解构影子银行：对商业银行网络系统性风险溢出效应的深度剖析

解构影子银行：对商业银行网络系统性风险溢出效应的深度剖析一、引言1.1研究背景与动因在全球金融体系持续演变的大环境下，影子银行与商业银行网络作为金融领域的关键构成部分，二者的发展态势与相互关系备受瞩目。影子银行的兴起是金融创新与市场需求共同作用的结果。自20世纪70年代起，在金融自由化浪潮的推动下，影子银行迅速发展壮大。以美国为例，金融证券化的快速发展促使大量金融衍生产品涌现，回购市场也随之蓬勃发展，其中信用违约掉期这一金融衍生品的出现，更是推动了影子银行业务的扩张。在中国，影子银行的发展也呈现出独特的路径。随着经济的高速发展和金融市场的逐步开放，社会对资金的需求日益多样化，传统商业银行的服务难以完全满足市场需求。在此背景下，影子银行应运而生，其规模不断扩大，业务范围也逐渐拓宽。与此同时，商业银行网络在金融体系中始终占据着核心地位。随着金融科技的发展，商业银行通过数字化转型，不断拓展业务边界，加强与其他金融机构的合作，形成了更加复杂的金融网络。商业银行通过与影子银行的合作，拓展了业务范围，提高了资金运作效率，但也增加了风险的传播渠道。二者的紧密联系使得金融体系的稳定性面临新的挑战。影子银行的发展对商业银行网络系统性风险产生了不容忽视的溢出效应。从理论层面来看，影子银行的业务活动具有高杠杆、期限错配、监管套利等特点，这些特点使其自身蕴含着较高的风险。由于影子银行与商业银行在资金、业务等方面存在密切关联，影子银行的风险容易通过各种渠道传导至商业银行网络，进而引发系统性风险。从实际案例来看，2008年美国金融危机的爆发，影子银行在其中扮演了重要角色。在危机爆发前，美国影子银行通过资产证券化等方式，将大量次级贷款打包成复杂的金融产品，这些产品在金融市场中广泛流通。当房地产市场出现下滑，次级贷款违约率上升，影子银行的风险迅速暴露，并通过与商业银行的关联，如商业银行持有影子银行发行的金融产品、与影子银行存在资金往来等，将风险传导至商业银行体系，导致众多商业银行遭受巨额损失，金融市场流动性枯竭，最终引发了全球性的金融危机。在中国，近年来也出现了一些影子银行风险向商业银行传导的案例。例如，某些信托公司的理财产品出现违约，导致购买这些产品的商业银行面临资金损失和声誉风险；一些互联网金融平台的风险事件，也对与之合作的商业银行产生了不同程度的影响。这些案例充分表明，影子银行对商业银行网络系统性风险的溢出效应是客观存在的，且可能对金融体系的稳定造成严重威胁。鉴于影子银行与商业银行网络的重要地位以及影子银行对商业银行网络系统性风险溢出效应的潜在威胁，深入研究这一效应具有至关重要的现实意义。从金融稳定的角度来看，准确评估影子银行对商业银行网络系统性风险的溢出效应，有助于监管部门及时发现金融体系中的潜在风险点，制定有效的监管政策，防范系统性金融风险的发生，维护金融市场的稳定运行。从商业银行自身风险管理的角度来看，了解影子银行风险的传导机制和溢出效应，能够帮助商业银行加强风险管理，优化业务结构，提高自身的抗风险能力。从学术研究的角度来看，目前关于影子银行对商业银行网络系统性风险溢出效应的研究还存在诸多不足，深入研究这一问题，有助于丰富和完善金融风险管理理论，为金融领域的学术研究提供新的思路和方法。1.2研究价值与实践意义本研究在金融风险管理、金融监管政策制定及商业银行风险管理等方面具有重要的价值和实践意义。从金融风险管理理论层面来看，影子银行与商业银行网络系统性风险溢出效应的研究丰富了金融风险理论体系。传统金融风险理论主要关注商业银行等传统金融机构的风险，而对影子银行这类新兴金融业态与商业银行之间的风险传导机制研究相对较少。本研究深入剖析影子银行对商业银行网络系统性风险的溢出路径和影响因素，有助于完善金融风险理论，为金融风险管理提供更全面的理论支持。例如，在风险传导机制方面，传统理论较少涉及影子银行通过资产证券化等复杂业务将风险传导至商业银行网络的情况，本研究对此进行深入分析，填补了理论空白。在金融监管政策制定方面，研究影子银行对商业银行网络系统性风险的溢出效应，能够为监管部门提供科学依据，助力监管政策的优化。随着影子银行的快速发展，其与商业银行的关联日益紧密，监管难度也随之加大。通过本研究，监管部门可以更准确地把握影子银行风险的传播规律，从而制定更具针对性的监管政策。比如，在监管措施上，可以根据影子银行风险溢出的关键节点，加强对相关业务和机构的监管，提高监管效率；在监管协调方面，能够促进不同监管部门之间的协同合作，避免出现监管真空和重叠，构建更加完善的金融监管体系，有效防范系统性金融风险。对于商业银行自身的风险管理而言，了解影子银行对其系统性风险的溢出效应至关重要。商业银行可以依据研究结果，及时调整风险管理策略。一方面，加强对与影子银行相关业务的风险评估和监测，如对银行理财产品投资影子银行资产的风险进行严格把控，设置合理的风险限额；另一方面，优化资产负债结构，降低对影子银行资金的依赖，提高自身的抗风险能力。同时，还可以加强与监管部门的沟通与合作，共同应对影子银行带来的风险挑战。1.3研究思路与方法本研究遵循严谨的逻辑思路，采用多种研究方法，以深入探究影子银行对商业银行网络间系统性风险的溢出效应。研究思路上，首先对影子银行和商业银行网络系统性风险的相关理论进行深入剖析，明确影子银行的内涵、特征及其业务模式，梳理商业银行网络系统性风险的概念、度量方法以及影响因素。在此基础上，从理论层面分析影子银行对商业银行网络系统性风险的溢出机制，包括信用风险传导、流动性风险传导、资产价格波动传导等渠道，为后续的实证研究奠定理论基础。接着，通过对相关数据的收集与整理，运用计量经济学方法和复杂网络分析技术，构建实证模型，对影子银行对商业银行网络系统性风险的溢出效应进行量化分析。在实证研究中，不仅关注影子银行对商业银行网络系统性风险的总体溢出效应，还深入探讨不同类型影子银行业务以及不同市场环境下溢出效应的异质性。最后，根据理论分析和实证研究的结果，从金融监管和商业银行风险管理的角度提出针对性的政策建议，旨在降低影子银行对商业银行网络系统性风险的溢出效应，维护金融体系的稳定。在研究方法上，主要采用以下几种：文献研究法：广泛查阅国内外关于影子银行、商业银行网络系统性风险以及二者关系的相关文献，梳理已有研究成果，明确研究现状和不足，为本研究提供理论支持和研究思路。通过对大量文献的分析，总结出影子银行的发展历程、业务特点，以及商业银行网络系统性风险的度量方法和影响因素，从而确定本研究的切入点和重点。理论分析法：运用金融风险理论、金融中介理论等相关理论，深入分析影子银行对商业银行网络系统性风险的溢出机制。从信用风险、流动性风险、资产价格波动等方面入手，探讨影子银行如何通过与商业银行的业务关联和资金往来，将自身风险传导至商业银行网络，引发系统性风险。实证研究法：收集影子银行和商业银行的相关数据，包括规模、业务结构、风险指标等，运用GARCH-CoVaR模型、网络分析方法等计量工具，对影子银行对商业银行网络系统性风险的溢出效应进行实证检验。通过实证分析，量化溢出效应的大小和方向，揭示溢出效应的影响因素和时变特征。例如，利用GARCH-CoVaR模型计算影子银行处于极端风险状态时商业银行的风险价值变化，以此衡量风险溢出效应的大小。案例分析法：选取国内外典型的影子银行风险事件，如美国次贷危机、国内某些信托产品违约事件等，深入分析这些事件中影子银行风险向商业银行网络传导的过程和影响，通过具体案例进一步验证理论分析和实证研究的结果，为政策建议的提出提供实践依据。1.4创新点与局限本研究在研究视角、方法和内容上具有一定创新点，但也存在一定局限性。在研究视角上，本研究将影子银行与商业银行网络系统性风险纳入统一框架进行研究，从网络视角分析二者之间的风险溢出效应。