發(fā)布時間：2020-04-13所屬分類：經(jīng)濟論文瀏覽：1次
摘 要： 摘要:利用主成分分析法篩選出7個維度變量構(gòu)建我國系統(tǒng)性金融風險綜合指數(shù)，以熵值法確定各維度權(quán)重，發(fā)現(xiàn)系統(tǒng)性金融風險綜合指數(shù)能夠較好地刻畫2007年以來我國系統(tǒng)性金融風險的形勢。通過構(gòu)建帶隨機波動的時變參數(shù)向量自回歸模型，考察系統(tǒng)性金融風險指數(shù)與
摘要:利用主成分分析法篩選出7個維度變量構(gòu)建我國系統(tǒng)性金融風險綜合指數(shù)，以熵值法確定各維度權(quán)重，發(fā)現(xiàn)系統(tǒng)性金融風險綜合指數(shù)能夠較好地刻畫2007年以來我國系統(tǒng)性金融風險的形勢。通過構(gòu)建帶隨機波動的時變參數(shù)向量自回歸模型，考察系統(tǒng)性金融風險指數(shù)與股票市場、債券市場、外匯市場間的時變脈沖響應(yīng)關(guān)系，發(fā)現(xiàn)系統(tǒng)性金融風險的脈沖響應(yīng)在不同領(lǐng)先間隔期內(nèi)都呈顯著增加且為正效應(yīng);在不同時間節(jié)點上，系統(tǒng)性金融風險對股票市場和債券市場正向沖擊的脈沖響應(yīng)短期大、長期收斂，對匯率負向沖擊的脈沖響應(yīng)程度大。金融監(jiān)管部門應(yīng)建立統(tǒng)一的金融市場實時監(jiān)測體系，及時防范并化解金融市場的風險沖擊。
關(guān)鍵詞:系統(tǒng)性金融風險;金融市場;時變脈沖響應(yīng);TVP-VAR-SV
隨著金融市場的發(fā)展和全球化進程的加快，各種金融產(chǎn)品創(chuàng)新層出不窮，銀行、保險、信托等金融機構(gòu)通過各種合作以及積極的產(chǎn)品創(chuàng)新產(chǎn)生密切的關(guān)聯(lián)，加上混業(yè)經(jīng)營下互聯(lián)網(wǎng)金融的迅速崛起，我國金融市場互相滲透和融合越來越明顯，與全球經(jīng)濟的關(guān)系也越來越緊密和復(fù)雜。然而由于信息不對稱、杠桿疊加、監(jiān)管漏洞、金融部門關(guān)聯(lián)度高、金融體系脆弱等問題的存在，部分金融機構(gòu)的風險可能會在金融體系中迅速聚集和擴散，演變?yōu)橄到y(tǒng)性金融風險，威脅我國金融安全。
據(jù)Wind數(shù)據(jù)統(tǒng)計，2018年我國股權(quán)質(zhì)押到期規(guī)模達到8000多億元，非金融企業(yè)違約事件不斷，違約金額多達1100多億，新增融資近80%投入到房地產(chǎn)部門，住戶部門的杠桿率不斷提高。雖然我國匯率水平一直相對穩(wěn)定，外匯儲備規(guī)模也一直保持在3萬億以上，但隨著中美貿(mào)易摩擦加劇，外部市場沖擊不斷，重點領(lǐng)域的“灰犀牛”風險、高杠桿、信用風險等無疑對我國經(jīng)濟社會的穩(wěn)定產(chǎn)生嚴重影響，并可能引發(fā)系統(tǒng)性金融風險。研究我國金融市場系統(tǒng)性風險以及系統(tǒng)性風險波動與各個市場波動之間的動態(tài)關(guān)系，有利于我們對金融市場風險有更加全面的認識，有助于我們預(yù)防和預(yù)警系統(tǒng)性金融風險。
一、文獻綜述
系統(tǒng)性金融風險具有潛在性、負外部性、內(nèi)生性和傳染性等特點，它與金融機構(gòu)的脆弱性、信息不對稱、過度創(chuàng)新、缺乏監(jiān)管等問題密切相關(guān)。Cokett(1996)認為能夠影響到整個金融體系甚至帶來整個經(jīng)濟體系全局性災(zāi)難的風險為系統(tǒng)性金融風險。Kaufman(1999)從風險傳染的角度指出，系統(tǒng)性金融風險可描述為一個事件影響一系列機構(gòu)和市場的可能性。DeBandtandHattman(2000)則認為系統(tǒng)性風險具有給實體經(jīng)濟帶來嚴重負外部性沖擊的特性，一般會導(dǎo)致經(jīng)濟損失、增加金融體系的不確定性。
