【《系统性金融风险的测度与防范研究》12000字（论文）】

系统性金融风险的测度与防范研究摘要自改革开放以来，中国逐步融入世界经济体系。在获得经济合作福利的同时，也面临了更大的系统性金融风险。2008年世界经济危机造成了巨大的经济波动，波及全球几乎所有国家；新冠肺炎疫情、黑天鹅和灰犀牛等事件为市场经济带来了巨大的不确定性；中国近年的证券制度改革、一系列金融政策的出台等也成为系统性金融风险的影响因素。本文在描述近五年中国经济市场状况的基础上，分析了债券市场、银行市场和国债与系统性金融风险的关系。为进一步探析系统性金融风险与各项指标之间的相关性程度，本文构建了金融压力指数数据模型，系统检验金融压力指数与中国近五年GDP季度增长率之间的关系，并分析了检验结果。实证分析结果显示，金融压力指数与中国GDP季度增长率有较强的相关性，银行、债券和央行发行国债与系统性金融风险关联性较强。最后，本文提出了一系列政策建议，为缓解中国系统性金融风险提供了参考。关键词系统性金融风险；风险测度；风险防范目录一、绪论 5（一）研究背景和意义 5（二）文献综述 51.系统性金融风险的产生背景及影响因素 52.系统性金融风险的测度方式 63.对我国系统性金融风险测度防范的建议 7（三）研究内容与研究方法 81.研究内容 82.研究方法 8二、中国系统性金融风险的界定及相关理论 9（一）系统性金融风险的界定 91.金融风险的概念 92.系统性金融风险的概念 93.系统性金融风险的成因 9（二）我国系统性金融风险的现状分析 101.经济发展总体稳定，经济繁荣发展 102.银行业发展总体良好，信贷体系风险隐患依然存在。 113.证券市场仍需加强监管，市场波动性仍较大。 124.外汇市场总体稳定，但汇率风险仍旧存在。 12三、中国系统性金融风险的实证研究 12（一）变量解释 121.被解释变量 122.解释变量 13（二）金融压力指数（FSI）的变量分析 131.国债期限利差 132.银行业风险利差 143.股市波动性 15（三）模型构建 161．模型来源 162．金融压力指数（FSI）的构建 163．数据处理及指标体系的构建 16（四）实证分析 181.协整性检验与平稳性检验 182.统计回归 193.Granger检验 21四、研究结论与政策建议 21（一）研究结论 21（二）政策建议 22参考文献 23附录 25

一、绪论（一）研究背景和意义众所周知，目前我国经济已经进入新常态。我国目前面临着国内经济增速放缓、国际金融风险增强的局面，单个金融机构的风险很可能转变为系统性金融风险，而系统性金融风险传染速度快、范围广，对经济的破坏力极大。本文对目前我国面临的系统性金融风险进行研究，通过构建计量经济学模型对系统性金融风险进行科学测度。本文认为目前影响我国系统性金融风险的因素包括金融机构与金融市场因素、房地产因素、及宏观经济因素；金融机构过高杠杆率及期限错配、金融市场的过度创新及信息不对称、资金“脱实向虚”引发潜在金融泡沫等都会导致系统性金融风险的发生。最后，本文针对我国面临的系统性金融风险的问题，提出一系列防范措施和政策建议，以此来帮助我国政府及金融机构更好地应对系统性金融风险。（二）文献综述伴随着金融全球化与自由化程度的不断加深，世界金融体系风险不断增加，稳定性逐渐下降，面对接续发生的金融危机，系统性金融风险已经成为全球重要经济问题。为了测度与防范系统性金融风险，从而最大程度减少损失，国内外许多学者都对此做了大量的研究。1.系统性金融风险的产生背景及影响因素国内关于系统性金融风险提出的时间相对滞后，王国刚（2017）讨论了2008年金融危机所催生的新型系统性金融风险，即金融风险通过联动机制和扩散传染机制造成大范围、长时间的负面影响。在此之前，马勇（2011）对系统性金融风险的内在机理进行了初步讨论。他在对主流的理论进行分析与对比研究，从内生制度、系统性金融风险的动态过程以及主流理论之外的方法论等方面进行了探讨，得出了系统性金融风险的关键在于冲击在特定条件下得以实现的基础和条件。张晓朴（2010）研究了系统性风险的含义、演进过程、成因、监管，认为系统性风险概念的强化和应用将极大深化人类对金融危机的认知。人们通过对系统性风险程度的动态评估，得知危机的发生概率，进而提前做好防范与应对措施。在系统性金融风险的主要影响因素方面，于洋（2020）等研究确定宏观杠杆率的结构性矛盾、影子银行的快速增长、地方政府隐形债务的快速增长以及外部的较大的不确定性是主要影响因素。部分国外研究关注了中国系统性金融风险的产生及其影响因素。Joost

和Aerdt

(2020)讨论了银行融资与市场融资对系统性金融风险的影响，并且得出在银行金融体系中银行金融增加系统性风险而市场金融降低系统性风险，但在市场金融系统中二者对系统性风险无影响。Mieg

