中国银行风险溢出效应的探究

中国银行风险溢出效应的探究

作者：梁治军

来源：《理财·财经版》2019年第03期

摘 要：为了防范极端情况下的银行业风险外溢，本文采用CoVaR模型，分析中国银行的风险溢出效应。经过数据分析，发现中国银行VaR值较小，但风险溢出值%CoVaR较大。这表明中国银行自身风险较低，但其风险会导致整个银行系统产生较大波动。本文针对中国银行风险溢出值较大的特点，提出了相关的政策性建议，对监管银行风险有一定的现实意义。 关键词：风险溢出；监管；CoVaR模型 一、引言

随着我国经济的高速发展及金融市场不断扩大，对风险的预防和控制问题越来越被大众所关注。在2008年的金融危机中，由于金融机构忽视了极端情况而且监管意识不足，所以所运用的风险预测方法严重低估了市场风险，致使市场经济陷入长期低迷。受到全球经济不景气的影响，综合我国转变经济结构的国情，我国经济压力不断增加，风险的不确定因素也大大增加，银行系统的不良信贷率持续走高。现阶段，我国的金融市场存在一定程度的风险隐患，我国政府数次强调加强系统监管。对风险溢出效应量化分析，从整个系统的角度分析单个节点的风险对整体的作用，抑制风险的传播，优化管理方案；贯彻审慎监管的理念，提高对金融领域系统性风险的辨别能力。

关于系统性风险评估，国内外有许多学者做了许多研究。Adrian 和Brunnermeier（2011）为测度单一金融机构对其他金融机构风险溢出强度，度量金融机构对系统性风险的贡献度大小，运用美国金融市场公开数据，提出了CoVaR（条件在险价值）方法。Karimalis和Nomikos（2014）使用基于Copula的CoVaR和MES模型，研究欧洲大型商业银行的系统性风险贡献度以及引发系统性风险的市场因素。谢福座（2011）利用亚洲三大股票市场的数据，运用GARCH-Copula-CoVaR的方法，对风险溢出进行了实证研究。王培辉，尹成远和袁薇（2017）在基于时变Copula-CoVaR模型基础上，研究了我国保险业系统性风险溢出效应。 在CoVaR模型理论诞生开始，便受到较多学者青睐。CoVaR模型现在已经成为研究系统性风险溢出最常用的方法之一。本文拟运用CoVaR模型来测算中国银行与整个市场的风险溢出效应的联系，市场数据使用上证指数，并对数据结果进行分析，从而为银行风险监控提供支持。

二、系统性风险及其风险溢出效应

龙源期刊网 http://www.qikan.com.cn

系统性风险是宏观监管的主要对象，其主要特征是风险的传染性和溢出性，某个不稳定事件会在整个金融系统中蔓延，造成严重隐患。银行的风险往往具备溢出性，表现为风险的传染性。当某个银行处于危险当中时，会引发多米诺骨牌效应，将风险传导至其他银行，甚至蔓延至整个银行体系，造成巨大损失。银行风险溢出性的本质原因是银行之间关联性，关联性导致风险的传递性。为量化银行风险溢出效应，本文构建CoVaR模型，并以中国银行为例进行风险溢出分析。

（一）在险价值VaR及条件在险价值CoVaR

金融资产受到的损失是一个随机变量，在给定置信水平情况下，可以得到该随机变量值的上限，即最大可能损失值，该值又称为在险价值： 其中，代表置信水平，Pr为概率。

而条件在险价值用于描述风险的传播特性，当某银行遭受损失时，其他银行受到影响，也会产生一定的损失。风险传播性越强，则其他银行受到的波及越大，条件在险价值也就越高。当银行j的损失值VaR时，银行i受其影响，也会产生一定的损失，该损失值在一定范围内波动，其最大值为：

其中，α表示置信水平。 （二）风险溢出值 定义风险溢出值为。

根据公式（3），是绝对大小，该值与银行本身规模有关。为衡量风险溢出值的相对大小，定义： （4）

三、实证模型和数据 （一）样本选择与数据收集

本文选取中国银行2007-2018数据作为研究样本，数据均取自雅虎财经数据库。另外，使用WIND银行指数代表整个银行业的指数，用于分析中国银行对整个银行系统的风险溢出大小。

（二）描述性统计与模型的识别检验

龙源期刊网 http://www.qikan.com.cn

1.中国银行收益率的波动聚集性

金融数据的一個典型特征是具有波动性，而波动幅度具有聚集效应，即某段时间范围内波动幅度显著区别于另一时间段内的波动幅度，这就导致出现异方差效应。中国银行2007-2018年收益率序列如图1所示。

图1为中国银行在2007-2018年的收益率的折线图。根据图1可知，2007-2008年，中国银行收益率波动幅度较大，而其他时间段内收益率波动幅度较小，该现象反映的就是金融数据的波动集聚效应。 2.ARCH效应检验

上文中所描述的金融时间序列的异方差现象又被称为ARCH效应。ARCH-LM可用于检验异方差的存在性。该方法的检验方式是构造辅助回归。 式中的为残差。ARCH-LM检验原假设：。令：

