我国上市商业银行风险溢出效应的测度及分析研究——基于CoVar模型的分析
中国上市银行的系统性风险价值及溢出——基于CoVaR方法的实证分析
作者简介 ： 郭卫东 （ １ ９ ７ ６ 一） ， 男， 河 南 内乡 人 ， 北 京 师 范 大 学 经 济 与 工 商 管 理 学 院 博 士研 究 生 ， 郑州航空工业管理学院讲师 ， 研究 方 向 ： 资
本市场与风险管理 。
应 重 点加 强监 管 。
关键词 ： 系统 性 风 险 ；在 险 价 值 ；条件 风 险 价 值 ； 风 险溢 出
中图分类号 ： Ｆ ８ ３ ２ ． ３；Ｆ ２ ２ ４ 文 献 标 志码 ： Ａ 文章编号 ： １ ０ ０ ９ — ６ １ １ ６（ ２ ０１ ３） ０ ４ － ０ ０ ８ ９ ＂ － ０ ７
中国 上 市银 行 的系 统性 风 险 价值 及 溢 出
— —
基于 Ｃ ｏ Ｖ ａ Ｒ方 法 的实证 分 析
郭 卫东
（ 北 京 师 范 大 学 经 济 与 工 商管 理 学 院 ，北 京 １ ０ ０ ８ ７ ５ ）
摘
要： 采 用 当前 度 量 银 行 机 构 系统 性 风 险 贡 献 测 度 的 Ｃ ｏ Ｖ ａ Ｒ方法 ， 运 用分 位 数 回 归技 术 ， 对 中国 １ ４家 上 市银 行 的
收稿 日期 ：２ ０ １ ３ － ０ ３ － ２ ２
指 标体 系评 估 了每 家银 行 在 ２ ０ ０ ６ －２ ０ １ ０年 间 的
基 金 项 目：国家 社 会 科 学 基 金 重 点 项 目“ 我 国 经 济发 展 方式 转 型 中 的金 融 保 障 体 系 研 究 ” （ １ ０ Ａ Ｊ Ｌ ０ ０ ５ ） ； 国 家 社 会 科 学 基 金 重 大 项 目“ 加
一
、
引 言
我国上市商业银行的系统性风险溢出效应研究
我国上市商业银行的系统性风险溢出效应研究作者：路娜来源：《商情》2017年第28期【摘要】商业银行的系统性风险一直作为金融市场所关注的焦点备受学者和业界关注，本文采用CoVaR的方法对我国上市商业银行的系统性风险溢出效应研究进行研究分析，发现股份制商业银行和城市商业银行的边际风险贡献度高于大型商业银行，工商银行、农业银行等银行的MES最小，说明这些银行边际风险贡献度低，抵御市场风险的能力强。
【关键词】CoVaR；风险溢出效应；边际风险贡献度1 研究方法3 结论3.1在自身风险方面，华夏银行、中信银行和浦发银行等股份制银行的VaR值分列前三位，而中国银行、农业银行和工商银行等大型国有银行的VaR值分列后三位。
这表明，国有银行采取了更加稳健的风险管理措施，可以把自身风险控制在一定范围内。
3.2在系统性风险方面，工商银行、华夏银行和建设银行的ΔCoVaR值较高，而民生银行、南京银行和中心银行等城市商业银行的ΔCoVaR值较低。
这表明，如果工商银行处在极端情况下，它会对整个银行体系贡献最大的风险溢出规模。
3.3银行的自身风险与银行的溢出风险并不存在高度一致的对应关系，自身风险高的银行对系统的风险贡献程度不一定大，故VaR只能对银行自身风险进行度量，反应的是银行在极端情形下的最大损失，并不能用来检测当一家银行处于极端情形下对其他银行甚至银行体系造成的损失。
3.4MES给出了金融机构单位资产的系统性风险贡献度，它是在整个金融市场收益率显著下跌的压力情景下，研究单个金融机构的差异性表现。
对于商业银行，净利息收入是其营业收入的主要来源，占比超过50%以上，市场指数的大幅下跌对其影响不大。
MES差异反映了市场对金融机构在压力情景下不同经营状况的预期。
3.5中信银行、兴业银行、华夏银行的MES位居前三位，说明这些银行边际风险贡献度高，抵御市场风险的能力弱；而工商银行、农业银行、招商银行的MES最小，说明这些银行边际风险贡献度低，抵御市场风险的能力强。
基于CoVaR的我国银行业与保险业间风险溢出效应研究
基于CoVaR的我国银行业与保险业间风险溢出效应研究基于CoVaR的我国银行业与保险业间风险溢出效应研究摘要：本文利用CoVaR方法，研究我国银行业和保险业的风险溢出效应。
研究发现，两个行业之间存在显著的风险溢出效应，即银行业的风险传染会影响到保险业。
同时，两个行业内部的风险联系也较弱，在各自行业内部风险系统性风险的影响下，两个行业之间的关联比行业内部关联更为显著。
这一研究结果有助于我们更好地理解我国金融市场中银行和保险行业的风险联系，为风险管理和风险监管工作提供支持。
关键词：CoVaR，风险溢出，金融市场，银行业，保险业一、研究背景和意义金融市场中的各个行业之间存在着复杂的风险联系。
当一个行业的风险暴露增加时，它可能会对其他行业造成影响，这种影响被称为风险溢出效应。
研究金融市场中各个行业之间风险溢出效应的程度，有助于我们更好地理解金融市场中的风险联系，为风险管理和风险监管提供支持。
银行和保险是金融市场中两个最主要的行业，它们在经济中扮演着重要的角色。
银行业是信贷市场中的主要提供商，提供融资和各种金融服务。
保险业则帮助企业和个人在生活和工作中应对可能发生的风险，以及为重大灾难提供资金支持。
另外，银行和保险还会在投资市场中发挥作用，为投资者提供多元化的投资渠道。
然而，银行和保险两个行业的风险溢出效应，以及它们之间的联系情况，一直没有得到充分的研究。
本文利用CoVaR方法，研究我国银行和保险两个行业之间的风险溢出效应，以及行业内部的风险联系情况。
研究结果可以为金融市场的风险管理和风险监管提供有用的参考。
二、相关文献综述以CoVaR方法为基础进行银行和保险行业风险溢出效应的研究已经有许多研究成果，如Budrys S.，Etienne X.，Pirovano M.等人的相关研究。
以往研究主要聚焦于国外市场。
在国内，有相关的研究。
例如，李立宁等 (2019) 通过CoVaR方法研究了我国货币市场和证券市场之间的风险溢出效应，发现两个市场之间存在着显著的风险传染效应。
我国上市商业银行的风险溢出效应研究
我国上市商业银行的风险溢出效应研究王佶智; 张宁【期刊名称】《《经济研究导刊》》【年(卷),期】2019(000)006【总页数】4页(P78-81)【关键词】风险溢出效应; CoVaR; 分位数回归; 商业银行【作者】王佶智; 张宁【作者单位】上海理工大学管理学院上海 200093【正文语种】中文【中图分类】F832引言当今时代，金融自由化程度不断提高，但面对的金融风险也变得更加普遍，更加具有危害性。
当金融风险来临时，往往由单一金融机构所造成的风险在不同机构间不断传递，进而导致整个体系的奔溃。
故金融体系也在不断地完善其不同机构间传导的系统性风险。
而一个相对稳健的金融体系对一个国家，乃至整个社会都至关重要。
因此，作为金融体系中核心地位的商业银行，研究其在金融体系中的风险溢出效应具有重要的理论和现实意义。