以往研究大多关注影子银行对单个商业银行的风险影响，较少从商业银行网络的整体角度出发，考虑风险在银行间的传播和放大机制。本研究通过构建商业银行网络模型，分析影子银行风险在网络中的传播路径和对整个网络系统性风险的影响，为理解金融风险的传导提供了新的视角。研究方法上，综合运用多种方法进行分析。在理论分析方面，结合金融风险理论、金融中介理论等，深入剖析影子银行对商业银行网络系统性风险的溢出机制，为实证研究提供坚实的理论基础。在实证研究中，运用GARCH-CoVaR模型度量风险溢出效应的大小，同时引入复杂网络分析方法，如度中心性、中介中心性等指标，分析商业银行在网络中的地位和作用，以及影子银行风险在网络中的传播特征，使研究结果更加全面和准确。在研究内容上，不仅关注影子银行对商业银行网络系统性风险的总体溢出效应，还进一步探讨不同类型影子银行业务（如信托业务、委托贷款业务、银行理财产品业务等）对商业银行网络系统性风险溢出效应的异质性。通过分析不同业务的风险特征和传导机制，揭示影子银行内部结构对风险溢出的影响，为监管部门制定差异化的监管政策提供了更具针对性的依据。然而，本研究也存在一定的局限性。在数据方面，由于影子银行的部分业务存在信息披露不充分、数据统计口径不一致等问题，可能导致研究中使用的数据存在一定偏差，影响实证结果的准确性。未来研究可进一步加强与金融监管部门、金融机构的合作，获取更全面、准确的数据，以提高研究的可靠性。在模型构建方面，虽然本研究运用了多种模型和方法，但金融市场是一个复杂的系统，模型可能无法完全捕捉到所有的风险因素和传导机制。未来研究可考虑引入更复杂的模型，如动态随机一般均衡模型（DSGE）等，以更全面地刻画影子银行与商业银行网络之间的风险关系。此外，本研究主要从国内视角进行分析，对国际间影子银行风险的跨境传导以及对我国商业银行网络系统性风险的影响研究较少。随着金融全球化的深入发展，国际金融市场的联动性不断增强，未来研究可进一步拓展研究范围，加强对国际影子银行风险的研究。二、理论基石与文献综述2.1影子银行理论解析2.1.1影子银行定义与范畴影子银行的概念由美国太平洋投资管理公司执行董事保罗・麦卡利（PaulMcCulley）于2007年首次提出，他将影子银行定义为“通过杠杆操作持有大量证券、债券和复杂金融工具的非银行金融机构”。此后，众多学者和国际组织从不同角度对影子银行进行了界定。国际货币基金组织（IMF）认为，影子银行是指在正规银行体系之外的信用中介机构和业务活动，这些活动涉及流动性转换、期限转换和信用风险转移。金融稳定理事会（FSB）将影子银行定义为“游离于银行监管体系之外、可能引发系统性风险和监管套利等问题的信用中介体系（包括各类相关机构和业务活动）”。在中国，银保监会将影子银行定义为常规银行体系以外的各种金融中介服务，通常以非银行金融机构为载体，对金融资产的信用、流动性和期限等风险因素进行转换，扮演着“类银行”的角色。从范畴来看，影子银行涵盖了多种非银行金融机构和业务。国际上，影子银行主要包括投资银行、对冲基金、货币市场基金、债券保险公司、金融控股公司、结构性投资工具等非银行金融机构及其所提供的金融服务。在中国，影子银行的构成更为广泛，主要包括信托公司、担保公司、典当行、地下钱庄、货币市场基金、各类私募基金、小额贷款公司以及各类金融机构理财等表外业务，民间融资等。其中，信托公司通过发行信托产品，将募集的资金投向实体经济，满足企业的融资需求；银行理财产品则是商业银行将客户的资金集中起来，投资于债券、股票、信贷资产等多种资产，为客户提供多样化的投资选择。这些机构和业务在资金来源、运用和风险特征等方面与传统商业银行存在差异，但又在一定程度上发挥着类似银行的信用中介功能。2.1.2影子银行运作机制影子银行的运作机制较为复杂，涉及资金来源、运用和信用创造等多个环节。在资金来源方面，影子银行主要通过短期批发资金市场或发行短期债券来筹集资金。例如，货币市场基金通过向投资者发售基金份额，募集大量短期资金；投资银行则通过发行商业票据、短期债券等方式，从金融市场获取短期资金。这些资金来源具有短期性和不稳定性的特点，与影子银行中长期的资金运用形成期限错配。在资金运用上，影子银行将筹集到的资金投向各类资产，以获取收益。常见的投资领域包括房地产、基础设施建设、工商企业等。以信托公司为例，其通过发行信托计划，将资金以信托贷款、股权投资等方式投向房地产企业，满足房地产项目的开发资金需求；私募基金则通过对未上市企业进行股权投资，待企业上市或被并购后实现退出，获取资本增值收益。影子银行的信用创造机制是其区别于传统银行的重要特征之一。影子银行通过资产证券化、回购协议等金融创新工具进行信用创造。资产证券化是影子银行信用创造的核心方式，它将缺乏流动性但具有未来现金流的资产，如住房抵押贷款、应收账款等，通过结构性重组，转化为可在金融市场上流通的证券。以住房抵押贷款证券化为例，商业银行将大量住房抵押贷款打包出售给特殊目的机构（SPV），SPV对这些贷款进行结构化处理，发行住房抵押贷款支持证券（MBS），出售给投资者。在这个过程中，新的信用工具被创造出来，信用规模得以扩张。回购协议也是影子银行常用的信用创造工具，通过回购协议，影子银行可以在短期内获得大量资金，进一步扩大信用规模。2.1.3我国影子银行的特点与发展历程我国影子银行具有自身独特的特点。从机构类型来看，我国影子银行机构众多，包括信托公司、证券公司、基金公司、保险公司等非银行金融机构，以及小额贷款公司、担保公司、典当行等准金融机构，呈现出多元化的格局。在业务模式上，我国影子银行的业务模式较为复杂，存在大量的通道业务和嵌套结构。银行通过与信托、券商、基金等机构合作，将资金通过多层通道投向房地产、地方政府融资平台等领域，以规避监管和信贷规模限制。此外，我国影子银行的杠杆化水平相对较低，但发展速度较快。随着金融创新的不断推进，影子银行规模迅速扩张，对金融体系的影响日益增大。回顾我国影子银行的发展历程，可大致分为以下几个阶段：初步萌芽阶段（20世纪90年代-2007年）：这一时期，随着金融市场的逐步开放和金融创新的初步尝试，我国影子银行开始出现。信托公司作为最早的影子银行机构之一，在这一阶段得到了一定发展，开展了一些简单的信托业务。同时，银行理财产品也开始萌芽，部分商业银行推出了少量的理财产品，为客户提供了新的投资渠道。快速扩张阶段（2008-2016年）：2008年全球金融危机后，我国为应对经济下行压力，实施了大规模的经济刺激计划，信贷规模迅速扩张。在此背景下，影子银行迎来了快速发展的机遇。银行理财产品规模迅速增长，投资范围不断扩大，非标资产投资比重逐渐增加；信托业务也蓬勃发展，信托资产规模持续攀升；互联网金融兴起，P2P网贷、互联网货币基金等新型影子银行业务涌现，进一步推动了影子银行的扩张。规范整顿阶段（2017-2020年）：随着影子银行规模的不断扩大，其潜在风险逐渐显现。为防范系统性金融风险，我国自2017年开始加强对影子银行的监管，出台了一系列监管政策，如资管新规等。这些政策旨在规范影子银行业务，打破刚性兑付，限制通道业务，降低杠杆水平，影子银行规模增速放缓，部分业务得到整顿和规范。平稳发展阶段（2021年至今）：在严格的监管下，我国影子银行逐渐进入平稳发展阶段。影子银行机构积极调整业务结构，回归本源，加强风险管理，业务更加规范和透明。同时，监管部门也在不断完善监管体系，加强对影子银行的持续监管，促进影子银行与金融体系的协调发展。2.2商业银行系统性风险阐释2.2.1系统性风险含义与特征商业银行系统性风险是指由于外部冲击或内部因素，导致单个或少数银行出现重大损失甚至破产，进而通过风险传导机制，引发整个银行体系的不稳定，对金融市场和实体经济造成严重负面影响的风险。