商业银行系统性风险溢出效应研究：条件风险价值估计与系统性风险贡献度测量

何卓静 周利国 闫丽新

一、引言

金融机构作为市场资金流通的重要中介部门，资金和业务关联使得金融机构间以及金融机构与市场之间形成紧密的联系，这种千丝万缕的关联一方面能够提高金融市场资源配置效率促进经济发展，另一方面也可能放大单个金融机构危机事件所带来的负面影响，加速风险扩散。2008—2011年间发生的次贷危机和欧债危机，主要原因是金融体系内部某一家金融机构发生的危机事件在整个金融体系内扩散，随后这种金融恐慌蔓延至实体经济部门，最终导致整个国家甚至全球经济萧条。Gai等(2011)[1]研究表明，相关性越强的部门，其危机传染的可能性越高，对金融体系以及实体经济的负面冲击作用越大。因此，防范单个金融机构极端风险事件对金融体系的系统性风险外溢成为金融风险管理部门维持金融体系稳定的关键所在，也是国民经济健康发展的重要保证(Giglio等，2016[2])。

尽管中国资本市场受到国际金融危机负面影响的程度较小，但长期以来依靠投资拉动经济发展的思路所导致的信贷扩张已经成为经济发展放缓后信贷市场的巨大隐患，金融体系的系统性风险也日益显露。当前，我国经济存在结构性产能过剩，企业杠杆率过高，商业银行不良贷款率持续反弹，银行业处于系统性风险暴露的风口。由于政府部门、金融监管机构以及外部投资者对系统性金融风险的认知存在一定局限性，使得金融危机事件发生时不能及时有效地进行控制和处理。因此，一种有效测度系统性风险的方法对金融风险监管部门来说非常重要。目前学界普遍认为Adrian和Brunnermeier (2016)[3]提出的CoVaR是一种行之有效的测度系统性风险的方法，尤其在测度单个银行极端风险事件对金融体系的系统性风险溢出效应方面[4-6]。本文应用CoVaR技术测度单个银行对金融体系系统性风险的溢出效应。与Adrian和Brunnermeier (2016)[3]采用的CoVaR方法不同，本文基于金融机构之间存在的非线性相关结构，结合时变Copula计算动态CoVaR，进一步分析银行系统性风险溢出效应的变化特征。此外，本文认为银行系统性风险溢出效应存在时间维度的差异，因此，文中采用变分模态分解(VMD)方法来区分银行系统性风险的长期和短期溢出效应，并通过KS检验方法检验系统性风险长期和短期效应之间的差异，拓展了金融监管者对系统性风险的理解。本文的创新点主要体现在：第一，在模型构建方面，充分考虑金融时间序列“尖峰厚尾”的特征，基于银行与金融体系的非对称性相关关系，采用时变Copula方法测度动态CoVaR，拓展了系统性风险的衡量方法。第二，在实证方面，结合VMD和时变Copula方法测度银行系统性风险溢出的长期和短期效应，拓展了时间维度上系统性风险溢出效应的研究。第三，基于中国股票市场的实际情况，从股票市场异常波动时期和正常波动时期出发分析三种不同所有制商业银行系统性风险溢出效应，为金融风险监管部门制定风险防控策略提供了一定的依据。

二、文献综述

2008年美国次贷危机及2009年欧洲主权债务危机发生以来，国际股票市场相继出现的崩盘事件以及金融机构间“多米诺骨牌”式的系统风险传染事件，促使国际金融监管部门修订了《巴塞尔协议Ⅲ》，从宏观审慎的角度提倡加强金融体系系统性风险的防控，特别是单个金融机构系统性风险溢出效应的防范与监管。

