡献的检测。而在考虑到银行网络系统重要性后，Drehmann和Tarashev(2011)[12]又进一步在夏普值原理基础上分别从参与法(Participation Approach，PA)和总贡献法(Generalised Contribution Approach，GCA)角度对银行系统性风险展开研究。理论研究认为，银行的系统重要性不仅能反映银行在系统性事件中的参与度，还能反映其对系统性风险的贡献度。然而，对20家大型活跃国际银行进行系统性风险实证检测却因模拟模型无法全面捕捉样本银行的复杂性效果欠佳。 Adrian和Brunnermeier(2008)[2]创造性地将条件在险价值法引入到金融机构系统性风险研究中，通过检测某家金融机构对其他金融机构或整个金融体系的风险溢出来判断其系统性风险的边际贡献度。该方法引起了业界的广泛关注。随后，因考虑到尾部风险具有随时间推移而演变的特性，Adrian和Brunnermeier(2011)[13]对原有模型又进行了改进，通过引入状态变量构建了新的CoVaRt模型，即考虑时间因素的条件在险价值法——CoVaRt检测法。条件在险价值法既能反映除目标金融机构外的其他机构处于较高风险下该金融机构面临的风险，又能捕捉单个金融机构系统性风险的边际贡献度，这有利于监管机构进一步开展系统重要性金融机构逆周期政策调控工作。 除此之外，还有学者从金融压力指数构建的角度来研究系统性风险的(Hakkio和Keeton，2009；Balakrishnan et al.，2009)[14-15]。该方法侧重于对金融体系的研究，是一种综合性系统性风险检测法。Hakkio和Keeton(2009)[14]构造堪萨斯州金融压力指数(KCFSI)检测了美国金融压力；Balakrishnan et al.(2009)[15]则构建发达经济体金融压力指数(AE-FSI)和新兴市场金融压力指数(EM-FSI)研究了金融压力在不同发展程度区域间的传导机制。 比较以上方法，我们发现，除条件在险价值法外，其余所有方法更多着眼于金融体系系统性风险研究上，并不适用于单家金融机构系统性风险的检测。相反，条件在险价值法强调了金融机构对金融体系的风险溢出，检测的是单家金融机构系统性风险。因而，从识别单个金融机构系统性风险，进而可以对具有高系统性风险金融机构实行有效风险审慎监管的角度上说，条件在险价值法更具针对性。 (三)对条件在险价值法的运用 CoVaR检测法提出后受到业界广泛关注与肯定。国内外学者纷纷沿用此法展开相关研究。Adams(2010)[16]等人通过分位数回归下CoVaR模型对金融机构间的风险溢出进行了检测，Wong和Fong(2010)[17]采用亚太地区银行的信贷违约互换价差(CDs)数据对银行CoVaR进行了估算，而Gauthier，Lehar和Souissi(2009)[18]则运用CoVaR模型对加拿大银行体系系统性风险暴露进行了研究。CoVaR检测法也逐步被运用到国内系统性风险的计量中。叶五一(2008，2010)[19-20]采用分位数回归门限模型对浦发银行的CoVaR进行了分析，并进一步通过虚拟变量的设定，计算了深沪两市的CoVaR值。其研究是CoVaR检测法在国内金融市场中的成功运用，但其更多地是侧重在资本市场的CoVaR研究上。谢福座(2010)[21]则运用CoVaR检测法对我国债券市场和股票市场的风险溢出效应进行了考察。毛菁和罗猛(2011)[22]则研究了银行业和证券业间的风险外溢效应。