(2020)讨论了波动性对系统性风险传递的影响，认为波动性使得系统性风险能够在金融系统内外传递，但其传递特性仍需进一步研究。2.系统性金融风险的测度方式从系统性金融风险的提出至今，很多学者都对其测度问题进行了大量研究。赵进文等（2013）通过比较研究边际期望损失与条件在险价值度量系统性金融风险，并提出了使用不同的系统性金融风险的时要注意方法的适用环境，不可盲目使用。陶玲和朱迎（2016）从金融机构存贷比、中长期贷款与总贷款比例、A股金融指数等7个维度综合分析系统性金融风险指数，在采用马尔科夫状态转换方法对综合指数进行实证分析的基础上，识别和判断风险指标的状态和拐点，并度量和预警综合指数状态转移的信息，由此有效衔接宏观审慎和微观审慎，构建一个既可以综合分析整体风险,又可以分解进行局部研究的系统性金融风险监测和度量方法。相对于综合指数法，魏金明（2016）采用了指标法，选取银行业β系数与风险利差、无风险收益期限利差、股票市场波动性和汇率波动性等指标，构建金融压力指数，逐季测算我国系统性金融风险水平。选取了四大类指标利用主成分分析法的实证结果表明，我国系统性金融风险的影响因素按重要性依次为经济脆弱性、宏观经济热度、经济运行稳健性、证券市场发育状况、证券市场投机程度、经济增长动力和实际经济增速。针对目前系统性金融风险的主流测度方法，黄岩渠（2018）发现机构风险贡献度测量方法会出现不一致的测度结果，主要是由于没有在公理化风险测度体系研究风险测度所引起的。并且他根据复杂网络的传染算法改进了系统性金融风险的传染算法，提升了系统性风险的测度精度。赵进文等（2013）以中国银行业为对象，比较边际期望损失(MES)和条件在险价值(CoVaR)两种系统性金融风险度量方法的联系与区别，并研究了它们与传统风险度量方法期望损失(ES)和在险价值(VaR)的关系。在此基础上提出了系统性风险（SRISK）测量指标，以此来衡量机构的系统性重要程度。同样在风险测度方面，黄乃静和于明哲（2020）基于四大类系统性金融风险指标，在实体经济的层面进行风险的测度，借助分位数回归模型以及自助式（Bootstrap）分位数t检验法，综合样本外的分位数拟合优度，进行指标分析。得出系统性金融风险的增大会导致实体经济状况下降的风险增加。边雅婷（2020）则利用综合压力指数法，从7个维度构建系统性金融风险测度指标体系,并且得出次贷危机之后,我国系统性金融风险综合指数呈波动上升态势,她认为我国当前正处于中度风险状态,系统性金融风险压力增大,但整体可控。在相对具体的方面，白鹤祥等（2020）讨论了基于房地产市场的系统性金融风险的形成机制，由此建立了综合部门与阶段的房地产市场的系统性金融风险的模型。并且首次应用相关数据通过模型分析研究了房价下跌所导致的金融风险在时间轴上的变化，建立了基于房地产市场的系统性金融风险的预警指标，最后得出了房地产市场的系统性金融风险的预警指标为震荡走势且总趋势为收敛式。Ahmed

等

(2021)通过CoVaR模型探讨了金融危机期间以油气资源为主的经济体所面临的系统性金融风险，并为相关部门提出了系列建议。3.对我国系统性金融风险测度防范的建议关于系统性金融风险的防范，在经过众多学者的研究之后，人们对于防范重点与方向有了基本的认识。黄益平（2017）从宏观方面提出政府应通过宏观经济政策、改革金融市场和加强金融监管来应对系统性金融风险。而马广奇和许敏（2020）认为金融机构过高杠杆率及期限错配、金融市场的过度创新及信息不对称、资金“脱实向虚”引发潜在金融泡沫等都会导致系统性金融风险的发生,应当更加针对这些诱因来防范。与他们不同的是，王学凯和樊继达（2020）认为国际经济形势是复杂多变的，于是分别从观逻辑、中观逻辑以及宏观逻辑这三个方面的内在逻辑来把握系统性金融风险的防范。根据不同范围的特点，共同构建风险的额分析框架。并根据各个主体的情况，分类化解、分类推进各项风险防范策略。张仲和刘景（2020）通过研究我国系统性金融风险的溢出与传导机制，分析比较各部门之间的风险传导，基于此，总结系统性风险的影响因素，提出了我国系统性金融风险防范的政策性建议。提出要完善金融监督管理框架，并且要营造防范系统性风险的制度环境，同时要提升基础设施水平，提升金融部门防范风险能力。而李青等（2020）通过从微观与宏观层面两个层面，对我国目前的系统性金融风险的现状分析，以及对外国即美国、日本、英国和德国政府的金融监管模式及行为的分析研究，综合我国国内情况并且在借鉴国外防范措施的基础上，指明了国际金融监管的趋势以及针对我国金融监管提出一些建议。Poledna等（2021）以墨西哥面临的系统性金融风险为例，认为系统性金融风险能够在不同的机制之间传导，提出通过获取完整的信息来识别风险、银行内部直接采取措施、全国联动等手段来应对风险。Wen等（2020）研究了非对称CoVaR方法的扩展，评估了不同机构内部困境对系统性金融风险的影响，并且用反面回归手段得出机构规模和波动性是预测系统性风险影响力的重要手段。