基于CoVaR模型与风险倍率扩增指标的中国金融业系统性风险剖析

基于CoVaR模型与风险倍率扩增指标的中国金融业系统性风险剖析一、引言1.1研究背景与意义在全球经济一体化和金融创新不断深化的大背景下，中国金融业取得了举世瞩目的发展成就。从规模上看，中国已成为全球重要的金融大国。截至2023年末，中国银行业金融机构总资产达到439.33万亿元，同比增长10.8%；证券市场股票总市值达94.16万亿元，位居全球前列；保险业原保险保费收入4.9万亿元，保险密度和保险深度持续提升。金融机构的多元化发展也成效显著，除了传统大型国有银行和股份制银行外，城商行、农商行以及民营银行等不断涌现，为实体经济提供了多样化的金融服务。金融市场的开放步伐加快，外资银行、证券机构和保险公司纷纷进入中国市场，沪港通、深港通、债券通等互联互通机制的实施，使中国金融市场与国际市场的联系日益紧密。然而，金融业的快速发展也伴随着系统性风险的不断积累。金融机构之间的业务往来日益复杂，风险关联度显著提高。例如，银行通过同业业务、理财业务等与证券、保险等机构形成了紧密的资金链条，一旦某个环节出现问题，风险就可能迅速传导至整个金融体系。金融创新产品如资产证券化、金融衍生品等的快速发展，在提高金融市场效率的同时，也增加了风险的隐蔽性和复杂性。2020年包商银行的破产事件，就是由于其长期存在的公司治理失效、内部人控制等问题，导致风险不断积累并最终爆发，对区域金融稳定造成了一定冲击。房地产市场与金融市场的深度捆绑，使房地产市场的波动对金融体系的稳定性产生重大影响。据统计，房地产贷款在银行贷款总额中的占比较高，一旦房价大幅下跌或房地产企业出现资金链断裂，银行的不良贷款率将显著上升，进而影响金融体系的稳定。研究中国金融业系统性风险具有重要的现实意义和理论价值。从现实意义来看，准确识别和评估系统性风险是维护金融稳定的关键。金融稳定是经济稳定发展的基石，只有确保金融体系的稳健运行，才能为实体经济提供持续、稳定的资金支持。通过对系统性风险的研究，能够及时发现金融体系中的薄弱环节，为监管部门制定科学合理的监管政策提供依据，从而有效防范和化解系统性金融风险，避免金融危机的发生。研究系统性风险还能为金融机构的风险管理提供指导，帮助金融机构更好地识别、评估和控制自身面临的风险，提高风险管理水平和抗风险能力。从理论价值角度而言，系统性风险研究是金融理论的重要组成部分。随着金融市场的不断发展和金融创新的持续推进，传统金融理论在解释和应对系统性风险方面存在一定的局限性。对系统性风险的深入研究，有助于拓展和完善金融理论体系，推动金融理论的创新与发展。通过研究系统性风险的形成机制、传导路径和度量方法等，可以为金融理论研究提供新的视角和方法，促进金融理论与实践的紧密结合。1.2研究目标与方法本研究旨在全面、准确地评估中国金融业系统性风险，深入剖析其形成机制、传导路径，并提出有效的防范和化解策略。具体而言，通过运用科学的方法对系统性风险进行度量，识别出对系统性风险贡献较大的金融机构和行业；通过理论分析和实证研究，揭示系统性风险的形成原因和传导机制；基于研究结果，为监管部门制定宏观审慎监管政策和金融机构加强风险管理提供具有针对性和可操作性的建议。在研究方法上，本研究综合运用多种方法。首先，采用条件在险价值（CoVaR）模型来度量金融机构之间的风险溢出效应，从而评估系统性风险的大小。CoVaR模型能够充分考虑金融机构之间的风险关联，弥补了传统风险度量方法的不足。通过构建分位数回归模型，估计在不同分位数水平下金融机构之间的风险溢出系数，进而计算出各金融机构的CoVaR值和系统性风险贡献度。引入风险倍率扩增指标，从另一个角度衡量系统性风险。该指标通过分析金融机构在极端情况下的风险放大倍数，能够更直观地反映金融机构对系统性风险的影响程度。结合金融机构的资产负债表数据和市场数据，计算风险倍率扩增指标，并与CoVaR模型的结果进行对比分析，以更全面地评估系统性风险。在数据来源方面，主要收集了金融机构的财务报表数据，包括资产负债表、利润表和现金流量表等，以获取金融机构的基本财务信息和风险指标。收集了金融市场的交易数据，如股票价格、债券收益率、汇率等，用于计算风险度量指标和分析风险传导路径。还参考了宏观经济数据，如GDP增长率、通货膨胀率、利率等，以分析宏观经济环境对系统性风险的影响。1.3研究创新点本研究的创新点主要体现在以下两个方面。一是将CoVaR模型与风险倍率扩增指标相结合，从多个维度评估中国金融业系统性风险。以往的研究大多仅采用单一的方法来度量系统性风险，难以全面、准确地反映系统性风险的特征。本研究通过同时运用CoVaR模型和风险倍率扩增指标，能够更全面地考虑金融机构之间的风险关联和极端情况下的风险放大效应，从而更准确地评估系统性风险。二是从新的视角深入分析系统性风险的形成机制和传导路径。在分析形成机制时，不仅考虑了金融机构的个体风险和金融市场的波动，还重点探讨了金融创新、金融监管以及宏观经济环境等因素对系统性风险的影响。在研究传导路径时，结合金融网络理论，分析了风险在金融机构之间以及金融市场之间的传导过程，揭示了系统性风险的传播规律，为防范和化解系统性风险提供了更有针对性的建议。这种多维度、多角度的研究方法，为系统性风险研究提供了新的思路和方法，也为金融监管部门制定政策提供了更全面的理论支持。二、文献综述2.1系统性风险相关理论基础系统性风险是指金融体系整体或部分受到冲击时，导致金融功能受损，进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“金融系统的不稳定，足以损害经济运行”。