白 雪，吴 影

（安徽大学经济学院，合肥 230601）

引 言

2017 年国务院成立金融稳定发展委员会，提出要对影子银行进行重点监管，防止金融机构通过影子银行实现脱实向虚，导致金融泡沫破裂从而引发系统性金融风险。据《中国影子银行季度监测报告》显示，截至2022 年9 月，中国影子银行资产规模为55.6 万亿元，占名义GDP 的47.2%，虽有所下降，但降幅远小于2021 年和2019 年，影子银行仍在中国的经济市场上占据着重要地位。由于中国金融市场存在信贷约束条件，实体经济面临着“融资难”“融资贵”的问题，而商业银行则可以通过同业业务、银信合作、银证合作等各种渠道，绕过间接融资约束直接实行表外融资来扩大信用水平，满足实体经济的融资需求。李文喆[1]提出在金融抑制背景下，商业银行绕过资本充足率约束，规避存款准备金，以影子银行的方式实现了金融创新。一方面，佟孟华等[2]认为影子银行作为一种金融创新手段，在一定程度上拓展了金融服务的广度和深度，突破了传统商业银行的信贷规模限制，有利于解决中小企业融资难的问题，缓解了商业银行的信贷压力。另一方面，王妍等[3]认为由于金融监管力度不足，影子银行不可避免地会存在风险隐患，而影子银行作为“银行的影子”，其风险一旦爆发势必波及商业银行，甚至向整个金融体系蔓延引发系统性风险，危及金融体系稳定性。为了防止影子银行的风险传染至商业银行乃至整个金融体系，研究影子银行与商业银行间极端风险溢出效应对守住不发生系统性金融风险的底线十分重要。鉴于此，本文研究影子银行与商业银行间的双向风险溢出效应，拟通过AS-MVMQ-CAViaR 模型分析正负向市场冲击对二者间风险溢出效应影响的异质性，同时采用联合显著性检验从整体上判别影子银行和商业银行风险传染的方向。

1 文献综述

本文从影子银行的概念界定和影子银行对系统性金融风险的传导机制两个方面对已有文献进行梳理。

1.1 影子银行的概念界定

现有学者从不同角度对影子银行概念进行了界定。部分学者从金融机构和金融业务的角度对影子银行的范围进行界定。罗琨[4]认为影子银行是不同于传统商业银行特征，却能实现部分类银行功能的金融机构和金融业务。何平等[5]结合我国金融特征对中国影子银行涵盖的范围进行了归纳总结：第一类是银行相关业务与产品，涵盖银行理财产品、未贴现银行承兑汇票、银信合作与银证合作等银行表外业务；第二类是涵盖融资租赁公司、信托公司、证券公司、创业投资机构及典当行等的非银行金融机构；第三类是游离于金融监管体系之外的民间金融，涵盖民间借贷、私募基金和互联网金融等。李丛文等[6]、马亚明等[7]均从金融机构角度出发将影子银行划分为信托类、证券类和民间借贷类，并利用代表性上市企业的股票收益率数据进行实证研究。而部分学者从功能的角度对影子银行进行了概念界定。中国的影子银行有别于国外影子银行和商业银行并存的模式，孙国峰等[8]认为中国的影子银行是商业银行为突破融资约束扩大信用水平而开展的一种“类贷款”业务，是“银行的影子”。李波等[9]也认为影子银行具有和银行贷款相同的信用创造功能，可以作为一种信用中介满足企业的融资需求。但影子银行通过各种渠道实现金融创新、规避金融监管，使其业务不计入贷款科目下从而获得额外利润。李文喆[10]指出影子银行是具备信用期限转换和流动性转换功能但尚未受到严格监管的金融业务。目前我国关于影子银行定义最权威的说法是中国银保监会政策研究局课题组等[11]在《中国影子银行报告》中将影子银行划分为广义和狭义，广义影子银行是指基本满足监管力度不足、产品构成复杂、信用链条较长、杠杆水平较高以及集中兑付压力较大等影子银行基本特征的金融产品和业务；而狭义影子银行是指广义影子银行中风险特征更为明显的金融产品和业务。

