金融市场风险溢出对银行理财产品收益的效应研究

龙林茂,郑 琦,田亚军

(兰州财经大学 统计学院,甘肃 兰州 730020)

一、引言

2022年1月1日,随着《关于规范金融机构资产管理业务的指导意见》(以下简称《资管新规》)的正式实施,银行金融理财正式进入非保本、净值化管理时代,金融理财也回归其“代理理财”本源。银行的代理人身份决定其不能再为金融理财产品收益“保本”兜底,以降低发生系统性金融风险的概率。从2017年《资管新规》征求意见开始,并于2018年4月出台后,《资管新规》对银行同业理财产生了实质影响,同业理财规模大幅度减少,因为该部分理财可能隐含着保本、脱实向虚和多层嵌套等性质,不符合《资管新规》的要求。其中,2017年同业理财规模比上年下降51.13%,2018年继续同比下降62.57%。遵照《资管新规》要求,银行推行非保本、净值化管理模式开展金融理财业务,由投资人承担金融理财市场风险,是否意味银行非保本理财规模也大幅度下降?现实并非如此。商业银行非保本理财规模仍然逐年增长,从2018年的22.04万亿元增长至2021年的29万亿元,3年增长了31.6%。相比其他主要金融机构,2021年末,证券行业资产管理业务规模为10.88万亿元,同比增加3.53%;信托业受托管理的信托资产余额为20.55万亿元,同比增长0.29%。数据说明了金融理财的客户群体仍然更多地选择了银行理财产品进行投资。但是,《资管新规》出台后,银行理财产品的投资结构发生了变化,债券市场投资比重增加。2017年前多数年份低于45%,2018年至2021年都超过53%,加上在货币市场的投资,银行理财资金主要投资于债券市场和货币市场。其中,2021年占比高达68.4%。①

依照投资理论,债券市场与货币市场投资增加,两个市场的风险贡献也可能相应增加而使银行理财产品收益的风险提高。从《中国新闻周刊》2022年9月15日刊载的信息看到,某银行476天固收类理财产品到期兑付,收益率仅为0.35%。普益标准统计数据也显示,2022年上半年有9.42%的银行理财产品到期收益未达业绩比较基准线。这是市场风险的真实表现。那么,是否银行理财产品低于业绩比较基准是一种常态或者一般性存在呢?是否银行理财产品投资者将完全承担来自债券市场和货币市场的风险溢出后果并影响对银行理财产品的投资选择呢?回答该问题具有现实意义。

本文认为,同样依照投资理论,银行理财产品收益风险来源于理财资金投资的目标市场风险和银行主动管理风险。《资管新规》实施后,因债券市场与货币市场投资增加,两个市场的风险贡献可能相应增加而使银行理财产品收益的风险提高,也可能因银行加强投资管理而使银行理财产品收益的风险降低,因此,出现银行理财产品低于业绩比较基准并不一定是一种常态或者一般性存在。由于两个市场投资比例提高,债券市场和货币市场风险自然成为银行考虑的最主要因素,特别是银行资产管理部门将重点关注两个市场的风险溢出对理财产品收益的影响,继而加强投资风险管理。因此,本文将基于《资管新规》实施前后比较视角,就债券市场与货币市场风险溢出对银行理财产品收益的效应进行研究,尝试找到回答前述问题的证据,对银行理财产品投资者和银行提出具有参考价值的建议。

