我国商业银行系统性金融风险溢出效应研究

Research on Systematic Financial Risk Spillover Effects of Commercial Banks in China

摘要: 商业银行作为金融体系的核心机构，对于整个金融体系的稳定与健康发展有着至关重要的作用，然而商业银行的系统性金融风险溢出效应是导致金融危机的主要原因之一。本文选取上市商业银行股价数据，通过在险价值和条件在险价值法，运用GARCH-CoVaR模型，研究了单家商业银行以及整个银行业的系统性金融风险溢出效应。通过实证研究发现商业银行的确可以向金融系统外溢金融风险，并且在经济危机时更加明显。据此本文提出有关方面要加强监管和监管合作，建立前瞻性风险预警机制，提高风险管理能力以维护我国金融系统的健康稳定发展。

Abstract: Commercial banks, as the core institutions of the financial system, play a crucial role in ensuring the stability and healthy development of the entire financial system. However, the systemic financial risk spillover effect of commercial banks is one of the main causes of financial crises. This paper selects the stock price data of listed commercial banks and studies the systemic financial risk spillover effect of individual commercial banks and the entire banking industry using value at risk and conditional value at risk methods. Empirical research reveals that commercial banks can indeed transmit financial risks to the financial system, and this effect becomes more pronounced during economic crises. Based on the above, this paper calls for strengthening the following aspects: enhancing regulation and regulatory cooperation, establishing forward-looking risk alert mechanisms, and improving risk management capabilities in order to maintain the healthy and stable development of China’s financial system.

1. 引言

近年来，全球金融市场的发展与全球化的经济趋势使得金融机构之间的联系日益紧密，商业银行在金融体系中扮演着十分关键的角色。然而，金融风险作为金融领域的重要问题，对商业银行以及整个金融系统的稳定性带来了巨大挑战。特别是在金融危机中，一些国家的商业银行系统性金融风险的溢出效应引发了严重的金融动荡，进而影响到了整个经济体系的运行。因此，深入研究我国商业银行系统性金融风险的溢出效应具有重要的理论和实践意义。

回顾我国的金融改革进程，随着金融市场的不断发展和开放，商业银行业务范围不断扩大，风险暴露也相应增加。特别是在金融市场的快速创新和金融工具的广泛应用下，商业银行面临更为复杂和多样化的风险。因此，研究商业银行系统性金融风险的溢出效应，对于保护金融系统的稳定，促进我国商业银行业务的可持续发展至关重要。

与此同时，国际上对于商业银行系统性风险的研究已经较为深入，一些重要的学术成果和监管实践也得到广泛应用。然而，目前关于我国商业银行系统性风险的溢出效应研究还较为有限。因此，有必要针对我国商业银行的特点和市场环境，开展深入的研究，以填补这一学术空白。

因此，对我国商业银行系统性金融风险的溢出效应进行研究，有助于加深对金融市场的理解，为监管部门提供科学依据，以及为商业银行的风险管理和战略决策提供重要参考。通过对我国商业银行系统性金融风险溢出效应的研究，可以进一步提高我国金融体系的整体稳定性，促进经济的可持续发展。

2. 文献综述与理论假设

2.1. 文献综述

关于商业银行系统性金融风险的溢出效应以及系统性金融风险的测度方法，过往学者通过不同的方法进行了不同层次的研究。卢礼峰[1]选取我国16家上市银行数据作为样本，运用DCC-GARCH模型来测度银行系统性风险以及其风险贡献程度。丁鑫[2]通过综合指数法对西部后发地区城市商业银行的系统性金融风险进行了测度分析。徐杰[3]运用VaR和CoVaR法对中国商业银行的系统性金融风险进行了研究，并分析了商业银行的各类风险的贡献程度。韩超[4]基于时变Copula-CoVaR对商业银行的系统性金融风险溢出效应进行了研究，展示了单家商业银行如何把自身的风险传染给银行指数。徐芳[5]运用夏普指数实证衡量和测度了中国单个大型银行对系统性风险的贡献度。麦木蓉[6]在传统的VaR法的基础上，运用CoVaR法和分位数回归法预测了中国银行业对系统性金融风险的贡献程度以及银行间的溢出效应。