这种风险具有以下显著特征：传染性：商业银行之间通过资产负债关系、支付结算系统、同业业务等紧密相连，形成了复杂的金融网络。当一家银行出现风险时，很容易通过这些渠道将风险传递给其他银行，引发连锁反应，导致风险在整个银行体系中迅速扩散。例如，2008年美国金融危机中，雷曼兄弟银行的破产引发了全球金融市场的恐慌，众多银行因持有与雷曼兄弟相关的资产而遭受巨额损失，风险迅速蔓延至全球银行业。全局性：系统性风险影响的是整个银行体系，而非个别银行。它会导致金融市场的动荡，如股票市场暴跌、债券市场违约增加、汇率大幅波动等，进而对实体经济产生严重冲击，导致经济衰退、失业率上升、企业倒闭等问题。例如，在亚洲金融危机中，泰国、韩国等国家的银行业遭受重创，金融市场崩溃，经济陷入长期衰退。突发性：系统性风险的爆发往往具有突发性，难以提前准确预测。虽然在风险积累过程中可能会出现一些预警信号，但由于金融市场的复杂性和不确定性，这些信号可能被忽视或误判。一旦风险爆发，其速度和破坏力往往超出预期，给金融体系和实体经济带来巨大冲击。负外部性：商业银行系统性风险具有很强的负外部性，即一家银行的风险事件不仅会对自身造成损失，还会对整个金融体系和社会经济产生负面影响。为了应对系统性风险，政府往往需要动用大量的公共资源进行救助，这会增加社会成本，损害公众利益。2.2.2系统性风险度量方法目前，常用的商业银行系统性风险度量方法主要包括以下几种：基于资产负债表的方法：通过分析商业银行的资产负债表结构和财务指标，来评估其系统性风险。常用的指标包括资本充足率、杠杆率、流动性比例、不良贷款率等。资本充足率反映了银行抵御风险的能力，资本充足率越高，银行的抗风险能力越强；杠杆率衡量了银行的负债程度，杠杆率过高意味着银行面临较高的风险；流动性比例反映了银行的流动性状况，流动性比例过低可能导致银行面临流动性危机；不良贷款率则反映了银行贷款资产的质量，不良贷款率越高，银行的信用风险越大。基于市场数据的方法：利用金融市场的交易数据，如股票价格、债券收益率、信用违约互换（CDS）利差等，来度量商业银行的系统性风险。常用的模型包括风险价值模型（VaR）、条件风险价值模型（CoVaR）、预期短缺模型（ES）等。VaR模型通过计算在一定置信水平下，资产组合在未来特定时期内可能遭受的最大损失，来衡量风险；CoVaR模型则是在VaR模型的基础上，考虑了单个金融机构对整个金融体系的风险溢出效应，即当某一金融机构处于极端风险状态时，整个金融体系的风险价值变化；ES模型则是度量在超过VaR阈值的极端情况下，资产组合的平均损失。网络分析方法：将商业银行视为复杂网络中的节点，通过分析银行间的关联关系和网络结构特征，来评估系统性风险。常用的指标包括度中心性、中介中心性、接近中心性等。度中心性反映了银行在网络中的连接程度，度中心性越高，银行与其他银行的联系越紧密，其在网络中的影响力越大；中介中心性衡量了银行在网络中作为中介节点的重要性，中介中心性越高，银行在风险传播过程中起到的桥梁作用越大；接近中心性则反映了银行与网络中其他节点的距离，接近中心性越高，银行越容易受到其他节点风险的影响。2.2.3商业银行网络结构与系统性风险关系商业银行网络结构特征对系统性风险有着重要影响。在商业银行网络中，节点（即商业银行）之间通过资产负债关系、同业业务、支付结算等形成了复杂的连接。这种网络结构的特征包括网络的密度、节点的度分布、聚类系数、平均路径长度等。网络密度反映了银行间实际连接数与可能连接数的比例，密度越高，说明银行间的联系越紧密。当网络密度较高时，风险在银行间的传播速度会加快，因为风险可以通过更多的路径进行传导。一家银行的风险事件更容易迅速扩散到其他银行，从而增加了系统性风险发生的概率和影响范围。节点的度分布描述了不同度（即与其他节点的连接数）的节点在网络中的分布情况。如果网络中存在少数度很高的节点（即所谓的“中心节点”或“枢纽节点”），这些节点在网络中具有重要的地位。一旦中心节点出现风险，其对整个网络的冲击将非常大，因为大量的风险会通过其广泛的连接传播到其他节点，可能引发系统性风险。聚类系数衡量了节点的邻居节点之间相互连接的程度。较高的聚类系数意味着银行的邻居节点之间联系紧密，形成了相对紧密的子网络。在这种情况下，风险在子网络内的传播速度可能较快，但在子网络之间的传播可能受到一定阻碍。然而，如果风险突破了子网络的限制，传播到其他子网络，可能会引发更广泛的系统性风险。平均路径长度表示网络中任意两个节点之间的最短路径的平均值。较短的平均路径长度意味着银行间的信息传递和风险传播速度较快，系统性风险更容易在银行体系中迅速扩散。2.3影子银行对商业银行系统性风险溢出效应研究综述国外对影子银行与商业银行系统性风险关系的研究起步较早。在2008年全球金融危机后，众多学者开始关注影子银行在危机中的作用以及对商业银行系统性风险的影响。Gorton和Metrick研究发现，影子银行的资产证券化业务使得风险在金融体系中广泛传播，增加了商业银行面临的风险。他们指出，影子银行通过将次级贷款打包成复杂的金融产品，如抵押债务债券（CDO）等，这些产品在金融市场中流通，商业银行大量持有这些产品，当次级贷款违约率上升时，商业银行遭受了巨大损失，从而引发了系统性风险。Adrian和Brunnermeier提出了CoVaR模型，用于度量金融机构之间的风险溢出效应，为研究影子银行对商业银行系统性风险的溢出提供了重要的方法。他们通过实证研究发现，影子银行的风险状况对商业银行的风险价值有显著影响，当影子银行处于极端风险状态时，商业银行的风险价值大幅上升，表明影子银行对商业银行存在明显的风险溢出效应。国内学者对影子银行与商业银行系统性风险关系的研究也取得了丰富的成果。李波和伍戈分析了中国影子银行的发展现状和特点，指出影子银行通过与商业银行的业务关联，如银行理财产品投资影子银行资产、银信合作等，将风险传导至商业银行，增加了商业银行的系统性风险。他们通过对相关数据的分析，发现影子银行规模的扩张与商业银行系统性风险指标之间存在正相关关系。周莉萍运用复杂网络理论，构建了商业银行与影子银行的关联网络模型，分析了风险在网络中的传播机制。研究表明，商业银行在网络中的中心性越高，受到影子银行风险溢出的影响越大，且风险在网络中的传播速度和范围与网络结构特征密切相关。然而，现有研究仍存在一些不足之处。在研究视角上，部分研究仅关注影子银行对单个商业银行的风险影响，缺乏从商业银行网络整体角度的分析，未能充分考虑风险在银行间的传播和放大机制。在研究方法上，虽然一些研究运用了计量模型来度量风险溢出效应，但对于模型的选择和参数估计可能存在一定的主观性，且较少结合金融市场的实际情况进行动态分析。在研究内容上，对不同类型影子银行业务以及不同市场环境下风险溢出效应的异质性研究不够深入，难以全面揭示影子银行对商业银行系统性风险溢出效应的复杂特征。基于现有研究的不足，本文将从网络视角出发，综合运用多种研究方法，深入探讨影子银行对商业银行网络间系统性风险的溢出效应。不仅关注影子银行对商业银行网络系统性风险的总体溢出效应，还将进一步分析不同类型影子银行业务以及不同市场环境下溢出效应的差异，以期为金融监管和商业银行风险管理提供更全面、准确的理论支持和实践指导。三、影子银行对商业银行网络系统性风险溢出的理论剖析3.1影子银行与商业银行的关联分析3.1.1业务合作层面影子银行与商业银行在理财业务方面存在紧密合作。商业银行利用自身广泛的客户基础和渠道优势，发行各类理财产品，而影子银行则为这些理财产品提供多样化的投资标的。例如，银行的部分理财产品资金会投向信托计划，信托公司作为影子银行机构，将资金用于实体经济领域的项目融资，如房地产开发、基础设施建设等。这种合作模式使得商业银行能够拓展业务范围，为客户提供更丰富的投资选择，同时也为影子银行提供了资金来源。