2023年基于CoES模型的商业银行系统风险评价研究.docx

基于CoES模型的商业银行系统风险评价研究 李嘉晨 摘   要：本文通过CoES模型，测度了16家中国上市银行系统风险奉献度大小，并通过面板回归对影响系统风险奉献度的因素进行分析。研究说明：国有大型商业银行的系统重要性普遍高于股份制商业银行和城市商业银行，中国工商银行的系统重要性在所有商业银行中最高，中信银行系统重要性位列股份制银行之首，城商行中那么是北京银行的系统重要性最强;广义货币增长率、对外投资依存度、期限利差、市值规模、權益乘数、资本充足率、总资产收益率、不良贷款率均会显著影响系统风险奉献度大小。 关键词：系统风险;系统重要性银行;CoES模型 DOI：10.3969/j.issn.1003-9031.2023.12.002 中图分类号：F832.33           文献标识码：A             文章编号：1003-9031〔2023〕12-0014-13 自2023年次贷危机爆发以来，人们深刻认识到了金融机构间的风险传染可能带来系统风险，学界与实务界也围绕系统风险开展了大量研究，一个重要研究方向就是有关系统风险测算及关于系统重要性机构的鉴定。随着2023年银监会印发商业银行全球系统重要性评估指标披露指引及2023年三部委联合发布关于完善系统重要性金融机构监管的指导意见，我国有关系统重要性机构的监管体系不断完善，相关评价体系仍在进一步探索。 一、文献综述 学界关于系统风险度量的研究，大体上可以按照数据来源的不同，将之分为基于宏观变量和资产负债表的指标法和基于市场数据的衡量法。一般而言，传统的指标法大多采用资产负债表信息，结合宏观变量构建指标体系对系统风险衡量。近年来主流风险度量模型更多的是从资产价格角度出发，利用市场数据对系统风险进行度量，其中就包含以在险价值〔VaR〕为根底的系统风险度量模型和以预期损失〔ES〕为根底的系统风险度量模型。 在基于VaR为根底的风险度量模型中，最具代表性的就是条件在险价值〔CoVaR〕指标，其定义为当机构i处于极端风险时，整体金融系统的在险价值大小。Adrian&Brunnermeier〔2023〕认为附加条件下系统的在险价值与无条件下系统在险价值大小之差ΔCoVaR是机构i对整体系统风险的影响。围绕ΔCoVaR指标，国内外学者对其估计方法和定义展开进一步研究。在估计方法上，Adrian等〔2023〕主要利用分位数回归方法计算了CoVaR的大小;谢福座〔2023〕最早开始将Copula函数与CoVaR结合，对亚洲三大股票市场指数的风险溢出效应进行实证检验;高国华和潘英丽〔2023〕提出用AR-GARCH模型，结合正态分布及t分布下的分位数进而得到动态CoVaR的大小。在定义延申方面，Chan-Lau等〔2023〕提出一个类似CoVaR的指标Co-Risk，通过计算极端分位数情况下的机构的条件CDS价值，度量机构间信用风险关联性;国内学者白雪梅、石大龙〔2023〕从实际监管需求的层面出发，通过面板数据回归且用滞后一期的解释变量进行预测，最终得到Forward-ΔCoVaR指标，与ΔCoVaR比照发现二者呈负相关关系，此时基于该指标进行宏观审慎监管那么是逆周期的。 在基于ES为根底的风险度量模型中，学者从定义上做了较多拓展。Acharya等〔2023，2023〕在预期损失ES指标的根底上，提出了系统风险预期损失〔SES〕和边际预期损失〔MES〕两个指标，用于表示某一银行的预期资本短缺及个体金融机构对系统风险边际奉献度。Engle也先后与Brownlees〔2023〕和Acharya〔2023〕合作，提出了系统风险指数SRISK，该指标测度了市场未来一段时间内收益率低于某一水平时，某一金融机构的预期资本短缺。Banulescu&Dumitrescu〔2023〕提出了成分预期损失〔CES〕指标，在满足欧拉可加性定义下，考虑单一银行在整个银行系统中的规模权重因素，将银行系统的预期损失ES根据单一银行权重，分解为不同成分预期损失。 