中國系統(tǒng)性風險的風險溢出效應研究

中國系統(tǒng)性風險的風險溢出效應研究

1、次貸危機引發(fā)的全球金融危機闡明了這一點。隨著金融自由的提高，由單個金融機構產(chǎn)生的金融風險在不同的金融子市場之間相互傳播，導致系統(tǒng)性風險的增加和系統(tǒng)性金融危機的加劇。由于風險溢出效應放大了單個金融機構或某一金融子市場對整個金融體系的沖擊效應,因此,科學測度不同金融機構的風險溢出效應就成為系統(tǒng)性風險研究的一個重要內容。但是,傳統(tǒng)的用于衡量金融風險程度的VaR系列模型卻只能測度金融機構自身的風險,無法衡量金融領域內不同子市場之間的風險溢出效應。近年來,CoVaR(條件在險價值)模型非常流行,為克服VaR模型的缺陷提供了新思路。但問題是,將該方法直接用于分析中國金融業(yè)的風險溢出效應存在一系列后天不足,原因是與發(fā)達國家的混業(yè)經(jīng)營不同,中國金融業(yè)目前面臨的現(xiàn)實是,雖然具有混業(yè)經(jīng)營的趨勢,但從法律和監(jiān)管角度看仍是分業(yè)經(jīng)營、分業(yè)監(jiān)管,系統(tǒng)性風險在不同金融子市場之間的傳導特征不同于已經(jīng)實行混業(yè)經(jīng)營的發(fā)達國家,因此,當采用CoVaR模型測度中國金融業(yè)的風險溢出03效應時需要對其進行進一步拓展?；诖?本文擬以CoVaR理論構建GARCH模型,并引入對不同金融子市場之間相關關系描述性更強的Copula函數(shù)和對資產(chǎn)的厚尾特性及非對稱性擬合效果更好的Skewed-t分布,對中國的銀行、證券、保險以及信托四個子市場的風險溢出效應進行測度,為防范系統(tǒng)性風險在金融領域內不同子市場之間相互傳染,提高中國金融業(yè)的抗風險能力提供實證依據(jù)。二、文獻綜述學術界一直都在嘗試采用不同的方法測度金融風險,其中VaR模型最為流行。但是,從次貸危機到華爾街金融危機,再到歐債危機的發(fā)生打破了人們對金融風險的傳統(tǒng)認識,學術界已不再囿于對金融風險的傳統(tǒng)計量,轉而聚焦于對金融風險的傳染性即系統(tǒng)性風險進行測度。自然,作為得到普遍認可并廣泛應用的傳統(tǒng)計量模型——VaR模型因無法測度金融風險的傳染效應而遭到詬病。這迫使學術界不得不探尋更加科學的風險測度工具。基于這種背景,近年來相繼出現(xiàn)了多種測度系統(tǒng)性風險的方法。Huang等提出了“壓力測試法”,但這一方法只對發(fā)達國家的金融市場有效,對于金融市場并不完善的發(fā)展中國家來講,有效性大大降低。Tarashev等以博弈論為基礎提出了夏普利值法,其優(yōu)點是可將各金融機構的風險相加,但缺點是只能衡量單一固定事件發(fā)生時的系統(tǒng)性風險。Gray等認為,采用未定權益分析法(CCA)更能動態(tài)地反映系統(tǒng)性風險程度。但是,以上所有方法均無法衡量金融風險的傳染程度。經(jīng)過不斷探索,Adian等在VaR模型的基礎上首次提出了CoVaR模型,考慮了金融機構之間的風險聯(lián)動效應,主要用于測度一家金融機構陷入困境后給其它金融機構乃至金融業(yè)帶來的風險溢出效應。該方法得到了Bjarnadottir,Mainik以及Schaan-ning等人的充分肯定,被認為可操作性強。之后,不少學者采用該方法測度金融風險的傳染,如López-Espinosa等運用CoVaR模型分析了全球商業(yè)銀行系統(tǒng)性風險的影響因素后,認為該方法測度效果很好。當CoVaR模型逐漸成為學術界的流行方法后,中國學者也及時吸收并借鑒了這一方法并嘗試對中國金融業(yè)的系統(tǒng)性風險進行實證分析,代表性研究成果主要有:范小云等比較了CoVaR方法與MES(邊際風險貢獻)方法的差異,并對次貸危機前后中國銀行業(yè)的系統(tǒng)性風險進行了測度。