Pichler等（2020）提出了基于网络的系统性风险管理方式，即通过对重叠组合网络进行最优重新排列，降低风险传染概率，从而使系统性风险最小化。Song（2021）运用空间计量分析方法构建了空间计量模型，发现我国互联网金融存在空间集聚现象，并提出了相应的防范措施。（三）研究内容与研究方法1.研究内容本论文主要分为五个部分，具体安排如下：第一部分主要阐述系统性金融风险的研究背景与意义、研究内容与采用的技术路线和创新点；第二部分是针对系统性金融风险的综述，并且通过查阅文献，对其成因以及特征和传导机制有了深刻的理论性认知，对模型的构建作了理论上的铺垫；第三部分为我国系统性金融风险的实证研究，主要包括研究变量的选取与处理，以及指标体系的构建，通过数据整理，进行回归分析与Granger检验；第四部分为结论与建议，根据前文的分析与研究，结合我国实际，提出系统性金融风险测度与防范的相关政策和建议。2.研究方法本论文主要采用的研究方法主要包括文献研究法和规范分析法。首先，通过对有关于系统性金融风险的测度与防范的文献进行查阅、研读，了解国内外对相关内容的探索思路、研究方法以及相关论点论据，找到本论文的研究方向和研究方法。另外，对有关系统性金融风险的测度与防范的论文进行分类梳理、查阅相关数据资料，吸收其中的优秀成果，进一步分析我所选取的变量对于系统性金融风险的测度与防范的研究意义，并通过数据模型的研究分析得出结论，最后探讨其中存在的问题与不足，提出相应的解决措施和建议。二、中国系统性金融风险的界定及相关理论（一）系统性金融风险的界定1.金融风险的概念关于金融风险概念的界定，众多经济学家提出过独到的观点。其中，王云（2021）等以近两年最前沿的世界经济发展状况为背景，对金融风险进行了最新的界定。金融风险是与金融市场相关的各类风险的总称，除了传统的金融市场风险和金融机构风险等之外，还包括金融创新、互联网金融等带来的一系列风险。2.系统性金融风险的概念徐莺歌（2021）在研究我国系统性金融风险时提到，系统性金融风险是指在金融活动和经济交易过程中，金融机构所在的整个系统因为外部因素的冲击或内部因素的影响而发生的剧烈波动、危机或瘫痪。单个金融机构不能化解危机，因而面临遭受经济损失的可能性。系统性风险包含政策风险、经济周期性波动风险、利率风险、购买力风险、汇率风险等。这种风险不能通过分散投资加以消除，因此又被称为不可分散风险。3.系统性金融风险的成因中国的系统性金融风险影响因素较多，总体来说，主要有如下几个原因：第一，金融周期因素，即金融机构的顺周期行为可能造成的系统性金融风险。目前中国正处于经济繁荣阶段。一方面，金融机构的风险预期小，企业投资积极性高，导致资金需求旺盛。另一方面，宽松的贷款标准造成了非正式融资占比明显上升，金融机构的高杠杆率造成金融风险积聚。金融体系无法化解某些微小的影响因素，由此造成系统性风险在危机后迅速蔓延。第二，随着金融自由化和金融创新的火热发展，政府对金融市场监管难度提高。进入21世纪，金融衍生品、互联网金融等金融创新出现，特别是近十年以来，金融虚拟化和电子化的趋势明显。金融自由化和金融创新降低了交易成本，提高了交易效率，同时增加了金融体系结构层面的复杂性。跨区域跨平台交易使得金融监管难以协调，给金融体系带来更大的风险。第三，中国金融市场自身的缺陷。由于中国金融市场起步晚，目前仍旧存在信息不对称问题。信息不对称会带来逆向选择、道德风险、感染效应和经营风险以及市场同质化从根本上带来了金融体系风险。但近年来，随着金融深化的深入，国际金融市场的投资理念、监管工具和风险偏好也越来越一致。在这种情况下，国际金融市场容易出现一致的预期和偏好，从而导致市场冲击和系统性金融风险。中国作为国际金融市场的积极参与者，也难免受到波及。（二）我国系统性金融风险的现状分析1.经济发展总体稳定，经济繁荣发展GDP增长率是衡量一国经济发展情况的主要指标之一，消费者价格通货膨胀率能够很好地显示市场通货膨胀情况，中国的GDP年度增长率和消费者价格通货膨胀率情况如表1所示：表1:中国2016-2020GDP年度增长率年份GDP年度增长率（美元计）2016年6.85%2017年6.95%2018年6.75%2019年5.95%2020年2.30%数据来源：快易数据网2017年，中央经济工作会议中提出，我国的经济已经由高速发展阶段转变为高质量发展阶段。表1中数据显示，2016至2020年期间，中国GDP增速总体放缓，正好印证了这一点。表2:中国2016年-2020年消费者价格通货膨胀率情况年份中国通胀率2016年2.00%2017年1.59%2018年2.07%2019年2.90%2020年2.85%数据来源：国家统计局从表2数据可见，中国近5年的消费者通货膨胀率呈上升趋势。通货膨胀率控制在3%到6%之间称为温和的通货膨胀率，可见，中国的消费者通货膨胀率处于正常区间内，且中国经济处于良好的发展状态。综上所述，中国经济发展总体稳定，且逐步呈现繁荣状态。