金融风险跨市场传染的驱动机制研究.docx

《金融风险跨市场传染的驱动机制研究.docx》由会员分享，可在线阅读，更多相关《金融风险跨市场传染的驱动机制研究.docx（24页珍藏版）》请在优知文库上搜索。

1、金融风险跨市场传染的驱动机制研究摘要：本文基于广义预测误差方差分解测算我国7个金融市场的风险溢出系数，进一步构建大型贝叶斯向量自回归模型，探析影子银行发展对我国金融风险跨市场溢出的影响。结论表明：第一，影子银行强化了我国金融风险跨市场溢出水平，汇率、货币、黄金、大宗商品市场的风险净溢出有所增强，股票、债券、房地产市场的风险净溢入有所增强。第二，债券市场在所有市场中承压最大，特别是货币市场向债券市场的风险净溢出效应最强。第三，进一步的格兰杰因果检验发现，影子银行打破了货币市场资金流向债券市场的政策约束，推升债券市场杠杆，这是影子银行驱动货币市场风险向债券市场溢出的根本原因。关键词：影子银行；风险

2、跨市场溢出；贝叶斯估计；向量自回归模型一、引言传染性是系统性金融风险的核心概念，一个金融市场受到严重损失后，会通过市场之间的关联迅速波及与之相关的市场，并最终对整个金融系统造成严重冲击（杨子晖等，2020）lo在2008年国际金融危机后的新监管框架中，抑制金融风险的跨市场传染成为核心内容之一。新常态以来，我国不同金融市场叠加共振的频率和幅度均有所上升，相关政策部门开始关注金融风险跨市场传染的危害，并将抑制金融风险跨市场传染作为政策的重要着力点。中国人民银行原行长易纲在博鳌亚洲论坛2018年年会“货币政策的正常化”分论坛讨论上提出，要特别关注跨市场、跨产品、跨机构的风险传染。中国金融稳定报告(2

3、019)中明确指出，金融市场之间风险交叉传染的可能性加大是金融稳定的重要威胁。2020年证监会原主席易会满在第十二届陆家嘴论坛上表示，金融风险跨市场、跨行业、跨领域交叉传染成为当前重要的风险挑战。金融风险跨市场传染的强度与金融体系的制度安排密切相关。从我国近十余年的金融发展实践看，影子银行无疑是推升金融系统关联性的重要因素。影子银行投资模式多样，交易结构复杂，涉及多个主体，联结多个市场，这些特征虽然一定程度上推动了利率市场化，但也加剧了风险的跨市场传染，威胁金融稳定。深入研究影子银行对金融风险传染的影响，从结构性视角辨析影子银行对不同金融市场和不同风险传染路径的异质性作用，对当前防范化解重大风

4、险具有十分重要的现实意义。影子银行对风险传染的影响受到学术界的广泛关注。当前关于影子银行与金融风险传染的研究有两个不同的分支方向。一是风险测度。学者们尝试测算影子银行作为风险源头对其他市场的影响，采用网络分析等方法，将影子银行视为一个单独市场，分析影子银行与其他市场的风险关联网络特征(方先明等，2017；张冰洁等，2021)2,3。但是，这些研究缺乏对影子银行的宏观风险效应的分析，同时也未能很好地解答影子银行加剧风险传染的原因和机制。二是风险解释。学者们通过构建宏观经济变量向量自回归模型或者回归模型，分析影子银行放大金融风险的机制(刘超和马玉洁,2014；李文吉吉，2020)4,5,这一研究范

5、式重点关注影子银行的宏观风险效应，给出了影子银行放大金融风险的机制解释，但是对于风险传染的微观特征缺乏深入探讨。本文尝试融合上述两类研究方法，先构建一个包含股票、债券、货币等7个市场的有向加权风险溢出网络，分析我国金融风险跨市场溢出的特点，然后构建一个大型贝叶斯向量自回归模型，研究影子银行对不同金融市场和风险传染路径的异质性影响。本文的主要贡献是，将影子银行视为风险跨市场传染的驱动檄制而非一个独立的金融市场，重点分析影子银行是否以及如何影响金融风险的跨市场传染，实现了风险测度和风险解释的有机融合。二、文献综述跨市场传染是金融风险的主要表现形式，复杂网络分析是构建跨市场风险传染网络的重要工具。研

