下载掌阅APP，畅读海量书库
立即打开
目前，学界关于系统性风险的定义尚未统一，各个定义的侧重点不同，因此需要不同的系统性风险评估方法才能捕捉到不同的风险侧重点。Bisias et al．（2012）将评估系统性风险的方法分为两类，一类是基于宏观审慎的系统性风险测量，用于评估整个经济层面的系统性风险；另一类是基于微观审慎的系统性风险测量，用于发现个别机构对系统性风险的贡献度或者在受损金融体系中的脆弱程度。目前比较常用的保险业系统性风险评估方法如表1－1所示。
表1－1 系统性风险评估方法
表1－1（续）
宏观审慎系统性风险评估方法侧重于评估危机对金融系统的影响程度，关注的是金融机构的脆弱性。
部分宏观审慎系统性风险评估模型以评估预期损失为目的，测量系统性风险。Acharya et al．（2010）构建了SES模型，用于测量整个金融系统表现不佳时，单个机构的预期损失：
上式中，
a
i
为总资产，
为股本金，
A
=
a
i
，
W
1
=
。
za
i
/
－1代表公司负债是否过高，如果
za
i
/
－1为正数，则说明金融机构在0时刻已经严重资本不足。该公式两项的总和则决定该机构是否将在危机中出现资本不足的情况。Acharya et al．（2011）进一步开发了MES（Marginal Expected Shortfall，边际预期缺口）模型，利用MES测量金融危机时，单个金融机构对金融系统性损失的边际贡献率。MES模型的表达式为
MES
i,t
=
E
t－
1
（
－R
t－
1
|
R
m,t
＜-0.02），其理论意义为当交易市场股票指数一天下降2%时，持股人所遭受的预期损失。如果一个公司的MES较高，同时它的杠杆率也较高，则意味着一旦发生金融危机，该公司发生资本损失的概率非常高。其资本在相对于所需的最低偿付能力标准的金融危机中最易被耗尽，因此将面临破产或监管干预的高风险。Brownlees et al．（2012）在MES的基础上进一步开拓出DMES（Dynamic MarginalExpected Shortfall，动态边际预期缺口）模型，从动态角度来测量金融机构的边际贡献率，其特点是在测定MES时进行了动态思考，考虑在危机期间风险具有动态性和相互依靠性，因此引入了时间序列。Engle et al．（2015）利用LRMES（Long－run Marginal Expected Shortfall，长期边际预期缺口）测量金融危机下公司回报的长期边际期望损失。MES通常是从短期角度出发的，而LRMES这类方法则侧重于测量一个公司在金融危机发生时的长期性损失。从公式
LRMES
i,t：t+T
=－
E
t
[
W
i,t+T
/
W
i,t
－1|
Crisis
t：t+T
]可以看出，LRMES考虑了金融危机的时间性，即
Crisis
t：t+T
。Banulescu et al．（2015）基于MES法拓展出CES（Component Expected Shortfall，合成的预期缺口）模型，用于估计公司当下对系统性风险的贡献率，同时还能预测其在未来一段时间的贡献率。从其公式
CES
it
=
w
it
=－
w
it
E
t－1
（
r
it
|
r
mt
＜
C
）可以看出，CES模型引入了
w
it
，即在金融危机发生时，根据股票市值算出的该公司当时在金融系统中的权重。
还有其他宏观审慎模型从资本、损失等不同维度衡量系统性风险。Gray et al．（2011）采用CCA（Contingent Claims Analysis，未定权益分析）模型，使用风险调整后的资产负债表进行宏观审慎分析，通过测量系统性损失和潜在的公共部门成本分析系统性风险、隐性风险和政府担保。Brownlees et al．（2012）提出，虽然2007—2009年的金融危机已过去，但2010—2012年美国又爆发了主权债务危机。人们在两次危机中都发现，部分银行存在着许多与过去相同的问题，因此他建立了一种SRISK（Systemic Risk Indice，系统性风险指数）模型，以估算在下一次金融危机来临时，单个金融机构的预期资本需求。Huang et al．（2012）开发了DIP（Distressed Insurance Premium，困境保险溢价）模型，用于测量能够覆盖不利情形下金融体系损失的保险价格。DIP与MES方法均可测量超过一定系统性损失阈值水平时潜在损失的大小，其不同点在于MES模型是在给出系统性损失阈值的百分比分布的情况下计算潜在损失，而DIP是在既定投资组合下给定损失阈值水平来计算潜在损失；MES主要使用股票收益率作为评估数据，而DIP主要采用CDS数据作为评估数据。
