我国影子银行对商业银行的风险溢出 - 省略 - opula - CoVaR模型的分析 - 李丛文 - 图文

BankingResearchwww.cfxyxb.com本文由赤峰学院学报提供

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—李丛文

闫世军

内容摘要：近几年，我国影子银行规模持续扩张，其风险溢出问题日益引起学术界关注。本文从我国影子银行自身特点出发，基于偏t分布的GARCH-时变Copula-CoVaR模型测度了各类型影子银行对商业银行的整体以及局部动态风险溢出效应。结果发现：各类型影子银行的风险溢出效应不尽相同，信托业风险溢出最大，其次为证券业，最后为民间借贷业；虽然整体风险溢出较小可控，但仍需防范；影子银行系统对不同类型商业银行风险溢出差别较大，风险溢出由高到低依次为股份制银行、城商银行和国有银行。本文结论对动态监管影子银行系统性风险溢出以及商业银行自身稳健经营具有实证支持作用。

关键词：影子银行中图分类号：F831

商业银行

风险溢出

时变Copula-CoVaR

文献标识码：A

DOI:10.16475/j.cnki.1006-1029.2015.10.007

引言

金融稳定委员会（FSB）发布的《2014全球影子银行检测报告》指出，中国影子银行规模全球占比为4%，仅次于美国与英国，位列世界第三。伴随我国利率市场化改革的推进，以合作理财、同业借贷等为主的非标证券化影子银行业务①急剧扩张，各类影子银行机构大量参与商业银行的表外经营业务，同时商业银行为其提供隐性担保，广泛而密切的资金同业往来增加了影子银行与商业银行之间系统性风险的溢出传染可能。尽管目前我国商业银行整体资本充足率较高（2014年达到

12.4%），具有强大的净资产可以抵御信贷危机冲击，然而近几年来，金融市场频繁发生的流动性紧张

事件②已经证明了影子银行的局部风险对于我国金融系统稳定性影响已经凸显，此类局部系统性风险暴露，商业银行必然首当其冲。基于此，本文拟以偏t分布GARCH-时变Copula-CoVaR模型针对我国影子银行对商业银行的整体以及局部风险溢出效应进行测度，为动态监管影子银行系统性风险溢出，提高我国商业银行抗风险能力提供客观的实证依据。

作者简介：李丛文，南开大学经济学院金融系博士研究生；闫世军，南开大学经济学院金融系博士研究生。感谢评审人对本文提出的宝贵意见。

①

目前，我国商业银行通过回购、理财、抵押融资等资金同业业务与影子银行机构产生资产负债关联，并为其提典型性事件，例如浙江温州企业主“跑路”、山西柳林信托危机、河南郑州担保事件、内蒙古鄂尔多斯民间借

供隐性担保。商业银行扮演最终债务人角色，与标准证券化业务不同，其自身风险并未实质剥离。

②

贷断链、陕西神木民间借贷危机、光大证券乌龙指等事件。

64

延边医学杂志社投稿网站www.ybyxzz.cn

一、文献综述

与国外以资产证券化为核心的影子银行明显不同，我国影子银行是根植于商业银行的，与传统商业银行有着较强的依从关系，几乎所有的影子银行机构和业务模式（典型如银信、银证合作理财、同业信贷业务等）都与商业银行在资金链上存在紧密的联系（王浡力和李建军，2013）。虽然其业务模式的交易结构和参与方不尽相同，但资金的最终来源都是商业银行，本质上与商业银行的经营模式是类似的（袭翔和周强龙，2014），是商业银行的信贷延伸。因此，李建军等（2014）认为，以FSB（2011）提出的功能标准界定我国影子银行范围较为系统且全面，即影子银行是指发挥信用转换、期限转换与流动性转换的信用中介。按照该标准，我国影子银行业务主要包括商业银行与信托、证券、资管等机构的单独或合作理财；融资租赁及担保、小贷公司、典当行以及PE速贷等民间借贷网络以及资产证券化、货币市场基金、回购交易等新型金融市场业务（阎庆民和李建军，2014）。从机构角度来看，目前主要包括以信托公司、证券公司以及其他金融资产管理公司为主的非银行金融机构①和以融资租赁、担保公司、私募股权投资基金、小额贷款公司、典当行等为主的准金融机构②（或广义的民间借贷金融机构）