6、究范式主要有以下三类：一是基于GARCH模型测算风险的跨市场传染。如KanaS(2000)6基于EGARCH模型研究6个发达国家股市和汇市的波动率溢出效应，发现存在股市向汇市的单向波动率溢出。Caporale等(2002)7采用BEKK-GARCH模型分析亚洲四国的股市和汇市联动关系。李成等(2010)8采用VAR-GARCH-BEKK模型研究了我国股票、债券、外汇及货币市场，发现上述市场具有很强的波动集聚性和持续性。二是基于格兰杰因果检验构建风险传染复杂网络并展开分析。Biuio等(2012)9通过双变量格兰杰因果检验构建了美国银行、保险、对冲基金等部门的收益率溢出网络，发现收益率溢出指标能

7、够预警金融风险。Brunetti等(2019)10基于欧洲上市银行数据构建国际金融危机前后的银行间市场收益率关联网络，发现危机期间收益率网络的联动性显著增强。杨子晖等(2020)1基于非线性的格兰杰因果检验构建全球19个国家股票市场和外汇市场的风险传染关系发现，股票市场是风险的主要输出方，外汇市场则是风险的主要接收者。三是基于方差分解构建不同金融市场的风险传染网络并进行分析。Diebold和YilInaZ(2012)11基于方差分解方法,构建美国股票、债券、外汇和商品市场的波动率溢出网络，发现上述四个市场中有12%的波动是由跨市场传染造成的。此后，大量学者基于这一方法进行了深化研究。如1.iO

8、W等(2018)12构建了一个7个国家4类金融市场的波动率溢出网络，研究发现全球金融市场波动的71.8%来源于不同国家和资产的溢出效应。Reboredo和Ugolini(2015)13研究美国绿色债券市场与国债、公司债、股票、货币、能源市场之间的收益率溢出关系，发现绿色债券会受到国债和货币市场的影响，但反向溢出效应不强。傅强和张颖(2015)14基于方差分解方法研究了我国银行、保险、房地产、证券等板块的风险溢出效应。刘超等(2017)15采用GARCH模型测算货币、资本、商品、外汇、黄金、房地产市场的条件方差,并基于方差分解方法研究了不同市场的风险溢出状况。宫晓莉和熊熊(2020)16基于TV

9、PTAR模型的方差分解研究了我国6类金融市场之间的特质性波动溢出效应。近年来影子银行迅速发展，影子银行对我国金融稳定的影响成为受到广泛关注的话题。学术界对这一问题的研究主要沿两个方向展开：一是从微观机制出发分析影子银行对金融稳定的影响。Tang和Wang(2016)17将银行费用和佣金收入作为影子银行业务的代理变量，研究发现银行通过影子银行业务规避监管能改善盈利水平，但他们同时认为影子银行扰乱了信贷体系，给监管制度带来挑战。ACharya等(2020)18研究发现资管产品的发展给发行银行带来较大风险，造成资管产品收益率上升，银行间市场借贷利率上升，影响了发行银行在股票市场的表现。二是从宏观视角

10、出发，通过对经济金融变量构建宏观模型，分析影子银行的影响。如李向前等(2013)19将信托贷款和委托贷款作为影子银行的测度指标，构建了一个金融稳定指数，通过向量自回归模型的脉冲响应分析发现影子银行导致我国金融稳定性降低。刘超和马玉洁(2014)4构建了一个包括影子银行、存贷款余额、同业拆借利率的向量自回归模型，研究发现影子银行对金融稳定产生了负向冲击。方先明等(2017)2利用宏观层面和金融机构层面的指标构建金融稳定指数，并基于TVP-VAR模型研究影子银行对金融稳定的影响，发现影子银行规模扩张短期内有助于促进金融稳定，但长期会对金融稳定造成不利影响。马德功等(2019)20发现，商业银行作为