二者的研究主要是基于金融(子)市场或金融行业风险外溢而展开的，就单个金融机构对金融体系的风险溢出以及金融机构系统性风险贡献度等问题较少探索。张强和冯超(2010)[23]从资本资产定价模型(CAPM)角度出发，通过计算银行β值对危机后的国内上市银行系统性风险进行考察，一定程度上研究了单个金融机构的系统性风险问题，但其侧重于银行间静态风险分布研究，对其他银行机构可能带来的风险溢出未加考虑。李志辉和樊莉(2011)[24]运用CoVaR方法对我国商业银行的风险溢价进行了检测。高国华和潘英丽(2011)[25]则结合GARCH模型，在CoVaR检测原理下对我国商业银行系统性风险进行了补充研究，并分析了系统性风险贡献度的影响因素。周天芸等(2012)[26]则进一步运用CoVaR模型对中资银行、港资银行以及外资银行三个组别金融机构的系统性风险进行了研究，测量了CoVaR，并判断了香港银行的系统性风险。 但分析上述研究可以发现，它们沿用的仍是Adrian和Brunnermeier(2008)[2]早期提出的CoVaR原理，这是在未考虑尾部风险随时间演变情况下的一种检测方法。而通过合理引入状态变量模拟尾部风险时间演变特质，弥补原有CoVaR检测法存在的不足，Adrian和Brunnermeier(2011)[13]补充提出了
检测法，将时间因素考虑到系统性风险检测模型中，提升了检测结果的精确性。而鉴于上述研究尚未有将
检测法运用到商业银行系统性风险计量研究中，本文将在进一步设定模拟尾部风险随时间演变的状态变量的前提下，结合更为准确的
计量原理，展开商业银行系统性风险研究，以弥补该方法研究上的匮乏，丰富系统性风险的相关研究内容。此外，本文还结合滞后模型的ΔCoVaR检测法，从宏观审慎的角度对银行机构系统性风险展开研究，为监管部门有效把握银行机构系统性风险变动趋势提供参考。 三、研究设计 (一)CoVaR的定义 条件在险价值法，即CoVaR检测法是Adrian和Brunnermeier[2]于2008年提出的，它指某家金融机构出现极端事件时，其他金融机构或整个金融体系将面临的最大可能风险或损失，即条件在险价值。而对出现极端事件情况下的CoVaR和常态下的CoVaR相减，则提供了风险溢出的测量指标——ΔCoVaR，即发生危机的金融机构对其他金融机构或金融体系产生的风险溢出，它反映了处于危机状态的金融机构对其他金融机构或金融体系的边际系统性风险(贡献)。显然，ΔCoVaR的绝对值越大，其边际贡献越大，其系统性风险就越大。
关于CoVaR的特性①问题，可详见Adrian和Brunnermeier(2011)[13]。 (二)CoVaRt模型
模型是Adrian和Brunnermeier(2011)[13]在原有CoVaR模型的基础上，通过引入滞后变量而提出的新的改进模型。本文将这一滞后变量称作为状态变量，它是由一系列相关指标构建而成，旨在抓住
分布的尾部风险随时间变化的特性，调整CoVaR测度结果，更精准、真实地反映出金融机构的(负)风险溢出。