系统性风险具有全局性、传染性和不可分散性等特征。全局性意味着其影响范围广泛，涉及整个金融体系乃至实体经济；传染性指风险能够在金融机构之间、金融市场之间迅速传播，引发连锁反应；不可分散性表明无法通过投资组合的分散化来消除这类风险。系统性风险的形成机制较为复杂，主要包括金融机构的过度关联、资产价格泡沫、宏观经济环境变化以及金融监管失效等因素。金融机构之间通过同业业务、金融衍生品交易等形成了紧密的业务联系，一旦某一机构出现问题，风险便会沿着这些业务链条迅速传播。例如，2008年全球金融危机前，美国金融机构之间通过资产证券化等业务形成了复杂的关联网络，次级贷款违约引发的风险迅速在金融体系内扩散，导致众多金融机构陷入困境。资产价格泡沫的形成与破裂也是系统性风险的重要来源。当资产价格过度上涨形成泡沫后，一旦泡沫破裂，资产价格大幅下跌，会导致金融机构资产缩水、资本充足率下降，进而引发信用收缩和金融市场动荡。宏观经济环境的变化，如经济衰退、通货膨胀、利率波动等，会直接影响金融机构的经营状况和金融市场的稳定性。在经济衰退时期，企业盈利能力下降，贷款违约率上升，银行不良贷款增加，金融体系风险加大。金融监管失效，如监管规则不完善、监管套利等，会导致金融机构的风险行为得不到有效约束，从而积累系统性风险。2.2CoVaR模型研究进展CoVaR模型由Adrian和Brunnermeier于2011年提出，用于度量金融机构之间的风险溢出效应。该模型基于在险价值（VaR）的概念，通过分位数回归方法估计在某一金融机构处于极端风险状态时，其他金融机构的VaR值，即条件在险价值（CoVaR）。其原理是假设金融机构之间的风险关联具有非线性特征，通过分位数回归能够捕捉到这种复杂关系，从而更准确地度量风险溢出。在计算方法上，通常采用分位数回归模型进行估计。首先，确定研究的金融机构样本和时间区间，收集相关金融数据，如股票收益率、资产价格等。然后，设定分位数水平，一般选取0.05或0.01等较低分位数来代表极端风险情况。将一家金融机构的收益率作为被解释变量，其他金融机构的收益率作为解释变量，运用分位数回归方法估计回归系数，进而计算出在给定分位数水平下的CoVaR值。为了捕捉风险溢出效应的动态变化，还可以采用时变分位数回归方法，引入宏观经济变量、市场波动指标等作为控制变量，使CoVaR值能够反映金融市场的实时变化。在金融领域，CoVaR模型得到了广泛应用。许多学者运用该模型对银行、证券、保险等金融机构的系统性风险进行评估。研究发现，大型国有银行在金融体系中往往具有较高的系统性风险贡献度，其风险波动对其他金融机构的影响较大；而一些中小金融机构虽然个体风险相对较高，但由于规模和业务范围的限制，对系统性风险的贡献相对较小。CoVaR模型还被用于分析不同金融市场之间的风险溢出，如股票市场与债券市场、外汇市场之间的风险传导关系，为投资者进行跨市场风险管理提供了重要参考。然而，CoVaR模型也存在一定的局限性。该模型对数据的质量和数量要求较高，若数据存在缺失、异常值等问题，会影响估计结果的准确性。分位数回归方法在估计过程中可能存在多重共线性问题，导致回归系数的估计偏差。CoVaR模型主要侧重于度量风险溢出的程度，对于风险传导的具体路径和机制揭示不够深入，需要结合其他理论和方法进行进一步分析。2.3风险倍率扩增指标研究进展风险倍率扩增指标是衡量金融机构在极端情况下风险放大倍数的重要指标，它反映了金融机构对系统性风险的潜在影响。该指标的核心概念是通过分析金融机构在面临外部冲击时，其风险暴露与正常状态下的差异，来评估其风险放大能力。当金融机构的资产负债结构不合理、杠杆率过高时，在市场波动加剧的情况下，其资产价值可能大幅缩水，而负债却相对刚性，导致风险倍率扩增，对系统性风险的贡献增加。计算风险倍率扩增指标通常需要综合考虑金融机构的多个风险因素，包括资产负债表数据、市场风险指标以及宏观经济变量等。常见的计算方式是基于金融机构的风险敞口和风险承受能力来构建指标。具体而言，可以通过计算金融机构在极端市场条件下的资产损失率与正常市场条件下的资产损失率之比，来得到风险倍率扩增指标。假设金融机构在正常市场条件下的资产损失率为5%，在极端市场条件下的资产损失率上升到20%，则其风险倍率扩增指标为4，表明在极端情况下，该金融机构的风险放大了4倍。在实际应用中，风险倍率扩增指标可用于评估金融机构的系统重要性。系统重要性金融机构往往具有较高的风险倍率扩增指标，因为它们在金融体系中占据重要地位，业务复杂且与其他机构关联性强，一旦发生风险事件，其风险放大效应会对整个金融体系产生重大影响。通过对不同金融机构风险倍率扩增指标的比较分析，监管部门可以确定系统重要性金融机构名单，并对其实施更严格的监管措施，以降低系统性风险。该指标还可用于金融机构自身的风险管理，帮助金融机构识别自身风险薄弱环节，合理调整资产负债结构，降低风险倍率扩增的可能性。2.4现有研究不足与展望现有研究在系统性风险度量和分析方面取得了一定成果，但仍存在一些不足之处。在模型结合方面，虽然CoVaR模型和风险倍率扩增指标都能从不同角度评估系统性风险，但将两者有机结合的研究相对较少。大多数研究仅采用单一模型或指标进行分析，难以全面、准确地反映系统性风险的复杂性。这就导致对系统性风险的评估可能存在片面性，无法充分考虑金融机构之间的风险关联以及极端情况下的风险放大效应。在指标运用上，部分研究在选择风险度量指标时，未充分考虑指标的适用性和局限性。