1.2 影子银行系统性金融风险传染机制

2013 年和2016 年发生的“钱荒”事件充分说明了影子银行所带来的系统性风险隐患。杨子晖等[12]认为金融机构受到利益驱使开展影子银行业务规避金融监管，使得金融机构间的隐性关联更为紧密，增加了金融系统的复杂性和波动性，从而扩大了金融机构的尾部风险敞口，提高了系统性金融风险溢出的可能性。

现有文献关于影子银行对系统性金融风险传导机制的研究主要分为两个方面：一方面是从定性的角度，从影子银行自身的特点出发，认为影子银行的风险特征是导致系统性金融风险的重要原因。影子银行具有期限错配、高杠杆水平、交易链条长、刚性兑付以及顺周期性等特征。Gennaioli 等[13]认为影子银行高杠杆率的业务模式会导致运营风险的积聚，而期限错配的特征又容易诱发系统性风险，威胁金融体系的稳定性。Turner[14]通过研究验证了影子银行的出现的确使得金融产品结构更加复杂，延长了金融业务交易流程，一旦在其中某个环节监管不力，就会导致风险通过信用中介链条蔓延至其他金融部门，诱发系统性金融风险。Ehlers 等[15]提出中国的银行作为影子银行发展的基石，需要承担起向客户提供隐性担保和刚性兑付的责任，以免发生挤兑风险，使得发生金融危机时商业银行不得不承担大量风险。李建强等[16]和方意等[17]均认为中国影子银行背后的刚性兑付是导致系统性金融风险的重要诱因。而马勇等[18]、宋鹭等[19]则一致认为影子银行内在顺周期性的特征是造成宏观经济不稳定、诱发系统性金融风险的重要原因。

另一方面是从定量的角度，强调了金融机构的内在关联性。影子银行作为银行表外业务的扩展，主要是通过商业银行向整个金融体系扩散风险。林琳等[20]运用D-D 模型探究了流动性水平对影子银行和商业银行风险传染机制的影响。李丛文等[6]基于股票收益率数据，利用偏t 分布的GARCH-时变Copula-CoVaR 模型，从整体和局部分别测度并比较了各类影子银行对商业银行的风险溢出大小。而庄子罐等[21]则基于DSGE 模型比较了有无影子银行对我国宏观经济波动的影响，得出逆周期的借贷行为是影子银行在短期内造成宏观经济波动的主要原因。周上尧等[22]构建了可以刻画中国影子银行结构的DSGE 模型对影子银行风险积聚的原因进行研究，发现商业银行的金融创新行为会造成影子银行迅速扩张，引发系统性金融风险。不同于其他学者从宏观市场的角度出发，佟孟华等[2]基于上市商业银行的微观数据，运用CoVaR 模型衡量了影子银行对商业银行的风险传染程度，发现不同类型商业银行对影子银行风险传染的承担水平存在异质性，并探究出委外投资业务是影子银行诱发系统性金融风险的关键途径。潘弘杰等[23]构建包含影子银行的动态复杂网络模型，证实了影子银行是系统性金融风险传染的主要载体，并且得出纳入了影子银行的银行体系金融风险相对偏高的结论。

综上所述，国内外学者从不同角度对影子银行极端风险溢出进行了研究。本文的边际贡献体现在：第一，大部分学者研究影子银行与商业银行的风险溢出问题时，均只考察了影子银行对商业银行的单向风险传染表现，商业银行仅作为风险的承受方。而本文同时考虑了商业银行作为风险承担者和风险溢出者，研究影子银行和商业银行间的双向极端风险溢出效应。第二，现有文献利用各类模型对影子银行和商业银行间的风险溢出效应进行研究时大多是从对称的角度考虑的，没有考虑到正负向市场冲击对风险溢出效应影响的异质性。本文拟用非对称MVMQ-CAViaR 模型，考虑正负向市场冲击对极端风险影响的异质性，来测度影子银行与商业银行间的极端风险溢出水平。

2 模型构建

2.1 实证模型的构建

在险价值（Value at Risk，VaR）指标衡量了在某一给定的置信水平下，某一金融市场资产组合在未来可能遭受的最大损失，即极端风险水平。VaR的定义式为式（1）：