李志輝、樊莉運用CoVaR方法和分位數(shù)回歸技術,對中國上市商業(yè)銀行的系統(tǒng)性風險溢出效應進行了估計,驗證了以VaR為核心指標的線性監(jiān)管政策不能有效防范系統(tǒng)性風險的觀點。楊有振、王書華;肖璞也分別通過同樣的方法證明中國上市商業(yè)銀行存在系統(tǒng)性風險溢出效應,并發(fā)現(xiàn)規(guī)模大的銀行系統(tǒng)性風險溢出效應較大。高國華、潘英麗利用動態(tài)CoVaR方法對中國14家上市商業(yè)銀行的財務特征和系統(tǒng)性風險貢獻度進行了分析。白雪梅、石大龍應用CoVaR模型測度了中國金融體系的系統(tǒng)性風險。但是,由于以上研究均運用分位數(shù)回歸技術計算CoVaR,只能描述分位點與回歸變量間的線性關系,不能刻畫非線性關系,因此對相關關系的刻畫很粗糙,導致CoVaR計算不準確。為避免這一問題,謝福座引入Copula函數(shù),利用其在描述金融時間序列數(shù)據(jù)時所具有的優(yōu)越性,結合GARCH模型和Copula函數(shù)對CoVaR進行計算,測度了亞洲三大股票市場指數(shù)間的風險溢出效應,大大提升了CoVaR計算結果的有效性。劉曉星等;王永巧、胡浩也分別借助同樣的方法測度了中國大陸與美國、中國香港等股票市場間的風險溢出效應。盡管如此,現(xiàn)有研究文獻仍然存在兩點不足:1研究視角上,只關注中國商業(yè)銀行或者國內外證券市場之間的系統(tǒng)性風險溢出效應,缺乏對中國不同金融子市場之間的風險溢出效應研究;2技術手段上,大多數(shù)研究直接采用分位數(shù)回歸技術測度Co-VaR,很少結合中國金融數(shù)據(jù)的特點對模型的擬合進行優(yōu)化以使測度結果更加精確,即使有人注意到了Copula函數(shù)的擬合效果,但卻忽略了GARCH殘差項分布對測度結果的影響?；诖?本文擬采用GARCH-Copula-CoVaR模型,分別測度銀行、保險、證券、信托對中國金融業(yè)的系統(tǒng)性風險溢出效應以及相互之間的風險溢出效應。具體步驟為:首先,構建模型并求解,拓展Co-VaR模型;其次,測算并分析銀行、保險、證券、信托對金融業(yè)的系統(tǒng)性風險溢出效應的貢獻度以及各子市場相互之間的風險溢出效應;最后,得出研究結論13及啟示。本文的主要貢獻是:1不但測度了不同子市場對中國金融業(yè)的系統(tǒng)性風險貢獻程度,還測度了各金融子市場相互之間的風險溢出效應,彌補了國內研究的不足,揭示出系統(tǒng)性風險的最大爆發(fā)源;2拓展了CoVaR模型,引入Skewed-t分布和對金融市場間相關關系描述性更強的Copula函數(shù),使得模型的科學性更強。三、模型構建(一)CoVaR模型CoVaR模型是指在一定概率水平下,當某子市場在未來特定時間內達到最大損失時,其它子市場的最大可能損失。給定置信水平1-α,當子市場i的損失值為VaRjα,t時,子市場j的條件在險價值CoVaRj|i|iα,t為:Pr(ΔRjt≤CoVaRj|i|it|Δ|ΔRit=VaRiα,t)=α(1)由定義可以看出,CoVaRj|i|iα,t在本質上是VaRjα,t,當j=s(s代表整個金融業(yè))時,將金融業(yè)s總的風險價值CoVaRs|i|iα,t分成無條件在險價值VaRsα,t和溢出風險價值ΔCoVaRs|i|iα,t兩部分,更能反映一子市場出現(xiàn)危機對其它子市場的影響。