目前，在研究系统性风险溢出的理论体系中，最早是在2008年Adrian与Brunnermeier在风险价值VaR的基础上提出的条件风险价值CoVaR，它是用来测量单个金融机构对整个金融体系或其他金融机构的风险溢出效应[1]。
而Hakwa 采用了copula函数来测算CoVaR值[2]。
Bernard等通过SES，CoVaR、MES 三种模型进行对比，结果表明，MES与CoVaR存在相关性[3]。
国内学者也进行了一些相关研究，如李玉贤采用CoVaR方法测量了银行业之间的风险波动溢出效应，其研究表明规模较大的银行系统抵御风险的能力越高[4]。
与此同时，部分股份制银行在抵御风险时也表示出其较强的能力。
程丽娟运用VaR检测中国商业银行的风险值以及CoVaR模型检验商业银行与整个银行体系间的风险溢出效应，得到的结果与之前的风险计量技术相比，CoVaR模型可以测量出商业银行对其他银行机构的风险溢出效应[5]。
王周伟、吕思聪和茆训诚运用三种不同方法计算了我国银行业的CoVaR值，分别是DCC-GARCH模型、分位数回归法以及Copula 函数法[6]。
我国上市商业银行系统性风险溢出效应研究——基于GARCH-Copula-CoVaR模型
我国上市商业银行系统性风险溢出效应研究——基于GARCH-Copula-CoVaR模型山西财经大学 潘薪宇摘 要：随着经济全球化的发展，全世界各大金融机构构建了庞大而复杂的金融体系，在资本越来越自由的国际市场环境下，一国金融危机的爆发可能对其他国家的金融体系造成不利影响。
因而，测度银行间的风险溢出效应就显得尤为重要。
本文首先对银行系统性风险溢出效应的概念、特征机理以及传导机制进行了相关分析，通过结合GARCH-Copula-CoVaR，修正了CoVaR模型在测度银行系统性风险溢出上的缺陷，为进一步测度银行间的风险溢出效应提供了方法。
关键词：商业银行；系统性风险；风险溢出效应；GARCH-Copula-CoVaR模型中图分类号：F830.33 文献标识码：ADOI：10.12245/j.issn.2096-6776.2021.04.221 研究背景和意义Bernanke（1983）认为，金融机构倒闭会造成实体经济下滑，受其影响其他金融机构也会偏向于保留流动性强的资产，这可能会造成其收益性降低，从而体现了金融机构的风险溢出效应。
Allen and Gale(2000)指出风险产生和传导的根本原因是金融业之间相似的网络结构，机构之间的网络结构越相似，其系统越脆弱，其风险溢出效应越大。
在国内，包全永（2005）分别研究了开放和封闭系统下银行系统性风险的传导机理，说明了银行系统性风险具有溢出性。
肖璞（2012）认为单个银行的风险扩散便是风险溢出效应，对于具有较强风险溢出效应的银行，其倒闭会导致银行体系爆发系统性风险。
Adrian和Brunnermeier(2011)在Va r模型的基础上构建了CoVar模型，这种方法可以用来衡量整个金融体系的风险溢出程度，用CoVaR可以衡量出当金融机构i发生波动时，金融机构j相应的风险增加值。
2 商业银行系统性风险溢出效应的理论分析 2.1 商业银行系统性风险溢出效应的定义银行系统性风险的界定标准主要分为两部分：一部分是风险传播途径，另一部分是其负外部性。
基于CoVaR方法的商业银行系统性风险测度分析
基于ＣｏＶａＲ方法的商业银行系统性风险测度分析杨㊀鋆摘㊀要：作为审慎监管的一部分，对于系统重要性金融机构的监管对于防范金融系统性风险具有重大意义㊂文章利用ＣｏＶａＲ方法，以我国２６家上市商业银行为样本，测量了这２６家上市商业银行２０１８年２月１日至２０１９年１２月３１日期间对于银行体系的风险溢出㊂结果显示，国有商业银行规模较大，对系统性风险的贡献也相对较大，在进行金融监管时对其需要特别注意，防止风险的发生对其造成较大的冲击从而威胁金融体系稳定㊂同时，一部分地方商业银行也可能威胁金融体系稳定，需要多加注意㊂关键词：系统性风险；ＣｏＶａＲ；系统重要性金融机构一㊁引言在我国，银行业在金融体系中仍然占据着主导地位㊂近年来，随着经济不确定性的增加，金融系统也承受着一定的压力㊂在此情况下，守住金融不发生金融系统性风险的底线的重要一环就是守住银行业不发生系统性风险㊂而对于银行体系中占据重要地位的㊁与其他金融机构有密切联系的系统重要性金融机构，一旦其发生风险，那么与其有业务往来的相关金融机构都有可能受到冲击，导致风险在金融体系内的传染，造成系统性金融风险㊂基于这一想法，文章对我国各上市商业银行对于银行体系的风险溢出效应进行测度，据此判断系统重要性银行，以期能为金融监管的有效实施㊁金融危机的有效防范提供一定的参考意见㊂二㊁文献综述首先，文章所提到的系统性风险主要是指单个金融机构发生风险并在金融体系内传播，威胁整个金融体系的风险，在此基础上考虑系统性风险的度量㊂而关于系统性风险的度量，相关研究较多㊂具体而言，系统性风险度量和系统重要性金融机构判别的主要方法有ＣｏＶａＲ（条件在险价值）㊁ＭＥＳ（边际期望损失）㊁ＳＲＩＳＫ㊁网络分析法等：ＣｏＶａＲ主要是测度当某个金融机构发生风险时，金融体系的风险情况变化，以此测度该金融对系统性风险的贡献㊂ＣｏＶａＲ整体而言是一种思想，在具体计算方法上有所差异㊂例如，陈守东㊁王妍（２０１４）考虑了时变的ＣｏＶａＲ模型，利用基于极值分布的极端分位数回归技术估计了２００７－２０１３年我国３３家金融机构的ＣｏＶａＲ值㊂而陈忠阳和刘志洋（２０１３）则利用二元ＧＡＲＣＨ模型估计２００６－２０１２我国１６家上市商业银行的ＣｏＶａＲ值㊂边际期望损失ＭＥＳ，表示在一定的临界条件下，某一金融机构对系统损失的贡献㊂而ＳＲＩＳＫ是在动态ＭＥＳ的基础上提出的，ＳＲＩＳＫ指标的优势在于可以同时捕捉到规模㊁杠杆率和关联性等重要因素的影响，对于单个机构的系统重要性的衡量更为合理㊂网络分析法主要是基于金融机构间的业务结构来分析金融机构之间的风险关联性，以及当某一机构发生风险时，会对金融体系造成怎样的影响㊂但由于网络分析法需要的银行间敞口数据不易得，因此该方法有一定局限㊂三㊁实证分析（一）方法介绍１．ＣｏＶａＲ方法ＶａＲ，即在险价值，是指在一定的置信水平下，某一金融资产在未来特定的一段时间内的最大可能损失㊂令表示该资产的资产收益率，则定义为收益率的ｑ分位数，即有：Ｐ（ＲɤＶａＲｑ）＝ｑ（１）根据Ａｄｒｉａｎ和Ｂｒｕｎｎｅｒｍｅｉｅｒ（２０１１）的定义，ＣｏＶａＲｓｙｓ｜ｉｑ表示在金融机构ｉ处于某一特定状况下，金融体系的ＶａＲ值㊂记ｔ时刻金融机构ｉ发生事件Ｃ（Ｒｉ），则Ｐ（ＲｓｙｓɤＣｏＶａＲｓｙｓ｜ｉｑ｜Ｃ（Ｒｉ））＝ｑ（２）金融机构ｉ对金融体系的风险贡献度用ΔＣｏＶａＲ度量，表示为：ΔＣｏＶａＲｓｙｓ｜ｉｑ＝ＣｏＶａＲｓｙｓ｜Ｒｉ＝ＶａＲｉｑｑ－ＣｏＶａＲｓｙｓ｜Ｒｉ＝ＶａＲｉ０．