2.2. 理论假设

本文采用金融风险传导理论来解释商业银行的系统性金融风险溢出效应，金融风险传导理论涉及了金融机构之间的风险传输和传导机制，揭示了金融系统中的一种风险扩散现象。该理论指出，当金融机构面临风险时，其会通过资金流动、信用传导和市场连锁反应等方式，将风险扩散到其他金融机构和整个金融体系中。

商业银行作为我国金融体系中的核心部分，自然会有系统性金融风险溢出。商业银行的系统性金融风险溢出途径可以通过资金流动渠道、信用溢出渠道、市场连锁反应渠道以及交叉持股和共同融资渠道等。对于系统性金融风险的度量，本文不光采取了传统的在险价值VaR法度量一个机构或者行业自身的风险价值，还计算了基于VaR的条件在险价值CoVaR来说明一个机构或者行业对系统的影响力，用此计算出来的CoVaR值减去系统自身的VaR值得到的ΔCoVaR即为单个机构或者行业对于系统的风险溢出。同时，本文还将用实证得出的ΔCoVaR与VaR相比，进行量纲化处理，可以看出影响的百分比，更加清晰地观察到系统性金融风险的溢出效应。

基于此，本文提出以下理论假设：

假设1：商业银行系统性金融风险可以溢出到金融系统。

假设2：商业银行系统性金融风险不可以溢出到金融系统。

3. 数据、模型与变量

3.1. 数据来源

由于选取的是我国上市商业银行的股价数据，且各家商业银行上市时间不同，为了将2007年全球性金融危机导致的股灾、2015年中国的股灾这类黑天鹅事件都纳入实证的研究范围，所以本文最终筛选出了5家上市商业银行进行研究，时间截取为2006年7月5日至2023年6月20日。为了直观地比较单家商业银行自身的风险对银行业系统、以及银行板块对于整个金融业的系统性金融风险的溢出程度，本文所选择的实证样本为5家在上海证券交易所上市的商业银行股价、银行板块指数和金融业指数。为了更好拟合收益率，本文还加入了宏观状态变量：上证综合指数和深证综合指数，采用对数收益率的形式：$r_t=\ln \left(P_t/P_{t-1}\right)$ ，其中商业银行股价、指数价格采取的是收盘价。其中，上证指数、深证指数和金融指数抓取自tushare官网，银行板块指数和商业银行股价数据抓取自wind数据库。

3.2. 在险价值VaR

VaR即在险价值，也通常被称作风险价值，是指在一定置信度水平下，某一机构或市场金融资产在未来特定时期内有可能的最大损失。其数学表达式为：

$P_r\left(P_{t+1}-P_t<VaR\right)=q$ (3.1)

其中$P_{t+1}$ 为$P_{t+1}$ 期金融资产的价值，$P_t$ 为t期金融资产的价值，$P_{t+1}-P_t$ 为金融资产在持有期I内的价值损失；$P_r$ 为概率，q为置信水平。本文采用对数收益率$r_t$ ，计算出百分比形式的VaR。

3.3. 条件在险价值CoVaR

CoVaR模型是指在一定置信度水平下，当某一金融机构i在未来特定时间内达到最大损失时，其他金融机构j在这时期的最大可能损失，体现的是某一金融机构对另外一个金融机构或者是金融系统的风险溢出效应。数学表达式为：

$P_r\left(r_j<CoVa{R}_{j|iq}|r_i=Va{R}_{iq}\right)=q$ (3.2)

在分析单个金融机构i对其他金融机构或者是金融系统j具体的风险溢出效应时，还需将此时j的CoVaR值减去i机构正常情况下j金融机构或者是金融系统自身最大风险损失值，因为CoVaR不仅包括单个金融机构对其他金融机构或者是系统j的风险溢出，还包括j自身的在险价值水平，用数学表达式体现为：

