基于SES、MES模型的我国金融机构系统性风险测度与洞察

基于SES、MES模型的我国金融机构系统性风险测度与洞察一、引言1.1研究背景与意义在经济全球化和金融一体化的时代背景下，金融市场在全球经济体系中扮演着愈发关键的角色，而金融机构作为金融市场的核心参与者，其稳健运营直接关系到金融市场的稳定与发展。然而，金融市场固有的复杂性与不确定性，使得金融机构时刻面临着各类风险的挑战，其中系统性风险因其具有全局性、传染性和巨大破坏力等特点，成为威胁金融稳定的关键因素。系统性风险不同于单个金融机构面临的个体风险，它是指由于金融体系中部分或全部金融机构遭受重大损失或功能失调，从而对实体经济产生严重负面影响的风险。这种风险一旦爆发，会如同多米诺骨牌效应一般，迅速在金融体系内扩散，引发金融市场的剧烈动荡，甚至导致经济衰退、失业率上升等严重后果。回顾历史上几次重大的金融危机，如1929-1933年的经济大萧条、2008年的全球金融危机，无一不是系统性风险大规模爆发的结果，这些危机给全球经济带来了沉重的打击，使人们深刻认识到系统性风险的巨大危害。准确测度金融机构的系统性风险对于维护金融稳定和促进经济可持续发展具有至关重要的意义，主要体现在以下几个方面：维护金融市场稳定：金融市场是经济运行的重要枢纽，其稳定与否直接影响到资源的有效配置和经济的正常运转。金融机构作为金融市场的主体，若其中一家或多家出现系统性风险问题，可能引发市场恐慌情绪，导致投资者信心受挫，资金大量流出，进而引发金融市场的剧烈波动。准确测度系统性风险，可以及时发现金融体系中的潜在风险点，提前采取相应的防范措施，避免风险的进一步积累和扩散，维护金融市场的稳定秩序。加强金融监管：金融监管是保障金融市场健康发展的重要手段，而准确测度系统性风险是实施有效金融监管的前提和基础。监管部门可以根据系统性风险的测度结果，识别出系统重要性金融机构，对其实施更为严格的监管要求，如更高的资本充足率、更严格的风险管理标准等，以降低这些机构对金融体系的潜在风险贡献。测度结果还可以为监管部门制定宏观审慎政策提供依据，通过调整监管政策和工具，逆周期地调节金融体系的风险水平，增强金融体系的整体稳定性。提升金融机构风险管理能力：对于金融机构自身而言，准确测度系统性风险有助于其全面了解自身面临的风险状况，识别出那些对系统性风险贡献较大的业务领域和风险因素，从而有针对性地制定风险管理策略，优化业务结构，降低风险敞口。通过对系统性风险的测度和分析，金融机构还可以加强与其他机构之间的风险协同管理，提高整个金融行业的风险管理水平。在众多测度系统性风险的方法中，条件在险价值（CoVaR）模型得到了广泛的应用与关注，边际预期损失（MES）和系统性预期缺口（SES）模型作为基于CoVaR模型发展而来的重要测度工具，能够从不同角度对金融机构的系统性风险贡献进行量化分析。MES模型主要衡量当整个金融体系处于困境时，单个金融机构的预期损失程度，反映了该机构在系统性风险事件中的脆弱性；而SES模型则是在MES模型的基础上，进一步考虑了金融机构在不同市场条件下对系统性风险的贡献，更全面地评估了金融机构对金融体系稳定性的潜在影响。随着我国金融市场的不断发展和开放，金融机构的业务范围日益扩大，金融创新层出不穷，金融机构之间的关联性和复杂性也不断增强，这使得我国金融体系面临的系统性风险逐渐加大。在此背景下，深入研究我国金融机构的系统性风险测度问题，运用先进的模型和方法对其进行准确量化分析，对于防范和化解系统性金融风险、维护我国金融稳定具有重要的现实意义。本文旨在运用SES、MES模型对我国金融机构的系统性风险进行实证研究，通过对相关数据的收集、整理和分析，深入探讨我国金融机构系统性风险的特征和影响因素，为金融监管部门制定科学合理的监管政策提供理论支持和实证依据，同时也为金融机构提升风险管理能力提供有益的参考。1.2研究方法与创新点本文在研究我国金融机构系统性风险测度的过程中，综合运用了多种研究方法，力求全面、深入地剖析这一复杂问题，同时在研究过程中尝试了一些创新，以期为该领域的研究提供新的视角和思路。在研究方法上，本文首先采用了文献研究法，广泛搜集和整理国内外关于系统性风险测度的相关文献资料，梳理该领域的研究脉络和发展趋势，了解已有研究成果和存在的不足，为本文的研究奠定坚实的理论基础。通过对大量文献的研读，明确了系统性风险的概念、特征、成因以及现有的各种测度方法和模型，并对不同方法的优缺点和适用范围进行了分析比较，从而为本研究选择合适的测度模型提供了参考依据。其次，运用理论分析方法，对系统性风险的相关理论进行深入探讨，包括系统性风险的产生机制、传导路径以及对金融市场和实体经济的影响等。从理论层面分析了金融机构在系统性风险形成和传播过程中的作用，以及不同市场条件下系统性风险的表现形式和变化规律。通过理论分析，进一步深化了对系统性风险本质的认识，为实证研究提供了理论指导，使研究结论更具说服力。在实证研究部分，采用了数据分析方法，收集和整理了我国金融机构的相关数据，包括股票价格、资产负债表数据、市场交易数据等。对这些数据进行清洗、预处理和统计分析，以获取研究所需的变量和指标。运用计量经济学软件和统计工具，对数据进行建模和分析，以验证研究假设和检验模型的有效性。在数据处理过程中，严格遵循数据处理的规范和原则，确保数据的准确性和可靠性，从而保证实证研究结果的科学性和可信度。具体而言，本文运用SES、MES模型对我国金融机构的系统性风险进行实证测度。通过建立计量经济模型，将金融机构的相关变量纳入模型中，如资产规模、杠杆率、收益率等，以量化金融机构对系统性风险的贡献程度。利用历史数据对模型进行估计和校准，通过实证分析得到不同金融机构在不同时期的系统性风险指标值，进而分析我国金融机构系统性风险的特征和变化趋势。在研究的创新点方面，样本选取上，本文选取了涵盖银行、证券、保险等多个金融子行业的具有代表性的金融机构作为研究样本，相比于以往一些仅针对单一金融子行业或部分金融机构的研究，样本更具广泛性和全面性，能够更准确地反映我国金融机构系统性风险的整体状况。这种全面的样本选取方式，有助于揭示不同类型金融机构在系统性风险方面的共性和差异，为金融监管部门制定统一且有针对性的监管政策提供更丰富的数据支持。在模型应用上，对传统的SES、MES模型进行了一定的优化和改进。考虑到我国金融市场的特殊制度背景和市场环境，如金融监管政策的变化、金融创新的发展以及投资者行为特征等因素，在模型中引入了一些新的控制变量和调节变量，以提高模型对我国金融机构系统性风险测度的准确性和适应性。通过这种模型优化，使得研究结果能够更贴合我国金融市场的实际情况，为金融机构和监管部门提供更具实践指导意义的风险评估和管理建议。1.3研究内容与框架本文围绕我国金融机构的系统性风险测度展开研究，主要内容如下：系统性风险相关理论基础：系统性风险是金融领域的核心问题，对金融市场和实体经济具有深远影响。本部分首先明确系统性风险的定义，从金融体系整体视角出发，阐述其是指由于部分或全部金融机构遭受重大损失或功能失调，从而对实体经济产生严重负面影响的风险。接着详细分析其特征，包括全局性，强调风险影响范围涵盖整个金融体系及实体经济；传染性，说明风险可在金融机构和市场间迅速传播；巨大破坏力，表明风险一旦爆发会引发金融市场动荡、经济衰退等严重后果。随后深入探讨产生机制，从宏观经济因素如经济衰退、通货膨胀、利率汇率波动等，以及金融市场自身因素如金融创新、金融机构关联等方面进行剖析，揭示系统性风险的根源。最后梳理风险传导路径，研究风险如何通过资产价格波动、信贷渠道、信心传导等途径在金融体系内蔓延，以及对实体经济产生冲击的过程，为后续研究奠定坚实的理论基础。