我国上市商业银行系统性风险度量研究
——基于AR-GARCH-CoES模型

李合龙 邹小露 汪存华

(1 华南理工大学经济与金融学院，广州 510006；2 北华航天工业学院经济管理学院，河北 廊坊 065000；3 伊犁师范大学“一带一路”发展研究院，新疆 伊宁 835000)

1 文献综述

美国次贷危机中，各国金融体系受到严重的破坏，各金融机构受金融市场风险冲击后产生的损失迅速向其他国家传染、扩散，这样的恶性循环引发了严重的系统性风险，使得全球经济环境恶化并导致全球经济受到重挫。为此，巴塞尔协议Ⅲ出台，对金融机构及金融系统的风险控制和监管提出了更为严格的要求。此次金融危机期间，我国的金融体系也受到十分严重的影响。在我国金融体系中，商业银行是体系的核心，因此，它的正常运转很大程度上将会直接影响到我国金融体系的健康发展。为了维护我国银行业和金融体系的稳定运行以及国民经济的健康发展，有必要合理有效地研究系统性风险度量的相关问题。

现有的许多研究表明，采用风险管理手段无法削弱或消除金融机构的系统性风险，只有采取积极有效的监管措施，防止其积累甚至爆发。若要积极有效地监管金融机构的系统性风险，首先需要准确有效地度量其系统性风险。早期，VaR模型一直被认为是度量风险的主流方法和市场风险管理的绝佳工具[1-2]。但传统的VaR模型即在险价值方法仅仅考虑到了单个金融机构自身存在的风险，难以准确度量单个金融机构受到冲击时对金融体系产生的风险及风险贡献，存在诸多弊端。Adrian和Brunnermeier[3-4]在传统度量金融风险方法VaR的基础上，提出了条件风险价值CoVaR。由于CoVaR考虑了金融机构间的关联性，因此使用CoVaR方法能够很好地测度金融机构(或金融市场)之间的系统性风险和风险贡献水平。学术界关于CoVaR模型的改进进行过许多尝试：一是将分位数回归引入CoVaR模型，其中代表性的诸如白雪梅[5]、严一锋[6]、马麟等[7]。由于分位数回归不需要事先对尾部风险的分布进行假设，故这类方法简便易于计算，具有较强的适用性及可操作性。但分位数回归方法无法刻画金融市场数据之间的非线性关系，对于序列间相关关系的估计存在一定的不足，一般认为分位数回归会低估这种相关关系。二是将GARCH回归引入CoVaR模型，其中代表性的诸如高国华[8]、刘向丽[9]、梁斯[10]、Trabelsi等[11]。由于GARCH能够解释金融市场数据的重要特征，如尖峰厚尾、波动丛集性等，故可以通过假设尾部分布服从其他分布的方式来提升模型的预测精度，而且该模型简易，计算量不是很大，因此本文的实证部分使用AR-GARCH模型来衡量系统风险。然而，CoVaR本质上是一个分位，这表明传统CoVaR模型仅仅只关注单一分位点上的期望损失，不能足够准确地捕捉和描述系统性风险，为了克服CoVaR模型的这种局限，张冰洁等人[12]提出了一个新的度量系统性风险的模型——CoES模型，该模型关注尾部损失的均值，因此在捕捉系统性风险时能够更加关注整个金融市场的极端尾部损失情况，从而可以为金融系统监管提供更加准确的风险信息。鉴于此，本文引入AR-GARCH-CoES方法来测度上市商业银行的系统性风险及风险贡献。

2 AR-GARCH-CoES方法简介

2.1 CoES模型介绍

(1)

(2)

(3)

(4)

CoES的优势在于将风险度量指标由VaR改为ES，能够考虑到更加严重的困境事件，从而能够捕捉超过VaR门限值的尾部损失，并用期望平均对金融风险进行了分析，即CoES方法在捕捉系统性风险时更关注金融市场的尾部损失情况，因此能够为金融监管机构提供更加有效的风险信息。