（宋海，2014；阎庆民和李建军，2014等）。

从我国影子银行业务规模构成来看，截至2013年年底，商业银行与信托、证券等资产管理公司单独或合作理财业务以及融资租赁业务规模合计达60%以上，同时在紧缩性信贷与货币政策约束下，以小额贷款、融资担保、典当行为主的民间借贷业务通过投资公司、资产管理公司、第三方理财机构、P2P网络借贷平台等途径发展迅速，其业务规模也达到了16%左右。

③

然而，目前上述绝

大部分影子银行业务由于没有实现标准资产证券化业务所具备的市场流动性、信用强化、降低成本、分散风险等特征易形成局部风险；同时，商业银行为影子银行（其本身不能吸收存款）提供流动性，通过理财、回购、抵押融资等资金同业业务与影子银行机构产生资产负债关联，成为影子银行的风险管理者和“最后贷款人”。伴随着利率市场化改革以及资产证券化等新型金融业务的兴起，我国影子银行体系与传统商业银行之间业务和渠道联系将更加广泛而密切，同时也加大了系统性风险的传染可能。因此，着重研究影子银行对商业银行的风险溢出对我国现阶段金融改革具有重要意义。

现有关于我国影子银行的实证分析研究主要偏重其对于宏观经济增长（陈剑和张晓龙，2012；沈悦和谢坤锋，2013）与货币政策协调文献（李波和伍戈，2011；王晓枫和申妍，2014；解凤敏和李媛，2014；袭翔和周强龙，2014）的影响两方面。仅有少数学者实证研究了影子银行的风险问题，例如毛泽盛和万亚兰（2012）研究发现，影子银行规模与银行体系稳定性存在阀值效应。张亦春和彭江（2014）运用面板VAR模型检验结果表明，影子银行的发展会增强商业银行的稳健性，但影响程度较小。李建军和薛莹（2014）基于会计账户传染的马尔科夫过程，运用投入产出法实证发现信托部门是主要的风险源，银行部门是系统性风险最主要的承担者，在其研究观测期内影子银

①

目前，该类影子银行规模最大，商业银行主要与信托、证券公司相互合作，基于信托与票据受益权信用，构建

“资金池-资产池”运作模式，将商业银行受限资金通过信托、券商渠道投向基础产业、工商企业以及房地产业，实现各自负债端与资产端的表外化，本质上，是银行信贷的延伸，但却不受监管，诸如信托公司、证券公司等金融机构愈发成为影子银行主体。

②

该类影子银行构成较为复杂，本文从广义上称其为民间借贷金融机构，与前一种影子银行的本质区别在于目前

是不纳入分业监管范围以内或监管较少，从功能视角来看，因其主要作用是贷款融资，故应属于影子银行体系的范畴。同时其与传统商业银行存在着广泛的资金往来关系，如小额贷款公司、典当行等可以从商业银行等机构拆借资金，因而与银行体系也具有同业业务关联性。

③

测算依据来源于王浡力和李建军（2013），当然其他业界及各类监管机构也对影子银行的业务构成及其规模进

行了详尽的探讨分析。

65

银行业研究BankingResearch

行部门系统性风险整体呈现上升趋势。而针对影子银行对商业银行风险溢出效应的相关研究则甚少，虽然影子银行对于商业银行稳定性影响问题已引起普遍关注，但目前已有文献对之研究不够深入，相关分析也仅限于定性层面（巴曙松，2009；周莉萍，2012；颜永嘉，2013）。