子市場i對金融業(yè)的風險溢出效應可以通過溢出風險價值測度:ΔCoVaRs|i|iα,t=CoVaRs|i|iα,t-VaRsα(2)為了更加準確的測度子市場間風險溢出效應,將溢出風險價值進行去量綱化處理:%CoVaRs|i|iα,t=ΔCoVaRs|i|iα,tVaRsα,t×100%=CoVaRs|i|iα,t-VaRsα,tVaRsα,t×100%(3)(二)GARCH-Copula-CoVaR模型根據(jù)對CoVaR模型的介紹可以看出,CoVaR本質上就是某一隨機變量處于分位點時另一隨機變量的條件概率分布的α分位數(shù)。分位數(shù)其實就是對密度函數(shù)求變上限積分,理論上講只要知道了密度函數(shù),就可以求得CoVaR。本文引入Skewed-t分布(偏態(tài)t分布)和Copula函數(shù),借助GARCH模型對CoVaR進行計算,計算步驟如下:1.引入Skewed-t分布Skewed-t分布是由Hansen提出的一種t分布的擴展分布,在t分布的基礎上加入了一個偏度參數(shù)λ,對金融資產(chǎn)序列的非對稱性和后尾性能夠更加準確的描述,其概率密度函數(shù)為:h(zt|η|η,λ)=bc(1+1η-2(bzt+a1-λ)2)-(η+1)/2zt<-a/bbc(1+1η-2(bzt+a1+λ)2)-(η+1)/2zt≥{-a/b(4)其中,a=4λc((η-2)/(η-1)),b2=1+3λ2-a2,c=Γ((η+1)/2)/π(η-2)Γ(η/2槡),2<η<∞為自由度,-1<λ<1為偏度參數(shù),若λ為正則變量右偏,存在正收益率的可能性更大。顯然,當(4)式中λ=0且η→∞時,Skewed-t分布退化為正態(tài)分布;當λ=0且η為任一有限實數(shù)時,Skewed-t分布退化為普通t分布。2.計算每一個子市場i對金融系統(tǒng)s的溢出風險價值ΔCoVaRs|i|iα,t首先,對于每一個子市場i來說,其在險價值VaRjα,t可通過GARCH模型擬合結果直接求出:VaR=Vt-1Zασ槡ΔT(5)其中Vt-1為該子市場第t-1期資產(chǎn),Zα為zit對應的α分位數(shù),σ為收益率標準差估計值,ΔT為資產(chǎn)持有期。根據(jù)公式(5)即可算出資產(chǎn)在一段時間內的VaRjα,t值。假設每一個子市場i的收益率Rit滿足GARCH模型:Rit=μit+εi,t;μt=α0+α1Rt-1;εi,t=zi,tσi,t,其中,殘差序列zi,t獨立同分布,本文假設其服從skewed-t分布,條件方差滿足標準GARCH(1,1)條件:σ2i,t=βi0+βi1ε2i,t-1+βi2σ2i,t-1。接著,運用多元相關性分析函數(shù)Copula函數(shù)計算CoVaRs|i|iα,t。由于Copula滿足Sklar定理:即當F是邊緣分布為F1,F2的二維聯(lián)合分布函數(shù)時,一定存在一個Copula函數(shù)C:[0,1]2→[0,1],使得:F(x1,x2)=C(F1(x1),F2(x2))(6)根據(jù)Sklar定理,可以進一步推導出聯(lián)合分布F所對應的密度函數(shù):f(x1,x2)=c(F1(x1),F2(x2))f1(x1),f2(x2)(7)其中c(μ,ν)=ue785C(μ,ν)/ue785μue785ν為Copula函數(shù)的密度函數(shù),fn(xn)是邊緣分布Fn(xn)的密度函數(shù)。假設收益率序列Rit和Rst的聯(lián)合密度函數(shù)為f(Rst,Rit),則序列Rst關于序列Rit的條件密度函數(shù)fs|i|i(Rst|R|Rit)=f(Rst,Rit)fi(Rit)(8)又公式(7)中Copula函數(shù)的定義可得:23fs|i|i(Rst|R|Rit)=c(Fs(Rst),Fi(Rit))fs(Rst)(9)由此,收益率序列Rst關于序列Rit的條件分布函數(shù)為:Fs|i|i(Rst|R|Rit)=∫Rst-∞c(Fs(Rst),Fi(Rit))fs(Rst)dRst=α(10)其中Fs和Ft為Copula函數(shù)的邊緣分布函數(shù),根據(jù)定義,CoVaRs|i|iα,t為Rit=VaRiα,t時Rst的在險價值。