５ｑ（３）式（３）中ＶａＲｉ０．５表示金融机构ｉ正常情况下的在险价值，ＶａＲｉｑ表示极端情况下金融机构ｉ的在险价值㊂ΔＣｏＶａＲ表示金融机构ｉ发生危险时对系统性风险的贡献㊂ΔＣｏＶａＲｓｙｓ｜ｉｑ即衡量了金融机构ｉ对金融系统性风险的影响程度㊂２．分位数回归估计ＣｏＶａＲ为考察金融机构ｉ发生风险时对金融体系的风险溢出效应，建立以下ｑ分位数回归模型：Ｒｓｙｓ，ｉｑ＝αｉｑ＋βｉｑＲｉ（４）其中，Ｒｓｙｓ，ｉｑ表示金融机构ｉ发生风险时的ｑ分位数下的预测收益率，Ｒｉ表示金融机构ｉ的收益率㊂αｉｑ和βｉｑ为待估参数㊂根据在险价值的定义，有：ＶａＲｓｙｓ｜ｉｑ＝Ｒｓｙｓ，ｉｑ（５）其中，ＶａＲｓｙｓ｜ｉｑ表示金融机构ｉ发生风险时金融体系的在险价值㊂将（５）式代入（４）式，得：ＶａＲｓｙｓ｜ｉｑ＝αｉｑ＋βｉｑＲｉ（６）再根据前一节所讲的ＣｏＶａＲ方法，令Ｒｉ＝ＶａＲｉｑ，代入（６）式，可以得到ＣｏＶａＲ的计算公式：ＣｏＶａＲｓｙｓ｜Ｒｉ＝ＶａＲｉｑｑ＝αｉｑ＋βｉｑＶａＲｉｑ（７）根据（３）式，可得：ΔＣｏＶａＲｓｙｓ｜ｉｑ＝βｉｑ（ＶａＲｉｑ－ＶａＲｉ０．５）（８）根据式（８），即可求出各银行对于银行体系的系统性风险贡献㊂（二）数据选取及来源文章选用２０１８年２月１日至２０１９年１２月３１日期间我国２６家上市商业银行股票日收益率数据，银行业系统收益率则采用同期间中证银行指数收益率㊂由于部分商业银行上市时间较晚，因此从中证指数的成分３３家上市商业银行中剔除了７家，仅余２６家㊂考虑到被剔除的银行均为地方商业银行，规模相对较小，应当不会对结果产生较大影响㊂各上市商业银行及中证银行指数日收益率数据均来自Ｔｕｓｈａｒｅ平台及Ｃｈｏｉｃｅ数据库㊂（三）各银行ΔＣｏＶａＲ测算６０１金融观察Һ㊀ΔＣｏＶａＲ的计算使用分位数回归方法计算得到待估参数值，然后使用样本的０．５分位数和０．０５分位数根据式（８）计算得到５％置信水平下各银行的ΔＣｏＶａＲ值，结果如表１所示㊂表１㊀２６家上市商业银行ΔＣｏＶａＲ测算及按总资本排序排名银行ΔＣｏＶａＲ（％）总资本（亿元）排名银行ΔＣｏＶａＲ（％）总资本（亿元）排名常熟银行－１．１１７１７８６．６４２２张家港行－０．８８１１９５．１０２６成都银行－０．６０３５４３１．２４２１中信银行－１．１０２６４６１９．１０９光大银行－１．２７５４７２３２．４７１１华夏银行－１．４９４３０２１７．１０１３江阴银行－１．２９２５１２１６．０７２５建设银行－１．７５６２４５１７７．３０３南京银行－１．３３８１３３３５．５９１７苏农银行－１．２６９１２６１．７８２４上海银行－１．３７１２１８７５．５９１５北京银行－１．９２９２６８０２．６７１４贵阳银行－１．４８７５５２７．１８２０交通银行－１．６７９９３２８．７９５江苏银行－１．３２１２０６６５．７７１６杭州银行－１．３２７９８０６．２８１９无锡银行－１．２０７１６２８．６７２３工商银行－１．６８７３０４２６３．８１１兴业银行－１．４０６６９８２１．０７宁波银行－１．３４６１２３９７．１９１８民生银行－１．７０２６２７３７．４３１０浦发银行－１．６３４６７９０６．７８中国银行－１．６５３２２６０８１．６４４招商银行－１．８０４７３０５９．２５６农业银行－１．４９２４８７０９．６１２平安银行－１．３１２３７０７６．８３１２㊀㊀从上表可以看到，在全部２６家上市商业银行中，北京银行㊁招商银行㊁建设银行㊁民生银行相对对于系统性风险的贡献更大，其中北京银行对于系统性风险的溢出效应更为显著㊂紧随这几家银行之后，中国银行㊁工商银行㊁浦发银行对于系统性风险也有不小的贡献㊂这几家银行的总资产规模排名也相对较高，但并非所有资产规模较大的银行都对系统性风险有较大贡献度㊂综上，各银行对于系统性风险的贡献与银行的规模并不存在必然的联系㊂但整体来看，系统性风险贡献较高的银行相对而言规模也较大㊂也就是说，规模可以认为是系统性风险贡献较大的一个必要条件，系统性风险贡献较大的银行往往规模较大㊂反之，规模大的银行系统性风险贡献却未必较大㊂通过对贵州银行和华夏银行的对比也可以看出，规模并不是决定系统性风险贡献的唯一因素：华夏银行总资本大约是贵州银行的５ ６倍，但对于系统性风险的贡献却与贵州银行相差无几㊂同时可以发现，总资产约是贵州银行２倍的宁波银行对于系统性风险的贡献却小于贵州银行㊂因此，在判断系统重要性银行时，不能以规模作为唯一判断的标准，还需要同时考虑到各家银行的资产结构㊁与其他银行的网络关系等㊂此外，从表中可以发现，系统性风险较高的银行大多为股份制商业银行和国有商业银行㊂为探究不同类型的商业银行对于系统性风险的贡献是否存在不同，将２６家商业银行按照地方商业银行㊁股份制商业银行㊁国有商业银行分为三类，分别计算其ΔＣｏＶａＲ均值进行比较：表２㊀各类型商业银行ΔＣｏＶａＲ均值类型ΔＣｏＶａＲ均值地方商业银行－１．２６８股份制商业银行－１．４６６国有商业银行－１．６５１㊀㊀从表２可以看到，地方商业银行㊁股份制商业银行和国有商业银行的ΔＣｏＶａＲ之间有比较显著的差异：国有商业银行ΔＣｏＶａＲ最高（绝对值意义上），股份制商业银行次之，地方商业银行最低㊂这也说明了这三类银行在金融体系中重要程度的差异：国有商业银行在银行体系中始终是处于中心地位；股份制商业银行规模也不小，与其他银行的业务往来也较为密切，相对比较重要；而地方商业银行相对而言影响范围较小，系统重要性相对较低㊂四㊁结论与建议文章利用ＣｏＶａＲ方法计算了我国２０１８年２月１日至２０１９年１２月３１日期间２６家上市商业银行对于系统性风险的贡献程度㊂根据对结果的分析，可以发现：（１）商业银行对于系统性风险的贡献与其规模之间并不必然成正比㊂北京银行按规模仅在第１４位，但其对于系统性风险贡献的却最高㊂此外，贵州银行资产远小于华夏银行，但对系统性风险的贡献却相差无几㊂这些都说明规模并不是决定银行系统性风险贡献的唯一因素㊂（２）在各类型商业银行中，国有商业银行对于系统性风险贡献最大，股份制商业银行次之，地方商业银行最低，国有商业银行在银行体系中仍处于重要地位㊂此外，北京银行㊁招商银行㊁建设银行㊁民生银行㊁中国银行㊁工商银行和浦发银行具有较强的系统性风险溢出效应，相对来说是系统性重要银行，在进行监管时可以对其多加注意㊂参考文献：［１］陈守东，王妍．我国金融机构的系统性金融风险评估基于极端分位数回归技术的风险度量［Ｊ］．中国管理科学，２０１４，２２（７）：１０－１７．［２］陈忠阳，刘志洋．国有大型商业银行系统性风险贡献度真的高吗 来自中国上市商业银行股票收益率的证据［Ｊ］．财贸经济，２０１３（９）：５７－６６．［３］刘志洋，宋玉颖．商业银行流动性风险与系统性风险贡献度［Ｊ］．南开经济研究，２０１５（１）：１３１－１４３．［４］梁琪，李政，郝项超．我国系统重要性金融机构的识别与监管 基于系统性风险指数ＳＲＩＳＫ方法的分析［Ｊ］．金融研究，２０１３（９）：５６－７０．［５］方意，郑子文．系统性风险在银行间的传染路径研究基于持有共同资产网络模型［Ｊ］．国际金融研究，２０１６（６）：６１－７２．［６］ＡｄｒｉａｎＴ，ＢｒｕｎｎｅｒｍｅｉｅｒＭＫ．ＣｏＶａＲ［Ｒ］．ＮａｔｉｏｎａｌＢｕｒｅａｕｏｆＥｃｏｎｏｍｉｃＲｅｓｅａｒｃｈ，２０１１．作者简介：杨鋆，四川大学经济学院㊂７０１。
