基于GJR-DCC-MES模型的金融行业系统性风险度量研究

2022.08.29

付明

【摘要】系统性金融风险的防控是社会各界关注的热点话题，而系统性金融风险度量是其基础。文章使用GJR-DCC模型来估计MES模型，分别度量以银行业、保险业和证券业为代表的金融行业对金融市场体系的风险溢出效应和金融行业之间的风险溢出效应。结果表明，金融危机事件期间的金融行业系统性风险较大，且证券业对金融市场体系的风险溢出效应最大，依次为保险业和银行业。另外，金融行业间的风险溢出效应具有显著的差异性。最后，相关的系统性金融风险防控建议可以为金融监管部门提供有益借鉴。

【关键词】 MES; 金融行业; 系统性金融风险

【中图分类号】 F832? 【文献标识码】 A? 【文章编号】 1004-5937（2020）24-0092-06

一、引言

金融危机的爆发让社会各界意识到金融风险具有危害性、传染性、隐蔽性、突發性和复杂性等特征，系统性金融风险作为金融风险的重要一环，目前全球的系统性金融风险爆发的频率和概率较大，并伴随较高的潜在风险。对于金融风险监管而言，传统的微观审慎监管模式不能有效防范整体和综合的系统性金融风险，而宏观审慎监管体系尚未成熟和完善，如何有效预防和控制系统性金融风险成为国际一大难题。

目前对系统性金融风险的度量方法主要有MES、CoVaR、CCA和SRISK等。其中，CoVaR模型研究在单个金融主体处于金融危机的条件下金融体系的风险水平[1-2]，其估计方法主要包括DCC-GARCH、分位数回归和Copula et al.[3-5]，后来发展至多元CoVaR、多元分位数回归和藤Copula等方法，以刻画多个金融机构和市场间的风险溢出效应等[6-7]。CCA模型以包含市场前瞻性信息的未定权益资产负债表为基础，构建了一系列的系统性风险指标，如隐含资本波动率、杠杆率、违约距离、违约概率、违约损失率和尾部预期不足等[8-9]，SCCA模型在CCA模型的基础上，考虑了各个单个金融机构之间的关联结构和联动特征，更为有效刻画极端金融事件爆发期间的风险传染加剧和风险聚集现象[10-11]。SRISK指数根据长期的预期资本短缺来估计系统性风险，侧重考虑规模、杠杆和关联性等银行层面的因素，弥补了MES模型在参数固定的缺点[12-14]。

MES模型与CoVaR模型的条件和方向相反，基于“自上而下”的视角，研究在金融体系处于金融危机的条件下，单个金融机构的预期收益率分布状况。因此，相比于CoVaR模型，MES模型具有次可加性，较好地解决了CoVaR不满足次可加性的问题[15-18]。MES模型主要使用边际期望损失和杠杆率两个指标来预测金融机构的系统性期望损失[19-23]。后来发展至DMES模型、LRMES模型和CES模型，分别从动态、长期和预测的角度测量了金融机构的边际贡献率，以反映系统性金融风险的时变性、厚尾性、聚集性和联动性等金融特征事实[24-27]。

综上所述，国内外学者对金融机构和金融市场的系统性风险研究较多，但从金融行业视角来研究系统性风险的差异性较少，且系统性金融风险的度量方法集中于CoVaR模型。本文在国内外学者研究方法的基础上，对金融行业的系统性风险进行全面分析。

二、模型介绍

相比于CoVaR模型，MES模型具有以下优势：第一，MES模型度量了分位数以下的所有损失，包括极端条件下的尾部风险;第二，MES模型可以通过单个金融机构的风险贡献度加总来准确度量系统性风险，具有可加性;第三，MES模型考虑了杠杆对系统性金融风险的影响。综上所述，本文选择MES模型来度量金融行业的系统性风险，其中使用GJR-DCC模型来估计MES模型，具体的模型定义和实现步骤如下：

