我國(guó)商業(yè)銀行系統(tǒng)性風(fēng)險(xiǎn)的實(shí)證研究

1、蘇州大學(xué)本科生畢業(yè)設(shè)計(jì)（論文）目錄中文摘要1ABSTRACT2一、前言3（一）研究背景與意義31研究背景32研究意義3（二）研究方法3（三）文獻(xiàn)綜述31國(guó)外文獻(xiàn)42國(guó)內(nèi)文獻(xiàn)4（四）研究思路與結(jié)構(gòu)5二、實(shí)證分析的相關(guān)模型與方法6（一）隨機(jī)時(shí)間序列分析模型61自回歸模型（AR）62移動(dòng)平均模型（MA）63ARMA模型6（二）GARCH類模型71ARCH模型72GARCH模型73非對(duì)稱GARCH模型7（三）VaR方法8（四）CoVaR方法8三、數(shù)據(jù)選取與統(tǒng)計(jì)性檢驗(yàn)9（一）樣本選擇與數(shù)據(jù)處理9（二）數(shù)據(jù)的統(tǒng)計(jì)性檢驗(yàn)101描述性統(tǒng)計(jì)102平穩(wěn)性檢驗(yàn)123相關(guān)性檢驗(yàn)144ARCH效應(yīng)檢驗(yàn)16四、商業(yè)銀行系

2、統(tǒng)性風(fēng)險(xiǎn)的實(shí)證分析17（一）VaR的測(cè)算與分析17（二）CoVaR的測(cè)算與分析181銀行系統(tǒng)CoVaR182各銀行CoVaR20結(jié)論與不足23（一）本文的結(jié)論23（二）本文的不足23參考文獻(xiàn)24致謝2628中文摘要系統(tǒng)性風(fēng)險(xiǎn)是指當(dāng)某個(gè)金融機(jī)構(gòu)受到內(nèi)部或外部的沖擊時(shí)，由于金融機(jī)構(gòu)間的聯(lián)動(dòng)性，其他金融機(jī)構(gòu)乃至整個(gè)金融體系都遭受損失的可能性。我國(guó)自2012年開(kāi)始經(jīng)濟(jì)增速放緩，系統(tǒng)性金融風(fēng)險(xiǎn)逐步累積，系統(tǒng)性風(fēng)險(xiǎn)發(fā)生的可能性增加，17年10月黨的十九大報(bào)告也指出要“健全金融監(jiān)管體系，守住不發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)的底線”。銀行業(yè)是我國(guó)金融體系的重要組成部分，因而對(duì)其系統(tǒng)性風(fēng)險(xiǎn)的準(zhǔn)確測(cè)度有利于監(jiān)管措施的有效實(shí)施

3、。本文基于GARCH-CoVaR方法對(duì)在上交所上市的14家商業(yè)銀行2009年9月1日到2018年3月30日的每日收盤價(jià)進(jìn)行對(duì)數(shù)收益率的分析，結(jié)果表明：工商銀行，中國(guó)銀行，農(nóng)業(yè)銀行，建設(shè)銀行的在險(xiǎn)價(jià)值最??；交通銀行，中國(guó)銀行，建設(shè)銀行和農(nóng)業(yè)銀行對(duì)整個(gè)銀行體系造成的風(fēng)險(xiǎn)溢出效應(yīng)最大；交通銀行，浦發(fā)銀行，光大銀行抵御外部風(fēng)險(xiǎn)的能力較強(qiáng)。關(guān)鍵詞：商業(yè)銀行 系統(tǒng)性風(fēng)險(xiǎn) GARCH-CoVaR 風(fēng)險(xiǎn)溢出ABSTRACTSystemic risk means that when a financial institution is subjected to internal or external shoc

4、ks, due to the linkage between financial institutions, other financial institutions and even the entire financial system may suffer losses. Since 2012, Chinas economic growth has slowed down, systemic financial risks have gradually accumulated, and the possibility of systemic risks has increased. Th

5、e Partys Nineteenth Congress report in October 17 also pointed out that “a sound financial supervision system should The bottom line of financial risk." Banking industry is an important part of China's financial system, so the accurate measurement of its systemic risk is conducive to the ef

6、fective implementation of regulatory measures.Based on the GARCH-CoVaR method, this paper analyzes the logarithmic returns of the daily closing prices of 14 commercial banks listed on the Shanghai Stock Exchange from September 1, 2009 to March 30, 2018. The results show that: Industrial and Commerci

7、al Bank of China, Bank of China, Agricultural banks and China Construction Bank have the lowest risk at risk; Bank of Communications, Bank of China, China Construction Bank and Agricultural Bank have the largest risk spillover effect on the entire banking system; Bank of Communications, Shanghai Pud

8、ong Development Bank and Everbright Bank have strong resistance to external risks.Key words: commercial Bank ；systematic risk；GARCH-CoVaR ；Risk spill utility一、前言（一）研究背景與意義1研究背景2008年美國(guó)次貸危機(jī)所導(dǎo)致的金融危機(jī)在全球范圍內(nèi)引起了多家金融機(jī)構(gòu)的破產(chǎn)，其對(duì)全球經(jīng)濟(jì)造成的重創(chuàng)即使是到十年后現(xiàn)在經(jīng)濟(jì)也未能完全恢復(fù)。正是從這次危機(jī)開(kāi)始，宏觀審慎監(jiān)管受到了各國(guó)當(dāng)局的重視，危機(jī)后，各國(guó)均出臺(tái)了各種金融監(jiān)管措施，加強(qiáng)了對(duì)具有廣泛傳導(dǎo)

9、性的系統(tǒng)性風(fēng)險(xiǎn)的度量與探索。在我國(guó)，GDP增速的放緩和利率管制的放開(kāi)結(jié)束了銀行業(yè)粗放激進(jìn)的傳統(tǒng)模式，競(jìng)爭(zhēng)的加劇增加了各銀行間的聯(lián)動(dòng)性與傳染性，導(dǎo)致系統(tǒng)性風(fēng)險(xiǎn)發(fā)生的可能性增加，對(duì)系統(tǒng)性風(fēng)險(xiǎn)的防控成為金融監(jiān)管的一個(gè)重點(diǎn)。2017年4月，中央政治局集體學(xué)習(xí)“維護(hù)國(guó)家金融安全”，要把維護(hù)金融安全作為治國(guó)理政的一件大事。7月24日中央政治局會(huì)議部署下半年經(jīng)濟(jì)工作，提出“整治金融亂象”，要求加強(qiáng)金融監(jiān)管協(xié)調(diào)。2017年10月，黨的十九大報(bào)告指出，要“健全金融監(jiān)管體系，守住不發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)的底線?！?防控金融風(fēng)險(xiǎn)已成為今后三年中國(guó)經(jīng)濟(jì)的一大重點(diǎn)。在銀行業(yè)內(nèi)部，監(jiān)管力度也大大加強(qiáng)，2017年以來(lái)，銀監(jiān)會(huì)針

