中国金融体系的系统性风险度量，本文主要内容关键词为：度量论文,中国论文,金融体系论文,风险论文，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。
在金融自由化和全球化的背景下，在金融危机期间，权益损失会在金融机构之间迅速扩散，进而威胁整个金融体系的稳定。①实际上，金融机构权益之间的这种联动关系在正常时期也存在，只是这种联动关系在危机期间进一步增强，由此导致金融风险增加。这种风险不再是传统意义上的个体风险，而是一种全局性的系统性风险。然而，此前的金融监管条例(或章程)——例如，巴塞尔协议Ⅰ和巴塞尔协议Ⅱ——就是从限制单个金融机构的风险这一角度设计的，这种监管方案没有充分关注金融体系的系统性风险。即使是金融危机后出台的巴塞尔协议Ⅲ依然将重点放在了个体风险而不是系统性风险的监管之上。其结果是，金融机构的个体风险在正常时期就受到严格的监管和恰当的处理，而系统性风险仍然存在并不断累积，甚至在一些极端情况下会诱发巨大的实体经济冲击。2007-2009年的国际金融危机充分证实了这一点，暴露出当前金融监管体系对于系统性风险的监管缺失。因此，此次金融危机以来，金融体系的系统性风险测度和监管成为国际学术界和监管部门关注的焦点。 我国的金融部门在此次金融危机中同样受到严重冲击，而且随着我国金融自由化进程的加快和金融全球化的进一步发展，我国金融体系与全球金融体系的联系更加密切，联动关系进一步加强，由此导致我国金融体系遭受系统性风险冲击的可能性大大增加。因此，准确测度我国金融体系的系统性风险对我国的金融监管具有重要的现实意义。 本文的结构安排：第一部分介绍系统性风险的定义，第二部分是CoVaR方法简介，第三部分是我国金融体系系统性风险度量，第四部分是我国金融机构的系统性风险贡献的预测，第五部分是本文的结论。 一、系统性风险的定义 在测度金融体系系统性风险之前需要准确界定系统性风险的概念。系统性风险(Systemic Risk)②目前并没有一个被普遍接受的明确统一的定义。这一方面说明系统性风险是个极为复杂的问题，另一方面也反映出学术界对系统性风险研究的不足。 目前，对系统性风险的定义主要从三个角度展开。第一个是从风险传染的角度，Hart & Zingales(2009)认为，系统性风险是指金融体系内机构倒闭或市场崩溃这样的尾端事件从一个机构传染到多个机构、从一个市场蔓延到多个市场，导致损失在金融体系内不断扩散，并对实体经济造成冲击的风险。第二个是根据危害范围的大小，Bernanke(2009)将系统性风险定义为威胁整个金融体系以及宏观经济的事件，欧洲央行(ECB，2009)认为，系统性风险是金融体系极度脆弱，金融不稳定大范围发生，导致金融体系运行困难，从而经济增长遭受巨大损失的风险。第三个是从影响实体经济的角度，二十国集团(G20)财长和央行行长报告(2010)将系统性风险定义为“可能对实体经济造成严重负面影响的金融服务流程受损或破坏的风险”；国际货币基金组织(IMF)等(2011)认为，系统性风险是“金融体系部分或全部遭受损失时所导致的大范围金融服务中断并给实体经济造成严重影响的风险”。 虽然系统性风险没有一个统一的定义，但是各个不同角度的定义均具有以下共同点：首先，系统性风险不再只是关注单个金融机构的风险，而是关注金融体系的全部或重要的组成部分的风险；其次，系统性风险具有外部性，单个金融机构或市场在遭受巨大损失时，会引起其他金融机构或市场的连锁反应，即风险由金融体系内所有参与者共同承担，亦即系统性风险具有负的外部性；最后，系统性风险具有溢出和传染效应，即系统性风险会使金融体系的风险传染到实体经济，对实体经济造成巨大的破坏。 为对系统性风险进行有效的监管，二十国集团(G20)峰会于2009年4月决议设立一个全新的全球金融监管机构——金融稳定委员会(Financial Stability Board，FSB)。FSB将金融体系系统性风险定义为“由经济周期、国家宏观经济政策的变动、外部金融冲击等风险因素引起的一国金融体系发生激烈动荡的可能性，这种风险对国际金融体系和全球实体经济都会产生巨大的负外部性效应”。