下载掌阅APP，畅读海量书库
立即打开
金融机构加杠杆提高利润率的同时也放大了损失。金融机构可能通过金融创新等手段化解自身风险，但是这种方式只是转移了单个机构的风险，对于金融系统而言风险仍然存在。金融系统的过度杠杆率增加金融系统的脆弱性（Minsky，1982）。当金融系统处于一个极其脆弱的状态时，金融系统对于系统内的负向冲击非常敏感。市场预期的转变或抵押约束条件的收紧等负向冲击，都可能会使单个机构损失或是违约通过市场中的多个负反馈环路诱发更加广泛的流动性紧缩（Bisias，2012）。根据系统性金融风险引致因素的不同，我们将系统性金融风险的度量分为以下四类。
1.基于收益率损失的系统性金融风险度量
首先，基于金融机构资产负债表数据的度量方法。金融机构通过系统重要性金融机构资产收益率联合分布度量系统性金融风险的溢出效应，该度量方法关注单个机构和金融机构之间的谐振以及反馈效应。Gauthier（2012），Liu和Staum（2010）以及Drehmann和Tarashev（2011）将风险溢出效应的度量归纳为“自下而上”和“自上而下”的两种研究方法。一方面，“自上而下”的系统性金融风险度量方法直接确定系统内每个金融机构对系统的重要程度。适用于反映单个银行对系统的风险贡献程度，有利于银行监管层从宏观审慎监管最优化角度设计特定银行的资本充足率（Gauthier，2012）。从金融机构之间的谐振和反馈效应角度，Adrian和Brunnermeier（2011）在半参数的分位数回归模型框架下实现了CoVaR模型的估计，并应用CoVaR模型度量了单个金融机构对金融系统的风险溢出效应。Lopez-Espinoza等（2012a，2012b）在分位数回归模型框架下实现了对Adrian和Brunnermeier的CoVaR模型进行了改进，考虑金融环境中正、负向冲击对金融机构系统性风险程度的非对称影响。并应用非对称CoVaR模型测度了54个国际大型复杂银行的系统性风险贡献，结果显示非对称CoVaR模型没有低估系统性风险贡献。Girardi和Ergun（2013）应用多元GARCH模型估计了CoVaR模型，度量了美国银行、保险、证券和非借贷类金融部门的系统性风险贡献，结果显示银行部门对金融系统的风险贡献更大。高国华和潘英丽（2011）采用了动态CoVaR方法对我国商业银行组成的金融系统性风险进行了分析和检验，实证结果表明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。丁庭栋和赵晓慧（2012）使用CoVaR方法，借助分位数回归技术，研究了国内银行业、保险业、多元金融服务业及房地产行业之间以及对金融系统整体的波动溢出效应。王妍和陈守东（2014）应用CoVaR模型度量了极端情况下系统重要性金融机构对系统的风险贡献。另一方面，系统性金融风险“自下而上”的度量方法是在已知整体系统性风险的情况下，将风险在系统内各个金融机构间进行适当分配，主要包含直接分配方式和夏普价值分配方式。这种度量方法适用于对系统内银行的保险金额定价（Gauthier，2012）。Acharya，Santos和Yorulmazer（2010）认为传统的流动性保险收费只包含了金融机构的公允价值，并没有包含金融机构个体行为对其他金融机构带来外部性，因此金融机构需要对这种超额风险和超额成本进行收费。他们定义“系统性预期短缺”（SES）为整个系统流动性短缺时，单个金融机构的资本损失值。SES可以作为特定时点金融机构风险暴露的一种度量。Brownlees和Engle（2011）利用多元GARCH模型度量了不同金融资产与市场指数的联动性，在此基础上结合压力测试构建了系统性金融风险指标（Systemic Risk Index，SRISK）度量金融机构系统性风险贡献。范小云、王道平和方意（2011）使用MES和SES方法度量了美国次贷危机期间以及危机前后，我国金融机构对金融系统的边际风险贡献程度。赵进文等（2013）比较了MES模型和CoVaR模型这两种方法，并针对我国14家上市银行进行实证分析。