二、文献综述

国内外学者对金融市场风险溢出的研究主要从两个维度展开,一个维度是对金融市场风险溢出效应进行测度,另一维度是分析金融市场风险溢出的动因以及传染的路径。在风险溢出效应测度研究方面,非线性测度成为主要的测度方法。主要的测度方法包括条件风险价值法(CoVaR)、溢出指数法和复杂网络模型或拓扑法。关于CoVaR的测度方法中,Mainik和Schaanning[1]提出的Copula-CoVaR方法广泛应用于资本市场风险溢出效应测度,Reboredo等[2]进一步提出基于Vine Copula模型测度CoVaR的方法。基于CoVaR的局限性,Adrian和Brunnermeier[3]进一步拓展CoVaR成为CoES(条件预期损失),用以刻画金融市场风险溢出效应。在此基础上,李政等[4]、曹洁和雷良海[5]分别利用GARCH模型和Copula函数度量了广义CoES,并提出广义多维CoES方法来测度多个金融市场对另一金融市场的多重风险溢出效应等;关于溢出指数法,Diebold和Yilmaz[6]构建溢出指数(Spillover Index)测度金融机构间的风险溢出效应;Allen和Gale[7]、Freixas等[8]提出了网络传染模型,并将模型运用到系统性金融风险的测度。Diebold和Yilmaz[9]在溢出指数法基础上,纳入复杂网络内容,构建波动溢出网络模型。刘湘云等[10]将熵理论引入金融市场风险测度研究中,并运用中外证券市场指数进行实证分析。蒋海和张锦意[11]、杨子晖和周颖刚[12]构建了基于金融市场的风险溢出网络,分析系统性金融风险的动态溢出效应和传染效应等。何德旭等[13]构建了包括货币市场及资本市场的跨市场金融网络,计算跨市场金融网络的风险传染效应,进而采用非线性因果检验确定风险传染的方向等。

在金融市场风险溢出的动因以及传染路径方面,外部冲击发生是金融市场风险形成的原因,外部冲击通过实体经济将风险依次传导至股票、货币及债券市场[14]。具体而言,货币市场对其他市场的风险溢出效应较强,股票市场、债券市场以及外汇市场受到外部风险的冲击更大[15],金融市场内风险溢出效应显著高于金融市场间,股票市场和房地产市场成为主要风险溢出方和接受方[16]。也有学者提出有差异的研究结论,认为风险溢出方向具有非对称性,房地产市场、商品市场和股票市场是风险的净溢出者,货币市场、债券市场、外汇市场和黄金市场是风险的净接受者[17]。纵观全球金融市场,美国、英国是全球系统性金融风险的主要输出国家,且美国的风险输出效应大于英国,中国和欧元区国家是全球系统性金融风险的净输入国家[13]。另外,在资管产品中,部分产品交易结构复杂,存在多层嵌套,在满足居民财富保值增值期望和市场融资需求的同时,一系列乱象也潜藏着系统性金融风险隐患[18]。为此,2018年4月《资管新规》实施后,将对银行理财产生系统、深远的影响,银行需进一步丰富保本负债工具,将资金配置于高等级信用债券、货币市场工具、短期利率债等净值波动较小的资产等[19]。

从以上梳理的中外文献来看,学者们构建多种模型对金融市场风险溢出效应进行测度,较好地度量了金融市场的变化状况,特别是指出了风险在金融市场间和市场内的传染方向及程度,并对金融市场风险监测与防范提出了具有参考价值的建议,为提高金融市场监管有效性奠定基础。但是,对于如债券市场和货币市场等的直接投资者银行或者间接投资者客户而言,学者们的研究结论及建议过于宏观,参考价值有限,且将金融市场风险溢出效应与具体金融产品投资相结合进行研究的文献较少。对《资管新规》的相关研究主要包括从定性方面对《资管新规》进行解读、对《资管新规》对银行的影响及银行理财资金投资结构变化等进行分析,其中,将金融市场风险与银行理财产品收益结合研究的文献较少。本文的边际贡献在于运用Diebold和Yilmaz[6]构建的溢出指数法测度债券市场与货币市场风险溢出对银行理财产品收益的效应,即银行理财产品收益的市场风险贡献水平,并运用GARCH模型衡量债券市场、货币市场波动和银行理财产品已实现收益的波动,以检验溢出指数法测度的有效性。再重复运用溢出指数法,以《资管新规》出台时间为界限,对债券市场与货币市场风险溢出对银行理财产品收益的效应分别进行估算和比较分析,揭示存在的差异,说明《资管新规》实施后,债券市场和货币市场风险溢出对银行理财产品收益的效应并没有显著增强,且两个市场的风险贡献不一定使银行理财产品收益的风险提高,银行理财产品收益风险主要来源于银行的投资管理,进而提出有参考价值的建议。