现有文献关于系统性风险溢出效应的研究主要集中于两方面：一是根据金融市场数据测度系统性风险的溢出效应。Acharya等(2017)[7]提出了系统性预期损失(Systemic Expected Shortfall，SES)指标来度量金融市场动荡时单个金融机构的下行风险。Billio等(2012)[8]基于主成分分析和格兰杰因果检验度量了不同金融机构之间的风险溢出效应。Huang等(2009)[9]构建了压力保险补偿(Distress Insurance Premium，DIP)指标测度金融机构系统性风险。Brownlees和Engle (2017)[10]构建了SRISK指标衡量单个金融机构受到的金融市场系统性风险溢出效应的大小。Gravelle和Li (2013)[11]运用多元极值理论度量单个或多个金融机构的系统重要性。Adrian和Brunnermeier (2016)[3]提出CoVaR方法度量当某一金融机构处于极端风险事件时，其他金融机构或金融市场面临的风险价值。由于CoVaR考虑了金融机构间的关联性，从整个金融体系系统性风险的角度，很好地捕捉了金融机构之间或金融市场之间的系统性风险溢出效应，因此成为学界普遍认同的一种行之有效的风险衡量方法。国内也有学者运用CoVaR方法对系统性风险进行了相关研究。肖璞等(2012)[12]使用CoVaR方法研究了我国银行体系系统性风险。沈悦等(2014)[13]根据金融市场收益率的非对称性特征运用GARCH-Copula-CoVaR方法分析了不同金融业系统性风险溢出效应，研究发现银行业是系统性风险最大的爆发源。马麟(2017)[14]基于CoVaR方法比较分析了15家商业银行系统性风险及其溢出效应。白雪梅和石大龙(2014)[15]基于CoVaR方法得出银行业金融机构对系统性风险的贡献度较大的结论。陈忠阳和刘志洋(2013)[16]运用二元GARCH模型测算了不同类型商业银行系统性风险贡献度，研究结果表明股份制商业银行系统性风险贡献度高于大型商业银行。李志辉和樊莉(2011)[17]采用分位数回归技术测算7家商业银行系统性风险CoVaR值，实证研究表明国有商业银行系统性风险溢出效应大于股份制商业银行。陆静和胡晓红(2014)[18]引入状态变量模拟尾部风险的时变特征，应用分位数回归方法对我国14家上市商业银行CoVaR值进行排名发现，工商银行系统性风险最大。二是系统性风险溢出效应的影响因素研究。一些学者从单个金融机构对系统性风险溢出效应的影响因素出发，认为杠杆率、期限错配、非利息收益比例、银行规模、短期融资规模和资金充足率是导致系统性风险溢出的重要因素[3][19-21]。另一些学者则研究了金融系统风险对单个金融机构风险溢出的影响因素。如Sedunov (2016)[6]提出外资股本敞口、证券化收入和银行规模等因素加剧了银行系统性风险暴露。

然而，已有文献就商业银行系统重要性问题存在不一致的结论，本文认为这种不一致结论的产生是由于现有研究没有从时间维度的视角考虑金融市场波动所导致的系统性风险溢出效应存在差异的问题。Nitschka (2014)[22]认为经济周期是资本市场收益率波动的重要因素，它使得资本市场在时间维度上呈现不同的特征。邓创和徐曼(2014)[23]分析了中国金融市场波动对宏观经济的时变影响及其非对称性特征。郑挺国和王霞(2013)[24]基于现代宏观经济研究相关理论提出，中国经济波动体现了不同时间段宏观经济指标的协同变动特征。何德旭和张捷(2009)[25]梳理了金融加速器理论，分析并研究了资产价格泡沫，经济周期的非线性、非对称性特征，信贷业务的超常增长与金融不稳定之间的关系，提出现代经济的金融周期特征越来越明显，并对宏观政策存在影响。基于已有研究提出的金融市场波动在时间维度上所呈现的不同特征，本文应用变分模态分解(VMD)方法将金融市场时间序列根据其频域特征分解为长期时间序列和短期时间序列，从时间维度的视角分析系统性风险溢出效应，拓展了相关领域的研究。

三、研究设计

(一)样本选择与检验

本文研究单个商业银行对金融体系系统性风险的溢出效应，鉴于数据的完整性和可获得性，我们从WIND数据库选取14家上市商业银行股票日收盘价数据作为研究样本，证监会行业一级分类金融业指数作为金融市场风险指标，研究时间段始于2007年12月25日至2017年9月28日，共2 377个工作日股票收盘价数据。样本覆盖了4家国有控股商业银行：工商银行(ICBC)、建设银行(CCB)、中国银行(BC)和交通银行(BCC)；7家股份制商业银行：招商银行(CMB)、兴业银行(CIB)、中信银行(CITIC)、浦发银行(PDB)、民生银行(MSB)、平安银行(PABC)和华夏银行(HXB)；3家城市商业银行：北京银行(BBJ)、南京银行(BNJ)和宁波银行(BNB)。本数据为股票日数据，能较为全面且详细地刻画单个商业银行对金融体系系统性风险溢出效应的动态性。各商业银行股票收益率和金融指数收益率定义为rt=100×ln (pt/pt-1)。