FSB认为，系统性风险无法通过风险管理手段削弱或消除，只能通过积极有效的监管，防止其积累甚至爆发。 如何积极有效地监管金融体系系统性风险?需解决的首要问题是如何及时准确地测度系统性风险。系统性风险度量的方法很多，在2007-2009年世界金融危机爆发以前，主要有两种测度系统性风险的方法：综合指数法(Illing & Liu，2003；Hakkio & Keeton，2009)和早期预警法(Frankel & Rose，1996；Kaminsky，Lizondo & Reinhart，1998)。这两种方法都是基于资产负债表的数据对系统性风险进行测度，因此时效性不强，系统性风险的测度存在滞后性，而且这两种方法都没有考虑到系统性风险的外部性以及传染性和溢出性。此次世界金融危机爆发后，随着宏观审慎监管理念的提出，这两种测度方法逐渐被淘汰，学术界提出了几种时效性更强的度量方法。这类方法不再只基于资产负债表数据，而是普遍采用金融市场上的各种高频数据，还充分考虑了金融体系内部的联动性和传染性。这类方法有边际预期损失法(Marginal Expected Shortfall，MES；Acharya et al.，2010)、危机联合概率法(Joint Probability of Distress，JPoD；Segoviano & Goodhart，2009)、CoVaR法(Adrian & Brunnermeier，2008)等。在这些方法中，CoVaR法与传统的VaR相结合，更能准确地测度单个金融机构的风险对系统性风险的影响，而且也能够准确度量金融网络中的风险溢出效应。此外，由于CoVaR方法源于在险价值(VaR)，因此相比其他方法，计算起来更加容易。正由于这些优点，CoVaR方法得到了广泛的运用。本文将采用这种方法测度中国金融体系的系统性风险。 二、CoVaR方法简介 本节首先简要介绍CoVaR方法，然后给出不变CoVaR和时变CoVaR的估计方法。 (一)CoVaR简介 CoVaR是由Adrian & Brunnermeier(2008)提出的一种测度金融体系系统性风险的方法，这种方法能很好地测度系统性风险的外部性和溢出效应。与评估单个机构风险的VaR方法不同，CoVaR表示在一定的概率水平下，当某一金融机构的风险VaR值一定时，其他金融机构的最大可能损失。 在机构i陷入危机，其损失为
时，机构j的在险价值(VaR)，其数字表达式如(1)所示：
其中，
表示机构i的收益率。通过CoVaR，可以测度单个机构破产对系统性风险的影响，从而可以量化单个机构对金融体系的重要性。假定j是整个金融系统，机构i对金融系统j的系统性风险贡献即：
(4)式所计算的单个金融机构对系统性风险的贡献是不随时间变化的，它只是一种整体描述。为考察不同金融机构系统性风险贡献的动态变化，Adrian & Brunnermeier(2008)采用一个包含状态变量M的方程来计算单个金融机构系统性风险贡献的时间序列。如(5)式、(6)式所示：
传统的VaR方法无法有效测度分位点下方的风险状况，对尾部损失的测度不充分。这会低估极端价格波动(如金融危机和股市崩盘等)引起的巨额损失。而CoVaR反映的是尾部损失超过VaR的平均值，它满足一致性风险度量的所有性质和凸性，③能实现风险的充分测度，因此能更准确地测度系统性风险。 (二)CoVaR的计算与估计方法 由于现实中的金融数据往往不呈正态分布，而是呈“尖峰厚尾”分布，因此传统的线性回归方法在估计金融计量模型时失效。而且，传统的线性回归方法是基于均值进行估计，不能准确反映总体分布各个不同部分之间的关系。分位数回归的提出有效地弥补了传统线性回归的这一缺陷。分位数回归根据变量的不同分位数进行回归，可以得到全部分位数的回归模型。它将基于均值相关性的模型扩展至关注尾部相关性。而金融风险一般恰恰是由尾部事件(tail event)引起的，因此，分位数回归的方法广泛应用于金融风险的测度。根据CoVaR的定义，不难发现CoVaR本质上是VaR，而VaR本质上是一个分位数，因此CoVaR实际上也是一个分位数。基于此，本文将运用分位数回归(Quantile Regression)来计算各个不同金融机构的CoVaR：首先运用周收益率数据计算在样本期内单个金融机构i对系统性风险的贡献