（一）MES模型

本文基于Acharya et al.[15]的方法，假设N为金融市场体系的金融机构数量，为单个金融机构（i=1，2，…，N）对系统性金融风险的边际贡献，Ri，t和Rm，t分别为单个金融机构和金融市场体系在t时期的收益率，则有：

其中，？棕i为单个金融机构i的总资产在整个金融市场体系总资产的比重。整个金融市场体系的期望损失ES表示在金融市场体系收益率Rm，t小于风险临界值C的条件下，金融市场体系的期望收益率，具体定义如下：

在ES的基础上，单个金融机构的边际期望损失MESi，t的定义如下：

MESi，t（C）=■=Et-1（Ri，tRm，t<C）? ?（3）

（二）基于GJR-DCC模型估计MES

本文基于Brownlees et al.[16]的两步法，首先使用GJR模型得到条件波动率和标准化残差序列，其次使用DCC模型得到单个金融机构和金融市场体系的动态条件相关性，具体的步骤和过程如下：

第一步，对单个金融机构和金融市场体系的波动率建立GJR-GARCH模型，能够较好地反映好消息和坏消息的非对称效应。具体定义如下：

其中，Ii，t-1=1 Ri，t<00 Ri，t≥0，Im，t-1=1 Rm，t<00 Rm，t≥0

第二步，基于GJR模型的标准化残差序列，建立DCC模型，通过极大似然估计法进行参数估计，得到单个金融机构和金融市场体系的动态条件相关系数序列。

假设单个金融机构和金融市场体系的时变协方差矩阵如下：

Vari-1Ri，tRm，t=DtPtDt=σi，t 0 0 σm，t0? ？籽t？籽t 0σi，t 0 0 σm，t

（6）

其中，Pt为单个金融机构和金融市场体系的动态条件相关系数矩阵，本文在标准的DCC模型中引入伪相关系数正定矩阵，具体如下：

Pt=diag（Qt）-1/2Qidiag（Qt）-1/2? （7）

其中，diag（Qt）为矩阵Qt中的对角线元素为其对角线元素的对角矩阵，然后对Qt构建如下回归模型：

其中，？着？觹t-1=diag（Qt）-1/2？着t-1，？着t-1为GJR-GARCH模型的标准化残差序列，S为无条件协方差矩阵。

综上所述，通过对GJR-DCC模型的构建和估计，可以得到单个金融机构的动态条件波动率σi，t、金融市场体系的动态条件波动率σm，t、单个金融机构和金融市场体系的动态条件相关系数？籽t。基于此可以计算单个机构的边际期望损失MESi，t，具体计算公式如下：

其中，？着m，t和？灼i，t为均值为0且方差为1的独立同分布随机变量。

根据式9可知，单个机构的边际期望损失（MESi，t）和其动态条件波动率（σi，t）之间存在正向关系。

三、实证结果与分析

（一）数据来源与分析

银行业、保险业和证券业是金融市场的主体，本文从金融行业的视角来研究系统性金融风险。具体而言，分别使用申银万国二级行业指数的银行指数（代码：801192.SI）、保险指数（代码：801194.SI）和证券指数（代码：801193.SI）来反映金融行业，使用上证综合指数（代码：000001.SH）来反映金融市场体系。其中，申银万国的分类标准主要面向投资和管理，主要考虑了上市公司产品和服务的关联性，并充分考虑了我国金融行业的发展状况和特点，故本文选择申万研究发布和编制的行业指数。本文以最晚的保险指数为基准时间，即时间范围为2007年1月17日至2019年6月30日，样本容量为3 028个，数据来源于Wind数据库，实证工具为Matlab软件。