我国影子银行对商业银行的风险溢出效应基于GARCH时变CopulaCoVaR模型的分析
GARCH时变Copula CoVaR模型是一种基于条件在险价值（CoVaR）和广义自 回归条件异方差（GARCH）的金融风险测量模型。该模型能够准确地衡量不同资 产之间的风险溢出效应，适用于影子银行和商业银行之间的风险分析。
在实证分析部分，我们选取了我国影子银行和商业银行的代表性指数，运用 GARCH时变Copula CoVaR模型进行风险溢出效应分析。首先，通过对两组指数的 收益率序列进行GARCH建模，得到波动的时变特征；然后，利用Copula函数将两 组指数的波动率起来，计算出风险溢出效应。
我国影子银行的发展
自2008年全球金融危机以来，我国影子银行迅速发展，成为金融体系中的重 要力量。截至2021年末，我国影子银行规模已超过100万亿元，主要包括信托公 司、典当行、融资租赁公司、私募基金等机构。影子银行的业务范围广泛，包括 贷款、债券投资、资产证券化等，其经营模式多采用杠杆交易和证券化等方式。
分析结果
通过估计GARCH时变CopulaCoVaR模型参数，我们得到了以下分析结果：
1、影子银行与商业银行之间存在显著的风险溢出效应。这种效应表现为， 当影子银行市场出现波动时，商业银行的收益率和波动率也会随之变化。
2、这种风险溢出效应具有时变特征。随着时间的变化，影子银行与商业银 行之间的相关系数也会发生变化，呈现出自相关和时变性的特点。
2、削弱商业银行竞争力
影子银行的崛起为借款人提供了更多的融资渠道，部分企业或个人选择影子 银行进行融资，导致商业银行的优质客户流失，对商业银行的竞争力产生一定的 削弱作用。
三、影子银行对商业银行的积极 影响
1、提高市场效率
影子银行的出现丰富了金融市场的产品和服务，为投资者提供了多样化的投 资选择，有助于提高市场效率。此外，影子银行的竞争在一定程度上推动了商业 银行的创新，迫使商业银行提高服务质量，降低融资成本，有利于金融市场的整 体发展。
我国城市商业银行系统性风险溢出效应的测度研究——基于CoVaR模型的分位数估计
作者： 宋美喆[1];胡丕吉[2]
作者机构： [1]湖南财政经济学院，湖南长沙410205 [2]中国人民银行长沙中心支行,湖南长沙410005
出版物刊名： 武汉金融
页码： 38-42页
年卷期： 2016年 第2期
主题词： 城商行 系统性风险 Co Va R模型 分位数回归
摘要：基于国内3家上市城商行2011~2015年的公开股市市场数据,利用Co Va R模型和分位数回归技术对我国城商行系统性风险外溢效应进行了实证分析。
结果表明,我国上市城商行系统性风险溢出效应整体走高,其中,北京银行对系统性风险平均溢出效应最小,南京银行和宁波银行风险平均溢出效应接近。
且城商行对系统性风险的溢出效应并不仅仅取决于其资产规模和单体风险,而主受机构间依赖度、市场关联度、业务复杂度等因素影响。
这意味着监管部门应将系统性风险监管重点放在机构关联程度和业务复杂性上,并根据各家城商行系统性风险溢出效应的程度和特点,有针对性地实施监管和指导,以提高系统性风险防控的效能。
基于Copula-CoVaR模型的我国商业银行系统性风险溢出效应研究
基于Copula-CoVaR模型的我国商业银行系统性风险溢出效应研究基于Copula-CoVaR模型的我国商业银行系统性风险溢出效应研究摘要：随着金融市场的不断发展与完善，商业银行作为金融体系中的核心组成部分，其风险溢出效应越来越受到关注。
本文基于Copula-CoVaR模型，旨在研究我国商业银行系统性风险溢出效应，并对其影响因素进行分析。
研究结果表明，我国商业银行系统性风险存在溢出效应，且溢出效应具有时间相关性。
在影响因素方面，宏观经济因素、银行业特定因素以及市场风险因素均对商业银行系统性风险的溢出效应产生明显影响。
本研究对于商业银行稳定金融市场、控制系统性风险具有重要意义。
关键词：商业银行、系统性风险、溢出效应、Copula-CoVaR模型1. 引言随着金融市场的发展与完善，商业银行作为金融体系中的重要角色，其风险溢出效应越来越受到学术界和监管机构的关注。
系统性风险溢出效应指的是一家银行的风险扩散到其他银行或整个金融体系中的现象。
商业银行的系统性风险溢出效应对金融市场的稳定产生重要影响，因此研究商业银行系统性风险溢出效应具有重要意义。
2. Copula-CoVaR模型的理论基础Copula是一种用于建模多维随机变量的方法，它能够从边际分布中独立地捕捉变量间的依赖关系。
CoVaR模型是一种用于测量系统性风险的方法，它能够衡量一个特定银行的风险对整个金融体系的影响程度。
通过结合Copula和CoVaR模型，可以更准确地测量商业银行系统性风险溢出效应。
3. 数据与方法本研究选取了我国十家重要商业银行的日度股票收益率数据进行分析，并计算了每一家银行的CoVaR值。
采用Copula函数对各家银行的CoVaR值进行联合建模，从而研究其系统性风险溢出效应。
4. 研究结果与分析通过对研究数据的分析，发现我国商业银行的系统性风险存在溢出效应。
具体而言，当某一家银行的系统性风险上升时，其他银行的系统性风险也会相应上升，呈现出扩散效应。
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
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模型的研究摘要：金融业系统性风险溢出效应是金融市场中普遍存在的重要问题，对金融稳定和经济发展具有重要影响。
本研究以中国金融业为例，运用GARCH-Copula-CoVaR模型测度中国金融业系统性风险溢出效应，并分析其动态性质和影响因素。
研究结果表明，中国金融业存在显著的系统性风险溢出效应，而且该效应在不同时间段和各金融业子领域间呈现出不同的动态特征。
此外，金融市场的流动性风险和信用风险对系统性风险溢出产生了显著的影响。
1. 引言金融业系统性风险溢出效应是金融市场中的常见现象，指的是一个金融机构或市场的风险在整个金融系统中的传导和扩散过程中对其他金融机构或市场造成的影响。