則方程∫Rst-∞c(Fs(Rst),Fi(Rit))fs(Rst)dRst=α中只有Rst一個未知數(shù),求解方程即可求出CoVaRs|i|iα,t。與計算單個子市場VaR相同,假設Rit和Rst滿足GARCH模型,其殘差序列zit和zst獨立同skewed-t分布。由于Rit和Rst分別是zit和zst的單調增函數(shù),根據(jù)Copula函數(shù)的性質,相應的Copula函數(shù)不變,則對收益率序列的研究可以轉換為對殘差序列的研究,即:∫Rst-∞c(Fs(Zst),Fi(Ziα,t))fs(zst)dzst=α(11)其中Zsα、Ziα分別是zst和zit的α分位數(shù),根據(jù)公式CoVaRs|i|iα,t=Vst-1Zsασst槡ΔT即可更加方便地求出CoVaRs|i|iα,t。再根據(jù)公式(2)和(3)求出相應的ΔCoVaRs|i|iα,t和%CoVaRs|i|iα,t。四、中國金融業(yè)風險溢出效應實證分析(一)數(shù)據(jù)選取和基本統(tǒng)計量描述本文選取中證內地金融指數(shù)(以下簡稱“中證指數(shù)”)作為金融業(yè)總指數(shù)。選取這一指數(shù)的理由如下:該指數(shù)以42家中國內地上市金融企業(yè)作為成分股,用以反映滬深A股中金融企業(yè)在股票市場上的整體表現(xiàn)。在我國目前已上市的45家金融企業(yè)中,中證指數(shù)包含了除香溢融通、中航投資和渤海租賃外的其它42家金融企業(yè),其中包括16家商業(yè)銀行,19家證券公司,3家信托公司以及4家保險公司,以上企業(yè)的總資產(chǎn)占我國金融系統(tǒng)資產(chǎn)總額的90%以上,因此該指數(shù)具有良好的代表性。本文對樣本數(shù)據(jù)的選取是,從中證指數(shù)成分股的42家金融企業(yè)中選取29家1,取其每一交易日收盤價,每個企業(yè)的觀測值1350個。樣本時間跨度是2007年第四季度至2013年第三季度,涵蓋了2007年以來美國次貸危機發(fā)生后的整個時間段,也包括了2010年以來歐債危機以及2008年以來我國實施的財政刺激政策、地方政府債務水平凸顯、利率市場化改革、房地產(chǎn)市場調控等對我國金融業(yè)有重大影響的事件。所有上市企業(yè)的股票市場數(shù)據(jù)均來自于國泰安數(shù)據(jù)庫,數(shù)據(jù)處理使用Matlab(R2012a)。本文對基本統(tǒng)計量的描述步驟如下:首先,對中證指數(shù)及各子市場收盤價取對數(shù)一階差分并乘以100來計算每日百分比收益率,即:Rit=100×ln(pit/pit-1)。其中,pit對應的是該子市場第t日的市場價格指數(shù)。然后,對所有股票指數(shù)的百分比收益率序列進行基本信息描述性統(tǒng)計,其中,各子市場收益率為子市場內各企業(yè)收益率的均值,如表1所示。