10、對(duì)強(qiáng)化風(fēng)險(xiǎn)管控、彌補(bǔ)監(jiān)管短板、押品管理等連發(fā)多個(gè)文件。4月7日，銀監(jiān)會(huì)下發(fā)關(guān)于集中開(kāi)展銀行業(yè)市場(chǎng)亂象整治工作的通知（銀監(jiān)發(fā)20175號(hào)），以回歸本源、服務(wù)實(shí)體、防范風(fēng)險(xiǎn)為目標(biāo)，歸納梳理了股權(quán)和對(duì)外投資、非法金融活動(dòng)等十大方面的行業(yè)亂象，要求重點(diǎn)予以整治并嚴(yán)格責(zé)任追究，同時(shí)加大了監(jiān)管處罰力度。4月10日，銀監(jiān)會(huì)發(fā)布關(guān)于銀行業(yè)風(fēng)險(xiǎn)防控工作的指導(dǎo)意見(jiàn)（銀監(jiān)發(fā)20176號(hào)），列舉出銀行業(yè)風(fēng)險(xiǎn)防控的十大重點(diǎn)領(lǐng)域，旨在推進(jìn)金融機(jī)構(gòu)有序去杠桿，防范系統(tǒng)性風(fēng)險(xiǎn)。2研究意義銀行業(yè)是我國(guó)金融體系最重要的組成部分，目前銀行業(yè)正處在復(fù)雜而深刻的變化歷程中，“違反宏觀調(diào)控政策”，“影子銀行和交叉金融產(chǎn)品風(fēng)險(xiǎn)”等銀行業(yè)亂

11、象也加劇了銀行業(yè)所面對(duì)的風(fēng)險(xiǎn)，對(duì)金融風(fēng)險(xiǎn)的管控受到監(jiān)管部門的重視。系統(tǒng)性風(fēng)險(xiǎn)作為進(jìn)行宏觀審慎監(jiān)管的重要指標(biāo)，對(duì)它的準(zhǔn)確度量有利于了解各銀行的風(fēng)險(xiǎn)控制情況，對(duì)監(jiān)管政策的制定有一定的參考意義。（二）研究方法CoVaR方法是目前測(cè)度系統(tǒng)性風(fēng)險(xiǎn)的一種主要方法，它考慮到了系統(tǒng)性風(fēng)險(xiǎn)的條件性，聯(lián)動(dòng)性，傳染性和貢獻(xiàn)性，測(cè)算某一機(jī)構(gòu)或金融系統(tǒng)受到?jīng)_擊時(shí)其他金融機(jī)構(gòu)的風(fēng)險(xiǎn)價(jià)值。相比傳統(tǒng)的分位數(shù)回歸，運(yùn)用GARCH模型所得到參數(shù)估計(jì)結(jié)果效果更好，因而本文采用GARCH模型對(duì)商業(yè)銀行的系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行分析。（三）文獻(xiàn)綜述1國(guó)外文獻(xiàn)傳統(tǒng)的風(fēng)險(xiǎn)測(cè)量方法以VaR(Value at Risk)在險(xiǎn)價(jià)值方法為主，計(jì)算單個(gè)金融機(jī)

12、構(gòu)在一定的分位數(shù)水平下所可能承受的最大損失，但無(wú)法衡量金融機(jī)構(gòu)之間風(fēng)險(xiǎn)的傳染性。Brunnermeier和Adrian(2009) 以VaR 模型為基礎(chǔ)，構(gòu)建出CoVaR模型，該模型可以測(cè)度各金融機(jī)構(gòu)之間的風(fēng)險(xiǎn)溢出效用。CoVaR是某金融機(jī)構(gòu)處于困境（損失與其VaR相等）時(shí)，其他金融機(jī)構(gòu)或整個(gè)金融系統(tǒng)的最大可能損失。他們將一個(gè)機(jī)構(gòu)對(duì)系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)定義為機(jī)構(gòu)處于困境時(shí)的CoVaR與該機(jī)構(gòu)處于中位數(shù)水平下的CoVaR之間的差，并根據(jù)對(duì)全球上市金融機(jī)構(gòu)CoVaR的估計(jì)，預(yù)測(cè)系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)的程度并據(jù)此討論宏觀審慎監(jiān)管的政策。 Brunnermeier，Adrian. CoVaRR. Federal

13、Reserve Bank of New York Staff Reports，2010（348）Kuester（2006）通過(guò)對(duì)各種模型進(jìn)行比較發(fā)現(xiàn)使用GARCH模型對(duì)收益率系列進(jìn)行分析并假設(shè)條件方差服從t分布所得到的參數(shù)估計(jì)結(jié)果相比傳統(tǒng)的分位數(shù)回歸有更好的效果。Kuester.K,Mittnik.S,Paolella.M.S.Value-at-risk prediction: A comparison of alternative strategiesJ.Journal of Financial Econometrics, 2006 4(1): 53-89Roengpitya和 Rungch

14、aroenkitkul（2010）應(yīng)用CoVaR方法量化了六大泰國(guó)商業(yè)銀行1996Q2-2009Q1期間的系統(tǒng)性風(fēng)險(xiǎn)水平和金融聯(lián)系，數(shù)據(jù)發(fā)現(xiàn)大型銀行對(duì)整個(gè)銀行體系的系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)更大。 Roengpitya R, Rungcharoenkitkul P. /repofficepubl/arpresearch 201003.06.pdf. 2010Giulio Girard 等(2013)修改了Adrian（2009） 等人的CoVaR模型，將金融困境的定義從完全處于風(fēng)險(xiǎn)價(jià)值更改為處于風(fēng)險(xiǎn)價(jià)值的最高水平值，這種修改可以用于考慮處于更嚴(yán)峻的困境時(shí)的情況。 Giul

15、io Girardi , A. Tolga Ergün. Systemic risk measurement: Multivariate GARCH estimation of CoVaR J.Journal of Banking and Finance, 2013, Vol.37 (8), pp.3169-3180Elsevier2國(guó)內(nèi)文獻(xiàn)國(guó)內(nèi)學(xué)者對(duì)系統(tǒng)性風(fēng)險(xiǎn)的度量主要是借鑒國(guó)外學(xué)者所采用的模型進(jìn)行研究。高國(guó)華等（2011）以測(cè)量金融機(jī)構(gòu)溢出風(fēng)險(xiǎn)的條件CoVaR模型為基礎(chǔ),應(yīng)用股價(jià)數(shù)據(jù)對(duì)我國(guó)14家上市商業(yè)銀行的系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)度及其影響因素進(jìn)行測(cè)算分析。實(shí)證結(jié)果表明：銀行系統(tǒng)性風(fēng)險(xiǎn)貢