由于CoVaR指标无法覆盖超过分位数点的尾部风险，而ES指标无法测度机构对于系统的溢出效应，Adrian&Brunnermeier〔2023〕提出条件预期损失〔CoES〕指标的设想。国内学者李政等〔2023〕参照前者的设想，构建了自己的CoES指标。因该指标可以视为是CoVaR与ES交叉融合下的产物，既涵盖了超过VaR门限的尾部损失，又度量了机构风险的溢出程度，下文将基于CoES指标对商业银行系统风险奉献度进行度量，并以此给出银行系统重要性排名，并对影响系统风险的因素进行实证分析。 二、基于ARMA-EGARCH的CoES模型 学界关于系统风险的定义虽存在分歧，但都强调系统风险是一种由于个体风险导致行业整体风险的情形，系统风险具有传染性及负外部性两大特点。此外，由于投资者普遍存在一定的正反响行为，这会致使单一银行发生财务困境时，银行市场上出现挤兑或资产抛售，致使整个系统遭受损失。同时，银行往往出于平安性考虑，在经济增长时期不会有太过激进的行为，其正向收益相对平稳，而负向损失相对聚集，系统风险还存在厚尾性和非对称性两大特点。基于几大特征的考虑，我们选择在GED分布下的ARMA-EGARCH模型，结合CoES指标对系统风险进行测算。 〔一〕CoES和下行ΔCoES的定义 根据Adrian and Brunnermeier〔2023〕提出的设想，CoES指标可以定义在银行i的收益率小于显著性水平p所对应的分位数的条件下，银行系统的收益率的期望大小。 同时，为了构造下行风险溢出和左尾部依赖性的测度指标，李政等〔2023〕在参考ΔCoVaR的定义后，给出了下行ΔCoES的定义： 为了方便不同机构间系统风险奉献度的比拟，进而对系统重要性排名，参照前人对%ΔCoVaR指标的设计，本文对ΔCoESL指标进行标准化处理： 其中，关于显著性水平的选取，考虑到现实中我国商业银行一般选择99%作为其置信水平，故而α此处取值为1%。同时，对于风险价值VaR所设置的持有期也参考商业银行标准设置为1天，而计算CoES指标时那么考虑了未来一个月的收益率，兼顾了实时性的要求。 〔二〕基于GED分布下ARMA-EGARCH模型的CoES估计方法 本文主要采用ARMA-EGARCH模型来估计CoES指标，同时假设银行个体的收益率和银行系统收益率估计中对应的残差序列服从于广义误差分布〔GED〕，主要原因如下：一是利用ARMA-EGARCH模型进行估计，不仅有利于解决金融时间序列数据的自相关和异方差问题，还有利于拟合时间序列对利好及利空消息的非对称反响〔杠杆效应〕;二是GED分布的假设相对正态分布假设更能拟合时间序列数据普遍存在的尖峰厚尾特征;三是CoES指标及下行ΔCoES指标设计为对系统风险奉献度的度量，即主要度量了一种溢出效应。综上所述，该模型可以对系统风险存在的传染性、负外部性、非对称性、厚尾性等特征进行详细刻画，也使得度量结果更加精准。GED分布又可称作广义误差分布，其密度函数表达式为： 式〔4〕中，Γ〔x〕为伽玛函数，η为GED分布的自由度，当η=2时，GED分布即转为正态分布，当η>2时，GED分布表现出比正态分布尾部更薄的特征，当η<2时，那么表现出比正态分布尾部更厚的特征。 在假设干扰项ε服从GED分布的前提下，对于CoES指标的估计可以分为以下三个局部进行描述。 1.各大银行VaR大小的估计 由式〔1〕可知，计算CoES指标的前提，需要先计量出银行i的VaR大小。因而对于银行i，参照高国华和潘英丽〔2023〕对银行个体的VaR的估计，我们对ARMA〔1，1〕-EGARCH模型中的均值方程进行修改①，同时我们参照Nelson〔1991〕对EGARCH的设定，对条件方差方程进行一定的修正，进而对个体银行i建立以下回归方程： 外，代表RMt时刻的市场收益率，DMt表示t时刻的市场收益的30d滚动方差，参加这两指标有利于提高方程拟合程度。