基于動態CRITIC賦權的中國金融壓力指數構建與金融風險識別

祝志川 蔣犇

摘要：合理測度和準確識別金融市場風險，對于穩定經濟、有效防范金融風險意義重大。依據中國金融市場特征，本文采用動態CRITIC法計算權重并建立金融壓力指數測度模型，通過非參數統計核密度法和B-N數據分解法對金融壓力指數的分布和金融風險狀態進行估計與識別，采用馬爾科夫區制轉換模型檢驗高低風險轉換概率，并與基于確定項進行識別的結果進行對比分析。研究表明：基于動態CRITIC賦權的金融壓力指數更能反映金融市場的極端值和金融風險，隨機沖擊是影響我國金融壓力指數的重要因素，兩種金融風險識別方法均可識別金融風險狀態且各有優勢，研究中可以互為補充。今后應建立更加完善的風險測度指標體系，進一步完善監管制度，加強對金融風險的宏觀審慎管理和防范。

關鍵詞：金融壓力指數；動態CRITIC法；B-N數據分解法；馬爾科夫區制轉換模型

中圖分類號：F832? ? ? ? ? ? ? ? ?文獻標志碼：A? ? ? ? ? ? ? ? 文章編號：1007-8576（2024）01-0021-13

DOI：10.16716/j.cnki.65-1030/f.2024.01.003

Construction and Application of China's Financial Stress Index

Based on Dynamic CRITIC Weighting Method

and Financial Risk Identification

ZHU Zhichuan， JIANG Ben

（Liaoning University， Shenyang 110036， China）

Abstract： Reasonable measurement and accurate identification of financial market risks are of great significance for stabilizing the economy and effectively preventing financial risks. According to the characteristics of China's financial market， this paper uses the dynamic CRITIC method to establish the measurement model to calculate the financial stress index， and estimates and identifies the distribution and risk state of financial stress index through non-parametric statistical kernel density method and B-N data decomposition method and the Markov Regime Switching Model is used to test the high and low risk transformation probability of financial stress index to compare with the results identified by deterministic items. The research results indicate that the financial pressure index based on dynamic CRITIC weighting method can better reflect the extreme values and financial risks of the financial market. Random shocks are an important factor affecting China's financial pressure index， and both financial risk identification methods can identify the financial risk status and each has its own advantages. In the future， it is of great necessity to establish a more complete risk measurement index system， further improve the regulatory system， and strengthen macro-prudential management and prevention of financial risks.

Key words： financial stress index; dynamic CRITIC method; B-N data decomposition method; Markov regime switching model

一、問題的提出

金融是現代市場經濟的核心，是實現經濟高質量發展的重要推動力量，金融市場穩定是市場經濟長期健康發展的必然要求。2021年一季度，我國宏觀杠桿率為276.8%，非金融企業部門杠桿率為160.3%，政府部門杠桿率為44.5%，住戶部門杠桿率為72.1%1，這可從某種角度說明我國實體經濟風險處于較高水平，實體經濟在金融市場的投融資活動引致了較高的杠桿率，對金融市場帶來了巨大隱患。同時，不同國家和地區的金融市場之間存在較強的相關性，在對外開放廣度和深度不斷擴大的背景下，中國同世界各國之間的經濟聯系日益密切，金融風險隨資本活動在全球經濟體間傳導，影響金融風險的因素從內部延伸到外部，風險傳導的復雜性和多渠道性增強。因此，科學測度金融市場壓力，把握金融市場壓力變動規律，采用科學方法準確識別金融風險及風險狀態轉換，這對宏觀調控金融市場、防范金融風險、促進經濟高質量發展具有重要的理論意義和實踐價值。

金融壓力指數具有覆蓋范圍廣、時效性強的特點，在研究金融風險時被廣泛使用。Illing［1］利用因子分析、信用權重等方法測度了加拿大的金融壓力指數。Hakkio［2］構建了堪薩斯城金融壓力指數，并用該指數分析1999—2009年間的金融危機時期，研究表明該指數的峰值能夠與危機時期發生的極端金融事件相對應，從而從實證角度證明了金融壓力指數能夠描述金融風險極值。Balakrishnan［3］測度了新興經濟體的金融壓力指數，研究了金融壓力從發達經濟體向新興經濟體的傳導過程。Ozcelebi［4］研究了發達國家金融壓力指數對其他國家的影響，發現發達國家會利用經濟優勢，將大部分壓力傳導到新興經濟體。Cevik［5］關于金融壓力指數與經濟活動之間關系的研究表明，金融壓力指數對宏觀經濟變化有很大影響，金融壓力指數能夠預示經濟狀況。王維國［6］構建了反映貨幣、銀行和資產價格風險的壓力指數，利用區制轉移向量自回歸模型對3類壓力指數進行了識別。Macdonald［7］利用金融壓力指數研究了不同國家的金融穩定情況，發現金融市場存在較強的依賴性和風險溢出性。丁嵐［8］利用由動態權重合成的中國金融壓力指數進行的分析表明，我國金融壓力呈現出周期性特征，金融風險處于較高水平，但總體水平可控。陳忠陽等［9-11］考慮了金融子市場壓力指數在時間維度上的相關性，認為在相關性較高時期，子市場風險溢出效應較大，系統性風險也較大。

由于僅測度金融壓力指數無法直觀反映金融風險的程度和狀態，所以近年來學界強化了對金融壓力狀態識別問題的研究。秦建文等［12-14］利用馬爾科夫區制轉換模型、Logistic模型對金融壓力狀態進行識別，分析不同狀態轉換的概率。章曦［15］將金融壓力指數的測度、識別和預測納入同一分析框架，通過建立識別指數以有效識別系統性金融風險的程度。馬勇［16］采用指數識別法和事件識別法來識別金融風險。許悅［17］采用門限自回歸模型識別金融壓力，研究金融風險狀態與經濟活動之間的格蘭杰因果關系。Yao［18］認為在確定金融壓力狀態的閾值后，金融壓力指數可有效識別壓力狀態。

