商业银行对金融系统风险边际贡献的实证研究

商业银行对金融系统风险边际贡献的实证研究

由美国次级抵押贷款市场引发的国际金融危机表明，目前的金融市场、金融机构和金融工具之间有着非常密切的内在联系。这背后的风险不是传统意义上的个人风险，而是普遍而系统的风险。同时,这场金融危机也告诉我们,看似健康的单体金融机构的瞬间倒闭就可能引发整个金融体系的“多米诺骨牌效应”,即爆发系统性风险。因此,如何从宏观的视角把握系统性风险,以及如何从单个金融机构来考察其对系统性风险的贡献度是摆在我们面前亟待研究的重要课题。当前,国际社会普遍意识到系统重要性银行对维持金融市场稳定和经济的稳定增长起着极其重要的作用。2011年4月27日,中国银监会发布了《中国银行业实施新监管标准的指导意见》,该意见根据《第三版巴塞尔协议》的要求以及国内大型银行经营模式和监管实践,提高了银行业审慎监管标准,通过考虑“规模、关联度、可替代性和复杂性”四个方面的因素,拟建立系统重要性银行的评估方法论和持续评估框架。于是,学术界和实务部门对系统重要性银行机构实行区别监管等问题给予了高度关注。鉴于银行业在中国资本市场中举足轻重的地位,而且截至目前,国内还没有专门采用边际期望损失(MES)方法针对中国银行业中的单个银行进行系统性风险边际贡献度的研究,因而本文拟借鉴Acharya等(2010)的方法,分别测度在未发生危机和发生危机期间中国14家上市银行各自对整个金融系统风险的边际贡献程度,并验证边际期望损失(MES)和系统性期望损失(SES)之间的关系。另外,拟运用14家上市银行2008~2011年的财务报表及经复权后的收盘价等数据,建立面板计量回归模型对银行系统性风险边际贡献度的影响因素进行实证分析。一、单机构风险度量近年来由于多次金融危机的爆发,使得理论与实务界的诸多学者对系统性风险以及金融机构对系统性风险贡献程度测度的研究给予了高度关注。因此,找到一套有效的测量系统性风险的方法,而同时又不给出错误信号或者错误信号较少的通用规则已成为监管部门防范系统性风险的一个极为重要的目标。为此,学者们提出了一些有关这方面的重要方法:1.指标法。指标法最早由国际金融监管当局提出,其特点是监管当局依据对系统重要性金融机构核心特征的理解,设定若干指标来界定系统重要性金融机构(SIFIs)的范围。2009年以来,国际货币基金组织(IMF)、金融稳定理事会(FSB)以及巴塞尔委员会(BIS)等国际金融机构一直在调整和完善指标体系。例如,在金融稳定理事会(FSB)2009年提出识别系统重要性银行指标的基础上,国际清算银行中的银行委员会(BCBS)在2011年7月底提出识别全球系统重要性银行(G-SIBs)的主要指标有:规模、可替代性、复杂性、关联性、全球活动。指标法的优点是简单有效,缺点是其选取指标凭经验,随意性很强,而且无法辨别金融机构的系统性风险贡献。2.沙普利值(ShapleyValue)法。Shapley值是由Shapley(1953)提出的一种将总价值(如产出)在各个参与者之间进行分配的方法。该方法的主要思想是在博弈过程中,每个参与者持有的资源都可以和其他参与者的资源结合来创造价值,分配给每个参与者的部分应该等于这个参与者对总价值的边际贡献。Tarashev等(2011)提出将Shapley值方法应用在对单个机构分配系统性风险上,每个金融机构的系统重要性度量加总后正好等于系统范围风险的度量。沙普利值法的缺点是当整个体系的风险不是依据一组固定事件测量时,该方法就会失去有效性。比如,在使用投资组合损失分布的高阶矩来衡量系统性风险时,就不能用沙普利值法来衡量单个机构的风险。3.网络分析法。网络分析法是基于银行间资产负债表的相互敞口数据来研究系统性风险的重要测量方法,该方法的主要思想是利用金融机构之间的信用风险敞口数据,以数值方法模拟信用事件和流动性紧缩在金融系统中引起的多米诺效应,来识别具有系统重要性的金融机构,评估可能的资本损失以及风险传染路径(contagionpath)。Allen和Babus(2008)指出,网络分析法是应对系统性关联度风险的重要候选方法,因为它能使监管者通过跟踪直接金融关联导致的多轮外溢效应,获取超越初始观察问题的能力。但网络分析法的弱点是其所需的数据很难得到。4.条件风险价值(CoVaR)法。