Pr（yt≤VaRt）=θ （1）

其中，显著性水平θ∈[0，1]。但由于金融市场资产组合收益率序列往往存在着尖峰肥尾、时序性以及波动聚集，即自相关性等分布特征，导致使用在险价值来衡量金融市场极端风险的有效性大大减弱。于是，Engle 等[24]不再对整个分布建模，而是直接对在险价值VaR 建模，使用自回归过程构建了条件分位自回归在险价值模型（Conditional Au toregressive Value at Risk by Regression Quantiles，CAViaR），并利用回归分位数估计该模型参数。CAViaR 模型一般形式为式（2）：

其中，βθ表示待估参数的列向量；m+n+1 是βθ的维度；Yt为第t 期金融资产或金融市场收益率的观测值；qt（θ）表示市场收益率在第t 期的θ 条件分位数；qt-i（θ）则为滞后i 期的条件分位数，可以衡量金融市场尾部风险自相关性；其系数βi则描述了金融市场收益率序列分布的波动聚集特征；βj度量了当期的市场冲击对收益率的影响程度；l（·）为滞后算子，用来度量收益率序列的滞后项Yt-j对条件分位数qt的影响。

但是，CAViaR 模型只能度量单个金融市场的动态风险，而不能捕捉不同金融市场之间的动态相关性。为了研究不同市场之间的动态风险溢出，White 等[25]在CAViaR 模型的基础上引入了多个变量及多个分位数水平，构建了多元分位数条件自回归在险价值模型（即MVMQ-CAViaR）。MVMQCAViaR 模型表明一个金融市场的极端风险不仅受到其自身滞后项的影响，还受到关联市场冲击的影响，可以揭示不同市场之间的风险溢出效应。MVMQ-CAViaR 模型的具体表达式如式（3）：

其中，qi，t（θ）表示金融市场i 的资产收益率序列在t 时刻的θ 条件分位数，即金融市场i 在θ 置信水平下的在险价值VaR；｜Yi，t-1｜表示的是滞后一期市场i 收益率序列的绝对值，即市场冲击项，绝对值则视为正负冲击项给金融市场VaR 值所带来的影响是相同的；qi，t-1代表滞后一期的VaR，用来说明金融市场的尾部风险聚集性。从式（3）中我们可以得出，某个金融市场的极端风险，即在险价值VaR，除了受到本市场滞后一期市场冲击的影响（用系数a11或a22来衡量）与本市场滞后一期极端风险的影响（用系数b11或b22来衡量），还受到关联市场滞后一期市场冲击的影响（用系数a12或a21来衡量）和关联市场滞后一期极端风险的影响（用系数b12或b21来衡量）。但在现实中市场收益率下降导致的负向冲击给极端风险带来的影响显然大于市场收益率上升导致的正向冲击给极端风险带来的影响。因此本文参考曾裕峰等[26]的做法取消收益率序列的绝对值，将模型（3）扩展为非对称多元分位数条件自回归在险价值模型（即ASMVMQ-CAViaR 模型），刻画本市场和关联市场的正负向冲击给市场极端风险带来的不同影响。本文参考模型具体表达为式（4）：

其中，qi，t（θ）与Yi，t-1的含义与上文相同，系数b11和b22仍用来衡量本市场滞后一期的在险价值对当期VaR 的影响；系数b12和b21仍用来衡量关联市场滞后一期的在险价值对本市场当期VaR 的影响。与式（3）不同的是，式（4）引入了市场冲击的正负项，不再用绝对值统一概括市场冲击。以市场1为例，a11用来衡量市场1 滞后一期的市场收益率正向冲击（Y1，t-1）+对当期VaR 的影响；a12用来衡量关联市场（即市场2）滞后一期的市场收益率正向冲击（Y2，t-1）+对市场1 当期VaR 的影响；d11用来衡量市场1 滞后一期的市场收益率负向冲击（Y1，t-1）-对当期VaR 的影响；d12用来衡量市场2 滞后一期的市场收益率负向冲击（Y2，t-1）-对市场1 当期VaR的影响。