16、獻(xiàn)度與其自身VaR之間并無(wú)顯著線性關(guān)系，對(duì)我國(guó)銀行體系而言,系統(tǒng)重要性銀行主要是四大國(guó)有銀行。高國(guó)華，潘英麗.銀行系統(tǒng)性風(fēng)險(xiǎn)度量基于動(dòng)態(tài)CoVaR方法的分析J.上海交通大學(xué)學(xué)報(bào)，2011（12）袁曦等（2014）考慮到金融變量之間的動(dòng)態(tài)相關(guān)性，將CoVaR法、Copula法與 GARCH 模型相結(jié)合測(cè)度我國(guó)上市銀行的系統(tǒng)性風(fēng)險(xiǎn)與邊際風(fēng)險(xiǎn)貢獻(xiàn)度。研究發(fā)現(xiàn)規(guī)模大的銀行風(fēng)險(xiǎn)控制能力較強(qiáng)，而中小銀行的風(fēng)險(xiǎn)抵制能力則比較弱。袁曦，陳長(zhǎng)權(quán)，石德金.基于GARCH-Copula-CoVaR方法的我國(guó)銀行系統(tǒng)性風(fēng)險(xiǎn)的度量研究J. 科技和產(chǎn)業(yè). 2014(01)沈悅等（2015）應(yīng)用 GARCH-Copula-

17、CoVaR 法測(cè)度了銀行、保險(xiǎn)、證券以及信托四個(gè)子市場(chǎng)對(duì)金融業(yè)的系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)程度以及各子市場(chǎng)之間的風(fēng)險(xiǎn)溢出程度。研究發(fā)現(xiàn)各個(gè)子市場(chǎng)及子市場(chǎng)之間都存在明顯的風(fēng)險(xiǎn)溢出效應(yīng)，且銀行業(yè)子市場(chǎng)的系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)度最高，作為最大爆發(fā)源，在防范系統(tǒng)性風(fēng)險(xiǎn)時(shí)要重點(diǎn)注意。沈悅，戴士偉，羅希.中國(guó)金融業(yè)系統(tǒng)性風(fēng)險(xiǎn)溢出效應(yīng)測(cè)度基于GACH-Copula-CoVaR模型的研究J.當(dāng)代經(jīng)濟(jì)科學(xué)，2014（11）：30-38沈虹，邢熒(2016)以14家上市商業(yè)銀行為樣本計(jì)算了各銀行的CoVaR，研究表明工商銀行、建設(shè)銀行、北京銀行、南京銀行的整體風(fēng)險(xiǎn)溢出水平較高，應(yīng)加強(qiáng)對(duì)這些銀行的日常監(jiān)管。沈虹，邢熒. 基于CoVaR

18、方法的國(guó)內(nèi)商業(yè)銀行系統(tǒng)性風(fēng)險(xiǎn)度量J.揚(yáng)州大學(xué)學(xué)報(bào)，2016（9）:68-72（四）研究思路與結(jié)構(gòu)本文選取在上交所上市的14家商業(yè)銀行的數(shù)據(jù)，運(yùn)用GARCH-CoVaR法，對(duì)上市銀行和整個(gè)銀行體系的系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行計(jì)算分析。結(jié)構(gòu)安排如下：第一部分 引言。首先介紹本文的研究背景與研究意義，其次簡(jiǎn)要介紹國(guó)內(nèi)外學(xué)者的研究成果，最后介紹本文的研究思路與結(jié)構(gòu)。第二部分 系統(tǒng)性風(fēng)險(xiǎn)相關(guān)理論。首先回顧傳統(tǒng)的VaR（風(fēng)險(xiǎn)價(jià)值）評(píng)估方法，然后介紹本文所用的CoVaR方法，最后對(duì)GARCH模型進(jìn)行介紹。第三部分 數(shù)據(jù)說(shuō)明與研究方法。介紹樣本的選取，并對(duì)數(shù)據(jù)進(jìn)行正態(tài)性，平穩(wěn)性，相關(guān)性，ARCH效應(yīng)的檢驗(yàn)。第四部分 商業(yè)

19、銀行系統(tǒng)性風(fēng)險(xiǎn)的實(shí)證研究。使用GARCH模型計(jì)算出各商業(yè)銀行的VaR，各銀行處于困境時(shí)的銀行體系的%CoVaR，CoVaR，并對(duì)結(jié)果進(jìn)行分析。二、實(shí)證分析的相關(guān)模型與方法（一）隨機(jī)時(shí)間序列分析模型隨機(jī)時(shí)間序列分析模型分為三類：自回歸模型（AR）、移動(dòng)平均模型（MA）和自回歸移動(dòng)平均模型（ARMA）。1自回歸模型（AR）若一個(gè)時(shí)間序列可以表示為：yt=a0+a1yt1+a2yt1+apytp+t其中，t為白噪聲過(guò)程，Et=0，Vart=t2,則稱yt為p階自回歸過(guò)程，或簡(jiǎn)稱AR(p)。2移動(dòng)平均模型（MA）若一個(gè)隨機(jī)過(guò)程yt可以表示為下面形式：yt=b0+t+b1t1+bqtq則稱該方程表示的是

20、q階移動(dòng)平均過(guò)程，表示為MA(q)。3ARMA模型將自回歸模型和移動(dòng)平均模型結(jié)合起來(lái)，就產(chǎn)生了自回歸移動(dòng)平均模型（ARMA）。若一個(gè)時(shí)間序列yt可以表示為：yt=a1yt1+a2yt1+apytp+t+b1t1+bqtq則稱時(shí)間序列模型為自回歸移動(dòng)平均模型，表示為ARMA（p，q）。最常用和最簡(jiǎn)單的自回歸移動(dòng)平均過(guò)程是ARMA(1，1)過(guò)程?？梢员硎緸椋簓t=a0+a1yt1+t+b1t1對(duì)于ARMA模型，在進(jìn)行參數(shù)估計(jì)前，需要進(jìn)行模型的識(shí)別。識(shí)別的基本方法是利用時(shí)間序列的自相關(guān)函數(shù)和偏自相關(guān)函數(shù)的特征。我們將自相關(guān)系數(shù)按照幾何或指數(shù)規(guī)律下降稱之為拖尾，而系數(shù)在一定的滯后期后突然截?cái)喾Q之為截尾