$\Delta CoVa{R}_q^{j|i}=CoVa{R}_q^{j|i}-Va{R}_q^j$ (3.3)

在此基础上将风险值进行量纲化处理可以更直观地看出单个金融机构的风险溢出程度，表达式为：

$\%CoVa{R}_q^{j|i}=\frac{\Delta CoVa{R}_q^{j|i}}{Va{R}_q^j}$ (3.4)

3.4. GARCH-CoVaR模型

为了解决收益率通常情况下具有的条件异方差性和波动聚集效应，本文拟使用自回归条件异方差模型即GARCH模型来对收益率进行拟合，采用ARMA模型来拟合均值方程。

对单个金融机构或行业指数的收益率均值和方差方程为：

$r_t^i={\alpha }_0+{\displaystyle {\sum }_{i=1}^m{\alpha }_{1i}{r}_{t-i}}+{\alpha }_2{M}_t+{\displaystyle {\sum }_{i=1}^n{\alpha }_{3i}{u}_{t-i}}+u_t={\mu }_t+u_t$ (3.5)

$u_t={\sigma }_t{e}_t$ (3.6)

${\sigma }_t^2={\phi }_0+{\phi }_1{u}_{t-1}^2+{\phi }_2{\sigma }_{t-1}^2$ (3.7)

其中$M_t$ 为宏观控制变量，本文选用上证指数和深证指数，${\sigma }_t^2$ 为条件方差，$e_t$ 为独立同分布的随机变量且均值为0，方差为1。其中扰动项服从学生t分布，由此可计算出单个机构的在险价值：

$Va{R}_q^i={\mu }_t+Q_q{\sigma }_t$ (3.8)

在计算CoVaR时，在系统收益率的均值方程中加入机构i的VaR作为一个变量，消除单家机构或行业自身出现最大危机情况下对系统收益率的影响：

$r_t^s={\beta }_0+{\beta }_{1}Va{R}_q^i+{\displaystyle \sum _{}^{}{}_{i=1}^m}{\beta }_{2i}{r}_{t-i}+{\beta }_3{M}_t+{\displaystyle \sum _{}^{}{}_{i=1}^n}{\beta }_{4i}{u}_{t-i}+u_t$ (3.9)

CoVaR的计算公式为：

$CoVa{R}_q^{s|i}={\mu }_t+Q_q{\sigma }_t$ (3.10)

最后可以据此计算出$\Delta CoVa{R}_q^{j|i}$ 和$\%CoVa{R}_q^{j|i}$ 。

以上的$Q_q$ 为q置信水平下的分位数，${\mu }_t$ 为GARCH模型中向前一步预测的收益率均值，${\sigma }_t$ 为模型中向前一步预测的条件方差。

4. 实证分析

本文以上证指数、金融指数、银行指数和中国银行的收益率波动图为例，见图1~4，直观的展示收益率的变化情况，可以看出无论大盘指数、金融指数、行业指数乃至个股收益率序列全部都具有显著的波动聚集效应，尤其2008年、2015年两次大股灾附近，无论是个股还是指数都出现了很大的波动，波动剧烈说明有风险溢出的可能性。因此，本文考虑用GARCH模型来捕捉收益率序列中的非恒定性，更好地进行风险的度量。