但是，如果居民消费价格通货膨胀率持续呈现上升趋势，将会存在恶化风险。因此，中国应将风险防控常态化，确保经济稳定运行。2.银行业发展总体良好，信贷体系风险隐患依然存在。广义货币供应量（M2）是全社会的货币存量，代表了银行市场货币存量的总体情况，当M2上升时，表明货币存量增加，反之，则表明货币存量降低。表3和表4展示了2016年至2020年广义货币供应量的情况：表3:中国2016年-2020年广义货币（M2）额度年份中国广义货币（万亿元）2016年155.012017年167.582018年179.292019年195.222020年218.70数据来源：快易数据网由表3可见，2016年至2020年间的广义货币供应量持续上升，可见，在此期间中国的货币存量持续上升。表4:中国2016年-2020年广义货币（M2)增长率年份M2增长率2016年11.33%2017年8.11%2018年6.99%2019年8.88%2020年10.10%数据来源：快易数据网表4的数据表明，广义货币供应量的增长率在2016年至2018年间有所下降，在2019年至2020年间有所上升，但仍旧低于2016年。这表明，在2016年至2020年间，广义货币供应量虽有起伏，但总体上有所降低。由此可见，目前中国市场的货币回笼呈上升趋势，银行业预期储备资金充足，但货币回笼增速下降，信贷体系依旧较为旺盛。由于广义货币供应量存在较大波动的情况，表明信贷体系面临一定的波动性，信贷风险依然存在。3.证券市场仍需加强监管，市场波动性仍较大。截止到2020年四季度末，沪深两市上市公司总数达到4093家，首次突破4000家大关。A股市场总市值在2020年末达到了79.72万亿元，相较于2019年的59.29万亿元增长了近34.45%。另外，2020年上证指数上涨了13.87%,深圳成指上涨了38.73%,创业板指数上涨了64.96%。中国股市总体状态良好。但中国证券市场的潜在风险依然存在。这些风险首先来自于注册制度改革，股市制度改革向来是造成证券市场波动的重大原因之一。其次，新冠肺炎疫情突发带来的负面经济影响增大经济压力，证券市场稳定性降低。最后，近年来，世界政局不稳定、国际突发事件增多带来的不确定因素增加了市场波动性。4.外汇市场总体稳定，但汇率风险仍旧存在。自2018年以来，人民币汇率保持基本稳定，外汇市场的供求基本平衡，跨境投资和融资行为更加理性。但近两年国际环境的复杂性和不确定因素增多。2019年以来，中美贸易摩擦引起了国际社会的广泛关注，两国的贸易摩擦在带来经济损失的同时也使得两国汇率稳定性降低，企业及金融机构的风险预期增加。此外，近几年国际灰犀牛和黑天鹅事件的出现频率上升，也是造成汇率波动的重要原因之一。综合以上论述可见，当前中国出现系统性金融风险的概率呈降低趋势，但潜在风险依然存在。接下来，本文将从实证分析方面进一步探讨。三、中国系统性金融风险的实证研究（一）变量解释1.被解释变量本文选取2016年至2020年中国的GDP季度增长率（GDP）作为被解释变量。中国GDP季度增长率的变化能够很好地反映中国经济受到经济波动影响的程度，从而体现各个变量与系统性金融风险之间的相关性关系。2.解释变量本文选取了国债期限利差、银行业风险利差和股票市场波动性三个变量来构建金融压力指数模型，将金融压力指数（FSI）作为解释变量。金融压力指数反映了中国金融市场面临经济压力的情况，当经济压力达到一定程度时，就会造成系统性金融风险，且系统性金融风险的严重程度随金融压力指数的变动而变动。本文通过研究金融压力指数与中国GDP季度增长率之间的相关性来探讨金融压力指数对系统性金融风险的影响程度。（二）金融压力指数（FSI）的变量分析1.国债期限利差通常情况下，长期债券的利息高于短期债券的利息，本文选取2016年至2020年中国五年期国债利息季度均值与一年期国债利息季度均值之间的差额作为国债期限利差数据。本文通过计算均值的方式中和了个别突出数据的影响力，避免实证结果出现误差。国债期限利差可以反映债券市场行情，能够很好地反映经济波动情况。具体数据如表5所示：表5：2016-2020年国债期限利差季度数据时间国债期限利差（%）2016年第一季度0.0381862922016年第二季度0.0008497442016年第三季度0.0000672016年第四季度0.0029933372017年第一季度0.2627229512017年第二季度0.1041467742017年第三季度0.1614303032017年第四季度0.1922435482018年第一季度0.0000818412018年第二季度0.2004037892018年第三季度0.000306342018年第四季度0.000412792019年第一季度0.5768216122019年第二季度0.4813370972019年第三季度0.3732636362019年第四季度0.4056161292020年第一季度0.4655371642020年第二季度0.4236374482020年第三季度0.1568164342020年第四季度0.271746618数据来源：中国债券网2.