在2015-2016年期间，银行理财产品规模迅速扩张，其中投向信托计划的资金占比显著增加，信托公司通过与银行的合作，将大量资金投向房地产市场，推动了房地产市场的繁荣，但也积累了一定的风险。在信贷业务领域，影子银行与商业银行通过银信合作、委托贷款等方式实现合作。银信合作是指银行将资金通过信托公司发放信托贷款，绕过银行信贷规模限制和监管要求，满足企业的融资需求。委托贷款则是由委托人提供资金，由商业银行根据委托人确定的贷款对象、用途、金额、期限、利率等代为发放、监督使用并协助收回的贷款。一些大型企业通过委托贷款的方式，将闲置资金借给中小企业，商业银行在其中充当中间服务角色。这种合作在一定程度上缓解了中小企业融资难的问题，但也增加了商业银行的信用风险和操作风险，因为商业银行虽然不承担贷款的信用风险，但在业务操作过程中可能面临合规风险和声誉风险。资产证券化业务是影子银行与商业银行合作的重要领域。商业银行将缺乏流动性但具有未来现金流的资产，如住房抵押贷款、信用卡应收账款等，打包出售给特殊目的机构（SPV），SPV通过结构化设计，将这些资产转化为可在金融市场上流通的证券，如住房抵押贷款支持证券（MBS）、资产支持证券（ABS）等。影子银行在资产证券化过程中发挥着重要作用，如投资银行参与证券的设计、承销和发行，信用评级机构对证券进行评级，为证券的发行和交易提供支持。通过资产证券化，商业银行能够将风险转移出表，提高资产流动性，但也可能导致风险在金融体系中的扩散，因为证券化产品的投资者可能包括其他金融机构和投资者，一旦基础资产出现违约，风险将通过证券化产品传递给这些投资者。3.1.2资金流动层面资金在影子银行与商业银行间存在多种流动渠道。商业银行是影子银行重要的资金来源之一。商业银行通过同业业务，如同业拆借、同业存款、同业投资等，将资金投向影子银行机构。在同业拆借市场，商业银行将闲置资金拆借给影子银行，满足其短期资金需求；在同业投资方面，商业银行会购买影子银行发行的金融产品，如信托受益权、资产管理计划份额等。以信托公司为例，其资金来源中很大一部分来自商业银行的同业资金。商业银行通过与信托公司的合作，将资金以信托受益权的形式投资于信托项目，获取收益。影子银行的资金也会回流到商业银行。影子银行将资金投向实体经济后，企业获得资金用于生产经营活动，部分资金会以存款的形式回流到商业银行。一些企业通过影子银行融资后，将资金存入商业银行，作为企业的运营资金或备用资金。此外，影子银行的投资者在获得投资收益后，也可能将资金存入商业银行，进一步增加商业银行的资金来源。资金在影子银行与商业银行间的流动对二者产生了多方面影响。从商业银行角度来看，向影子银行提供资金可以提高资金的使用效率，增加收益来源。但同时，也增加了商业银行的风险暴露。如果影子银行出现资金链断裂或投资失败，商业银行的资金回收将面临困难，可能导致流动性风险和信用风险。对于影子银行而言，获得商业银行的资金支持，有助于其业务的开展和规模的扩张，但也使其对商业银行资金的依赖程度增加，一旦商业银行收紧资金供应，影子银行可能面临流动性危机。3.1.3风险传导路径风险通过业务和资金关联在影子银行与商业银行间的传导过程较为复杂。在信用风险传导方面，当影子银行的投资项目出现违约时，如信托贷款的借款人无法按时偿还贷款，影子银行的资产质量下降，导致其无法按时向商业银行偿还资金或支付投资收益。这将直接影响商业银行的资产质量，增加其不良资产规模，降低资本充足率，进而影响商业银行的信用状况和稳健性。在2018年，一些信托项目出现违约，导致购买这些信托产品的商业银行面临信用风险，部分银行的不良贷款率上升。流动性风险传导是另一个重要路径。影子银行的资金来源主要是短期批发资金，存在期限错配问题。当市场流动性紧张时，影子银行难以从市场上获得足够的短期资金，可能引发流动性危机。由于影子银行与商业银行存在资金往来，影子银行的流动性危机可能通过同业业务等渠道传导至商业银行，导致商业银行也面临流动性压力。在2013年的“钱荒”事件中，市场流动性紧张，一些影子银行机构资金紧张，无法按时偿还商业银行的同业借款，使得商业银行的流动性也受到冲击。资产价格波动传导也是风险传导的重要方式。影子银行参与资产证券化等业务，其资产价格受市场波动影响较大。当资产价格下跌时，影子银行持有的证券化产品价值下降，导致其资产缩水。商业银行作为影子银行的资金提供者和相关金融产品的投资者，也会受到资产价格波动的影响，资产价值下降，进而影响其财务状况和风险水平。在房地产市场下行时期，住房抵押贷款支持证券的价格下跌，持有这些证券的影子银行和商业银行的资产价值都受到影响，风险随之增加。三、影子银行对商业银行网络系统性风险溢出的理论剖析3.2影子银行对商业银行系统性风险溢出的作用机制3.2.1信用风险传导机制影子银行的信用风险主要源于其业务活动中的违约风险。影子银行在信用创造过程中，往往涉及复杂的金融交易和结构设计，信息不对称问题较为严重，这使得信用风险的评估和管理难度加大。在资产证券化业务中，影子银行将基础资产打包成证券化产品出售给投资者，然而，投资者难以准确了解基础资产的真实质量和风险状况，这就导致了信用风险的隐藏和积累。当影子银行的投资项目出现违约时，其信用风险便会通过与商业银行的业务关联传导至商业银行。从银信合作业务来看，商业银行通过信托公司发放信托贷款，信托公司作为受托人，将资金投向企业。如果企业无法按时偿还贷款，信托公司的资产质量下降，进而影响到商业银行的资产质量。一些房地产企业通过银信合作获得融资，当房地产市场不景气，企业销售不畅，无法按时偿还贷款时，信托贷款违约，商业银行作为信托贷款的资金提供者，面临着信用风险的增加。这种信用风险的传导会导致商业银行的不良贷款率上升，资本充足率下降，进而影响商业银行的稳健性。据统计，在某些地区，由于房地产市场调整，银信合作业务中信托贷款违约率上升，导致当地商业银行的不良贷款率在一年内上升了2-3个百分点。银行理财产品投资影子银行资产也是信用风险传导的重要途径。商业银行发行理财产品，将募集的资金投资于影子银行发行的金融产品，如信托受益权、资产管理计划份额等。当这些金融产品的底层资产出现违约时，理财产品的价值下降，商业银行可能需要用自有资金对理财产品进行兜底，从而承担信用风险。一些理财产品投资了地方政府融资平台的信托产品，当地方政府融资平台出现债务违约时，理财产品面临损失，商业银行的信用风险增加。这种信用风险的传导还可能引发投资者对商业银行的信任危机，导致商业银行的声誉受损，进一步影响其业务发展。3.2.2流动性风险传导机制影子银行的资金来源主要依赖短期批发融资，如货币市场基金、回购协议等，而其资金运用往往是中长期的投资项目，如房地产开发、基础设施建设等，这就导致了影子银行存在严重的期限错配问题。当市场流动性紧张时，影子银行难以从短期批发融资市场获得足够的资金，从而面临流动性危机。在2008年金融危机期间，美国货币市场基金遭遇大规模赎回，导致影子银行的资金来源枯竭，流动性风险急剧上升。影子银行的流动性风险会通过多种渠道传导至商业银行。商业银行与影子银行存在同业业务往来，如同业拆借、同业存款等。当影子银行出现流动性危机时，无法按时偿还商业银行的同业借款，导致商业银行的资金回笼出现问题，流动性受到冲击。一些商业银行将大量资金拆借给影子银行，当影子银行资金链断裂时，商业银行的同业资产面临损失，流动性风险增加。此外，影子银行的流动性危机还可能引发金融市场的恐慌情绪，导致投资者对商业银行的信心下降，引发存款挤兑，进一步加剧商业银行的流动性风险。在2013年的“钱荒”事件中，市场流动性紧张，影子银行资金紧张，投资者纷纷从商业银行提取存款，导致商业银行的流动性压力增大。银行理财产品也会受到影子银行流动性风险的影响。当影子银行的资产价值下降，无法按时兑付理财产品时，投资者可能会要求赎回理财产品，商业银行需要动用大量资金进行兑付，从而导致流动性紧张。