由表1可知，股票收益率均值约为零，收益率波动较大，且呈现“尖峰厚尾”分布特征，其峰度基本大于5且在1%水平统计意义上显著。Jarque-Bera正态分布检验统计值在1%显著性水平上拒绝各商业银行和金融指数股票收益率时间序列服从正态分布假设，说明各商业银行及金融指数股票收益率序列不服从正态分布。此外，由Ljung-Box自相关检验统计值可见，股票收益率在较长时间内存在自相关性，且从ARCH-LM检验结果可见，股票收益率存在显著的异方差效应。最后，ADF单位根检验结果显示各商业银行与金融指数股票收益率序列为平稳序列。

表1 商业银行及金融指数日收益率描述性统计

续前表

(二)模型设计

在应用Copula函数估计商业银行系统性风险溢出效应时，需要考虑两个基本问题：一是单变量边缘分布模型的构建；二是选取合适的Copula函数来估计变量间的非对称尾部相关结构，以衡量极端条件下的金融市场系统性风险溢出效应。基于以上考虑，本文采用以下步骤来拟合商业银行与金融体系的尾部相关性：首先利用ARMA(1，1)-GARCH(1，1)-SKST模型对单变量收益率的边缘分布进行估计，根据估计得到的边缘分布对标准化后的残差序列进行概率积分变换，得到服从(0，1)均匀分布的收益率序列。然后，采用不同类型的Copula函数来拟合商业银行与金融体系的静态和动态非对称尾部相关结构。

1.边缘分布模型。

由表1可知各商业行及金融指数股票收益率序列呈现“尖峰厚尾、偏态、自相关、异方差”的特征，本文采用ARMA(1，1)-GARCH(1，1)-SKST模型估计变量的边缘分布，估计方程为：

rt=φ0+φ1rt-1+εt+θ1εt-1

(1)

(2)

f(zt;υ,η)=

(3)

2.变分模态分解(Variational Mode Decomposition, VMD)。

变分模态分解(VMD)是由Dragomiretskiy和Zosso (2014)[27]提出的有效分解信号的一种方法，其基本思路是将待变换信号f分解为不同中心频率ωk且带宽有限的K个模态分量uk。对待变换信号f进行VMD分解的具体步骤如下：

第一，估计模态分量uk的带宽。用Hilbert方法将待变换信号f进行频域转换，得到模态uk的单边频谱。将每个模态uk的频谱调制到相应的基频带，通过混合预估中心频率。计算上述解调信号梯度的平方L2范数，从而估计出模态分量uk的带宽。

第二，构造变分模型。我们通过构建具有约束条件的变分模型将待变换信号f分解为K个模态分量uk，其定义式为：

min{uk},{ωk}=

(4)

其中，∂t代表函数求偏导，K表示原始信号f进行分解后的模态分量的个数，ω，δ(t)和*分别表示频率，Dirac分布和卷积。{uk}={u1,…,uk}为一系列已分解的K个有限带宽的模态分量，{ωk}={ω1,…,ωk}是K个模态分量对应的中心频率。

第三，通过拉格朗日乘数将具有约束条件的变分模型转换成不具有约束条件的变分模型，得到增广拉格朗日函数公式：

L(uk,ωk,λ)=

(5)

其中，α为惩罚参数，λ为拉格朗日乘法算子，这两个参数保证了模型构建的准确度。

(6)

(7)

同时，拉格朗日乘法算子λ的更新式为：

(8)

3.商业银行与金融体系动态尾部相关性估计。

Copula函数所刻画的非线性关系有助于风险管理者对风险资产尾部极端事件发生的概率做出更好的预测，以降低极端风险事件发生可能带来的损失。而商业银行对金融体系系统性风险尾部溢出效应的研究，首先需要对商业银行与金融体系间的尾部相关性特征进行准确的估计。本文选用Copula方法来刻画商业银行与金融体系之间的尾部相关关系。根据Sklar定理[30]，对于两个随机变量X1和X2，其边际分布函数分别为FX1(x1)和FX2(x2)，通过一个多元Copula函数可以构建两个随机变量X1和X2的联合分布函数FX1,X2(x1,x2)，其表达式如下：

FX1,X2(x1,x2)=C(FX1(x1),FX2(x2))

=C(u1,u2)