11、影子银行体系最主要的资金供给方，与影子银行的资产负债关联越高，受到的风险传染越强。李文吉吉(2020)5运用影子银行、经济增长、房价等变量构建结构向量自回归模型，研究发现影子银行主要通过房地产价格影响金融稳定。张冰洁等(2021)3发现，短期内影子银行的风险会通过汇率向实体经济传递，而长期内则会通过资产价格渠道传染到债券市场。三、金融风险跨市场溢出测度(一)有向加权风险溢出网络的构建方法本文参考Diebold和Yilmaz(2012)11提出的方法，通过构建向量自回归模型并进行广义预测误差方差分解来获得不同市场之间收益率溢出的有向加权网络。与基于格兰杰因果检验构建的网络相比，有向加权网络能够同

12、时识别出节点风险溢出的方向和强度，目前在金融风险传染领域应用广泛。基于有向加权溢出网络，可以计算总体和结构性溢出系数，用于测度金融风险水平(1.ioW等，2017；Tsai,2017)12,21o先构建一个N变量VAP(p)模型：xt=i-lpixt-l+t(1)其中，xt是各市场的收益率指标，t是服从独立同分布的随机误差项，tN(0,).上式可以重新表述为移动平均形式：xt=i=0ooAit(2)其中，Ai是一个NXN的矩阵，服从如下递归过程：Ai=IAi-I+2Ai-2+pAi-p,对于i0,有Ai=O。通过对上式进行广义预测误差方差分解可以获得金融市场之间的风险溢出效应。xi对xj的未来

13、Z期的广义预测误差方差可以表述为如下形式：?gijZ=。-Ijjz=OZ-IeriAzej2z=0Z-le,iAzA,zej(3)其中，是t的方差协方差矩阵，ojj是2对角线上第j个元素，ei是第i个元素为1,其余元素为0的N维列向量。在广义预测误差方差分解中，每一行的和并不一定为1,因此,DiebOld和YilnIaZ(2012)11对方差分解结果进行标准化处理，公式如下：?gijZ=?gijZj=lN?gijZ(4)在上式基础上，可以计算由多个市场组成的整个金融系统的总体关联度，将其称为风险总溢出系数，公式为：SgZ=i,j=lijN7gijZi,j=三gijZ100(5)在整个金融系统中

14、，其他所有市场对市场i的风险溢出可以表示为如下公式：Sgi7Z=i=lijN9gijZi,j=lN?gijZ100(6)市场i对其他所有市场的风险溢出可以表示为如下公式：Sg7iZ=j=lijN7gijZi,j=lN?gijZX100(7)市场i的风险净溢出可以表示为市场i向其他市场的风险溢出与其他市场向市场i的风险溢出的差，将其称为市场i的风险净溢出系数，其公式为：SgiZ=Sg?iZ-Sgi?Z(8)根据上述原理，市场i对市场j的风险净溢出可以表示为如下公式，将其称为市场i对市场j的风险净溢出系数：SgijZWgjiZi,k=lN?gikZ-?gijZj,k=lN?gjkZ(9)(二)变量

15、选择和数据来源参考宫晓莉和熊熊(2020)16的研究，本文构建我国股票、债券、外汇、黄金、房地产、货币、大宗商品7个市场的收益率溢出网络。样本区间为2006年1月1日一2020年12月31日，涵盖了2008年国际金融危机、欧洲主权债务危机、2013年我国银行间市场“钱荒”、2015年我国“股灾”、2016年我国“债灾”和2020年新冠疫情等重要风险事件。本文选取的7个市场的相关指标见表1,数据均来源于万得数据库。对各指标进行以下处理：首先，由于上述7个市场的交易日并不完全一致，为了保证时间上的一致性，参考既有研究中的数据采集方法，采用共同交易窗口来处理数据，删除各市场交易时点不匹配的数据，保留公共交易时点下的数据，共得到3646个观测样本。其次，按照公式Rt=logptpt-1X100%,将除货币市场利率以外的其他6个指标转换为收益率数据。最后，对上述7个指标进行ADF单位根检验，结果显示在1%的显著性水平上所有变量均为I(0)过程，可以用于建立向量自回归模型。关于影子银行的规模，既有文献采用多种方法进行过测算，如Chang等(2016)22以委托贷款、信托贷款、未贴现银行承兑汇票为基础测算了我国影子银行的季度数据并定期对外发布，本文采用他们测算的数据。根据AIC准则，确定VAR模型的最优滞后期为1期。参照DiebOId