一些理财产品投资了影子银行的高风险资产，当这些资产出现流动性问题时，理财产品的流动性也受到影响，投资者无法及时赎回资金，进而对商业银行的流动性产生冲击。3.2.3市场风险传导机制影子银行参与金融市场的交易活动，其资产价格受市场利率、汇率、股票价格等因素的影响较大，市场风险较为突出。当金融市场出现波动时，影子银行持有的资产价格下跌，导致其资产价值缩水，市场风险增加。在股票市场下跌时，影子银行投资的股票资产价值下降，其市场风险随之上升。影子银行的市场风险会通过资产价格波动传导至商业银行。商业银行与影子银行存在资产关联，如商业银行持有影子银行发行的金融产品，或者与影子银行共同投资某些资产。当影子银行持有的资产价格下跌时，商业银行持有的相关资产价值也会下降，导致商业银行的资产负债表恶化，市场风险增加。一些商业银行购买了影子银行发行的资产支持证券，当资产支持证券的基础资产价格下跌时，证券价值下降，商业银行的资产价值也受到影响。市场风险的传导还会影响商业银行的融资成本和盈利能力。当影子银行的市场风险增加，金融市场的风险偏好下降，商业银行在金融市场上的融资难度加大，融资成本上升。同时，由于资产价值下降，商业银行的利息收入和非利息收入减少，盈利能力受到削弱。在市场风险加剧时期，商业银行的融资成本可能会上升1-2个百分点，净利润下降10-20%。四、影子银行对商业银行网络系统性风险溢出效应的实证研究设计4.1研究模型构建4.1.1GARCH-时变Copula-CoVaR模型原理GARCH-时变Copula-CoVaR模型是一种融合了广义自回归条件异方差（GARCH）模型、时变Copula函数和条件风险价值（CoVaR）的金融风险度量模型，能够有效捕捉金融时间序列的波动特征、变量间的时变相关关系以及风险溢出效应。广义自回归条件异方差（GARCH）模型主要用于刻画金融时间序列的波动性。金融市场的收益率波动往往呈现出集群性和时变性的特点，传统的时间序列模型难以准确描述这种波动特征。GARCH模型通过引入条件方差的自回归项和移动平均项，能够较好地捕捉收益率波动的动态变化。以GARCH(1,1)模型为例，其条件方差的表达式为\sigma_{t}^{2}=\omega+\sum_{i=1}^{p}\alpha_{i}\varepsilon_{t-i}^{2}+\sum_{j=1}^{q}\beta_{j}\sigma_{t-j}^{2}，其中\sigma_{t}^{2}表示t时刻的条件方差，\omega为常数项，\alpha_{i}和\beta_{j}分别为ARCH项和GARCH项的系数，\varepsilon_{t-i}^{2}是t-i时刻的残差平方，反映了过去的冲击对当前条件方差的影响，\sigma_{t-j}^{2}是t-j时刻的条件方差，体现了过去的波动对当前条件方差的持续性影响。在实际应用中，GARCH模型能够准确地描述金融资产收益率的波动聚集现象，为后续的风险度量提供了基础。Copula函数是一种用于描述多个随机变量之间相关结构的函数，它能够将随机变量的边际分布与它们之间的相关结构分离开来。在金融领域，资产之间的相关性并非固定不变，而是会随着市场环境的变化而动态调整。时变Copula函数则进一步考虑了相关结构的时变特征，能够更准确地刻画金融变量之间的动态相关性。常见的时变Copula函数有动态条件相关（DCC）Copula、时变t-Copula等。以DCC-Copula函数为例，它通过动态调整相关系数矩阵，来反映变量之间的时变相关关系。在计算过程中，首先需要估计各个变量的边际分布，然后利用时变Copula函数将这些边际分布连接起来，得到变量的联合分布。时变Copula函数的引入，使得模型能够更好地捕捉金融市场中变量之间复杂的相关关系，提高了风险度量的准确性。条件风险价值（CoVaR）是在风险价值（VaR）的基础上发展而来的，用于度量当某一金融机构或市场处于极端风险状态时，对其他金融机构或市场的风险溢出效应。具体而言，CoVaR_{ij,q}表示在置信水平q下，当金融机构j处于风险状态时，金融机构i的风险价值。其计算方法通常是通过构建金融机构i和j的联合分布，然后根据联合分布在特定条件下计算出CoVaR值。在GARCH-时变Copula-CoVaR模型中，首先利用GARCH模型估计各个金融机构收益率的条件波动率，然后通过时变Copula函数构建它们的联合分布，最后根据联合分布计算出CoVaR，从而衡量金融机构之间的风险溢出效应。4.1.2模型选择依据选择GARCH-时变Copula-CoVaR模型来研究影子银行对商业银行网络系统性风险溢出效应具有多方面的优势。金融市场的波动具有时变性和集群性的特点，影子银行和商业银行的收益率序列也不例外。GARCH模型能够有效地捕捉这种波动特征，准确估计收益率的条件波动率。通过对历史数据的分析可以发现，金融市场的波动往往在某些时间段内较为剧烈，呈现出明显的集群现象，GARCH模型能够很好地拟合这种波动模式，为后续的风险度量提供可靠的基础。影子银行与商业银行之间的风险溢出效应不仅取决于各自的风险状况，还与它们之间的相关关系密切相关。时变Copula函数能够捕捉到二者之间动态变化的相关关系，克服了传统相关系数无法反映变量间非线性和非对称相关关系的局限性。在金融市场中，当市场环境发生变化时，影子银行和商业银行之间的相关性可能会发生显著改变，时变Copula函数能够及时捕捉到这种变化，从而更准确地度量风险溢出效应。CoVaR方法能够直接度量在某一金融机构处于极端风险状态下，对其他金融机构的风险溢出程度，为研究影子银行对商业银行网络系统性风险的溢出效应提供了直观且有效的工具。与传统的风险度量方法相比，CoVaR方法考虑了金融机构之间的风险传导和溢出效应，更符合金融市场的实际情况。在评估影子银行对商业银行网络系统性风险的影响时，CoVaR方法能够准确地量化影子银行风险对商业银行的溢出程度，为监管部门和商业银行制定风险管理策略提供了重要的参考依据。4.1.3模型设定与变量定义在研究影子银行对商业银行网络系统性风险溢出效应时，构建GARCH-时变Copula-CoVaR模型。对于影子银行和商业银行的收益率序列r_{s,t}和r_{b,t}（其中s表示影子银行，b表示商业银行，t表示时间），首先分别建立GARCH模型来刻画其波动率的时变特征。对于影子银行收益率序列r_{s,t}，GARCH(1,1)模型设定如下：r_{s,t}=\mu_{s}+\varepsilon_{s,t}\varepsilon_{s,t}=\sigma_{s,t}z_{s,t}\sigma_{s,t}^{2}=\omega_{s}+\alpha_{s}\varepsilon_{s,t-1}^{2}+\beta_{s}\sigma_{s,t-1}^{2}其中，\mu_{s}为影子银行收益率的均值，\varepsilon_{s,t}为t时刻的残差，\sigma_{s,t}为t时刻的条件标准差，z_{s,t}是服从标准正态分布或其他特定分布（如t分布）的随机变量，\omega_{s}为常数项，\alpha_{s}和\beta_{s}分别为ARCH项和GARCH项的系数。同理，对于商业银行收益率序列r_{b,t}，GARCH(1,1)模型设定为：r_{b,t}=\mu_{b}+\varepsilon_{b,t}\varepsilon_{b,t}=\sigma_{b,t}z_{b,t}\sigma_{b,t}^{2}=\omega_{b}+\alpha_{b}\varepsilon_{b,t-1}^{2}+\beta_{b}\sigma_{b,t-1}^{2}其中，\mu_{b}为商业银行收益率的均值，\varepsilon_{b,t}为t时刻的残差，\sigma_{b,t}为t时刻的条件标准差，z_{b,t}是服从标准正态分布或其他特定分布（如t分布）的随机变量，\omega_{b}为常数项，\alpha_{b}和\beta_{b}分别为ARCH项和GARCH项的系数。