；然后以一系列的市场因子为状态变量估计不同金融机构的时间序列的动态变化。 三、我国金融体系系统性风险度量 为度量我国金融体系系统性风险，拟采用公开上市的银行业、保险业、券商、信托业四类金融机构的收益率数据，测度单个金融机构对金融体系系统性风险的贡献；然后通过包含市场因子的状态方程，测度单个金融机构对金融体系系统性风险贡献的时序数据，揭示我国金融体系系统性风险的变化情况。 (一)数据及其处理 选取2008年1月4日至2013年3月19日④的银行业、保险业、金融信托业和证券期货业全部27家上市公司的周收盘价数据来测算我国金融体系系统性风险。采用公式
计算周收益率，其中
表示该上市机构股票周收盘价。金融系统的收益率由所有金融类上市公司的周收益率加权得到，计算公式为
，权重w为各机构的股本数。 计算金融机构对系统性风险贡献的时间序列所采用的状态变量及其计算方法如表1所示。
状态变量采用月度数据，样本区间为2008年1月至2013年3月。国房景气指数来源于凤凰财经，其他数据均来自于Wind数据库。 在测算CoVaR与CoVaR的时间序列前，需要对数据进行正态性检验与平稳性检验。通过检验发现，除中国太保外，所有收益率序列的Jarque-Bera统计量对应的p值均小于0.05，拒绝原假设，即收益率序列均不呈正态分布；从收益率序列的峰度来看，所有收益率序列的峰度均大于正态分布时的峰度3；从收益率序列的Q-Q图来看，各收益率序列均呈现顶端向下弯曲、底部向上翘起的特征，这两个特点均表明收益率序列呈现典型的“尖峰厚尾”特征，因此，在估计时采用分位数回归的方法更加准确。⑤为防止出现伪回归，在分位数回归之前需要对收益率序列进行平稳性检验。根据ADF检验的结果，所有收益率序列ADF检验t统计量对应的p值均接近于0，拒绝存在单位根的原假设，所有的收益率序列都是平稳序列。本文所有分位数回归均采用5％分位数水平。 (二)金融机构对金融系统性风险贡献度量 运用(3)～(4)式采用各金融机构的周收益率数据和金融体系的收益率数据计算出单个金融机构对金融系统性风险的贡献，这一系统性风险贡献为各金融机构样本期内系统性风险贡献的一种整体的静态描述。VaR、CoVaR、△CoVaR一般为负值，因此，为简单起见，取其绝对值表示风险，绝对值越大，表示该机构的风险越大。我国各金融机构的系统性风险贡献测度结果如表2所示。
总的来说，银行业对金融系统性风险的贡献较高，大部分银行的△CoVaR的绝对值均大于5。不过从表2中可以发现几点与常识相违背的现象：同为银行业的金融机构南京银行的系统性风险贡献甚至高于大型银行中国银行、交通银行等，而北京银行和宁波银行的系统性风险也高于中信银行、平安银行等较大型的银行。出现这一反常现象的可能原因是因为表2计算的系统性风险贡献只采用了基于股票价格的收益率数据，一旦某家银行的股票收益率波动过大，就可能导致这种反常现象。利用更多的状态变量数据计算系统性风险贡献的时序数据后，这种反常现象消失(见表3)。保险业、金融信托业、证券期货业金融机构对系统性风险的贡献较小，这三个行业中大部分金融机构的△CoVaR绝对值都小于5。海通证券对系统性风险的贡献最小，其△CoVaR仅为3.5726，太平洋对系统性风险的贡献最大，达到9.4568，远远超出其他金融机构对系统性风险的贡献。金融监管应加强对△CoVaR绝对值较大的金融机构的监管，降低其对系统性风险的贡献，从而降低金融体系的系统性风险。
现行的金融风险监管主要是基于VaR的个体风险监管，那么VaR是否能揭示金融机构的系统性风险呢？或者说，根据金融机构的VaR值进行监管的措施是否能防范金融体系的系统性风险呢？图1揭示了单个金融机构的风险(VaR)与金融机构对系统性风险的贡献(△CoVaR)之间的关系。由图1可见，我国金融机构的VaR与△CoVaR之间的相关程度较低，表明孤立的基于单个金融机构的风险管理并不足以监管金融机构的系统性风险，因此需要采用△CoVaR值来对金融体系系统性风险进行监管，即CoVaR方法适用于我国金融体系系统性风险度量。