SES、MES模型介绍：SES和MES模型作为测度系统性风险的重要工具，在金融风险研究领域具有重要地位。本部分详细阐述这两个模型的理论基础，解释它们如何从不同角度量化金融机构对系统性风险的贡献。对于MES模型，重点说明其衡量当整个金融体系处于困境时，单个金融机构的预期损失程度，反映机构在系统性风险事件中的脆弱性；而SES模型则在MES模型基础上，进一步考虑金融机构在不同市场条件下对系统性风险的贡献，更全面地评估机构对金融体系稳定性的潜在影响。通过深入剖析模型的原理和计算方法，为后续实证研究中模型的应用和结果分析提供理论依据。数据选取与处理：准确的数据是实证研究的关键。本部分详细阐述数据的选取过程，说明从多个数据源收集我国金融机构的相关数据，包括股票价格、资产负债表数据、市场交易数据等。在股票价格数据方面，选取具有代表性的金融机构在证券市场上的历史交易价格，以反映市场对其价值的评估和预期；资产负债表数据则涵盖金融机构的资产、负债和所有者权益等关键信息，用于分析其财务状况和风险承担能力；市场交易数据包括成交量、换手率等，有助于了解市场的活跃程度和投资者行为。对这些数据进行严格的清洗和预处理，去除异常值、填补缺失值，以确保数据的准确性和可靠性。运用统计分析方法对数据进行初步探索，计算均值、标准差、相关性等统计指标，了解数据的基本特征和变量之间的关系，为后续模型的构建和实证分析做好充分准备。实证分析：实证分析是本文研究的核心部分。本部分运用处理好的数据，基于SES、MES模型对我国金融机构的系统性风险进行实证测度。通过建立计量经济模型，将金融机构的资产规模、杠杆率、收益率等相关变量纳入模型中，以量化金融机构对系统性风险的贡献程度。利用历史数据对模型进行估计和校准，得到不同金融机构在不同时期的系统性风险指标值。对实证结果进行详细分析，研究不同金融机构系统性风险的差异，比较银行、证券、保险等不同类型金融机构的风险贡献度，分析其原因，如业务模式、资产结构、监管环境等因素对风险的影响。探讨系统性风险的动态变化趋势，分析随着时间推移、市场环境变化，金融机构系统性风险的演变情况，以及宏观经济因素、政策调整等对风险趋势的影响。结论与建议：本部分总结实证研究的主要结论，概括我国金融机构系统性风险的总体特征、不同机构的风险差异以及风险的动态变化规律。基于研究结论，从金融监管部门和金融机构两个层面提出针对性的建议。对于金融监管部门，建议加强对系统重要性金融机构的监管，根据风险测度结果，制定差异化的监管政策，提高资本充足率要求、加强风险管理监督等，以降低系统性风险；完善宏观审慎监管框架，关注金融体系的整体稳定性，加强对市场联动性和风险传导的监测，及时采取逆周期调节措施。对于金融机构，建议加强风险管理，建立健全风险评估和预警机制，优化业务结构，降低风险敞口；加强与其他机构的合作与信息共享，共同应对系统性风险挑战。还对未来研究方向进行展望，提出可进一步研究的问题和改进方法，为后续研究提供参考。本文的研究框架呈现出清晰的逻辑结构。首先在引言部分阐述研究背景、意义、方法和创新点，引出研究主题；接着在理论基础部分介绍系统性风险的相关理论和模型，为研究提供理论支撑；然后在数据选取与处理部分准备好实证研究所需的数据；再通过实证分析部分运用模型进行测度和分析，得出研究结果；最后在结论与建议部分总结研究成果，提出建议并展望未来研究方向。各部分紧密相连，层层递进，共同完成对我国金融机构系统性风险测度的研究。二、理论基础与文献综述2.1系统性风险概念及理论系统性风险是金融领域中一个至关重要的概念，其定义、特征和形成机制对于理解金融市场的运行和稳定性具有关键意义。系统性风险是指由于金融体系中部分或全部金融机构遭受重大损失或功能失调，从而对实体经济产生严重负面影响的风险。国际货币基金组织（IMF）将其定义为可能导致金融体系部分或全部受损，并对实体经济造成严重负面影响的风险。金融稳定委员会（FSB）也指出，系统性风险是指经济周期、宏观经济政策变动和外部金融冲击等风险因素使得一国金融体系发生动荡，对国际金融体系和全球实体经济都会产生巨大的负外部性效应。这些定义都强调了系统性风险的全局性和对实体经济的严重影响。系统性风险具有全局性，它并非局限于单个金融机构或某个金融市场，而是能够波及整个金融体系以及与之紧密相连的实体经济。2008年全球金融危机爆发，美国次贷危机引发了全球金融市场的剧烈动荡，众多金融机构面临巨额亏损甚至破产，实体经济也陷入严重衰退，失业率大幅上升，经济增长停滞。这种全局性的风险使得整个经济体系都面临巨大的挑战，对社会经济的各个层面都产生了深远的影响。传染性是系统性风险的另一个显著特征。在金融体系中，各金融机构之间通过复杂的业务往来和资金纽带紧密相连，一旦某个关键金融机构出现问题，风险会迅速在金融机构之间传播，如同病毒一般扩散至整个金融网络。一家银行的倒闭可能引发储户对其他银行的信任危机，导致挤兑现象的发生，进而使其他银行也面临流动性困境，最终引发整个银行体系的不稳定。这种传染性会加剧风险的扩散和放大，使得风险的影响范围迅速扩大，对金融体系的稳定性造成严重威胁。系统性风险还具有巨大的破坏力。一旦系统性风险爆发，往往会引发金融市场的剧烈动荡，资产价格暴跌，金融机构资产减值，资金链断裂，导致大量企业破产倒闭，失业率急剧上升，经济陷入衰退。1929-1933年的经济大萧条，股市崩盘，银行大量倒闭，企业纷纷破产，失业率高达25%以上，整个经济陷入了长期的停滞和衰退，给社会带来了巨大的痛苦和损失。这种巨大的破坏力不仅会对当前的经济造成严重影响，还可能对未来的经济发展产生长期的负面影响，阻碍经济的复苏和增长。系统性风险的形成机制较为复杂，涉及宏观经济因素、金融市场自身因素以及金融机构行为等多个方面。宏观经济因素在系统性风险的形成中起着重要作用。经济衰退时，企业盈利能力下降，偿债能力减弱，导致银行不良贷款增加，资产质量恶化，从而引发金融体系的不稳定。通货膨胀失控会导致货币贬值，实际利率下降，资产价格波动加剧，影响金融市场的正常运行。利率大幅波动会使债券价格变动，企业融资成本变化，金融机构资产负债结构调整，增加金融体系的风险。汇率剧烈震荡会阻碍国际贸易，导致外汇资产价值波动，增加跨国金融交易风险，进而影响金融体系的稳定性。金融市场自身因素也是系统性风险形成的重要原因。金融创新在推动金融市场发展的也带来了新的风险。金融衍生品的复杂性和高杠杆性增加了金融市场的不确定性，一旦市场出现不利变化，可能引发连锁反应，导致系统性风险的爆发。金融机构之间的关联日益紧密，通过资产负债表、同业业务、支付清算系统等多种渠道相互联系，形成了复杂的金融网络。这种紧密的关联使得风险在金融机构之间更容易传播和放大，一个小的风险事件可能在金融网络中迅速扩散，引发系统性风险。金融市场的羊群效应和过度反应也会加剧系统性风险的形成。当市场出现恐慌情绪时，投资者往往会盲目跟风抛售资产，导致资产价格过度下跌，进一步加剧市场的不稳定。金融机构的行为也会对系统性风险的形成产生影响。金融机构为追求高收益而过度承担风险，如过度放贷、过度投资高风险资产等，会增加自身的风险敞口，一旦市场形势逆转，可能面临巨大的损失，进而影响整个金融体系的稳定。金融机构的风险管理能力不足，无法及时识别、评估和控制风险，也会导致风险的积累和爆发。金融机构之间的竞争压力可能导致其采取不正当的竞争手段，如降低贷款标准、过度创新等，从而增加金融体系的风险。系统性风险对金融体系和实体经济的影响是多方面的，且极为深远。在金融体系方面，系统性风险会导致金融机构的资产质量恶化，不良贷款增加，资本充足率下降，从而削弱金融机构的稳健性和抗风险能力。金融市场的波动性大幅增加，资产价格暴跌，市场流动性枯竭，交易活跃度下降，金融市场的资源配置功能受到严重损害。