基于SRISK方法的我国上市银行系统性风险分析 .pdf

发布时间：2022-06-14 发布人：admin 分类：说明书资料大小：0.40M 资料格式：pdf 举报版权申诉

c6d37d58-cc58-41ab-9fba-71712f3a0fc9.pdf-第1页.png

第1页 / 共12页

c6d37d58-cc58-41ab-9fba-71712f3a0fc9.pdf-第2页.png

第2页 / 共12页

c6d37d58-cc58-41ab-9fba-71712f3a0fc9.pdf-第3页.png

第3页 / 共12页

c6d37d58-cc58-41ab-9fba-71712f3a0fc9.pdf-第4页.png

第4页 / 共12页

c6d37d58-cc58-41ab-9fba-71712f3a0fc9.pdf-第5页.png

第5页 / 共12页

c6d37d58-cc58-41ab-9fba-71712f3a0fc9.pdf-第6页.png

第6页 / 共12页

c6d37d58-cc58-41ab-9fba-71712f3a0fc9.pdf-第7页.png

第7页 / 共12页

c6d37d58-cc58-41ab-9fba-71712f3a0fc9.pdf-第8页.png

第8页 / 共12页

文本预览

中国科技论文在线 http://www.paper.edu.cn 基于 SRISK 方法的我国上市银行系统性风险分析刘轶，朱湘平* （湖南大学金融与统计学院，长沙 410000） 5 摘要：本文主要采用 SRISK 法对银行系统性风险进行测度，并用静态分析与动态分析相结合的方法对测度结果进行了详细的分析与阐述，然后利用面板数据回归方法检验了银行规模、杠杆率、核心资本充足率以及非利息收入占比四个因素对我国银行系统性风险的影响。得到以下结论：不同的度量系统性风险的方法会得出不同的结果；银行的系统性风险排名不是固定不变的，而是随着时间的改变而变化的，并且变化的方向不一致；规模较大的银行通常系统性风险也相对比较高，但系统性风险与银行规模并不是成完全正相关的。关键词：我国上市商业银行；系统性风险；SRISK 法；影响因素中图分类号：［JEL 分类号］G21 ［文献标志码］A 10 15 Based on the method of SRISK systemic risk analysis of listed Banks in China Liu Yi, Zhu Xiangping 20 25 (Finance and Statistics School,Hunan University,Changsha 410000) Abstract: This paper uses SRISK law on bank systemic risk measure, and static analysis and dynamic analysis methods to measure the results of a detailed analysis and elaboration, then use the panel data regression test bank size, leverage ratio and core capital adequacy ratio and non-interest income of banks on the four factors affect systemic risk. The following conclusions: different measurement method of systemic risk will yield different results; Ranked bank systemic risk is not fixed, but varies with the time change, and the change in direction is inconsistent; scale than big banks usually systemic risk is relatively high, but with the size of the bank systemic risk is not a completely positive correlation. Key words: Chinese Listed Commercial Bank; Systemic Risk; the Measurement of SRISK; Influence Factors 30 0 引言 2007 年，美国爆发了自 1929 年世界经济大危机以来最严重的一次金融危机。这场由次贷引发的金融危机不仅重创了美国金融体系，导致大量银行和非银行金融机构破产、倒闭或被重组、兼并。不仅如此，此次危机还对世界经济和金融体系造成了严重冲击，英国劳埃德 35 银行（Lloyds）在收购陷入困境的苏格兰哈利法克斯银行（HBOS）后被英国政府国有化，大型房贷银行（B&B）、苏格兰皇家银行等英国十大银行被政府注资或国有化援救。然而在此次次贷危机中，将危机一次次放大和扩散的银行机构并不是那些拥有庞大机构的所谓的系统重要性银行，而是那些处于金融网络中心的银行，这些银行有一个共同的特点，就是都与其他金融机构存在着紧密的错综复杂的交易往来，这打破了传统的系统重要性银行理论。这一 40 矛盾的出现让监管层意识到衡量系统重要性银行不能仅仅只依据银行的规模大小，而应该全方位的考虑其他可能影响系统性风险的重要因素。只有准确有效的识别出系统重要性银行，明确影响系统重要性的因素，才能对银行进行有效的管理监督和控制。作者简介：刘轶（1973-），男，副教授，证券投资学. E-mail: liuyi_92@163.com - 1 -