CoVaR法是由Adrian和Brunnermeier(2009)提出的,它是指在VaR测度单个金融机构非条件性尾部风险的基础上,通过测度某个金融机构陷入困境时对其它金融机构尾部风险的影响。单个机构的系统性风险贡献度就是CoVaR与金融体系VaR的差(AdrianandBrunnermeier,2011)。CoVaR法能识别两个金融机构尾部风险之间的关系,并能够解决两个金融机构间的关联性量化问题。但条件风险价值(CoVaR)法在测度系统性风险以及单个金融机构的边际风险贡献时,仅仅考虑损失分布的α分位数,所以不能很好地捕捉到条件风险价值(CoVaR)门限值以下极端情况下的尾部风险,同时,其不具有可加性,即难以通过单个金融机构的风险贡献来加总以估计整个金融系统面临的系统性风险(AdrianandBrunnermeier,2009)。鉴于传统测度方法的缺陷,Acharya等(2010)基于期望损失(ES)提出了边际期望损失(MES)和系统性期望损失(SES)的方法。自从边际期望损失(MES)和系统性期望损失(SES)方法被提出后,很快得到学者们的广泛推崇(BrownleesandEngle,2010;Tarashevetal.,2011)。二、方法与证据分析(一)单一金融机构内的风险分配MES(边际期望损失)和SES(系统性期望损失)是分别测度市场未发生金融危机时和发生系统性危机时金融机构对整个金融系统风险或损失的边际贡献程度,它们均是由ES(期望损失)推广到整个金融系统的。ES的含义是当不利情形发生时的条件预期损失:ESα=-E[R|R≤-qα],其中α代表分位数,qα代表VaR值,即ESα=-E[R|R≤-VaR]。对于由N个金融机构组成的金融系统来说,如果假设整个金融系统的收益为R,并且它可以分解为单个金融机构的收益ri的加权和,即其中,yi代表单个金融机构i占整个金融系统的权重,因此在1-α置信水平下整个金融系统的期望损失可表示为:因此,对于单个金融机构来说,其对整个金融系统的风险或损失的边际贡献为:假设ai和w1i分别代表单个金融机构的总资产和第1期时的资本,则整个金融系统的总资产和第1期时的总资本可表示为:。假设当整个金融系统的总资本与其总资产的比例低于z(例如金融监管部门规定的资本充足率)时,即Wi<zA时,则发生了系统性危机事件。根据Acharya等(2010)的定义,SESi(单个金融机构的系统性期望损失)等于发生系统性危机事件(Wi<zA)时金融机构的权益资本w1i低于它的目标水平的数量(资产zai),因而SESi的定义可以表示为:SESi≡E[zai-w1i|Wi<zA],即SESi表示在发生系统性危机时,它对整个金融系统的期望损失或系统性危机时的边际贡献程度。(二)示范分析1.样本银行的测算方法。根据初本文选取中国14家上市商业银行作为样本,其中包括3家国有银行、11家股份制银行。它们分别是:深发展A、宁波银行、浦发银行、华夏银行、民生银行、招商银行、南京银行、兴业银行、北京银行、交通银行、工商银行、建设银行、中国银行、中信银行。选取它们的原因是因为目前中国只有16家银行上市,其中这14家银行均是在2007年9月25日以前上市的(另外两家银行均是2010年上市的,时间比较短),而且样本银行的资产额在中国银行系统资产总额中占绝大部分比重,因此样本银行在整个银行系统中具有较好的代表性。关于ES的测算,本文采用公司股票日收益5%分位点以下的平均收益率,这比在分位点下计算平均收益效果要好,因为股票的价格差别大,因此对收益的影响大,从而会影响结果。同理,VaR的计算也是计算出日收益率的5%分位点。在SESi的测算方面,本文借鉴Acharya等(2010)的做法,采用本次金融危机期间各银行的实际股票收益率为此次金融危机期间各银行的实际系统性期望损失。同时,由于本次金融危机在2007年年底才对中国的金融市场产生较大影响,而在2009年年初中国的股票市场开始大幅反弹,说明本次危机对中国金融市场的影响基本上接近了尾声,基于此,本文以2008年1月至2008年12月期间各银行的股票收益率为实际系统性期望损失。由于在测算MESi时要求的时间跨度不能太短,一般不少于1年(如果天数过少,会严重影响MESi的稳健性)。为此,本文选取时间跨度较长的2009年1月至2011年7月作为测算中国的银行在未发生危机时市场表现最差的5%状况下边际期望损失MESi5%的样本区间。