綜上可知，學界關于金融壓力指數的測度、識別和應用等成果較為豐富。在測度方面，已有研究經歷了從靜態賦權法到動態賦權法的演變，使金融壓力指數的測度更及時、準確；在識別方面，已有研究形成了較為有效的測度方法，能夠區分金融風險的不同狀態；在應用方面，已有研究主要集中在金融風險與宏觀經濟的非線性傳導關系上。但已有研究也還存在一定不足。比如，采用的識別方法比較單一，主要為馬爾科夫區制轉換模型和Logistic模型等非線性自回歸模型，對風險識別理論的研究較少，未能深刻剖析金融風險狀態變化的原因；再如，學界對金融壓力指數的識別重視不夠，這可能導致在研究金融風險的非線性傳導關系時，對于風險狀態變量的設置存在一定偏誤。本文從金融壓力指數識別角度出發，構建指標體系測度金融壓力指數，通過B-N數據分解法將金融壓力指數分解為隨機沖擊、確定項和周期項，并根據分解結果進行識別，以期更好地把握金融風險識別的理論依據。

二、變量選取與研究方法

（一）金融市場的風險因素與指標選取

國內股票、債券、外匯等內部市場變動會直接影響投資者和金融機構決策，對中國金融市場穩定造成較大影響。同時，國際大宗商品期貨價格變動、美國股票指數變動等外部市場風險也會影響國內投資者和風險管理部門決策，進而影響中國金融市場穩定。因此，本文將金融市場劃分為債券市場、外匯市場、股票市場和外部市場，先測算各金融子市場的壓力指數，再合成中國金融壓力指數。本文借鑒已有文獻［1，14］，選擇日度頻次進行研究，以保證指標具有更強的時效性。本文構建的指標體系見表1，樣本區間為2004年9月3日到2020年6月24日，共3632個樣本。

債券市場的測度指標包括期限利差和主權債務利差。期限利差主要反映債券市場長期風險與短期風險的關系，該指標值越大，說明投機機會越多，債券市場風險越大。主權債務利差主要反映長期內人民幣與美元的投資利差。當中國長期國債收益率高于美國長期國債收益率時，具有投機性質的“熱錢”會大量流入我國，影響我國債券市場供需平衡，對債券市場帶來一定波動；同時，我國央行為維持貨幣供應量和利率，會以人民幣收購一部分外幣，這會進一步影響我國貨幣供需穩定。因此，主權債務利差越大，國外“熱錢”流入越多，越不利于我國金融市場穩定。

對外匯市場的測度以美元兌人民幣匯率和歐元兌人民幣匯率的變動率來衡量。外匯市場主要考慮因人民幣升值或貶值所帶來的資本異常流動風險。本文選擇匯率變動率而非匯率波動率進行測度的原因是：第一，雖然外匯波動率可以描述匯率變動的速度和幅度，但卻不能刻畫人民幣升值和貶值程度。相較于匯率波動率，匯率變動率可以有效反映人民幣升值和貶值程度，而人民幣升值和貶值都會對國內貨幣市場造成一定沖擊。第二，由于我國實行以市場供求為基礎、參考一籃子貨幣進行調節、有管理的浮動匯率制度，因而匯率制度受政策的影響較大。匯率制度改革后，人民幣匯率的波動率會在匯改后出現異常波動，此時出現的波動更多與政策干預有關，而并非市場行為所致。此外，央行一直將維持人民幣匯率的基本穩定作為主要目標，這就決定了長期來看匯率波動率不會很大，不能真實反映外匯市場風險狀態。因此，本文選擇美元兌人民幣匯率和歐元兌人民幣匯率的變動率作為衡量外匯市場的風險指標更為合理。

股票市場的測度指標包括上證指數收益率、深證成指收益率和滬深300指數收益率。本文使用較為成熟的研究方法，采用時變方差刻畫各指數風險。首先通過3種指數的日度收盤價求對數收益率，其次利用GARCH模型獲得時變方差，最后進行合成，以此來衡量我國股票市場的風險水平。此外，根據有關學者的研究，在GARCH模型族中，GARCH（1，1）模型就已能夠描述金融資產的風險狀態，為計算方便，本文在數據預處理時統一采用了GARCH（1，1）模型。

外部市場主要衡量因外部政治經濟環境突變所帶來的風險。由于我國金融體系建立較晚，金融市場發展尚不成熟，加之受經濟全球化等影響，當前我國金融市場受到的國外金融風險沖擊越來越多。因此，本文在外部市場中引入了多項風險指標，主要包括美國標普500指數波動率、WTI原油期貨收盤價一年移動窗口內的最大累積損失、黃金期貨收益率和美元指數收益率。其中：標普500指數、黃金期貨和美元指數的風險用時變方差度量；WTI原油期貨采用日度收盤價計算一年滾動窗口期內每個交易日的最大累積損失，該指標可反映世界原油期貨價格變動時的市場風險。

（二）金融風險的測度和識別方法

金融風險量化是研究金融風險性質時要解決的主要問題。金融風險并不僅僅是由金融體系中單一市場導致的，而是一種傳導和擴散性風險，某一金融市場的突發性事件不僅會對自身產生影響，還會對其他金融市場產生影響。因此，在測度金融風險時不能只考慮某一金融市場的風險狀況，還應考慮市場之間的傳導和擴散效應。下文介紹研究中所使用的風險測度模型和方法。

1.金融壓力指數的測算方法。金融壓力指數的測算涉及兩個環節，即數據預處理（包括風險指標的測度和數據標準化處理）以及金融市場風險合成（包括各子市場風險合成和金融市場風險合成）。

在數據預處理環節，波動性主要用GARCH模型殘差的時變方差來表示。模型形式為：

[σ2t=α0+i=1pαiε2t-i+…+j=1qβjσ2t-j]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

其中，p為[ε2t]的滯后階數，q為[σ2t]的自回歸階數。模型（1）為GARCH（p，q）模型，滿足如下條件：[α0>0]；[α1，…，αp≥0]；[β1，…，βq≥0]。