Tarashev等（2010）模拟夏普利价值分配法估计系统重要性金融机构，并对系统重要性机构提出了三个系统重要性的风险驱动因子，即机构自身风险因子、机构规模集中度因子和共同风险因子。第一个因子与单个机构自身特性相关，是机构自身的特征。第二个和第三个因子则都与金融系统整体特征相关，在一定程度上是系统的关联性特征。机构规模集中度因子，表示相同规模的机构占整个系统的份额，这一因子会随着机构间相对规模差异和系统中金融机构总数的变化而变化。共同风险因子则表示金融机构业务特征相似程度，这一因子会随着金融机构业务相似度、贷款范围相似度变化而变化。第二和第三个因子直接影响金融机构对金融风险负外部性的程度。
其次，基于金融机构信贷违约互换价差的度量方法。信用违约互换（CDS）价差反映资产价格波动和市场预期，金融机构违约概率的联合分布也可以测度系统性金融风险。Huang等（2009）应用信贷违约掉期数据和单个银行的估计计算了银行的保险价格，并把这个保险价格作为系统性风险的测度标准。Segoviano和Goodhart（2009）通过CDS数据构建了银行稳定性指数，借助Copula模型测度了极端情况下银行间尾部事件的关联性。
最后，基于金融机构杠杆率数据的度量方法。杠杆率在放大投资者收益率的同时，也提高了债务风险。Minsky（1982）关注金融机构杠杆内生的动态性，市场的繁荣带来市场参与者加杠杆行为，市场中过度的杠杆化增大金融系统的脆弱性，致使市场中风险暴露的可能性增大。Geanakoplos（2010）给出“杠杆周期”，他认为当经济中投资者的边际需求为正时，市场预期较为乐观的投资者的证券需求较大。具有乐观预期的投资者会通过加杠杆的方式增加资本回报率。经济繁荣时期，加杠杆行为和投机行为形成正反馈环路，但这个反馈环路具有不可持续性。当这个动态循环反转时，前期的过度杠杆化放大了随机冲击对投资者带来的损失，进一步引起资产价格下降，并诱发系统中“去杠杆”行为。
2.基于流动性不足的系统性金融风险度量
流动性短缺增加金融市场的脆弱性，是系统性金融风险的重要影响因素（Brunnermeier等，2009）。Brunnermeier和Pedersen（2009）机构的异质性冲击会降低机构持有资产的售卖价值，这种情况也会引起持有相似资产机构的资产贬值。极端情况下，受损失的机构会通过减价售卖资产来恢复自身流动性。减价售卖资产会引起市场上资产价格的进一步下跌，并且通过同代理人无关的资产产生传染，进而引起市场上资产价值的螺旋下降。这种竞相减价售卖资产的方式为系统性金融风险提供了一种扩散渠道，使得异质性冲击转变为系统性冲击。Brunnermeier，Gorton和Krishnamurthy（2014）通过总体的外部市场风险因子（利率、信贷价差、货币和商品价格等）构建了流动性指标，并通过两步“风险地势图”方法管理系统性风险的主要元素。第一步，监管者需要搜集不同外部因素冲击情景下单个风险敞口（公司价值的变化）和流动性敏感性（“有效现金”变化）的面板数据。把投资组合头寸和市场流动性状态的协整指标，作为减价售卖资产过程中的代理指标。第二步，加总公司“单个价值”，并通过加总指标刻画系统性流动性风险。Aikman等（2010）设计了对于系统重要性金融机构的风险评估模型（RAMSI），模拟了这些机构发生流动性短缺时候的概率。Perottie和Suarez（2009）发现“批发”融资为金融市场短期融资带来保险，但是同时“批发”融资也会带来金融市场风险。它们建议通过征税的方式降低由于批发性融资带来的流动性风险。Chan，Getmansky，Haas和Lo（2006b）通过logit回归模型估计了基金流动性概率，并给出基金指数的区制转移区间，识别衰退时期。
3.基于关联性的系统性金融风险度量
第一，基于关联性系数的度量方法。基于关联性系数的度量方法有静态、动态相关系数以及尾部相依系数。首先，静态相关系数方法。通过检验两个市场之间的相关系数动态走势来看市场之间关联性的变化，并判断市场之间是否发生金融传染。静态线性相关系数分析主要应用于区域内的各个行业之间的关联研究。静态相关系数并没有考虑到金融机构之间随着时间推移而相互依存的情况，特别是在资产的价格不确定性显著增强和整个金融市场处于非流动性时。