该效应是金融危机的主要传播方式之一，对金融系统的稳定和经济的健康发展具有深远的影响。
因此，研究金融业系统性风险溢出效应对于了解金融体系的风险传染机制、采取相应的监管政策和风险管理措施具有重要意义。
2. 相关研究综述国内外学者对于金融业系统性风险溢出效应的研究已经取得了一定成果。
早期的研究主要基于相关统计量、事件研究和风险指标分析等方法，然而这些方法在度量多变量金融风险传染方面存在一定的局限性。
为此，学者们引入了Copula函数作为建模工具，用以捕捉金融风险传染的相关性。
并且，GARCH模型和CoVaR模型的结合能够更好地揭示金融业系统性风险溢出的内在本质。
3. 数据与方法本研究选取2005年到2019年期间的中国金融业数据，包括股票市场、债券市场和银行业。
首先，利用GARCH模型对各个金融市场的风险进行估计，并得到条件方差序列；然后，通过Copula函数对条件方差序列进行联合建模，得到相关性结构；最后，利用CoVaR模型计算金融业子领域之间系统性风险溢出的指标。
4. 研究结果通过对中国金融业系统性风险溢出效应的测度和分析，本研究得到以下主要结果：首先，中国金融业存在显著的系统性风险溢出效应，即一个子领域的系统性风险会传染给其他子领域；其次，不同时间段和不同金融业子领域之间存在着不同的动态特征，表明金融市场中的风险传导机制具有一定的时变性；再次，金融市场的流动性风险和信用风险对系统性风险溢出产生了显著的影响，流动性风险的传染效应要强于信用风险。
(完整word版)第7章 我国商业银行风险溢出效应的度量—基于GARCH-CoVaR模型
目录第7章我国商业银行风险溢出效应的度量——基于GARCH—CoVaR模型1 7.1 引言 (1)7.1。
1 研究问题的提出 (1)7。
1。
2 文献综述及研究新意与贡献 (1)7.2 理论分析与研究思路 (2)7.2。
1风险溢出效应及其度量指标 (2)7.2.2 GARCH模型 (4)7.2.3 GARCH-CoVaR模型的基本原理与计算方法 (7)7。
3实证研究的结果及其分析 (9)7.3.1 样本选择与数据收集 (10)7.3.2 描述性统计与模型的识别检验 (10)7.3。
3 各银行风险溢出值的计算结果 (12)7.4 结论 (13)7。
5 GARCH—CoVaR模型的EViews软件操作指导 (14)实验7 中国工商银行风险溢出效应的度量-—基于GARCH-CoVaR模型147.5。
1 实验目的 (14)7.5.2 实验原理 (14)7.5。
3 实验数据 (14)7.5。
4 实验内容 (15)7.5.5 操作步骤与结果 (15)7。
6 上机练习 (24)第7章我国商业银行风险溢出效应的度量—-基于GARCH—CoVaR模型叶乔冰17.1 引言7。
1.1 研究问题的提出银行风险溢出效应，就是指在一个银行出现风险时，往往会传染至其他银行，乃至整个银行系统，从而引发“多米诺骨牌效应”，给整个银行系统带来巨大的损失。
2007年爆发的全球金融危机再次引发了全世界对金融风险管理与监管方面问题的关注，尤其是对于系统性风险的宏观审慎监管.长期以来，未实现对系统性风险的有效度量是宏观审慎监管缺失的重要表现之一。
系统性风险的传染问题是一直存在而又被忽略的能够给银行乃至整个金融行业带来毁灭性冲击的严重问题。
从巴塞尔资本协议的演化上，也可以看到加强系统性风险监管已经成为一种趋势。
巴塞尔资本协议Ⅰ和Ⅱ都只强调了对单一风险的管理，对系统性风险的评估不足，而巴塞尔协议Ⅲ引入了宏观审慎监管的思想，从宏观层面上采取一定的监管措施以防范系统性风险的扩散。
基于CoVaR方法的我国商业银行系统性风险溢出效应测度
中图分类号F832.33; ; ;文献标志码A
Measurement of systemic risk spillover effect of commercial banks in China based on CoVaR method
YE Li，LI Yuanfeng，WANG Yuanzhe
风险溢出是系统性风险爆发之前的典型特征，国外学者在对相关问题的研究中均指出，单一事件会造成单个或部分金融机构陷入困境，而风险则会通过信贷和资本供给等途径扩散至整个金融体系，导致一定数量的机构同时发生危机[3-5]。在我国银行市场的研究中，国内学者肖璞[6]认为单个银行的风险扩散便是风险溢出效应，对于具有较强风险溢出效应的银行，其倒闭会导致银行体系爆发系统性风险。周天芸[7]通過对我国金融业系统性风险的研究，指出应重点监控商业银行的风险外溢，从而减少其发生风险时对金融体系的冲击作用。由此可见，测度商业银行系统性风险溢出效应对于防控银行业系统性风险具有重要意义。
风险溢出效应的测度始于次贷危机之后，次贷危机之前的风险测度偏重于微观视角，且更多依赖于资产负债表数据，主要有指数法[8]和网络模型法[9]。吴卫星[10]指出上述方法存在两个缺陷：1）金融机构资产负债表数据存在信息时滞性，且数据不易获取;2）两种方法均局限于对微观层面风险的测度，不符合宏观审慎监管的要求。次贷危机之后，IMF[11]在全球金融稳定报告中提出4种方法用于测度系统性风险溢出效应，主要包括：网络分析法，共同风险模型法，压力矩阵法和违约强度模型法。其中网络分析与共同风险模型是近年来较为常见的用于评估风险溢出水平的方法。Borovkova[12]和Klinger[13]运用网络分析法分别测度了不同经济政策下场外衍生交易市场和银行市场的系统性风险溢出效应，该方法借助机构间风险敞口矩阵构建了关联网络，并模拟网络结构中陷入困境的单个或多个金融机构对网络系统产生的影响。共同风险模型法主要利用金融市场交易数据测度单个机构系统性风险溢出效应[11]，相较于风险敞口数据，金融市场数据具有时效性和前瞻性优势，且可以动态体现金融机构在时间上的风险变化特点[14]。共同风险模型方法提出之前，度机构的在险价值（Value at Risk，VaR）方法普遍应用于风险管理领域，其利用金融资产或证券组合收益率数据，在一定置信区间下，计算金融机构的最低收益回报，记为该机构的风险价值。汪冬华[15]运用VaR方法对我国商业银行的整体风险进行度量，并发现正态VaR会忽略银行体系风险溢出效应，从而低估了银行业整体风险价值。Adrian and Brunnermeier[16]在此基础之上提出了CoVaR方法，即于VaR方法基础之上加入前缀Co，代表Conditional，Contagion或者Comovement，中文称为条件在险价值法，该方法运用市场数据计算金融机构在其他机构陷入经营困境条件下的风险价值及风险溢出水平，较VaR方法更能捕捉到金融机构的风险动态联动。