通常，最常用的模型為GARCH（1，1）模型，其方差方程為：

[σ2t=α0+α1ε2t-1+β1σ2t-1]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

式（2）滿足[α0>0]，[α1≥0]，[β1≥0]。雖然在GARCH模型的建模過程中有比較合理和實用的方法確定模型滯后階數，如AIC信息準則、BIC信息準則等，但選擇GARCH（1，1）模型就已能夠解釋金融資產收益率存在的異方差現象。Illing等［1，8］利用GARCH模型計算代表性金融資產的時變方差時，也采用了GARCH（1，1）模型。本文沿用這一思路，對子市場風險指標采用GARCH（1，1）模型來計算時變方差。

最大累積損失（CMAX）可以很好地測度資產風險，其為某一時刻金融資產的價格水平與前T個交易日期內價格最大值的比值（T取1年內的總交易日數）。該比值越小，表明金融風險越大。因此，最大累積損失與金融風險呈反向相關關系。Illing［1］將最大累積損失引入系統性金融風險指標中，用于測度加拿大系統性金融壓力指數。國內相關學者為了方便對最大累積損失進行正向標準化處理，對最大累積損失進行了改進，使其與金融風險正相關。既有文獻采用的滾動窗口期多有所不同，以一年365天計算，雙休日和法定節假日暫停交易，則交易日約為250天左右，故本文采用向前250天作為滾動窗口期進行滾動計算。最大累積損失（CMAX）的計算公式為：

[CMAXt=1-xtmax[x∈（xt-j/j=0，1，2，…，T）]]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

式（3）中，[CMAXt]為t時刻金融資產最大累積損失，[xt]為t時刻資產價格，[max[x∈（xt-j/j=0，1，2，…，T）]]為過去T期滾動窗口期內金融資產價格的最大值。

為減少量綱的影響，本文對各金融子市場指標數據進行標準化處理。因子市場風險指標影響方向均已調整為正向，故本文采用正向極值法對數據進行標準化處理。標準化處理公式為：

[x*tj=xtj-minj（xtj）maxj（xtj）-minj（xtj）]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（4）

式（4）中，[xtj]為原始數據，[x*tj]為經過正向標準化處理后的數據。

在金融壓力指數測度環節，假設金融市場內第[i]個子市場的第j個風險指標權重為[ωij]，[fsiit]表示第[i]個子市場在[t]時刻的金融壓力指數，則子市場權重[ωij]的計算公式為：

[ωij=1Stdijj=1m1Stdij]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （5）

式（5）中，[Stdij]為第[i]個子市場第[j]個指標的前250天滾動標準差。將權重[ωij]與風險指標數據標準化得分進行加權求和，可以構建第[i]個子市場的金融壓力指數模型，模型形式為：

[fsiit=j=1mωij×x*tj]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（6）

關于指標權重的計算，已有研究主要采用因子分析法、熵值法、靜態CRITIC賦權法等方法。其中，靜態CRITIC賦權法能夠刻畫子市場間的風險溢出效應，而因子分析法和熵值法在測算金融壓力指數時并未考慮子市場間的風險溢出性，故靜態CRITIC賦權法有一定的優越性。金融市場各子市場間的風險傳導是時變的，在風險較小時，子市場間的風險溢出性并不明顯，而一旦金融市場出現高風險沖擊，則該沖擊風險會由一個子市場迅速傳至其他子市場。靜態CRITIC賦權法所計算的風險相關系數[rik]是靜態的，不能有效刻畫子市場風險溢出的時變特征。在式（7）中，通過對相關系數[rik]進行改進，可使其能以T個時期為滾動窗口期滾動計算相關系數，如此便可將相關系數[rik]改進為動態相關系數[rik，t-T]，改進的動態CRITIC賦權法能夠更好地刻畫風險溢出的時變特征。由于動態CRITIC賦權法允許子市場間的相關系數隨時間變化，計算得到的金融壓力指數更精確且更具時效性，因而本文采用動態CRITIC賦權法計算權重[ωi，t]，計算公式為：

[ωi，t=ci，ti=1nci，t]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （7）

式（7）中，[ci，t=σi，t-Ti=1n1-rik，t-T]，[σi，t-T]為第[i]個子市場的金融壓力指數在前T個滾動窗口期內的滾動標準差，[rik，t-T]為第[i]個子市場和第[k]個子市場在前T個滾動窗口期內的動態相關系數。

2.金融風險狀態的識別方法。風險狀態識別主要涉及馬爾科夫區制轉換模型和B-N數據分解法。

其一，馬爾科夫區制轉換模型。金融風險狀態識別是測算金融壓力指數的一個重要目的，可據其確定高風險和低風險時刻。模型識別法對于識別金融風險狀態有很好的效果，它不僅可以識別金融風險的不同狀態，還可估計狀態轉換的概率。常用的識別模型有馬爾科夫區制轉換模型、Logistic模型等非線性模型。本文以馬爾科夫區制轉換模型為例，分析中國金融風險狀態特征，模型形式如下：

[FSIt=α（st）+β1（st）FSIt-1+…+βp（st）FSIt-p+μt]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （8）

模型中：[FSIt]為[t]時刻金融壓力指數，[α（st）]為常數項，[β1，β2，…，βp]為自回歸模型中滯后項的系數向量，殘差項[μt?IID0，st]，[st]為時間[t]的不可觀測的狀態隨機變量，由馬爾科夫鏈過程生成。馬爾科夫鏈過程定義為當前樣本值只受前一期樣本值的影響，即：

[pij=Pst+1=j|st=i]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （9）

式（9）中：[pij]為生成[st]的概率，且滿足[j=1Npij=1]，[i∈1，2，…，N]，[j∈1，2，…，N]；N表示區制分類，通常設置風險狀態為高、低兩種區制，因而N取值為2。

本文采用一階兩區制馬爾科夫鏈過程，令[i=0]，[j=1]，則區制轉換概率P為：

[P=Pst+1=0|st=0Pst+1=1|st=0Pst+1=0|st=1Pst+1=1|st=1=p1-pq1-q]? ? ? ? ? ? ? ? ? ? ? ? ?（10）

