基于MVMQ-CAViaR模型的影子銀行與商業銀行的金融風險傳染研究

楊舒怡 程業斌 東華大學旭日工商管理學院

一、引言

截至2018年底，中國影子銀行規?？偭窟_到62.1萬億元，占我國GDP值的68%。影子銀行，既是金融創新，又是對傳統商業銀行和金融監管的挑戰。研究影子銀行帶來的金融風險傳染效應，一直備受關注。

二、文獻回顧

魏濤等（2013）[1]指出，我國的影子銀行的機構和業務，游離于傳統銀行之外，“無銀行之名、行銀行之實”，大概包括銀行的影子業務、影子銀行的業務兩個類別。

關于影子銀行與商業銀行的風險傳染，學者們進行了相關研究。李叢文和閆世軍（2015）[2]使用時變的Copula函數計算CoVaR值，計算了兩者的風險傳染程度，認為需要加強防范風險傳染。馬亞明和宋羚娜（2017）[3]將影子銀行主要劃分為證券、信托和民間借貸，通過拓展的GARCHCoVaR模型實證分析其風險傳染程度，認為兩者間初步形成風險傳染，應做好業務監管的強化。

三、研究設計

（一）實證模型

在Engle和Manganelli（2004）的CAViaR模型基礎上，White等人（2015）提出了多變量多分位點條件自回歸風險值（MVMQCAViaR）模型，將分位數回歸從單方程轉換到向量自回歸的結構化方程，觀測分析相關市場的尾部風險傳染。具體公式如下：

qit(θ)為在θ水平下該市場的尾部風險，是市場收益率對應的條件分位數。|Yit-1|為該市場i滯后一期的收益率絕對值。qit-1為滯后一期的尾部風險，其能描述沖擊對自身的影響。

（二）樣本數據統計

本文以影子銀行、商業銀行為兩個研究市場，通過收集兩市場代表機構的收益率數據，構建MVMQ-CAViaR模型，考察兩個市場之間是否存在極端風險溢出效應。

選取時間區間為2011年5月到2019年12月，影子銀行的數據選擇中國8家影子銀行的收益率，包括安信信托、陜國投A、中信證券、廣發證券、大眾公用、東方財富、張江高科、生意寶。商業銀行的數據選取中國16家代表商業銀行，包括中國銀行、中國工商銀行、中國農業銀行、中國建設銀行、交通銀行、浦發銀行、平安銀行、華夏銀行、民生銀行、興業銀行、招商銀行、光大銀行、寧波銀行、中信銀行、南京銀行、北京銀行。

收益率=100*LN（Pt/Pt-1），然后取收益率的平均值作為收益率樣本數據。樣本數據進行描述性統計，影子銀行和商業銀行均顯示出尖峰厚尾的特征，可采用MVMQCAViaR模型。

（三）實證分析

將分位數水平選擇為θ=0.05，將上述樣本數據通過matlab進行MVMQ-CAViaR模型處理，具體估計結果如表1所示。

表1 MVMQ-CAViaR模型的樣本估計結果

b12在1%的置信水平下顯著，說明商業銀行的極端風險會對影子銀行的風險價值產生了明顯的影響。b21在1%的置信水平下顯著為負，說明的影子銀行極端風險會加劇對商業銀行的風險價值影響。b12和b21均在1%的置信水平下顯著，表明商業銀行和影子銀行之間存在著明顯的風險傳染效應。

b11與b22在1%的置信水平下顯著，說明兩個市場的風險價值存在度的自相關特征。a12與a21分別在5%置信水平下顯著不為0，反映了商業銀行與影子銀行之間存在顯著的溢出效應。a11與a22分別在10%、5%的置信水平下顯著，表明影子銀行和商業銀行均具備較高的市場化水平。

（四）分位數脈沖響應分析

主要分析我國影子銀行和商業銀行，受到兩單位影子銀行收益率的沖擊時，影子銀行和商業銀行未來200期的風險脈沖響應過程。分析可知，受到沖擊后兩者的收斂速度不一樣，影子銀行收斂更快。商業銀行受到影子銀行的沖擊后，記憶性更強，風險傳染具有滯后，但最終會趨于穩定。

四、結論與啟示

根據實證分析結果表明：分位數水平為5%的情況下，利用MVMQ-CAViaR模型對影子銀行、商業銀行的風險度量結果顯著，可作為衡量兩者的極端風險水平指標。影子銀行與商業銀行存在顯著的風險傳染效應，說明兩者存在著雙向的風險傳染效應，需要做好商業銀行和影子銀行的監管力度。

為更好的控制影子銀行的風險，應該做好銀行與各大金融體系的協調和監管，促進我國金融市場的和諧發展。監管部門要嚴防影子銀行通過商業銀行進行資金套現，要保證商業銀行的表外業務、影子銀行業務等都處于監管體系下，嚴格防控風險。