Figure 1. Volatility chart of Shanghai composite index returns

图1. 上证指数收益率波动图

Figure 2. Volatility chart of financial index returns

图2. 金融指数收益率波动图

Figure 3. Volatility chart of bank index returns

图3. 银行指数收益率波动图

Figure 4. Volatility chart of bank of China returns

图4. 中国银行收益率波动图

接下来对收益率序列进行描述性统计，结果如表1所示：

Table 1. Descriptive statistics of return series

表1. 收益率序列描述性统计分析

	Mean	Median	Maximum	Minimum	Std. Dev.	Skewness	Kurtosis
银行指数	0.000399	−0.000301	0.0955	−0.105	0.0177	−0.0923	8.110
金融指数	0.000262	−0.000288	0.0955	−0.102	0.0236	−0.120	5.631
上证指数	0.000154	0.000703	0.0903	−0.0926	−0.0155	−0.651	8.093
深证指数	0.000380	0.001684	0.0852	−0.0893	0.0178	−0.758	6.176
中国银行	0.000194	0.000000	0.102	−0.106	0.0157	0.385	12.506
招商银行	0.000560	0.000000	0.0960	−0.106	0.0221	0.141	6.272
浦发银行	0.000164	0.000000	0.222	−0.106	0.0186	0.611	14.058
华夏银行	0.000325	0.000000	0.0975	−0.107	0.0219	0.0508	8.056
民生银行	0.000341	0.000000	0.0973	−0.107	0.0198	0.192	8.656

由表1可知无论是单家商业银行还是银行系统和金融系统的收益率均值都趋近于0，所有收益率序列峰度均大于5，指数收益率序列表现为“左偏”和“尖峰”，股价收益率序列表现为“右偏”和“尖峰”，指数收益率的偏度小于0，而股价收益率序列的偏度都大于0。

然后进行平稳性检验，结果如表2。

根据ADF检验结果，各个商业银行、银行指数收益率、金融业指数收益率的ADF检验概率在1%的置信水平下均为0，则可以认为本文选取的7个时间序列为平稳时间序列，可以用这些序列进行ARMA拟合收益率。

通过ACF与PACF图可以判断出选择ARMA (1, 1)合适，滞后阶数设置为10，以下金融指数与银行指数的ACF和PACF结果为例进行展示，如图5、图6所示。

将上证指数和深证指数作为控制变量，对金融指数、银行指数以及五家商业银行都进行OLS估计，并对残差进行ARCH效应检验，结果发现都存在显著的ARCH效应，则选择GARCH模型。以下同样以

Table 2. Stationarity test

表2. 平稳性检验

	t-统计量	临界值1%	临界值5%	ADF检验概率
银行指数收益率	−9.924551252615887	−3.431755	−2.862046	0
金融指数收益率	−16.102267351095254	−3.431755	−2.862046	0
中国银行	−16.513020089795585	−3.431755	−2.862046	0
招商银行	−28.676031328600903	−3.431755	−2.862046	0
浦发银行	−13.366172273745212	−3.431755	−2.862046	0
华夏银行	−28.471553760207968	−3.431755	−2.862046	0
民生银行	−10.197562004835696	−3.431755	−2.862046	0

Figure 5. ACF and PACF results of financial index

图5. 金融指数ACF、PACF结果图

Figure 6. ACF and PACF results of bank index

图6. 银行指数ACF、PACF结果图

金融指数和银行指数为例进行展示，以下是残差的ARCH检验结果以及ACF和PACF结果，显示滞后一阶，因此选择GARCH (1, 1)模型，检验结果如图7~10所示：

Figure 7. ARCH test results of financial index residuals

图7. 金融指数残差的ARCH检验结果

Figure 8. ARCH test results of bank index residuals

图8. 银行指数残差的ARCH检验结果

Figure 9. ACF and PACF results of financial index residuals

图9. 金融指数残差的ACF和PACF结果

Figure 10. ACF and PACF results of bank index residuals

图10. 银行指数残差的ACF和PACF结果

根据本文以上思路以及检验结果，构造CARCH-CoVaR模型对单家商业银行和整个银行业的VaR值以及条件在险价值CoVaR进行拟合，将计算所得的银行板块和金融系统的CoVaR减去无风险溢出时银行板块和金融系统自身的在险价值VaR，计算出ΔCoVaR，最后进行量纲化处理，得出%CoVaR。需要说明的是，本文是用2006年7月6日到2023年6月20日的数据做的回测，并向前一步预测出的VaR值以及CoVaR值，如表3所示：

Table 3. VaR, CoVaR, ΔCoVaR, %CoVaR results for commercial banks, banking sector, and financial industry