(三)向前的ΔCoVaR 所谓向前的ΔCoVaR检测法，是通过对金融机构未来一定时期的ΔCoVaR进行检测，把握其向前的系统性风险变动趋势(Adrian和Brunnermeierr，2011)[13]，这在一定程度上为监管部门对系统性风险金融机构的宏观审慎管理提供了依据。该方法可以将宏观审慎监管政策与常用的且比较稳定的金融机构特征变量结合在一起。与任何尾部风险的测量指标类似，ΔCoVaR主要依赖于较少的尾部极值数据。然而，伴随着一段稳定时期之后的逆向运动(即危机阶段)，可能导致尾部风险值的大幅增加。相反，金融机构的规模等特征在危机前后的变化不太大，用它们预测的风险值较为可靠。尽管有关“大而不倒”的争论表明规模是最重要的特征变量之一，但中小金融机构其他特征变量对系统风险的影响也相当重要，我们构造了多变量的向前的ΔCoVaR检测法，通过滞后模型的分析，可以对金融机构实施一定的宏观审慎监管，具体模型如下：
其中，
为构建的金融机构指标体系，T表示季度，n为滞后期数。 四、变量选取和数据来源
显然，通过上市金融机构的股价净值比率(Market-to-Book Equity Ratio)，便可以将金融机构账面总资产转化为市场化总资产，进而得到市场化总资产的增长率。 本文研究样本是2008年4月至2012年9月期间国内的14家上市商业银行②。在市场价值方面，仅选取样本银行A股市值为总市值参与市场化总资产增长率的计算，主要基于两个方面的考虑：一是在14家样本银行中，7家样本银行③有除A股外的其他股票交易，其余7家样本银行仅有A股交易；二是选取的状态变量仅能反映国内股市交易，而对在香港以及境外的上市交易影响作用甚微。有关银行体系变量
的构造，详见表1。
(二)状态变量
关于状态变量
构成要素的选取，为了剔除指标过多可能导致的过度拟合或多重共线性等问题，选取的指标有：股市收益率(MR)、股市收益波动率(VIX)以及债券到期收益率价差等，指标选取依据参见Adrian和Brunnermeier(2011)[13]。其中，债券到期收益率价差包含了流动性价差(LS)、信用价差(CS)和到期收益率变动(RC)等三项指标。因此，本文的状态变量总共由五项指标构成，详见表1。通过这些指标的设定，尽量剔除时间因素对尾部风险数据的作用，一定程度上对变量
进行修正，提高研究结论的可靠性和准确性。 (三)银行特征指标
如前所述，除检测银行机构系统性风险外，本文还将结合不同滞后水平的银行自身指标进行向前的系统性风险研究分析。这些不同滞后水平的银行指标构成了特征指标体系
，这是一组反映银行规模、银行收益情况以及银行内在脆弱性的指标，包括规模
、股票收益波动率
、股价净值比率以及杠杆率
和期限错配
(Adrian和Brunnermeier，2011；高国华和潘英丽③，2011)[13][25]，详见表1。根据计算得出的银行系统性风险数据，做其与滞后一期、半年、一年的银行指标的面板回归，获得银行机构向前的系统性风险与指标间的作用关系，对银行系统性风险变动趋势进行一定的预测。 (四)数据来源 本文数据来源于全球银行和金融机构分析库(Bankscope)以及国泰安数据库。其中，14家上市银行的季度财务数据，包括银行总资产、总负债、总权益、表外资产、一级资本以及银行存款负债和库存现金等来源于Bankscope；14家上市银行的A股交易数据，包括周收益率和周市值，以及一年期、三年期和十年期国债到期收益率、三年期企业债到期收益率、十年期AA级及以下企业债到期收益率、上证综合A股指数日收益率和周收益率等则来自于国泰安数据库。研究时间范围为2008年4月至2012年9月⑦。 五、实证分析 (一)描述性统计 表2描述了14家上市银行2008年4月至2012年9月财务数据的基本情况。工商银行、建设银行、中国银行以及交通银行的规模最大，南京银行和宁波银行的规模最小。就一级资本项目而言，工商银行的规模比小银行(如宁波银行)大50倍有余。那么，是否有大银行的系统性风险大于较小银行呢?