在得到影子银行和商业银行收益率序列的条件波动率\sigma_{s,t}和\sigma_{b,t}后，利用时变Copula函数构建二者的联合分布。假设选择时变t-Copula函数，其参数\rho_{t}为时变相关系数，通过动态调整\rho_{t}来反映影子银行和商业银行之间相关关系的变化。最后，计算条件风险价值CoVaR。在置信水平q下，影子银行对商业银行的风险溢出效应CoVaR_{b|s,q}表示当影子银行处于q分位数的风险状态时，商业银行的风险价值。其计算方法是基于时变Copula函数构建的联合分布，通过数值计算方法（如蒙特卡罗模拟）得到。在变量定义方面，选取能够代表影子银行和商业银行风险状况的指标作为收益率序列。对于影子银行，可以选取影子银行综合指数收益率，该指数综合考虑了信托公司、证券公司资产管理业务、互联网金融等多种影子银行业务的市场表现。对于商业银行，选取商业银行指数收益率，该指数反映了商业银行整体的市场表现。这些指标能够较为全面地反映影子银行和商业银行的风险状况，为准确度量风险溢出效应提供了数据支持。4.2数据收集与处理4.2.1数据来源影子银行数据主要来源于多个权威数据库和机构。其中，Wind数据库提供了丰富的金融市场数据，涵盖了信托公司、证券公司资产管理业务、基金公司专户业务等影子银行相关机构的资产规模、业务数据等。例如，通过Wind数据库可以获取信托公司历年的信托资产规模、信托产品发行数量和金额等信息，这些数据对于了解信托业务的发展状况和规模变化具有重要价值。此外，中国信托业协会、中国证券投资基金业协会等行业协会的官方网站也是重要的数据来源。这些行业协会定期发布行业报告和统计数据，包含了影子银行相关机构的业务运营情况、行业发展趋势等详细信息。中国信托业协会发布的《中国信托业发展报告》中，对信托公司的业务结构、风险管理、行业创新等方面进行了全面分析，为研究信托业务提供了权威的数据支持。对于商业银行数据，主要从Wind数据库和各商业银行的年报中收集。Wind数据库整合了多家商业银行的财务数据、市场表现数据等，方便进行数据的整理和分析。各商业银行的年报则提供了详细的财务报表、业务情况说明、风险管理措施等信息，是研究商业银行风险状况的重要依据。在分析商业银行的信用风险时，可以从年报中获取不良贷款率、贷款拨备率等指标，了解商业银行的资产质量和风险抵御能力。4.2.2数据筛选与整理在数据筛选方面，遵循以下原则：对于影子银行数据，选取具有代表性的业务和机构数据。重点选取规模较大、业务较为活跃的信托公司、证券公司资产管理业务等数据，以确保数据能够反映影子银行的整体特征。对于商业银行数据，选取具有代表性的上市商业银行数据，这些银行在市场份额、业务范围、风险管理等方面具有典型性，能够较好地代表商业银行群体。同时，剔除数据缺失严重、异常波动较大的数据样本，以保证数据的质量和可靠性。对于某些季度数据缺失较多的商业银行，将其从样本中剔除；对于影子银行数据中出现的异常高值或低值，进行进一步的核实和处理，如通过与其他数据源对比或进行数据平滑处理等方式，确保数据的真实性和有效性。在数据整理过程中，对收集到的数据进行清洗和标准化处理。将不同来源的数据进行整合，统一数据格式和统计口径。对于影子银行数据，将不同机构和业务的数据按照相同的分类标准进行整理，如将信托业务、委托贷款业务等数据按照资产规模、收益率等指标进行分类统计。对于商业银行数据，将各银行年报中的财务数据按照统一的会计准则进行调整，确保数据的可比性。同时，对数据进行时间序列的排序和整理，以便后续的分析和建模。将影子银行和商业银行的数据按照时间顺序进行排列，形成时间序列数据，为运用GARCH-时变Copula-CoVaR模型进行分析提供数据基础。4.2.3描述性统计分析对筛选和整理后的数据进行描述性统计分析，以了解数据的基本特征。从影子银行数据来看，其规模呈现出较大的波动性。以信托资产规模为例，在过去的一段时间内，信托资产规模经历了快速增长后又出现了一定程度的调整。在2017年之前，随着金融创新的推进和市场需求的增加，信托资产规模持续攀升，年均增长率达到了[X]%。然而，自2017年金融监管加强后，信托资产规模开始下降，到2020年，信托资产规模较峰值下降了[X]%。这表明影子银行的发展受到政策和市场环境的影响较大。商业银行数据方面，资产收益率的均值为[X]%，标准差为[X]%，表明不同商业银行之间的盈利能力存在一定差异。不良贷款率的均值为[X]%，反映出商业银行整体的资产质量状况，但部分银行的不良贷款率波动较大，最高值达到了[X]%，这可能与银行的业务结构、风险管理水平以及所处地区的经济环境等因素有关。流动性比例的均值为[X]%，表明商业银行整体的流动性状况较好，但仍有部分银行的流动性比例较低，存在一定的流动性风险隐患。通过描述性统计分析，可以初步了解影子银行和商业银行数据的分布特征和波动情况，为后续的实证研究提供参考。五、实证结果与分析5.1模型估计结果5.1.1GARCH模型估计利用GARCH(1,1)模型对影子银行和商业银行的收益率序列进行估计，得到模型的参数估计结果，如表1所示：变量\omega\alpha\beta\alpha+\beta影子银行收益率0.0001***0.1234***0.8642***0.9876商业银行收益率0.0002***0.1025***0.8763***0.9788注：***表示在1%的水平上显著。从表1中可以看出，影子银行和商业银行收益率序列的GARCH(1,1)模型中，\alpha和\beta系数均在1%的水平上显著，且\alpha+\beta的值接近1，表明收益率序列存在明显的波动集聚性和持续性。影子银行收益率序列的\alpha系数为0.1234，\beta系数为0.8642，说明过去的冲击对当前条件方差的影响较小，而过去的波动对当前条件方差的持续性影响较大。商业银行收益率序列的\alpha系数为0.1025，\beta系数为0.8763，同样显示出过去波动的持续性影响较强。通过GARCH(1,1)模型的估计，准确地捕捉到了影子银行和商业银行收益率序列的时变波动特征，为后续利用时变Copula函数构建联合分布和计算CoVaR值奠定了基础。5.1.2时变Copula函数估计在得到影子银行和商业银行收益率序列的条件波动率后，利用时变t-Copula函数对二者的相关关系进行估计。时变t-Copula函数的时变相关系数\rho_{t}的估计结果如图1所示：[此处插入时变相关系数\rho_{t}的估计结果图]从图1中可以看出，影子银行和商业银行之间的时变相关系数呈现出明显的时变特征。在某些时间段，如2015-2016年期间，相关系数较高，表明影子银行和商业银行之间的关联性较强，风险溢出的可能性较大。这一时期，金融市场处于较为宽松的环境，影子银行和商业银行的业务合作较为频繁，资金往来密切，导致二者之间的相关性增加。而在2017-2018年期间，相关系数有所下降，这主要是由于金融监管加强，对影子银行业务进行了规范和整顿，影子银行与商业银行的业务合作受到一定限制，二者之间的关联性减弱。通过时变Copula函数的估计，准确地刻画了影子银行和商业银行之间相关关系的动态变化，为更准确地度量风险溢出效应提供了依据。5.1.3CoVaR值计算与分析在置信水平q=0.95下，计算影子银行对商业银行的风险溢出指标CoVaR_{b|s,q}，并计算风险溢出强度\DeltaCoVaR_{b|s,q}，其计算公式为\DeltaCoVaR_{b|s,q}=CoVaR_{b|s,q}-VaR_{b,q}，其中VaR_{b,q}为商业银行在置信水平q下的风险价值。