現(xiàn)行的系統(tǒng)性金融風險度量的方法可分為指標法和模型法，其中指標法采用宏觀的視角并基于宏觀數(shù)據(jù)來研究金融體系整體的風險水平，例如概率模型法(FrankelandRose，1996)、信號法(Kaminskyetal.，1998)、綜合指數(shù)法等。Illing&Liu(2007)根據(jù)加拿大金融市場的日數(shù)據(jù)最早構(gòu)造出金融壓力指數(shù)(FSI)，之后其他學者陸續(xù)針對不同國家的金融市場構(gòu)建多種金融壓力指數(shù)。如Balakrishnanetal(2011)采用相同的權(quán)重構(gòu)建了新興國家的金融壓力指數(shù);Grimaldi(2010)選取了16個金融樣本構(gòu)建歐洲1999—2009年間的金融壓力指數(shù);Giglioetal.(2016)從多個廣泛應(yīng)用的系統(tǒng)性風險指標中提取公共部分來度量整體的系統(tǒng)性風險，并通過主成分分析構(gòu)建系統(tǒng)性金融風險綜合指標。國內(nèi)也有較多的相關(guān)研究，如賴娟(2011)從風險利差、股市波動、利率以及外匯市場四個角度來構(gòu)建我國系統(tǒng)性金融風險綜合指數(shù);而方意等(2012)則從資產(chǎn)規(guī)模、杠桿率以及編輯期望損失來分析和度量我國系統(tǒng)性金融風險，并發(fā)現(xiàn)它們之間的正相關(guān)關(guān)系。林琳等(2013)將影子銀行體系納入系統(tǒng)性風險壓力指數(shù)，并通過實證研究表明銀行業(yè)和影子銀行對系統(tǒng)性金融風險壓力指數(shù)有直接影響。陶玲和朱迎(2016)基于綜合指數(shù)法從我國7個金融相關(guān)市場選取指標，運用主成分法構(gòu)建我國系統(tǒng)性風險綜合指數(shù)。
模型法則從微觀的角度基于金融市場數(shù)據(jù)研究系統(tǒng)性金融風險，如Allenetal(2012)采用廣義帕累托分布和非參數(shù)估計等方法構(gòu)建金融與房地產(chǎn)行業(yè)的截面尾部風險指標，測度金融行業(yè)的巨災(zāi)風險。Kellyetal(2014)試圖構(gòu)建金融市場的整體尾部風險指數(shù)，研究該指數(shù)對資本市場和宏觀經(jīng)濟活動的影響。嚴偉祥等(2017)構(gòu)建DCC-GARCH模型，研究銀行、保險、證券、信托和金融期貨行業(yè)的動態(tài)相關(guān)性，通過CoVaR方法分析單個行業(yè)風險對其他行業(yè)的溢出影響，并得到金融行業(yè)間的風險溢出效應(yīng)較為明顯的結(jié)論。楊子暉(2018a)通過模擬我國177家銀行面臨外生沖擊時的預(yù)期損失，發(fā)現(xiàn)傳染性風險在我國系統(tǒng)性金融風險呈逐年增加趨勢，并指出股份制商業(yè)銀行是主要誘發(fā)者。楊子暉等人(2018b)運用“有向無環(huán)圖技術(shù)方法”和網(wǎng)絡(luò)拓撲分析方法，從網(wǎng)絡(luò)關(guān)聯(lián)的角度分析全球系統(tǒng)性金融風險的動態(tài)演化。
金融市場跌宕起伏、外部沖擊不斷，極有可能存在結(jié)構(gòu)性沖擊，因此在度量系統(tǒng)性金融風險的同時，可運用時變參數(shù)向量自回歸(TVP-VAR-SV)模型進行補充分析。相較于傳統(tǒng)的VAR模型，TVP-VAR-SV模型的參數(shù)隨著沖擊的變動和相關(guān)影響機制的變動而變動，通過時變參數(shù)捕捉到每個時點的脈沖響應(yīng)，進而刻畫各個變量之間的動態(tài)作用關(guān)系。Cogleyetal.(2005)基于Sims(1998)提出的向量自回歸(VAR)模型引入時變方差，同樣基于Sims(1998)，Primiceri(2005)進一步將系數(shù)、方差和協(xié)方差設(shè)置為時變的，提出了TVP-VAR模型。Nakajimaetal.(2011)通過帶隨機波動的時變參數(shù)向量自回歸模型(TVP-VAR-SV)分析了日本宏觀經(jīng)濟與貨幣政策的動態(tài)關(guān)系，并對比該模型與常數(shù)系數(shù)VAR模型的估計結(jié)果，發(fā)現(xiàn)TVP-VAR-SV模型的擬合效果優(yōu)于VAR模型。D’Agostinoetal.(2013)將TVP-VAR模型應(yīng)用于實時預(yù)測宏觀經(jīng)濟變量，并將結(jié)果與VAR等模型進行對比驗證模型中考慮經(jīng)濟結(jié)構(gòu)性變化的必要性。鄭燕等(2018)基于TVP-VAR模型對2001-2007年間的國際原油和我國糧食價格進行動態(tài)沖擊效應(yīng)研究，發(fā)現(xiàn)它們之間存在非常明顯的時變性特征關(guān)系。與傳統(tǒng)VAR模型相比，TVP-VAR-SV模型能夠更好地捕捉經(jīng)濟系統(tǒng)的變化。