金融机构之间的信任受到冲击，同业拆借市场和债券市场等金融市场的正常运行受到阻碍，金融体系的稳定性受到严重威胁。对实体经济而言，系统性风险会使企业融资难度加大，融资成本上升，导致企业投资减少，生产规模收缩，进而影响经济增长。失业率上升，大量工人失业，居民收入减少，消费能力下降，进一步抑制经济的复苏和发展。系统性风险还会破坏经济的信心和预期，使得企业和投资者对未来经济前景感到悲观，从而减少投资和消费，延缓经济的恢复进程。综上所述，系统性风险是金融领域中一个具有重要影响力的概念，其定义、特征和形成机制复杂多样，对金融体系和实体经济都产生着巨大的影响。深入研究系统性风险，对于防范和化解金融风险、维护金融稳定和促进经济可持续发展具有至关重要的意义。2.2系统性风险测度方法综述系统性风险测度方法在金融风险管理领域至关重要，随着金融市场的发展与变革，众多测度方法应运而生。传统的风险测度方法主要包括在险价值（VaR）、条件在险价值（CoVaR）等，它们在不同程度上为风险评估提供了量化工具。VaR是一种被广泛应用的风险度量指标，它表示在一定的置信水平和持有期内，投资组合可能遭受的最大损失。在95%的置信水平下，某投资组合的VaR值为100万元，意味着在未来一段时间内，该投资组合有95%的可能性损失不会超过100万元。VaR方法具有直观、易于理解和计算相对简便的优点，能够帮助投资者和金融机构快速了解自身面临的潜在风险规模，在投资组合管理、风险控制等方面得到了广泛应用。VaR方法也存在一些局限性，它无法准确度量极端风险事件发生时的损失程度，当市场出现极端波动时，基于VaR的风险评估可能会严重低估风险，而且VaR不满足次可加性，这意味着投资组合的VaR值可能大于各组成部分VaR值之和，与分散投资降低风险的直觉相悖。CoVaR是在VaR的基础上发展起来的一种测度系统性风险的方法，它主要用于衡量当某一金融机构处于困境时，整个金融体系的风险水平，即条件风险价值。Adrian和Brunnermeier提出的CoVaR方法，通过分位数回归技术来估计金融机构之间的风险溢出效应。CoVaR能够捕捉到金融机构之间的风险关联和溢出效应，对于评估系统性风险具有重要意义，有助于监管部门识别系统重要性金融机构，加强对这些机构的监管，以降低系统性风险的发生概率。CoVaR方法计算过程较为复杂，对数据的质量和数量要求较高，在实际应用中可能会受到数据可得性和模型设定的限制。而且CoVaR不具有可加性，即个体金融机构的系统性风险之和并不等于整个金融体系的系统性风险，这在一定程度上影响了其对整体系统性风险的评估准确性。边际预期损失（MES）模型是一种基于市场数据的系统性风险测度方法，由Acharya等人提出。MES模型主要衡量当整个金融体系处于困境时，单个金融机构的预期损失程度，反映了该机构在系统性风险事件中的脆弱性。当金融市场出现大幅下跌，处于危机状态时，某银行的MES值较高，说明该银行在这种情况下可能遭受较大的损失，对系统性风险的贡献也较大。MES模型能够直接反映金融机构在系统性风险事件中的损失情况，为评估金融机构对系统性风险的边际贡献提供了一个直观的指标，有助于监管部门和金融机构识别出那些在危机中容易受到冲击且对系统性风险影响较大的机构，从而有针对性地采取监管措施和风险管理策略。系统性预期缺口（SES）模型则是在MES模型的基础上进一步发展而来，它不仅考虑了金融机构在金融体系困境时的预期损失，还综合考虑了金融机构在不同市场条件下对系统性风险的贡献。SES模型通过计算金融机构在危机时期的预期资本短缺程度，更全面地评估了金融机构对金融体系稳定性的潜在影响。某金融机构在正常市场条件下对系统性风险的贡献较小，但在市场波动加剧或危机时期，其SES值大幅上升，表明该机构在市场不稳定时对系统性风险的影响显著增加。SES模型相比MES模型，能够更全面地刻画金融机构在不同市场环境下对系统性风险的作用，为金融监管和风险管理提供了更丰富的信息，有助于监管部门制定更全面、更有效的宏观审慎监管政策。在实际应用中，SES和MES模型具有一些显著的优势。这两个模型都基于市场数据进行计算，市场数据具有高频、实时的特点，能够及时反映金融市场的动态变化，使得模型能够更及时地捕捉到系统性风险的变化趋势，为监管部门和金融机构提供更具时效性的风险评估结果。它们能够较好地捕捉金融机构之间的风险关联和传染效应，通过量化金融机构在系统性风险事件中的损失程度，揭示了金融机构之间风险传递的路径和强度，有助于深入理解系统性风险的形成和传播机制。许多学者运用SES和MES模型对不同国家和地区的金融机构系统性风险进行了研究。国外学者通过对美国金融市场的研究发现，在2008年全球金融危机期间，一些大型金融机构的SES和MES值大幅上升，表明这些机构在危机中对系统性风险的贡献显著增加，成为引发和加剧系统性风险的重要因素。国内学者对我国金融机构的研究也表明，SES和MES模型能够有效地识别出我国金融机构中对系统性风险贡献较大的机构，如部分大型商业银行和证券公司，并且能够分析出不同类型金融机构系统性风险的差异和变化趋势。SES和MES模型在系统性风险测度方面具有独特的优势和重要的应用价值，能够为金融监管和风险管理提供有力的支持。然而，这两个模型也并非完美无缺，在实际应用中仍需结合其他风险测度方法和分析手段，以更全面、准确地评估系统性风险。2.3国内外研究现状在金融领域，系统性风险测度一直是研究的热点和重点，国内外学者围绕该主题展开了广泛而深入的研究，取得了丰硕的成果。国外学者在系统性风险测度方面起步较早，进行了大量开创性的研究。Adrian和Brunnermeier提出的CoVaR方法，通过分位数回归技术来估计金融机构之间的风险溢出效应，为系统性风险测度提供了重要的思路和方法，该方法被广泛应用于评估金融机构对系统性风险的贡献，众多学者在此基础上对不同国家和地区的金融机构进行了实证研究，分析了金融机构之间的风险关联和系统性风险的传播机制。Acharya等人提出的MES模型，从金融机构在金融体系困境时的预期损失角度，量化了单个金融机构对系统性风险的边际贡献，为系统性风险测度提供了新的视角，许多研究运用MES模型对金融机构在危机时期的风险状况进行了分析，探讨了金融机构的脆弱性与系统性风险之间的关系。Brownlees和Engle提出的SRISK模型，综合考虑了金融机构的杠杆率、规模和市场价值等因素，通过计算金融机构在市场下跌时的资本短缺程度来衡量系统性风险贡献，该模型在系统性风险评估中得到了一定的应用，有助于识别系统重要性金融机构，为金融监管提供参考。国内学者在借鉴国外研究成果的基础上，结合我国金融市场的实际情况，对系统性风险测度也进行了深入研究。部分学者运用CoVaR模型对我国金融机构的系统性风险进行测度，分析了不同金融机构之间的风险溢出效应以及系统性风险的动态变化特征，发现我国金融机构之间存在较强的风险关联，且在市场波动较大时，风险溢出效应更为明显。一些学者采用MES模型和SES模型，对我国银行、证券、保险等金融机构的系统性风险贡献进行了实证分析，研究结果表明，不同类型金融机构的系统性风险贡献存在差异，大型金融机构通常对系统性风险的影响较大。还有学者从宏观经济因素、金融市场结构等多个角度，探讨了我国系统性风险的形成机制和影响因素，认为宏观经济波动、金融创新、金融监管等因素对我国系统性风险水平有着重要影响。尽管国内外学者在系统性风险测度方面取得了众多成果，但当前研究仍存在一些不足之处。部分测度方法对数据的质量和数量要求较高，在实际应用中可能受到数据可得性的限制，导致模型的准确性和可靠性受到影响。一些模型在假设条件上较为严格，难以完全适应复杂多变的金融市场环境，对极端风险事件的捕捉能力有待提高。