2.2 模型的参数估计方法

对AS-MVMQ-CAViaR 模型进行参数估计，即可获得金融市场间风险溢出的结果。由于ASMVMQ-CAViaR 模型作为对一元CAViaR 模型的扩展，放宽了收益率序列分布的假设条件，所以可以用极大似然估计法（QML）对目标函数进行参数估计。其中目标函数为式（5）：

其中，T 为所研究的样本总数；n 表示所研究的金融市场个数（本文研究的是两两市场之间的风险溢出效应，所以在本文中n=2）；ρ（θi）=θi-I（Yit-qit（θi，α））为检测函数。对AS-MVMQ-CAViaR 模型进行参数估计的具体步骤：首先要得到一元CAViaR 模型的参数估计结果，再将此结果作为ASMVMQ-CAViaR 模型参数估计的初始值，同时利用拟牛顿法（Quasi-Newton Methods）和单纯形算法（Simplex Algorithm）来对目标函数式（5）进行优化求解AS-MVMQ-CAViaR 模型参数估计值。

2.3 联合显著性检验

为了进一步检验用AS-MVMQ-CAViaR 模型来度量各金融市场间极端风险溢出效应的可靠性，本文采用wald 统计量来进行联合显著性检验，通过检验模型系数是否为零来判断金融市场间是否存在极端风险溢出效应及其风险传染方向如何。wald 统计量表达式如式（6）：

其中，VC 表示模型参数估计值的方差-协方差矩阵；R 为约束矩阵。若wald 统计量高于给定显著性水平下的临界值，则拒绝原假设的理由更充分，反之则接受原假设的理由更充分。原假设H0：Rβ=r，当q=6，r=0 时，即H0：aij=aji=bij=bji=dij=dji=0（i≠j），接受原假设则说明市场i 和市场j 之间不存在风险溢出效应，反之拒绝原假设则说明两市场间存在风险溢出；当q=3，r=0 时，即H0：aij=bij=dij=0（i≠j），若接受原假设，则说明市场j 对市场i 无风险溢出效应，反之若拒绝原假设，则说明市场j 对市场i 存在风险溢出效应。

2.4 模型稳健性检验

为了进一步检验AS-MVMQ-CAViaR 模型对样本外数据进行预测的准确性，Kupiec[27]提出“撞击次数”服从伯努利分布，并在模型能够准确预测的假设条件下，构造LR 似然比检验统计量式（7）：

其中，p 是给定的显著性水平；N 为样本外数据总量；n 为预测的样本外数据撞击次数。LR 检验能够揭示真实撞击次数和预测撞击次数的相近水平，当LR 统计量低于给定显著性水平下的临界值，则证明该模型预测能力较好；反之如果LR 统计量高于该临界值，则该模型不能很好地预测样本外数据。

3 实证结果与分析

3.1 数据处理和描述性统计

从影子银行的合作对象及发展模式来看，影子银行最先是以银信合作的方式出现在大众视野的，信托贷款和信贷资产转让是其主要运作模式[28]。而从2010 年开始，银信合作的模式受到金融业的监管限制，于是银证合作的影子银行业务模式随之出现。之后随着金融不断发展创新，一大批互联网金融机构、融资租赁机构、创投机构以及资管机构等纷纷开展类似的影子银行业务。所以本文选取的影子银行包括信托、证券及其他金融机构。其中商业银行、信托及证券的数据来自中信二级行业指数，而由于其他金融机构缺少已有的行业指数对其直接进行度量，本文选取创投概念股、互联网概念股以及融资租赁概念股中上市时间在2012 年之前的企业，剔除其中的ST、*ST 企业，以剩余89 家上市企业为代表，并以股票总市值为权重，通过加权平均构建了其他金融机构类影子银行的综合指数。本文所用样本数据均来自国泰安数据库。

限于样本数据的有限性与时间的统一性，本文选取的样本时间跨度为2012 年1 月4 日至2022年10 月14 日，共计2 606×4 条有效的日度数据。其中前1 906 条作为样本内数据用于模型拟合，后700 条作为样本外数据用于回测检验，以测试本文所使用的AS-MVMQ-CAViaR 模型的稳健性。本文对样本数据的日收盘价取对数收益率，并乘以100以消除原始收益率数值过小导致的计算误差，公式如式（8）：