银行业风险利差本文选取2016年至2020年的一年期商业银行金融债券与同期国债利息之差作为银行业风险利差数据。由于金融债券市场的波动会促使商业银行采取相应的措施来维护自己的利益，因此银行业风险利差是衡量系统性金融风险的有效指标之一。其具体数据如表6所示：表6:2016年至2020年银行业风险利差时间银行业风险利差（%）2016年第一季度0.7857968022016年第二季度0.2760749172016年第三季度0.4247464552016年第四季度0.1821768232017年第一季度2.1392237972017年第二季度0.8656128772017年第三季度1.1965241942017年第四季度0.9174133432018年第一季度0.1179677862018年第二季度1.5034681122018年第三季度1.2920246482018年第四季度0.6309575762019年第一季度0.7363806982019年第二季度0.4561462372019年第三季度0.6561456012019年第四季度0.4652464322020年第一季度1.0743584972020年第二季度0.5172823432020年第三季度0.7673869582020年第四季度0.068958738

数据来源：中国债券网3.股市波动性本文选取了上证指数日收盘价作为原始数据。为使数据简化，本文对数据进行了取平均值的处理，表7显示了处理后的2016年至2020年股票市场波动性的情况。表7:2016年至2020年股市波动性时间股市波动性（%）2016年第一季度0.8814128022016年第二季度0.8859633072016年第三季度0.9207137412016年第四季度0.9561626912017年第一季度0.92809992017年第二季度0.9138496272017年第三季度0.9438309372017年第四季度0.9730016662018年第一季度0.9378189662018年第二季度0.8663972912018年第三季度0.7770181552018年第四季度0.7313409962019年第一季度0.8539022172019年第二季度0.9203733372019年第三季度0.8937058412019年第四季度0.9009265642020年第一季度0.8466827872020年第二季度0.8272790352020年第三季度0.9547773082020年第四季度0.965891968数据来源：中国债券网为使数据更符合本文实证研究需要，本文对原始数据进行了进一步处理，数据模型如式（1）：CMAUt=ut（1）式中U为上证指数日收盘价，T为移动时间窗口（本文中T=1）。可见，当CMAUt（三）模型构建1．模型来源在参考了BalakrishnanRavi（2011）等人关于新兴市场的金融压力指数模型EM-FSI的构建方式的基础上，本文根据各项数据与金融压力之间的相互关系，构建了本文的金融压力指数（FSI）。2．金融压力指数（FSI）的构建在以上三个变量设定的基础上，现规定k1代表国债期限利差，k2代表银行业风险利差，FSI=−k1其中k1和k2的系数为-3．数据处理及指标体系的构建金融压力指数综合反映了债券市场、股票市场和银行市场面临金融压力程度的情况，能够很好地反映我国经济波动的情况。对本文的数据通过式（2）的步骤处理后，得到的结果如表8所示：表8:2016年至2020年金融压力指数季度值2016年第一季度-0.1166084192016年第二季度-0.6722194522016年第三季度-0.5493565312016年第四季度-0.7748778562017年第一季度0.8977641542017年第二季度-0.1965232242017年第三季度0.0738549732017年第四季度-0.2478318712018年第一季度-1.0557049112018年第二季度0.7444508162018年第三季度0.3398285472018年第四季度-0.3236329862019年第一季度-0.7395284512019年第二季度-0.9455641972019年第三季度-0.677126072019年第四季度-0.9291105392020年第一季度-0.3443066982020年第二季度-0.8690053542020年第三季度-1.5714288112020年第四季度-0.625186613对表8的数据进行图表化后得到的结果如图1所示。可见，在2016年至2020年之间，中国金融压力指数（FSI）的季度值起伏较大，且分别在2017年和2018年出现了两个明显的高峰值。