现有研究在系统性风险的传导机制和溢出效应方面的研究还不够深入，对不同金融市场之间以及金融机构与实体经济之间的风险传导路径和相互作用的认识还不够全面。大多数研究主要关注金融机构的系统性风险贡献，对金融机构系统性风险的动态演化过程以及风险预警方面的研究相对较少。本文正是基于当前研究的不足展开研究，运用SES、MES模型对我国金融机构的系统性风险进行测度，通过选取更具代表性和广泛性的样本数据，优化模型设定，以提高测度的准确性和可靠性。深入分析我国金融机构系统性风险的特征、动态变化趋势以及影响因素，进一步探讨系统性风险的传导机制和溢出效应，为金融监管部门制定科学合理的监管政策提供更有力的理论支持和实证依据。三、SES和MES模型介绍3.1SES模型原理与构造系统性预期短缺（SES）模型作为一种重要的系统性风险测度工具，在金融风险管理领域发挥着关键作用，其原理基于金融机构在不同市场条件下的预期损失与系统性风险之间的紧密联系。SES模型旨在衡量在特定市场条件下，当金融体系处于困境时，单个金融机构的预期资本短缺程度，以此来评估该金融机构对系统性风险的贡献。具体而言，SES模型假设金融体系的风险状况可以通过市场指数的收益率来反映，当市场指数收益率处于较低水平，即金融体系陷入困境时，分析单个金融机构的资产价值变化以及预期损失情况，从而确定其对系统性风险的潜在影响。从数学角度来看，SES模型的计算涉及到多个关键步骤。首先，需要确定金融体系处于困境的标准，通常以市场指数收益率的分位数来表示。在95%的置信水平下，选取市场指数收益率的5%分位数作为金融体系困境的阈值。当市场指数收益率低于这个阈值时，认为金融体系处于困境状态。对于单个金融机构，其SES的计算基于该机构在金融体系困境状态下的预期损失。假设金融机构i的资产价值为Vi，在市场困境时期，资产价值的变化可以通过其收益率ri来衡量。金融机构i在市场困境时期的预期损失可以表示为E[ri|rm<q]，其中rm为市场指数收益率，q为市场困境阈值。通过对金融机构i在市场困境时期的预期损失进行计算，得到其在困境时期的预期资产价值Vi*=Vi(1+E[ri|rm<q])。金融机构i的系统性预期短缺SES(i)则定义为其在正常市场条件下的资产价值与困境时期预期资产价值的差值，即SES(i)=Vi-Vi*。这一差值反映了金融机构i在金融体系困境时的预期资本短缺程度，差值越大，说明该金融机构在困境时期的资本短缺越严重，对系统性风险的贡献也就越大。为了更直观地理解SES模型的计算过程，以某银行A为例。假设银行A的初始资产价值为100亿元，通过对历史数据的分析，在市场指数收益率低于5%分位数（即市场困境时期）时，银行A的平均收益率为-10%。根据上述计算方法，银行A在困境时期的预期资产价值Vi*=100×(1-10%)=90亿元。则银行A的系统性预期短缺SES(A)=100-90=10亿元，这表明在市场困境时期，银行A预计会出现10亿元的资本短缺，对系统性风险具有一定的贡献。SES模型在测度系统性风险中具有重要作用。它能够全面地评估金融机构在不同市场条件下对系统性风险的贡献，不仅考虑了金融机构在正常市场环境下的风险状况，更关注其在金融体系面临困境时的表现，为金融监管部门和金融机构提供了一个更为全面、动态的风险评估视角。通过SES模型的测度结果，监管部门可以识别出那些在系统性风险事件中可能面临较大资本短缺、对金融体系稳定性影响较大的金融机构，从而将这些机构作为监管重点，加强对其资本充足率、风险管理等方面的监管要求，降低系统性风险的发生概率。对于金融机构自身而言，SES模型的测度结果有助于其深入了解自身在系统性风险中的暴露程度，识别出潜在的风险点，从而有针对性地调整业务策略，优化资产配置，加强风险管理，提高自身的抗风险能力。综上所述，SES模型通过对金融机构在金融体系困境时的预期资本短缺程度的量化分析，为系统性风险测度提供了一种有效的工具，在金融风险管理和监管中具有重要的应用价值。3.2MES模型原理与构造边际预期损失（MES）模型作为系统性风险测度的重要工具，为评估单个金融机构在金融体系困境时的风险贡献提供了独特视角，其原理基于金融市场的波动性和金融机构之间的风险关联。MES模型主要衡量当整个金融体系处于困境时，单个金融机构的预期损失程度，反映了该机构在系统性风险事件中的脆弱性。当金融市场遭遇重大冲击，如股票市场大幅下跌、债券市场违约率上升等，导致整个金融体系陷入困境时，MES模型通过分析单个金融机构的资产价值变化和预期损失，来量化其对系统性风险的边际贡献。如果在金融体系困境时期，某金融机构的MES值较高，意味着该机构在这种不利市场条件下可能遭受较大的损失，进而对整个金融体系的稳定性产生较大的负面影响，成为系统性风险的重要来源之一。MES模型的计算过程涉及多个关键步骤。首先，需要确定金融体系处于困境的状态。通常以市场指数收益率的某个较低分位数作为金融体系困境的界定标准，在95%的置信水平下，选取市场指数收益率的5%分位数，当市场指数收益率低于这个分位数时，认为金融体系处于困境状态。这一选择是基于对金融市场历史数据的分析和统计，旨在捕捉金融市场出现极端不利情况时的风险状况。对于单个金融机构，其MES的计算基于该机构在金融体系困境状态下的预期收益率。假设金融机构i的收益率为ri，市场指数收益率为rm。通过对历史数据的分析，建立金融机构i的收益率与市场指数收益率之间的关系模型，如线性回归模型ri=αi+βirm+εi，其中αi为截距项，βi为斜率系数，反映了金融机构i的收益率对市场指数收益率变化的敏感程度，εi为随机误差项。在确定金融体系处于困境的状态下（即rm<q，q为市场困境阈值），利用上述关系模型预测金融机构i的预期收益率E[ri|rm<q]。金融机构i的边际预期损失MES(i)则定义为其在金融体系困境状态下的预期收益率与正常市场条件下的平均收益率之差的相反数，即MES(i)=-(E[ri|rm<q]-E[ri])。这一计算方式反映了金融机构i在金融体系困境时相对于正常市场条件下预期损失的增加程度，MES(i)值越大，说明该金融机构在困境时期的预期损失越大，对系统性风险的贡献也就越大。为了更清晰地理解MES模型的计算过程，以某证券公司B为例。假设通过对历史数据的分析，建立了该证券公司B的收益率与市场指数收益率之间的线性回归模型：rB=0.05+1.2rm+εB。在正常市场条件下，该证券公司B的平均收益率E[rB]为10%。当市场指数收益率低于5%分位数（即市场困境时期），假设预测得到该证券公司B的预期收益率E[rB|rm<q]为-15%。则该证券公司B的边际预期损失MES(B)=-(-15%-10%)=25%，这表明在金融体系困境时期，该证券公司B的预期损失相对于正常市场条件下增加了25%，对系统性风险具有较大的贡献。MES模型在系统性风险测度中具有重要的应用场景。对于金融监管部门而言，通过计算各金融机构的MES值，可以识别出那些在金融体系困境时对系统性风险贡献较大的机构，即系统重要性金融机构。监管部门可以针对这些机构制定更为严格的监管政策，如提高资本充足率要求、加强风险管理监督、限制业务范围等，以降低其对系统性风险的影响，维护金融体系的稳定。对于金融机构自身，MES模型可以帮助其评估自身在系统性风险事件中的风险暴露程度，识别出对自身风险影响较大的市场因素和风险来源。金融机构可以根据MES模型的测度结果，调整自身的业务结构和资产配置，加强风险管理措施，提高自身的抗风险能力。MES模型与SES模型存在密切的关系。两者都基于金融机构在金融体系困境时的风险状况来评估系统性风险贡献，都是对金融机构在极端市场条件下风险表现的量化分析。它们在计算方法和侧重点上存在一些差异。