同时，状态变量如波动率指数、流动性价差、短期国债利率差、信用价差和股市收益率的偏度大于零，且它们的峰度都明显高于正态分布的峰度，服从尖峰厚尾分布(见表3)，满足本文的检测前提。其中，流动性价差(LS)波幅较大主要源于样本时间范围内三年期国债到期收益率局部波动剧烈。
(二)银行系统性风险的检测 通过对变量
以及状态变量
做分位数回归，我们得到了14家上市银行在1％、5％和10％分位数下各自的
数据，这实际上也是各状态变量处于1％、5％和10％极端值压力情形下的
值。进一步整理，得到了在不同分位数下的银行系统性风险排名，见表4以及附录中表A.1和A.2。对比三张表发现，系统性风险最大的是工商银行，而系统性风险排名靠后的是宁波银行、南京银行以及北京银行等城市商业银行。而且，我们还可以观察出，不同分位数下得到的银行系统性风险排名尽管略有变化，但总体分布大致相同，这加强了计量结果的可信性。而为了避免重复性的描述，下面仅就表4展开阐述。
观察表4，所有银行市场化总资产增长率的均值都较小，其中工、中、建、交以及招商、浦发和华夏等银行的增长率还为负值。产生这种情况的原因在于自2007年以来，A股股票市场的总体走势呈下滑趋势，银行股票交易价格波动下降。而对比14家样本银行的
数值及排名可知，在研究期内，平均风险最大的银行分别是浦发银行和华夏银行，而平均风险最小的为工商银行、建设银行以及中国银行。正如前所述，VaR检测法仅能对银行自身风险程度进行检测，反映的是银行在极端情况下面临的最大损失，并不能较好地检测银行的系统性风险大小，反映出其在极端情况下对其他银行机构或银行体系造成的额外损失。用
检测结果判断银行机构自身风险大小是合理可取的，但若用其对银行系统性风险大小进行说明，则不符合实际情况，如建设银行和中国银行的
值都排在末位。因此，我们采用了针对金融机构系统性风险的
对14家样本银行的系统性风险大小进行判断。工商银行的平均系统性风险最大，为-0.0568，而系统性风险最小的银行为平安银行，仅为-0.013。从系统重要性银行判断指标的角度分析，工商银行具有庞大的资产规模、复杂的业务种类、广而深的银行关联程度等，其一旦出现危机(风险)，势必对整个银行体系产生极为严重的影响，其具有的系统性风险极大，与
检测结论相符，符合实际情况。 我们也注意到，对于较大规模的建设银行和交通银行排名并不仅次于工商银行，依次排在第4和第7位。究其原因，可能是在选取计算市场化总资产增长率中银行总市值时，仅选取了它们的A股总市值，而非全部股票的总市值，这势必减小了这两家银行的市场化总资产规模，而放大了其他银行的市场化总资产规模，将对回归结果产生影响，削弱了这两家银行的系统性风险。据统计，交通银行A股市值仅为所有发行在外股票总市值的一半左右，而建设银行A股市值不到所有股票总市值的10％。同时，我们也知道，中国银行在国内尽管不是最大的银行，但它却是中国唯一列入全球系统重要性的银行(FSB，2011)[27]，其系统重要性地位与本节系统性风险排名(第5)存在一定出入。这可能源于中国银行的外币资产和国际业务较其他样本银行多且广，国际投资活动更为密切，见表5。表5给出了中国银行与工商银行和建设银行的海外资产及其海外利润数据，对三者的国际结算量进行了对比。发现，中国银行的三项指标，无论是绝对总额，还是相对比重，都明显大于工商银行和建设银行，其国际结算量较二者之和还要多出0.52万亿美元，这无疑是对中国银行极其发达的海外业务的有力证明。同时，自中国银行2010年实现国际结算量1.97万亿美元，刷新全球结算量记录以来，其国际结算量始终位居全球第一，这也无疑是其挤入全球系统重要性银行排名的重要加分之处。尽管如此，FSB指出，全球系统重要性银行名单不是固定不变的，每年11月将会更新全球系统重要性银行名单，这是一个动态调整过程，随着中国大型银行(如工商银行和建设银行等)国际业务量的增加，不排除它们将被纳入全球系统重要性银行(Global Systemic Important Banks，G-SIBs)之列[27]。
同时，对比样本银行
和