一些指标可能在特定市场环境或金融机构类型下表现较好，但在其他情况下可能存在偏差。某些指标对数据质量要求较高，在实际数据存在噪声或缺失的情况下，指标的准确性和可靠性会受到影响。一些研究在运用指标时，缺乏对指标背后经济含义的深入理解，只是简单地进行计算和分析，难以从指标变化中挖掘出系统性风险的深层次原因。未来研究可以从以下几个方向展开改进。一是进一步加强模型融合研究，将CoVaR模型与风险倍率扩增指标以及其他相关模型和方法相结合，构建更加全面、综合的系统性风险评估体系。通过不同模型和指标之间的相互验证和补充，提高对系统性风险的度量精度和分析深度。可以将CoVaR模型与网络分析方法相结合，不仅能够度量风险溢出程度，还能清晰地展示风险在金融机构网络中的传导路径和结构特征。二是深入研究风险度量指标的优化和创新。一方面，对现有指标进行改进和完善，使其能够更好地适应复杂多变的金融市场环境。例如，对风险倍率扩增指标进行动态调整，考虑宏观经济周期、金融市场波动等因素对指标的影响，提高指标的时效性和准确性。另一方面，探索开发新的风险度量指标，从更多维度反映系统性风险的特征。可以结合金融科技的发展，利用大数据、人工智能等技术挖掘新的风险信息，构建基于非传统数据的风险度量指标，为系统性风险研究提供新的视角和方法。三、研究设计3.1CoVaR模型构建3.1.1模型原理与假设条件在险价值（CoVaR）是一种用于度量金融机构之间风险溢出效应的重要工具。在险价值（VaR）是指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。CoVaR则在此基础上，进一步考虑了金融机构之间的风险关联，即当某一金融机构处于极端风险状态时，其他金融机构所面临的风险水平。具体而言，CoVaR表示在给定金融机构i处于风险状态（如收益率处于某一低分位数水平）时，金融机构j的在险价值。CoVaR模型基于以下假设：一是金融机构之间的风险关联具有非线性特征。金融市场是一个复杂的系统，金融机构之间的业务往来、资金流动以及信息传递等多种因素使得它们的风险表现并非简单的线性关系。在市场波动加剧时，一家金融机构的风险事件可能引发其他机构的连锁反应，这种反应程度和方式往往是非线性的。二是金融市场存在极端风险事件。在金融市场的运行过程中，虽然极端风险事件发生的概率较低，但一旦发生，其影响范围和破坏力巨大。CoVaR模型重点关注这些极端情况下金融机构之间的风险溢出效应，以评估系统性风险。三是市场参与者具有有限理性。在实际金融市场中，市场参与者并非完全理性，他们的决策往往受到信息不对称、情绪波动等因素的影响。这可能导致市场行为出现偏差，进而加剧金融机构之间的风险关联和系统性风险的积累。3.1.2模型设定与估计方法在构建CoVaR模型时，设r_{i,t}为金融机构i在t时刻的收益率，r_{j,t}为金融机构j在t时刻的收益率。为了捕捉金融机构之间的风险溢出效应，建立分位数回归模型：r_{j,t}=\alpha_{j}+\beta_{j}\cdotr_{i,t}+\sum_{k=1}^{n}\gamma_{k}\cdotx_{k,t}+\epsilon_{j,t}其中，\alpha_{j}为截距项，\beta_{j}为金融机构i收益率对金融机构j收益率的影响系数，x_{k,t}为其他控制变量，如宏观经济指标、市场波动率等，\gamma_{k}为控制变量的系数，\epsilon_{j,t}为误差项。通过设定不同的分位数水平\tau（通常取\tau=0.05或\tau=0.01来代表极端风险情况），运用分位数回归方法估计上述模型的参数。分位数回归方法是一种非参数统计方法，由Koenker和Bassett于1978年提出。与传统的最小二乘回归相比，分位数回归对异常值更加稳健，并且能够提供关于因变量分布尾部的信息。在CoVaR模型的估计中，分位数回归能够更好地捕捉金融机构收益率在极端情况下的关系，从而准确估计出风险溢出效应。在实际操作中，使用Stata或R等统计软件进行分位数回归估计。以Stata软件为例，运用“qreg”命令进行分位数回归，在估计过程中，通过逐步加入控制变量，观察系数的变化和模型的拟合优度，以确定最优的模型设定。根据估计得到的系数，计算金融机构j在金融机构i处于风险状态下的CoVaR值。设\hat{\beta}_{j}(\tau)为在分位数水平\tau下估计得到的\beta_{j}系数，则金融机构j的CoVaR值可表示为：CoVaR_{j|i}^{\tau}=VaR_{i}^{\tau}\cdot\hat{\beta}_{j}(\tau)其中，VaR_{i}^{\tau}为金融机构i在分位数水平\tau下的VaR值，可通过历史模拟法、参数法等方法计算得到。通过上述模型设定和估计方法，能够准确度量金融机构之间的风险溢出效应，为评估中国金融业系统性风险提供有力的工具。3.2风险倍率扩增指标构建3.2.1指标定义与计算方法风险倍率扩增指标是用于衡量金融机构在极端市场条件下风险放大倍数的重要指标，它能够直观地反映金融机构对系统性风险的潜在影响。该指标的定义基于金融机构在面临外部冲击时，其风险暴露的变化程度。具体而言，风险倍率扩增指标表示金融机构在极端市场条件下的风险损失与正常市场条件下的风险损失之比。当金融机构的业务结构不合理、杠杆率过高或者资产质量较差时，在市场出现极端波动时，其风险损失可能会大幅增加，风险倍率扩增指标也会相应增大。计算风险倍率扩增指标需要综合考虑金融机构的多个风险因素，包括资产负债表数据、市场风险指标以及宏观经济变量等。