其中，u1=FX1(x1)，u2=FX2(x2)的值域为[0,1]。当随机变量X1和X2的边缘分布函数连续时，则Copula函数C(u1,u2)是唯一确定的。将随机变量X1和X2的联合分布函数FX1,X2(x1,x2)求偏导数，得到其联合概率密度函数fX1,X2(x1,x2)用Copula函数表示为：

fX1,X2(x1,x2)=c(u1,u2)fX1(x1)fX2(x2)

其中，c(u1,u2)=∂2C(u1,u2)/∂u1∂u2。由此，随机变量X1和X2的联合概率密度函数fX1,X2(x1,x2)分解为两个部分，一部分是随机变量X1和X2的概率密度函数fX1(x1)和fX2(x2)，另一部分是描述随机变量X1和X2相关结构的Copula概率密度函数c(u1,u2)。

Copula模型以上尾相关系数λU和下尾相关系数λL来刻画变量间的尾部相关性，其表达式如下：

其中λU,λL∈[0,1]。上尾相关系数λU(下尾相关系数λL)描述的是当随机变量X2大于(小于或等于)某一临界值时随机变量X1也大于(小于或等于)该临界值的概率。

为了更好地刻画各商业银行与金融体系之间的尾部相关结构，我们选用了5种不同类型的Copula函数(Gaussian Copula、Clayton Copula、Gumbel Copula、Symmetrized Joe-Clayton Copula和Joe-Clayton Copula)来拟合商业银行与金融体系之间的静态和动态尾部相关结构。根据Patton (2006)[31]提出的时变Copula模型构建方法，假定各商业银行与金融指数股票收益率的相关性满足自回归移动平均过程，由此获得变量间关联性的动态变化特征。对于Gaussian Copula模型，假定参数ρt满足以下自回归移动平均过程：

(9)

其中，Λ(x)=(1-e-x)(1+e-x)-1是为了使参数ρt保持值域在[-1,1]之间而做的修正logistic变换。Φ-1(x)是标准正态分布函数分位数。对于Gumbel Copula和Clayton Copula模型，假定参数δt满足以下自回归移动平均过程：

(10)

对于Symmetrized Joe-Clayton Copula和Joe-Clayton Copula模型，假定尾部相关性参数λU,λL满足以下自回归移动平均过程：

(11)

(12)

其中，Δ(x)=(1+e-x)-1是logistic变换以使得λU、λL的值域在[0,1]之间。

4.系统性风险溢出效应度量。

(13)

=αβ

(14)

(15)

此外，我们应用Abadie (2002)[32]提出的KS boot-strapping检验方法检验各商业银行系统性风险溢出效应所存在的差异。KS检验的基本原理是基于变量的经验分布函数对变量间的累积分布函数进行比较以检验变量间的差异，其定义为：

(16)

其中，Fm(x)和Gn(x)为待检验变量的累积分布函数，m和n是待检验变量的样本数。

四、实证结果与分析

(一)边缘分布估计

表2给出了各商业银行股票收益率及金融指数收益率ARMA(1，1)-GARCH(1，1)-SKST边缘分布估计结果。

表2 ARMA(1,1)-GARCH(1,1)-SKST模型估计结果

由表2可知：第一，从第三列可见，大多数商业银行股票收益率(除浦发银行(PDB)，北京银行(BBJ)外)存在显著的自相关性，金融指数收益率自相关性不显著，此外，所有收益率普遍存在波动性。第二，所有商业银行股票收益率和金融指数收益率参数α1+β1的值均接近于1，说明当期收益率受到冲击时，收益率波动具有非平稳性。第三，表2第八列和第九列Skewed Studentt分布的非对称性及自由度参数估计结果均显著，说明各商业银行股票收益率和金融指数收益率时间序列具有非对称厚尾特征。为了检验ARMA(1，1)-GARCH(1，1)-SKST边缘模型是否很好地拟合各商业银行股票收益率和金融指数收益率序列特征，我们将边缘模型的残差标准化后进行Skewed Studentt分布的K-S检验。表2最后一列的检验统计量均不能拒绝Skewed Studentt分布的原假设，可以认为ARMA(1，1)-GARCH(1，1)-SKST模型较好地拟合了各序列的边缘分布。

(二)变分模态分解(VMD)