綜上所述，本文主要有兩個目標:一是用系統(tǒng)性風險指數(shù)刻畫我國系統(tǒng)性風險;二是采用TVP-VAR-SV模型分析系統(tǒng)性風險指數(shù)波動與三個金融子市場波動的動態(tài)相關(guān)關(guān)系。具體的研究分為兩個步驟:首先結(jié)合我國資本市場的現(xiàn)狀和特點構(gòu)建系統(tǒng)性風險綜合指數(shù)，運用2007—2018年的數(shù)據(jù)對“新常態(tài)”的金融市場系統(tǒng)性進行實證分析;其次結(jié)合TVP-VAR模型研究股票市場、債券市場以及外匯市場對系統(tǒng)性風險指數(shù)的脈沖響應(yīng)，進而研究三個金融子市場與系統(tǒng)性風險的動態(tài)波動之間的關(guān)系。
二、模型設(shè)立方法
(一)綜合指數(shù)模型設(shè)定
加拿大經(jīng)濟學家IllingMark和LiuYing最早提出綜合指數(shù)法。與發(fā)達國家的金融市場相比，我國金融市場起步較晚，金融發(fā)展和金融監(jiān)管不完善，因此將金融市場視為一個相互影響關(guān)聯(lián)的整體，運用綜合指數(shù)法，從而盡可能多的涵蓋金融風險指標和信息。結(jié)合我國金融體系現(xiàn)狀、系統(tǒng)性金融風險形成的原因、傳導(dǎo)機制以及數(shù)據(jù)的可獲得性等特征，本文從股票市場維度、金融機構(gòu)維度、債券市場維度、貨幣市場維度、外匯市場維度、房地產(chǎn)市場維度以及工業(yè)企業(yè)部門維度共7個維度選取近70多組樣本數(shù)據(jù)，構(gòu)建系統(tǒng)性金融風險指數(shù)。
相關(guān)知識推薦：金融論文發(fā)表的核心期刊投稿指導(dǎo)
(二)基于TVP-VAR模型的時變沖擊分析
1.數(shù)據(jù)選取說明
為了識別出股票市場、債券市場以及外匯市場與系統(tǒng)性綜合指數(shù)的動態(tài)沖擊關(guān)系，選取滬深300指數(shù)(stock)、中證債券指數(shù)(bond)、人民幣兌美元匯率(ex)、系統(tǒng)性風險綜合指數(shù)(cisr)作為變量進行TVP-VAR-SV實證分析。由于TVP-VAR-SV具有時變特性，本文不一一列舉不同時期的估計結(jié)果。結(jié)合等間距脈沖響應(yīng)函數(shù)和時點脈沖響應(yīng)函數(shù)深入討論在樣本期間內(nèi)(2007年1月至2018年9月)系統(tǒng)性風險綜合指數(shù)波動與股票市場、債券市場、外匯市場波動的動態(tài)影響機制。
2.MCMC抽樣收斂性診斷
根據(jù)最大似然函數(shù)法，本文最終確定VAR模型最優(yōu)滯后階數(shù)為3，并采用20000次蒙特卡洛(MCMC)模擬抽樣，舍棄前2000次預(yù)燒值(burn-in)。表4顯示:Geweke值表示在5%的顯著性水平下，該模型沒有拒絕參數(shù)收斂于后驗分布的原假設(shè)，同時所有參數(shù)估計結(jié)果的低效因子都小于150，因此可以確認MCMC抽樣有效。
圖2給出了樣本的自相關(guān)系數(shù)(上)、模擬路徑(中)和模擬分布密度(下)。從自相關(guān)效果來看，自回歸系數(shù)均迅速下降，顯示了馬爾可夫鏈的收斂。圖2顯示樣本路徑相對平穩(wěn)，說明MCMC算法有效。系數(shù)的后驗密度顯示大部分時間方差來自隨機波動
3.隨機波動分析
可變隨機方差是TVP-VAR-SV模型的一個重要特征，也是區(qū)別于其他VAR模型的一個重要特征，圖3給出了4個變量的路徑(見圖3上)和結(jié)構(gòu)沖擊的后驗隨機波動率的走勢圖(見圖3下)。
由圖3可知，同一時點上各個變量的波動幅度具有較大的差異，系統(tǒng)性風險指數(shù)的隨機波動率從2016年以來逐漸上升到高位，之后又逐漸下降。這說明經(jīng)過一段時間各方的努力，我國系統(tǒng)性金融風險已經(jīng)得到了一定程度的處置和緩釋，總體上系統(tǒng)性金融風險處于穩(wěn)定狀態(tài)。
4.時變脈沖響應(yīng)分析
TVP-VAR-SV模型在進行脈沖響應(yīng)分析時，能夠給出同期動態(tài)關(guān)系的脈沖響應(yīng)分析和隨時間變化的動態(tài)脈沖響應(yīng)分析，也能集中關(guān)注某些特殊時刻的脈沖響應(yīng)分析。