式（10）表示在t期為低風險狀態的條件下，t+1期為低風險狀態的條件概率為p， t+1期為高風險狀態的概率為1-p，顯然二者概率滿足總和為1的條件。

其二，B-N數據分解法。B-N數據分解法常被用于分析宏觀經濟問題中由突發事件或外生事件所帶來的沖擊效應［17］。設[fsi]為金融壓力指數，則[fsi]的一階差分值可由下式表示：

[Δfsit=μ+εt+i=1∞γi×εt-i]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （11）

式（11）中：[Δfsit=fsit-fsit-1]，表示金融壓力指數的一階差分序列；[μ=t=2nΔfsitn-1]，表示一階差分序列在樣本期內的均值；[εt]是服從均值為0、方差為[σ2]的隨機變量。根據B-N數據分解法的分解原理，[fsii]的確定項趨勢DTt可以分解為：

[DTt=fsi0+μ×t]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（12）

式（12）中，[fsi0]是金融壓力指數的初始值，[t]為樣本數。隨機游走趨勢項[Tt]可以分解為：

[Tt=fsit+φΔfsit-μ1-φ]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （13）

式（13）中，[φ]為[Δfsi]的一階自回歸系數。由此，周期項Ct可以分解為：

[Ct=-φΔfsit-μ1-φ]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （14）

結合以上3個公式，隨機沖擊項STt可表示為：

[STt=fsit-Ct-DTt] [=fsit+φΔfsit-μ1-φ-fsi0+μ×t]? ? ? ? ? ? ? ? ? （15）

三、金融壓力指數的測算及分析

（一）子市場金融壓力指數趨勢分析

由表2可初步了解子市場金融壓力指數的統計特征。債券市場金融壓力指數主要刻畫因債券利差所產生的風險。債券利差大，表明債券市場有大量投資機會，此時投機資本會流入債券市場，產生一定風險；債券利差小，說明短期內投資機會少，此時投機資本流動性較差。外匯市場金融壓力指數主要刻畫因人民幣幣值變化所引起的國際資本流動風險。人民幣幣值變化會引致國際“熱錢”流動，沖擊我國貨幣體系。股票市場金融壓力指數主要刻畫股價波動所帶來的風險。在一定時期內，股票市場波動率小，說明市場較穩定，投融資活動產生的風險??；若股票市場波動率大，則會導致投資者產生恐慌情緒，抑制投資積極性。外部市場金融壓力指數主要刻畫大宗商品期貨市場的風險。大宗商品期貨價格變動與國際金融市場穩定之間密切相關。期貨價格異常變動既會引起投資者恐慌，又會刺激投機行為，造成金融市場波動。由表2可以初步判斷，各子市場金融壓力指數具有顯著差異。債券市場、外匯市場和外部市場的平均風險值較為接近，股票市場的平均風險值較小。從變化程度來看，債券市場和股票市場的變化大于外匯市場和外部市場。從區間來看，外匯市場和股票市場的區間比債券市場和外部市場大。從偏度來看，債券市場、股票市場和外部市場為右偏，外匯市場為左偏。

1.債券市場金融壓力指數分析。從圖1可以看出，2003—2020年間，我國債券市場共出現了5次較高風險時期。第一次是2004—2005年，為防止投資過熱，國務院于2004年3月采取了緊縮性措施，央行配合實施了壓縮信貸規模的貨幣政策，使得債券市場大幅波動。第二次是受2008年美國次貸危機影響，金融風險達到了樣本期內的最大值。第三次是2014—2015年，債券市場進一步開放，企業資產債券化進程加快，但信用違約事件增加，風險隨之增大。第四次是2018年，債券違約逐漸呈常態化趨勢，同時受中美貿易摩擦等影響，部分企業經營成本上升，償債能力下降，加劇了債券市場風險。第五次是2020年，受新冠疫情影響，企業經營狀況不佳，償債能力下降，債券違約風險上升。但隨著復工復產的推進，企業生產能力得到釋放，債券風險迅速降至低點。

2.外匯市場金融壓力指數分析。由圖2可知，外匯市場金融壓力指數的變化主要與我國匯率制度市場化改革緊密相關。1994—2005年間，我國實行并軌制匯率制度，官方匯率與調劑匯率并行，其主要特點是盯住美元，人民幣幣值只受美元幣值影響。因此，這一階段外匯市場壓力較小。2005年匯率制度改革之后，不再以單一美元為標準，而是實行參考一籃子貨幣進行調節的浮動匯率制。2006—2015年，即使發生了次貸危機，但匯率波動并不大。主要原因是此時我國還未完全放開匯率市場，央行為防范投機資本流入，利用外匯儲備干預外匯市場、穩定匯率，縮小匯率浮動區間，降低了美元貶值對人民幣幣值的影響。自2015年8月11日起，匯率中間價決定權逐步開放，再次推動了匯率市場化進程。此次匯改之后，人民幣匯率波動性明顯上升，匯率市場化程度進一步加深。

3.股票市場金融壓力指數分析。由圖3可以看出，我國股票市場經歷了3次較為嚴重的風險時期。第一次是在2007年，為抑制股市過熱，財政部將證券交易印花稅稅率由1‰上調到3‰，此舉對股票市場造成了很大波動。第二次是在2008年，為緩解美國次貸危機的沖擊，我國進一步擴大內需、刺激投資，資金多流入基礎設施領域和房地產行業，分擔了部分次貸危機風險，但也抬高了經濟杠桿率。第三次是在2015年，這是繼2008年次貸危機后的又一次較為嚴重的風險時期。高杠桿率資本面對股市下跌表現出極高的敏感性，一旦出現不利信息，極易形成較大風險。