2.2 AR-GARCH-CoES的计算过程

文章以CoVaR模型的改进为切入点，引入CoES理论，将其改进为AR-GARCH-CoES模型。为求解我国上市商业银行系统性风险度量结果，文章首先用AR-GARCH测算单家上市商业银行的VaR，然后根据CoES理论，结合AR-GARCH回归来度量我国上市商业银行的系统性风险。其具体计算过程如下：

采用GARCH模型求解每家银行的VaR，建立方程如下：

(5)

其中，{β1,β2,β3,θ1,θ2,θ3}为待估参数。Ri,t表示t时刻该上市商业银行的收益率，而Rm,t表示t时刻市场收益率，使用Rm,t这一指标作为解释变量有助于增加回归方程的拟合度。μi,t为残差，即收益率扰动项的信息，δi,t为各机构波动率，二者具有如下关系：μi,t=δi,t×εi,t，εi,t为标准化残差(即均值为零，方差为1的同分布随机扰动项序列)，假定其服从正态分布，可以得到式(5)的估计系数，求得银行机构i的VaR：

(6)

式(6)中zq表示为标准化残差所属分布的q分位数。

采用GARCH模型求解单个银行的CoVaR、ΔCoVaR、CoES、ΔCoES

(7)

(8)

(9)

3 实证分析

3.1 数据选取

本文选取沪深300银行指数作为银行系统总指数。原因在于：沪深300银行指数包括我国25家上市商业银行中的21家上市商业银行，这21家上市商业银行中有5家大型商业银行和16家其他商业银行，这些银行的总资产占我国上市银行资产总额的99%以上，具备良好的代表性。另外参照张蕊等[13]的研究，选取上证综合指数作为市场综合指数，使用该指标作为解释变量有助于增加回归方程的拟合度。并从银行指数成分股中选取2014年11月3日至2018年11月3日我国12家上市商业银行的每日股票收盘价，对合计976个数据观测值展开分析，数据来源于Wind数据库。

3.2 描述性统计分析

表1 描述性统计结果

从表1可以看出，各商业银行的日收益率序列具有“尖峰厚尾”的特性，具体表现为：各商业银行偏度的有偏性显著但相差较大；各商业银行的峰度值都较大但相差较远，具体表现为大型商业银行的峰度基本上高于其他商业银行的峰度，并通过J-B统计检验值的大小来验证其序列的正态性，检验结果表明所有的收益率序列是不服从正态分布的。随后，在95%置信水平下，采用单位根ADF检验来检验各商业银行收益率序列的平稳性，结果如上表所示，发现所有的收益率序列的ADF检验的p值均接近0，这表明所有的收益率序列是平稳的序列。

3.3 上市商业银行的系统性风险度量

表2 各上市商业银行的VaR、β、ΔCoVaR与ΔCoES

从VaR估计值和VaR排名可以发现，大型商业银行自身的风险较小，中小型商业银行的自身风险明显大于大型商业银行，这是由于大型商业银行较中小型商业银行具有更强的风险管理能力，且金融监管部门对大型商业银行设定的监管指标要比中小型商业银行更加严格。回归估计系数β值衡量了单个银行对银行系统的风险溢出效应，可将其作为系统性风险的一个度量指标。根据β估计值的大小可得，除建设银行以外的其他大型商业银行β值都在0.8以上，大型商业银行β值普遍高于其他商业银行；同样，根据β值的排名，多数中小型商业银行的β值排名较大型商业银行的排名靠后。大型商业银行因其资产规模庞大、信贷往来业务复杂多样，能够很大程度地影响我国银行系统的整体发展，因此，其β值较大。相较于大型商业银行，中小型商业银行的β值较低，但这些商业银行间也存在差异，如兴业银行和北京银行的β值就在0.7以上，而宁波银行的β值仅为0.47。总之，大型商业银行具有较低的VaR绝对值而具有较高的β值，中小型商业银行具有较高的VaR绝对值而具有较低的β值，原因是大型银行的风险管理能力高的同时(VaR绝对值较小)，其对银行系统的影响力也比较大(β值较大)，中小型商业银行则与之相反。