图1 △CoVaR VS.VaR (三)金融体系系统性风险时间序列度量 运用(5)～(7)式估计单个金融机构对整个金融体系系统性风险的贡献的时间序列数据。表3给出各个金融机构系统性风险贡献的平均值。由表3可知，银行业的系统性风险贡献整体较高，总共27家金融机构，△CoVaR值排名前14的有11家银行业上市公司，排名前5的机构全是银行业上市公司，说明我国商业银行对系统性风险的贡献较大。证券期货业7家上市公司对系统性风险的贡献较低，排名最高的国元证券的排名也仅列第17位，其余6家均列20名以后。保险类、金融信托类上市公司的系统性风险贡献处于中间水平。
图2 主要金融机构的ΔCoVaR的时间序列动态 图2显示4家主要金融机构的△CoVaR的时间序列动态变化，⑥结果显示在2008年金融危机期间(2008年1月—2008年10月)，我国金融机构的系统性风险较高；随着金融经济的复苏，2008年11月以后我国金融机构的系统性风险随之降低；此后，由于欧债危机的爆发以及世界经济的不景气，我国金融体系的系统性风险于2009年3月出现了大幅增加，较高的系统性风险一直持续到2010年10月；从2010年9月开始，金融机构系统性风险又经历了一轮较长时间的下降，其原因是世界经济的复苏，尤其是我国经济全面快速复苏所致；而2012年以来，我国经济增速放缓，2012年的GDP增长率为最近13年的新低，仅为7.8％，由于国民经济的疲软，金融体系的系统性风险又开始上升，且上升趋势仍在持续，表明今后一段时间内，我国的金融系统性风险可能会处在一个较高的水平，2013年6月中旬出现的银行“钱荒”现象就是银行累积系统性风险的一个暴露。 从表2、表3和图2均能看出，我国银行业对系统性风险的贡献高于其他金融行业。经济的高速增长和间接金融占据主导地位是银行业系统性风险过高的主要原因。经济的高速增长和直接融资市场的有效体量导致我国经济存在“过度银行化”的特征，尤其是在我国储蓄率较高的背景下，银行资产负债表快速膨胀、信贷占GDP的比重较高。银行资产规模的扩大通常会伴随不良资产比率的上升。2008年金融危机以来，在我国政府宽松经济政策刺激下，我国的银行信贷急剧膨胀，由此导致银行业的不良资产比率升高，从而导致银行业系统性风险贡献高于其他金融行业。此外，国际资本的大规模流动进一步放大了银行业的系统性风险贡献。金融危机前，我国的高利率政策吸引大量的国际资本长期流入我国银行业，为我国银行业的信贷激增提供了基础，导致银行过度承担风险。1997年亚洲金融危机期间，经济的过度膨胀和国际资本流动便曾对许多国家的银行体系造成过严重冲击。从2011年下半年开始，我国的外资流入开始放缓，而且随着我国增长潜力的有限性被逐渐认识到，类似过去那样稳定的外资流入将不可期待，因此，未来我国的银行业还需防范国际资本逆流对银行体系的冲击。 同样，为考察基于VaR的风险监管措施能否防范金融体系的系统性风险，我们通过散点图检验ΔCoVaR与VaR的时间序列均值之间的相关性(散点图略去)。结果表明，ΔCoVaR与VaR之间不存在正向的线性关系。同样表明，基于VaR的金融监管措施只能防范金融机构的个体风险，而无法有效监管金融机构对系统性风险的贡献。因此，单纯用VaR来度量金融机构的风险，并据此来进行监管是片面的，忽视了系统性风险的监管。金融监管需要根据VaR与ΔCoVaR的值来分别度量金融机构个体风险与系统性风险贡献，从而进行更加全面和有效的监管。 四、我国金融机构的系统性风险贡献的预测 直接依据ΔCoVaR测算的金融机构的系统性风险贡献来实施金融监管存在如下问题。首先，依据ΔCoVaR值进行金融监管会产生严重的顺周期现象，即当金融机构的系统性风险较高时，对其采取更加严厉的监管措施，将导致其系统性风险贡献越来越高，此时，金融监管措施会产生较大的副作用；其次，ΔCoVaR方法是基于高频数据的尾端风险度量方法，任何基于高频数据的尾端风险度量方法本质上都是不精确的。因此，需要对ΔCoVaR方法进行改进。本文的改进思路为：利用金融机构自身的特征来预测该机构未来的ΔCoVaR，能解决基于市场数据的风险度量方法的内在顺周期性问题；此外，利用更易得的金融机构自身特征变量(如公司规模、杠杆率、到期错配等)来量化ΔCoVaR，比直接计算的ΔCoVaR更加稳健，更加合理。