MES模型主要关注单个金融机构在金融体系困境时的预期损失程度，侧重于衡量金融机构自身的风险脆弱性；而SES模型则在MES模型的基础上，进一步考虑了金融机构在不同市场条件下的资本短缺情况，更全面地评估了金融机构对金融体系稳定性的潜在影响。在实际应用中，两者可以相互补充，共同为系统性风险测度和金融监管提供有力的支持。综上所述，MES模型通过对金融机构在金融体系困境时预期损失程度的量化分析，为系统性风险测度提供了一种重要的方法，在金融风险管理和监管中具有广泛的应用价值。3.3模型优势与局限性分析SES和MES模型在系统性风险测度领域具有独特的优势，为金融监管和风险管理提供了有力的支持，同时也存在一定的局限性，在实际应用中需要充分考虑。SES和MES模型的优势较为显著。这两个模型对尾部风险的捕捉能力较强。金融市场中，尾部风险事件虽然发生概率较低，但一旦发生往往会对金融体系造成巨大冲击。SES模型通过衡量金融机构在金融体系困境时的预期资本短缺程度，能够有效捕捉到金融机构在极端市场条件下的风险暴露情况，揭示其对系统性风险的潜在影响。MES模型则直接关注金融机构在金融体系陷入困境时的预期损失程度，能够清晰地反映出金融机构在尾部风险事件中的脆弱性。在2008年全球金融危机期间，许多金融机构的SES和MES值大幅上升，表明这两个模型能够及时准确地捕捉到金融机构在极端市场环境下的风险状况，为监管部门和金融机构提供了重要的风险预警信号。基于市场数据进行计算是这两个模型的一大特点，这使得它们具有较高的时效性。市场数据能够实时反映金融市场的动态变化，通过对市场数据的分析，SES和MES模型可以及时捕捉到系统性风险的变化趋势。金融市场的波动、投资者情绪的变化等信息都会迅速体现在市场数据中，模型能够根据这些实时数据及时调整对系统性风险的测度，为金融监管和风险管理提供及时、准确的决策依据。相比一些基于历史数据或静态假设的风险测度方法，SES和MES模型能够更好地适应金融市场的快速变化，提高风险监测的及时性和有效性。它们还能够较好地捕捉金融机构之间的风险关联和传染效应。在金融体系中，各金融机构之间存在着复杂的业务往来和资金纽带，风险会在机构之间迅速传播。SES和MES模型通过量化金融机构在系统性风险事件中的损失程度，能够揭示金融机构之间风险传递的路径和强度。当一家金融机构的SES或MES值上升时，可能意味着该机构面临的风险增加，并且这种风险有可能通过各种渠道传染给其他金融机构，从而引发系统性风险。通过对这些风险关联和传染效应的分析，监管部门可以制定更有针对性的监管政策，加强对金融机构之间风险传递的防范和控制。SES和MES模型也存在一些局限性。数据要求高是其面临的一个主要问题。这两个模型的计算依赖于大量的市场数据和金融机构的财务数据，数据的质量和完整性对模型的准确性和可靠性有着重要影响。需要准确获取金融机构的资产负债表数据、股票价格数据、市场交易数据等，并且这些数据需要具有较长的时间跨度和较高的频率，以保证模型能够充分捕捉到金融机构的风险特征和市场的动态变化。在实际应用中，由于数据来源的限制、数据收集的难度以及数据质量的参差不齐，可能无法获取到满足模型要求的数据，从而影响模型的应用效果。金融机构的财务数据可能存在披露不充分、不准确的情况，市场数据也可能受到市场操纵、信息不对称等因素的干扰，这些都会降低数据的质量，进而影响模型的测度结果。模型假设的合理性也是需要考虑的问题。SES和MES模型在构建过程中基于一些假设条件，这些假设在一定程度上简化了复杂的金融市场现实。模型假设金融机构的收益率服从某种特定的分布，市场环境是相对稳定的等。在实际金融市场中，这些假设往往难以完全成立。金融市场具有高度的复杂性和不确定性，金融机构的收益率分布可能呈现出非正态、厚尾等特征，市场环境也会受到宏观经济政策调整、突发事件等多种因素的影响而发生剧烈变化。当实际情况与模型假设不符时，模型的准确性和可靠性就会受到质疑，可能导致对系统性风险的测度出现偏差。在市场出现极端波动或突发事件时，基于传统假设的模型可能无法准确反映金融机构的风险状况，从而给金融监管和风险管理带来误导。SES和MES模型在系统性风险测度方面具有重要的应用价值，其对尾部风险的捕捉能力、基于市场数据的时效性以及对风险关联和传染效应的分析能力为金融监管和风险管理提供了有力的支持。在应用过程中，需要充分认识到其数据要求高和模型假设合理性等局限性，结合其他风险测度方法和分析手段，综合评估系统性风险，以提高金融风险管理的水平和效果。四、数据选取与处理4.1数据来源与样本选择为了准确测度我国金融机构的系统性风险，本研究精心选取了多维度的数据，并严格遵循一定的标准确定样本范围。金融机构数据主要来源于多个权威渠道。股价数据方面，选取了上海证券交易所和深圳证券交易所的官方网站，以及万得（Wind）金融终端作为主要数据源。这些平台提供了金融机构股票的每日交易价格、成交量、开盘价、收盘价等详细信息，能够全面反映金融机构股票在市场上的交易动态。万得金融终端凭借其强大的数据整合能力，涵盖了众多金融机构多年来的股价数据，且数据更新及时、准确，为研究提供了丰富的历史数据样本。财务报表数据则主要来自各金融机构的官方网站，以及巨潮资讯网。各金融机构会在其官方网站定期发布年度报告和中期报告，这些报告包含了详细的资产负债表、利润表、现金流量表等财务信息，是了解金融机构财务状况和经营成果的重要依据。巨潮资讯网作为专业的证券信息披露平台，集中收集了上市公司的各类公告和报告，为获取金融机构财务报表数据提供了便利。通过这些渠道获取的数据，能够准确反映金融机构的资产规模、负债结构、盈利能力、杠杆率等关键财务指标，为后续的系统性风险测度提供了坚实的数据基础。宏观经济数据对于分析系统性风险的宏观背景和影响因素具有重要意义。本研究中的宏观经济数据主要来源于国家统计局、中国人民银行和国际货币基金组织（IMF）等权威机构。国家统计局发布的国内生产总值（GDP）、通货膨胀率（CPI）、工业增加值等数据，能够全面反映我国宏观经济的运行态势和增长情况。中国人民银行提供的利率、货币供应量（M1、M2）、金融机构信贷收支等数据，对于研究金融市场的资金供求关系和货币政策对金融机构的影响至关重要。国际货币基金组织的相关报告和数据库，则为研究提供了全球经济形势和国际金融市场动态的宏观视角，有助于分析国际经济环境对我国金融机构系统性风险的影响。在样本金融机构的选取方面，遵循了全面性、代表性和数据可得性的原则。全面性体现在涵盖了银行、证券、保险等多个金融子行业，以全面反映我国金融体系的系统性风险状况。银行作为金融体系的核心组成部分，在资金融通、信用创造等方面发挥着关键作用，选取了工商银行、农业银行、中国银行、建设银行等大型国有商业银行，以及招商银行、民生银行、兴业银行等具有代表性的股份制商业银行。证券行业在资本市场中扮演着重要角色，选取了中信证券、华泰证券、国泰君安等大型证券公司。保险行业对于保障经济稳定和分散风险具有重要意义，选取了中国人寿、中国平安、中国太保等大型保险公司。代表性要求所选金融机构在各自行业中具有较大的规模、较高的市场份额和较强的影响力。大型国有商业银行资产规模庞大，业务范围广泛，在金融市场中具有举足轻重的地位，其系统性风险状况对整个金融体系具有重要影响。大型证券公司在证券承销、交易、投资咨询等业务领域具有领先优势，能够代表证券行业的发展水平和风险特征。大型保险公司拥有广泛的客户群体和雄厚的资金实力，在保险市场中占据主导地位，其经营状况和风险水平能够反映保险行业的整体情况。数据可得性也是样本选取的重要考虑因素。确保所选金融机构的股价数据、财务报表数据以及相关宏观经济数据能够从上述数据来源中完整、准确地获取。