Adrian and Brunnermeier [17]基于CoVaR方法，从宏观视角，选取1986—2010年美国1226家金融机构的股票收益率及宏观状态变量数据，计算出其对金融体系的风险溢出值，验证并得出了各金融机构对金融体系的系统性风险溢出效应会提高金融体系的系统性风险水平的结论。近年来CoVaR作为测量风险溢出效应的方法被广泛应用于银行风险研究领域，Bernal and Gnabo [18]运用CoVaR方法分别对欧元区和美国的银行机构系统性风险溢出效应进行测度。Roengpitya and Rungcharoenkitkul[19]采用CoVaR模型量化研究了1996—2009年泰国6家主要商业银行对银行体系的风险溢出水平。运用CoVaR方法的国外文献还有Moreno and López-Espinosa[20]和Drakos and Kouretas[21]等。国内学者亦将CoVaR思想运用到银行体系风险溢出效应的相关研究中，白雪梅[22]和陈守东[23]通过CoVaR模型证明了银行体系的系统性风险溢出效应高于其他金融行业。另有学者基于CoVaR方法测度了各商业银行对我国银行体系的风险溢出水平，均指出其溢出效应对银行业系统性风险的爆发具有一定贡献度[24-25]。
股票市场风险溢出效应研究_基于EVT-Copula-CoVaR模型的分析
股票市场风险溢出效应研究_基于EVT-Copula-CoVaR模型的分析股票市场风险溢出效应研究:基于EVT-Copula-CoVaR模型的分析引言股票市场作为金融市场的重要组成部分，经常面临着各种风险。
在金融危机和股市崩盘等事件中，股票市场风险溢出效应变得尤为重要。
本文旨在研究股票市场风险的溢出效应，并通过应用EVT-Copula-CoVaR模型进行分析，以揭示股票市场风险溢出的内在机制。
一、股票市场风险溢出效应的概念和特征股票市场风险溢出效应是指股票市场中某一只股票或股票组合的风险在发生时向其他股票市场或金融市场传播的现象。
其特征主要包括以下几点。
首先，股票市场风险溢出效应表现出一定的时滞特性。
当某一股票市场产生风险时，风险传导到其他股票市场或金融市场是需要一定时间的。
这种时滞特性可能是由信息传递的滞后性所致。
其次，股票市场风险溢出效应具有非线性特征。
在风险传导过程中，不同股票之间的关联关系可能存在非线性的变化。
这种非线性关系对于风险的传导具有重要的影响。
最后，股票市场风险溢出效应在不同市场状态下表现出不同的特征。
在市场处于稳定时期，风险溢出效应可能较小；而在市场动荡或金融危机时期，风险溢出效应可能显著增大。
二、EVT-Copula-CoVaR模型的基本原理和应用EVT-Copula-CoVaR模型基于极值理论（Extreme ValueTheory，EVT）、Copula函数和条件风险价值（Conditional Value-at-Risk，CoVaR）构建而成。
该模型可以很好地应用于研究股票市场风险溢出效应。
首先，EVT用于估计极端事件的概率，即对股票市场中极端风险事件进行建模。
EVT的基本假设是风险事件的分布函数属于广义极值分布，通过极值分布的拟合和参数估计，可以得到极端风险的概率。
其次，Copula函数用于建立不同股票之间的联动关系。
Copula函数是用于描述多变量随机变量之间边际分布和联合分布之间的关系。
互联网金融对中国商业银行系统性风险溢出效应测度——基于GARCH-CoVaR模型的研究
作者简介：王 帅 ， 男 ，博 士 ，中南 林 业 科 技 大 学 经 济 学 院 ，副 教 授 ，硕 士 生 导 师 。
李 治 章 ， 男 ，硕 士 研 究 生 ， 中 南 林 业 科 技 大 学 经 济 学 院 。 基 金 项 目 ： 湖 南 省 自 然 科 学 基 金 项 目 （2〇17JJ3 5 18 ， 14JJ3 1 2 9 ) ; 湖 南 省 研 究 生 科 研 创 新 项 目 （CX2 0 1 7B7 5 〇)。
中 图 分 类 号 ：3109 (2018) 08-0011-07
— .引 言
根据国家互联网金融风险分析技术平台的监 测 数 据 ，我 国 互 联 网 金 融 平 台 一 共 有 1.9万 多 家 。 从 业 态 上 看 ，现 有 互 联 网 金 融 业 态 一 共 有 21类 ， 包 括 网 络 借 贷 、互 联 网 资 产 管 理 、 网 络 众 筹 等 。 其 中 ，网 络 借 贷 平 台 累 计 有 6000多 家 ，互 联 网 资 产 管理将近3500家 ，网络众筹有800家 。从活跃度上 看 ，最 近 3个 月 的 活 跃 用 户 有 5.3亿 人 ，最 近 一 周 的 活 跃 用 户 有 3 .6亿 人 。 网 络 借 贷 、 网 络 众 筹 、互 联 网 支 付 的 累 计 交 易 额 达 到 70万 亿 元 ，无 论 是 数 量 ， 还是规模，中国的互联网金融行业已经稳居世界第 一 。在 这 样 的 背 景 下 ，也 爆 发 出 了 新 的 风 险 隐 患 ， 如e租 宝 、大 大 集 团 和 三 农 资 本 等 平 台 的 跑 路 事 件 给投资者带来损失，同时对我国金融系统稳定性造 成了一定影响。由于互联网金融与商业银行有着密 切 的 资 金 往 来 ，互 联 网 金 融 带 来 的 风 险 必 然 会 传 染 到 整 个 商 业 银 行 系 统 。本文从互联网金融发展现实 出 发 ，釆 用 偏 t分 布 的 G A R C H —C o V a R 模 型 测 度 了互联网金融对不同类型商业银行的风险溢出效 应 ， •监管互联网金融系统性风险溢出以及中国商 业银行稳健发展有一定意义。
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
中国金融业系统性风险溢出效应测度——基于GARCH-Copula-CoVaR模型的探究摘要：近年来，全球金融危机和国内金融风险事件的频繁发生引起了对金融系统风险的深度探究。
作为系统性风险的重要表征，金融业系统性风险溢出效应的测度对于金融监管和风险管理具有重要意义。
本文基于GARCH-Copula-CoVaR模型，对中国金融业系统性风险溢出效应进行了全面的探究和分析。
探究结果表明，中国金融业存在明显的系统性风险溢出效应，且该效应在不同市场条件下存在差异。
本文的探究对于金融机构和监管部门有效识别和管理金融系统性风险具有一定的启示意义。