对处理后的对数收益率进行描述性统计，结果如表1 所示：第一，在本文选取的样本时间区间内，商业银行的收益率均值为正值，而证券行业收益率均值为负值，且证券行业的最大值与最小值的绝对值均高于商业银行。这表明证券行业的收益率波动更明显、风险更大，符合我们对证券行业及商业银行风险的一般认知。第二，信托行业、证券行业、其他金融机构以及商业银行的偏度均小于零，且峰度均大于60，说明影子银行和商业银行收益率序列均符合金融数据“尖峰”“肥尾”“负偏”的基本特征。第三，本文还对影子银行和商业银行的收益率序列进行了ADF 平稳性检验和JB 检验，结果显示影子银行和商业银行的收益率序列均为不服从正态分布的平稳时间序列，因此我们可以利用AS-MVMQCAViaR 模型测算影子银行和商业银行间的极端风险溢出效应。

表1 样本的描述性统计结果

3.2 AS-MVMQ-CAViaR 模型参数估计结果

表2 分别给出了三类影子银行（信托、证券及其他金融机构）和商业银行在5%分位数水平下AS-MVMQ-CAViaR 模型的参数估计结果。所有模型中的自相关系数b11和b22均在5%的置信水平下显著，且数值均大于0.9，这说明三类影子银行和商业银行都存在高度的序列相关性，即具有风险聚集特征。具体分析如下：

表2 AS-MVMQ-CAViaR 模型参数估计结果

第一，在信托和商业银行两者的风险溢出回归结果中：系数a11未通过显著性检验，而系数a12在5%的置信度下显著为负，表明信托类影子银行的极端风险与自身正向冲击关联不大，但会受到商业银行前一期正向市场冲击的影响而加剧；d11和d12分别在5%和1%的置信度下显著非零，则说明信托类影子银行自身负向冲击及商业银行当期负向冲击均会影响信托类影子银行的极端风险；又由系数a21不显著而a22在1%的置信度下显著为负，d21、d22均在5%的置信度下显著可知，商业银行的风险价值受到自身正向冲击和负向冲击的影响，信托类影子银行的负向市场冲击会加大商业银行的当期极端风险；系数b12和b21均在5%的置信度下显著则表明，信托类影子银行和商业银行之间存在明显的双向风险溢出效应，并且从数值上来看，商业银行对信托类影子银行的极端风险溢出程度要更高。

第二，在证券和商业银行的AS-MVMQ-CAViaR模型回归结果中：系数a12、d12显著不为零则表明商业银行的正向冲击和负向冲击均会影响证券类影子银行的极端风险；而a22显著则说明商业银行正向冲击会影响自身的在险价值；b12在5%的置信度下显著而b21不显著，则意味着商业银行前一期的极端风险会对当期证券市场的极端风险产生影响，而商业银行当期的极端风险则不会受到前一期证券市场极端风险的影响。因为资产证券化作为一种创新型的融资工具，其目标就是为了将商业银行的风险转移至表外[29]，降低商业银行的风险水平，所以证券是商业银行风险溢出效应的承担者。而我国的商业银行相比于证券机构受到的监管更为严格，风险管理措施更为完善，所以商业银行对风险的抵御能力要比证券机构更强。

第三，在其他金融机构和商业银行的模型回归结果中：由a12、d11显著而a11、d12不显著可知，其他金融机构的在险价值和自身负向冲击以及商业银行正向冲击显著相关而和自身正向冲击以及商业银行的负向冲击均无关；又根据a21不显著而d21在1%的置信度下显著为负可知，商业银行的当期极端风险会因其他金融机构的负向市场冲击而加剧；而a22在1%的置信度下显著不为零则说明商业银行发生正向冲击会影响自身的极端风险水平；系数b12和b21分别在10%和1%的置信度下显著，反映了其他金融机构和商业银行之间存在明显的双向风险溢出效应，并且从数值上看，商业银行对其他金融机构的风险溢出效应更强。

第四，系数d12和d21的显著次数以及系数大小均高于系数a12和a21，说明负向冲击下影子银行和商业银行之间的极端风险溢出水平要高于正向冲击下的极端风险溢出水平。