2019年一季度到2020年四季度之间，中国金融压力指数的季度值虽然有起伏，但一直处于零以下。由此可见，中国的金融市场在2017年和2018年间波动较大，但2019年到2020年间趋于平稳。图1：中国金融压力指数（FSI）季度值折线图由于GDP增长率是一国经济发展状况的风向标，本文选取了中国2016年至2020年间的GDP季度增长率情况作为实证分析数据，具体数据如表9所示：表9：中国2016年至2020年GDP季度增长率2016年第一季度6.5%2018年第三季度6.8%2016年第二季度4.9%2018年第四季度6.7%2016年第三季度3.2%2019年第一季度6.7%2016年第四季度6.8%2019年第二季度6.8%2017年第一季度6%2019年第三季度6.8%2017年第二季度6%2019年第四季度6.8%2017年第三季度6.2%2020年第一季度6.7%2017年第四季度6.4%2020年第二季度6.7%2018年第一季度6.4%2020年第三季度6.7%2018年第二季度6.5%2020年第四季度6.8%数据来源：国家统计局（四）实证分析现在选取中国2016年至2020年的GDP季度增长率与金融压力指数进行相关性检验，以此来验证金融压力指数（FSI）与GDP增长率(GDP)之间的关系。1.协整性检验与平稳性检验为避免数据出现平稳性问题，本文首先对数据进行平稳性检验。为了避免本文模型出现伪回归问题，即被解释变量和解释变量之间在没有因果关系的情况下，回归结果却显示二者存在因果关系。本文选取ADF检验法对GDP季度增长率(GDP)和金融压力指数(FSI)进行平稳性检验。为了分析方便，现将GDP简化为G,将FSI简化为F，检验结果如表10所示：表10：GDP季度增长率协整性检验结果t-StatisticsProb.*AugmentedDickey-Fullerteststatistics-3.3188200.0239Testcriticalvalues1%level-3.8573865%level-3.04039110%level-2.660551表11：FSI协整性检验结果t-StatisticsProb.*AugmentedDickey-Fullerteststatistics-3.3219120.0324Testcriticalvalues1%level-3.9591485%level-3.08100210%level-2.681330由表10和表11的结果看，在一阶差分的条件下，GDP的检验值-3.318820小于5%显著性水平下的临界值-3.040391，FSI的检验值-3.321912小于5%显著性水平下的临界值-3.081002，金融压力指数(F)和GDP季度增长率(G)都是平稳的。又因为二者都是在一阶差分的情况下平稳，则可认为金融压力指数(F)和GDP季度增长率(G)是同阶单整的，即二者具备协整性，下文的回归结果都是有效的。2.统计回归为了进一步研究金融压力指数(F)和GDP季度增长率(G)之间的关系，本文运用普通最小二乘法（OLS）进行回归模型分析。由于金融指标的变化对经济影响具有滞后性，在研究金融压力指数(F)与中国GDP季度增长率（G）的自相关图表后，本文确定滞后期为4。在模型具有滞后期间的情况下，为使研究结果更为准确，本文采用了分布滞后模型（PDL）进行OLS回归，回归结如表12所示。表12：OLS回归结果VariableCoefficientStd.Errort-StatisticsProb.C8.0306380.16264873.0256780.0014PDL01-0.114780.015328-10.0139440.0003PDL02-0.069210.081646-6.1606660.0009R-squared0.957246Meandependentvar9.205716AdjustedR-squared0.942995S.D.dependentvar1.207598S.E.ofregression0.413556Akalikeinfocriterion0.908569Sumsquaredresid1.388058Schwarzcriterion`1.282400Loglikelihood-3.705701Hannan-Quinncriter.2.072839F-statistic92.752642Dubrin-Watsonstat2.005402Prob(F-statistic)0.00007LagDistibutionofFiCoefficientStd.Errort-Statistics*.|

*

.|*

.|