因此，基于金融机构自身的特征变量采用Forward-ΔCoVaR的方法来预测我国金融机构的系统性风险，既能保证度量的准确性，也能解决顺周期问题，能为金融稳定监管以及逆周期的宏观审慎政策提供合理的政策思路。本节首先介绍Forward-ΔCoVaR方法；然后利用该方法估计我国金融机构的系统性风险；最后讨论这种方法对金融稳定监管的指导作用。 Forward-ΔCoVaR方法是通过建立金融机构的特征变量与ΔCoVaR之间的定量关系来预测金融机构未来的系统性风险的边际贡献。参照Adrian & Brunnermeier(2011)、高国华和潘英丽(2011)、赵进文和韦文彬(2012)等，选取3个财务指标、2个风险指标、1个宏观经济指标分析它们对系统性风险的边际贡献影响。样本区间为2008年第一季度至2013年第一季度。构建如下面板数据模型：
其中，ΔCoVaR表示金融机构的季度系统性风险边际贡献，季度ΔCoVaR由月度值加总得到(Adrian & Brunnermeier，2011)；leverage为资产权益比，表示公司的财务杠杆率；size为公司总资产的对数值，表示金融机构的规模；roa为总资产收益率，表示金融机构的盈利能力；VaR表示金融机构的市场风险；beta为公司β的系数，表示公司股票的系统性风险；ggdp表示GDP的增长率；
为误差项。 在对(8)式回归之前，需要判断模型究竟是固定效应模型还是随机效应模型。Hausman检验发现，滞后1个季度和滞后半年的模型均拒绝随机效应模型的原假设，因此应建立固定效应面板数据模型，结果如表4所示。 由表4可知，解释变量滞后一个季度与滞后半年的估计结果相近。杠杆率与系统性风险贡献成正比，表明杠杆率越高(意味着负债较多)，系统性风险贡献越大；公司规模与系统性风险贡献之间存在负向的关系，表明公司规模越大，其系统性风险贡献越小。因此，监管部门需要重点防范杠杆率高、规模小的金融机构的系统性风险。总资产收益率越高，金融机构的系统性风险贡献越大，表明高收益往往伴随着高风险。风险指标VaR和beta系数均与系统性风险贡献正相关，其中VaR的系数在1％的显著性水平下显著，beta系数的系数不显著，这一结果表明单个金融机构自身的风险与系统性风险呈正相关的关系，自身风险越高，对系统性风险的贡献也就越大，即微观层面对单个金融机构的审慎监管对防范整个金融体系的系统性风险依然起到一定的作用。此外，GDP增长率与ΔCoVaR之间的负相关表明宏观经济环境越好，金融体系的系统性风险越低。 这种方法可以为宏观审慎监管政策提供较为及时和稳健的政策依据。与任何尾端风险度量方法相同，采用高频数据度量的ΔCoVaR依赖于相对较少的极端危机事件，因此，这种方法往往容易导致尾端风险的大幅增加，从而使测度结果失真。相反，利用公司自身特征变量来度量系统性风险比利用高频数据度量更加稳健、可靠。而且，同期风险度量方法会导致金融监管产生较为严重的顺周期问题，在负面事件后基于同期风险度量的金融监管措施会造成不必要的过度紧张，在稳定时期会造成危险的过度放松，换言之，依据同期风险度量的监管措施会放大负面冲击的不利影响，也会放大扩张时期的扩张性。Forward-ΔCoVaR方法能够解决同期风险度量方法的这种顺周期性问题。因此需要利用季度数据来预测未来的系统性风险，进行更加稳健的监管。 那么，Forward-ΔCoVaR方法为何能解决同期风险度量方法的顺周期性问题呢?从式(3)容易发现模型的解释变量都是滞后变量，因此其本身就具有预测未来系统性风险贡献ΔCoVaR的能力。利用表4的估计结果可以计算得到ΔCoVaR的预测值。图3显示了全部27家金融机构的同期(Contemporaneous)的ΔCoVaR平均值与提前一个季度预测(1-Quarter Forward)的ΔCoVaR平均值。可以发现，预测的ΔCoVaR值与同时期的ΔCoVaR之间呈明显的负相关。当某个金融机构的同期系统性风险较高时，如果直接基于同期风险监管会导致更为严厉的监管，从而使该机构的系统性风险贡献更高；而正是由于同期系统性风险与预测的系统性风险负相关，所以基于预测的系统性风险的监管措施会在实际系统性风险较高时采取较为宽松的监管措施，从而能够降低该机构的系统性风险贡献。这表明基于Forward-ΔCoVaR的宏观审慎监管是逆周期的，有效克服了依据同期ΔCoVaR进行监管的顺周期性。