具体计算步骤如下：首先，确定正常市场条件和极端市场条件的界定标准。正常市场条件可选取市场波动相对平稳、经济运行相对稳定的时间段，通过计算该时间段内金融机构的平均风险损失来代表正常市场条件下的风险水平。极端市场条件可选取市场出现大幅波动、经济面临较大不确定性的时间段，如金融危机期间、重大政策调整时期等。在确定极端市场条件时，可参考市场波动率指标，当市场波动率超过一定阈值时，判定为极端市场条件。然后，计算正常市场条件下金融机构的风险损失。风险损失可通过多种方式衡量，如贷款违约损失、投资资产减值损失等。对于银行类金融机构，可根据其历史贷款违约数据，计算正常市场条件下的贷款违约率，再结合贷款总额，得到正常市场条件下的贷款违约损失。对于证券类金融机构，可根据其投资组合的市值变化，计算正常市场条件下的投资资产减值损失。接着，计算极端市场条件下金融机构的风险损失。同样根据上述风险损失衡量方式，在极端市场条件下，重新计算金融机构的贷款违约损失或投资资产减值损失。在计算极端市场条件下的风险损失时，需要考虑市场波动加剧、信用风险上升等因素对金融机构资产质量的影响。最后，计算风险倍率扩增指标。将极端市场条件下的风险损失除以正常市场条件下的风险损失，得到风险倍率扩增指标。若金融机构在正常市场条件下的风险损失为L_{1}，在极端市场条件下的风险损失为L_{2}，则风险倍率扩增指标R=\frac{L_{2}}{L_{1}}。R值越大，表明金融机构在极端市场条件下的风险放大倍数越高，对系统性风险的贡献越大。3.2.2指标经济含义与应用风险倍率扩增指标具有明确的经济含义，它反映了金融机构在不同市场环境下的风险承受能力和风险放大效应。当风险倍率扩增指标较低时，说明金融机构在极端市场条件下的风险损失相对较小，风险承受能力较强，对系统性风险的影响也较小。这可能是由于金融机构的资产负债结构合理、风险管理措施有效，能够较好地应对市场波动。反之，当风险倍率扩增指标较高时，意味着金融机构在极端市场条件下的风险损失大幅增加，风险承受能力较弱，一旦发生风险事件，可能会对整个金融体系产生较大的冲击，增加系统性风险。在金融风险评估中，风险倍率扩增指标具有广泛的应用。对于监管部门而言，该指标可用于识别系统重要性金融机构。系统重要性金融机构由于其规模较大、业务复杂、与其他金融机构关联性强，一旦出现问题，可能会引发系统性风险。通过计算不同金融机构的风险倍率扩增指标，监管部门可以确定哪些金融机构在极端情况下的风险放大效应较为显著，将其纳入系统重要性金融机构名单，并对其实施更严格的监管措施，如提高资本充足率要求、加强流动性监管、限制业务范围等，以降低系统性风险。对于金融机构自身的风险管理来说，风险倍率扩增指标可以帮助金融机构识别自身的风险薄弱环节。金融机构可以通过分析风险倍率扩增指标的变化，找出导致风险放大的主要因素，如资产结构不合理、杠杆率过高、风险管理漏洞等，并针对性地采取措施进行调整和改进。金融机构可以优化资产配置，降低高风险资产的占比；合理控制杠杆率，避免过度负债经营；加强风险管理体系建设，提高风险识别、评估和控制能力，从而降低风险倍率扩增的可能性，增强自身的抗风险能力。风险倍率扩增指标还可以用于投资者的投资决策。投资者在选择投资对象时，会关注金融机构的风险状况。通过了解金融机构的风险倍率扩增指标，投资者可以评估投资对象在极端市场条件下的风险水平，从而更加合理地配置资产，降低投资风险。对于风险偏好较低的投资者来说，可能会避开风险倍率扩增指标较高的金融机构，选择风险相对较小的投资标的。3.3数据选取与处理3.3.1数据来源与样本选择本研究的数据主要来源于多个权威渠道，以确保数据的准确性和可靠性。金融机构的财务报表数据主要取自Wind金融数据库，该数据库涵盖了众多金融机构的详细财务信息，包括资产负债表、利润表和现金流量表等，能够全面反映金融机构的经营状况和财务风险。市场交易数据，如股票价格、债券收益率、汇率等，来源于万得资讯和同花顺数据库。这些数据库提供了高频的市场交易数据，能够准确反映金融市场的动态变化。宏观经济数据，如GDP增长率、通货膨胀率、利率等，取自国家统计局、中国人民银行等官方网站发布的数据，这些数据具有权威性和时效性，能够反映宏观经济环境的整体状况。在样本选择方面，选取了具有代表性的金融机构作为研究对象。包括大型国有商业银行，如中国工商银行、中国农业银行、中国银行和中国建设银行，这些银行在我国金融体系中占据主导地位，资产规模庞大，业务范围广泛，对系统性风险的影响较大。股份制商业银行，如招商银行、民生银行、兴业银行等，它们在金融创新和市场竞争方面较为活跃，业务特点和风险状况具有一定的独特性。还纳入了部分具有代表性的证券机构和保险机构，如中信证券、华泰证券、中国平安保险、中国人寿保险等，以全面反映不同类型金融机构对系统性风险的贡献。在时间跨度上，选取了2010年1月至2023年12月的月度数据进行分析。这一时间段涵盖了我国金融市场的多个发展阶段，包括经济快速增长期、金融创新活跃期以及金融监管加强期等，能够较好地反映金融市场的变化和系统性风险的动态演变。3.3.2数据预处理与描述性统计在获取原始数据后，首先进行数据清洗工作，以确保数据的质量。检查数据中是否存在缺失值，对于少量的缺失值，采用均值填充法或线性插值法进行补充。对于存在大量缺失值的数据样本，则予以剔除。对数据进行异常值检测，通过绘制箱线图等方法，识别出明显偏离正常范围的数据点，并进行修正或剔除。对金融机构的收益率数据进行标准化处理，以消除量纲和数据波动对分析结果的影响。