对于银行指数的编制，截至2019年6月30日，新的成分股和权重为招商银行（16.76%）、兴业银行（11.57%）、民生银行（9.20%）、工商银行（6.45%）、浦发银行（6.06%）、交通银行（5.98%）、平安銀行（5.41%）、农业银行（4.93%）、中国银行（4.17%）、北京银行（3.67%）、建设银行（3.60%）、光大银行（3.40%）、上海银行（3.14%）、宁波银行（2.99%）、南京银行（2.33%）、江苏银行（2.27%）、华夏银行（1.95%）、中信银行（0.96%）、成都银行（0.90%）、贵阳银行（0.82%）、杭州银行（0.75%）、常熟银行（0.64%）、苏农银行（0.26%）、张家港行（0.26%）、无锡银行（0.25%）、江阴银行（0.23%）、青农商行（0.22%）、西安银行（0.19%）、长沙银行（0.18%）、郑州银行（0.17%）、青岛银行（0.16%）和紫金银行（0.15%），共计32家银行机构。

对于保险指数的编制，截至2019年6月30日，新的成分股和权重分别为中国平安（81.27%）、中国太保（8.71%）、中国人寿（3.97%）、新华保险（3.69%）、天茂集团（1.03%）、中国人保（0.92%）和西水股份（0.42%），共计7家保险机构。

对于证券指数的编制，截至2019年6月30日，新的成分股和权重分别为中信证券（18.69%）、海通证券（9.17%）、华泰证券（8.86%）、国泰君安（7.14%）、广发证券（3.77%）、申万宏源（3.30%）、招商证券（3.19%）、东方证券（3.03%）、兴业证券（2.81%）、方正证券（2.80%）、财通证券（2.41%）、长江证券（2.39%）、国信证券（2.13%）、太平洋（2.12%）、国金证券（1.89%）、光大证券（1.88%）、东吴证券（1.83%）、西部证券（1.57%）、国投资本（1.56%）、西南证券（1.33%）、中国银河（1.32%）、国元证券（1.27%）、国海证券（1.23%）、第一创业（1.22%）、东兴证券（1.21%）、东北证券（1.19%）、山西证券（1.18%）、华西证券（1.05%）、浙商证券（1.02%）、南京证券（0.93%）、中信建投（0.93%）、华安证券（0.90%）、哈投股份（0.65%）、华创阳安（0.59%）、锦龙股份（0.58%）、国盛金控（0.57%）、天风证券（0.56%）、长城证券（0.52%）、华林证券（0.50%）、中原证券（0.47%）和越秀金控（0.23%），共计41家证券机构。

本文基于银行指数、保险指数、证券指数和上证综合指数的日收盘价数据，分别计算其对数收益率，具体计算公式如下：

Rt=100×Ln（Pt /Pt-1）（10）

其中，Rt为第t天的指数对数收益率，Pt和Pt-1分别为第t天和第t-1天的指数收盘价。

根据表1可知，在金融行业中，银行业的收益率序列均值最大，且标准差最小，表明银行业的收益率高，波动程度较小。相反，根据标准差可知，相比于金融行业和金融市场，证券业的波动最大，离散程度最高，表明证券业可能存在较大的风险。另外，根据偏度、峰度和JB统计量的P值可知，以银行指数、保险指数和证券指数为代表的金融行业和以上证指数为代表的金融市场体系均不服从正态分布，存在“尖峰厚尾”现象。

（二）金融行业系统性风险的度量分析

限于论文篇幅有限，本文以银行业对金融市场体系的动态风险溢出效应为例，对金融行业系统性风险的估计过程和相关特征进行介绍和说明。

图1从上至下分别为银行指数序列和上证指数序列的收益率和VaR时序图，实线代表收益率，虚线代表VaR。对于收益率的时序，银行指数和上证指数的收益率在2007—2009年、2015年的价格波动较大，而在其他年份时间的价格波动变化程度较小，表明银行指数和上证指数的收益率序列均存在明显的波动集聚效应，较为适合建立GARCH类模型，其模型能够较好地去拟合银行指数和上证指数收益率序列的条件波动率;对于VaR的时序，银行指数和上证指数的风险价值变化趋势基本一致，但银行指数的风险价值波动变化程度大于上证指数的风险价值波动变化程度。另外，银行指数时变VaR的均值为2.8077，大于上证指数时变VaR的均值2.5467。