中国科技论文在线 1 文献综述 http://www.paper.edu.cn 45 系统性风险的测度是指在归纳总结以往发生的危机所产生的系统性风险损失的资料基础上，结合当前宏微观经济形势，定量以及定性分析风险发生的概率及其造成的损失，从而准确有效地预测符合相关规律的结果的过程。胡海峰和代松(2012)将系统性风险测度方法按照数据的不同来源主要分为三类，即财务报表数据类测度法、银行间风险敞口数据类测度法、资本市场数据类测度法[1]。 50 第一，财务报表数据类测度法。主要指早期预警法，其有三个经典模型：FR 概率回归模型、STV 截面回归模型、KLR 模型。Frankel和Rose（1996）认为金融危机的产生是由多种因素引起的，其中包括GDP增长率、政府预算赤字占 GDP 的比率、国内信贷增长率、国外利率以及本国经济开放程度等。该模型能够预测一国在未来某时刻发生金融危机的概率，但由于没有考虑国家间的差异以及年度数据样本过少的限制，因此预测结果有偏差[2]。 55 第二，银行间风险敞口数据类测度法。主要包括网络分析法和矩阵法。网络分析法。Jeannette Muller（2003）首次提出应用神经网络分析方法来估算银行的系统性风险，且认为在银行体系中存在一个或者几个与多家银行有密切交易的交易中心点，银行间的往来便形成一种无形的传染渠道，采用仿真模拟便可测算出银行系统性风险的传染，以及明确银行间网络结构对银行业系统稳定性所产生的影响[3]。 60 矩阵法。Wells（2002）通过研究银行间市场双边传染风险，发现英国单个银行倒闭只会引起其他银行的核心资本下降，而基本不会引起连锁反应，且银行间的违约损失率以及贷款结构分布是影响传染风险重要因素[4]。第三，资本市场数据类测度法。主要包括在险价值法（CoVaR）、Shapley 值法、边际预期损失法（Marginal Expected Shortfall,MES）。 65 CoVaR 方法。Adrian 和 Brunnermeier（2009）在传统的在险价值（VaR）模型的基础上提出了条件在险价值法（CoVaR），该方法的核心思想是：当一家金融机构倒闭时，所引起的其他金融机构或者整个金融体系的损失，它主要测度一家金融机构倒闭时所产生的溢出效应，以此来识别出系统重要性金融机构[5]。 Sharply 值。Tarashev and Borio(2009)首次将 Shapley 值法应用于衡量银行系统性风险贡 70 献度，将银行系统内的风险进行分配[6]。随后，Tarashev，Borio 和 Tsatsaronis（2010）便应用 Sharply 值法计算金融网络中单个金融机构对系统性风险的边际贡献，并运用博弈论理论将系统性风险贡献分为直接和间接两种，实证结果发现，系统性风险的影响因素有行业集中程度、共同风险暴露以及资产规模等等，并且影响因素与系统性风险贡献度之间存在凸函数关系，因此，系统性风险边际贡献会随着单个金融机构资产规模的增大以及行业份额占比 75 的增加而快速上升[7]。边际期望损失。Acharya et al.（2010）基于期望损失（ES）提出的边际期望损失（MES），该方法认为银行的系统性风险与股票收益波动率、股票收益与市场收益相关系数以及股票和市场的尾部分布相关。由于考虑到了尾部风险，使得银行资本计提更为充足，风险覆盖也愈加全面，而且 MES 具有可加性，因此银行系统的系统性风险可直接由单个银行的风险贡献 80 加总而得到[8]。而后，基于微观经济理论和极值理论，Acharya et al.（2010）又提出了系统性期望损失 SES，该方法应用于当整个金融系统都陷入危机时衡量单个金融机构对系统性风险的边际贡献度，与边际期望损失（MES）相比，它还考虑了系统性风险发生时的损失分布和相应期望损失值[9]。Brownlees 和 Engle（2012）认为金融机构产生风险溢出效应的前提条件是该机构出现资本短缺，因此他们提出了包含市值、负债等反映金融机构经营状况影响因 - 2 -