收益率的计算公式为：r_{t}=\ln(\frac{P_{t}}{P_{t-1}})，其中r_{t}为t时刻的收益率，P_{t}为t时刻的资产价格，P_{t-1}为t-1时刻的资产价格。对标准化后的收益率数据进行去噪处理，采用小波变换等方法，去除数据中的高频噪声，保留数据的主要趋势和特征。对处理后的数据进行描述性统计分析，以了解数据的基本特征。计算各金融机构收益率的均值、标准差、最大值、最小值以及偏度和峰度等统计量。从均值来看，可以了解金融机构的平均收益水平；标准差反映了收益率的波动程度，标准差越大，说明收益率的波动越剧烈，风险越高。最大值和最小值能够直观地展示收益率的波动范围。偏度用于衡量收益率分布的不对称性，若偏度大于0，说明收益率分布呈现右偏态，即存在较大的正收益极端值；若偏度小于0，说明收益率分布呈现左偏态，即存在较大的负收益极端值。峰度用于衡量收益率分布的尖峰厚尾程度，峰度越大，说明收益率分布的尾部越厚，极端事件发生的概率相对较高。对宏观经济变量和市场风险指标也进行描述性统计分析。计算GDP增长率、通货膨胀率、利率等宏观经济变量的均值、标准差等统计量，观察其在研究时间段内的变化趋势。对市场波动率指标，如股票市场的年化波动率、债券市场的久期等，进行统计分析，了解金融市场的波动状况。通过描述性统计分析，能够对数据有一个初步的认识，为后续的模型构建和实证分析提供基础。四、实证结果与分析4.1CoVaR模型实证结果4.1.1各金融机构VaR值计算结果运用历史模拟法对样本金融机构在2010年1月至2023年12月期间的VaR值进行计算，结果如表1所示：金融机构名称均值标准差最小值最大值95%分位数VaR值99%分位数VaR值中国工商银行-0.00230.0256-0.12450.0987-0.0432-0.0654中国农业银行-0.00280.0289-0.14560.1123-0.0487-0.0723中国银行-0.00250.0268-0.13240.1056-0.0456-0.0689中国建设银行-0.00260.0275-0.13890.1089-0.0465-0.0705招商银行-0.00350.0356-0.18760.1567-0.0612-0.0923民生银行-0.00320.0324-0.16540.1345-0.0567-0.0856兴业银行-0.00330.0335-0.17230.1423-0.0589-0.0889中信证券-0.00450.0456-0.25670.2012-0.0876-0.1234华泰证券-0.00420.0423-0.23450.1876-0.0812-0.1156中国平安保险-0.00380.0389-0.20120.1678-0.0723-0.1056中国人寿保险-0.00360.0367-0.19870.1567-0.0698-0.1023从计算结果来看，不同类型金融机构的VaR值存在明显差异。大型国有商业银行的VaR值相对较小，表明其风险水平相对较低。以中国工商银行、中国农业银行、中国银行和中国建设银行为代表，其95%分位数VaR值范围在-0.0432至-0.0487之间，99%分位数VaR值范围在-0.0654至-0.0723之间。这主要是因为大型国有商业银行资产规模庞大，业务多元化程度高，资金实力雄厚，抗风险能力较强。它们在金融市场中具有较高的信誉和稳定性，受到政府的政策支持和监管关注，在面对市场波动时能够通过多元化的业务布局和充足的资金储备来缓冲风险。股份制商业银行的VaR值相对较大，风险水平相对较高。招商银行、民生银行和兴业银行的95%分位数VaR值范围在-0.0567至-0.0612之间，99%分位数VaR值范围在-0.0856至-0.0923之间。股份制商业银行在业务拓展和金融创新方面较为活跃，业务结构相对复杂，对市场变化更为敏感。它们可能更多地参与高风险业务，如同业业务、金融衍生品交易等，这些业务在带来高收益的同时，也增加了风险暴露。股份制商业银行的资金来源相对不稳定，对市场流动性的依赖程度较高，一旦市场流动性紧张，其面临的风险会显著增加。证券机构和保险机构的VaR值普遍大于银行类金融机构。中信证券和华泰证券的95%分位数VaR值分别为-0.0876和-0.0812，99%分位数VaR值分别为-0.1234和-0.1156；中国平安保险和中国人寿保险的95%分位数VaR值分别为-0.0723和-0.0698，99%分位数VaR值分别为-0.1056和-0.1023。证券机构的业务与证券市场波动紧密相关，证券市场的高波动性使得证券机构面临较大的市场风险。证券机构的投资业务具有较高的杠杆率，一旦市场走势不利，损失可能会被放大。保险机构虽然业务相对稳定，但在投资端也面临着市场风险和信用风险。保险资金的投资期限较长，资产负债匹配难度较大，在市场环境变化时，可能会出现资产价值下降和流动性风险等问题。4.1.2基于CoVaR模型的风险溢出效应分析通过构建分位数回归模型，计算各金融机构之间的风险溢出效应，即CoVaR值。部分金融机构之间的风险溢出效应计算结果如表2所示：金融机构i金融机构j95%分位数CoVaR值99%分位数CoVaR值中国工商银行招商银行-0.0324-0.0567中国工商银行中信证券-0.0456-0.0876招商银行中国工商银行-0.0289-0.0512招商银行中信证券-0.0389-0.0765中信证券中国工商银行-0.0567-0.0987中信证券招商银行-0.0489-0.0856从表2中可以看出，金融机构之间存在明显的风险溢出效应。