21、。若序列的自相關(guān)函數(shù)呈現(xiàn)拖尾而偏自相關(guān)函數(shù)在p階截?cái)?，則使用AR（p）模型；反之，偏自相關(guān)函數(shù)是拖尾序列而自相關(guān)函數(shù)在q階截?cái)啵瑒t適用MA（q）模型。若自相關(guān)系數(shù)與偏自相關(guān)系數(shù)都表現(xiàn)為拖尾，則應(yīng)該使用ARMA（p,q）模型，p和q的識(shí)別則需要從低階開(kāi)始逐步試探，直到定出適合的模型為止。（二）GARCH類模型1ARCH模型自回歸條件異方差（ARCH）模型，是金融市場(chǎng)中廣泛應(yīng)用的一種特殊非線性模型。由R.Engle在研究英國(guó)通貨膨脹率序列規(guī)律時(shí)提出，其核心思想是殘差項(xiàng)的條件方差依賴于它的前期值的大小。張宗新 宋軍.金融計(jì)量學(xué)M.北京：高等教育出版社，2016:177其最簡(jiǎn)單的形式是：均值方程： y

22、t=t tN（0，t2）方差方程： t2=0+i=1piti22GARCH模型1986年，Bollerslev在Engle的ARCH模型的基礎(chǔ)上對(duì)方差的表現(xiàn)形式進(jìn)行了線性擴(kuò)展，引入了一種允許條件方差轉(zhuǎn)化為一個(gè)ARMA過(guò)程的方法。其方差方程是：t2=0+i=1piti2+j=1qjtj2標(biāo)準(zhǔn)的GARCH（1,1）模型為：均值方程： yt=a0+a1yt1+t tN（0，t2）方差方程： t2=0+1t12+1t123非對(duì)稱GARCH模型GARCH模型的一個(gè)主要約束是它們對(duì)正的或負(fù)的沖擊做出對(duì)稱反應(yīng)。然而，對(duì)于金融時(shí)間序列而言，負(fù)的沖擊往往比相同程度的正的沖擊能引起更大的波動(dòng)。這種非對(duì)稱性，是受到

23、杠桿效應(yīng)的影響。杠桿效應(yīng)的GARCH模型主要有TGARCH和EGARCH模型，主要的改變是對(duì)方差方程的拓展。張宗新 宋軍.金融計(jì)量學(xué)M.北京：高等教育出版社，2016:191TGARCH模型的方差方程為：t2=0+i=1piti2+j=1qjtj2+Dtt12t1<0,則Dt=1；否則，Dt=0EGARCH模型的方差方程為：lnt2=+lnt2+at1t1+t1t1只要𝛾0，沖擊的影響就是非對(duì)稱的。（三）VaR方法風(fēng)險(xiǎn)價(jià)值VaR（value at risk）作為金融機(jī)構(gòu)最常使用的風(fēng)險(xiǎn)衡量標(biāo)準(zhǔn)，是指在市場(chǎng)的正常波動(dòng)和給定的置信水平下，金融資產(chǎn)或者其資產(chǎn)組合在未來(lái)特定的一段時(shí)

24、間內(nèi)的最大可能損失，主要側(cè)重于對(duì)單個(gè)金融機(jī)構(gòu)的風(fēng)險(xiǎn)的考察。VaRqi被隱含地定義為q分位數(shù)，即：Pr(XiVaRqi)=q其中Xi是由VaRqi定義的機(jī)構(gòu)i的變量，VaRqi通常是一個(gè)負(fù)數(shù)。計(jì)算VaR的常用方法主要有德?tīng)査?正態(tài)法、歷史模擬法和蒙特卡洛模擬法。（四）CoVaR方法Brunnermeier和Adrian（2009）在VaR模型的基礎(chǔ)上構(gòu)建了CoVaR模型。CoVaR又稱條件在險(xiǎn)價(jià)值，是指當(dāng)一個(gè)金融機(jī)構(gòu)處于困境時(shí)另一個(gè)金融機(jī)構(gòu)或整個(gè)金融體系所面臨的最大可能損失。相比VaR，CoVaR考慮到了金融機(jī)構(gòu)之間風(fēng)險(xiǎn)的聯(lián)動(dòng)性和傳導(dǎo)性。用CoVaRqj|i表示以機(jī)構(gòu)i的某個(gè)事件C（Xi）為條件

25、的機(jī)構(gòu)j（或者金融系統(tǒng)）的VaR，以機(jī)構(gòu)i的某個(gè)事件C（Xi）為條件。 也就是說(shuō)，CoVaRqj|i由條件概率分布的q分位數(shù)隱式定義：Pr(XjCoVaRqj|C(Xi)|CXi)=qCoVaRqj|i里面包含了正常情況下j機(jī)構(gòu)的最大可能損失（即j機(jī)構(gòu)的VaR）和i機(jī)構(gòu)處于困境所導(dǎo)致的j機(jī)構(gòu)最大可能損失的增加，為了更好的衡量i機(jī)構(gòu)處于困境會(huì)造成的風(fēng)險(xiǎn)溢價(jià)，可以通過(guò)將在險(xiǎn)價(jià)值VaRqj去除，計(jì)算i機(jī)構(gòu)對(duì)j機(jī)構(gòu)的邊際貢獻(xiàn)：CoVaRqj|i=CoVaRqj|Xi=VaRqiVaRqj三、數(shù)據(jù)選取與統(tǒng)計(jì)性檢驗(yàn)（一）樣本選擇與數(shù)據(jù)處理目前我國(guó)共有26家上市銀行，其中有4家銀行（平安銀行，寧波銀行，江陰

26、銀行和張家港行）在深交所上市，其余22家均為上交所上市銀行。在數(shù)據(jù)選擇上，本文剔除了在深交所上市的4家銀行，而在上交所上市的22家銀行中，有8家銀行都是在2016年下半年剛剛上市，數(shù)據(jù)長(zhǎng)度較其他銀行差異過(guò)大，因而也予以排除。最終選取了其余14家上交所上市銀行從2009年9月1日到2018年3月30日的每日收盤價(jià)作為樣本，并選擇內(nèi)地銀行指數(shù)（000947）代表整個(gè)銀行體系。所有數(shù)據(jù)均來(lái)源于wind數(shù)據(jù)庫(kù)。表3.1樣本銀行序號(hào)代碼名稱序號(hào)代碼名稱0000947內(nèi)地銀行股1600036招商銀行8601166興業(yè)銀行2601288農(nóng)業(yè)銀行9601169北京銀行3601328交通銀行10601818光大

27、銀行4600000浦發(fā)銀行11601939建設(shè)銀行5600015華夏銀行12601988中國(guó)銀行6600016民生銀行13601998中信銀行7601009南京銀行14601398工商銀行由于各銀行收盤價(jià)之間存在一定差別，通過(guò)每日收盤價(jià)得到收益率作為實(shí)證分析時(shí)所用的序列，相比簡(jiǎn)單收益率，對(duì)數(shù)收益率可以克服數(shù)據(jù)自身的異方差，更加平滑，因而最終選取對(duì)數(shù)收益率作為分析的依據(jù)，其計(jì)算公式如下：Ri=lnPi/Pi1100%（二）數(shù)據(jù)的統(tǒng)計(jì)性檢驗(yàn)1描述性統(tǒng)計(jì)描述性統(tǒng)計(jì)主要包括折線圖和直方圖與統(tǒng)計(jì)量。首先繪制14家銀行股票的日收益率序列走勢(shì)的折線圖，下圖為建設(shè)銀行2009年9月至2018年3月的收益率序列