中国科技论文在线 http://www.paper.edu.cn 85 素的 SRISK 方法，认为金融机构系统性风险边际贡献就是其期望资本短缺的大小，单个金融机构期望资本短缺加总即为金融市场的系统性风险[10]。 2 我国上市商业银行系统性风险测度 Acharya et al（2010）认为在经济处于正常情况下，当单个金融机构面临资本短缺时，该机构可能会被收购或是重新筹资弥补资本短缺也可能是面临破产清算，但是毋庸置疑的 90 是，该机构无法再提供金融服务，这是因为其他金融机构填补了破产金融机构的金融服务空缺。因此，在这种情况下，单个金融机构陷入危机并不会对整个金融市场产生较大影响。然而，若单个金融机构面临的资本短缺正好发生在整个金融体系遭受资本约束时期，那么该机构破产所产生的金融服务空缺便无法被其他金融机构弥补，其倒闭造成的影响由于无法被其他机构吸收而会在金融市场和实体经济部门蔓延扩散，金融机构的中介服务功能同样会被严 95 重削弱。因此，当整个金融体系处于资本短缺时，期望资本短缺的金融机构就会引发系统性风险。根据 Brownlees and Engle (2011)和 Acharya et al.（2012）的研究思路，SRISK 是指当金融危机产生时，单个银行机构面临的预期资本缺口。其公式定义为：（1） 100 为计算系统性风险指数 SRISK，首先需要估计在未来的危机中股票持有人将面临的长期边际期望损失（LRMES），LRMES 是指在整个金融体系处于危机时期机构 i 的收益率尾部期望： (2) 其中，C 是指市场指数下降的阈值，h 是指模拟时间区间，一般取值为 6 个月。LRMES 105 是通过股市相关历史数据多次模拟未来 6 个月股市的表现计算得到的，即模拟市场指数在未来 6 个月内下跌 C 左右时，银行机构 i 的股票下跌幅度的均值。 Acharya et al.（2012）依据市场指数收益率变化考察期间的长短将系统性风险分为短期和长期两种类型，他认为如果市场指数收益率在 1 天内下降 2％，银行机构 i 股票下跌幅度 MES 被认为是短期期望损失，那么金融市场面临的是短期的系统性风险；如果市场指数在 110 未来 6 个月内下降 40%，银行机构 i 股票下跌幅度 MES 被认为是长期的期望损失，那么金融市场面临的是长期系统性风险。因此，他认为 LRMES 也可通过短期边际期望损失 MES 近似得到，即 (3) 假定债务的账面价值在未来 6 个月内是相对不变的，而权益资本的价值下跌的幅度为 115 LRMES，那么资本缺口 SRISK 可以直接通过负债的账面价值、权益资本的价值下跌的幅度 LRMES 的相关计算得到， - 3 - )(1-,CrisisShortfallCapticalESRISKtttiCRRECLRMESthtmthtiti,,,CMESCLRMEStitti1,180t180,*18-exp1

中国科技论文在线 http://www.paper.edu.cn (4) 其中 k 为审慎的资本充足率，根据巴塞尔协议Ⅲ取值为本文将其取值为 8％，取值为-40%，取值为-2%，h 为 6 个月。表示银行机构 i 在 t 时期总负债的账面价值， 120 表示银行机构 i 在 t 时期的权益资本价值，这两组数据均可从机构财务报表上得到。因此，单个银行机构 i 相对于整个金融体系的资本短缺程度可表示为：（5）故计算 SRISK%的关键在于 MES 的估计。该值可通过金融机构和金融市场指数日收益率的时间序列而求得。 125 首先，建立一个二元变量的条件异方差模型来刻画银行机构 i 和银行业指数股票日收益率的动态特征。模型如下：（6）模型中和分别代表银行机构 i 和市场在时间 t 的对数收益率，、分别为银行机构 i 和市场的条件标准差，为银行机构 i 和市场的条件相关系数，是随 130 着时间独立同分布的，且都服从零均值、单位方根和零协方差分布。但是，并不是相互独立的，这是因为银行机构 i 与市场可能存在尾部相关性。根据式（6），MES 可表示为波动性、相关性以及残差的函数：因此，计算 MES 首先需要估计出条件标准差、以及条件相关系数，同时（7） 135 还要计算两个尾部期望：和为此，本文采用“GARCH-DCC-非参数推断”三步建模法来估计所需的参数。第一步，建立 TARCH 模型，求得、，进而求出。 (8) - 4 - tttitititititititititiCMESEkDkCLRMESEkDkCEEDkESRISK11,,,ht,,,,,,,*18exp**1*1**1*risis*thCttC1ttD，itE，ijj,,,%ttitiSRISKSRISKSRISKFRRtitmtitmitmtmitttmtmt~,1,,,2,,,,,i,i,,,m,tRm,tRi,ti,tm,tmi,,titm,,,titm,,,tmtmttmititmtmtmtititiCECECMES,,i,1-t2,,,,,,1-t,,,1ti,tm,tmi,,tmtmtmCE,,,1-ttmtmtCE,,i,1-tti,tm,titm,,,21,21,21,21,i2,tiititmitiitiIRR