从理论研究的角度来看，探讨影子银行对商业银行的风险溢出效应主要体现为研究影子银行系统与商业银行系统之间的风险关联性。学术界历来十分关注不同金融领域内的风险扩散传递，特别是2008年全球金融危机爆发以来，涌现出一系列较新的风险溢出研究方法，主要包括CCA或有权益分析法（Lehar，2005）、EVT多元极值法（Hartmann，2005）、MES边际期望损失法（Acharya，2010）以及CoVaR条件在险价值法（Adrian＆Bmnnermeier，2009）。就适用性来说，目前我国影子银行业务主要为银行与信托公司、证券公司合作的投资理财业务以及资金同业借贷业务，这些非标准证券化业务的衍生链条简单，杠杆率较低，所以基于期权定价的CCA方法适用性较差。另外，在我国从事影子银行业务的机构主要是银行、证券、信托公司等正规金融机构，相对于机构所有者权益规模而言，影子银行业务规模较小，从而业务风险使得机构破产的概率极低（李建军和薛莹，

2014），因此通过违约破产风险的可能性衡量系统性风险的EVT法与MES法假设条件和使用工具均与中国影子银行现状不匹配，应用价值也不高。相比之下，CoVaR条件在险价值法既不依赖于复杂

的衍生定价公式也不依赖于机构违约破产概率，从而在测度影子银行系统风险溢出方面更加贴近我国现实，同时其利用金融市场的数据①使得度量结果适时、精确，更具前瞻性。

然而，现有的CoVaR风险测度多基于分位数回归技术（肖璞等，2012；白雪梅等，2014），只能测度线性风险溢出。在我国，实体经济的周期性波动及产业结构变动是引发影子银行系统风险的主要因素，而我国实体经济对银行融资依赖较强，所以商业银行既是影子银行系统风险的主要承担者也是风险波动的重要根源之一。因此，简单的线性刻画不能有效反映我国影子银行风险传染溢出的特殊性，所以需要考虑二者的非线性关联。同时传统的CoVaR方法未考虑其GARCH残差项分布对测度结果的影响，多数研究将其简单地服从正态分布，我国整体金融机构创新程度不高，标准证券化程度不够，市场完全有效化特征不明显，且多数影子银行提供发行者“刚性兑付”保证，所以理论上GARCH残差项参数并非简单地呈现标准正态分布，模型存在参数估计问题，因此需要对

CoVaR模型进行优化以使测度结果更加精确。另外，我国影子银行规模经历了从金融危机前的初步

形成到危机后的急剧扩张的发展过程。这也表明其风险溢出具有动态变化特征，所以需要从横截面与时间两个维度全面衡量。

基于上述分析，本文拟采用偏t分布GARCH-时变Copula-CoVaR模型来探讨我国影子银行对商业银行的风险溢出效应。笔者在传统的分位数CoVaR基础上引入Copula函数来测度非线性影子银行风险溢出CoVaR。Copula函数拥有众多函数族，模型的灵活性较强，但现有Copula函数的不足之处在于不能反映风险溢出效应的动态变化特征。为此，本文引入时变Copula函数度量影子银行对商业银行的风险溢出，使得对风险溢出的度量频率能提高到每个交易日。同时，为贴近我国金融市场非完全有效化的现实，本文将偏t（Skewed-t）分布引入GARCH残差项模型以解决非标准正态收益率参数估计问题，使得CoVaR度量结果更加精确。

二、模型设计与数据说明

（一）基本CoVaR模型

Adrian&Brunnermeier（2009）首次基于风险溢出角度给出了CoVaR的定义，其具体数学表达

式如下：

①

随着股权分置的顺利改革、利率市场化的推进、融资融券、股指期货和期权的推出以及投资者价值投资理念不

断成熟，中国股市的有效性逐渐增强，未来基于市场数据的风险测度方法应用会更加广泛。

·１０66国际金融研究２０１５

BankingResearch

银行业研究Pr（Xi≤CoVaRq｜Xj=VaRq）=q

ij

ijj

（1）

其中，CoVaRq表示在显著性水平为q的情况下，金融机构i在金融机构j处于某风险价值水平时的风险价值水平。CoVaRq本质上就是一种条件风险价值VaRq，是机构i关于机构j的条件风险价值，衡量的是金融机构i的总风险价值，包括在显著性水平q下机构i的无条件风险价值VaRq以及机构