具体计算方法采用Acharya等(2010)的做法:先确定给定时间区间内市场收益5%最糟糕的日期数,然后计算这些天内任意给定银行股票收益率Ri平均值的相反数,即。对于这14家上市银行2009年1月4日至2011年7月1日的数据,选取了样本期各商业银行考虑现金红利再投资的日个股回报率。另外,本文选取中证沪深300指数的收益率作为测算MESi的市场收益率。本文所采用的数据均来源于WIND数据库。2.变量之间的相关性分析运用上面所选用的数据及方法测算各银行未发生危机期间的系统性风险测度结果如表1所示。表1清楚地显示出用VaR、ES、MES三种不同指标测出的14家银行在2009年1月至2011年7月间的系统性风险贡献度,三种指标呈现出较大的一致性,例如,工商银行在此期间的VaR、ES、MES分别为-0.02242、-0.03303、0.02531,它们的绝对值都分别比相应的宁波银行、北京银行的值要小,说明大银行的波动要比小银行小。需要注意的是,工商银行等大银行的边际风险贡献相对较小并不意味着其对整个金融系统的总风险贡献较小,它只是表明增加单位资产规模带来的系统性风险(或损失)较小。尽管上述各项指标背后的经济原理不同,但它们同样都度量了银行的系统性风险,对于不同的投资者(或监管者)根据自身偏好选取了不同的指标,其结果会不会出现较大的背离?基于这一想法,需要检验各变量之间的相关性系数。由表2可以发现,MES和VaR之间的相关系数是-0.94,说明它们之间的相关性很强,并且呈负相关关系。ES和MES以及ES和VaR之间的相关性更强,分别高达-0.97和0.98。这些统计数据说明所选取的各种风险测度的指标之间并没有出现较大的背离,也就是说这些指标尽管背后的原理虽有一定的差异,但从计算出的实际数据来看,它们之间还是呈现出很强的一致性。3.金融危机期间nd类似地,我们计算出各银行在危机期间系统性风险测度结果。从表3中能清楚地看到用VaR、ES和SES三种不同指标表示出的14家银行在2008年中的系统性风险贡献度,三种指标呈现出较大的一致性。如中国银行在此期间的VaR、ES和SES分别为-0.04308、-0.05880和-0.54167,这些值的绝对值分别是所有银行的相应值中最小的,这说明中国银行在金融危机期间的波动(跌幅)在所有银行中最小。整体来看,像中国银行、工商银行和建设银行在金融危机期间的波动要比宁波银行、华夏银行等小银行的波动小,但这不是绝对的,例如,南京银行的SES的值为-0.55013,其绝对值要比工商银行的SES值-0.55087的绝对值小,说明危机期间南京银行的波动比工商银行小。需要强调的是,SES代表危机期间各银行的股票收益率,并不是一个对系统性风险贡献的绝对量。由于VaR、ES是理论上预测风险贡献的指标,SES是危机期间所测出的真实的系统性期望损失,为此我们很自然地想检验一下这三个指标之间的相关性,从而可以检验一下VaR和ES指标的测量效果。表4显示出各变量之间的相关系数,其中VaR和SES之间的相关性最小,相关系数是0.47,说明VaR能在一定程度上预测SES的值;ES与SES的相关系数是0.57,说明ES在预测SES时效果要比VaR好。4.mes和ses的相关性分析表5清楚地列示了VaR、SES和MES的均值、中位数、最大值、最小值和标准差。其中,SES的均值为-0.629355,与其最大值和最小值差别比较小,说明SES比较平稳,显示出在危机时期各银行的实际系统性期望损失呈现出很强的一致性。由于MES是测度市场未发生金融危机时金融机构对整个金融系统风险或损失的边际贡献程度,SES是系统性危机时金融机构的实际系统性期望损失,鉴于此,很自然地我们很想看看它们之间的相关性。本文通过对中国14家上市银行在非危机期间和危机期间的真实情况进行研究,并由此得出MES和SES之间的相关性系数矩阵,如表6所示。从表6中可以清楚地看出MES和SES的相关系数是-0.63,表明两者之间具有较强的相关性,而且呈负相关,说明完全可以用MES来预测某个金融机构对整个金融系统风险的边际贡献度。同时,这也验证了Acharya等(2010)提出的MES和SES之间有密切关系的说法。图1显示出14家银行的MES和SES之间关系的散点图。5.