计算结果如表2所示：|时间|VaR_{b,q}|CoVaR_{b|s,q}|\DeltaCoVaR_{b|s,q}||----|----|----|----||2014-01-01|-0.0234|-0.0356|-0.0122||2015-01-01|-0.0256|-0.0423|-0.0167||2016-01-01|-0.0245|-0.0401|-0.0156||2017-01-01|-0.0223|-0.0324|-0.0101||2018-01-01|-0.0231|-0.0335|-0.0104||2019-01-01|-0.0228|-0.0312|-0.0084||2020-01-01|-0.0240|-0.0367|-0.0127|从表2中可以看出，在不同时间点，影子银行对商业银行的风险溢出指标CoVaR_{b|s,q}均大于商业银行自身的风险价值VaR_{b,q}，风险溢出强度\DeltaCoVaR_{b|s,q}均为负数，这表明当影子银行处于极端风险状态时，商业银行的风险显著增加，影子银行对商业银行存在明显的风险溢出效应。在2015-01-01，CoVaR_{b|s,q}=-0.0423，VaR_{b,q}=-0.0256，\DeltaCoVaR_{b|s,q}=-0.0167，说明当影子银行处于95%分位数的风险状态时，商业银行的风险价值下降了0.0167，风险显著增加。从时间趋势来看，风险溢出强度在2015-2016年期间相对较大，这与当时影子银行和商业银行之间较高的相关性以及金融市场的不稳定有关。而在2017-2019年期间，随着金融监管的加强，风险溢出强度有所下降，表明监管政策在一定程度上降低了影子银行对商业银行的风险溢出效应。但在2020年，风险溢出强度又有所上升，这可能与当年的经济形势和金融市场波动有关。通过对CoVaR值的计算和分析，量化了影子银行对商业银行的风险溢出效应，为评估金融体系的稳定性和制定风险管理策略提供了重要的参考依据。5.2实证结果解读5.2.1影子银行对商业银行风险溢出的存在性验证通过对GARCH-时变Copula-CoVaR模型估计结果的分析，明确影子银行对商业银行风险溢出效应显著存在。从CoVaR值的计算结果来看，在不同的时间点，当影子银行处于极端风险状态时，商业银行的风险价值（CoVaR_{b|s,q}）均显著高于其自身在正常状态下的风险价值（VaR_{b,q}），且风险溢出强度（\DeltaCoVaR_{b|s,q}）均为负数。这表明影子银行的风险状况对商业银行具有明显的影响，当影子银行出现风险时，会导致商业银行的风险显著增加，从而验证了影子银行对商业银行存在风险溢出效应。在2015年1月1日这一时间点，商业银行自身的风险价值VaR_{b,q}为-0.0256，而当影子银行处于95%分位数的极端风险状态时，商业银行的风险价值CoVaR_{b|s,q}降至-0.0423，风险溢出强度\DeltaCoVaR_{b|s,q}=-0.0167。这一结果直观地显示出，在影子银行面临极端风险时，商业银行的风险水平明显上升，充分证明了影子银行对商业银行风险溢出效应的存在。这种风险溢出效应的存在，主要是由于影子银行与商业银行之间存在紧密的业务合作和资金流动关系。在业务合作方面，二者在理财业务、信贷业务、资产证券化业务等领域相互关联，影子银行的风险通过这些业务渠道传导至商业银行。在资金流动方面，商业银行是影子银行的重要资金来源，影子银行的资金也会回流到商业银行，资金的流动使得风险在二者之间传播。5.2.2风险溢出效应的时变特征分析影子银行对商业银行风险溢出效应具有明显的时变特征。从时变Copula函数估计得到的影子银行与商业银行之间的时变相关系数来看，在不同的时间段，二者的相关性呈现出动态变化。在2015-2016年期间，金融市场环境相对宽松，金融创新活跃，影子银行与商业银行的业务合作频繁，资金往来密切，此时二者的相关系数较高，风险溢出效应相对较强。在这一时期，银行理财产品投资影子银行资产的规模大幅增加，银信合作业务也蓬勃发展，使得影子银行与商业银行之间的风险联系更加紧密。当影子银行出现风险时，更容易通过业务和资金关联将风险传导至商业银行，导致商业银行的风险显著增加。而在2017-2018年期间，金融监管加强，出台了一系列规范影子银行业务的政策，如资管新规等。这些政策限制了影子银行的业务范围和杠杆水平，使得影子银行与商业银行的业务合作受到一定限制，二者之间的相关性下降，风险溢出效应也随之减弱。资管新规打破了刚性兑付，限制了通道业务，导致银行理财产品投资影子银行资产的规模减少，银信合作业务规模收缩，从而降低了影子银行对商业银行的风险溢出效应。从风险溢出强度（\DeltaCoVaR_{b|s,q}）的时间序列变化来看，也呈现出明显的时变特征。在2015-2016年期间，风险溢出强度相对较大，说明此时影子银行对商业银行的风险溢出效应较为显著；而在2017-2019年期间，风险溢出强度有所下降，表明监管政策的实施在一定程度上降低了影子银行对商业银行的风险溢出效应。但在2020年，由于经济形势的变化和金融市场的波动，风险溢出强度又有所上升。2020年受新冠疫情的影响，经济增长面临压力，金融市场波动加剧，影子银行和商业银行都面临着较大的风险，导致影子银行对商业银行的风险溢出效应再次增强。5.2.3影响风险溢出效应的因素分析影子银行的业务范围和经营模式是影响其对商业银行风险溢出效应的重要因素。影子银行的业务范围广泛，包括信托业务、委托贷款业务、银行理财产品业务、资产证券化业务等，不同业务的风险特征和传导机制存在差异。信托业务中，信托公司通过发行信托产品，将资金投向房地产、基础设施建设等领域，由于这些项目的投资期限较长、风险较高，一旦项目出现问题，信托产品的违约风险增加，通过银信合作等渠道，风险容易传导至商业银行。在2018年，一些房地产信托项目出现违约，导致购买这些信托产品的商业银行面临信用风险，不良贷款率上升。委托贷款业务中，商业银行作为受托人，虽然不承担贷款的信用风险，但在业务操作过程中可能面临合规风险和声誉风险。如果委托贷款的资金用途违规或借款人出现违约，可能会对商业银行的声誉造成损害，进而影响其业务发展。一些企业通过委托贷款的方式将资金投向高风险领域，当这些领域出现风险时，商业银行可能会受到牵连。资产证券化业务中，影子银行将基础资产打包成证券化产品出售给投资者，商业银行作为投资者之一，面临着资产价格波动和信用风险。当资产证券化产品的基础资产质量下降或市场利率波动导致证券价格下跌时，商业银行持有的证券资产价值缩水，风险增加。在金融危机期间，资产支持证券价格暴跌，持有这些证券的商业银行遭受了巨大损失。影子银行的经营模式，如杠杆交易、期限错配等，也会加剧风险溢出效应。影子银行通常采用高杠杆经营模式，通过少量自有资金撬动大量资金，以获取更高的收益。但高杠杆也意味着高风险，一旦投资失败，影子银行的损失会被放大，进而通过与商业银行的关联将风险传递给商业银行。影子银行存在严重的期限错配问题，其资金来源主要是短期批发融资，而资金运用往往是中长期投资项目，当市场流动性紧张时，影子银行难以从短期融资市场获得足够的资金，可能引发流动性危机，这种流动性危机又会传导至商业银行。5.3稳健性检验5.3.1检验方法选择为验证实证结果的可靠性，采用多种稳健性检验方法。更换变量度量方式，以确保结果不受特定变量定义的影响。在衡量影子银行规模时，除了使用影子银行综合指数，还选取信托资产规模、银行理财产品规模等单一影子银行业务规模指标替代，分别进行GARCH-时变Copula-CoVaR模型估计。