i

ij

j的极端风险事件对机构i的风险溢出价值，而机构j的风险事件对机构i的风险溢出价值ΔCoVaRq

为CoVaRq和VaRq的数值之差，其具体表达式为：

ij

i

ij

ΔCoVaRq＝CoVaRq-VaRq

ij

ijiji

（2）

其中，ΔCoVaRq反映了机构j对机构i的风险溢出效应的大小，但由于不同的金融结构i的无条件风险价值VaRq相差很多，因此为了便于比较研究，需要对其进行标准化处理得到j对i的风险溢出度%CoVaRq，具体表达式如下：

iji

%CoVaRq＝

（二）GARCH-时变Copula-CoVaR模型

ij

ΔCoVaRq

VaRq

i

ij

×100%（3）

由上述CoVaR的定义可知，其本质上就是当某一随机变量处于显著性水平分位点时另一随机变量的条件概率分布的分位数。而分位数其实就是对密度函数求变上限积分，所以只要得到变量分布密度函数，就可以计算CoVaR。本文通过Copula函数计算CoVaR，利用Copula函数估计溢出效应时，需要解决单变量的边缘拟合分布和选取合适的Copula函数来刻画边缘分布的联合分布这两个问题。为此，笔者首先利用ARMA（0，0）-GARCH（1，1）-偏t模型对单变量边缘分布进行估计，根据估计得到的边缘分布对原样本序列进行概率积分变换，得到服从[0，1]均匀分布的序列，然后选择合适的Copula函数估计其联合分布。

1.序列边缘分布拟合

Bolerslev，Chou&Kroner（1992）的研究表明，GARCH（1，1）模型可以有效地刻画多数金融

时间序列波动性的动态过程。因此，本文对各指数收益率序列ri,t建立ARMA（0，0）-GARCH（1，

1）-偏t模型进行边缘分布拟合，模型的数学表达式如下：

ri,t=μi+εi；εi,t＝σi,tei,t；σ2i,t＝wi+αiε2i,t+βσ2i,t-1；ei,t~Skewed-t（ei｜ηi，λi）

数为λi的偏t分布，偏t分布的密度函数如下：

≥≥≥≥≥≥≥≥≥≥≥≥≥≥≥

（4）

其中，wi＞0，αi≥0，βi≥0，且αi+βi＜1，同时标准化残差ei,t独立同分布于峰度参数为ηi、非对称参

bc[1+

Skewed-t（ei,t｜ηi，λi）＝

be+a2-η+1/21（i,t）]，z＜-a/bηi-21-λi

ii

bei,t+a2-η+1/21

（）]，z≥-a/bbc[1+

ηi-21-λi

（5）

其中，a=4λic

ηi-2Γ（ηi+1/2）

，且3＜ηi＜∞，-1＜λi＜1。，b=1+3λ2i-a2，c=

ηi-1（）（）πη-2Γη/2i姨i

2.时变Copula相关结构估计

为获得动态CoVaR，本文参考Engle（2002）和Patton（2006，2006a），采用了7种不同的时变

Copula模型对动态相关结构进行估计，然后通过AIC准则、BIC准则和对数似然函数值从7种时变Copula模型中选择最优的时变T-DCC-Copula模型来对各收益率之间的动态相关结构进估计，