表1各股指收益率序列的描述性統(tǒng)計內地金融指數(shù)信托銀行證券保險Mean-0.051217-0.005574-0.065278-0.089920-0.094403Median-0.0598540.072948-0.038130-0.088392-0.110757Maximum9.5469457.6871907.8373167.0005377.222841Minimum-9.515117-17.70793-9.345613-11.72605-7.926589Std.Dev.2.2477782.2863441.2891221.3625241.756981Skewness-0.020856-0.482305-0.424678-1.205065-0.235789Kurtosis5.4564356.2328268.76926813.770014.878001Jarque-Bera339.2630639.74291911.4136846.282210.7405Probability0.0000000.0000000.0000000.0000000.0000001其余13家企業(yè)由于上市時間晚、數(shù)據(jù)不足而剔除。從表1可以看出,各子市場與總指數(shù)的偏度系數(shù)都略小于0,呈現(xiàn)出一定的左偏狀態(tài),峰度系數(shù)都遠遠大于3,“尖峰”特性明顯,其中,證券業(yè)偏度系數(shù)絕對值最大為-1.205065,其峰度系數(shù)也高達13.77001,呈現(xiàn)出明顯的“尖峰厚尾”特征。同時,各JB檢驗結果概率值均為0,拒絕了各收益率正態(tài)性的假設,即在1%顯著水平下各股票指數(shù)收益率序列都顯著異于正態(tài)分布,據(jù)此可以初步判斷各類股票指數(shù)收益率序列均不服從正態(tài)分布。為了更好地觀察各類股票指數(shù)收益率的特質,將每個子市場股票收益率序列的時間變化描繪如圖1所示。圖1各子市場收益率序列時間變化圖從圖1可以看出,各子市場的股票收益率序列變動基本上比較平穩(wěn),且其主要走勢極其類似。從時間序列看,2007至2010年間的波動幅度明顯大于2010至2013年間,這種協(xié)同波動趨勢說明各金融子市場之間的相互影響關系越來越強,任何子市場出現(xiàn)問題都有可能波及到其它子市場,一旦系統(tǒng)性風險來臨誰都不可能獨善其身。(二)溢出風險價值的計算根據(jù)對表1的分析,各股票指數(shù)收益率序列均不服從正態(tài)分布,并且呈波動叢集的特點,表明可能43存在ARCH效應,對此,利用GARCH模型對各指數(shù)收益率序列進行擬合來彌補正態(tài)分布的不足。但是,由于本文采集的是高頻時間序列數(shù)據(jù),而GARCH模型殘差項服從正態(tài)分布,不能充分描述數(shù)據(jù)的尖峰后尾特性。為此,本文擬在GARCH模型殘差項服從Skewed-t分布的假設下計算溢出風險價值。具體做法是:首先,對各企業(yè)股票收益率序列、各子市場股票收益率序列以及中證指數(shù)收益率序列進行ADF檢驗,結果如表2所示。表2各股、各子市場以及中證指數(shù)收益率序列ADF檢驗結果機構名稱ADF檢驗統(tǒng)計量信托安信信托-32.19654陜國投A-38.37527愛建股份-34.60851銀行工商銀行-36.54131建設銀行-36.07613中國銀行-37.49561興業(yè)銀行-35.91228浦發(fā)銀行-37.20431北京銀行-38.85959寧波銀行-39.72295華夏銀行-38.26593民生銀行-36.73355中信銀行-38.81814南京銀行-39.09756交通銀行-36.49809平安銀行-36.60018招商銀行-36.63899證券太平洋-38.39966海通證券-23.42996西南證券-16.58521國金證券-36.05591中信證券-38.13836長江證券-36.57800國元證券-37.32764東北證券-35.39686宏源證券-36.82142保險中國太保-37.05244中國人壽-37.20057中國平安-35.75547信托業(yè)-35.43467銀行業(yè)-23.68598證券業(yè)-14.30353保險業(yè)-33.00137中證指數(shù)-37.172581計算中選取目前應用最廣泛的二元正態(tài)Copula函數(shù)作為最優(yōu)擬合函數(shù)。