的排名情况还可知，它们之间并不具有一致性，某种程度上差异还很大，如工商银行的ΔCoVaR最大，但其VaR却很小，而平安银行的ΔCoVaR最小，但其VaR却较大。银行自身风险与银行系统性风险之间并不存在高度一致的对应关系(Adrian和Brunnermeier，2011)[13]。 表6就5％分位数下的14家上市银行每年的系统性风险变动情况进行了描述，1％和10％分位数下样本银行每年的系统性风险变动情况见附录A中表A.3和A.4。观察表6，有银行机构的系统性风险总体呈下降趋势，其中，从2008年到2012年，银行系统性风险降幅高达40％的银行有7家，其中交通银行降幅最大，为51.89％。这一现象产生可归因为2008年全球性金融危机对国内银行产生强烈冲击，致使银行系统性风险急剧增加，而又伴随危机破坏程度的减弱以及银行自身的积极调整，系统性风险得到了缓释，逐步减小。但同时，2010年度和2011年度银行系统性风险较2009年度有轻微抬头，如工商银行系统性风险年均增长0.0035。本文认为，在此期间发生的欧债危机对国内金融体系产生了影响，但其作用程度远不如2008年金融危机大，系统性风险增幅相对较小。同时，我们对14家样本银行的
进行加权平均，以银行滞后1期的市场化总资产占比为权重分别计算得出了1％、5％以及10％分位数下反映总体样本银行平均系统性风险的数据
。采用5％分位数的数据
作图1，而1％和10％分位数下样本银行的平均系统性风险走势与图1基本保持一致，见附录中图A.1和图A.2。观察图1，样本银行系统性风险在研究时间范围内总体上呈波动下降趋势，在2011年1、2季度有所反弹，但在3季度又回归了总体趋势，清楚直观地描绘了银行系统性风险的变动轨迹，吻合现实金融经济走势。
图1 中国上市银行平均系统性风险(
)变动趋势(5％分位数) 对5％分位数下的
作其与状态变量的最小二乘回归。回归结果显示，T统计量绝对值全部大于3，校正拟合度高达94％，而且有波动率越大，流动性价差和信用价差越大，以及股市收益率越低，系统性风险则越大(表7)。综合表明，由此五项指标构建的状态变量在分位数回归过程中的确能抓住
分布中尾部风险与时间的变化关系。
(三)向前的系统性风险推测 下面，就商业银行向前的系统性风险进行分析与预测。这项工作主要针对5％分位数下的银行风险数据展开。首先，表8给出了银行向前的系统性风险研究中回归变量的描述性统计。其中，银行在险价值，以及杠杆率、股价净值比、规模、股票收益波动率和期限错配等6项银行指标是回归分析中的解释变量，而
是被解释变量，其由银行机构一个季度内
的加总表示，同理有加总的
。其次，对表8中的变量进行面板回归可得表9，滞后1个季度、半年和1年的银行自身指标与系统性风险的回归结果。 从表9可以看到，由于被解释变量
始终为负值，在滞后1个季度和半年的情况下，银行杠杆率水平与其系统性风险之间存在着显著的负相关性，即银行杠杆率越大，系统性风险越小。这里的杠杆率是银行核心资本与未加权表内外总资产的比值，是巴塞尔委员会针对商业银行提出的新的杠杆率，与传统财务杠杆率的计算方式存在差异。这一杠杆率越大，说明该银行的核心资本更加充裕，抵御风险的能力更强，对金融体系的风险溢出效应更小。而除其外剩余的五项指标回归系数皆在对应显著水平上为负，与银行系统性风险呈正相关性，每增加一个单位，向前的系统性风险数值就相应地减少，系统性风险增加。比如，滞后一个季度时，银行规模的对数提升/降低1单位时，其向前的系统性风险就会增加/减少0.25个单位。银行自身在险价值(绝对值)越大，杠杆率越低，股价净值比率、股票收益波动率越高，规模和期限错配越大，其向前的系统性风险就会越大，这些都与现实情况相吻合。此外，从回归系数可以看出，银行杠杆率、银行自身的在险价值以及银行规模对银行向前的系统性风险作用程度最为明显，其1单位的增减可引发银行向前的系统性风险较为明显的变动。
同时，表9除可以分析银行向前的系统性风险作用因素外，还在一定程度上为银行系统性风险的变动走势提供了预测信息，为实施宏观审慎监管提供依据。例如，在除杠杆率和规模外，A、B两家银行其他条件相同，且两家银行具有相同的系统性风险