特别的，方差方程中β反映了外部冲击带来的杠杆效应。 在GED分布下，进行极大似然估计后即可得出式〔6〕和〔7〕的系数，进而可以求出个体银行的在险价值VaRiq，t： 其中，是利用以上模型估计出来的银行预期收益率，是利用迭代的方法计算出的日收益率标准差，Z为扰动项服从GED分布下的q分位数。 2.超临界损失收益率序列模拟 根据CoES指标的定义，我们需要在各个银行i的收益率小于或等于VaRiq，t的时候，来求出此场景下的系统收益率的期望。因此，借鉴个体银行的在险价值的VaRiq，t估计方法，我们给出超出分位数临界点的该局部收益率序列Reiq，t的模拟思路： 其中，Z_excessiq，t是超额损失在收益率序列中的发生概率qeccess所对应的分位数，满足Z_excessiq，t≤Ziq，t。由于Z_excessiq，t在分布参数值及概率qeccess可得出，在此我们假设qeccess为均匀分布下生成的随机数，满足条件0≤qeccess≤q。 3.基于超临界损失收益率序列的CoES估计 首先，对于整个银行系统我们同样建立ARMA〔1，1〕-EGARCH模型： 最后，通过式〔2〕和〔3〕即可算出各银行对应的系统风险奉献度，并可以在不同银行之间进行比拟，得出银行系统重要性排名。 三、实证结果分析 本文选取个股的股票收益率作为单个金融机构系统风险奉献度的测算根底。具体而言，参照田国强等〔2023〕设定①，在估计下行ΔCoES时，以商业银行的后复权收盘价来计算其日收益率，同时以中证沪深300商业银行全收益指数收盘指数作为银行系统收益率。其中日收益率序列计算如下所示： Rt= 〔1nPt-1nPt-1〕×100%〔14〕 其中，Rt表示第t天的收益率，1nPt和1nPt-1那么表示相邻两个交易日收盘价。 本文将选取代表性银行的系统风险奉献度进行估算，并对系统重要性排序。为保证估算的准确性，我们将尽可能考虑所有上市的国有商业银行、股份制银行及主要的大型城商行。经过筛选，本文的研究区间确定在2023年1月4日—2023年12月28日，共1946个交易日，数据来源于Wind数据库。而对于系統重要性排序，我们将选取共计16家上市商业银行进行比照②，因16家商业银行资产占中国银行业资产总额比例约75%，应选取该样本分析的代表性较好。 〔一〕收益率序列描述性分析 为刻画收益率数据的特征，我们对银行指数及各大银行收益率进行了描述性统计分析，同时为保证收益率数据平稳，还对其进行了单位根检验〔见表1〕。各大银行的日收益率的偏度系数为均不恒等于0，因而收益率分布略有左偏或右偏，具有轻微的非对称性;由于峰度系数也远大于正态分布对应的系数3，故具有尖峰厚尾特征;J-B统计量更是到达3600.996，远大于正态分布所对应0.01显著性水平下的临界值9.21。综上，可以拒绝收益率分布满足正态分布的假设。同时，在对单位根检验后可知，所有收益率序列均在1%的水平上显著，即拒绝收益率序列存在单位根的原假设，收益率序列平稳。因此，采用GED分布下的ARMA-EGARCH模型来拟合收益率序列，并估计CoES模型有其合理性。 〔二〕商业银行系统重要性衡量 通过建立ARMA〔1，1〕-EGARCH模型对收益率拟合，我们可以计算出各大银行的动态ΔCoESL，通过绘制图形〔见图1〕，进而可以观测各大银行系统风险奉献度变化趋势。可见，大多数商业银行的系统风险溢出水平均在2023年及2023年的经济波动期间到达峰值，这也充分表达了系统风险的负外部性及传染性。此外我们观察到，国有大型商业银行的系统风险奉献度尽管较高，但除去危机期间，从长期看其变动幅度相对较小。而股份制商业银行和城市商业银行的系统风险溢出水平虽相对较低，但其波动较大，说明其在日常经营中更容易受到内外部冲击因素的干扰，自身稳定性较差，也就更容易向整个银行系统中发出冲击，在正常经济运转情况下，更容易成为整个系统中的不稳定因素。 由于银行的系统风险奉献