中国科技论文在线 http://www.paper.edu.cn 140 对模型运用准极大似然估计法（QML）进行估计。第二步，建立 DCC 模型，求得动态相关系数。协方差矩阵可表示为： (9) 其中，是机构股票收益率与市场收益率的动态相关系数矩阵。标准的 DCC 模型中引入了一个正定矩阵，称为伪相关系数矩阵，且有 145 (10) 在标准的 DCC 模型中，将定义为：其中， S 为截面矩阵，标准化对数收益率向量。当且仅当并且 S 矩阵正定时，为正定矩阵。截面矩阵 S 可通过下式估计得 (11) 150 到： (12) 对以上 DCC 模型运用极大似然估计法估计。第三步，建立非参数估计模型。利用非参数估计方法来估计尾部期望和，记两个非参数估计函数分别为： 155 - 5 - ttttmitmittttAPAPAi,i,,,,,t0011tPtQ21-21-diagdiagttttQQQPtQttttbQaSbQ11a1tttm,i,,1,0,0babatQTttTS1111tmtmtmCE,,,1-ttmtmtmCE,,,1-ttmC,gTttmhTttmhtmtmtmhgKhgKE1,1,,,,1-t--gTttmhTttmhtmtmthgKhgKE1,1,,,i,1-t--g