根据GJR-DCC模型的参数估计结果，图2从上至下分别为银行指数收益率序列的条件波动率、上证指数收益率序列的条件波动率、银行指数和上证指数的动态条件相关系数。根据图2可知，银行指数收益率序列的条件波动率变化波动程度大于上证指数收益率序列的条件波动率变化波动程度，且银行指数收益率序列的条件波动率均值为1.7443，大于上证指数收益率序列的条件波动率均值1.6766。值得注意的是，银行指数和上证指数的条件波动率在2007—2009年、2015年处于较高的水平，表明银行业和金融市场受到金融危机、股票价格极端波动等金融事件的影响，危机事件期间能够显著地提升银行业和金融市场体系的风险水平。另外，银行指数和上证指数的动态条件相关系数均值为0.7700，表明银行业和金融市场体系之间的条件相关关系较强，但其变化趋势较为稳健。

对于研究方法而言，MES和CoVaR模型是系统性金融风险度量的两种主要方法，本文为了进行方法和结果进行比较分析，同样使用DCC模型估计CoVaR，得到ΔCoVaR值。图3是基于MES和CoVaR两种方法的银行业对金融市场体系的风险溢出效应，其中实线为MES，虚线为ΔCoVaR。根据图3可知，MES和ΔCoVaR的变化趋势基本一致，MES的均值为2.8626，大于ΔCoVaR的均值1.9084，表明MES模型比CoVaR模型的系统性风险度量结果大，且MES的波动变化程度大于ΔCoVaR的波动变化程度。具体而言，2007—2009年、2013年、2015年和2019年等时间区间的MES值较大，这与银行指数和上证指数的条件波动率变化趋势较为类似，表明在金融危机、欧债危机、英国脱欧、股票价格异常波动和中美贸易摩擦等时期，银行业对金融市场体系的风险溢出效应较大。

对于金融行业而言，前文研究了银行业对金融市场体系的风险溢出效应，本文还继续研究保险业和证券业对金融市场体系的风险溢出效应。根据图4可知，银行业、保险业和证券业的系统性风险变化趋势基本一致，表明系统性风险在时间上具有一定的耦合性和连续性，同时金融行业容易受到危机事件的影响。具体而言，保险业对金融市场体系的風险溢出效应MES均值为3.4693，证券业对金融市场体系的风险溢出效应MES均值为4.5940，即存在证券业>保险业>银行业的关系。可见，证券业的价格波动剧烈，资本市场较为活跃，往往能够对金融市场体系形成较大的风险冲击。

金融行业的系统性风险除了包括金融行业对金融市场体系的风险溢出效应之外，还包括金融行业之间的风险溢出效应，具体包括银行业对保险业的风险溢出效应、银行业对证券业的风险溢出效应、保险业对银行业的风险溢出效应、保险业对证券业的风险溢出效应、证券业对银行业的风险溢出效应和证券业对保险业的风险溢出效应。金融行业间风险溢出效应具有一定的差异性，为了更为直观地比较各个金融行业间的风险溢出效应，本文分别对时变MES值进行基本的统计分析，具体结果如表2所示。

根据表2可知，从MES的均值来看，在金融行业间的风险溢出效应中，证券业对保险业的风险溢出效应值最大，高达3.9568，其次为证券业对银行业的风险溢出效应，表明证券业对其他金融行业的风险传染效应更为强烈。同时，从MES的标准差来看，证券业对保险业的风险溢出效应标准差为1.7386，证券业对银行业的风险溢出效应标准差为1.5829，表明证券业影响其他金融行业的风险波动变化程度较大。从金融行业的角度来看，某行业对其他金融行业的风险溢出效应的大小排序是证券业>保险业>银行业，这与金融行业对金融市场体系的风险溢出效应的次序相一致。