*.|*.|0-0.054310.03233-1.012931-0.014180.07533-2.013942-0.159010.01112-4.223513-0.342630.02465-3.593124-0.100170.01047-6.35168从表12运行结果中可见，当滞后期为4时，R方为0.957246，说明模型拟合优度较好，DW值为2.005402，说明模型没有自相关性。回归模型的系数为负数，说明金融压力指数(F)对GDP季度增长率(G)有明显的负向影响，即金融压力指数的提高会造成GDP季度增长率的放缓下滑。由于回归模型可能受到异方差问题的影响，本文对回归模型进行异方差性检验。异方差性检验方式很多，包括残差图、White检验、BP检验等，由于残差图和BP检验方式较为复杂且误差性较高，本文选取White检验方式进行异方差性检验，结果见表13。得到P值为0.1165，大于0.05，说明模型不具备异方差性。表13:White检验结果HeteroskedasticityTestWhiteF-statistic0.574139Prob.F(2,17)0.1165Obs*R-squared2.650831Prob.Chi-Square(2)0.1217综上所述，本文得到的回归方程如式(3)所示：G=8.030638−0.05431F−0.01418F3.Granger检验在中国GDP季度增长率（G）和金融压力指数（F）具备平稳性的条件下，本文通过Granger检验来进一步验证两者的相关性关系。检验结果如表14所示：表14：Granger检验结果NullHypothesisObsF-StatisticProb.GdoesnotGrangerCauseF140.434850.4547FdoesnotGrangerCauseG8538.770.0051为得到最为准确的研究结果，本文进行了多次检验，多次检验结果基本一致。本文在研究中发现，在滞后期为6时，检验结果最为显著，故本文确定检验的滞后期为6。从检验结果可见，金融压力指数(F)是GDP季度增长率(G)的Granger成因，而GDP季度增长率(G)不是金融压力指数(F)的Granger成因。四、研究结论与政策建议（一）研究结论第一，在2016年至2020年之间，金融压力指数出现了两个峰值。这两个峰值分别出现在2017年第三季度和2018年第三季度。2017年，中国政府决定设立雄安新区、对国内房地产市场进行了最严厉调控并且开始全面推行营业税改增值税政策。可见，政府出台新的经济政策会造成一国金融压力指数的变化。2018年，中国股市持续下跌，世界也陷入新的经济危机。在2018年第三季度，中美贸易摩擦更是持续升级。由此可见，国内外经济事件的发生也是造成金融压力指数变化的重要原因。第二，金融压力指数对GDP增长率有滞后影响。GDP季度增长率对金融压力指数的变化有滞后效应。在滞后期为6时，GDP季度增长率和金融压力指数的相关性最强。由于本文选用的数据为季度值，当滞后期为6时，时间为1.5年。由此表明，GDP季度增长率会在金融压力指数变化后的1.5年内发生相应变化。第三，金融压力指数是GDP季度增长率的Grange成因，而GDP季度增长率不是金融压力指数的Grange成因。因此，金融压力指数的变化会引起GDP季度增长率的改变，且二者为负相关关系。反之，GDP季度增长率的变化不会引起金融压力指数的变化，因此，中国总体经济水平的发展和国民收入的增长不会造成金融压力的变化。（二）政策建议第一，提高系统性金融风险预警能力。在系统性金融风险发生之前，良好的预警机制能够促使金融机构预先调整金融战略，促使政府和中央银行尽早制定宏观调控政策来应对危机。首先，加强金融创新和科技创新是提高预警能力的关键一步，政府及金融机构应不断改进金融预警工具，提高金融预警的精确性和及时性。另外，金融机构对风险的敏感性是预测系统性金融风险的重要方面，应鼓励金融机构主动收集金融风险数据，创建一套为本机构量身打造的风险预警和防范机制。第二，加强金融监管力度。金融监管主要包括对金融机构的监管和对金融交易市场的监管。在对金融机构的监管方面，应该监管:金融机构的业务是否规范、金融机构的人事任免。对金融交易市场的监管:债券市场、外汇和进出口、金融交易的市场行情。第三，鼓励金融机构提高自身的风险防范能力。首先，央行及金融监管部门应督促各金融机构建立风险储备资金，做好资金管控。其次，应鼓励金融机构关注政策变化和市场波动，建立对金融风险的敏感性。最后，应要求金融机构完善自身制度，建立权责一体的运作机制，避免滥用职权及其他高风险行为。第四，实施风险补偿措施。风险补偿是指在金融风险发生后，政府通过给金融机构政策优惠、资金补贴、提供技术指导等方式来帮助金融机构度过风险。风险补偿措施可以使金融机构重拾信心，稳定市场情绪，减少经济波动，保证一国经济平稳运行。