计量模型检验自2008年金融危机以来,世界各国加强了金融监管,更加注重微观监管和宏观审慎监管的结合。微观审慎监管就是着眼于金融机构个体,其关注的是单一金融机构的风险;而宏观审慎监管则是着眼于整个金融系统,它关注的是整个金融系统的稳定性。由于“大而不倒”和“太关联而不能倒闭”等问题的存在,要特别关注具有系统重要性的大型金融机构。在我国,系统重要性金融机构主要是银行,因为它们不仅“大”,而且“太关联”。因此,研究银行的系统性风险边际贡献度的影响因素具有重要的理论价值和实践意义。为此,本文选取14家上市银行2008~2011年的年度财务数据作为研究基础,建立面板计量回归模型对银行系统性风险边际贡献度的影响因素进行实证分析。通常情况下,银行的系统性风险边际贡献度与银行自身的风险、银行的总资产收益率、银行的不良贷款率、杠杆率和宏观经济增长等有较强关系,但在中国2008~2011年GDP是稳定的增长,股票价格却变化很大,所以,本文剔除了GDP这一因素,选取了其它4个变量作为解释变量。由于银行的自身风险很难估量,本文以每家上市银行每年5%的置信区间的VaR代替,这样效果会更好,因为它包含了蕴含风险的多种因素。样本数据来源于WIND数据库,使用的计量分析软件为Stata10.0。面板计量回归模型为:在上式中:MESit代表第i家银行第t年对整个系统风险的边际贡献程度,VaRit代表第i家银行第t年在95%置信区间内的VaR值,ROAit代表第i家银行第t年的总资产收益率,NPLRi代表第i家银行第t年的不良贷款率,Leverageit代表第i家银行第t年的杠杆率,αi代表第i家银行的不可控制的个体固定效应,μit代表第i家银行第t年的残差项,β1、β2、β3和β4分别表示4个解释变量相应的系数。分别采用混合回归模型、变截距固定效应模型和变截距随机效应模型三种模型进行参数估计。Hausman结果显示,P值为0.2291,不能拒绝固定效应模型,因此本文选择变截距固定效应模型进行分析,结果见图2和表7。表7清晰地给出了面板回归模型的结果:AdjustedR2的值为0.941157,说明模型拟合得很好。VaR的P值为0.2666,说明估计的系数不显著,换句话说,每家银行在95%的置信区间内一年中的最大可能损失和该银行对系统性风险的边际贡献度的关系不明显,这意味着银行自身的VaR与其对整个金融系统风险边际贡献度之间并无显著关系,这也印证了近年来学者们认识到不能用VaR模型来计算系统性风险的说法。NPLR、Leverage和ROA的P值均为0,说明估计的系数高度显著,它表明银行自身的不良贷款率、杠杆率和总资产收益率是决定其对整个金融系统风险边际贡献度的重要因素。其中,NPLR和ROA的系数为负,Leverage的系数为正,这意味着银行自身的不良贷款率和总资产收益率是与其对整个金融系统风险边际贡献度呈负相关,银行自身的杠杆率与其对整个金融系统风险边际贡献度呈正相关,即不良贷款率越高的银行其对整个金融系统风险边际贡献度越小,总资产收益率越高的银行其对整个金融系统风险边际贡献度越小,杠杆率越高的银行其对整个金融系统风险边际贡献度越大。在这里我们会注意到,总资产收益率是与其对整个金融系统风险边际贡献度呈负相关,银行自身的杠杆率是与其对整个金融系统风险边际贡献度呈正相关,这符合正常的经济理论,但银行自身的不良贷款率与其对整个金融系统风险的边际贡献度呈负相关这一结论违背常理。原因是:在2008~2011年4年中,2008年各银行的不良贷款率相比其它年份来说最高,2011年各银行的不良贷款率相比其它年份来说最低。而在2008年不良贷款率最高的是中国银行(也是4年中所有银行的最大值),其值为2.65%,深发展不良贷款率为0.68%,其值是同期最低的;在2011年中国银行的不良贷款率为1%(处于第二高),深发展不良贷款率为0.53%,其值是同期最小(也是4年中所有银行不良贷款率的最低值)。这说明我国银行的不良贷款率整体比较低,而且变动区间很小。因此,在银行不良贷款率低且变动区间小的条件下,不良贷款率高意味着资本金不足,资本金不足就会减少放贷冲动,减少放贷冲动就会对系统性风险有抑制作用,从而使银行对整个金融系统风险的边际贡献度变小。6.中国银行的边际风险贡献在银行系统性风险边际贡献度的影响因素分析中,已分别计算出每家银行每年的MES,把这些数据用折线