四、结语

本文通过GJR-DCC-MES模型量化分析了金融行业对金融市场体系的风险溢出效应和金融行业间的风险溢出效应。结果表明：第一，从时间维度来看，金融行业系统性风险在金融危机事件期间较大，伴随着金融危机和极端事件的发生，系统性风险的增长较为敏感;第二，从横截面维度来看，证券业对金融市场体系的风险溢出效应最大，这需要重点的金融风险预警和监管;第三，从金融行业的角度来看，证券业对其他金融行业的风险溢出效应仍然维持较高的水平。

对于金融行业系统性风险的防控，主要是构建和完善宏观审慎监管体系，具体如下：第一，健全系统性金融风险预警指标体系和预警机制，将风险损失防范于未然。除了考虑金融市场或金融机构直接相关指标外，还将宏观经济和国际冲击等多个维度的指标包含进来，合理确定各个指标的权重，形成科学的有机整体。另外，通过科学的方法和模型，并综合我国金融市场的实际情况，对系统性风险的预警阈值和区间进行合理的设置，对系统性风险的安全和危机等信号进行准确识别，对系统性金融风险的累积和爆发进行科学预测，及时了解系统性金融风险存在的问题，对系统性金融风险进行有效的反馈和评估，最终实现对系统性金融风险的全方位和多层次的实时预警。

第二，健全危机救助机制，完善应急处置机制。加快建立监管协调机制，加强宏观审慎监管，强化统筹协调能力，推进金融业综合统计和监管信息共享，形成风险防控的合力，将财政救助、货币政策和宏观审慎监管政策相结合，设计金融监管和财政货币政策的协同机制，发挥财政政策和货币政策等其他工具在风险防控和危机救助等方面的作用，使系统性金融风险的防控工作制度化和具体化。另外，系统性金融风险具有复杂性、传染性和突发性等特征，必须提前对各种系统性金融风险产生的不良影响和相应的救助体系进行全面和深入的推演和诊断，把主动防范化解系统性金融风险放在更加重要的位置，科学防范，早识别、早预警、早发现、早处置，完善金融风险处置预案，防止单体局部风险演变为系统性全局风险，使系统性金融风险的防控工作有序化和规范化。

第三，健全宏观审慎管理部门的职能权限和制度安排。其职能包括但不限于：牵头建立宏观审慎政策框架和基本制度以及系统重要性金融机构评估、识别和处置机制，这是目前系统性金融风险防控的主要任务之一。对于微观主体而言，牵头金融控股公司等金融集团和系统重要性金融机构基本规则拟订、监测分析、并表监管。对于外汇市场而言，牵头外汇市场宏观审慎管理，研究、评估人民币汇率政策。拟订并实施跨境人民币业务制度，推动人民币跨境及国际使用，实施跨境资金逆周期调节。协调在岸、离岸人民币市场发展。推动中央银行间货币合作，牵头提出人民币资本项目可兑换政策建议。对于宏观经济而言，要坚定执行稳健的货币政策，处理好稳增长、调结构、控总量的关系。贯彻新发展理念，坚持标本兼治，运用市场化法治化手段，深化金融风险防控方面的改革，积极稳妥推动金融业对外开放，推进“一带一路”建设金融创新，做好相关风险防控的制度设计，提高金融服务实体经济的水平。

【参考文献】

[1] ADRIAN T，BRUNNERMEIER M.CoVaR[J].American Economic Review，2016，7（106）：1705-1741.

[2] GIRARDI G，ERGüN A T.Systemic risk measurement：Multivariate GARCH estimation of CoVaR[J].Journal of Banking & Finance，2013，37（8）：3169-3180.

[3] XU Q，CHEN L，JIANG C，et al.Measuring systemic risk of the banking industry in China：A DCC-MIDAS-t approach[J].Pacific-Basin Finance Journal，2018，

51（10）：13-31.

[4] 欧阳资生，莫廷程.基于广义CoVaR模型的系统重要性银行的风险溢出效应研究[J].统计研究，2017（9）：36-43.

