由浙江大学互联网金融研究院（简称浙大AIF）联合清华大学、四川大学、中国人民大学共同合办的《中国金融学》2018年春季刊已于日前出版发行，收录了包括北京大学新结构经济学研究院院长林毅夫等多位知名学者的7篇论文。本公众号将陆续为大家推送。本文节选自由华中科技大学大学管理学院教授,博士生导师龚朴等撰写的《我国上市金融机构尾部风险关联网络研究》。本刊公开发行，更多详细内容欢迎订阅！

我国上市金融机构尾部风险关联网络研究

龚朴   邹冬

摘要

基于金融机构间的尾部相关性,本文构建了我国上市金融机构的动态尾部风险关联网络。文中分别对金融机构尾部风险关联网络的整体特征和金融机构各部门内与部门间的动态关联性进行了研究。研究发现,金融机构的尾部风险关联网络具有“小世界现象”,危机期间,金融机构的尾部风险关联性较强,银行业与保险业之间的尾部风险关联更加紧密,而证券业与信托业之间的尾部风险关联更加紧密。

关键词

金融机构 尾部风险 网络分析 尾部相关性

1．引言

2008年国际金融危机之后,在全球经济处于巨大的不确定性背景下,我国金融市场也面临着较高水平的金融风险,存在着一定程度的风险传染现象。作为金融市场的主要参与者,金融机构的风险水平在系统性风险中占据着极其重要的地位,深入理解和分析各金融市场金融机构间的关联水平,关注金融机构间的风险传染效应和机制对政策制定、投资决策和风险管理具有极强的现实意义。对政策制定者来说,防范金融风险、维持金融稳定是主要政策目标之一。对投资者来说,理解金融机构间的关联水平,有利于合理构建投资组合,分散投资风险,同时了解金融机构的风险水平,也有利于调整投资策略,规避金融风险。

传统的分析方法,通常适用于只存在几个资产或者市场的情况。当存在大量资产或者市场时,采用传统的分析方法就变得不切实际。针对传统分析方法的不足,网络分析法可以有效地对高维度数据进行分析。通过构建网络,研究者既可以从系统的角度对网络结构和特征进行分析,也可以对系统重要节点特征进行分析。目前,网络分析法已经被广泛应用于金融机构之间关联性的研究中。针对金融关联网络的构建,国内外学者提出了不同的方法和模型,目前的研究大致可以分为两类。

一是根据金融机构间的具体业务联系,如同业拆借、资本流动数据,构建金融机构间的关联网络。二是利用金融机构的股票价格、CDS价格等市场数据,通过采用不同的统计或计量方法,构建金融机构间的风险传染和信息溢出网络。在第一类研究中,代表性的有以下研究。在较为早期的研究中,Allen和Gale(2000)采用金融机构间的资产负债数据,研究了银行间市场网络结构与金融风险传染之间的关系。Minoiu和Reyes(2013)采用184个国家间跨境银行资本流动数据分析了全球银行系统网络的拓扑结构以及动态演变。基于银行间双向敞口和债务数据,Said(2017)构建了全球银行体系中部门层面的金融网络,并通过分析网络的拓扑结构,对全球银行体系的系统风险展开了深入的研究。Elsinger等(2006)采用澳大利亚银行同业借款数据,构建了银行间借贷网络模型,并进一步分析了银行系统的金融稳定性。李守伟等(2011)通过我国银行间同业拆借市场的关联网络,分析了银行间同业拆借市场的稳定性。王晓枫等(2015)根据真实的统计数据模拟了银行间同业业务的资产负债状况,进一步利用复杂网络方法构造了银行间同业拆借市场的关联网络。鲍勤和孙艳霞(2014)分别采用中国银行业的资产负债表数据和模拟的方法构建了银行间市场网络。贾彦东(2011)尝试将金融网络结构因素纳入到对系统风险的衡量中,采用我国银行间支付结算数据,构建金融机构关联网络,并通过数值模拟的方法,对我国主要银行的系统重要性水平进行评估,并进一步对系统重要性水平的影响因素进行分析。基于银行间同业拆借市场数据,欧阳红兵和刘晓东(2014,2015)采用最小生成树(MST)和平面极大过滤图(PMFG)两种方法构建和分析了金融关联网络。