对于一些数据披露不充分或难以获取的金融机构，予以排除，以保证研究数据的可靠性和完整性。通过以上严格的数据来源选择和样本选取标准，本研究构建了一个全面、准确、可靠的数据集，为运用SES、MES模型对我国金融机构系统性风险进行实证测度提供了有力的数据支持。4.2数据预处理在获取了丰富的金融机构数据后，为确保数据的准确性、一致性和可用性，使其符合SES、MES模型的分析要求，需要对原始数据进行一系列严格的数据预处理操作，包括数据清洗、缺失值处理、异常值处理以及数据标准化等步骤。数据清洗是预处理的首要任务，旨在去除数据中的错误、重复和无效信息，以提高数据质量。在股价数据中，可能存在由于数据传输错误或交易系统故障导致的异常价格记录，这些错误数据会严重影响模型的分析结果。通过编写程序代码，运用Python中的Pandas库对股价数据进行逐行检查，根据金融市场的常识和历史数据的统计特征，设定合理的价格波动范围，如股票价格的日涨跌幅通常在一定范围内，超过该范围的价格数据被视为异常数据，予以剔除。对于财务报表数据，可能存在格式不一致、数据类型错误等问题，需要进行格式转换和数据类型检查。使用Excel的数据分列功能和数据类型转换工具，将财务数据按照统一的格式进行整理，如将日期格式统一为“YYYY-MM-DD”，将数值型数据的小数点位数进行统一规范，确保数据的一致性和准确性。缺失值处理是数据预处理中不可忽视的环节。在金融数据中，缺失值的出现较为常见，可能由于数据采集过程中的遗漏、金融机构信息披露不完整等原因导致。对于股价数据中的缺失值，采用时间序列插值法进行填补。如果某只股票在某一天的收盘价缺失，可以根据该股票前后几天的收盘价，运用线性插值或三次样条插值等方法进行估算，以保证股价数据的连续性。对于财务报表数据中的缺失值，根据数据的特征和实际情况选择合适的处理方法。对于资产规模、负债总额等关键财务指标的缺失值，如果该金融机构在其他年份有完整的数据记录，可以通过计算其历史数据的平均值或趋势值来进行填补；如果该金融机构的财务数据缺失较多，无法通过上述方法进行合理填补，则考虑将该金融机构从样本中剔除，以避免缺失值对分析结果的影响。异常值处理对于确保数据的可靠性和模型的稳定性至关重要。异常值可能是由于特殊事件、数据录入错误或金融机构的异常经营行为等原因产生的，会对数据分析结果产生较大的干扰。在识别异常值时，运用统计学方法中的箱线图（Box-Plot）对数据进行分析。对于资产负债率这一财务指标，通过计算其四分位数（Q1、Q2、Q3），确定箱线图的上下限，即下限为Q1-1.5×IQR，上限为Q3+1.5×IQR，其中IQR=Q3-Q1。如果某金融机构的资产负债率超出这个范围，则被视为异常值。对于异常值的处理，根据其产生的原因和数据的实际情况采取不同的方法。如果是由于数据录入错误导致的异常值，可以通过核实原始数据进行修正；如果是由于特殊事件导致的异常值，如某金融机构在某一年进行了重大资产重组，导致其财务指标出现异常波动，可以对该数据进行标记，并在数据分析时单独考虑该特殊情况，避免异常值对整体分析结果的影响。数据标准化是将不同量级和单位的数据转换为统一的标准形式，以便于比较和分析。在金融数据中，不同变量的数据量级和单位差异较大，如资产规模的单位通常为亿元，而收益率的单位为百分比，直接进行分析会导致模型对不同变量的敏感度不同，影响分析结果的准确性。采用Z-Score标准化方法对数据进行处理，其计算公式为：Z=\frac{x-\mu}{\sigma}，其中x为原始数据，\mu为数据的均值，\sigma为数据的标准差。通过该公式，将资产规模、杠杆率、收益率等变量的数据转换为均值为0、标准差为1的标准数据，消除了数据量级和单位的影响，使不同变量在模型分析中具有相同的权重和可比性。在使用SES、MES模型进行分析之前，对经过标准化处理的数据进行相关性分析，以确保变量之间不存在多重共线性问题，保证模型的稳定性和可靠性。通过以上一系列的数据预处理操作，有效地提高了数据的质量和可用性，为运用SES、MES模型对我国金融机构系统性风险进行准确测度奠定了坚实的数据基础。4.3变量定义与说明在运用SES、MES模型对我国金融机构系统性风险进行测度时，明确相关变量的定义与说明至关重要，这些变量将作为模型的输入数据，为准确评估系统性风险提供量化依据。市场收益率（rm）是衡量金融市场整体表现的关键指标，通常选取具有广泛代表性的市场指数收益率来表示，如沪深300指数收益率。沪深300指数由上海和深圳证券市场中市值大、流动性好的300只股票组成，能够全面反映中国A股市场的整体走势。其收益率的计算方法为：rm_{t}=\frac{P_{t}-P_{t-1}}{P_{t-1}}，其中P_{t}表示第t期沪深300指数的收盘价，P_{t-1}表示第t-1期沪深300指数的收盘价。该公式反映了市场指数在相邻两期之间的价格变化幅度，通过计算这一指标，可以直观地了解金融市场的整体涨跌情况，为分析系统性风险的宏观市场背景提供重要参考。金融机构股票收益率（ri）用于衡量单个金融机构股票价格的波动情况，它反映了该金融机构在市场中的表现和投资者对其预期。以某金融机构i为例，其股票收益率的计算公式为：ri_{t}=\frac{p_{i,t}-p_{i,t-1}}{p_{i,t-1}}，其中p_{i,t}表示金融机构i在第t期的股票收盘价，p_{i,t-1}表示金融机构i在第t-1期的股票收盘价。这一公式通过计算金融机构股票价格在相邻两期的变化率，量化了该机构股票的收益率，能够反映出市场对该金融机构的信心和预期变化，是评估其系统性风险的重要变量之一。杠杆率（Lev）是衡量金融机构财务杠杆程度的重要指标，它反映了金融机构利用债务融资的程度，对评估系统性风险具有重要意义。在本研究中，采用资产负债率来衡量金融机构的杠杆率，其计算公式为：Lev=\frac{负债总额}{资产总额}\times100\%。资产负债率越高，说明金融机构的债务负担越重，在面临市场波动或经济下行压力时，可能面临更大的偿债风险，从而对系统性风险的贡献也可能越大。以某银行为例，若其资产总额为1000亿元，负债总额为800亿元，则其杠杆率Lev=\frac{800}{1000}\times100\%=80\%，表明该银行的资产中有80%是通过负债筹集的，财务杠杆程度较高。除了上述核心变量外，为了更全面地分析金融机构系统性风险的影响因素，还引入了一些控制变量。金融机构规模（Size）是一个重要的控制变量，通常用金融机构的总资产来表示。规模较大的金融机构在金融体系中往往具有更重要的地位，其业务范围更广，与其他金融机构的关联更为紧密，一旦出现风险问题，可能对系统性风险产生更大的影响。可以采用金融机构总资产的自然对数来衡量其规模大小，即Size=ln(总资产)，这种处理方式可以使数据更加平稳，便于进行统计分析。盈利能力（ROA）也是一个关键的控制变量，用资产收益率来衡量，其计算公式为：ROA=\frac{净利润}{平均资产总额}\times100\%。资产收益率反映了金融机构运用全部资产获取利润的能力，盈利能力越强的金融机构，通常在应对风险时具有更强的缓冲能力，对系统性风险的贡献相对较小。若某金融机构的净利润为50亿元，平均资产总额为1000亿元，则其资产收益率ROA=\frac{50}{1000}\times100\%=5\%，表明该机构每100元资产能够创造5元的净利润，盈利能力处于一定水平。流动性（Liquidity）同样是一个不容忽视的控制变量，用流动比率来衡量，流动比率的计算公式为：流动比率=\frac{流动资产}{流动负债}。流动比率反映了金融机构的短期偿债能力，流动性越强的金融机构，在面临短期资金需求或市场流动性紧张时，能够更从容地应对，降低系统性风险的发生概率。