微观审慎系统性风险评估方法致力于探究机构间的相互联系，其前提是金融机构间的密切关联导致系统性风险的假设，侧重于考察系统性风险的传染效应，评估单个机构对系统性风险的贡献度。
第一类模型是围绕VaR（Value at Risk，在险价值）模型展开的一系列拓展。Adrian et al．（2011）开发CoVaR（Conditional Value at Risk，条件在险价值）模型测量金融部门的在险价值，反映金融机构的风险溢出效应。CoVaR以VaR模型为基础，基于不同机构、产品之间的风险溢出效应，测算当某一机构处于一定风险水平VaR时，这种风险通过不同渠道扩散、转移，最终将对其他机构造成的溢出效应。VaR指在一定持有期和置信水平下，金融资产或证券组合在市场风险影响下的最大潜在损失，
prob
（
χ
i
≤
Va
）=
q
，
χ
i
表示机构
i
的收益率，1－
q
为置信水平，关注的是单个金融机构自身风险。CoVaR本质上就是条件VaR值，是考虑当金融机构
i
处于极端不利情景时，机构
j
的在险价值。
CoVaR界定为：
prob
（
χ
i
≤
CoVa
=Va
）
=q
，重点描述的是当一个金融机构发生危机时，其他机构可能面临的风险，用于衡量机构间的风险溢出效应。以CoVaR为基础，Adrian et al．进一步提出△CoVaR模型，用于测量单个机构的系统性风险贡献，它由处于困境中的机构CoVaR值与一般状态下的CoVaR值的差值决定，利用分位数回归计算当1－q分别为95%和50%置信水平时的CoVaR值。
Δ
CoVa
（
q
）
=CoVa
（5%）
－CoVa
（50%），可以区分出三种不同情况，分别是同一行业间的风险溢出效应、对其他行业的风险溢出效应以及对整个金融系统的风险溢出效应。
第二类模型将格兰杰因果检验运用于复杂网络测量中。Billio et al．（2012）在测量机构间的互联性时，为了掌握风险传播的动态过程，在测量机构间互联程度的基础上，应用格兰杰因果网络测量模型（Granger Causality Network Measures）厘清了彼此间的相互关系。①线性格兰杰因果网络测量模型基于GARCH（1，1），在一定系统信息约束条件下测量风险从一个金融机构到其他机构的动态传播过程，通过定义 N 个金融机构的互联性，搭建金融机构间的网络互联性，包括格兰杰因果检验程度、相互关联机构的数量、条件互联性、相邻机构的最短路径以及特征向量中心度。②非线性格兰杰因果网络测量模型基于资产收益的马尔科夫切换模型构建，主要反映一个金融机构风险的加剧是否会导致另一个金融机构的风险加剧，也就是高阶效应。它能够捕捉线性格兰杰因果测量模型忽略了的小细节，比如机构间的非线性和高阶因果关系。
第三类模型聚焦股票市场，通过股市表现探究金融机构的风险应对能力以及风险变化情况。Chen et al．（2013）提出BANKBETA模型用于测量信用风险保险的股票收益和银行间投资组合回报的相互关系。该模型显示，上市公司与银行关系越紧密，在金融危机发生时将面临更多冲击，股市表现更为糟糕。Weiet al．（2014）采用LTD（Lower Tail Dependence，较低尾部依赖）模型测量在较低尾部依赖情况下，股票回报联合分布的概率。LTD模型基于两个随机变量的较低尾部依赖关系，关注一个基于极端尾部分布的随机变量的联合分布概率。较低尾部依赖模型的基本公式为：
LTD
1；
2
=LTD
（
χ
1
；
χ
2
）=
［
χ
2
≤
（
u
）/
χ
1
≤
（
u
）］，此模型致力于在较低尾部依赖的情况下测量金融机构的风险变化。