关于第二类研究,国内外学者提出了不同的研究方法。Diebold和Yilmaz(2014)将VAR方差分解理论与复杂网络理论相结合,运用到金融机构关联性的研究中。在他们的研究中,金融机构之间的关联性由波动溢出指数进行度量,通过VAR方差分解,他们建构了有向加权金融机构关联网络。在Diebold和Yilmaz(2014)的研究基础上,Demier等(2016)采用VAR模型和高维方差分解方法,通过构建全球主要银行股票收益波动率网络,分别估计了全球银行网络静态和动态关联性。Hautsch等(2014,2015)采用条件在险价值(CoVaR)来度量金融机构的尾部关联性,从而构建出金融机构尾部风险网络。Hautsch等(2014)构建了20个欧洲银行和保险公司之间的动态尾部风险网络,从而能够探究欧洲金融系统在国际金融危机前后以及国际金融危机期间关联性的动态特征以及相应的风险渠道。Hardle等(2016)同样采用条件在险价值(CoVAR)方法构建了金融机构的尾部风险网络,对尾部事件驱动的网络风险进行建模。他们采用非线性分位数回归和变量选择方法,对高维时间序列进行建模。Hautsch等(2012,2014,2015)的研究采用了线性LASSO变量选择方法,通过选取相关变量对系统的VaR进行估计。与此不同的是,Hardle等(2016)的研究考虑了金融系统的复杂性,将线性LASSO变量选择方法拓展到非线性模型。首先,采用线性分位数回归对每个金融机构的VaR进行估计，其次,在单指数模型的基础上,采用变量选择分位数回归,构建出风险关联网络。Yang和Zhou(2013)采用CDS价差数据研究了国际金融机构间的信用风险溢出效应。他们基于聚类分析、主成分分析(PCA)、结构VAR模型以及有向无环图(DirectAcyclicGraph,DAG)等方法,构建出了金融机构间的信用风险溢出网络。Billio等(2012)采用主成分分析和格兰杰因果检验等计量方法,对金融机构间的关联性进行度量。在整个金融网络中,节点(金融机构)之间的连接关系由格兰杰因果关系表示,金融机构被分别归类为对冲基金类、银行类、交易经纪商类和保险类。李政等(2016)拓展了Billio等(2012)的研究,采用我国银行、保险和证券部门的40家上市金融机构的股票价格数据,并采用格兰杰因果检验方法,构建了金融机构之间的无条件关联网络。基于金融机构异质风险的格兰杰因果关系,高波和任若恩(2013)采用2008年以前上市的29家金融机构的收益数据,构建金融系统的有向网络模型,分析不同市场状态下(牛市和熊市),银行、证券、保险和信托等金融部门的因果关联网络特征。

基于以上分析,本文拟采用Copula模型,通过金融机构间的尾部关联性建模,构建金融机构尾部风险关联网络,从而对现有的研究做一个有益补充。首先,采用时变SJCCopula模型,估计出上市金融机构间的尾部相关性矩阵。其次,在尾部相关性矩阵的基础上,构建金融机构的尾部风险关联网络。最后,通过网络分析方法,考察尾部风险在整个金融系统以及在金融部门内和部门间的传递情况。

2.结论

根据模型和实证，基于金融机构间的尾部相关性,本文构建了我国上市金融机构的动态尾部风险关联网络。从网络的总体特征出发,本文对尾部风险关联性的时变特征和网络的拓扑结构展开了研究。本文进一步分析了金融部门内和部门间的尾部风险关联性的时变特征。

研究结果表明,首先,金融机构的尾部风险关联网络具有“小世界现象冶,国际金融危机期间的“小世界现象冶更加明显。其次,金融机构的尾部风险关联水平具有明显的时变特征。2008—2009年国际金融危机期间,尾部风险关联水平维持在较高的水平,2010—2012年后危机时期,尾部风险关联水平呈现出下降的趋势,随后在震荡中上升,并于2015年达到峰值,随后尾部风险关联水平急剧回落,并于2017年达到最低值。再次,金融机构尾部风险关联网络的拓扑结构具有明显的时变特征。最后,在危机期间,金融部门内和部门间的关联密度均处于较高的水平,潜在的系统性风险较高。银行部门与保险部门之间的尾部风险关联更加紧密,而证券部门与信托部门之间的尾部风险关联更加紧密。

（本文系基金项目:国家自然科学基金重点资助项目[71231005];国家自然科学基金面上资助项目(71671076)。龚朴为华中科技大学大学管理学院教授, 博士生导师。邹冬为华中科技大学大学管理学院博士生）