由于數(shù)據(jù)太多,在此不對每個行業(yè)的計算結果一一列出,僅列示計算結果,其中,各行業(yè)收益率為行業(yè)內各機構收益率均值。從表2可以看出,其ADF檢驗統(tǒng)計量(絕對值)明顯大于各自1%顯著水平下的臨界值-3.432563,因此,在1%顯著水平下,各股指收益率序列是平穩(wěn)的,因此可以直接建立GARCH模型計算VaR和CoVaR。其次,也是本文的研究目的所在,分別計算不同子市場對金融業(yè)的系統(tǒng)性風險溢出效應以及各子市場相互之間的風險溢出效應。1.不同子市場對金融業(yè)的系統(tǒng)性風險溢出價值測度首先利用公式(5)計算各子市場在險價值VaR。再將各子市場收益率對應的獨立同skewed-t分布的殘差序列Zit的α分位數(shù)Ziα代入公式(11),求解得出金融業(yè)對應的殘差獨立同分布序列zst的分α位數(shù)Zsα,結合公式CoVaRs|i|iα,t=Vst-1Zsασst槡ΔT計算出條件在險價值CoVaRs|i|iα,t1。最后根據(jù)公式(2)和(3),先計算出金融業(yè)的VaR計算結果(-2.52165),再求出各子市場對金融業(yè)的溢出風險價值ΔCoVaRs|i|iα,t和標準化溢出風險價值%CoVaRs|i|iα,t,如表3所示。從表3可以看出,各子市場的在險價值VaR由大到小依次為:信托(-5.5730)、銀行(-4.3896)、保險(-3.1657)、證券(-2.4387),差別并不大。但是,根據(jù)其標準化溢出風險價值大小進行排序,情況卻出現(xiàn)了很大變化,銀行業(yè)的標準化溢出風險價值(即系統(tǒng)性風險貢獻度)最大,為20.3410,其次是證券業(yè),為16.1089,而保險業(yè)和信托業(yè)的%CoVaR僅分別為3.5041和2.2480。說明銀行業(yè)對我國金融業(yè)的系統(tǒng)性風險溢出效應貢獻最大,其次是證券業(yè),這一結論與白雪梅等人認為我國銀行業(yè)的系統(tǒng)性風險貢獻度最大,而證券業(yè)的系統(tǒng)性風險貢獻度最小的結論不完全一致。表3各子市場對金融業(yè)的VaR,CoVaR,△CoVaR及%CoVaR計算結果Skewed-t分布VaRCoVaR△CoVaR%CoVaR信托-5.5730-2.5783-0.05672.2480銀行-4.3896-3.0346-0.512920.3410證券-2.4387-2.9279-0.406216.1089保險-3.1657-2.6100-0.08843.504153那么為什么四個子市場對中國金融業(yè)的系統(tǒng)性風險貢獻度會出現(xiàn)如此大的差異?對此本文的分析如下:首先,銀行業(yè)之所以貢獻最大,是因為我國長期以來一直實行的是銀行主導型的金融體系,商業(yè)銀行的融資規(guī)模占金融體系融資總量的比重最大,即使是在融資渠道已實現(xiàn)多元化的今天,商業(yè)銀行的信貸規(guī)模仍然占社會融資總規(guī)模的50%左右。根據(jù)“金融加速器理論”和“商業(yè)銀行風險承擔理論”,商業(yè)銀行出于自身利益考慮,在經(jīng)濟保持高速發(fā)展時期,為了實現(xiàn)其收益最大化,必然盡其可能為實體經(jīng)濟提供更多信貸資金支持,從而推動經(jīng)濟過度繁榮;但當經(jīng)濟發(fā)展速度變慢,出現(xiàn)下降后,商業(yè)銀行的表現(xiàn)則剛好相反。因此,過高的融資規(guī)模和流動性不足的特質使我國銀行業(yè)成為系統(tǒng)性風險的天然存儲庫。