三、模型设定与研究假设

(一)风险溢出效应模型设定

学界研究变量方差贡献来源以及程度,通常采用溢出指数法,国内外有较多学者运用该方法研究市场风险溢出。由于银行理财产品所筹集资金主要投向债券市场和货币市场,理论上债券市场与货币市场风险将对银行理财产品收益产生实质影响。因此,本研究也将运用该方法对债券市场和货币市场的风险溢出进行衡量。选择银行理财产品收益率度量银行理财产品收益,利用债券市场指数和货币市场基金指数度量债券市场与货币市场的基础指标。

溢出指数法基于向量自回归模型VAR的方差分解。向量自回归VAR模型基本的表达式如下所示:

Yt=Φ1Yt-1+…+ΦpYt-p+εt,t=1,…,T

(1)

式中:Yt为k维内生变量列向量,在这里的内生变量列向量的元素,即模型的内生变量,指银行理财产品收益率、债券市场指数和货币市场基金指数三个变量(下同);p为滞后阶数;T为样本个数,每一个样本点代表着一个具体的月份时间节点。k×k维矩阵Φ1,…,Φp为待估计的系数矩阵,其矩阵元素的大小和排列可以说明内生变量滞后向量之间的关系。εt是k维扰动列向量,且扰动列向量相互之间可以同期相关,但是不与自己的滞后值相关且不与等式右边的变量相关。对于银行理财产品收益率、债券市场指数和货币市场基金指数变量而言,采取对模型中的随机扰动项进行衡量来刻画这三个变量的波动。上式中,εt～N(0,Σ),Σ是εt的协方差矩阵,是一个k×k的正定矩阵。在式中白噪声向量εt一般称为冲击向量,即对内生变量的冲击向量。

式(1)可表示为下列形式:

Φ(L)Yt=εt

(2)

将式(1)转变为式(2)的目的在于研究随机扰动项对内生变量的影响。其中,式(2)中的Φ(L)=Ik-Φ1L-Φ2L2-…-ΦpLp,Ik为k维单位矩阵,L为滞后算子,且有:L(Yt)=Yt-1。如果行列式det[Φ(L)]的根都在单位圆外,则式(1)满足平稳性条件,可以表示为无穷阶的向量动平均[vectormovingaverage,VMA(∞)]形式:

Yt=Θ(L)εt

(3)

式(3)中,Θ(L)=Φ(L)-1,Θ(L)=Θ0+Θ1L+Θ2L2+…,Θ0=Ik。

即内生变量列向量Yt的变动情况会受随机扰动项εt的影响。对VAR模型的估计可以通过最小二乘法OLS来进行。假如,对Σ矩阵不施加限制性条件,由最小二乘法可得Σ矩阵的估计量为:

(4)

当VAR的参数估计出来后,由于Φ(L)*Θ(L)=Ik,所以也可得到相应的VMA(∞)模型的参数估计。由于仅仅有内生变量的滞后值出现在等式的右边,所以不存在同期相关性问题,用普通最小二乘法能得到VAR简化式模型的一致且有效的估计量。

由式(1)可得:

Yt=(Ik-Φ1L-…-ΦpLp)-1εt=(Ik+Θ1L+Θ2L2+…)εt,t=1,2,…,T

(5)

Yt的第i个变量yit可以写成下述表达式:

(6)

由上述表达式可知各个括号中的内容是第j个扰动项εi从无限过去到现在时点对第i个内生变量yi影响的总和。求其方差,假定εj无序列相关,则有:

(7)

这是把第j个扰动项对第i个变量从无限过去到现在时点的影响,用方差加以评价的结果。此处还假定扰动项向量的协方差矩阵Σ是对角矩阵,则yi的方差是上述方差的k项简单和为:

(8)

yi的方差可以分解成k种不相关的影响,也就是说银行理财产品收益率、债券市场指数和货币市场基金指数的总变动为各自变量随机扰动项的总和。因此,为了测定各个扰动项相对yi的方差有多大程度的贡献,定义了如下尺度:

(9)

式(9)即相对方差贡献率(relative variance contribution,RVC),是根据第j个变量基于冲击的方差对yi的方差的相对贡献度来观测第j个变量对第i个变量的影响。也可以说是第j个变量对第i个变量的溢出效应。这样就可以分析银行理财产品收益率、债券市场指数和货币市场基金指数相互之间的溢出效应。

Θ0εt+Θ1εt-1+Θ2εt-2+…+Θs-1εt-s+1,Θ0=Ik

可以得到近似的相对方差贡献率:

(10)

当RVCj→i(s)较大时,意味着第j个变量对第i个变量的影响大;相反地当RVCj→i(s)较小时,意味着第j个变量对第i个变量的影响小。

运用Cholesky乔列斯基分解,式(10)可以用下列表达式表示:

(11)

式(11)中,C是一个下三角矩阵,CCT=Σ,Σ是前述扰动项εt的协方差矩阵。根据矩阵的相关性质,下三角矩阵C可以是不唯一的,矩阵的选择与变量的次序有关,因此式(11)对变量次序有一定的依赖性,可以说j变量对i变量的风险溢出值也是不唯一的,即内生变量相互之间的溢出指数会因变量次序的不同而不同。需要对上述的指数进行优化。因此,本研究借用Diebold和Yilmaz[6]的广义脉冲响应函数的相关理论,构建以下风险溢出指数:

(12)

(13)

由此可知,变量i受到其他变量的总风险溢出为:

(14)

变量i对其他变量的总风险溢出为:

(15)

(16)

这样,基于上述理论就可以分析银行理财产品收益、债券市场和货币市场之间的溢出效应。

假设1:债券市场和货币市场风险溢出对银行理财产品投资效应显著。

(二)GARCH模型运用

计量经济学家Tim Bollerslev(1986)提出了GARCH模型,用来衡量变量波动情况。以一阶GARCH(1,1)模型为例,其结构如下所示:

(17)

其中,yt为因变量,yt-1为自身滞后变量,εt为随机误差项,yt～N(0,ht)。本文运用GARCH模型来观测变量波动率与溢出指数之间的相关影响,旨在分析溢出指数的大小是否能在实际时间序列的波动中体现。换而言之,运用GARCH模型的目的在于检验债券市场和货币市场的风险溢出大小能否对银行理财产品收益的波动产生影响以及影响是如何体现的。

假设2:与溢出指数法分析结论一致,即验证假设1成立。

四、实证分析

(一)变量设计与数据选取

根据VAR模型要求和研究需要,设计债券市场指数、货币市场基金指数和银行理财产品收益率为三个平行变量。根据Wind数据库,选取月度债券综合指数与中债指数进行简单平均构造债券市场指数,选取货币市场基金月度指数为货币市场基金指数,根据中国理财网披露的理财报告中银行理财产品收益率曲线图和运用图像分析法估计银行理财产品收益率。数据区间为2013年1月至2021年6月,共选取102个月的月度数据。对数据进行描述性统计,结果如表1所示:

表1 数据描述性统计结果

Jarque-Bera检验是对样本数据是否具有符合正态分布的偏度和峰度的拟合优度的检验,其统计测试结果总是非负的。如果结果远大于零,则表示数据不具有正态分布。由表1的结果可知,三个数据的Jarque-Bera值都大于0,除了银行理财产品收益率检验的P值较大为0.182外,其余两个变量检验的P值都小于0.1,可在10%的显著性水平上认为其数据服从正态分布。

(二)数据平稳性检验

为了消除数据量纲的影响,对数据进行取对数操作,并在此基础上进行平稳性检验,检验结果见表2:

表2 变量ADF检验结果

溢出指数法依靠向量自回归VAR模型,因此需要对变量进行平稳性检验。表2中货币市场基金数据不论是否取对数都能够在10%的显著性水平上平稳;债券市场指数数据与银行理财产品收益率数据需要取对数差分后才能达到平稳条件。根据表2的结果,选取平稳的取对数处理后的变量数据进行进一步的操作,建立VAR模型并利用溢出指数法进行风险溢出效应的实证分析。

(三)脉冲响应函数分析

根据AIC和SC准则,变量数据所确定的滞后阶数p为滞后3期,运用脉冲响应函数进行脉冲响应分析,研究结果如图1所示:

图1 债券市场与货币市场冲击引起银行理财产品收益率的响应函数

从图1可以看出,债券市场的正冲击会给银行理财产品收益率带来一定的负面影响,且负面影响在1～3个月期间会慢慢加大,在4～7个月期间趋于平稳,到第8个月左右时达到最低点并稳定。货币市场的正冲击会给银行理财产品收益率带来逐渐扩大的正向影响,且影响的变化程度十分平缓。

(四)方差分解分析

通过模型的方差分解,进一步评价不同结构冲击的重要性。债券市场与货币市场对银行理财产品收益的贡献程度如图2所示。

图2 债券市场与货币市场冲击对银行理财产品收益率的贡献率

从图2可以看出,不考虑银行理财产品收益率自身的贡献率,债券市场对银行理财产品收益率的贡献率最大达到13.498%[RVC2→1(12)=13.498%],其对收益率的贡献率是逐渐增加然后在达到12%后开始小幅度波动,并且在第4个月时开始稳定。货币市场对收益率的贡献率最大达到10.243%[RVC3→1(12)=10.243%],其对收益率的贡献是先平滑上升,到第4期后有所下降并在第9期左右达到一个低点,此后继续上升。纵观二者对收益率的贡献率情况可知,二者对收益率波动的贡献较小,这与实际情况有些出入。

对模型进行广义预测误差方差分解后,得到的风险溢出指数结果如表3所示:

表3 变量的风险溢出情况

通过观察表3的溢出指数结果,可以发现债券市场指数对银行理财产品收益率的溢出仅仅只有3.4%,而货币市场对银行理财产品收益率的溢出仅仅只有0.9%,这不符合经济学的基本原理。出现上述问题的原因可能是运用了差分后的数据进行建模,应该运用存在协整关系的非平稳数据进行建模,以便较好地刻画变量之间的关系。

(五)协整分析

传统的VAR理论要求模型中每一个变量是平稳的,对于非平稳时间序列需要经过差分操作后才能继续进行VAR建模,差分后得到平稳序列再建立VAR模型。但是这样通常会损失水平序列所包含的信息,而随着协整理论的发展,对于非平稳的时间序列,只要各变量之间存在协整关系也可以直接建立VAR模型。因此,接下来进行模型对数数据的协整检验。检验结果如表4和表5所示:

表4 对数数据协整检验结果1

表5 对数数据协整检验结果2

由表4和表5的结果可知,迹统计量和最大特征值统计量在Johansen协整检验中被用于判断变量之间协整关系的个数。表5中迹统计量的检验判定:原假设None表示没有协整关系,该假设下计算的迹统计量值为58.8495,大于5%显著性临界值35.011且检验的P值为0.0000,可以拒绝该原假设,认为至少存在一个协整关系;下一个原假设At most 1表示最多有一个协整关系,该原假设下计算的迹统计量值为28.6764,大于5%显著性临界值18.398且检验的P值为0.0013,可以拒绝该原假设,认为至少存在两个协整关系;下一个原假设At most 2表示最多有两个协整关系,该原假设下计算的迹统计量值为7.2967,大于5%显著性临界值3.841且检验的P值为0.0069,可以拒绝该原假设,认为至少存在三个协整关系。同理,由上述结果可知最大特征值的检验结果与迹统计量的检验结果一致,都认为三个对数数据变量存在至少三个协整关系。因此,可以对模型的数据进行修改,运用取对数后消除量纲影响的变量数据进行溢出指数分析。