为了分析比较各商业银行系统性风险溢出效应在时间维度上的差异，我们需要将各商业银行股票收益率序列和金融指数收益率序列应用VMD原理，将各收益率边缘分布模型的标准化残差分解为10个不同中心频率的模态分量。我们沿用Mensi等(2017)[29]的思路将波动平稳且波动集聚较少的模态分量VMD1定义为长期收益率序列，而波动剧烈以及波动集聚明显的模态分量VMD10定义为短期收益率序列。这样，我们将得到各商业银行和金融指数具有不同中心频率有限带宽的长期和短期收益率序列。

(三)商业银行与金融体系动态尾部相关结构估计

系统性风险溢出效应CoVaR计算的关键是联合分布函数的估计，也就是说需要选择合适的Copula函数来拟合变量的联合分布函数。本文在对各商业银行股票收益率和金融指数收益率序列进行边缘分布估计后，首先，将标准化残差序列进行概率积分变换，使得变换后的序列服从(0，1)均匀分布。其次，我们构建了5种不同类型的Copula函数的相关结构模型。最后，利用最小AIC准则选择最优的模型对各商业银行与金融指数收益率尾部相关结构进行估计[注]5种不同类型的Copula函数分别为Gaussian Copula、Clayton Copula、Gumbel Copula、Symmetrized Joe-Clayton Copula、Joe-Clayton Copula，这里仅列出了最优Copula模型的拟合结果，其他各组Copula函数的静态和动态拟合结果限于篇幅没有一一列出，有兴趣的读者可与作者联系。。表3给出了14家商业银行与金融体系原始收益率序列最优Copula模型的参数估计结果[注]我们对14家商业银行和金融指数收益率进行了VMD分解获得长期和短期收益率序列，并将各个商业银行长期和短期收益率序列分别与金融指数长期和短期收益率序列构建静态和动态Copula模型，限于篇幅，长期和短期收益率序列静态和动态Copula模型估计结果没有列出，有兴趣的读者可与作者联系。。拟合结果表明时变Copula模型对各商业银行股票收益率和金融指数收益率序列的拟合优于静态Copula模型。其中，时变Symmetrized Joe-Clayton Copula模型拟合工商银行(ICBC)、中国银行(BC)、招商银行(CMB)、兴业银行(CIB)、中信银行(CITIC)、浦发银行(PDB)、民生银行(MSB)和宁波银行(BNB)与金融体系的动态尾部相关结构是最优的，说明这些商业银行与金融体系之间存在对称的尾部相关关系。Joe-Clayton Copula模型则用于拟合建设银行(CCB)、交通银行(BCC)、平安银行(PABC)、华夏银行(HXB)、北京银行(BBJ)和南京银行(BNJ)与金融体系动态尾部相关结构是最优的，说明这些商业银行与金融体系之间存在非对称的尾部相关关系。

(四)商业银行系统性风险溢出效应

本文从商业银行条件风险价值(CoVaR)和商业银行系统性风险贡献度(△CoVaR)两个方面研究商业银行系统性风险的溢出效应，并比较分析条件风险价值和系统性风险贡献度在时间维度上的差异，最后比较不同所有制商业银行的系统性风险贡献度在时间维度上的差异。

表3 时变Copula模型的参数估计结果

续前表

1.商业银行条件风险价值(CoVaR)估计。

商业银行条件风险价值用来衡量当某一商业银行处于极端风险事件时整个金融系统的风险水平。表4给出了商业银行在5%分位数水平下的条件风险价值及长期和短期条件风险价值检验结果。首先，商业银行条件风险价值在不考虑时间效应的情况下，各商业银行条件风险价值均值较大，在-1左右，但长期和短期条件风险价值均值均小于原始序列的条件风险价值，且其波动性高于原始序列条件风险价值的波动性，说明不考虑条件风险价值的时间效应可能会造成系统性风险评估的偏差。其次，从时间效应的维度考虑，14家商业银行有10家商业银行短期条件风险价值均值高于或等于长期条件风险价值，说明大多数商业银行对金融体系系统风险的短期冲击要大于长期冲击。最后，K-S检验进一步证实短期条件风险价值与长期条件风险价值存在显著差异。因此，金融体系系统性风险的评估不能忽视单个商业银行极端风险事件的影响，同时商业银行条件风险价值不可忽略时间效应的作用。