中国科技论文在线 http://www.paper.edu.cn 其中，，为核函数，h 为带宽参数。从已有的文献中发现，采用不同的核函数进行尾部期望估计时得到的估计结果的差异并不大，而带宽参数的不同选择则会对估计结果产生较大影响，也就是说最优带宽参数的选择比核函数的选择更为重要。因此， 160 为了计算的简便，本文所选择的核函数是高斯分布的密度函数，而带宽参数 h 则根据 Scaillet （2005）的研究将其固定为。本文的样本区间是 2008 年 1 月 1 日到 2015 年 9 月 30 日，因而所选用的银行样本应该满足以下要求：第一，上市时间早于 2008 年 1 月 1 日，故剔除中国农业银行、光大银行（中国农业银行于 2011 年 15 日和 16 日分别在上海和香港上市，光大银行于 2010 年 8 月 18 日 165 在上海上市）；公司定期报告较为及时，报告中数据较为完整，故剔除深圳发展银行，前后数据口径不一致。因此，本文选取 4 家国有商业银行、6 家股份制商业银行以及 3 家城市商业银行共 13 家上市银行为样本。针对 13 家上市银行，本文从国泰君安数据库中下载了 2008 年 1 月 1 日到 2015 年 9 月 30 日间的股票日收盘价，单个银行的收益率等于银行股票日收盘价的对数，市场收益率采 170 用沪深 300 指数的日收盘价的对数，并从 13 家银行年报季报上收集各银行从 2008 年第一季度到 2015 年第三季度一共 31 个季度的机构特征数据，如负债、所有者权益等。静态分析是指对银行系统性风险进行横向分析，虽然不同时间点银行的系统性风险排名会有所改变，但是分析的逻辑不会改变。根据 3.1 小节模型介绍中的建模方法，可以估计出 13 家上市银行的短期边际期望损失 175 MES 以及预期资本短缺 SRISK%值，对边际期望损失 MES 以及预期资本短缺 SRISK%的短期排序进行静态分析。本节选择对各银行 2008 年第三季度的边际期望损失 MES 均值以及预期资本短缺 SRISK%值进行排序，选择这一时间点是因为该时间点处于危机时期，对研究危机时期的银行系统性风险具有现实意义，而且 13 家银行在 2008 年 9 月 22 日的边际期望损失 MES 值均到达峰值，详情如表 1。 180 基于边际期望损失 MES 的静态分析：股份制商业银行的系统性风险要大于国有商业银行的系统性风险，其中华夏银行的短期边际期望损失 MES 最大，兴业银行紧随其后，而工商银行、建设银行等国有商业银行的短期边际期望损失 MES 却比较小，尤其是中国银行，其短期边际期望损失 MES 排名为倒数第 3，这结果与一般理论相悖，一般理论认为规模较大的银行通常具有系统性重要性，而上述排名则基本与规模排名无关。梁琪（2013）认为， 185 这是因为边际期望损失 MES 没有考虑到资产规模等因素的影响，它只衡量了单个银行每增加一单位资产所能够产生的系统性风险，因此，单纯依靠短期边际期望损失（MES）来定义银行的系统性风险大小，则会得出意想不到的结果。基于预期资本短缺 SRISK%的静态分析：1、国有商业银行的系统性风险远大于股份制商业银行和城市商业银行，如国有商业银行的系统性风险排名位于前 4 位，而城市商业银行 190 则位于后 3 位；2、国有商业银行的系统性风险排名与其资产规模排名是一致的，而股份制商业银行的系统性风险排名与资产规模排名却不尽相同。基于预期资本短缺 SRISK%与基于边际期望损失 MES 的关于银行系统性风险的结论几乎完全相反，而且 SRISK%值均大于 MES 值，这说明 SRISK 能够捕捉到规模因素的影响，规模是影响银行系统性风险的重要因素。 - 6 - dxxktKtxk51T

中国科技论文在线 http://www.paper.edu.cn 195 表 1 银行系统性风险的静态排序银行 SRISK% 排名 SRISK%值 MES 排名 MES 值总资产排名工商银行建设银行中国银行交通银行招商银行华夏银行兴业银行民生银行北京银行宁波银行浦发银行南京银行中信银行 1 2 3 4 5 6 7 8 9 10 11 - - 0.3195 0.21 0.1181 0.113 0.0659 0.0657 0.0542 0.0512 0.0057 0.0007 0.0001 - - 4 5 11 9 12 1 2 7 6 10 3 13 8 0.0459 0.0329 0.0283 0.0162 0.0148 0.0145 0.0137 0.0136 0.0136 0.0132 0.0126 0.0117 0.0115 1 2 3 4 5 10 9 8 11 12 6 13 7 动态分析是指对银行系统性风险进行纵向分析，分析银行在不同时间点具有的系统性风险。由于预期资本短缺 SRISK 方法是经过边际期望损失 MES 方法的不断改进而得到的，因此通过 SRISK 方法能够得到连续的银行系统性风险状况的观察结果。 200 根据各银行的 SRISK%趋势图给出了银行系统性风险的动态排序。限于篇幅，表 2 只给出了从 2008 年第一季度至 2015 年第一季度每隔一年的上市商业银行的系统性风险排名，主要是因为这一期间包含了 2008 年美国次贷危机引发的金融危机时期，便于我们观察危机中和危机后我国上市商业银行的系统性风险大小以及排名的变化。表 2 基于相对资本短缺 SRISK%的银行系统性风险动态排序排名 2008-1 2009-1 2010-1 2011-1 2012-1 2013-1 2014-1 2015-1 1 工商银行工商银行工商银行工商银行工商银行工商银行工商银行工商银行 2 建设银行建设银行建设银行中国银行中国银行建设银行中国银行兴业银行 3 交通银行中国银行中国银行建设银行建设银行中国银行建设银行建设银行 4 中国银行交通银行交通银行交通银行交通银行兴业银行兴业银行中信银行 5 招商银行招商银行招商银行兴业银行兴业银行民生银行中信银行民生银行 6 华夏银行兴业银行兴业银行华夏银行招商银行招商银行招商银行招商银行 7 兴业银行民生银行华夏银行民生银行民生银行交通银行华夏银行交通银行 8 民生银行华夏银行中信银行招商银行华夏银行华夏银行民生银行华夏银行 9 中信银行中信银行民生银行中信银行中信银行中信银行交通银行北京银行 - 7 -