从ΔCoES估计值的大小来看，大型商业银行ΔCoES绝对值普遍高于中小型商业银行的ΔCoES绝对值，其中大型商业银行中国银行和交通银行的ΔCoES绝对值最大，中小型商业银行宁波银行、招商银行、中信银行的ΔCoES绝对值最小；同样从ΔCoES排名来看，中小型商业银行ΔCoES排名普遍较大型商业银行的ΔCoES排名靠后。这表明，当大型银行机构受到经济冲击后，其对整个银行系统造成的影响大于中小型商业银行对整个银行系统造成的影响。另外，ΔCoVaR值与ΔCoES值存在略微不同，前者只能捕捉单个分位点上的尾部极端情况，而后者关注尾部损失的均值，比前者更能捕捉风险。根据表2发现，各商业银行的ΔCoVaR绝对值大多低于ΔCoES绝对值，那么与改进CoVaR模型后的CoES模型相比，可得出结论：传统的CoVaR模型低估了银行机构的系统性风险及风险贡献。

进一步对各上市商业银行的ΔCoES结果按照行业类型取均值，绘制时序图，见图1。可以看出大型商业银行与中小型商业银行对银行系统整体的风险影响变动轨迹基本上是相似的，并且大型商业银行对银行系统整体的风险贡献要高于中小型商业银行对银行系统整体的风险贡献。变动轨迹基本上是相似的原因有： 第一，各商业银行处于同一个经济环境且具有相似的风险敞口。第二，所有CoES的计算都来自股票价格，而在股市上，由于资金分配与一致预期的关系，各银行的股价会有相似的走势。

图1结合我国经济发展的实际情况，可从中分析各类型商业银行对银行系统整体产生风险变动的原因。2014年11月17日沪港通的实施，吸引大量的外来资金涌入并加速我国股票市场的开放进程，但由于我国金融市场的监管体系并不完善，其进一步加剧了我国股票市场的震荡，从这一角度来看明显不利于我国经济的稳定和发展，表现为这段时期各商业银行的系统性风险的波动幅度增加(从图1可明显看出)。2015年“股灾”事件的爆发与2016年年初我国股市的“熔断”，造成我国商业银行的系统性风险显著上升，在图1中表现为系统性风险呈直线下移，波动幅度强烈。之后面对严峻的国内外经济形势，各政府监管部门实施各种适用性的经济政策，中国经济状况逐步回暖，各商业银行的系统性风险波动幅度变化不大。2017年，受到深港通政策的影响，各商业银行的系统性风险波动幅度略有增加，然后我国出台了一系列金融风险整治措施，有效管理了银行体系系统性风险，各商业银行的风险变动趋于平缓，即银行风险传染的渠道更加固定、成熟，表明了我国在系统性风险的监管方面取得了不错的成效。

图1 各类上市商业银行ΔCoES变化趋势图

4 结论与建议

本文基于AR-GARCH-CoES方法，选取2014年11月3日至2018年11月3日的沪深300银行指数与我国12家上市商业银行的对数收益率数据进行实证分析。结果表明：大型商业银行ΔCoES绝对值普遍高于中小型商业银行的ΔCoES绝对值，即当大型银行机构受到经济冲击后，其对整个银行系统造成的影响大于中小型商业银行对整个银行系统造成的影响；且除北京银行外，各商业银行的ΔCoVaR绝对值要低于ΔCoES绝对值，那么对于CoVaR模型来说，鉴于CoES模型在捕捉风险时更加关注尾部损失的均值，其进行计算得到的结果比CoVaR计算得到的结果更加准确。根据ΔCoES时序图来看，诸如沪港通的实施、“股灾”的爆发等重大事件的发生都使得各商业银行的系统性风险波动幅度发生变动，即经济政策的实施与风险事件的发生都会使我国商业银行对银行系统产生重要的影响。

基于上述研究结论，本文提出如下建议：第一，大型商业银行应承担更大的风险监管和风险控制责任，不断完善本身体制的不足之处，提高自身应对市场冲击的能力。第二，尽管中小型商业银行的系统重要性不及大型商业银行，也应该进一步提高对风险防范的认识，提升银行资产质量，保持自身业务的稳定发展。