关键词：金融业，系统性风险，风险溢出效应，GARCH-Copula-CoVaR模型目录：1. 引言2. 中国金融业系统性风险的概述3. 理论框架与探究方法3.1 GARCH模型3.2 Copula模型3.3 CoVaR模型4. 模型实证分析4.1 数据描述与预处理4.2 GARCH模型的参数预估4.3 Copula模型的选择与参数预估4.4 CoVaR模型的计算与结果分析5. 结果与谈论5.1 中国金融业系统性风险的溢出效应5.2 不同市场条件下的系统性风险溢出效应6. 结论与启示7.随着全球金融危机和国内金融风险事件的频繁发生，对金融系统风险的探究变得更抓紧迫和重要。
作为系统性风险的重要表征，金融业系统性风险溢出效应的测度对于金融监管和风险管理具有重要意义。
本文基于GARCH-Copula-CoVaR模型，对中国金融业系统性风险溢出效应进行了全面的探究和分析。
起首，本文简要概述了中国金融业系统性风险的背景和梗概。
随着中国金融市场的快速进步和金融体系的日益复杂化，金融系统面临着越来越多的风险。
金融危机和金融风险事件的发生引起了对金融体系的关注和反思，需要进一步探究和分析金融业的系统性风险，并实行措施来有效管理和应对这些风险。
接下来，本文介绍了GARCH-Copula-CoVaR模型的理论框架和探究方法。
中国商业银行风险溢出效应实证研究——基于CoVaR技术分析
中国商业银行风险溢出效应实证研究——基于CoVaR技术分析任志宇【摘要】近年来国际间频繁爆发的金融风险波动充分揭示了个别金融机构在运营时会受到行业间影响因素冲击,即金融机构间存在风险溢出效应.我国金融机构间也存在同样的问题,这对于我国金融机构风险管理是强烈的预警信号.国际间金融机构、金融监督管理委员会、金融风险管理部门、巴塞尔委员会以及我国金融监管组织对金融机构间尤其是银行间的风险溢出效应进行了深入研究,并针对系统性风险监管提出宏观审慎方针.鉴于此,评估金融机构风险溢出效应对于系统性风险的防范控制具有重要意义.文章基于我国14家上市商业银行周收益率数据计算出其条件风险价值(CoVaR),对其风险溢出效应进行估计.研究得出:国有银行VaR值普遍高于股份制商业银行VaR值,高于城市商业银行VaR值,国有银行运营风险相对较高.但是中、农、工、建、交五大行其系统性风险溢值较高之外,招商银行、兴业银行、民生银行、中信银行风险溢值也比较显著,具有明显的风险溢出效应.城市商业银行的条件风险值相对普遍较低,对于银行间系统风险溢出效应影响较小.同时提出相应政策建议:1.监管部门应具有风险预测性,形成风险预防机制.2.银行监管当局应加强对系统性风险防范,设计科学的风险管理制度框架,积极开发新型金融风险管理工具以提高评估的准确性及前瞻性.【期刊名称】《江苏商论》【年(卷),期】2018(000)009【总页数】3页(P86-88)【关键词】系统性风险;条件风险价值;风险溢出效应【作者】任志宇【作者单位】南京审计大学金融学院,江苏南京211800【正文语种】中文【中图分类】F830一、导言随着金融行业的高速发展，金融机构资源配置效率进一步提升，金融机构相互之间的联系越来越紧密。
2008年，各国金融体系受到美国金融业这一外部因素冲击经历了一场经济大萧条，这不仅对美国整体金融业实体经济具有较大冲击，对各国经济均具有显著影响。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
其 中， 中位数 可 以表示 为 ｑ Ｏ ５ ， 于 Ｙ（ Ｙ ， ， （． ） 对 ｙ ， 。 … Ｙ ）的一 组 随机样 本 ， 本 均值 回归 是使 误 差 平 样
第 ２期
李 玉 贤 ： 国上 市 商 业 银 行 风 险溢 出效 应 的测 度 及 分 析研 究 — — 于 Ｃ Ｖ ｒ 型 的分 析 我 ｏ ａ模
中 图法分 类号 ：８０ ３ Ｆ ３ ．
文 献 标 识 码 ：Ａ
０ 引 言
金 融危机 的 出现往 往是 由单 一金 融机 构或 经济 体 的风 险引 发进 而 影 响整 个金 融 系 统 而爆 发 的． 随着
经济 全球 化 的加快 ， 各金 融机 构 和经济 体之 间 的联系 更为 紧密 ，０ ７年爆 发 的次 贷危 机 和 ２ １ ２０ ０ １年 以来爆 发 的欧 债危机 ， 是 由单 一 金融机 构 或经济 体 引发 的金融 市场 风 险迅速 扩散 到其他 国家 和地 区 ， 都 最终 导致
的异方差 ， 会导致 普通 最小二 乘法 的失效 ． 这 同时 ， 普通 最小二 乘法 只描述 了总体 的平 均信 息 ， 能充 分体 不 现 因变 量分布 各部 分 的信 息． 了弥补 传 统 线性 回归 方 法 的不 足 ， ｅ ｋ ｒ和 Ｂ ｓｅｔ １ ７ ） 先提 出 了 为 Ｋｏ ｎ ｅ ａ ｓｔ（ ９ ８ 首 分 位数 回归 的思想 ， 分位 数 回归 根据 因变量 的条 件分位 数对 自变量 进行 回归 ， 以得 到所 有分位 数下 的回 可 归模 型Ｅ ． ６ 因此 ， ］ 分位 数 回归能 够更全 面反 映部分 因变量 受 自变量 的影响情 况．
２１ ０ ２年 ４月
文 章 编 号 ：０ ０ ５ １ （ｏ ２ ｏ 一 ｌ ５０ １ ０ ８ １ ２ １ ） ２Ｏ １ ７
我 国上 市 商 业 银行 风 险 溢 出效 应 的测 度 及 分 析 研 究 — — 基 于 Ｃ Ｖａ 模 型 的 分 析 ｏ ｒ
李 玉 贤
（ 海 交 通 大 学 安 泰 经 济 与 管 理 学 院 ，上 海 ２ ０ ３ ） 上 ０ ０ ５
实 地反 映 的风 险事件 对 ｉ的风 险溢 出大小 ， 我们定 义溢 出风 险价值 为 Ａ Ｃｒ ａ ￥ 表 达式 为 ： ｏＶ ｒ ，
Ａ Ｃ ｒ ｒ 一 Ｃ Hale Waihona Puke ｒ 一 Ｖａ ｏ Ｖａ ｏ Ｖａ ｒ
ＡＣ ｒ ａ 反映 了 对 ｉ的 风 险 溢 出 大 小 ， 由 于 不 同金 融 机 构 的 无 条 件 风 险 价 值 Ｖａ ｏＶ ｒ 但 ｒ相 差 很 大 ，
个 市场 的协 同波动 溢 出更 合理 有效 ， 与实 际更相 符 ．
１ 模 型 相 关 方 法 介 绍
１ １ 条 件 风 险 价 值 Ｃｏ ｒ相 关 介 绍 ． Ｖａ
１ １ １ 条 件风 险价值 Ｃ Ｖａ 理 论 ．． ｏ ｒ Ｊ ． ｒａ ｐ Ｍｏｇ ｎ在 ２ Ｏ世纪 ９ ０年代提 出的 Ｖａ Ｖａｕ ｔ ｓ ） Ｒ（ ｌｅａ ｋ 对风 险测度理 论 与实践产 生 了革 命性 的影 Ｒｉ 响， 已经成 为风 险管 理领域 的主 流技术 ， 广泛 应用 于各大 金融机 构和金 融监 管部 门． 然而 ， 随着风 险管 理实 践 的深入 ， 人们 逐渐 发现 Ｖａ Ｒ本 身存 在一定 的局 限性 ， 最大 的 不足 在 于它 只 能估 计 正常 市场 条 件下 资 其 产 组合 的潜在 风险 ， 并没有 涵 盖极端 性 的市 场条 件 ， 使得 Ｖａ 技 术 在金 融 危 机 时期 显得 特 别 脆 弱． 这 Ｒ Ａ— ｄ ｉｎ和 Ｂ ｕ ｎ ｒ ｉｒ２ ０ ） Ｖａ 的基础 上 提 出一个 测 量 金融 机 构 之 间风 险 溢 出 的方 法一 Ｃ Ｖａ． ｒ ａ ｒ ｎ ｅｍｅ （ ０ ８ 在 ｅ Ｒ ｏ ｒ