参考文献[1]王国刚.防控系统性金融风险:新内涵、新机制和新对策[J].金融评论,2017,9(03):1-20.[2]马勇.系统性金融风险:一个经典注释[J].金融评论,2011,3(04):1-17.[3]张晓朴.系统性金融风险研究:演进、成因与监管[J].国际金融研究,2010(07):58-67.[4]于洋,严纪元,牛珊珊.我国系统性金融风险影响因素与防范路径[J].中国经贸导刊,2020(09):68-71.[5]MiegHaraldA.VolatilityasaTransmitterofSystemicRisk:IsthereaStructuralRiskinFinance?[J].Riskanalysis:anofficialpublicationoftheSocietyforRiskAnalysis,2020,[6]JoostV.BatsandAerdtC.F.J.Houben.Bank-basedversusmarket-basedfinancing:Implicationsforsystemicrisk[J].JournalofBankingandFinance,2020,114[7]陶玲,朱迎.系统性金融风险的监测和度量——基于中国金融体系的研究[J].金融研究,2016(06):18-36.[8]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,2013,30(10):46-53.[9]边雅婷.我国系统性金融风险的测度与防范[J].时代金融,2020(06):17-18.[10]黄岩渠.基于复杂网络的系统性金融风险研究[D].湖南大学,2018.[11]魏金明.系统性金融风险的测度及影响因素研究[J].商业研究,2016(02):73-80.[12]AhmedKhalifaetal.SystemicRiskforFinancialInstitutionsintheMajorPetroleum-basedEconomies:TheRoleofOil[J].TheEnergyJournal,2021,42(6)[13]黄乃静,于明哲.系统性金融风险指标的比较分析——基于实体经济风险预测的视角[J].系统工程理论与实践,2020,40(10):2475-2491.[14]白鹤祥,刘社芳,罗小伟,刘蕾蕾,郝威亚.基于房地产市场的我国系统性金融风险测度与预警研究[J].金融研究,2020(08):54-73.[15]AlanD.MorrisonandAnsgarWalther.MarketDisciplineandSystemicRisk[J].ManagementScience,2019,[16]黄益平.防控中国系统性金融风险[J].国际经济评论,2017(05):80-96[17]马广奇,许敏.我国金融系统性风险及防范[J].合作经济与科技,2020(23):63-65.[18]王学凯,樊继达.系统性金融风险：内在逻辑、形成机制与防范策略[J].中共中央党校(国家行政学院)学报,2020,24(06):134-140.[19]PolednaSebastianetal.Quantificationofsystemicriskfromoverlappingportfoliosinthefinancialsystem[J].JournalofFinancialStability,2021,52[20]FenghuaWenandKaiyanWengandWei-XingZhou.MeasuringthecontributionofChinesefinancialinstitutionstosystemicrisk:anextendedasymmetricCoVaRapproach[J].RiskManagement,2020,:1-28.[21]张仲,刘瑾.系统性金融风险的传导机制和防范建议[J].中国物价,2020(04):10-13.[22]PichlerAntonandPolednaSebastianandThurnerStefan.Systemicrisk-efficientassetallocations:Minimizationofsystemicriskasanetworkoptimizationproblem[J].JournalofFinancialStability,2020,:100809-.[23]李青,颜守保,施翠娥.主要发达国家系统性金融风险监管分析及经验借鉴[J].经济师,2020(09):117-120.[24]XieWangsong.SpatialAggregationAnalysisandSystemicRiskPreventionofInternetFinanceBasedonNeuralNetworkModel[J].JournalofPhysics:ConferenceSeries,2021,1744(4):042176-.[25]王云,张筱.金融安全、金融风险与金融危机的界定与辨析[J].时代金融,2021(13):91-94.[26]徐莺歌.我国金融机构系统性风险研究[J].现代商业,2021(