表4 商业银行条件风险价值估计与检验结果

续前表

图1给出了14家商业银行在5%分位数水平下长期和短期条件风险价值动态变化水平，工商银行(ICBC)、建设银行(CCB)、招商银行(CMB)、兴业银行(CIB)、民生银行(MSB)和华夏银行(HXB)这6家商业银行长期条件风险价值波动要高于短期条件价值波动，且这几家银行的条件风险价值均值基本高于其他商业银行。3家城市商业银行北京银行(BBJ)、南京银行(BNJ)和宁波银行(BNB)的长期和短期条件风险价值波动较小。

图1 商业银行长期和短期条件风险价值CoVaR

2.商业银行系统性风险贡献度(△CoVaR)。

表5给出了商业银行在5%分位数水平下的系统性风险贡献度估计值与检验结果。由表5可知，在不考虑时间效应的情况下，工商银行(ICBC)、建设银行(CCB)和中国银行(BC)3家国有控股商业银行系统性风险贡献度均值排名前三，△CoVaR均值分别为0.696、0.648和0.642，说明这3家国有控股商业银行某一家银行处于极端风险水平时，它对金融体系极端风险价值水平的贡献率为60%以上。实证结果与已有文献是一致的，说明银行规模是影响金融体系系统性风险的重要因素，银行规模越大，其对系统性风险的影响越大[6][21][33-34]。从长期来看，系统性风险贡献度排名前三的是民生银行(MSB)、北京银行(BBJ)和平安银行(PABC)，它们的△CoVaR均值分别为0.801、0.791和0.736；工商银行(ICBC)和中国银行(BC)排名分别为第4和第5，其△CoVaR均值分别为0.696和0.693，明显低于排名前三的均值水平。短期来看，工商银行(ICBC)、建设银行(CCB)和南京银行(BNJ)系统性风险贡献度排名前三。从商业银行系统性风险贡献度长期和短期排名的差异看，银行的规模不是影响系统性风险贡献度的唯一因素，规模小的商业银行的极端风险事件也可能会对系统性风险产生巨大影响[35]。另外，通过K-S检验证明不同商业银行系统性风险贡献度的长期效应和短期效应存在显著差异。

表5 商业银行系统性风险贡献度估计与检验结果

图2给出了商业银行在5%分位数水平下长期和短期系统性风险贡献度的动态变化。由图2可知，工商银行(ICBC)、建设银行(CCB)、中国银行(BC)、交通银行(BCC)、招商银行(CMB)、兴业银行(CIB)、中信银行(CITIC)、民生银行(MSB)、平安银行(PABC)、华夏银行(HXB)、北京银行(BBJ)的长期和短期系统性风险贡献度波动幅度明显，且在2008—2013年期间出现比较大范围的集聚。这可能是因为受到国际金融危机的影响，大型商业银行的系统性风险在增加。而南京银行(BNJ)和宁波银行(BNB)长期和短期系统性风险贡献度波动较为平缓，且其均值也较小。

图2 商业银行长期和短期系统风险性贡献度△CoVaR

3.不同所有制商业银行系统性风险溢出效应。

本部分首先按所有制的不同，将14家商业银行分为国有控股商业银行、股份制商业银行和城市商业银行三种类型，比较不同所有制商业银行系统性风险溢出的长期与短期效应。其次，在本文的样本期间内中国股票市场经历了两次异常波动，因此，我们将样本期间分为股市正常波动时期和股市异常波动时期两个子样本[注]股市正常波动时期时间段为：2010年1月1日—2014年12月31日和2017年1月1日—2017年9月28日；股市异常波动时期时间段为：2007年12月25日—2009年12月31日和2015年1月1日—2016年12月31日。，分析不同所有制商业银行系统性风险溢出效应在不同样本期间的差异。

表6给出了不同所有制商业银行系统风险贡献度的均值和标准差。由表6可知，全样本时期三种所有制商业银行系统性风险贡献度在时间维度上不存在显著差异，其均值在60%左右，且系统性风险贡献度标准差较小，波动性不大。说明在整个样本期间内很难甄别三种所有制商业银行系统性风险溢出的长期和短期效应之间的差异。通过将全样本期间按其是否发生异常性波动，我们从股票市场正常波动时期和股票市场异常波动时期这两个子样本期间出发来考察三种不同所有制商业银行系统性风险贡献度的基本特征。由表6可知，股票市场异常波动所带来的结果主要体现为三种不同所有制商业银行短期系统性风险溢出效应的增加。从长期来看，股票市场异常性波动所导致的三种不同所有制商业银行系统性风险溢出效应低于股票市场正常性波动时期。由于短期内股票市场的异常波动，会造成股价剧烈波动，造成溢出效应增大；而长期来看股价则表现为缓慢波动，导致风险溢出程度较为平缓，溢出效应的差异可能是由于样本的不同的时间跨度。