尤其是2008年金融危機后,4萬億投資規(guī)模的投放主渠道就是商業(yè)銀行。這種集中、大規(guī)模投放必然導致信貸規(guī)模急劇膨脹,不良資產(chǎn)急劇上升。進入2014年以來,商業(yè)銀行不良貸款余額同比增長22.72%,局部地區(qū)不良貸款和不良率雙雙驟升1就是最好的證明。此外,隨著混業(yè)經(jīng)營趨勢的形成,銀行業(yè)與其它金融子市場的融合程度也將越來越強,這也在一定程度上也加大了銀行業(yè)對系統(tǒng)性風險溢出的貢獻度。尤其是近年來通過銀信、銀證、銀保合作等業(yè)務,信貸資金通過影子銀行流向房地產(chǎn)等高風險市場,導致銀行業(yè)的系統(tǒng)性風險貢獻度大大提高。其次,證券業(yè)之所以貢獻次之,是因為中國的證券市場自誕生以來就一直處于功能被異化的狀態(tài)。從證券市場的兩大主要子市場——股票市場和債券市場看,很長時間一直處于“跛腿”發(fā)展狀態(tài),股票市場發(fā)展不但起步早,而且規(guī)模遠遠大于債券市場。就股票市場發(fā)展看,功能出現(xiàn)了嚴重扭曲,首先是發(fā)行制度存在先天缺陷,最早的證券市場就是為幫助國有企業(yè)脫貧解困服務的,眾多上市公司只是將證券市場作為低成本甚至是無成本籌資的場所,在國有企業(yè)大批改制并發(fā)行、上市期間,出現(xiàn)了國有企業(yè)股份制改造的力度越大,向證券市場輸入的股份公司越多,則證券市場上流通的“劣幣”也就越多的現(xiàn)象。其次,在“劣幣驅逐良幣”的發(fā)行制度安排下,1見《金融時報》,2014年7月24日:不良貸款上漲,“重災區(qū)”向中東部擴展。流通市場自然功能變異,淪為一個投機盛行的大賭場。從上證指數(shù)2001年的1600多點到2007年的6000點,再到之后已經(jīng)持續(xù)了7年的2000點左右就足以說明中國股票市場的風險程度。雖然近年來隨著股票發(fā)行制度、監(jiān)管制度、信息披露制度等的不斷完善,股票市場發(fā)展出現(xiàn)了一些新變化,同時,債券市場、衍生工具市場等也從無到有,由小到大,但是,與股票市場相比,這些子市場規(guī)模仍然偏小,不足以與股票市場抗衡。當股票市場的風險已經(jīng)大到如此程度時,也就意味著證券業(yè)的風險之大。因此,證券業(yè)對中國金融業(yè)的系統(tǒng)性風險貢獻程度僅小于銀行業(yè)。最后,保險業(yè)和信托業(yè)的貢獻之所以大大低于銀行業(yè)和證券業(yè),是因為這兩個子市場在我國金融體系中所占比重相對較小,發(fā)展規(guī)模不大。但是,一個值得警惕的新現(xiàn)象是,信托業(yè)近年來的經(jīng)營風險正在不斷上升,對金融業(yè)的系統(tǒng)性風險溢出效應的貢獻度正在提升,從2013年以來先后出現(xiàn)的中誠信托、中融信托、吉林信托剛性兌付危機中已足以看出問題的嚴重性。從今后看,隨著中國經(jīng)濟發(fā)展速度放緩,金融市場環(huán)境復雜程度提高,整體上看,我國金融業(yè)的系統(tǒng)性風險溢出效應還有進一步加大的可能,但是,各子市場對金融業(yè)系統(tǒng)性風險溢出效應的貢獻度排序也可能會發(fā)生變化。2.各子市場相互之間的風險溢出效應測度風險溢出效應不僅表現(xiàn)為各子市場對金融業(yè)整體的系統(tǒng)性風險溢出效應,還表現(xiàn)為金融風險在不同子市場之間的傳導,即不同子市場之間的風險溢出效應。學術界近年來之所以對風險溢出效應高度關注,正是基于金融風險在不同機構和子市場之間傳染的快速性和復雜性。因此,測度不同金融子市場之間的風險溢出效應也是不可忽視的重要內容。