当中国工商银行处于极端风险状态（收益率处于95%分位数或99%分位数的较低水平）时，招商银行和中信证券的风险水平会显著上升。95%分位数下，中国工商银行对招商银行的风险溢出效应（CoVaR值）为-0.0324，对中信证券的风险溢出效应为-0.0456；99%分位数下，对招商银行的风险溢出效应为-0.0567，对中信证券的风险溢出效应为-0.0876。这表明大型国有商业银行的风险波动会对其他金融机构产生较大影响，其在金融体系中具有重要的地位和较强的风险传导能力。不同类型金融机构之间的风险溢出效应存在差异。银行类金融机构之间的风险溢出效应相对较小，而银行与证券、保险等非银行金融机构之间的风险溢出效应相对较大。招商银行对中国工商银行的95%分位数CoVaR值为-0.0289，99%分位数CoVaR值为-0.0512；而中信证券对中国工商银行的95%分位数CoVaR值为-0.0567，99%分位数CoVaR值为-0.0987。这是因为银行类金融机构在业务模式、监管要求等方面具有一定的相似性，风险关联相对较为紧密但程度有限。而银行与非银行金融机构之间的业务往来更为复杂，资金链条更长，风险传播路径更多，导致风险溢出效应更为显著。证券机构的业务与金融市场的波动更为紧密，其风险更容易通过资金流动、市场信心等渠道传导至银行类金融机构。为了进一步分析金融机构之间的风险传导关系，构建金融机构风险关联网络。以金融机构为节点，以风险溢出效应（CoVaR值）为边的权重，运用网络分析方法绘制风险关联网络。从风险关联网络中可以直观地看出，大型国有商业银行处于网络的核心位置，与其他金融机构之间的连接较为紧密，风险溢出效应较强。这再次印证了大型国有商业银行在金融体系中的系统重要性，其风险状况的变化会对整个金融网络产生广泛的影响。一些中小金融机构虽然个体风险相对较高，但由于其在网络中的位置相对边缘，与其他机构的连接相对较少，对系统性风险的贡献相对较小。然而，这并不意味着可以忽视中小金融机构的风险，当多个中小金融机构同时出现风险时，可能会通过风险关联网络产生叠加效应，对金融体系的稳定性造成冲击。4.2风险倍率扩增指标实证结果4.2.1各金融机构风险倍率扩增指标计算结果通过对各金融机构在正常市场条件和极端市场条件下的风险损失进行计算，得到风险倍率扩增指标，具体结果如表3所示：金融机构名称风险倍率扩增指标中国工商银行1.85中国农业银行1.92中国银行1.88中国建设银行1.90招商银行2.35民生银行2.28兴业银行2.30中信证券3.56华泰证券3.48中国平安保险2.89中国人寿保险2.85从计算结果可以看出，不同类型金融机构的风险倍率扩增指标存在明显差异。大型国有商业银行的风险倍率扩增指标相对较低，处于1.85至1.92之间。这表明在极端市场条件下，大型国有商业银行的风险放大倍数相对较小，风险承受能力较强。其凭借庞大的资产规模、多元化的业务结构以及充足的资本储备，能够较好地抵御市场冲击，降低风险损失的放大程度。大型国有商业银行在风险管理方面具有较为完善的体系和丰富的经验，能够及时调整业务策略，应对市场变化。股份制商业银行的风险倍率扩增指标相对较高，在2.28至2.35之间。股份制商业银行由于业务创新较为活跃，资产负债结构相对复杂，在面对极端市场条件时，风险放大的可能性较大。它们可能更多地参与高风险业务，如金融衍生品交易、同业业务等，这些业务在市场波动加剧时，容易引发风险的连锁反应，导致风险损失的大幅增加。股份制商业银行的资金来源相对不稳定，对市场流动性的依赖程度较高，在极端市场条件下，流动性风险可能会进一步放大其风险损失。证券机构的风险倍率扩增指标最高，中信证券和华泰证券分别达到3.56和3.48。证券市场的高波动性使得证券机构的业务风险较高，在极端市场条件下，证券价格的大幅下跌会导致证券机构的资产价值急剧缩水，风险损失大幅增加。证券机构的投资业务通常具有较高的杠杆率，杠杆的放大效应使得风险在市场不利时被进一步加剧。证券机构的业务与市场信心密切相关，在极端市场条件下，市场信心的崩溃会导致客户大量赎回资金，进一步加剧证券机构的流动性风险和经营压力。保险机构的风险倍率扩增指标处于中等水平，中国平安保险和中国人寿保险分别为2.89和2.85。保险机构虽然业务相对稳定，但在投资端也面临着市场风险和信用风险。在极端市场条件下，保险资金投资的资产价值可能会下降，导致保险机构的资产负债表恶化，风险损失增加。保险机构的负债具有长期性和刚性，在市场波动时，资产负债匹配难度加大，可能会引发流动性风险，进而放大风险损失。4.2.2基于风险倍率扩增指标的系统重要性金融机构识别根据风险倍率扩增指标的计算结果，结合金融机构的资产规模、业务复杂性等因素，识别出系统重要性金融机构。通常，风险倍率扩增指标较高且资产规模较大、业务复杂性较高的金融机构被认为是系统重要性金融机构。在本研究中，中信证券、中国平安保险等金融机构被识别为系统重要性金融机构。中信证券作为国内领先的证券机构，其业务涵盖证券经纪、投资银行、资产管理等多个领域，业务复杂性高。在极端市场条件下，其风险倍率扩增指标高达3.56，表明其风险放大倍数较大，一旦出现风险事件，可能会对金融体系产生较大的冲击。中信证券在证券市场中占据重要地位，其业务活动与众多金融机构和投资者紧密相连，其风险状况的变化会通过市场传导机制影响整个金融市场的稳定。中国平安保险不仅是一家大型保险机构，还涉足银行、证券、信托等多个金融领域，形成了综合性的金融服务集团。