图3 预测的CoVaR与同期的CoVaR 五、结论 基于Adrian & Brunnermeier(2008)等的研究，本文采用CoVaR的方法测度了我国公开上市的金融机构的系统性风险贡献。实证结果表明，我国银行业的系统性风险贡献较大，证券期货业金融机构的系统性风险贡献较低。银行业系统性风险贡献较高主要是由于经济的高速增长和直接融资市场的限制所造成的“过度银行化”导致的。此外，国际资本流入的放缓一定的程度上解释了2011年下半年以来我国银行业系统性风险贡献的再度增大。对系统性风险贡献的时间序列估计结果显示，金融危机期间金融机构的系统性风险贡献明显高于其他时期。而且，需要注意的是，2012年7月以来，我国金融机构的系统性风险贡献出现了增长的趋势。 基于金融市场高频数据测度的同期系统性风险一方面不够精确，另一方面又会导致金融监管的顺周期性问题。因此，本文对CoVaR方法做了改进。利用金融机构的自身特征(如公司的杠杆率、公司规模、公司自身的风险状况等)以及宏观经济环境等变量作为影响金融机构系统性风险贡献的因素。有别于此类论文，本文认为由于分析系统性风险的影响因素采用的是这些变量的滞后值预测金融机构未来的系统性风险贡献，从而改进同期系统性风险存在的问题。研究发现，金融机构的系统性风险贡献与金融机构自身的财务杠杆率、规模和盈利能力显著相关，金融监管部门可以通过庇古税等形式重点关注财务杠杆率高、规模小、盈利能力强的金融机构，因为此类金融机构的系统性风险往往较高。此外，以VaR表示的金融机构自身风险与金融机构的系统性风险贡献正相关，宏观经济状况与系统性风险负相关。最后，我们证实本文对CoVaR的改进方法能有效克服同期的顺周期性，可以预测未来的系统性风险贡献，并作为宏观审慎监管的政策依据。 注释： ①例如，美国1987年的股市崩溃是养老基金的投资组合对冲造成的，这一事件最终导致投行出现重大损失(Brady，1988)；1998年的危机始于对冲基金的亏损，最终波及商业银行和投资银行，使其出现大幅亏损(Rubin et al.，1999)；2007年金融危机是从结构性投资工具(SIVs)蔓延到商业银行，最终影响投行和对冲基金(Brunnermeier，2009)。这些危机最终都导致金融体系出现剧烈动荡。 ②值得注意的是，系统性风险与通常所说的系统风险有着本质的区别。系统风险指的是证券市场中不能通过分散投资消除的风险，这种风险是市场固有的、对每一投资组合都存在的。这种风险只会损害投资主体的权益而不会损害其他投资主体的权益，即它不存在外部性。这种风险是一种微观意义上的风险。而系统性风险则是宏观意义上的风险，这种风险存在外部性，是宏观审慎监管政策制定的依据和基础。 ③Artzner,P.,F.Delbaen,J.M.Eber & D.Heath(1999)指出，一致性风险度量方法应当满足平行不变性、正则齐次性、次可加性和单调性4个公理。Adrian & Brunnermeier(2008)证明了CoVaR满足一致性风险度量的这4个性质和凸性。 ④样本区间选择2008年以后的主要原因是因为除银行业以外的金融机构大部分是在2007—2008年间上市，若将样本区间扩展至2008年以前将导致其他三个行业的上市公司大幅减少，不利于全文的分析，故将样本区间设定为2008年之后。 ⑤由于篇幅所限，正态性检验和平稳性检验的结果未在正文中给出，有兴趣的读者可与作者联系。 ⑥为确保图形清晰且序列可分辨，图2在金融系统的4个行业中每个行业选择一个金融机构做出它们的△CoVaR的时间序列图，其他公司的△CoVaR与这4家公司的△CoVaR的变化特征基本类似，因此并不影响本文的结论。
标签：系统性风险论文; 金融论文; 金融体系论文; 银行风险论文; 银行监管论文; 金融监管机构论文; 有效市场论文; 监管机构论文; 银行业论文; var模型论文;
