国民经济行业信用风险相依结构分析

1/10国民经济行业信用风险相依结构分析国民经济行业信用风险相依结构分析构成国民经济的行业众多，由于各行业间或互补或相似的经营范围，使其相关程度和违约传递非常明显，单纯的转移而不是消除某一行业的金融风险很有可能最终让整个金融市场崩溃。目前利用信用衍生工具规避金融监管的影子银行是全球面临的主要金融风险之一。因此，本文的研究对象为行业信用风险。行业风险的关系及其动态特征得到了学界的广泛关注。GRAYMALONE1基于CCA方法量化了国民经济四部门风险的非线性传递机制。CASTRNRANCAN2构建了包含金融和非金融部门的宏观经济网络，描述了欧元区通过信贷渠道和证券市场表现出的金融体系和企业部门的双向联系。国内对行业或部门风险的研究，主要集中在金融部门和主权部门等国民经济部门3，4，5，6，7，并没有分析所有行业间风险的非线性相依结构及信用风险的传染路径及传染方式。刻画多个行业信用风险相依关系，属于多维联合分布问题，常利用COPULA理论8来解决。然而，当变量维数增加时，COPULA函数的确定将面临“维数灾难”9。而且，由于其对参数的唯一性要求较高，不能很好地刻画2/10多变量间的复杂相依关系。为此，JOE10最先提出将多变量的联合分布分解为一系列独立的PAIRCOPULA模块的方法。BEDFORDCOOKE11，12、COOKEKUROWICKA13对该方法进行了系统深入的研究，并给出了基于图论思想构建规则藤的概念。AASETAL14拓展了PAIRCOPULA的应用范围并阐述了RVINE的两个特例CVINE和DVINE，但它们只适于描述两类特定的相依关系。RVINE分布族包含多种形式的结构，集结所有潜在双变量的COPULA，无疑是一种灵活又可操作的方法，但其他形式的RVINE分布结构迄今很少被用于实证。本文将建立符合实际数据特征的RVINECOPULA，利用实证研究数据考察国民经济中九个主要行业间的信用风险相依关系，为宏观审慎管理系统性金融风险提供政策依据。1信用风险度量及其改进方法CCA方法起源于期权定价理论15，16，具有非常直观的经济学意义。由于其综合了市场数据与财务数据，更能动态反映企业信用风险的变化，因此在理论界得到了广泛的应用。在CCA分析框架中，常常利用违约距离作为信用风险指标。当假设企业资产价值服从几何布朗运动时，根据BLACKSCHOLES公式及本文由论文联盟HTTP/收集整理ITO引理15，16得，3/10事实上，将股权市值波动率视为常数往往不符合金融数据常表现出的自相关、尖峰厚尾及异方差性，因此，放松“同方差”假定，将会使计算结果更加准确。当股权市值的收益率存在自相关和异方差现象时，可利用ARGARCH模型进行过滤，获取股权收益率的时变波动率，模型如下将代入上述式即可得出体现金融时间序列条件异方差的违约距离。RVINECOPULA模型构建RVINECOPULA模型介绍考虑一个由随机变量构成的向量，由链式法则，联合分布密度可分解为一系列条件分布密度之积，即然而，PC构建的方式并不唯一。BEDFORDCOOKE11提出了基于图论思想的规则藤模式来选择有效的构建方式。该方法通过分层构建D1棵树，每棵树的变量都以前一棵树的变量为条件，构成树的每一段变量间的相依关系都可用相应的PAIRCOPULA来刻画，因此COPULA类型覆盖面广且参数值也可以不唯一，可以灵活准确地刻画多变量之间的复杂相依关系。COPULA模型构建构建一个完整的RVINECOPULA模型需要考虑以下三方面的问题4/10第一，确定合适的PC类型。一个准确的多变量联合分布的构建以每一个不同形式的两变量PC类型的准确选择为前提。定性的选择可以根据变量间的相依关系特征，确定与之相应的COPULA类别；定量的选择常可利用AIC准则或VUONG检验选择合适的COPULA类型。第二，准确进行参数估计。采用顺序估计法14和极大似然估计法。由式可知，第J棵树中COPULA函数的自变量是第J1棵树的相应COPULA函数的偏导。因此，可对每个COPULA参数利用顺序估计法，将得到的参数作为初值，代入极大似然函数，利用迭代法求出极大似然估计值。第三，选择RVINE树形结构以“具有最强相依性”为标准17，对树L计算所有变量的两两相依参数；通过遍历法，对所有节点，选择相依参数之和最大的节点构成树；在TREEL上选择点构成边，计算相应的COPULA类型及参数；根据步骤得出伪观察值和。对树J1，重复上述四步，直至确定整个树形结构。实证研究样本与数据的选择本文选取的样本来自将国民经济按证监会行业分类标准划分的18个门类行业中行业市值在全行业中占比始终处于前九位的行业，即采矿业B、制造业C、电热水燃气业5/10D、建筑业E、批发零售业F、交通运输仓储业G、信息软件业I、金融业J、房地产业K，由于九行业总市值始终占全行业总市值的90以上，因此对样本行业信用风险的分析可以代表整个国民经济的信用风险状况。样本期为XX年1月2016年9月，共81个月。本文所有数据均来源于锐思数据库。行业信用风险度量利用改进的CCA模型求解每个行业的违约距离，模型中所有变量按以下方式确定取为1年；取行业所有上市公司月末市值之和；根据该行业所有上市公司季度财务报表，取公司短期负债长期负债的总和，并利用插值法将季度债务转换为月度债务；R取自中国人民银行发布的1年期定期存款基准利率，对于同一月份有不同利率的情形，取当月不同利率的平均值；利用LM法对行业股权市值对数收益率进行自相关效应检验和GARCH效应检验，对具有相应效应的收益率序列建立AR、GARCH或ARGARCH模型，求出月度条件方差序列，并转化为年波动率。