4.外部市場金融壓力指數分析。由圖4可以看出，外部市場的主要沖擊來自國外重大事件。2008年次貸危機使得美國房地產泡沫破裂，房貸違約事件激增，股市劇烈動蕩。2016年外部市場波動較大，不確定因素增加。從政治層面來講，國際政治形勢持續動蕩，英國脫歐、美國大選等對全球經濟形勢有很大影響。從經濟層面來講，2016年世界經濟低迷，需求不振，同時全球資產泡沫擴大、美聯儲加息、不良貸款率上升等，進一步加劇了金融形勢困境。2020年初的外部市場壓力主要來源于新冠疫情導致的美股暴跌，連續觸發熔斷機制，造成投資者恐慌。

（二）金融壓力指數的分布特征

利用動態CRITIC法可對債券市場、外匯市場、股票市場、外部市場4個子市場的金融壓力指數進行合成，從而得到整個金融市場的壓力指數。分析主要從兩個維度展開：首先，從時間維度分析樣本期內我國發生的重大風險事件；其次，為彌補時間維度分析的不足，采用核密度估計方法對金融壓力指數進行分析，以全面把握金融市場風險特征。

1.金融壓力指數趨勢分析。圖5為以等方差法和動態CRITIC法測度的金融壓力指數時間趨勢圖。通過對比可以發現：第一，兩種指數對研究期內發生的重大金融風險事件都有一定程度的反映，基本展現了研究期內我國發生的主要風險事件，其中包括金融市場自身發生的風險事件，還體現了受國際環境等因素的影響而產生的風險。2008年美國次貸危機和2015年中國股災主要是因金融市場缺乏有效監管造成的，2018年和2020年則更多是受國際貿易沖突和新冠疫情等金融體系之外的事件影響。這說明，只要某一事件會造成資產價格不合理波動，其就可能造成金融壓力指數上升。第二，兩種指數的波動性有所不同，以動態CRITIC法測度的金融壓力指數在發生風險事件時指數增幅較大，而以等方差法測度的金融壓力指數在發生風險事件時指數增幅相對較小。這主要是因動態CRITIC法在測度金融壓力指數時考慮了金融子市場之間的風險溢出和傳導效應，子市場之間相關性越強，風險傳導效應越大。金融風險較大時，投資者會在各種金融資產中進行選擇，風險也會隨之傳導至其他市場。

2.金融壓力指數的核密度分析。核密度曲線圖能夠描繪峰度、偏度、極大值、極小值和尾部特征等，可以借此從宏觀上把握金融體系的風險狀態。由圖6可知：根據等方差法和動態CRITIC法測算金融壓力指數進而繪制的核密度曲線圖都呈現“尖峰厚尾”的特征，FSI_equal的最小峰度在6.5左右，超過了正態分布的峰度，FSI_critic的峰度在4.5左右。這說明等方差法和動態CRITIC法這兩種方法都能在一定程度上刻畫金融風險特征，但二者的區別更明顯。一是以等方差法測算的金融壓力指數有兩個明顯的峰值，分別位于0.3和0.38處；而以動態CRITIC法測算的金融壓力指數只有一個明顯的峰值，位于0.35處。由圖5可知，FSI_equal在2004年9月到2008年9月以及在2010年9月到2014年9月間基本保持穩定，FSI_equal的核密度曲線在這兩個區間附近形成了比較明顯的聚集，數據密度較大。二是FSI_critic的樣本區間比FSI_equal的樣本區間更大，前者在0.1～0.6之間，而后者在0.2～0.6之間。FSI_critic的核密度峰值小于FSI_equal的核密度峰值。這主要是因動態CRITIC法能夠捕捉到更為敏感的極端信息，而等方差法是一種靜態賦權方法，不能有效捕捉極端值。三是動態CRITIC法比等方差法更能體現金融風險的“厚尾性”。由圖6可以看出，FSI_critic的核密度曲線左右尾部均比FSI_equal厚，且右尾部又出現了一個小高峰，說明此處的風險值也出現了一定聚集，出現較高風險的次數較多。

由于動態CRITIC法具有更準確、動態的特性，故下文選擇基于動態CRITIC賦權法計算的金融壓力指數作為金融市場的風險指標，并對該指數作進一步分析。

四、金融壓力指數分解與金融風險識別

（一）金融壓力指數分解

為避免實證中出現偽回歸現象，本研究對金融壓力指數進行了平穩性檢驗，結果（限于篇幅，文中未列示）表明，以動態CRITIC法測度的金融壓力指數的P值為0.0670，在5%的置信水平上不平穩，而其一階差分序列的P值為0.0000，在5%的置信水平上平穩，故本研究采用差分后的數據進行金融壓力指數分解分析。

由圖7可知：第一，隨機游走成分的走勢和金融壓力指數的走勢相似度非常高，說明金融壓力指數與隨機游走成分具有很強的相關性。如2008年9月，美國次貸危機導致我國金融市場大幅波動，此時隨機游走成分也出現大幅上升，表明這一時期金融市場不確定性增大，隨機成分成為與金融風險相關性最強的因素。再如，2015年我國發生股災，各大指數紛紛下跌，金融風險上升，此時隨機游走成分同樣呈現上升態勢。在金融風險較為穩定的2011—2014年間，隨機游走成分維持在0.3左右，未發生明顯上升。這說明當金融市場面臨較大沖擊時，市場不確定性會增大，此時隨機游走成分將會影響整個金融市場的風險狀況。第二，金融壓力指數的周期成分在金融風險較高時非常明顯。金融風險較高時，周期成分非常明顯，而金融風險越穩定，周期成分則越接近于0。在金融市場比較穩定的2012年和2017年，周期成分在-0.01～0.01之間變動；2008年9月和2015年9月前后，周期成分的變動范圍擴大為-0.03～0.03。第三，結合隨機游走成分和周期成分來看，金融壓力指數的變化往往是受二者的綜合影響。當金融市場較為穩定時，周期成分接近于0，此時金融壓力指數主要受隨機游走成分影響；當金融市場受到較大沖擊時，周期成分會產生強烈波動，這種波動會作用于金融市場，導致金融壓力指數上升。