[5] REBOREDO J C，UGOLINI A.Quantile dependence of oil price movements and stock returns[J].Energy Economics，2016，54（5）：33-49.

[6] 赵树然，米月，任培民.群体分析视角下商业银行对金融体系的风险溢出效应研究[J].统计研究，2018（3）：52-65.

[7] SHAHZAD S，ARREOLA-HERNANDEZ J，BEKIROS S，et al.A systemic risk analysis of Islamic equity markets using vine copula and delta CoVaR modeling[J].Journal of International Financial Markets，Institutions and Money，2018，56（9）：104-127.

[8] INSTEFJORD N，NAWOSAH V，YANG P.A contingent claims analysis of optimal investment subsidy[J].Journal of Economic Dynamics and Control，2016，73（12）：354-372.

[9] 唐文进，苏帆.极端金融事件对系统性风险的影响分析——以中国银行部门为例[J].经济研究，2017（4）：17-33.

[10] 巴曙松，居姗，朱元倩.SCCA方法与系统性风险度量[J].金融监管研究，2013（3）：1-12.

[11] 李志辉，李源，李政.中国银行业系统性风险监测研究——基于SCCA技术的实现与优化[J].金融研究，2016（3）：92-106.

[12] CAI J，EIDAM F，SAUNDERS A，et al.Syndication，interconnectedness，and systemic risk[J].Journal of Financial Stability，2018，34（2）：105-120.

[13] ELYASIANI E，JIA J.Relative performance and systemic risk contributions of small and large banks during the financial crisis[J].The Quarterly Review of Economics and Finance，2019，74（2）：220-241.

[14] 陈湘鹏，周皓，金涛，等.微观层面系统性金融风险指标的比较与适用性分析——基于中国金融系统的研究[J].金融研究，2019（5）：17-36.

[15] ACHARYA V，PEDERSEN L，PHILIPPON T，et al.Measuring systemic risk[D].Working paper，2010.

[16] BROWNLEES C T，ENGLE R.Volatility，correlation and tails for systemic risk measurement[D].Working paper，2011.

[17] 范小云，王道平，方意.我国金融机构的系统性风险贡献测度与监管——基于边际风险贡献与杠杆率的研究[J].南开经济研究，2011（4）：3-20.

[18] 宋清华，姜玉东.中国上市银行系统性风险度量——基于MES方法的分析[J].财经理论与实践，2014（6）：2-7.

[19] LEE J，LIN E，LIN J，et al.Bank systemic risk and CEO overconfidence[J].The North American Journal of Economics and Finance，2019（3）：67-92.

[20] YUN T，JEONG D，PARK S.“Too central to fail” systemic risk measure using PageRank algorithm[J].Journal of Economic Behavior & Organization，2019，

162：251-272.

[21] 赵进文，张胜保，韦文彬.系统性金融风险度量方法的比较与应用[J].统计研究，2013（10）：46-53.

[22] 刘璐，王春慧.基于DCC-GARCH模型的中国保险业系统性风险研究[J].宏观经济研究，2016（9）：90-99.

[23] 朱衡，卓志.保险公司系统重要性识别及其影响因素研究——基于系统性风险敞口与贡献的视角[J].保险研究，2019（3）：3-16.

[24] BANULESCU G，DUMITRESCU E.Which are the SIFIs？ A component expected shortfall approach to systemic risk[J].Journal of Banking & Finance，2015，

50（1）：575-588.

[25] HMISSI B，BEJAOUI A，SNOUSSI W.On identifying the domestic systemically important banks：the case of Tunisia[J].Research in International Business and Finance，2017，42（12）：1343-1354.

[26] 张晓玫，毛亚琪.我国上市商业银行系统性风險与非利息收入研究——基于LRMES方法的创新探讨[J].国际金融研究，2014（11）：23-35.

[27] 张天顶，张宇.我国金融市场系统重要性机构的评估及政策启示[J].管理评论，2018（1）：24-35.