其次，动态相关系数方法。通过检验金融市场条件方差之间是否相关来检验传染的存在性，通常使用多元GARCH模型。Forbes和Rigobon（2001）采用市场波动的条件相关系数，度量出1997年亚洲金融危机、1994年墨西哥危机和1987年美国市场危机中相关系数并没有增大，但相依性增加。Hesse等（2009）提出了动态相关系数模型考虑了金融危机时期发达经济体对新兴经济体金融市场的溢出效应。Lehar（2005）运用金融机构违约概率，给出银行和资产投资组合之间的条件相关性，作为系统性风险的度量指标。Brownlees和Engle（2011）构造了短期和长期MES预测，并且给出了SRISK指标，可以刻画给定机构杠杆和边际预期损失是的机构的预期资本短缺。Chiang等（2007）应用二元GARCH模型度量动态系数检验了1990—2003年亚洲市场间的相关性，发现在1997年亚洲金融危机期间市场相关性显著增加。Kenourgios（2011）应用AR-GJR-GARCH-ADCC多元波动模型度量了在国际金融危机和欧洲债券危机时美国和欧洲股票市场之间的波动溢出效应，刻画了不同时间段非对称的波动溢出效应。Schnabel和Shin（2004）研究发现，危机中银行的流动性短缺，使得银行对于资产价格异常敏感，致使资产价格和银行持有的资产组合收益率之间存在负反馈效应。
最后，尾部相依系数方法。由于危机期间，非流动性市场逐渐削弱了引起价格波动的各种机会，使得资产价格的高波动性很难解释，并且流动性缺失使风险的概率分布呈现有偏状态，运用线性相关系数分析风险分布偏度仍然存在偏误。系统性金融风险可被理解为金融不稳定的极端尾部事件，可被视为金融体系内部金融风险的大规模爆发。这既包括金融危机的发生，也包括程度不及金融危机但同样造成金融机构与金融体系大规模损失、金融功能受损、运行机制瘫痪等情形（王妍，2014）。因此，用极值分布和模型刻画极端情况下金融机构和金融市场收益分布和联合分布具有重要意义。Geluk等（2009）应有尾部相依性，用投资组合回报对于风险因素的概率分布的敏感性大小来衡量系统性风险。Goodhart和Segoviano（2009）提供一套金融稳定度量，运用信用违约掉期数据通过银行系统多元密度函数模型（BSMD）度量了银行间相依性作为银行稳定指数，BSMD模型可以刻画单独银行的危机的概率分布，他们的概率分布的变化依赖于经济周期。Cherubini等（2004）和Cherubini等（2004）将多元极值模型应用到金融领域。基于多元极值理论的联合尾相关性非参数方法，可以量化普通极端冲击（Heffernan和Tawn，1999；Poon，Rockinger和Tawn，2004；Jobst，2007b）。Longin和Solik（2001）发现运用多元极值尾部分布理论测度极端情况下的市场相关性优于传统的相关系数方法，通过极值相依性发现了欧美发达股票市场收益率极值相依性的非对称性。Poon（2004）运用经GARCH效应调整后的股票收益率，验证了美国、日本、德国和法国股票市场日收益率之间不存在渐近相依性。Rodriguez（2007）使用转移参数的Copula方法研究了亚洲金融危机和墨西哥比索危机期间各国金融市场间的风险传染，危机时期东亚五国股市间的尾部相依性上升，而拉丁美洲四国间则表现为尾部渐近独立性，即危机期间亚洲国家市场之间发生传染而美洲国家之间未出现传染。Horta（2010）通过Copula函数计算出尾部相关系数检验美国次贷危机对发达国家的传染效应，Copula函数的系数在金融危机期间显著增加。韦艳华（2008）应用Copula函数、Bayes时序诊断和Z检验更加有效地检验了亚洲新兴市场之间的金融危机传染问题。