时，如果A银行规模是B银行的10倍，根据规模的系数，滞后一个季度时，A银行的系统性风险将增加0.2547，要保证A银行的系统性风险与B银行一致，必须增加A银行的杠杆率0.0793(=0.2547/3.21)，这样，在满足巴塞尔协议III规定的最低杠杆率标准下，对A银行实施宏观审慎监管的结果是，该银行的杠杆率至少应增加7.93％。例如2010年底，中国银行资产规模约为华夏银行的10倍，中国银行的核心资本约为6263亿元，增加7.93％相当于要筹集497亿元的核心资本。如前所述，由于这些银行特征指标在金融危机发生前后变化不大，可以预测银行的系统风险程度，因此，这类定量指标的测算为银行监管部门的宏观审慎监管奠定了基础。 六、结论 本文以中国14家上市商业银行为样本对银行系统性风险问题进行了研究。通过构建银行市场化总资产增长率指标，结合包括5项滞后修正指标的状态变量进行分位数回归，从实证的角度分析了各上市商业银行系统性风险的大小，研究了在样本时间范围内银行系统性风险的变动情况。分析表明，工商银行的系统性风险在样本期间最大，平安银行系统性风险最小。银行机构系统性风险总体呈下降趋势，2008年其降幅最大，到2009年以后逐步趋稳，中间略有小幅波动，这与国际社会经济金融形势演变密切相关，符合现实情况。 通过构建银行自身的指标体系，本文还从VaR水平、杠杆率、股价净值比、规模以及股票收益波动率和期限错配等6个角度，结合
进行了面板回归，研究了银行向前的系统性风险作用因素，对滞后1个季度、半年和1年的银行指标与其系统性风险间的关系进行了分析，发现除银行杠杆率外的其余5项指标与银行向前的系统性风险在显著水平上均呈正相关，杠杆率与其呈显著负相关，即有VaR水平、股价净值比、规模、股票收益波动率和期限错配越大，银行杠杆率越小，其向前的系统性风险就会越大，是符合现实逻辑的。同时，综合各指标的作用程度还可以一定程度上对向前的系统性风险变动幅度进行预测，可以从逆周期缓冲的角度为监管部门实施宏观审慎监管提供帮助。 注释： ①CoVaR具有八个特性，包括可复制性、因果性、尾部性、条件性、系统性风险内生性、非对称性、暴露性以及衍生性。 ②指除光大银行和农业银行以外的14家国内上市银行，具体包括工商银行、建设银行、中国银行、交通银行、招商银行、浦发银行、中信银行、华夏银行、民生银行、兴业银行、平安银行、北京银行、宁波银行、南京银行。这14家上市银行的总资产规模在研究期间占整个银行业总资产一半以上，约为54％。因而，由其构成模拟的银行体系具有代表性。 ③这7家银行包括工商银行、建设银行、中国银行、交通银行、中信银行、招商银行和民生银行。 ④样本时间内一年期企业债交易数据不能有效获取，本文选取了时间较长的三年期债券交易数据计算流动性价差。 ⑤该杠杆率计算公式较传统杠杆率计算公式不同，采用了巴塞尔协议III公布的银行杠杆率计算方法，以核心资本与未加权表内外总资产的比表示。其中，本章选取银行一级资本作为核心资本，银行表内总资产和表外总资产和作为未加权表内外总资产，表外总资产用表外项目近似代替进行计算。 ⑥高国华和潘英丽(2011)运用了银行自身在险价值、总资产收益率、不良贷款率、规模、杠杆率以及宏观变量GDP增长率等指标探讨了银行系统性风险贡献度的影响因素。结合
，分别就滞后一个季度、半年和一年上述各项指标，进行了动态面板回归分析。 ⑦截止到2012年9月30日，中国共有16家上市商业银行。其中，光大银行和农业银行于2010年上市，上市时间较短，交易数据较少，因此，本章仅选取了2007年10月前上市的14家商业银行为研究样本。同时，由于十年期信用等级为AA及以下的企业债券可获取交易数据为2008年4月后，因此，我们将样本时间范围划定为2008年4月至2012年9月。
标签：银行论文; 分位数论文; 系统性风险论文; 在险价值论文; 银行系统论文; 银行风险论文; 风险价值论文; 状态变量论文; 金融论文; 风险模型论文; 金融机构论文; 金融体系论文; 风险管理论文; 商业银行论文;