若使用不同指标得到的风险溢出效应结果相似，则说明实证结果具有稳健性。改变样本区间也是常用的稳健性检验方法。考虑到金融市场环境的变化，选取不同的时间段进行分析。将样本区间向前或向后扩展一定时间，如将原样本区间[2014-2020年]扩展为[2012-2022年]，重新估计模型参数，观察风险溢出效应是否发生显著变化。此外，还可以剔除样本中的异常值，如某些极端市场波动时期的数据，再次进行模型估计，以检验结果的稳健性。在2015年股市异常波动期间，金融市场的不确定性增加，可能会对影子银行与商业银行的风险关系产生较大影响，剔除这一时期的数据后进行分析，可更准确地评估风险溢出效应的稳定性。5.3.2检验结果分析通过更换变量度量方式，使用信托资产规模替代影子银行综合指数进行实证分析。结果显示，影子银行对商业银行的风险溢出指标CoVaR_{b|s,q}和风险溢出强度\DeltaCoVaR_{b|s,q}的变化趋势与原结果基本一致。在置信水平q=0.95下，新的CoVaR_{b|s,q}仍然显著大于商业银行自身的风险价值VaR_{b,q}，且\DeltaCoVaR_{b|s,q}为负数，表明影子银行对商业银行存在明显的风险溢出效应。这说明实证结果不受影子银行规模度量指标的影响，具有较强的稳健性。改变样本区间的检验结果表明，在扩展样本区间后，影子银行对商业银行的风险溢出效应依然显著。虽然风险溢出强度在数值上略有变化，但整体趋势未发生明显改变。在新的样本区间内，2015-2016年期间风险溢出强度相对较大，2017-2019年期间有所下降，这与原样本区间的结果一致，进一步验证了风险溢出效应的时变特征和实证结果的可靠性。剔除异常值后的检验结果同样支持原实证结论。在剔除2015年股市异常波动期间的数据后，影子银行对商业银行的风险溢出效应仍然存在，且风险溢出强度的变化趋势与原结果相符。这表明异常值对实证结果的影响较小，实证结果具有较好的稳健性。通过多种稳健性检验方法的验证，充分证明了影子银行对商业银行风险溢出效应的实证结果具有较高的可靠性和稳定性，为后续的研究和政策建议提供了坚实的基础。六、案例深度剖析6.1美国次贷危机中影子银行的角色与影响6.1.1次贷危机中影子银行的运作美国次贷危机的爆发与影子银行的运作密切相关。在危机前，影子银行在资产证券化业务中扮演了关键角色。资产证券化是影子银行信用创造和扩张的核心方式，其运作过程涉及多个环节和主体。影子银行通过购买商业银行发放的次级住房抵押贷款，将这些贷款进行打包组合，形成资产池。商业银行基于对房地产市场持续繁荣的预期，放宽了住房贷款的发放标准，大量信用等级较低的次级贷款得以发放。这些次级贷款成为影子银行资产证券化的基础资产。特殊目的机构（SPV）的设立是资产证券化的重要环节。影子银行设立SPV，将资产池中的次级贷款转移至SPV名下。SPV通过信用增级措施，如第三方担保、超额抵押等，提高资产支持证券的信用等级。一些大型金融机构为资产支持证券提供担保，使其信用等级得以提升，吸引更多投资者。经过信用增级后，SPV将资产池中的贷款转化为不同层级的资产支持证券（ABS），如住房抵押贷款支持证券（MBS）和抵押债务债券（CDO）等。这些证券根据风险和收益特征进行分层，优先级证券具有较低的风险和固定的收益，而次级和股权级证券则承担较高的风险，但可能获得更高的收益。影子银行通过金融市场将这些证券出售给投资者，包括商业银行、投资银行、对冲基金、保险公司等各类金融机构。在这个过程中，影子银行实现了信用创造和扩张，将原本分散的次级贷款转化为大量的金融资产，在金融市场中流通。6.1.2对商业银行系统性风险的溢出过程影子银行在次贷危机中对商业银行系统性风险的溢出是一个复杂的过程，主要通过信用风险、流动性风险和市场风险等渠道进行传导。在信用风险传导方面，随着房地产市场的泡沫破裂，房价开始下跌，次级贷款的违约率大幅上升。由于影子银行的资产证券化产品大多以次级贷款为基础资产，次级贷款违约率的上升直接导致资产支持证券的价值下降。商业银行作为资产支持证券的重要投资者，持有大量的MBS和CDO等证券。这些证券价值的下降使得商业银行的资产质量恶化，不良资产规模增加，信用风险显著上升。一些商业银行的不良贷款率在危机期间急剧上升，资本充足率下降，面临着巨大的信用风险压力。流动性风险的传导也是影子银行对商业银行系统性风险溢出的重要途径。影子银行的资金来源主要依赖短期批发融资，存在严重的期限错配问题。当次贷危机爆发，市场对影子银行资产质量的担忧加剧，投资者纷纷赎回资金，导致影子银行面临流动性危机。影子银行难以从短期融资市场获得足够的资金，无法按时偿还商业银行的同业借款和其他债务。这使得商业银行的资金回笼出现问题，流动性受到冲击。商业银行在同业市场上的资金紧张，难以满足自身的流动性需求，甚至出现资金链断裂的风险。在危机期间，许多商业银行不得不收缩信贷规模，以应对流动性危机，进一步加剧了经济的衰退。市场风险的传导同样不容忽视。次贷危机引发了金融市场的恐慌情绪，资产价格大幅下跌，金融市场的风险偏好急剧下降。商业银行不仅因持有影子银行的资产支持证券而遭受资产价值损失，还面临着融资成本上升的压力。在市场风险加剧的情况下，商业银行在金融市场上的融资难度加大，融资成本上升。商业银行发行债券的利率大幅提高，增加了其融资成本，盈利能力受到削弱。市场风险的传导还导致商业银行的业务量下降，贷款发放减少，非利息收入减少，进一步影响了其财务状况和稳定性。6.1.3经验教训总结美国次贷危机中影子银行对商业银行系统性风险的溢出给金融市场和监管部门带来了深刻的经验教训。金融监管的缺失是导致危机爆发的重要原因之一。在危机前，影子银行的业务活动游离于传统监管体系之外，监管部门对其监管不足。影子银行的资产证券化业务复杂，信息披露不充分，监管部门难以准确掌握其风险状况。监管部门对金融创新的监管滞后，未能及时识别和防范影子银行的风险。这启示监管部门应加强对影子银行的监管，完善监管体系，将影子银行纳入统一的监管框架，加强对其业务活动的监管和风险监测。金融机构应加强风险管理，提高风险识别和控制能力。商业银行在投资影子银行的资产支持证券时，应充分评估其风险，避免过度投资。商业银行应加强对自身资产负债结构的管理，降低期限错配风险，提高流动性管理水平。金融机构应建立健全风险管理体系，加强对市场风险、信用风险和流动性风险的监测和预警，及时调整风险管理策略，以应对风险的变化。信息披露的重要性也在危机中凸显。影子银行的资产证券化产品结构复杂，投资者难以准确了解其风险状况。这导致市场信息不对称，投资者在决策时面临困难，容易受到误导。金融机构应加强信息披露，提高金融产品的透明度，使投资者能够充分了解产品的风险和收益特征。监管部门应加强对信息披露的监管，要求金融机构如实披露相关信息，避免虚假陈述和误导性宣传。只有提高信息透明度，才能增强市场的稳定性，降低金融风险。六、案例深度剖析6.2我国典型影子银行业务风险事件分析6.2.1具体案例介绍以新华信托破产事件为例，该事件在我国影子银行业务风险事件中具有典型性。新华信托成立于1979年，是中国最早成立的信托公司之一，在行业内曾具有一定的影响力。2001年10月，新华信托成为首批5家通过人民银行审批、获准重新登记取得信托法人机构许可证的信托公司之一。然而，近年来新华信托的经营状况逐渐恶化，最终走向破产。新华信托的业务涉及多个领域，包括房地产信托、工商企业信托等。在房地产信托业务中，新华信托发行了多款信托产品，将资金投向房地产项目。一些房地产信托项目由于市场环境变化，如房价下跌、销售不畅等原因，导致项目无法按时回款，信托产品出现违约。在工商企业信托业务方面，部分借款企业经营不善，无法按时偿还贷款，也给新华信托带来了巨大的信用风险。随着风险的不断积累，新华信托的资产质量持续下降，资金链断裂，最终于[具体破产时间]因不能清偿到