如果某金融机构的流动资产为200亿元，流动负债为100亿元，则其流动比率=\frac{200}{100}=2，说明该机构的流动资产是流动负债的2倍，短期偿债能力较强。通过明确上述变量的定义和计算方法，为运用SES、MES模型进行系统性风险测度奠定了坚实的基础，这些变量能够从不同角度反映金融机构的风险特征和市场表现，有助于深入分析我国金融机构系统性风险的形成机制和影响因素。五、基于SES和MES模型的实证分析5.1模型估计与结果在完成数据的选取与预处理，并明确了相关变量的定义后，运用选定的数据对SES和MES模型进行参数估计，以量化我国金融机构的系统性风险。采用时间序列回归方法对MES模型进行参数估计。以金融机构股票收益率（ri）为被解释变量，市场收益率（rm）为解释变量，建立如下线性回归模型：ri=αi+βirm+εi。利用Eviews软件对样本数据进行回归分析，得到各金融机构的αi和βi估计值，进而根据MES的定义计算出各金融机构在不同市场条件下的边际预期损失（MES）值。对于工商银行，通过回归分析得到αi=0.005，βi=0.8。假设在市场困境时期（rm<q，q为市场困境阈值），市场收益率rm的均值为-10%，正常市场条件下工商银行股票收益率的均值E[ri]为5%。根据MES的计算公式MES(i)=-(E[ri|rm<q]-E[ri])，其中E[ri|rm<q]=αi+βiE[rm|rm<q]=0.005+0.8×(-10%)=-0.075，则工商银行的MES值为MES(工商银行)=-(-0.075-0.05)=0.125，这表明在金融体系困境时期，工商银行的预期损失相对于正常市场条件下增加了12.5%。对于SES模型，其计算依赖于金融机构在市场困境时期的预期资本短缺程度。首先确定金融体系处于困境的标准，选取市场指数收益率的5%分位数作为市场困境阈值。当市场指数收益率低于该阈值时，计算金融机构的预期资产价值。假设金融机构i的初始资产价值为Vi，通过MES模型得到其在市场困境时期的预期收益率E[ri|rm<q]，则其在困境时期的预期资产价值Vi*=Vi(1+E[ri|rm<q])。金融机构i的系统性预期短缺SES(i)=Vi-Vi*。以中国人寿为例，假设其初始资产价值Vi为5000亿元，通过MES模型计算得到在市场困境时期的预期收益率E[ri|rm<q]为-8%，则其在困境时期的预期资产价值Vi*=5000×(1-8%)=4600亿元，中国人寿的系统性预期短缺SES(中国人寿)=5000-4600=400亿元，说明在市场困境时期，中国人寿预计会出现400亿元的资本短缺。经过对样本中各金融机构的计算，得到了我国主要金融机构的SES和MES值，具体结果如表1所示：金融机构SES（亿元）MES（%）工商银行35012.5农业银行30011.0中国银行32012.0建设银行33012.2招商银行28013.0民生银行31014.5兴业银行30514.0中信证券18016.0华泰证券16015.5国泰君安17015.8中国人寿40010.5中国平安38011.0中国太保36010.8从表1中可以看出，不同金融机构的SES和MES值存在明显差异。银行类金融机构中，工商银行、农业银行、中国银行和建设银行作为国有大型商业银行，其SES值相对较高，表明在市场困境时期，这些银行面临的资本短缺风险较大，对系统性风险的贡献也较为显著。从MES值来看，民生银行和兴业银行的MES值相对较高，说明这两家银行在金融体系困境时的预期损失程度较大，对系统性风险的边际贡献较为突出。证券类金融机构的SES值相对较低，但MES值普遍较高，如中信证券、华泰证券和国泰君安，这表明证券类金融机构在市场波动时，自身的风险暴露程度较大，虽然资本短缺风险相对较小，但在金融体系困境时可能遭受较大的损失，对系统性风险的贡献不容忽视。保险类金融机构中，中国人寿的SES值最高，反映出其在市场困境时期面临较大的资本短缺风险，而保险类金融机构的MES值相对较低，说明其在金融体系困境时的预期损失程度相对较小。通过对SES和MES模型的参数估计和结果分析，初步揭示了我国不同类型金融机构的系统性风险状况，为进一步深入分析系统性风险的影响因素和制定相应的风险防范策略提供了重要的数据支持。5.2系统性风险测度与评估基于上述模型估计结果，对我国金融机构的系统性风险水平展开深入评估，并细致剖析不同类型金融机构之间的风险差异。从整体风险水平来看，我国金融机构的系统性风险呈现出一定的分化态势。部分金融机构的SES和MES值相对较高，表明这些机构在系统性风险事件中面临较大的资本短缺风险和预期损失，对系统性风险的贡献较大，是金融体系中的风险重点关注对象。而另一部分金融机构的SES和MES值相对较低，其在系统性风险事件中的风险暴露相对较小，对系统性风险的影响相对较弱。不同类型金融机构之间存在明显的风险差异。银行类金融机构由于其在金融体系中的核心地位和庞大的资产规模，对系统性风险的影响较为显著。国有大型商业银行的SES值普遍较高，这主要是因为其资产规模巨大，业务范围广泛，与实体经济和其他金融机构的联系紧密。在经济下行或金融市场动荡时期，国有大型商业银行可能面临较大的资产减值风险和流动性压力，导致资本短缺风险增加。一旦国有大型商业银行出现问题，其风险会迅速在金融体系内扩散，引发连锁反应，对整个金融体系的稳定性造成严重冲击。股份制商业银行中，民生银行和兴业银行等的MES值较高，说明这些银行在金融体系困境时的预期损失程度较大。股份制商业银行在业务拓展过程中，可能更加注重市场份额和盈利增长，风险偏好相对较高，业务创新和扩张速度较快，导致资产质量和风险管理面临一定挑战。在金融市场波动加剧时，这些银行更容易受到冲击，资产价格下跌，不良贷款增加，从而对系统性风险的边际贡献较为突出。证券类金融机构的风险特征与银行类金融机构有所不同。其SES值相对较低，这是因为证券类金融机构的资产结构相对灵活，资本流动性较强，在市场波动时能够相对快速地调整资产配置，减少资本短缺风险。证券类金融机构的MES值普遍较高，这表明在金融体系困境时，证券类金融机构自身的风险暴露程度较大。证券市场具有较高的波动性和不确定性，证券类金融机构的业务与证券市场紧密相关，如证券承销、自营业务、资产管理等。当证券市场出现大幅下跌或市场恐慌情绪蔓延时，证券类金融机构的投资组合价值可能大幅缩水，自营业务亏损增加，客户赎回压力增大，导致其在金融体系困境时面临较大的预期损失。中信证券在市场大幅下跌时，其股票自营业务可能遭受较大损失，资产管理业务也可能面临客户大量赎回的压力，从而对系统性风险产生较大影响。保险类金融机构的风险表现也具有一定的特点。中国人寿的SES值最高，反映出其在市场困境时期面临较大的资本短缺风险。保险类金融机构的业务特点决定了其资产负债期限错配问题较为突出，资金运用周期较长，而负债端面临一定的流动性需求。在市场波动较大或经济形势不稳定时，保险类金融机构的投资资产可能面临减值风险，同时客户的退保和理赔需求可能增加，导致资本短缺风险上升。保险类金融机构的MES值相对较低，说明其在金融体系困境时的预期损失程度相对较小。保险类金融机构通常具有较为稳定的现金流和较强的风险分散能力，通过多元化的投资组合和再保险安排，能够在一定程度上降低风险。保险资金主要投资于固定收益类资产，收益相对稳定，再保险机制可以将部分风险转移给其他保险公司，从而减轻自身在金融体系困境时的损失。我国不同类型金融机构在系统性风险水平和风险特征上存在明显差异，这种差异与各金融机构的业务模式、资产结构、风险偏好以及监管环境等因素密切相关。金融监管部门在制定监管政策时，应充分考虑这些差异，实施差异化的监管策略，对不同类型金融机构进行有针对性的监管，以有效防范和化解系统性金融风险，维护金融体系的稳定。