首先,根据AIC和SC准则,新的变量数据所确定的滞后阶数p为滞后4期,并运用脉冲响应函数进行脉冲响应分析。研究结果如图3所示:

图3 债券市场与货币市场冲击对银行理财产品收益率的响应函数

由图3可知,债券市场的正冲击会给银行理财产品兑付收益带来一定的负面影响,并有逐渐增大的趋势;货币市场的正冲击会给银行理财产品兑付收益带来一定的正面影响,在1～4个月期间有一定的波动,5个月后的正面影响趋于缓慢上升的趋势。

其次,对模型进行方差分解,以进一步评价不同结构冲击的重要性。债券市场与货币市场对银行理财产品收益的贡献程度结果如图4所示:

图4 债券市场与货币市场冲击对银行理财产品收益率的贡献率

由图4可知,随着期数的增加,债券市场指数变动解释收益率变动的部分逐渐增加,且在第9期后逐渐平缓至50%左右。货币市场基金指数变动解释收益率变动的部分先慢慢增加后增加幅度下降并在第6期后趋于平缓至5%左右。可见债券市场指数对银行理财产品收益率的波动贡献率是比较高的。根据图4可知,债券指数对银行理财产品收益率有一个影响10个月左右的滞后期,并且在此滞后期当中,债券指数对银行理财产品收益率的影响较大。

最后,对模型进行广义预测误差方差分解,得到的风险溢出指数结果如表6所示:

表6 变量的风险溢出情况

通过对表6溢出指数结果的观察可以发现,债券市场指数对银行理财产品收益率的溢出有31.9%,而货币市场基金指数对银行理财产品收益率的溢出只有9.4%。

总体而言,债券市场指数对银行理财产品收益率有较大的风险溢出效应,而货币市场基金指数对银行理财产品收益率的风险溢出效应较小,假设1没有完全成立。主要原因是:第一,银行理财资金以较大的比重投资于债券市场,货币市场投资相对较少;第二,银行在债券市场的投资通常采取分散化组合投资,在一定程度上分散了债券市场风险,则银行理财产品收益率的其他风险效应来源于银行的投资管理。

(六)加入可能的控制变量进行分析

为了考察是否有其他相关的市场风险因素对银行理财产品收益率产生影响,选用70城房价指数和上证指数为相关控制变量,进行VAR建模,运用脉冲响应函数进行脉冲响应分析。研究结果如图5所示:

图5 新增控制变量后的脉冲响应分析

图5结果显示,上证指数与70城房价指数对银行理财产品收益率的冲击影响相对较小,趋势较为平缓,也没有明显改变债券市场指数与货币市场基金指数对银行理财产品收益率的冲击影响。因此,可以认为股市和房价的变化对银行理财产品收益率的影响较小。进一步对新建的VAR模型的变量进行方差分解,结果如图6所示:

图6 新增控制变量后的银行理财产品收益率方差分解

图6结果显示,随着期数的增加,债券市场指数和货币市场基金指数变动解释银行理财产品收益率变动的贡献率依然较高,股票市场和房价的变化解释银行理财产品收益率变动的贡献率则较低。可见债券市场指数与货币市场基金对银行理财产品收益率的波动贡献率是比较高的,而上证指数与70城房价指数对银行理财产品收益率的波动贡献率则较低,进一步说明了股市和房价的变化对银行理财产品收益率的影响较小。总而言之,通过模型验证,选取债券指数和货币市场基金指数来分析银行理财产品收益的风险溢出是有效的。

(七)GARCH模型分析

为了观测溢出指数与实际数据波动的关系,需要对上述变量建立GARCH模型进行比较分析。首先,根据GARCH建模的要求,数据需要平稳,则选取进行取对数差分处理后的银行理财产品收益率数据与债券市场指数数据,选取取对数后的货币市场基金指数数据。其次,对处理后的变量数据建立GARCH模型。最后,对建模结果进行分析。模型估计的条件方差图如图7至图9所示:

图7 取对数差分后的银行理财产品收益率条件方差图

由图7可知,银行理财产品收益率在2014年第一季度和2018年第一季度有较大的波动,而2020年第一季度即新冠疫情暴发时间段及其之后的几个季度都有巨大的波动。

由图8可知,债券市场指数的波动在2013—2017年有较大的波动集群,2018年的波动较小。从2020年第一季度开始有一个持续近一年的大幅度波动,此后波动变小至2021年年中。

图8 取对数差分后的债券市场指数条件方差图

由图9可知,货币市场基金在2014年上半年有一个较大的波动,2015年至2017年初有一个持续时间较长的波动,此后2018年有一个持续近一年的较大波动,之后波动趋于平稳。这是由于2014年货币政策维持中性稳健使货币市场资金面保持紧平衡、2015年至2017年货币供应量M2持续降速和2018年货币市场资金前松后紧等因素的影响。

图9 取对数后的货币市场基金指数条件方差图

结合图7与图8两张图像看,债券市场指数条件方差的波动较大,且有一定持续性,而银行理财产品收益率条件方差的波动较小,但是在特定的年份有比较大的波动。具体分析可知,在2013年至2015年期间,受中国股票市场的“低迷”与“救市”影响,债券市场指数有几个较大的波动,并且波动的程度随着时间的推移而缓慢减弱,而收益率图像的波动较小,但是在债券市场指数波动后的9个月左右即2014年的1季度期间会有一个较大的波动。随后,在2016年年底至2017年1季度,由于对股票市场的“监管升级”等因素影响,债券市场指数有一个较大的波动,并且在那之后的9个月左右,收益率图像也会出现一个较大的波动。2020年年中的债券市场指数波动与2021年1季度的收益率波动相对应,滞后的时间都在9个月左右。此外,货币市场基金的条件方差图像与银行理财产品收益率的条件方差图像并没有太明显的关联性。

因此,上述的分析与前文的方差贡献率分析有一定的关联性,即债券市场指数变化对银行理财产品收益率的方差有一个10个月左右的滞后影响,且影响的贡献率超过了50%。而货币市场基金对银行理财产品兑付收益的影响并不显著,这与前文其方差贡献率图像的趋势相一致,即贡献率逐渐降低。虽然假设2没有完全成立,但是,运用GARCH模型分析得出与采用溢出指数法分析债券市场与货币市场风险溢出对银行理财产品投资效应基本一致的结论,说明检验效果是显著的。

五、《资管新规》实施前后比较

为了分析2018年4月的《资管新规》对银行理财产品投资收益带来的影响,将2018年4月作为一个间断点,分别分析《资管新规》实施前后的风险溢出。为了保证对比分析的对称性,选取2018年4月的前38个月和后38个月,即选取2015年2月至2018年4月与2018年5月至2021年6月两个对照区间,对两个区间的风险溢出情况进行对比分析。

运用前述模型进行广义预测误差方差分解,时间区间设定为2015年2月至2018年4月,得到的风险溢出指数结果如表7所示:

表7 第一区间变量的风险溢出情况

通过对表7溢出指数结果的观察可以发现,在2018年4月的前38个月中,债券市场指数对银行理财产品收益率的溢出有37.8%,而货币市场基金指数对银行理财产品收益率的溢出有23.2%,二者对银行理财产品收益率的波动都有较显著的贡献。

对时间区间设定为2018年5月至2021年6月的数据进行广义预测误差方差分解,得到的风险溢出指数结果如表8所示:

表8 第二区间变量的风险溢出情况

通过对表8溢出指数结果的观察可以发现,在2018年4月的后38个月中,债券市场指数对银行理财产品收益率的溢出有12.4%,而货币市场基金指数对银行理财产品收益率的溢出仅有6.2%,二者对银行理财产品收益率的波动相比显著降低,债券指数与货币市场基金的变化对其方差的贡献下降。