28、的走勢(shì)圖：圖3.1 建設(shè)銀行折線圖如圖3.1所示，建設(shè)銀行的收益率序列在2014年到2015年之間波動(dòng)比較劇烈，在這一時(shí)期的前后時(shí)段波動(dòng)則相對(duì)平緩。進(jìn)一步對(duì)其他13家銀行的收益率走勢(shì)進(jìn)行觀察，發(fā)現(xiàn)在2014，2015年時(shí)段的波動(dòng)幅度相較前后的時(shí)間段都不同程度的變大。2014年，中國(guó)經(jīng)濟(jì)進(jìn)入“新常態(tài)”，經(jīng)濟(jì)改革進(jìn)入關(guān)鍵期，銀行業(yè)也發(fā)生了深刻的變革。針對(duì)2013年出現(xiàn)的同業(yè)業(yè)務(wù)泛濫、流動(dòng)性緊張、影子銀行爆發(fā)式增長(zhǎng)等對(duì)中國(guó)銀行業(yè)產(chǎn)生重大影響的金融事件，中國(guó)人民銀行、銀監(jiān)會(huì)等監(jiān)管部門出臺(tái)了一系列的監(jiān)管措施。自2014 年4月起，代表全國(guó)房?jī)r(jià)走勢(shì)的百城房?jī)r(jià)連續(xù)6個(gè)月下跌，直接影響到了地方政府財(cái)政收入，地

29、方政府償債能力的降低導(dǎo)致銀行系統(tǒng)性風(fēng)險(xiǎn)提高。受經(jīng)濟(jì)疲軟和房?jī)r(jià)下降等因素的影響，2014 年第 4 季度我國(guó)整體銀行業(yè)壞賬增速為十年以來(lái)單季度最高。這是影響上市銀行收益率發(fā)生巨大波動(dòng)的重要因素。同時(shí)可以看出四大行在這一段時(shí)間的波動(dòng)較為劇烈，可以看出與整體經(jīng)濟(jì)的聯(lián)系更加密切，而其他銀行如南京銀行，華夏銀行的波動(dòng)率變化則很小。為了進(jìn)一步了解日收益率序列的特征，下文首先介紹幾個(gè)重要的統(tǒng)計(jì)量。（1）偏度。偏度是用來(lái)衡量隨機(jī)變量的概率分布是否圍繞其均值對(duì)稱的，偏度一般被稱為三階矩，偏度系數(shù)的公式如下：S=Exux33（2）峰度。峰度反映的是隨機(jī)變量概率分布函數(shù)尾部的厚度，通常用于觀察某個(gè)隨機(jī)變量是否服從正

30、態(tài)分布。峰度又稱四階矩，其公式如下：K=Exux44若隨機(jī)變量服從正態(tài)分布，則峰度K近似等于3.若峰度K顯著大于3，則意味著該變量概率分布的尾部要比正態(tài)分布的尾部厚，存在著尖峰厚尾的現(xiàn)象。張宗新 宋軍.金融計(jì)量學(xué)M.北京：高等教育出版社，2016：23-24（3）JarqueBera檢驗(yàn)統(tǒng)計(jì)量由峰度和偏度構(gòu)成，其中T表示樣本大小，：JB=TS26+K3224JB統(tǒng)計(jì)量可以用來(lái)判斷隨機(jī)變量是否服從正態(tài)分布，對(duì)于標(biāo)準(zhǔn)正態(tài)分布而言，偏度為0，峰度為3，則JB應(yīng)為0。當(dāng)變量不服從正態(tài)分布，JB的值變大。同時(shí)當(dāng)變量服從正態(tài)分布時(shí)，JB漸進(jìn)服從自由度為2的卡方分布，此時(shí)卡方值大于10.6的概率為0.005

31、，因而當(dāng)JB量很大時(shí)即表示隨機(jī)變量不服從正態(tài)分布。圖3.2 建設(shè)銀行直方圖圖3.2為建設(shè)銀行日收益率序列的直方圖。在樣本期內(nèi)，建設(shè)銀行股票對(duì)數(shù)收益率的均值0.027398，偏度是-0.329042而不為0，且值為負(fù)，也就是說(shuō)序列并非關(guān)于均值對(duì)稱而是左偏；序列的峰度值為13.07294，明顯的大于標(biāo)準(zhǔn)正態(tài)分布的峰度3，變量存在著尖峰厚尾。同時(shí)觀察到JB 統(tǒng)計(jì)量的值為7816.370，顯著大于10，即建設(shè)銀行的收益率序列在5%的顯著性水平下拒絕服從正態(tài)分布的假設(shè)。從以上指標(biāo)可以確定序列存在尖峰厚尾的現(xiàn)象，因此建設(shè)銀行的收益率序列可以使用GARCH 模型進(jìn)行擬合分析。整理全部14家上市銀行的統(tǒng)計(jì)分析

32、結(jié)果得到表3.2。表3.2 描述性統(tǒng)計(jì)結(jié)果名稱均值標(biāo)準(zhǔn)差偏度值峰度值JB統(tǒng)計(jì)量P值浦發(fā)銀行-0.0099 1.9858 -1.7752 29.011 52865.06 0.0000 華夏銀行-0.0148 2.2229 -3.1660 48.188 159708.50 0.0000 民生銀行0.0214 1.8951 -0.3120 14.634 10411.81 0.0000 招商銀行0.0415 1.8104 0.3899 7.779 1798.82 0.0000 南京銀行-0.0168 2.6332 -8.2896 178.976 2396547.00 0.0000 興業(yè)銀行-0.023

33、3 2.6503 -9.6335 213.918 3440938.00 0.0000 北京銀行-0.0331 2.1032 -2.1025 28.247 50251.25 0.0000 農(nóng)業(yè)銀行0.0203 1.4513 -0.0530 13.558 8552.26 0.0000 交通銀行0.0014 1.7496 -0.0866 13.790 8932.85 0.0000 工商銀行0.0218 1.4559 -0.4789 14.973 11065.81 0.0000 光大銀行0.0099 1.8699 0.4290 9.945 3756.61 0.0000 建設(shè)銀行0.0274 1.633

34、0 -0.3290 13.073 7816.37 0.0000 中國(guó)銀行0.0090 1.5354 -0.0070 15.432 11855.14 0.0000 中信銀行0.0074 2.1196 0.3849 8.449 2323.19 0.0000 內(nèi)地銀行股-0.0275 1.5708 -0.0163 9.485 3226.55 0.0000 統(tǒng)計(jì)14家銀行和內(nèi)地銀行股的偏度峰度和JB值，其中招商銀行，光大銀行，中信銀行的偏度大于0，序列右偏，其他序列的偏度小于0，表現(xiàn)為左偏。各組數(shù)據(jù)的峰度值均大于3，并且JB統(tǒng)計(jì)量的值表明各銀行的日收益率序列呈現(xiàn)顯著的非正態(tài)分布，即尖峰厚尾現(xiàn)象。2平穩(wěn)

