吕燕军+谢丽强

（山西财经大学）

2008年国际金融危机以来，系统重要性金融机构的识别、测度和监管成为国内外学术界和政府部门关注的焦点.IMF、欧盟及美国等在发布的金融监管改革研究文献中均将系统性风险的累积和宏观审慎监管的缺失作为导致国际金融危机的重要因素之一.本文应用GARCH-CoVaR模型对我国上市银行的系统性风险贡献度及其与银行财务特征和宏观经济波动的关系进行了分析，为银行系统性风险识别和监管提供了实证依据，对于构建稳健的中国银行业的微观结构具有重要政策意义.

1 文献综述

计量和分析银行机构之间的相互关联乃至系统性风险贡献度主要有2种方法：（1）结构化方法.如网络模型，通过研究资产负债表相互关联，以及对共同风险因子敞口等因素，在假定银行体系遭受冲击引发双边头寸清算条件下，对危机传染路径、波及程度和资本损失进行估测，并对系统重要性银行进行识别. （2）简约化方法.即不去研究银行间的相关关联究竟是如何形成，而是力图从市场数据，包括股价和CDS价差中推导出市场对银行风险相关性的预期，如动态相关性、CoVaR方法和系统性风险保险定价法等.该方法的有效性取决于金融市场的有效性：当金融市场为“强有效”时，市场数据分析法可以通过对股价的分析、模拟，得出较为准确的系统性风险状况；当金融市场为“半强势”有效时，对历史数据进行分析的准确性会有所下降；当金融市场为“弱有效”时，该方法将几乎失去效用.

2 基于GARCH模型的CoVaR方法

2.1 测度银行系统性风险

CoVaR模型在传统度量市场风险的方法中，VaR（Value atRisk）在险价值方法是主流方法，其代表一定的概率水平下，资产或投资组合在未来特定时间内的最大可能损失.若X代表某一资产或投资的损失，其密度函数是f（x），则VaR可表示为VaRp= inf| x| f（X≤ x）> p|Adrian等在VaR模型基础上，建立了考虑金融机构之间风险溢出关系的在险价值模型，称为CoVaR模型，它表示在一定概率水平下，当某一资产在未来特定时间内的损失等于VaR时，其他资产或投资组合的最大可能损失.因此，给定置信水平1- q，当银行i的损失值为VaR时，银行j的条件在险价值CoVaRj iq为Pr（Xj≤ CoVaRj| iq| Xi= VaRiq）= q这一定义意味着，CoVaRj iq本质上是条件VaR，代表了银行i对j的风险溢出效应.CoVaRj iq反映了银行j的总风险价值，包含了无条件在险价值和溢出风险价值，为了更真实地反映当银行i出现最大可能损失这一极值事件发生时银行j的风险增加值，定义溢出风险价值为ΔCoVaRj| iq= CoVaRj| iq- VaRjq，与无条件VaRjq值相比，CoVaR方法考虑了银行间市场风险的溢出性和传导性，能够反映危机时期机构间相关性增加的事实，是对传统VaR模型的改进.同理，银行i对系统性风险的边际贡献为当银行i发生最大可能损失时，银行体系的条件风险与无条件风险之差为ΔCoVaRsys| iq= CoVaRsys| iq- VaRsysq

2.2 基于GARCH模型的動态CoVaR计算方法

基于GARCH模型的动态VaR方法可以给出在一定置信水平下资产每日的最大损失值，并充分考虑了发生极端事件时的风险状况.这为投资者和监管机构实时评价单个银行的市场风险提供了标准和依据.Kuester等[12]研究发现，应用AR（1）-GARCH（1，1）对收益率序列建模并假设残差序列服从t分布的参数估计结果，比传统分位数回归的效果更好.因此，本文引入基于GARCH模型的CoVaR方法来度量我国上市银行的潜在系统风险贡献度.

3实证结果分析

本文选取2002-11-12～ 2010-11-18沪深两市14家上市银行的收盘价作为样本数据，其中包括4家国有银行，10家股份制银行.2003～ 2010年这14家银行的总资产占我国商业银行资产总额的比例高达75%以上，具有很好的代表性.数据来源Wind数据库，数据处理使用Eviews 6.0和Splus.首先对样本序列Xit（i= 1，2，… ，14，表示14家上市银行）的平稳性进行检验，单位根检验结果表明，在95%和99%的置信水平下，所有收益率数据均拒绝单位根原假设，即收益率序列均为平稳序列，可以直接建立GARCH模型计算VaR和CoVaR等值.通过实证分析结果如下：在本文所作的各个不同尾部分布假设和不同概率水平的分析框架下，工商银行、建设银行和招商银行的日平均VaR损失值最小，表现出良好的稳健性和风险控制能力；而宁波银行和兴业银行在正态分布下的日均VaR值最大，南京银行、深发展和宁波银行在t分布假设下的日均VaR损失值最大.可见，以VaR指标衡量的单个银行风险中，中小商业银行的潜在风险较高，具有更大的损失可能.

传统的微观审慎监管侧重于单个银行和资产，其主要风险管理工具VaR方法没有考虑到风险溢出效应的影响，而CoVaR能够有效地反映单个银行对系统风险的影响和贡献度.计算结果显示，在正态分布假设下，建设银行对整个银行系统的风险贡献度最为显著，在5%和1%的置信水平下日均CoVaR值分别为- 21.4%和- 32.7%，远高于系统性影响位于第2位的工商银行.而在t分布假设下，中国银行、工商银行、建设银行的系统性风险贡献度最为显著，其日均CoVaR值小于- 30%，不同分布假设下的结论基本吻合，表明其结果具有稳健性。ΔCoVaRsys iq，t衡量了当某一银行发生最大可能损失时，其对银行系统的风险溢出大小与CoVaR相比，这一指标减去了银行体系在正常状态下的无条件风险值，能更准确地反映单个银行对系统性风险的真实度.结果显示，在正态分布假设下，建设银行、深发展、工商银行、交通银行的系统性风险贡献程度最大，尤其以建设银行最为显著，在5%置信水平下，其对银行系统的溢出风险值为- 17.4%，比系统性影响最小的宁波银行高出14个百分点；在t分布下，工商银行、建设银行、中国银行对系统性风险的影响最为显著.可见，对我国银行体系而言，系统重要性银行主要是4大国有银行，尤其以建设银行、中国银行和工商银行最为突出.

究其深层原因，银行的资产质量、相对规模和系统性关联程度是决定其系统性风险贡献率的重要因素.

4结论

本文以Adrian等研究为基础，应用股票价格数据对我国14家上市商业银行的系统性风险贡献度进行测算，度量了当一家银行发生最大损失（或违约）时整个银行体系的脆弱性，从而计算出单个银行违约的溢出风险，并对其影响因素进行了实证分析.研究发现：①银行系统性风险贡献度与其自身VaR之间并无显著线性关系，对我国银行体系而言，系统重要性银行主要是4大国有银行，尤其以建设银行、中国银行和工商银行的系统性影响最为显著，其他股份制行的风险溢出和传染效应远小于这3家银行.②银行的溢出风险ΔCoVaR、自身风险VaR水平、不良贷款率以及宏观经济波动对于预测银行系统性风险的边际贡献具有显著影响.值得注意的是，尽管CoVaR模型简洁明了并反映了市场对于银行风险相关性的预期，但该方法只适用于在股票交易所上市的银行，并且要求资本市场是有效的，即全部信息都被反映到股价上.因此，股价的波动就代表了该银行资产质量和风险状况的变化，这一条件对于大多数证券市场很难满足.