融机 构 的溢 出效 应 ； 统计 技术 而 言 ， ｏ ｒ 全局 性 的角 度 来 测 量金 融 机 构 或 经济 体 间 的 风 险溢 出效 从 Ｃ Ｖａ 从
应 ， 一种更 为 全面 的测 量方法 ． 是
金融危 机 中 ， 部分 金融机 构都 难 以幸 免． 大 随着 经 济全球 化 ， 经济 金融相 互依 存度越 来越 高 ， 金融体 系 的稳 健运行 与 经济体 系 长期稳 定较 快发 展 紧密相关 ． ｒ ｎ和 Ｓ ｉ （０ ８ 利 用单个 金 融市 场 和单个 金 融 Ａｄ ｉ ａ ｈｎ ２ ０ ）
Ｃ Ｖａ 被定 义为 当特定 金融机 构 陷入 困境 时其 他金 融机 构 的 Ｖ Ｒ， ｏ ｒ ａ 一般 而 言 ， Ｒ和 Ｃ Ｖａ 之 间 的差别 Ｖａ ｏ ｒ
体 现在 Ｃ Ｖａ 可 以捕 捉 到其他金 融机构 的 风险对 某金融 机构 的溢 出效应ｌ ． ｏ ｒ ｌ ５ ｊ
１ １ ２ Ｃ Ｖａ 的 定 义 ． ． ｏ ｒ
＊ 收 稿 日期 ：０ １１－５ ２ １ －２１ 作 者 简 介 ： 玉 贤 （ ９ ６ ） 男 ， 肃 省 兰州 市 人 ， 读 硕 士 研 究 生 ， 究 方 向 ： 融 风 险 与金 融 理 论 李 １ ８ ， 甘 在 研 金
・
１６・ １
陕 西科 技 大 学 学报
第３ 卷 Ｏ
摘 要 ： 对我 国上 市 商业银行 的风 险 溢 出效应 大 小和 方 向进 行 测度 分 析 ， 用分 位 数 回 归法 、 利
使 用 已上 市 银 行 的 收 益 率 序 列 、 用 金 融 风 险 测 度 的 Ｃｏ ｒ方 法 测 度 了我 国上 市银 行 业 各 银 采 Ｖａ
行 股 之 间 的 Ｃ Ｖａ ， 测 量 各 上 市 银 行 与银 行 业 整 体 水 平 之 间 的 风 险 溢 出效 应 ． 析 得 出 以 下 ｏ ｒ以 分
究 都 为 Ｃ Ｖａ 方法 的提 出奠定 了基 础． 内关 于溢 出效应 的研 究 最早 可 追溯 到 ２ ０ ｏ ｒ 国 ０ ３年 ． 留彦 、 一 鸣 赵 王
（ ０ ３ 利用 向量 Ｇ ２０ ） ＡＲＣ 模 型对我 国 Ａ、 Ｈ Ｂ股进行 实证 检验 ， 研究 表 明存在 Ａ 股 向 Ｂ股 的单 向溢 出效应 ， 这 种 溢 出效 应 在 ２ ０ ０ １年 Ｂ股对 境 内投 资者 开放后 得 到加强 ］ 张瑞锋 （ ０ ６ 克 服 了以往溢 出效应 研究 的 ． ２０ ） 缺陷， 实证考 察 了多个 金 融市场 对一个 金 融市 场 的协 同波 动效 应． 研究 结 果显 示 ， 虑 多个 金 融 市场 对一 考
Ｃ ｒ ａ 去除 了量纲 的影 响 ， ｏＶ ｒ 能更 为准确 反映 金融机 构 （ 融市 场） 生风 险事件 时对 ｉ的风险溢 出程 金 发
度 ．
１ ２ 分 位 数 回 归 方 法 （ ａ ｔｌ ｇ ｅ ｓｏ 简称 ＱＲ） ． Ｑｕ ｎ ｉ Ｒｅ ｒ ｓ ｉｎ ｅ
１ ２ １ 分 位数 回归方 法在 风险 价值方 面 的应 用综 述 ． ． 众所周 知 ， 统 的线性 回归方 法描 述 了 因变 量 均值 受 其 他 因 素影 响 的情 况 ， 利 用普 通 最小 二 乘 法 传 且 （ Ｓ 估 计 出来 的参 数具有 最优 线性无 偏性 ． ＯＬ ） 然而 现实 中 的金融 数 据往 往 服从 尖 峰厚 尾 分布 且存 在 显 著
机构 的历史 数 据 、 助 Ｖａ 借 Ｒ方 法 分析 了金 融体 系里 连 锁 的资产 负债 表 的风 险溢 出效 应． ｎ ｌ 和 Ｍａ ｇ Ｅ ｇｅ ｎａ ｎ ｌ （ ０ ４ 采用分位 数 回归提 出 了 Ｃ ｅｌ ２ ０ ） ｉ ＡＶｉ 方 法． 于 Ｅ ｇｅ和 Ｍａ ｇ ｎ ｌ 对 ｃ ａ Ｒ 基 ｎｌ ｎ ａ ｅｌ ｉ ＡＶｉＲ 的研 究 ， 合学 ａ 结 术 界 对分 位数 的 已有 研究 ， 学术 界 发展 出 了 Ｃ Ｖａ 来 计 量 和分 析 金 融机 构 间 的风 险 溢 出效 应［ ． 述研 ｏ ｒ ２ 上 ］
１ ２ ２ 分位 数 回归的基 本思想 和 系数 估计 ．． 假 设 随机变 量 Ｘ 的分布 函数如 下 ：
Ｆ（ ）一 Ｐｒ Ｘ ≤ ｚ） １ ｚ （
ｙ 的 ｑ分位 数 Ｑ（ ） 义为满 足 Ｆ（ ）≥ ｑ的最小 Ｙ值 ， ： ｑ定 ｚ 即
Ｑ（ ）＝ ｉ ｛ ：Ｆ（ ｑ ＝ ｎｆｚ ＝ ｚ）≥ ｑ ，０＜ ｑ＜ １ ）
处 于 Ｖ ｒ 水平 时 ， ｎ 金融 机构 （ 或金融 市场 ） 的风险 水平 ． ｉ 因此 ， ｏ ａ 也 可 以用条件 概率分 布 的ｑ分 位数 ＣＶ ｒ
来 定义 ， ， 即
Ｐ （ ≥ Ｃｒ ａ ｌ ｒ Ｘ ｏ Ｖ ｒ 一Ｖ ｒ ） ｇ Ｘ ａ｛一
其 中， ＜ ｑ １ ０ ＜ 表示 概率 ． ［ ｒ ｉ Ｃ１ ｒ 是 的总风 险价值 ， 包含 了无条 件风险 价值和 溢 出风险价 值 ， 为了更 真
第 ３ Ｏ卷
第 ２ 期
陕 西科 技 大 学 学报
Ｊ ｕ ｎ ｌｏ ｈ ａ ｘ ｉｅ ｓｔ ｆ Ｓ ｉｎｃ ｏ ｒ ａ ｆＳ ａ ｎ ｉＵｎ ｖ ｒ ｉ ｏ ｃｅ ｅ＆ Ｔ ｃ ｎ ｌｇ ｙ ｅ ｈ ｏｏ ｙ
Ｖｏ ｏ Ｌ ３Ｏ Ｎ ．２
Ａｐｒ ２ ２ ． ０１
Ｖａ Ｖａｕ ｔ ｓ ） 即风 险价值 ， Ｒ（ ｌｅａ ｋ ， Ｒｉ 是指 在一 定 的持 有期 和 给定 的置信 水 平下 ， 资产 组合 或 机构 造 成
的潜 在最大 损失 ． ａ 可 以被 定义 为 ｑ的分位数 ， 么 ， Ｖ ｒ 那
Ｐｒ Ｘ Ｖ ｔ ）一ｑ （ ≥ ａ
根据 Ａｄｉ ｒ ｎ和 Ｂ ｕ ｎｒ ｉ 两位 学者 的定义 ， ｏ ａ ￥表示 为 当金融机 构 （ ａ ｒｎ ｅｍｅｅ ｒ ＣＶ ｒ 或金 融 市场 ） 的收益 率
席卷 全球 的经 济危 机． 而 ， 然 现有 对金融 风 险 的评 估 缺乏对 市场 极端 条件 下金融 机构 或经 济体之 间可 能存 在 的风 险溢 出效应 的估 量 ， 能会 导致 各金 融 市场 风 险水 平 被严 重低 估 ． ０ ８年 ， ｉｎ和 Ｂ ｕ ｎ ｒ ｉ 可 ２０ Ａｄａ ｒ ｎ ｅｍｅｅ ｒ 提 出 了条 件风 险价 值 （ ｏ ｒ 方法 ， Ｃ Ｖａ ） 旨在测量 单 体金 融 机 构 （ 金 融市 场 ） 或 陷入 困境 时 ， 它 金融 机 构 （ 其 或 金融 市 场） 遭受 损 失 的风 险 ． ］ 与传 统 的风 险计量 技 术相 比 ， ｏ ｒ可 以捕 捉 到金 融 机构 的风 险对 其 它金 Ｃ Ｖａ