表4列出了在Skewed-t分布假設和0.01置信水平下,各金融子市場相互之間的標準化溢出風險價值%CoVaR。從表4可以得出兩個實證結果:(1)各子市場之間都存在風險溢出效應,但不同市場之間的風險溢出程度差別很大。其中銀行業(yè)與證券業(yè)之間的風險溢出效應最大,分別為銀行63業(yè)對證券業(yè)25.5250,證券業(yè)對銀行業(yè)23.9102;而保險業(yè)與其它子市場之間的風險溢出效應最小,其對信托、銀行、證券業(yè)分別為2.1555、5.6885、3.8920,而信托、銀行、證券業(yè)對保險業(yè)也只有2.0648、5.8294、3.9107。這表明兩層含義:一是銀行業(yè)或證券業(yè)出現(xiàn)極端風險情況時給對方帶來的影響遠遠大于信托業(yè)和保險業(yè);二是保險業(yè)出現(xiàn)極端風險情況時給其它行業(yè)帶來的影響都非常小。之所以會出現(xiàn)如此大的差別,我們認為,主要原因是雖然各子市場都通過各種形式的金融創(chuàng)新開展相互合作,但總的來看,由于銀行業(yè)和證券業(yè)在金融體系中所占份額大,合作關系起步最早,合作途徑多,聯(lián)系比其它子市場更密切,如銀證轉賬、銀證通、理財、同業(yè)拆借、國債回購業(yè)務等。相比之下,其它子市場之間的合作途徑要少得多。另外,保險業(yè)除了在金融市場中所占份額較小外,更重要的是其業(yè)務經(jīng)營相對單一。但是,有合作就有風險。從今后看,隨著信貸資產(chǎn)證券化業(yè)務的大面積展開,銀證之間的合作前景將更加廣闊,因此,必須高度關注銀證之間的風險溢出效應。同時,還有一個值得高度警惕的新現(xiàn)象是,雖然從計算結果看銀信之間的風險溢出效應不大,但從現(xiàn)實情況來看,近年來銀信之間已經(jīng)積累了不少問題,風險溢出效應也正在加大,從近年來一系列銀信合作產(chǎn)品出現(xiàn)剛性兌付的事件中都可以看到銀行的影子1。表4各子市場之間標準化溢出風險價值%CoVaR計算結果→信托→信托→銀行→證券→保險信托→----7.63339.29192.0648銀行→7.6976----25.52505.8294證券→9.880023.9102----3.9107保險→2.15555.68853.8920----注:“→”代表風險溢出的方向,例如:信托業(yè)對銀行業(yè)的標準化溢出風險價值為7.6333,銀行業(yè)對信托業(yè)的標準化溢出風險價值為7.6976。(2)各子市場之間的雙向風險溢出效應呈非對稱性。除溢出程度不同外,各子市場相互之間的風險溢出效應還不對稱,例如,證券業(yè)對銀行業(yè)的%CoVaR為23.9102,而銀行業(yè)對證券業(yè)的%CoVaR則為25.5250,相差為1.6148。這說明當銀行業(yè)發(fā)生極端風險時對證券業(yè)的影響要略大于證券業(yè)發(fā)生12014年7月24日,中誠信托宣布“誠至金開2號”確定延期,該產(chǎn)品7月25日到期,是一款典型的銀信合作項目。極端風險時對銀行業(yè)的影響。同樣,銀行業(yè)和證券業(yè)對信托業(yè)的風險溢出大于信托業(yè)對這兩個子市場的風險溢出。對此我們的解釋是,由于各子市場在我國金融體系中所處的地位高低不同,銀行業(yè)作為我國金融體系中的主導子市場,業(yè)務經(jīng)營綜合性強,波及面廣,一旦其發(fā)生風險將會波及整個金融業(yè);相反,以股票市場為例,盡管上證綜合指數(shù)已經(jīng)連續(xù)七年熊市,但對中國金融業(yè)的整體影響卻比銀行業(yè)小得多。但是,從今后看,隨著我國金融混業(yè)經(jīng)營步伐的加快,不同子市場之間的關聯(lián)性也將越來越大,一旦