通过上述分析可以看出影子银行和商业银行之间存在极端风险溢出效应，并且相较于影子银行对商业银行的风险溢出程度，商业银行对影子银行的风险溢出程度要更高。因为商业银行在我国金融体系中占有举足轻重的地位，商业银行的稳定性关乎到整个金融体系的稳定性，所以我国金融体系为商业银行制定了详细的监管政策对其实行有力监管。而影子银行信贷链条长、隐蔽性强，难以对其进行全面有效的监管，所受到的监管力度和强度都远不及商业银行，且若过度监管反而会促进影子银行突破金融体系的限制进行金融创新，增加风险隐患。主要的风险溢出机制分析如下：

从影子银行的发展历程来看，国内的影子银行作为“银行的影子”，刚兴起时业务模式相对来说较为简单。但随着我国的金融模式不断创新，影子银行也逐渐发展起来，其业务模式变得愈加复杂，开始通过买入返售金融资产和应付款项等会计科目来进行核算。银银、银信以及银证之间的联系越来越紧密，所以无法避免地导致信托和商业银行、证券和商业银行之间存在风险溢出效应[30]。而近几年，融资租赁、互联网金融和创投等金融机构在我国蓬勃发展。截至2021 年上半年，中国融资租赁公司的数量达到12 159 家；2021 年创投市场股权投资机构共有8 658 家；从业务模式上看，现有互联网金融共包含21 类，包括网络借贷、互联网金融公司、互联网资产管理等，而目前仅互联网金融公司就有2 000 多家正常运营。这些金融机构的业务都与商业银行密切相关，随着它们的发展，一系列的风险问题也接踵而至，与商业银行之间存在着风险溢出是必然的结果。

从影子银行的业务形式来看，自2010 年以来金融监管逐渐严格，为了缓解资本充足率的压力，加大资金供给满足高速发展的房地产企业和地方政府的融资需求，以银行、证券、保险、信托、基金及金融租赁等金融机构为服务对象的银行同业业务在银行体系内兴起并迅速发展。银行同业业务规模不断扩大，与公司业务、个人业务共同构成商业银行三大核心业务。据Wind 数据统计，截至2022 年10 月21 日，银行同业存单存量达到143 600 亿元。而同业业务作为影子银行的表现形式之一，势必使得影子银行与商业银行之间存在风险溢出效应[9，31]。由于影子银行和商业银行之间各类业务深度相连，所以当影子银行出现极端风险时会通过各类影子银行的具体业务，如银信合作、银证合作、同业业务及委托贷款等进一步传染至商业银行，最终在羊群行为和传染效应的作用下演变为系统性金融风险。影子银行期限错配与高杠杆率两大显著特征会引发流动性风险和运营风险；而高内在关联性、信用风险转移等风险特征会进一步造成风险溢出，商业银行作为影子银行业务的载体，最终成为风险的承担者。商业银行作为影子银行的依托，如果商业银行的资金链断裂发生流动性风险，必然会影响影子银行的稳定性，一方面会导致影子银行也出现资金流动性问题；而另一方面会造成信用风险，引发挤兑问题。

3.3 极端风险溢出效应检验

凭借个体模型的单系数检验结果不能就影子银行和商业银行间风险溢出方向做出可靠判断，因此本文参考Engle 等[24]的方法，构造wald 统计量来进一步确定影子银行和商业银行之间是否存在风险溢出效应，以及从整体上判别影子银行和商业银行间极端风险溢出方向。具体方法如下：

本文的联合显著性检验以影子银行与商业银行间不存在风险溢出效应为原假设，具体包含三层：假设一：H0：a12=a21=b12=b21=d12=d21=0，即影子银行与商业银行间不存在极端风险溢出效应；假设二：H0：a21=b21=d21=0，即影子银行对商业银行不存在极端风险溢出效应；假设三：H0：a12=b12=d12=0，即商业银行对影子银行不存在极端风险溢出效应。