表3. 商业银行、银行板块、金融业的VaR、CoVaR、ΔCoVaR、%CoVaR结果

	VaR	金融指数CoVaR	ΔCoVaR	%CoVaR
金融指数	−0.051226
银行指数	−0.044164	−0.050159	0.001067	−0.02083
中国银行	−0.057545	−0.050406	0.000820	−0.01601
招商银行	−0.062721	−0.050094	0.001132	−0.02210
浦发银行	−0.041415	−0.050265	0.000961	−0.01876
华夏银行	−0.056766	−0.050045	0.001181	−0.02305
民生银行	−0.066802	−0.050273	0.000953	−0.01860

由表3中实证结果可知，银行业的日平均最大损失率为4.42%。当银行业达到最大损失时，金融系统的日平均最大损失率为5.02%，这说明银行业发生最大程度的危机，会给金融系统带来更大的损失，这也符合我们过往的认知，一旦银行业发生危机会引发羊群效应，引发风险联动，因为几乎所有的金融机构都会与银行业的业务挂钩。本文实证结果说明由银行业引发的系统性金融风险的贡献程度为2.08%。

从银行业的各个公司来看，为了更详细的说明银行业的系统性金融风险溢出和对系统性金融风险贡献程度，本文选取了在2007年金融危机之前上市的5家商业银行。由表可以看出这5家商业银行中，招商银行和民生银行的自身风险值最大，表明这两家银行自身风险防控能力较弱。浦发银行的VaR值最小，表明其风险防控能力最强。另外，本文所研究的这5家商业银行对金融系统的CoVaR值都接近于5%，表明这5家商业银行对金融系统的风险溢出贡献水平相当。比较5家银行的%CoVaR，我们可以观察到，华夏银行溢出的系统性金融风险水平最高，可能与其业务分布情况有关。通过%CoVaR，我们可以直观的看到招商银行和华夏银行对金融系统风险的贡献度较大，超过了2%，中国银行对金融系统风险的贡献程度最小。

5. 研究结论与政策启示

5.1. 研究结论

根据实证结果，本文得出如下结论：

第一，我国商业银行的系统性金融风险具有明显的溢出效应，商业银行的经营情况波动会影响金融系统的运行情况，尤其是当黑天鹅事件出现时，商业银行的经营会受到较大的冲击，体现在收益率的聚集效应和巨大波动上。

第二，从各个商业银行对系统性金融风险的溢出效应来看，当单家商业银行发生最大损失时，都会对金融系统贡献2%左右的风险溢出水平。

第三，整个银行业的系统性金融风险溢出水平在单家商业银行的溢出水平里面居中，这是因为当一家商业银行发生极端损失时，金融市场会采取应急措施，提供流动性支持，其他银行也会引起重视进行风险监控，有效地避免了风险的扩大。我国银行业也没有出现类似的商业银行连锁倒闭破产事件，实证结果符合客观实际。

5.2. 政策启示

化解商业银行系统性金融风险溢出是维护金融系统稳定的重要任务，根据本文实证得出的结论，提出以下建议：

1. 加强监管和监管合作：强化监管机构对商业银行系统的监管和监督，确保其资本充足、风险管理能力强，并遵守风险规避和透明度要求。

2. 建立风险预警机制：建立系统性风险监测和风险预警机制，及时识别和排除商业银行系统内可能存在的潜在风险，减少风险溢出的可能性。

3. 加强资本监管：提高商业银行系统的资本充足率要求，确保其有足够的资本来应对风险事件和冲击。通过设置适当的资本缓冲区，减少风险传导和扩散。

4. 提高风险管理能力：建立有效的风险管理框架和机制，包括风险评估、风险监控和风险应对等方面。加强内部控制、审计和风险管理团队的建设，确保风险管理工作有效运行。

5. 增强金融创新和监管前瞻性：鼓励和推动金融创新，但同时要与监管机构密切合作，进行前瞻性监管。监管机构应及时跟踪和评估新的金融产品和业务模式的风险，提前制定相应的监管政策和规则。