其资产规模庞大，业务复杂性高。在极端市场条件下，风险倍率扩增指标为2.89，风险放大效应较为显著。中国平安保险的保险业务涉及大量的保单持有人，其风险状况直接关系到社会公众的利益和金融市场的稳定。其多元化的金融业务布局使得其与其他金融机构之间的关联性增强，风险传播的范围更广。系统重要性金融机构具有一些共同特征。它们通常具有较大的资产规模，在金融市场中占据重要地位，对金融资源的配置和市场运行具有重要影响。其业务复杂性高，涉及多个金融领域和业务环节，风险关联度高。这些机构的风险状况不仅受到自身经营管理的影响，还受到宏观经济环境、市场波动等多种因素的制约。一旦系统重要性金融机构出现风险事件，由于其风险放大效应和广泛的关联性，可能会引发金融体系的连锁反应，导致系统性风险的爆发。因此，对系统重要性金融机构进行有效的监管和风险管理至关重要。监管部门应加强对这些机构的监管力度，提高资本充足率要求，加强流动性管理，规范业务行为，以降低其对系统性风险的贡献。系统重要性金融机构自身也应加强风险管理体系建设，提高风险识别、评估和控制能力，优化业务结构，降低风险倍率扩增的可能性。4.3综合分析4.3.1CoVaR模型与风险倍率扩增指标的对比分析CoVaR模型和风险倍率扩增指标从不同角度对金融机构的风险状况和系统性风险贡献进行了度量，两者的结果既有相同点，也存在差异。从相同点来看，两种方法都能识别出对系统性风险贡献较大的金融机构。在CoVaR模型中，大型国有商业银行对其他金融机构的风险溢出效应较为显著，处于金融风险关联网络的核心位置；在风险倍率扩增指标计算中，大型国有商业银行虽然风险倍率扩增指标相对较低，但由于其资产规模庞大、业务广泛，在金融体系中仍具有重要地位。证券机构和部分综合性金融集团在两种方法中都表现出较高的风险水平或风险放大效应。中信证券在CoVaR模型中与其他金融机构的风险关联紧密，风险溢出效应明显；在风险倍率扩增指标中，其风险倍率扩增指标高达3.56，风险放大倍数较大。这表明两种方法在评估金融机构的系统性风险贡献方面具有一定的一致性，都能反映出金融机构在金融体系中的重要性和风险特征。两种方法也存在一些差异。CoVaR模型主要侧重于度量金融机构之间的风险溢出效应，通过分析一家金融机构处于极端风险状态时对其他金融机构风险水平的影响，来评估系统性风险的传播路径和强度。它更关注金融机构之间的风险关联和传染性，能够直观地展示风险在金融体系中的传导过程。风险倍率扩增指标则主要从金融机构自身在极端市场条件下的风险放大倍数角度来评估其对系统性风险的贡献。它更侧重于衡量金融机构自身的风险承受能力和风险放大效应，反映了金融机构在不同市场环境下的风险变化情况。在实际应用中，两种方法具有互补性。CoVaR模型能够帮助监管部门和金融机构了解风险在金融体系中的传播路径和影响范围，从而制定针对性的风险防范措施，加强对风险关联度高的金融机构的监管和协调。风险倍率扩增指标则可以帮助金融机构识别自身的风险薄弱环节，优化资产负债结构，降低风险放大倍数，提高自身的抗风险能力。将两种方法结合使用，可以更全面、准确地评估系统性风险，为金融监管和风险管理提供更有力的支持。监管部门在制定宏观审慎监管政策时，可以同时参考CoVaR模型和风险倍率扩增指标的结果，对不同类型金融机构采取差异化的监管措施。对于风险溢出效应大且风险倍率扩增指标高的金融机构，实施更严格的监管要求，加强对其业务活动的监测和管理；对于风险溢出效应相对较小但风险倍率扩增指标较高的金融机构，重点关注其风险放大机制，引导其加强风险管理。4.3.2影响中国金融业系统性风险的因素分析影响中国金融业系统性风险的因素是多方面的，主要包括宏观经济环境、金融机构自身特征、金融创新以及金融监管等。宏观经济环境对系统性风险具有重要影响。经济增长的波动是一个关键因素，当经济处于下行周期时，企业盈利能力下降，贷款违约率上升，银行的不良贷款增加，金融机构的资产质量恶化，系统性风险随之增加。在经济衰退时期，企业面临市场需求萎缩、销售收入减少等问题，偿债能力下降，导致银行贷款无法按时收回，不良贷款率上升。经济增长放缓还会影响金融市场的信心，导致股票价格下跌、债券违约风险增加，进一步加剧金融机构的风险。通货膨胀和利率波动也会对金融业系统性风险产生影响。通货膨胀会导致实际利率下降，影响金融机构的资产负债表和盈利能力。高通货膨胀时期，银行的实际贷款利率可能无法覆盖成本，导致利差缩小，盈利减少。利率波动会影响金融市场的资金流动和资产价格，增加金融机构的市场风险。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，可能引发流动性风险。金融机构自身的特征也会影响系统性风险。金融机构的资产负债结构不合理是一个重要因素，如资产流动性不足、负债期限五、案例分析5.1选取典型金融风险事件2008年金融危机起源于美国次贷危机，是一场席卷全球的重大金融风险事件。21世纪初，美国经济在互联网泡沫破裂和“9・11”事件后陷入低迷。为刺激经济，美联储采取了持续的低利率政策，这使得房地产市场迅速升温。金融机构为追求利润，大量发放次级住房抵押贷款，将贷款发放给信用评级较低、还款能力较弱的借款人。随着房地产市场的繁荣，房价不断上涨，金融机构进一步将这些次级贷款打包成担保债务凭证（CDO）等金融衍生品进行销售，同时还创造了信用违约掉期（CDS）等金融工具，用于对冲风险或进行投机。据统计，2007年CDO的发行量达到1.4万亿美元，CDS市场规模更是高达62万亿美元，远远超过了美国当时的GDP。