由表1可以看出，九个行业的收益率序列均不存在6/10一阶自相关，除金融行业外的8个行业都至少在10水平下接受存在ARCH效应，因此利用本文改进的CCA方法将比传统CCA方法更为恰当。下面兼顾简洁和准确性，对除金融行业外的8个行业收益率序列建立GARCH模型，得出月度条件异方差序列，并转化为年波动率，对金融行业，计算无条件波动率。将上述数据代入改进的CCA模型，得出各行业的违约距离，如图1所示由图1可见，各行业违约距离总体趋势大致相同，在金融危机期较小，在后危机期总体较为平稳，而在2016年6月2016年9月期间违约距离普遍上升，说明经济缓慢回暖，与宏观经济发展趋势基本吻合。由于市场对自然资源的强大需求致使采矿业B的违约距离最大，违约风险相对最小；金融业和房地产业的违约距离一直处于低位，这主要与房企融资主要来源于银行贷款有关。金融业在所有行业中信用风险最高，这一结果非常客观地反映了金融业的现实，也值得警惕；建筑业信用风险与房地产业相辅相成，但波动更大。除此之外，其他五个行业的信用变化趋势均大体相同，其中，制造业信用风险最小。3行业信用风险相依结构分析通过对九个行业违约距离的经验分布函数序列做K7/10S检验，得到各行业违约距离的经验分布序列均在1水平下接受服从均匀分布U。为了选择最合适的藤COPULA模型，本文分别求出CVINE、DVINE、RVINE三种藤结构下模型评价指标，见表由表2可见，RVINECOPULA的AIC和BIC值最小、极大似然值最大，故后文中将用RVINECOPULA模型来分析行业间信用风险的相依结构。根据行业KENDALL相关系数矩阵，通过最大生成树MSTPRIM算法，挑选KENDALL相关系数绝对值较大的行业对13，36，12，16，23，56，28，26，35，17，18，79，4，兼顾“初始节点要保证相关性最强的节点间连接成边”及“保证每个节点都至少有其中的一条边与之连接”原则，可确定RVINE的第一棵树形结构图，如图2由TREE1及TAU相关阵可知与采矿业、交通运输仓储业的相关性较大的行业较多，说明这两个行业在全行业中处于相对核心的地位，这主要因为它们分别是第一、三产业中处于基础地位的行业；金融业是一个特殊的行业，它与所有其他行业几乎均负相关或无关；建筑业由于包含了除房屋建筑以外的其他建筑类别，因此表现为与其他行业的风险相关性均较弱，甚至与房地产业的相关性也较小；一直被大众关注的房地产行业与其他各行业的相关性却不8/10大。类似地，可选择RVINE的另外7棵树的结构，详细结果可参见表3第4列。依AIC最小原则，在常见的五类分别用来刻画变量间的不同相依特征的COPULA类型族中，通过计算每个PAIRCOPULA在相应COPULA族中的AIC值，最终选择了的PC类型见表3的FAMILY列。利用极大似然估计法，得出COPULA参数PAR1，PAR2。为便于比较，将条件COPULA与相应的无条件COPULA估计结果对比列出。首先，从表3第2列可见，无条件PC中，大部分表现为类型2，3，4，即具有尾部相关性，但纵观第5列发现，所有条件PC中，大部分均表现为类型1，5，即没有或只有很弱的尾部相关性，说明在条件行业信用风险已知时，一个行业的信用危机不太可能导致相关行业的信用危机。另外，从KENDALL相关系数来看，主要表现出两方面的特征存在条件隔离信用风险传染的行业。与无条件秩相关系数相比，原本几乎不相关或弱相关性的PAIR行业行业，在已知条件行业的信用风险条件下，相关性明显增加，即条件行业成为PAIR行业信用风险传染的催化剂。比如作为虚拟经济代表的行业J及作为第三产业核心的行业G，在9/10已知最大的实体行业B、C和D风险的条件下，风险相关性明显增加，可以理解为实体经济的信用危机会造成对宏观基本面的悲观预期，从而导致行业J与G中任一行业的信用风险的变化都会对另一行业产生比无条件情形下更大的影响。存在催化信用风险传染的行业。与无条件秩相关系数相比，更多行业间的条件相关性明显减弱甚至消失，即条件行业在目标行业间的信用风险传染中起到隔离作用，两行业间信用风险的传递以条件行业为媒介。鉴于条件行业的这一风险隔离作用，若要降低目标行业间风险相依性，减小风险传染的可能，可以通过密切关注并控制条件行业的信用风险。比如，若要降低行业B的风险给J带来的不确定性，应该充分了解行业C的信用风险等。结论及政策建议本文利用修正CCA方法和构建多元联合分布的RVINECOPULA方法，以国民经济中九大门类行业为样本，利用上市公司的财务及市场数据，测度了行业信用风险，发现了行业间信用风险的复杂相依关系。本文主要结论及相关政策建议如下各行业信用风险水平不一，其中虚拟经济中金融业和房地产业信用风险最高，实体经济中采矿业和制造业信用风险最低；建筑业信用风险也较高且波动较大，其他行10/10业信用风险的趋势和水平均相近。监管部门需防范信用风险水平较高的行业发生信用危机，尤其是银行和房地产业。政府要增强对房地产宏观调控的前瞻性和科学性，设计合理的房产税制度，抑制土地过度投机；银监会应加快建立诚信制度，促进