35、性檢驗(yàn)平穩(wěn)性是時(shí)間序列分析的基礎(chǔ)，一般包括嚴(yán)格平穩(wěn)過(guò)程和弱平穩(wěn)性過(guò)程。如果一個(gè)時(shí)間序列概率測(cè)度的所有階的矩都不隨時(shí)間變化，那它就是嚴(yán)格平穩(wěn)的；而如果僅僅是一階矩和二階矩（即均值和方差）不隨時(shí)間變化，那它就是弱平穩(wěn)的。在金融文獻(xiàn)里，一般假定資產(chǎn)收益率序列是弱平穩(wěn)的，從而可以將其在研究期間的行為推廣到其他時(shí)期。只有時(shí)間序列是平穩(wěn)的，我們才可以根據(jù)對(duì)樣本的研究來(lái)預(yù)測(cè)序列之后時(shí)間的變化。張宗新 宋軍.金融計(jì)量學(xué)M.北京：高等教育出版社，2016：107-108檢驗(yàn)平穩(wěn)性一般通過(guò)考察是否存在單位根，采用ADF檢驗(yàn)?？紤]以下模型：yt=u+yt1+t由于>1表示前期數(shù)據(jù)的影響會(huì)隨著時(shí)間的推移而逐漸擴(kuò)

36、大，一般不存在這樣的情況，因而研究<1和=1的情況。H0 ：=1，沖擊會(huì)在系統(tǒng)中持續(xù)下去并且永不衰減，即存在著單位根，時(shí)間序列不平穩(wěn)。H0 ：<1，對(duì)系統(tǒng)的沖擊逐漸衰減，不存在單位根，時(shí)間序列平穩(wěn)。由于考察與1的關(guān)系不夠直觀，因而引入=1，當(dāng)序列平穩(wěn)時(shí)，小于0ADF檢驗(yàn)統(tǒng)計(jì)量=SE如果檢驗(yàn)量是一個(gè)較臨界值更小的負(fù)數(shù)，即絕對(duì)值相當(dāng)大的情況下，拒絕原假設(shè)，時(shí)間序列平穩(wěn)。對(duì)建設(shè)銀行的收益率序列進(jìn)行單位根檢驗(yàn)，結(jié)果如下：圖3.3 建設(shè)銀行平穩(wěn)性檢驗(yàn)結(jié)果由圖3.3可知，建設(shè)銀行ADF檢驗(yàn)的統(tǒng)計(jì)量值為-32.9991，在 1%顯著水平下的檢驗(yàn)臨界值為-3.4337，兩個(gè)值都小于0，且相應(yīng)的P值

37、為0，小于 0.05，則在5%顯著水平下應(yīng)該拒絕存在單位根的假設(shè)，即建設(shè)銀行日的對(duì)數(shù)收益率序列是平穩(wěn)的，可以針對(duì)這一時(shí)間序列進(jìn)行相關(guān)的分析?？疾炱渌y行的ADF值，由表3.3可以看出，各銀行的ADF統(tǒng)計(jì)值均遠(yuǎn)遠(yuǎn)小于0，且相應(yīng)的P值都為0，小于0.05，所以在5%的顯著水平下各銀行的收益率序列都拒絕存在單位根的假設(shè)，序列都是平穩(wěn)的。表3.3 各銀行平穩(wěn)性檢驗(yàn)的結(jié)果T統(tǒng)計(jì)量P值檢驗(yàn)臨界值1% level5% level10% level浦發(fā)銀行-41.6156 0.0000 -3.4337 -2.8629 -2.5675 華夏銀行-44.3464 0.0000 -3.4337 -2.8629 -2

38、.5675 民生銀行-42.6801 0.0000 -3.4337 -2.8629 -2.5675 招商銀行-43.6848 0.0000 -3.4337 -2.8629 -2.5675 南京銀行-42.0145 0.0000 -3.4337 -2.8629 -2.5675 興業(yè)銀行-42.0197 0.0000 -3.4337 -2.8629 -2.5675 北京銀行-43.8325 0.0000 -3.4337 -2.8629 -2.5675 農(nóng)業(yè)銀行-33.3213 0.0000 -3.4337 -2.8629 -2.5675 交通銀行-41.1373 0.0000 -3.4337 -2

39、.8629 -2.5675 工商銀行-20.2331 0.0000 -3.4337 -2.8629 -2.5675 光大銀行-41.3310 0.0000 -3.4337 -2.8629 -2.5675 建設(shè)銀行-32.9991 0.0000 -3.4337 -2.8629 -2.5675 中國(guó)銀行-32.5159 0.0000 -3.4337 -2.8629 -2.5675 中信銀行-40.5269 0.0000 -3.4337 -2.8629 -2.5675 內(nèi)地銀行股-43.1877 0.0000 -3.4337 -2.8629 -2.5675 3相關(guān)性檢驗(yàn)?zāi)Ｐ痛嬖谧韵嚓P(guān)性是指模型隨機(jī)誤

40、差項(xiàng)的各期值之間存在著相互關(guān)系。由于經(jīng)濟(jì)發(fā)展的慣性和隨機(jī)因素的影響，經(jīng)濟(jì)變量往往存在著自相關(guān)性。也就是說(shuō)，時(shí)間序列不僅會(huì)受到當(dāng)期因素的影響，還有可能受到自身的前期數(shù)據(jù)的影響，所以有必要對(duì)數(shù)據(jù)的自相關(guān)性進(jìn)行檢驗(yàn)。在EViews8中選擇“correlogram”，可以得到時(shí)間序列的自相關(guān)和偏自相關(guān)系數(shù)，下圖為建設(shè)銀行前十期的數(shù)據(jù)：圖3.4 建設(shè)銀行自相關(guān)圖如圖3.4所示，在置信區(qū)間為95%的情況可以看到建設(shè)銀行的Q統(tǒng)計(jì)值除了滯后1期的值外，滯后2期到滯后10期的值都相當(dāng)大，且P值為0，即拒絕不存在自相關(guān)性的假設(shè)，也就是說(shuō)建設(shè)銀行的對(duì)數(shù)收益率序列的當(dāng)期值可能受到滯后2期到滯后10期的數(shù)據(jù)的影響，這表