其中为样本均值，为前面（5）式最小二乘估计的残差。于是F统计量为： 在原假设下，F统计量服从自由度为m和T-2m-1的F分布。

图2展示了中国银行在2007-2018年期间日收益率的概率密度分布图。

根据概率分布图2可知，中国银行2007-2018年间日收益率均值为0.003%，偏度为0.207 2，峰度为7.345 7，中位数为0。中国银行收益率具有尖峰厚尾特征。另外，经正态分布检验得到，中国银行2007-2018年间收益率不服从正态分布，若使用正态分布描述中国银行收益率会造成一定的误差。在后续的建模中，笔者将使用t分布代替正态分布，t分布的尖峰厚尾特性对中国银行收益率数据的解释效果更好。中国银行收益率ARCH-LM检验见表1。 经ARCH LM检验可知，在5%显著水平下中国银行收益率存在ARCH效应。为了降低ARCH效应对分析结果的影响，使用GARCH类模型对VaR值进行估计是合理的。 3.模型构建

（1）估计中国银行的GARCH模型。当序列存在异方差问题时，可使用GARCH模型： 公式（9）是一个线性回归方程的向量化表示方式，用于表示GARH模型的均值方程。其中，是解释变量的系数项，是解释变量，是残差项。公式（10）中的表示扰动项。公式（11）表示条件方差方程，反映的是GARCH模型中均值方程中残差项的波动状态。条件方差所受到

龙源期刊网 http://www.qikan.com.cn

的影响体现在、两个参数当中。当条件方差受到的冲击越大时，越大；当条件方差受冲击时间越长时，越大。

本文所建立的GARCH模型如下：

（2）使用TARCH模型分析中国银行收益数据，构建TARCH模型如下： （3）使用EGARCH模型分析中国银行收益数据，模型如下：

对上述3个模型的效果进行比较，其中拟合优度最高的模型是TARCH模型，并且，参数的p值为0.011 80.05。在3个模型当中，EGARCH模型的拟合优度最差。综上，使用TARCH模型拟合效果最佳，中国银行收益率冲击具有不对称性。 （4）ARMA与TARCH相结合模型： （15）

在TARCH模型的基础上，构建ARMA-TARCH模型。增加自回歸移动平均项，并根据拟合优度以及结果的显著性水平确定最重的阶数。当加入3项自回归项（AR项）时，AR（3）项系数的显著性值为0.241 5>0.05。MA项一阶滞后系统不显著。综上，AR（2）-TARCH（1，1）模型是ARMA—TARCH模型中效果最佳的模型。 四、实证结果

（一）中国银行VaR计算

根据本文所选定的GARCH类模型的拟合结果，计算中国银行以及整个银行系统的VaR值，分别表示为、：

其中，是条件方差，是一步向前预测均值，Q（q）为置信水平。 根据VaR的定义： 由式（18）得到： 根据GARCH模型的定义：

其中扰动项服从某种分布，公式（17）可简化为： 因此，

龙源期刊网 http://www.qikan.com.cn

其中，表示分位数，而对于正态分布而言， 把公式（22）代入公式（21）中，得到： （二）中国银行CoVaR计算 CoVaR值的计算公式：

公式（24）中，等号右边表示一些自回归移动平均项以及银行i的VaR值，左边为银行指数的收益率。与VaR值计算类似，比较各GARCH类模型的拟合效果，选择拟合优度最高的模型计算CoVaR值，具体计算公式如下：

同样，为条件方差，为一步向前预测的均值，Q（q）表示显著性水平。 （三）中国风险溢出值计算 最后计算，以及： 计算结果如表2所示。 五、结论与政策建议 （一）结论

本文在GARCH类的CoVaR模型基础上，计算了中国银行的风险溢出值%CoVaR，得出以下结论：（1）中国银行的VaR值较小，这反映了其自身风险较低。但是，自身风险低并不意味着风险溢出值低。中国银行在银行系统中的影响力较大，所以即使较小的波动也会对银行系统产生较大的影响，因此，其风险溢出值较高。基于此，相关人员在控制银行系统风险时，并不能因为其自身风险低而放松警惕。银行系统的管控应参考风险溢出值的大小。（2）在模型的选择方面，相关人员对银行及银行指数的收益率序列进行拟合时，应根据实际情况，采用拟合优度更高的GARCH模型，使VaR值以及CoVaR值的计算结果更加可靠。 （二）政策建议

对金融机构的风险进行了量化处理，有利于风险控制部门获取到市场变化对每个金融机构影响程度。同时，也有利于监管部门分析单个金融机构发生风险时对整个市场的冲击。所以，金融机构风险控制部门及市场监管机构，可把CoVaR方法和其余有效的模型综合起来使用，进行多方位的量化处理以及风险预测，便于建立有效实用的银行风险预警体系和市场风险预警体系。大致可以按以下方式进行。

龙源期刊网 http://www.qikan.com.cn

首先，对于上市的商业性质的银行风险控制部门，为了及时掌握市场变化对银行的风险溢出影响，应进行单个银行股价数据的动态采集及统计分析，使用CoVaR完成风险量化。并找出对银行风险贡献大的市场或行业指数，当市场环境发生变化时，及时采取应对措施。 其次，对于市场监管机构，由于单个机构或者行业与市场整体之间的溢出效应是双向的，所以可以使用CoVaR模型找出对市场溢出效应较大的机构或者行业，建立动态监控预警机制。 参考文献

[1]刘晓星，段斌，谢福座.股票市场风险溢出效应研究：基于EVT-Copula-CoVaR模型的分析[J].世界经济，2011（11）.

[2]沈悦，戴士伟，罗希.中国金融业系统性风险溢出效应测度——基于GARCH-Copula-CoVaR模型的研究[J].当代经济科学，2014（6）.

[3]李丛文，闫世军.我国影子银行对商业银行的风险溢出效应——基于GARCH-时变Copula-CoVaR模型的分析[J].国际金融研究，2015（10）.