根據B-N數據分解法，隨機游走成分還可分解為隨機沖擊項和確定項。確定項趨勢的經濟含義是金融壓力指數在長期內的量化趨勢，主要根據金融壓力指數的初始值、差分值和時間長度計算得到，其受金融壓力指數初始值的影響較大。通過計算可知，確定項平均值為0.4481，最小值、最大值分別為0.3903和0.5060，方差僅為0.0011，說明在樣本期內，我國金融市場面臨的長期風險約為0.4481。確定項可被看作我國金融體系面臨的一種長期風險，是由正常的經濟活動所產生的風險。

發生金融危機時，金融風險除來自確定項的風險之外，還來自突發事件所帶來的隨機沖擊，這種沖擊是不可預期的，且隨著金融活動范圍的不斷擴大，沖擊來源越來越廣泛。由圖8可知：其一，隨機沖擊、隨機游走、金融壓力指數這3個序列的走勢相似度較高，原因可能在于隨機沖擊項是隨機游走成分的重要組成部分，而金融壓力指數的走勢極易受隨機游走成分的影響。其二，隨機沖擊項為正的時期表示此階段某種沖擊會加劇市場上的金融風險，隨機沖擊項為負的時期則表示此階段金融市場比較穩定，金融風險維持在可接受、可控制的范圍之內。如2008年9月前后，隨機沖擊項為正，隨機游走成分呈現上升態勢，金融壓力指數上升；2012年和2017年，隨機沖擊項為負，表明金融市場未發生明顯的沖擊性事件，隨機沖擊并未造成隨機游走成分呈現上升態勢，也未造成金融壓力指數上升。其三，隨機沖擊上升階段，金融體系可能面臨一些潛在風險的沖擊，當這種沖擊小于0時，其對整個市場的影響可能并不明顯，而一旦這種沖擊大于0，則很可能演變為較為嚴重的金融風險事件，甚至可能演變為金融危機。相反，在隨機沖擊下降階段，財政部、央行等部門可能為緩解金融風險過高的局面而通過財政政策、貨幣政策進行干預，政策措施的實施會遏制金融風險攀升的勢頭，逐步化解隨機沖擊所帶來的風險，使得金融風險穩定在合理水平。因此，隨機沖擊的下降階段往往伴隨著有針對性的政策手段。

（二）金融風險識別

學者們在研究金融風險與宏觀經濟、政策效果等問題時，往往會考慮其中存在的非線性特征［11，17］，在分析金融風險時也應根據金融風險的階段性特征識別高低風險時期。目前學界主要采用馬爾科夫區制轉換模型來識別金融壓力的高低狀態。本研究先建立馬爾科夫區制轉換模型，檢驗金融壓力指數是否具有明顯不同的狀態，并根據轉換概率圖分析樣本期內狀態變化的原因，再根據B-N數據分解得到的確定項對金融風險進行識別，最后對兩種識別方法進行比較，總結各自的優缺點。

1.基于馬爾科夫區制轉換模型的識別。利用馬爾科夫區制轉換模型估計風險轉換特征，結果（限于篇幅，文中未列示）表明：金融風險維持在低風險時期的概率參數估計值為0.9644，P值為0.0000，說明我國金融體系處于低風險狀態，不易向高風險區制轉換，具有一定黏性。由高風險向低風險轉換的概率參數估計值為0.0986，P值為0.0000，說明存在由高風險向低風險轉換的可能性，但持續時間較短，整個樣本期內，我國金融風險整體處于可控范圍之內。一般來講，風險狀態轉換概率越高，金融市場越不穩定，若金融市場長期處于高風險與低風險的不斷轉換中，說明這一時期金融市場不斷受到來自自身或外界不穩定因素的沖擊，貨幣當局未能及時采取有效措施降低沖擊帶來的影響。我國金融風險區制轉換概率較低，說明我國金融風險監管和降低風險的政策措施均有較好成效，但金融體系仍有一定概率處于高風險時期，這就要求在識別系統性金融風險的基礎上，實施相應的政策措施以有效化解高風險，使高風險狀態逐漸向低風險狀態轉換。

進一步地，本研究根據轉換概率繪制了轉換概率圖，這樣不僅可以了解每一時刻的風險狀態，還可以清楚高風險和低風險的轉換時期。由圖9可以看出，金融壓力處于高風險狀態的時期分別為2008年9月至2009年2月、2015年2月至2016年1月。在2007年5月至2008年9月、2010年11月至2012年2月、2014年11月至2015年11月、2019年1月至2019年9月這4個時間段，金融風險狀態轉換較為頻繁。在區制轉換概率矩陣中，由低風險狀態向高風險狀態轉換的概率為0.0356，而從高風險狀態向低風險狀態轉換的概率為0.0986，說明我國金融體系整體風險由高風險向低風險狀態轉換的概率相對較大。

2.基于B-N數據分解法得到的確定項的識別。根據隨機游走成分的確定項來識別金融風險高低狀態的主要依據是：當金融市場未受沖擊時，金融風險比較穩定，金融壓力指數并未表現出較大波動，此時風險主要是正常經濟活動產生的風險，即為隨機游走成分中的確定項；當金融市場受重大事件沖擊時，隨機沖擊的波動幅度增大，這時隨機游走成分中隨機沖擊的影響增強，使得隨機游走成分呈上升趨勢，繼而使得金融風險增大。因此，一旦金融壓力指數超過隨機游走成分中的確定項，則隨機沖擊產生的影響就會加劇金融風險。本文根據這一思路利用確定項來識別金融風險的高低狀態。圖10是根據確定項識別的狀態圖，DT線是確定項的均值。DT線之下為低風險狀態，表示金融市場風險較小，隨機沖擊成分影響較??；DT線之上為高風險狀態，表示隨機沖擊所占的比重逐漸增大，推動金融壓力指數上升。由圖10可知，樣本期內，金融風險較高的時期主要有3個：2004年9月至2005年7月、2008年10月至2009年9月、2014年7月至2015年9月?？梢?，基于確定項的識別方法也能夠有效識別中國金融市場的高風險時期，如2008年金融危機和2015年股災等。這意味著基于確定項的識別結果與基于馬爾科夫區制轉換模型所得到的結論具有一定的相似性，基于確定項識別金融風險狀態具有一定的合理性。