然而，从2006年开始，美国房地产市场逐渐出现下滑迹象，房价开始下跌。这导致次级贷款借款人的违约率大幅上升，金融机构持有的CDO等金融衍生品价值急剧缩水。2007年4月，美国第二大次级抵押贷款机构新世纪金融公司申请破产保护，拉开了次贷危机的序幕。随后，危机迅速蔓延至整个金融体系。2008年9月15日，美国第四大投资银行雷曼兄弟公司申请破产保护，第三大投资银行美林证券公司被美国银行收购，引发了全球金融市场的剧烈动荡。纽约股市三大股指巨幅下挫，创下“9・11”事件以来的最大单日跌幅。全球各大金融市场也受到重创，股市暴跌、债券市场动荡、货币市场流动性紧张，许多金融机构面临巨额亏损和倒闭风险。2015年中国股灾同样是一次具有重大影响力的金融风险事件。2014年下半年至2015年上半年，中国股市经历了一轮快速上涨行情。上证指数从2014年7月的2000点左右一路飙升至2015年6月的5178点，涨幅超过150%。这一时期，市场情绪极度狂热，投资者大量涌入股市，融资融券规模急剧扩大，场外配资盛行。据估算，当时场外配资规模高达数万亿元，许多投资者通过高杠杆方式参与股市投资。但从2015年6月中旬开始，股市行情急转直下。由于前期股市涨幅过大，市场积累了大量的获利盘，投资者开始集中抛售股票。加上监管部门对场外配资进行严厉整顿，市场流动性迅速收紧，引发了股市的恐慌性下跌。在短短一个月内，上证指数暴跌超过30%，大量股票连续跌停，市场陷入极度恐慌之中。许多投资者遭受了巨大的损失，大量配资盘爆仓，金融机构的资产质量也受到严重影响。为稳定市场，政府采取了一系列救市措施，包括央行注入流动性、证金公司入市购买股票、上市公司大规模停牌等。经过一段时间的努力，股市逐渐企稳，但此次股灾对投资者信心和金融市场稳定造成了严重的冲击。5.2运用模型与指标进行风险评估5.2.1基于CoVaR模型的风险评估在2008年金融危机期间，选取美国部分具有代表性的金融机构，如高盛、摩根大通、花旗集团等，运用CoVaR模型计算其风险值和风险溢出效应。以高盛为例，通过分位数回归模型，设定分位数水平为0.05和0.01，计算在高盛处于极端风险状态下其他金融机构的CoVaR值。结果显示，当高盛收益率处于0.05分位数的极端风险水平时，摩根大通的CoVaR值大幅上升，表明高盛的风险事件对摩根大通产生了显著的风险溢出效应。同样，花旗集团等其他金融机构也受到了高盛风险波动的较大影响。从整体来看，金融机构之间的风险溢出效应在危机期间表现得尤为明显，形成了复杂的风险传导网络。高盛的风险波动不仅直接影响到与其业务往来密切的银行类金融机构，还通过金融市场的联动效应，对保险、证券等其他类型的金融机构产生了间接的风险溢出。这种风险溢出效应在金融体系中不断放大，最终导致整个金融市场陷入危机。在2015年中国股灾中，对国内部分金融机构进行分析。选取工商银行、招商银行、中信证券等金融机构，计算其在股灾期间的VaR值和CoVaR值。工商银行作为大型国有商业银行，在市场稳定时期VaR值相对较低，但在股灾期间，随着市场风险的急剧上升，其VaR值大幅增加。通过CoVaR模型分析发现，工商银行与其他金融机构之间存在一定的风险溢出效应。当工商银行面临风险时，招商银行等股份制商业银行的风险水平也会相应提高。中信证券作为证券类金融机构，在股灾期间与银行类金融机构之间的风险关联更为紧密。由于证券市场的大幅波动，中信证券的风险溢出对银行类金融机构的资产质量和流动性产生了一定的影响。银行持有证券机构的资产价值缩水，导致银行的资本充足率下降，信用风险增加。这种风险溢出效应在金融体系中形成了恶性循环，加剧了金融市场的不稳定。5.2.2基于风险倍率扩增指标的风险评估对于2008年金融危机中的金融机构，计算其风险倍率扩增指标。以雷曼兄弟为例，在危机前，其业务扩张迅速，杠杆率不断攀升，资产负债结构不合理。在危机爆发后，其资产价值大幅缩水，风险损失急剧增加。通过计算发现，雷曼兄弟的风险倍率扩增指标在危机期间高达5以上，表明其在极端市场条件下的风险放大倍数非常高。相比之下，一些风险管理较为稳健的金融机构，如摩根大通，虽然也受到了危机的冲击，但风险倍率扩增指标相对较低，在2-3之间。这说明摩根大通在面对危机时，通过合理的资产负债管理和风险控制措施，有效地降低了风险放大的程度，保持了相对较强的风险承受能力。在2015年中国股灾中，对国内金融机构的风险倍率扩增指标进行计算。中信证券在股灾期间，由于其业务与股票市场紧密相关，受到股市暴跌的影响较大。其风险倍率扩增指标达到了3.5左右，显示出较高的风险放大倍数。而工商银行等大型国有商业银行，凭借其庞大的资产规模、多元化的业务结构和稳健的风险管理，风险倍率扩增指标相对较低，在1.5-2之间。这表明大型国有商业银行在面对股灾等极端市场情况时，能够更好地抵御风险，保持相对稳定的经营状况。通过对风险倍率扩增指标的分析，可以清晰地识别出在股灾中风险放大效应较为显著的金融机构，以及风险承受能力较强的金融机构，为金融监管和风险管理提供了重要的参考依据。5.3案例结果与启示通过对2008年金融危机和2015年中国股灾的案例分析，基于CoVaR模型和风险倍率扩增指标的评估结果显示，不同类型金融机构在风险特征和对系统性风险的贡献方面存在明显差异。在危机期间，金融机构之间的风险溢出效应显著增强，形成了复杂的风险传导网络，加剧了系统性风险的扩散。这些结果为金融风险管理和监管提供了重要启示。金融机构应加强风险管理体系建设，提高风险识别、评估和控制能力。优化资产负债结构，降