从表3 的wald 检验结果可以看出，信托类影子银行、证券类影子银行及其他金融机构类影子银行均和商业银行之间存在着极端风险溢出效应。其中，信托与商业银行、其他金融机构和商业银行之间均存在着非常显著的双向极端风险溢出效应；而证券与商业银行在第二层假设H0：a21=b21=d21=0 中P 值为11%，略大于10%，也就是说证券和商业银行之间的风险溢出效应由商业银行主导，证券对商业银行的风险溢出效应是弱效应。在刻画双向尾部极端风险溢出效应的图1 中，强效应用实线箭头表示，弱效应用虚线箭头表示。

图1 影子银行与商业银行间的尾部极端风险溢出方向

表3 影子银行和商业银行的尾部风险溢出检验结果

3.4 样本内检验与样本外预测结果

表4 记录了AS-MVMQ-CAViaR 模型对样本内数据的拟合效果和对样本外数据的预测情况。就样本内数据而言，对三个模型中信托、证券、其他金融机构以及商业银行的收益率水平击穿5%VaR值进行统计，结果得出击穿比例均在5%左右，意味着AS-MVMQ-CAViaR 模型对样本内数据的拟合效果较好。

表4 AS-MVMQ-CAViaR 模型回测检验结果

但模型对样本内数据的拟合表现并不能简单扩展到对样本外数据的预测表现，所以本文选取2019 年11 月22 日至2022 年10 月14 日，经过交易日匹配后的700 条信托、证券、其他金融机构及商业银行的收益率数据来进行样本外的回测检验。通过统计样本外数据在5%的置信水平下对VaR值的撞击次数，发现模型计算的VaR 值击穿比例均在5%左右，预测效果较好。本文还构造了LR 统计量进一步检验该模型的稳健性和适用性，来评估模型的样本外预测能力，从结果可以看到三个ASMVMQ-CAViaR 模型均通过了LR 检验。综合模型对样本内数据的拟合效果和对样本外数据的预测结果，可以得出结论：AS-MVMQ-CAViaR 模型能够很好地测度影子银行和商业银行间的尾部风险溢出情况。

4 结论与政策建议

本文依据影子银行的发展历程，选取三类影子银行（即信托、证券及其他金融机构）和商业银行作为研究对象，并以行业指数和上市企业的股票收盘价为样本数据，基于AS-MVMQ-CAViaR 模型，探究了影子银行和商业银行间的极端风险互溢情况，得出如下结论：

第一，信托、证券、其他金融机构和商业银行均具有高度的自相关性，即具有波动聚集特征。

第二，影子银行与商业银行间存在着极端风险溢出效应。信托和商业银行、其他金融机构和商业银行均存在双向的极端风险溢出效应；而对于证券和商业银行，商业银行对证券的风险溢出是强效应，而证券对商业银行是弱溢出。

第三，根据系数b12和b21的大小及显著性水平可知，商业银行对影子银行的风险溢出效应排序为：信托>其他金融机构>证券；影子银行对商业银行的风险溢出效应排序为：其他金融机构>信托，证券类影子银行对商业银行的风险溢出是弱效应。整体来看，信托和商业银行的风险关联度最高，证券和商业银行的关联度最低。

第四，负向市场冲击对影子银行和商业银行间风险溢出效应的影响要高于正向市场冲击所带来的影响。

基于上述结论，本文提出如下政策建议：

第一，对影子银行和商业银行的监管齐头并进，不留监管盲区。影子银行和商业银行间存在双向的风险溢出效应，二者业务和风险特征存在相似性，所以对游离于银行监管体系之外的影子银行，我们也应合理引导其降低杠杆率水平、缩短金融交易环节、提高信息透明度以不断完善金融监管措施。

第二，对影子银行采取差异化的审慎监管手段，重点监督信托类影子银行。从上述研究中可以看出，银信合作是我国影子银行最初出现的形式，随着影子银行的后续发展演变，银证合作的模式和其他金融机构的类影子银行业务相继开展，但信托类影子银行和我国商业银行间的风险溢出效应仍然最为显著，应对信托业采取重点监督措施。

第三，密切关注影子银行和商业银行的负向市场冲击，建立风险监测预警机制。从上述研究中可以发现市场负向冲击会对影子银行和商业银行间极端风险溢出产生影响，所以应通过完善市场监测预警系统，捕捉影子银行和商业银行运作过程中可能出现的负向市场冲击，预防极端风险外溢。