（三）兩種識別方法的比較

第一，通過模型擬合，區制轉換模型可以非常清楚地得到單個樣本屬于不同風險狀態的概率，這對預測金融風險狀態有重要意義，即可以通過金融壓力指數來預測處于高風險和低風險狀態的概率。區制轉換模型能夠識別出金融風險在不同狀態之間轉換的時期。例如，2007年9月至2008年9月，這期間金融風險狀態發生了多次轉換，說明這一時期金融市場出現了不穩定因素；從2008年美國次貸危機爆發到2012年9月，風險狀態出現了較長時期的頻繁轉換，表明金融危機在較長時期內造成了我國金融市場不穩定。第二，區制轉換模型具有較大靈活性，可以通過設置不同的區制個數計算多種狀態的概率，因而對金融風險的識別更準確、高效。但是，區制轉換模型只是通過金融壓力指數來計算概率，并不能對金融風險進行更詳細的分解，而利用B-N數據分解法得到的確定項來識別金融風險能夠彌補這一不足。B-N數據分解法先分解得到影響金融風險的隨機游走成分和周期項成分，又將隨機游走成分分解為隨機沖擊和確定項，最后利用確定項來識別風險狀態，這為金融風險的識別提供了理論依據，能夠使區制轉換模型得到的轉換概率具有更強的理論意義。因此，基于馬爾科夫區制轉換模型和基于B-N數據分解法得到確定項這兩種方法可從不同角度識別金融風險，是對風險識別的重要補充。

五、結論與建議

（一）主要結論

本文將我國金融市場劃分為債券市場、股票市場、外匯市場和外部市場4個子市場，構建金融壓力指數綜合評價體系，利用標準差倒數權重法測算4個子市場的日度金融壓力指數，采用等方差法和動態CRITIC法對各子市場的金融壓力指數進行合成，分別得到靜態和動態的金融壓力指數，并利用核密度分析法繪制了核密度曲線。本文得到的主要研究結論為：其一，采用等方差法和動態CRITIC法得到的金融壓力指數在描述金融市場風險時分布曲線的形狀有明顯差別，前者呈“雙峰”特征，后者呈“單峰”特征，后者能夠更好地描述金融市場出現的極端值，更準確地描述金融風險。其二，隨機沖擊是影響我國金融壓力指數的重要因素，當某個金融事件所產生的隨機沖擊超過了隨機游走成分中的確定項時，該沖擊就會造成金融壓力指數上升，意味著金融風險增大。在金融風險識別中，可以確定項為標準劃分金融壓力指數的風險狀態。其三，以隨機游走成分中的確定項和以馬爾科夫區制轉換模型對金融風險進行的識別表明，兩種方法識別的風險狀態較為接近，各有優劣。概率轉換圖對于單個樣本的轉換概率具有較好的估計效果，可以利用模型估計得到每一個樣本的概率，對于金融預警及相關研究有很大幫助；而基于確定項的識別方法具有較強的理論意義，金融壓力指數通過分解可得到隨機游走成分和周期項，隨機游走成分又可分解為隨機沖擊和確定項，當一個突發事件發生時，它通常是以隨機沖擊的形式影響金融市場，市場上的金融風險就會超過確定項的臨界值，從而由低風險向高風險狀態轉換的概率會增大。因此，研究中這兩種識別方法可以互為補充。

（二）政策建議

第一，建立更加完善的風險測度指標體系。隨著世界經濟的深度交融，一國的金融風險已不僅僅由自身的風險狀況所決定，在量化風險時不僅要考慮國內金融風險因素，還要考慮外部風險事件的影響。事實證明，在我國防范和化解系統性風險的一系列舉措下，整個金融體系的風險已經得到了很好的控制。但是，當前國際政治經濟形勢不容樂觀，風險事件頻發，不利信息會迅速擴散到金融市場，打擊投資者信心，造成金融市場波動。此外，因一些西方國家實施制裁手段，我國外向型企業經營成本上升，盈利能力和償債能力下降，企業違約有所增加，銀行積累了較多不良貸款，影響了企業與銀行之間正常的借貸關系，風險進一步由實體經濟傳至金融體系，對金融體系造成了一定沖擊。因此，為有效度量金融市場風險，應建立一套更加符合我國實際的風險度量指標體系，不僅應包含國內風險指標，還應包括考慮外部風險的指標，風險監管機構和有關部門應主動對可能影響金融風險狀態的突發性事件進行預估，預先制定合理可行的應急方案。

第二，制定相關政策時應考慮金融子市場間的風險溢出效應，提升政策有效性。當面臨突發性風險事件時，有關部門往往會借助財政政策和貨幣政策來降低不利影響。相對于實體經濟，金融體系的風險傳導更為迅速和廣泛。對于調控金融風險的貨幣政策，應考慮時效性，央行為抑制投資過熱往往會采取緊縮性政策，這一行為會釋放不利于投資的敏感信息，對金融市場產生迅速且嚴重的影響。因此，有關部門在制定相關政策時應保持謹慎態度，深入分析政策可能帶來的后果，最大限度降低對市場的負面影響，提升政策有效性。同時，金融市場內部是相互影響的，風險也有很強的傳導性，因而政策制定者在制定財政政策和貨幣政策時，應充分考慮金融子市場間的風險溢出效應。對單個市場的政策措施可能造成其他子市場波動，這種風險溢出效應可能增大整個金融體系的風險。因此，在制定政策時應全面考慮，綜合利弊。當某項政策對其他子市場會產生不利影響時，可利用配套手段降低這種不利影響。另外，由于溢出效應具有時變特征，因而還應考慮對其他子市場的風險溢出程度。