41、明序列存在著顯著的自相關(guān)性。同時(shí)，觀察序列的自相關(guān)與偏自相關(guān)函數(shù)值，發(fā)現(xiàn)兩個(gè)值都在滯后2階時(shí)數(shù)值最大，當(dāng)期數(shù)據(jù)受到滯后2期值得影響比較大，因而滯后階數(shù)應(yīng)該取2。:圖3.5 民生銀行自相關(guān)圖再觀察民生銀行收益率序列的自相關(guān)圖（圖3.5），發(fā)現(xiàn)民生滯后1期到滯后10期的Q統(tǒng)計(jì)量的P值都大于顯著性5%，即到滯后10階都接受原假設(shè)，不存在自相關(guān)性，因此民生銀行的自相關(guān)滯后期為0。根據(jù)自相關(guān)圖可以得到全部樣本的自相關(guān)滯后期：表3.4 收益率序列自相關(guān)滯后期分析結(jié)果名稱滯后階數(shù)名稱滯后階數(shù)名稱滯后階數(shù)內(nèi)地銀行股6南京銀行0工商銀行2浦發(fā)銀行0興業(yè)銀行0光大銀行5華夏銀行6北京銀行5建設(shè)銀行2民生銀行0農(nóng)業(yè)

42、銀行2中國(guó)銀行2招商銀行6交通銀行5中信銀行5同時(shí)從自相關(guān)圖中可以發(fā)現(xiàn)各組序列的自相關(guān)函數(shù)與偏自相關(guān)函數(shù)都表現(xiàn)為拖尾，應(yīng)當(dāng)對(duì)ARMA（p，q）的階數(shù)依次進(jìn)行試驗(yàn)，比較判定系數(shù)（R2），赤池信息準(zhǔn)則（AIC）和施瓦茨信息準(zhǔn)則（SC）的大小以確定p，q的值。4ARCH效應(yīng)檢驗(yàn)經(jīng)典的回歸模型一般是假設(shè)同方差的，但在進(jìn)行實(shí)際計(jì)量研究時(shí)會(huì)發(fā)現(xiàn)很多數(shù)據(jù)都會(huì)存在著異方差性，尤其是金融時(shí)間序列由于容易受到政治因素，政府政策的影響而存在著波動(dòng)集聚的現(xiàn)象，很有可能有著異方差的情況。因而在金融時(shí)間序列出現(xiàn)階段性的大波動(dòng)時(shí)，假定同方差明顯是不合適的。 趙衛(wèi)亞.計(jì)量經(jīng)濟(jì)學(xué)教程M.上海：上海財(cái)經(jīng)大學(xué)出版社，2010:10

43、3從我國(guó)上市銀行收益率波動(dòng)折線圖的特點(diǎn)和自相關(guān)的顯著性可以看出，誤差項(xiàng)有很大的可能存在著條件異方差性，因而有必要進(jìn)行ARCH效應(yīng)檢驗(yàn)。ARCH效應(yīng)的主要檢驗(yàn)方法是進(jìn)行拉格朗日乘數(shù)檢驗(yàn)，通過(guò)該檢驗(yàn)可以得到兩個(gè)系數(shù)：F統(tǒng)計(jì)量和T×R2統(tǒng)計(jì)量。F統(tǒng)計(jì)量是對(duì)所有殘差滯后的聯(lián)合檢驗(yàn)，T×R2統(tǒng)計(jì)量即以樣本的個(gè)數(shù)T乘以擬合優(yōu)度R2，兩個(gè)統(tǒng)計(jì)量均較大時(shí)表示存在ARCH效應(yīng)。對(duì)建設(shè)銀行收益率序列進(jìn)行LS回歸分析，在此基礎(chǔ)上進(jìn)行拉格朗日乘數(shù)檢驗(yàn)，得到的結(jié)果如下：表3.5 建設(shè)銀行的ARCH效應(yīng)檢驗(yàn)F-statistic246.5025 Prob. F(1,1837)0Obs*R-square

44、d217.575 Prob. Chi-Square(1)0可以看出F統(tǒng)計(jì)量的值為246.5025，T×R2統(tǒng)計(jì)量的值為217.575，P值均為0，小于0.05，因此拒絕原假設(shè)，存在著顯著的ARCH效應(yīng)，可以建立GARCH模型進(jìn)行分析。對(duì)其他銀行進(jìn)行相同的操作，可以發(fā)現(xiàn)都存在ARCH效應(yīng)，適合使用GARCH模型。四、商業(yè)銀行系統(tǒng)性風(fēng)險(xiǎn)的實(shí)證分析（一）VaR的測(cè)算與分析使用GARCH模型計(jì)算VaR，首先對(duì)ARMA（p，q）模型進(jìn)行測(cè)試得到適合的階數(shù)，建立均值方程。對(duì)建設(shè)銀行的收益率序列進(jìn)行自回歸和移動(dòng)平均的測(cè)算確定ARMA模型的階數(shù)。 之后建立不同的GARCH類模型對(duì)銀行收益率進(jìn)行擬合，

45、根據(jù)各類指標(biāo)比較不同模型的擬合優(yōu)度，得出最優(yōu)模型。如，對(duì)建設(shè)銀行的收益率序列進(jìn)行擬合，分別得到在GARCH模型，TGARCH模型和EGARCH模型下的AIC和SC標(biāo)準(zhǔn)，判定系數(shù)以及似然函數(shù)的對(duì)數(shù)的值：表4.1 建設(shè)銀行GARCH類模型擬合優(yōu)度的比較模型AICSC判定系數(shù)似然函數(shù)的對(duì)數(shù)GARCH（1,1）3.2400113.2562540.006017-3370.091TGARCH（1,1）3.2375583.2565090.005942-3366.535EGARCH（1,1）3.2364383.2553890.003009-3365.369如表4.1所示，在使用的三種模型中，EGARCH模型的

46、AIC，SC和似然函數(shù)的對(duì)數(shù)都是最小的，因而最終選擇EGARCH模型對(duì)建設(shè)銀行收益率序列進(jìn)行分析，得到的建設(shè)銀行的均值方程和方差方程如下：均值方程： Rt11=0.9484Rt111+t+0.9647t1 條件方差方程： lnt2=0.1296+0.9463lnt12+0.2394t1t1+0.0268t1t1根據(jù)該模型可以得到建設(shè)銀行股票收益率的估計(jì)值Rt11和其標(biāo)準(zhǔn)差的估計(jì)值t，在此基礎(chǔ)上根據(jù)下式可以計(jì)算出建設(shè)銀行的風(fēng)險(xiǎn)價(jià)值：VaRq,t11=Rt11Qqt根據(jù)這一方法對(duì)14家上市銀行的對(duì)數(shù)收益率序列分別進(jìn)行擬合，確定各銀行所使用的模型，并計(jì)算各自的VaR值，將值按照從小到大的順序排列。以