5.3动态变化分析为深入探究我国金融机构系统性风险的动态变化特征，将样本数据按时间顺序划分为多个时间段，分别计算各时间段内金融机构的SES和MES值，以此来分析系统性风险随时间的波动情况，并进一步探讨宏观经济环境变化对风险的影响。从时间序列角度观察，我国金融机构的系统性风险呈现出明显的周期性波动特征。在经济上行期，金融机构的SES和MES值相对较低，表明系统性风险处于相对稳定的状态。在2010-2012年期间，我国经济保持着较为稳定的增长态势，国内生产总值（GDP）增长率维持在较高水平，金融市场整体较为平稳。这一时期，银行类金融机构的资产质量相对较好，不良贷款率较低，证券类金融机构的业务发展较为顺利，市场活跃度较高，保险类金融机构的保费收入稳步增长，投资收益较为稳定。这些因素使得金融机构在经济上行期的风险承受能力较强，对系统性风险的贡献相对较小，SES和MES值也相应较低。当经济进入下行期或面临外部冲击时，金融机构的SES和MES值会显著上升，系统性风险迅速增加。2008年全球金融危机爆发，我国金融市场受到强烈冲击，股票市场大幅下跌，金融机构的资产价值缩水，风险暴露加剧。在这一时期，银行类金融机构面临着不良贷款率上升、资本充足率下降的压力，证券类金融机构的自营业务和资产管理业务遭受重创，保险类金融机构的投资资产减值，客户退保压力增大。这些问题导致金融机构的SES和MES值大幅攀升，系统性风险急剧增加，对金融体系的稳定性构成了严重威胁。宏观经济环境的变化对金融机构系统性风险有着重要影响，其中宏观经济增长是一个关键因素。当宏观经济增长放缓时，企业的盈利能力下降，偿债能力减弱，导致银行的不良贷款增加，资产质量恶化。企业由于经营困难，可能无法按时偿还银行贷款，使得银行的不良贷款率上升，资本充足率下降，从而增加了银行对系统性风险的贡献。经济增长放缓还会导致证券市场和保险市场的需求下降，证券类金融机构的业务量减少，市场活跃度降低，保险类金融机构的保费收入增长乏力，投资收益受到影响。这些因素都会使得金融机构的SES和MES值上升，系统性风险增加。利率和汇率的波动也会对金融机构系统性风险产生影响。利率上升会导致债券价格下跌，金融机构持有的债券资产价值缩水，同时企业的融资成本增加，偿债压力增大，进一步加剧了金融机构的风险。如果市场利率从3%上升到5%，债券价格会相应下跌，金融机构持有债券的市值将减少，资产质量下降。企业的贷款利息支出增加，利润空间被压缩，还款能力受到影响，银行的不良贷款风险增加。汇率波动会影响金融机构的外汇资产价值和国际业务，当本国货币贬值时，金融机构持有的外汇资产价值上升，但以外币计价的债务负担也会加重；当本国货币升值时，情况则相反。汇率的大幅波动会增加金融机构的外汇风险敞口，对其资产负债表和盈利能力产生不利影响，进而增加系统性风险。宏观经济政策的调整也会对金融机构系统性风险产生作用。货币政策的宽松或紧缩会直接影响金融市场的流动性和资金成本，从而影响金融机构的业务发展和风险状况。宽松的货币政策会增加市场流动性，降低资金成本，促进金融机构的业务扩张，但也可能导致资产价格泡沫和过度杠杆化，增加系统性风险。相反，紧缩的货币政策会减少市场流动性，提高资金成本，抑制金融机构的业务扩张，有助于降低系统性风险，但也可能对实体经济产生一定的负面影响。财政政策的扩张或收缩也会对金融机构系统性风险产生影响，扩张性财政政策会增加政府支出，刺激经济增长，但可能导致政府债务增加，对金融市场的资金需求增大，从而影响金融机构的资金配置和风险状况。通过对我国金融机构系统性风险的动态变化分析，可以看出系统性风险与宏观经济环境密切相关，宏观经济的波动、利率汇率的变化以及宏观经济政策的调整都会对金融机构的系统性风险产生重要影响。金融监管部门和金融机构应密切关注宏观经济环境的变化，加强对系统性风险的监测和预警，及时采取有效的风险防范措施，以维护金融体系的稳定。5.4影响因素探讨为了深入探究影响我国金融机构系统性风险的因素，采用相关性分析和回归分析等方法，从宏观经济变量和金融机构自身特征两个维度展开研究。在宏观经济变量方面，选取国内生产总值（GDP）增长率、通货膨胀率（CPI）、货币供应量（M2）增长率、利率（以一年期存款利率为代表）等作为关键变量，分析它们与金融机构系统性风险指标（SES和MES）之间的关系。通过相关性分析发现，GDP增长率与金融机构的SES和MES值呈现负相关关系。当GDP增长率较高时，经济处于繁荣阶段，企业盈利能力增强，偿债能力提高，金融机构的资产质量得到改善，不良贷款率降低，系统性风险相应降低。在2010-2012年期间，我国GDP增长率保持在较高水平，金融机构的SES和MES值相对较低，这表明经济增长对金融机构系统性风险具有抑制作用。通货膨胀率与金融机构系统性风险之间存在正相关关系。当通货膨胀率上升时，物价上涨，实际利率下降，金融机构的资产价值可能受到侵蚀，同时企业的融资成本增加，偿债压力增大，导致金融机构的风险上升。若通货膨胀率从3%上升到5%，可能会导致金融机构持有的债券资产实际价值下降，企业贷款违约风险增加，从而使金融机构的SES和MES值上升。货币供应量增长率与金融机构系统性风险的关系较为复杂。适度的货币供应量增长可以为金融市场提供充足的流动性，促进经济增长，降低系统性风险。当货币供应量增长过快时，可能引发通货膨胀，导致资产价格泡沫，增加金融机构的风险。在2009年，为应对全球金融危机，我国实施了适度宽松的货币政策，货币供应量M2增长率较高，短期内金融市场流动性充足，金融机构的风险得到一定缓解。随着货币供应量的持续快速增长，房地产市场和股票市场出现了一定程度的泡沫，金融机构的风险逐渐积累，系统性风险有所上升。利率与金融机构系统性风险之间存在负相关关系。当利率上升时，债券价格下跌，金融机构持有的债券资产价值缩水，同时企业的融资成本增加，偿债压力增大，金融机构的风险上升。相反，利率下降时，金融机构的风险会有所降低。如果一年期存款利率从3%上升到4%，债券价格会相应下跌，金融机构持有债券的市值将减少，企业贷款利息支出增加，利润空间被压缩，还款能力受到影响，银行的不良贷款风险增加，导致金融机构的SES和MES值上升。从金融机构自身特征来看，选取资产规模、杠杆率、盈利能力（ROA）、流动性（流动比率）等作为关键变量，研究它们对系统性风险的影响。通过回归分析发现，资产规模与金融机构的SES值呈现正相关关系。资产规模较大的金融机构，如国有大型商业银行，在金融体系中占据重要地位，业务范围广泛，与其他金融机构和实体经济的联系紧密。一旦这些大型金融机构出现风险问题，其风险会迅速在金融体系内扩散，导致资本短缺风险增加，对系统性风险的贡献较大。工商银行的资产规模庞大，其SES值相对较高，表明其在市场困境时期面临较大的资本短缺风险，对系统性风险的影响较为显著。杠杆率与金融机构的MES值呈现正相关关系。杠杆率越高，说明金融机构的债务负担越重，在面临市场波动或经济下行压力时，可能面临更大的偿债风险，从而对系统性风险的贡献也可能越大。民生银行的杠杆率相对较高，其MES值也较高，在金融体系困境时的预期损失程度较大，对系统性风险的边际贡献较为突出。盈利能力与金融机构的系统性风险呈现负相关关系。盈利能力越强的金融机构，通常在应对风险时具有更强的缓冲能力，对系统性风险的贡献相对较小。招商银行的ROA较高，其SES和MES值相对较低，表明其在市场困境时期的风险承受能力较强，对系统性风险的影响相对较小。流动性与金融机构的系统性风险呈现负相关关系。流动性越强的金融机构，在面临短期资金需求或市场流动性紧张时，能够更从容地应对，降低系统性风险的发生概率