·１０国际金融研究67２０１５

银行业研究BankingResearch

1ρtρ1tt

t

T-DCC-Copula模型假设条件相关矩阵Rt=服从动态DCC（1，1）过程：

（6）

軒t-1QtQ軒t-1

Qt=（1-α-β）Q+αet-1e′t-1，Rt=Q

-1

-1

-1

其中，ut和vt分别为在对ri,t和rj,t进行边缘分布拟合后，对其残差ei,t和ej,t进行概率积分变换得到的服从U（0，1）的子序列，et-1=（tv（ut-1），tv（vt-1）），tv表示自由度常数ν的标准t分布的逆分布。Q軒是主对角元素为Qt平方根，非对角线元素为0的2×2阶矩阵，模型参是et的样本协方差矩阵，Qt

数约束满足α+β＜1；α，β∈（0，1）。

3.时变风险溢出度%CoVaR的计算

在对收益率序列进行ARMA（0，0）-GARCH（1，1）-偏t模型边缘分布估计和最优时变T-DCC-Copula模型相关结构估计后，接下来进行CoVaR的计算。首先，通过下式来计算指数收益率

序列i在显著性水平为q的时变VaRq：

i,t

i,t

VaRq=μi+σi,t×QSkewt（η，λ）（q）

i

i

（7）

其中，QSkewt（η，λ）（q）表示峰度参数为ηi，非对称参数为λi的偏t分布的q分位数。

i

i

Sklar定理指出，当F是边缘分布为F1和F2的二维联合分布函数时，一定存在一个Copula函数C：[0，1]2→[0，1]使得F（x1，x2）=C（F1（x1），F2（x2）），进一步可推导出F所对应的密度函数：

（8）f（x1，x2）=c（F1（x1），F2（x2））f1（x1）f2（x2）鄣C（u，v）为

其中，c（u，v）=Copula函数的密度函数，f1（x）和f2（x）分别为随机变量X1和X2的密度函

鄣u鄣v数，则随机变量X1关于X2的条件密度为：

f（x，x）c（F1（x1），F2（x2））f1（x1）f2（x2）

（9）f（x1｜x2）＝12＝＝c（F1（x1），F2（x2））f1（x1）

f2（x2）f2（x2）根据Copula函数的性质可知在单调增变化下Copula函数保持不变，由于ri,t和rj,t分别是ei,t和ej,t的单调增函数，因此对收益率序列之间相关结构的研究可以转换为对残差序列之间相关结构的研究，从而收益率ri,t关于rj,t的时变条件密度函数为：

（10）ft（ei,t｜ej,t）=ct（FSkewt（η，λ）（ei,t），FSkewt（η，λ）（ej,t）｜ρt，df）fSkewt（η，λ）（ei,t）

i

i

j

j

i

i

2

其中，ct（.，.｜ρt，η）表示时变相关结构参数为ρt和自由度参数为η时变T-DCC-Copula的密度函数，因

此ri,t关于rj,t的时变分布函数为：

ei,t

Ft（ei,t｜ej,t）=

-∞

乙c（F

tei,t

Skewt（ηi，λi）

（ei,t），FSkewt（η，λ）（ej,t）｜ρt，η）fSkewt（η，λ）（ei,t）dei,t

j

j

i

i

（11）

当rj,t处于风险水平时，ej,t也处于风险水平，从而根据CoVaR的定义，在计算时变条件风险价值CoVaRq之前，需要先计算如下积分方程：

ij,t

-∞

q

乙c（F

t

Skewt（ηi，λi）ij,t

（ei,t），q｜ρt，η）fSkewt（η，λ）（ei,t）dei,t＝q

i

i

（12）

令该方程的解为ei,t，则CoVaRq=μi+σt×ei,t。最后根据式（2）和（3）可求出j的风险事件对i的时变风险溢出价值ΔCoVaRq和时变风险溢出度%CoVaRq。

（三）样本选取及数据说明

当前我国影子银行业务主要以单独或合作理财、同业借贷为主，参与主体一方为商业银行，另一方主要为以信托、证券公司为主的非银行金融机构以及广义的民间借贷金融机构。为保证所选样

·１０68国际金融研究２０１５

ij,t

ij,t

q

本文来源：https://www.bwwdw.com/article/94qf.html