第二，基于网络分析的度量方法。基于网络模型进行分析，该理论认为对金融机构数据进行分析，需考虑其隐含的外部效应。通过对流动性短缺、信用风险传导渠道等外部事件在金融机构或金融体系内部的扩散路径进行追踪分析，可度量某一系统重要性金融机构导致其他金融机构共同风险暴露，及最终诱发系统性金融风险的可能性。IMF（2009）指出网络分析方法是研究系统性金融风险的主要研究方法之一。其研究思路是根据金融机构间的交易数据及相互之间的风险敞口数据建立彼此之间的网络关系，以此表征金融机构间的风险传染渠道，通过模拟分析并度量各网络间所积累的系统性金融风险及其强度。Cont（2009）和Martinez-Jaramill等（2010）分别通过网络分析方法模拟分析了巴西、墨西哥银行间市场的风险传染渠道、系统性金融风险等。Allen和Babus （2009）提供了一个工具来记录银行系统脆弱性的传染和银行之间的相互联系如何影响银行脆弱性之间的传染性。单个机构的稳定并不能避免整个系统的不稳定。IMF（2011）使用网络分析法对跨国银行借贷数据进行了分析，研究全球银行网络的相关关联与特性。银行系统的倒闭可能会导致信贷状况的恶化。
4.基于宏观总量的系统性金融风险度量
一方面，关于信贷、资产价格和实际经济活动之间的关联性。Borio和Lowe（2002），Alessi和Detken（2011），Reinhart和Rogoff（2009），Gerdesmeier等（2010）给出金融危机预警指标的度量。其中，Alessi和Detken（2009）根据18个OECD国家的相关金融指标构建了一套简单的早期预警指标来预测接下来6个季度的总体资产价格的繁荣与萧条，早期预警指标包括GDP、通货膨胀率、利率、货币政策。Borio（2009）扩展了Borio和Lowe（2004）的工作，应用信贷和资产价格的快速增长预示着金融不均衡的建立，金融不均衡的建立增大了金融危机的可能性。他们实证分析18个OECD国家的房地产价格、股票价格和信贷息差，认为这三个指标同时取极值的情况衡量了金融系统的稳定性。Claessens等（2011）针对众多国家应用了周期时点方法（转点分析）去识别了信贷、固定资产价格和股票价格的顶峰和谷底，并将这三个变量和金融周期相关。这三个序列的周期是相对长期严重，信贷和房地产价格的周期行为具有高度同生性。Aikman等（2011）通过频度滤波给出了信贷周期和经济周期之间的关联性。他们发现信贷周期的长度和幅度超过经济周期，并且信贷繁荣和银行危机相关联。Claessens等（2012）应用44个国家1960年第一季度至2010年第四季度的数据，研究了经济周期和金融周期之间的关联性。他们发现经济周期和金融周期不同时间段之间的关联性很强。金融崩溃和衰退期关联性强。如果复苏时期资产价格仍然萧条，那么复苏就会比较薄弱。而如果复苏时期伴随着信贷快速增长和房地产价格上升，那么复苏比较快。这些结果强调了宏观经济中金融的重要性。Drehman等（2012）认为“金融周期”的繁荣和萧条可能导致严重的金融和宏观经济紧缩。应用频率滤波和转点分析给出关于金融周期更加准确的度量。通过信贷和固定资产价格可以给出一个中期周期。股票价格，资产价格指数不能有效的给出金融周期。股票价格在短期的波动很大，但是长期和这两个序列并不是很相关。金融周期持续20年。金融周期的顶点和系统性银行危机相关关联。国内金融危机都在金融周期的顶点处。经济周期和金融周期是两个不同的现象，他们相关联。经济周期是8年，金融周期是中期波动。金融周期紧缩的年限会持续相当长一段时间，而经济周期的衰退时期不超过一年。和金融周期的收缩时段相关的衰退非常严重，一般GDP会下降在50%左右。
另一方面，是利用主成分分析方法筛选出影响系统性风险的主要因素。Kritzman等（2010）运用主成分分析方法提出了吸收率，以此作为衡量系统性风险的指标。Billio等（2010）把整体市场方差能被有限数量因子解释的比例定义为吸收率，通过滚动数据分析解释了吸收率变化和资产价格变化、金融市场动荡之间的关系。De Nicolo和Lucdhetta（2010）运用动态因子刻画了金融和宏观经济活动的宏观指标季度数据，用该因子刻画了系统性风险。