从投资理论与金融市场投资实际看,银行理财产品投资收益波动或风险主要来源于金融市场本身的风险和银行投资主动管理的风险,特别是特殊经济社会背景下,银行积极主动管理风险的可能性增大。《资管新规》实施前后,债券市场、货币市场对银行理财产品投资收益的风险溢出效应呈现前高后低,并没有出现因《资管新规》实施后银行理财产品投资结构变化使债券市场、货币市场风险溢出对银行理财产品投资收益的效应显著增加。主要的原因是:《资管新规》实施前,同业理财占较大比重且收益稳定,银行理财产品投资收益波动的贡献主要来源于债券市场和货币市场的风险溢出。《资管新规》实施后,在债券市场和货币市场投资比重增加,银行主动管理的意愿增强,特别是2020年初出现的疫情因素,银行主动管理的意愿更强,相应地,收益波动或风险更多来源于银行的积极管理,而不是主要来源于债券市场和货币市场。因为,从前述GARCH模型估计的结果可以看到,疫情出现后,债券市场和货币市场并没有出现大幅度及频繁的波动,相反,银行理财产品投资收益的波动较大。说明《资管新规》实施后,银行理财产品投资者承担了较大的来源于银行投资管理的风险。基于此,银行在主动管理风险的过程中,改变原来的“资金池”模式,采用“一对一”或“一对多”的投资管理模式,可能出现银行理财产品收益低于业绩比较基准的现象,但这并不是《资管新规》实施后的必然结果,银行也完全可以加强投资管理以降低债券市场和货币市场的风险溢出效应水平。

六、结论及建议

本文运用溢出指数法测度债券市场与货币市场风险溢出对银行理财产品投资收益的效应或者收益率波动贡献,再运用GARCH模型检验溢出指数法测度的有效性,最终得出如下结论:

第一,债券市场对银行理财产品投资收益有相对较大的风险溢出效应,而货币市场对银行理财产品投资收益的风险溢出效应相对较小,说明债券市场变化对银行理财产品投资收益实现有相对较大的影响,货币市场变化对银行理财产品投资收益的影响相对较小。

第二,运用GARCH模型进行模拟并对照分析,发现债券市场变化对银行理财产品投资收益的影响存在10个月左右的滞后期,即存在滞后效应,并且与采用溢出指数法分析债券市场与货币市场风险溢出对银行理财产品投资效应的结论基本一致。

第三,《资管新规》实施前后,债券市场、货币市场对银行理财产品投资收益的风险溢出效应呈现前高后低。《资管新规》实施后,银行理财产品投资债券市场和货币市场比重增加,但是两个市场对银行理财产品收益的风险溢出效应并没有显著增加,银行采取“一对一”或“一对多”的投资管理模式,使银行理财产品投资者承担的风险主要来源于银行的投资管理。银行可以通过提高投资管理水平,降低理财产品投资风险。

以上分析说明,债券市场和货币市场是波动的,且债券市场变动对银行理财产品投资有相对较大的影响,即在债券市场和货币市场投资是有风险的,而且在特定的市场环境下,可能有较大的波动或风险。为此,本文提出如下建议:

对于银行理财产品投资者来说,应该摒弃保本兜底思想,对银行理财产品投资风险要有正确的认识。而且,由于银行的组合投资效应,银行理财产品收益率相对稳定,投资者在选择稳健型理财产品或者在金融资产组合中需要加入低风险产品时,可以优先考虑选择银行理财产品,相对于选择货币市场基金,可以获取相对更高的收益率。另外,由于银行在投资风险管理方面存在差异,投资者应首选绩效评估较好的银行及理财产品。对于银行来说,需要进一步加强理财产品资金在债券市场的投资管理,在社会经济环境不确定性增加时,应该选择增加指数化投资,降低主动投资比重,降低主动管理对理财产品投资收益风险的贡献率。

[注 释]

① 数据来源:中国理财网、中国证券业协会官网、中国信托业协会官网。