47、內(nèi)地銀行指數(shù)代表整個(gè)銀行體系，同樣進(jìn)行模型擬合，可以計(jì)算銀行系統(tǒng)的VaR值，最終結(jié)果如表4.2。VaR計(jì)算單個(gè)銀行自身受到?jīng)_擊時(shí)所可能遭受的最大損失，可以看出銀行自身內(nèi)部的穩(wěn)健性和抵御風(fēng)險(xiǎn)的能力。由表4.2中可以看中，VaR值最小的五家銀行是工商銀行，中國(guó)銀行，農(nóng)業(yè)銀行，建設(shè)銀行和交通銀行，這表示這五家銀行自身風(fēng)險(xiǎn)管控能力較強(qiáng)，內(nèi)部監(jiān)管有益于減少銀行所面對(duì)的潛在風(fēng)險(xiǎn)。VaR值最大的銀行是興業(yè)銀行，這表示興業(yè)銀行在受到?jīng)_擊時(shí)有很大可能遭受較高的損失。表4.2 14家上市銀行的VaR測(cè)算結(jié)果名稱所用模型VaR工商銀行ARMA（1,1）-EGARCH（1，1）-2.4460中國(guó)銀行ARMA（1,1）

48、-EGARCH（1，1）-2.4727農(nóng)業(yè)銀行ARMA（1,1）-EGARCH（1，1）-2.4803建設(shè)銀行ARMA（1,1）-EGARCH（1，1）-2.7975交通銀行ARMA（4,4）- GARCH（1，1）-2.8434招商銀行ARMA（1,1）- GARCH（1，1）-3.1401光大銀行ARMA（2,2）-EGARCH（1，1）-3.3624民生銀行ARMA（1,1）- GARCH（1，2）-3.6261北京銀行ARMA（1,1）- GARCH（1，1）-3.8511中信銀行ARMA（1,1）- GARCH（1，1）-3.9279浦發(fā)銀行ARMA（1,1）- GARCH（1，1）

49、-4.0977華夏銀行ARMA（2,2）- GARCH（1，1）-4.2646南京銀行ARMA（1,1）-EGARCH（1，1）-4.4158興業(yè)銀行ARMA（1,1）- GARCH（1，1）-5.6073銀行指數(shù)ARMA（1,1）- GARCH（1，1）-2.6268（二）CoVaR的測(cè)算與分析考慮i機(jī)構(gòu)處于困境時(shí)j機(jī)構(gòu)的最大可能損失，建立的GARCH模型如下：均值方程：Rtj=a0+a1Rti+t+ALRtj+ BLt 條件方差方程：t2=0+i=1piti2+j=1qjtj2 在得到各參數(shù)的估計(jì)值后將i機(jī)構(gòu)的風(fēng)險(xiǎn)價(jià)值VaRti代入均值方程，用以下公式計(jì)算j機(jī)構(gòu)收益率均值的估計(jì)值Rtj，并

50、得到估計(jì)值的標(biāo)準(zhǔn)差t：Rtj=a0+a1VaRti+t+ALRtj+ BLt則j機(jī)構(gòu)CoVaR的計(jì)算公式為：CoVaRqj|Xi=VaRqi=RtjQqt1銀行系統(tǒng)CoVaR考察各銀行處于困境時(shí)整個(gè)銀行體系的最大可能損失有利于識(shí)別出系統(tǒng)重要性銀行，系統(tǒng)重要性銀行是指該銀行發(fā)生危機(jī)時(shí)將會(huì)對(duì)整個(gè)銀行體系造成很大影響，整個(gè)銀行體系都有可能遭受更大的損失?？紤]建設(shè)銀行處于困境時(shí)整個(gè)銀行系統(tǒng)的最大可能損失，分別對(duì)ARMA模型和GARCH類模型進(jìn)行擬合，得到以建設(shè)銀行對(duì)數(shù)收益率為解釋變量，以內(nèi)地銀行指數(shù)（代表整個(gè)銀行體系）作為被解釋變量的均值方程和條件方差方程：均值方程：Rtsy=0.8775Rt110.

51、9837Rt1sy+ 0.9829t1+t 條件方差方程：t2=0+1t12+1t12將建設(shè)銀行的VaR值代入均值方程得到Rtsy，運(yùn)用公式計(jì)算建設(shè)銀行困境時(shí)的銀行體系的CoVaR值：CoVaRqsy|X11=VaRq11=RtsyQqt為了更直觀的看到建設(shè)銀行所造成的風(fēng)險(xiǎn)溢出效應(yīng)，可以去除銀行體系無(wú)風(fēng)險(xiǎn)時(shí)的VaR值，得到建設(shè)銀行對(duì)銀行體系風(fēng)險(xiǎn)的邊際貢獻(xiàn)：CoVaRqsy|11=CoVaRqsy|X11=VaRq11VaRqsy依此方法，計(jì)算其他13家商業(yè)銀行困境時(shí)銀行體系的CoVaR和CoVaR值，并按照 CoVaR值得大小進(jìn)行排序，得到以下結(jié)果，其中的銀行名稱表示所計(jì)算的銀行系統(tǒng)CoVaR

52、值是基于該銀行處于危機(jī)下的假設(shè)情況所得到的：表4.3 銀行系統(tǒng)CoVaR名稱所用模型CoVaRCoVaR光大銀行GARCH(1,1)-3.6978-1.0711民生銀行TGARCH(1,1)-3.9430-1.3162中信銀行GARCH(1,1)-3.9942-1.3675招商銀行ARMA(1,2)-GARCH(1,1)-4.1689-1.5421工商銀行ARMA(2,2)-GARCH(1,1)-4.3704-1.7436興業(yè)銀行TGARCH(1,2)-4.4632-1.8365華夏銀行GARCH(1,1)-4.4941-1.8674南京銀行ARMA(1,1)-TGARCH(1,1)-4.51

53、56-1.8889浦發(fā)銀行ARMA(1,1)-GARCH(1,1)-4.5221-1.8954北京銀行AR(1)-GARCH(1,1)-4.6570-2.0302農(nóng)業(yè)銀行ARMA(1,1)-GARCH(1,1)-4.6585-2.0317建設(shè)銀行ARMA(1,1)-GARCH(1,1)-4.9706-2.3439中國(guó)銀行ARMA(2,2)-GARCH(1,1)-5.0118-2.3850交通銀行ARMA(2,2)-EGARCH(1,1)-5.7187-3.0919從表中可以看出，14家上市銀行都有著明顯的風(fēng)險(xiǎn)溢出效應(yīng)，發(fā)生危機(jī)時(shí)都會(huì)導(dǎo)致整個(gè)銀行體系的最大可能損失增加。其中CoVaR值最大的四家銀行是交通銀行，中國(guó)銀行，建設(shè)銀行和農(nóng)業(yè)銀行，這四家銀行發(fā)生危機(jī)時(shí)有很大的可能性會(huì)導(dǎo)致整個(gè)銀行體系發(fā)生危