中国科技论文在线 http://www.paper.edu.cn 10 北京银行北京银行北京银行北京银行北京银行北京银行北京银行南京银行 11 12 13 宁波银行（-）浦发银行（-）宁波银行宁波银行宁波银行南京银行宁波银行宁波银行宁波银行浦发银行南京银行浦发银行宁波银行南京银行南京银行中国银行南京银行南京银行（-）（-）浦发银行南京银行（-）浦发银行浦发银行浦发银行浦发银行 205 从表 2 我们可以得到以下结论：第一，规模因素是银行系统性风险的重要影响因素，但不是唯一的影响因素。从表格 1 中可以看出，大型国有商业银行的系统性风险在大多数时间点上明显大于中小型股份制商业银行，因而可以说规模是决定银行系统性风险大小的影响因素。然而，尽管工商银行的系统性风险一直都是名列前茅，但中国银行的系统性风险排名却并不与其规模排名一致，而是在 210 很多时候都超过规模比其大的建设银行，有时甚至超过了工商银行。这可能是因为中国银行是一家国际化程度最高的商业银行，国际金融市场的波动更容易影响到其经营。因此，市场预期中国银行的资本短缺程度要比建设银行、交通银行严重，甚至超过工商银行。不仅如此，股份制商业银行的系统性风险排名基本上都和其规模排名不一致，尤其是华夏银行和兴业银行大多时间点都是大于其规模排名的，而浦发银行的系统性风险排名却总是低于其规模排 215 名。以上种种，都充分证明了规模因素是银行系统性风险的重要影响因素，但不是唯一的影响因素。第二，银行的系统性风险排名并非是一成不变的，而是随着时间的变化而改变的。这种动态的变化有三种不同的趋势，一是随着银行机构规模的扩张而上升，如兴业银行的排名从 2008 年的第一季度的第 7 名上升为 2015 年第一季度的第 2 名，且在这一时间段内，兴业 220 银行的排名是一直处于上升状态的；一是随着银行抵御风险能力的加强而下降，如交通银行的排名从 2008 年的第一季度的第 3 名下降为 2015 年第一季度的第 7 名，虽然在一段时期内交通银行的排名没有发生变化，但是从长期来看，其趋势是向下的；还有一些银行的排名比较稳定，如 3 个城市商业银行和浦发银行的排名没有出现太大的波动，且其排名都比较靠后。这一结论可为监管部门提供一种新的银行管理思路，即不断更新银行系统重要性名单，以便 225 实施更为精准的监管。 3 我国上市商业银行系统性风险的影响因素本文第二章中不同的计算系统性风险指标给出的系统重要性银行的排名不同，且不同时间点的系统性风险的排名也不同，这说明影响银行系统性风险的因素是多方面的，因此本章采用计量方法考察银行的规模、核心资本充足率、普通杠杆率、非利息收入占比四大财务指 230 标对银行系统性风险的影响程度。（1）银行规模（Size）。其值等于银行总资产的对数，它被认为是银行系统性风险的最重要的推动因素。银行的规模越大，通常在银行间市场占据着主导地位，发挥着重要作用，例如能够为规模较小的银行提供流动性支持。但是大型银行依靠其庞大的规模所从事的大范围的经济业务，是不容易被规模较小的银行所取代的。因此，一旦规模较大的银行发生财务 235 困难而面临倒闭时，对其他银行和金融市场带来的影响与危害也是极大的，而且很有可能导致整个金融市场陷入危机，引发系统性风险，金融体系的稳定性动摇。而且，大型银行的倒 - 8 -

分享到：

赞收藏

资料库

基于SRISK方法的我国上市银行系统性风险分析 .pdf

相关推荐

开发技术

热门标签

最新资料