第三，進一步完善監管制度，加強對風險的管理和防范。由于金融風險發生后相關部門所采取的調控措施容易引致其他風險，故對于金融風險的監管應以防范、預防為主。我國早期為促進實體經濟發展，對金融創新多持寬松態度，供給和需求不斷增加能夠化解金融創新產生的一部分風險，但是近年來，隨著供給過剩，供需矛盾逐漸加劇，企業經營成本上升，金融創新風險逐漸暴露出來。金融體系違約比例上升、不良貸款率上升等，都說明我國與金融創新相配套的監管制度和規范未充分發揮作用，金融監管仍需加強和完善。同時，之前因過于依賴金融創新，使得金融業未能給實體經濟提供足夠有效的資源配置，反而將籌集的資金用于具有更高風險的金融創新活動，在不斷的金融創新中，風險必然逐漸積累。因此，今后在促進金融創新的同時，還應立足服務實體經濟的本質要求，促進實體經濟發展。隨著金融創新的不斷深化，可通過規范金融創新方式，使金融創新處于有效的監管之中。

參考文獻：

［1］ILLING M，LIU Y.Measuring financial stress in a developed country：an application to Canada［J］.Journal of financial? ? ? ? ? ? ? ? ?stability，2006（3）：243-265.

［2］HAKKIO C，KEETON W R.Financial stress：what is it，how can it be measured，and why does it matter？［J］.Eco-? ? ? ? ? ? ? ? ? ? ? ?nomic review，2009（2）：5-50.

［3］BALAKRISHNAN R， DANNINGER S， ELEKDAG S，et al.The transmission of financial stress from advanced to? ? ? ? ? ? ? ? ? ? ? ? emerging economies［J］.Emering markets finance and trade，2011（sup2）：40-68.

［4］OZCELEBI O.Assessing the impacts of financial stress index of developed countries on the exchange market pressure? ? ? ? ? ? ? ? ?index of emerging countries［J］.International review of economics and finance，2020（9）：288-302.

［5］CEVIK E，DIBOOGLU S，KENC T.Financial stress and economic activity in some emerging Asian economies［J］.Re-? ? ? ? ? ? ? ? ? ?search in international business and finance，2016（C）：127-139.

［6］王維國，王際皓.貨幣、銀行與資產市場風險狀況的識別：基于金融壓力指數與MSIH-VAR模型的實證研究? ? ? ? ? ? ? ? ? ? ? ［J］.國際金融研究，2016（8）：71-81.

［7］MACDONALD R，SOGIAKAS V，TSOPANAKIS A.Volatility co-movements and spillover effects within the Euro-? ? ? ? ? ? ? ? ? ? ? zone economies：a multivariate GARCH approach using the financial stress index［J］.Journal of international financial? ? ? ? ? ? ? ? markets，institutions and money，2018（1）：17-36.

［8］丁嵐，李鵬濤，劉立新.中國金融壓力指數的構建與應用［J］.統計與信息論壇，2019（10）：63-72.

［9］陳忠陽，許悅.我國金融壓力指數的構建與應用研究［J］.當代經濟科學，2016（1）：27-35+125.

［10］丁述軍，莊須娟，李文君.區域金融風險部門間傳染機理與實證分析［J］.經濟經緯，2019（3）：1-8.

［11］姚曉陽，孫曉蕾，李建平.考慮市場相關性的中國金融壓力指數構建方法與實證［J］.管理評論，2019（4）：34-41.

［12］秦建文，王濤.中國金融壓力與宏觀經濟動態效應研究：基于MS-VAR模型的實證分析［J］.中央財經大學學? ? ? ? ? ? ? ? ? ? ?報，2017（9）：32-42.

［13］鄭金麟，張業圳，謝八妹.我國系統性金融風險的衡量與識別［J］.金融監管研究，2019（12）：54-65.

［14］張勇，彭禮杰，莫嘉浩.中國金融壓力的度量及其宏觀經濟的非線性效應［J］.統計研究，2017（1）：67-79.

［15］章曦.中國系統性金融風險測度、識別和預測［J］.中央財經大學學報，2016（2）：45-52.

［16］馬勇，黃科.金融壓力指數及其政策應用：基于中國的實證分析［J］.金融監管研究，2019（7）：1-17.

［17］許悅.系統性壓力綜合指數的有效性研究［J］.統計與決策，2017（2）：166-170.

［18］YAO X Y，LE W，SUN X L，et al.Financial stress dynamics in China：an interconnectedness perspective［J］.Inter-? ? ? ? ? ? ? ? ? ? ? national review of economics and finance，2020（7）：217-238.

［19］JAMES C，MORLEY.A state-space approach to calculating the Beveridge-Nelson decomposition［J］.Economics Le-? ? ? ? ? ? ? ? ? tters，2002（1）：123-127.

［20］李子聯，陳強.中國對外貿易的疫情沖擊效應［J］.現代經濟探討，2021（4）：75-82.

［21］AKLAN N A， ?INAR M， AKAY H K. Financial stress and economic activity relationship in Turkey： post-2002 period? ? ? ? ? ? ? ? ?［J］.Journal of management & economics，2015（2）：567-580.

［22］KIM H，SHI W，KIM H H.Forecasting financial stress indices in Korea：a factor model approach［J］.Empirical eco-? ? ? ? ? ? ? ? ? ? ? nomics，2015（1）：1-40.

［23］BEVERIDGE S，NELSON C R.A new approach to decomposition of economic time series into permanent and transi-? ? ? ? ? ? ? ? ? tory components with particular attention to measurement of the ‘business cycle［J］.Journal of monetary economics，? ? ? ? ? ? ? ? ?1981（2）：151-174.

［24］KIM C J.Markov-switching and the Beveridge-Nelson decomposition：has US output persistence changed since? ? ? ? ? ? ? ? ? ? ? ? ? ?1984？［J］.Journal of econometrics，2008（2）：227-240.

［25］清華大學國家金融研究院金融與發展研究中心課題組.中國系統性金融壓力的監測［J］.國際金融研究，2019? ? ? ? ? ? ? ? ? ?（12）：3-12.

［26］李子聯.進出口貿易中不確定性事件的沖擊效應［J］.財經理論與實踐，2010（6）：77-82.

（責任編輯：甘海燕）