表6 不同所有制商业银行系统性风险贡献度描述性统计

注：圆括号内数值为标准差。

表7给出了不同所有制商业银行系统性风险贡献度在股市正常波动时期和股市异常波动时期长期效应和短期效应的检验结果。由表7可见，其一，在股市正常波动时期，股份制商业银行系统性风险贡献度排名无论在长期或短期均高于国有控股商业银行和城市商业银行；其二，在股市异常波动时期，从长期来看，三种不同所有制商业银行系统性风险贡献度排名为：股份制商业银行>国有控股商业银行>城市商业银行。其原因可能在于：一方面股份制商业银行股权所有者主要以机构投资者为主，属于利润导向型银行，股份制商业银行为迎合股权所有者对利润的追求，更倾向于高回报高风险投资项目，这种对投资收益的追逐行为容易增加股份制商业银行的市场风险敞口。另一方面在监管要求上，股份制商业银行相对低于国有控股商业银行，因此股份制银行在风险防范与管理方面存在较大的自主空间，更倾向于通过调高杠杆率来满足资金流动性需求。在市场环境不确定性因素影响下，股份制商业银行市场风险敞口会增大，从而造成系统性风险溢出效应高于其他所有制商业银行。而在股市异常波动时期，国有控股商业银行短期系统性风险贡献度高于股份制商业银行和城市商业银行。其原因可能在于：国有控股商业银行在政府部门的隐性担保下，更有动机利用自身的资源做出一些冒险的投资决策，这些投资决策本身会给国有控股商业银行带来较大的市场风险敞口。当金融市场出现波动时，这种负向结果更为明显。因此在股票市场异常波动期间，国有控股商业银行短期系统性风险溢出效应高于其他所有制商业银行。但从长期来看，与国有控股商业银行紧密关联的政府部门出于稳定金融市场的目的会采取措施降低国有控股商业银行的风险敞口。对于国有控股商业银行来说，它在整个金融体系中扮演着“大而不能倒”的角色。因此，国有控股商业银行系统性风险溢出长期效应低于股份制商业银行。

表7 不同所有制商业银行系统性风险贡献度检验结果

续前表

五、结论与启示

近年来，金融机构系统性关联的增强使得系统性风险溢出成为研究热点。为了更深入地研究商业银行系统性风险溢出效应，首先，本文以2007年12月25日至2017年9月28日的金融市场数据为研究样本，基于商业银行与金融市场收益率间存在的非对称相关结构，采用时变Copula-CoVaR模型测度商业银行系统性风险溢出效应。其次，通过变分模态分解(VMD)技术将收益率序列按其频域特征进行分解，测度了商业银行系统性风险溢出的长期和短期效应。最后，通过K-S检验分析比较商业银行系统性风险长期溢出效应和短期溢出效应的差异。实证研究得到以下结论：1.不同的商业银行系统性风险溢出效应存在差异。总体来说，大型商业银行系统性风险溢出效应高于小型商业银行。2.系统性风险溢出效应存在不同时间维度的差异。工商银行、建设银行和南京银行短期系统性风险溢出效应高于其他商业银行，而民生银行、北京银行和平安银行的长期系统性风险溢出效应排名前三。由此，银行规模不是衡量金融机构系统重要性的唯一标准，从长期来看，规模较小的银行也可能对系统性风险产生巨大影响。3.不同所有制商业银行系统性风险溢出的长期效应与短期效应存在差异。从总体上说，股份制商业银行对金融体系系统性风险的溢出价值要高于国有控股商业银行和城市商业银行，当股票市场处于异常波动时期，国有控股商业银行系统性风险短期溢出效应显著。

基于以上结论，本文得到以下政策启示：第一，为防范系统性风险的发生，需要加强金融体系系统性风险监管，进一步推进宏观审慎政策。第二，有效识别系统风险重要性金融机构，在密切关注大型商业银行系统性风险溢出效应的同时应重视对于中小型商业银行的监管。第三，由于银行系统性风险溢出长期效应和短期效应存在差异，需要监管部门根据其风险特征，制定与其相匹配的风险管理策略，从而保障我国金融体系的稳健发展。