商业银行规模和收入结构对系统性风险的影响研究
|
摘要
2008年的国际金融危机表明,亟需找出从宏观审慎监管角度测度系统性风险的方法,而长期边际期望损失(LRMES)方法能测度单体银行的系统性风险贡献度。本文基于2008年1月2日至2018年3月31日中国14家上市商业银行日收益率数据,运用LRMES方法度量中国上市商业银行对系统性风险贡献度,并用各银行季度LRMES与规模和收入结构等变量建立面板数据模型。实证表明,LRMES比较符合中国银行业的实际情况。扩大银行资产规模可降低系统性风险,而非利息收入业务及其规模增速扩大则增加了系统性风险;规模和收入结构之间相互作用能降低系统性风险。此外,在进一步考察规模和收入结构之间相互作用时发现,资产规模在某个临界值以下的小银行,开展非利息收入业务会提高系统性风险;而在该临界值以上的大银行,开展非利息收入业务则能降低系统性风险。
The 2008 financial crisis showed that it was urgent to find a method to measure the systemic risk among financial institutions from the perspective of macro-prudential regulation, and the method of Long Run Marginal Expected Shortfall(LRMES) can measure the contribution of individual bank to the systemic risk. Based on the daily yield data of 14 listed commercial banks in China from January 2, 2008 to March 31, 2018, this paper uses the LRMES method to measure the contribution of Chinese listed commercial banks to the systemic risk, and establishes a panel data model with the variables of each bank's quarterly LRMES, scale, income structure, etc. The empirical results show that LRMES is more in line with the actual situation of China's banking industry. Expanding the scale of banks can reduce the systemic risk of banks, but developing non-interest income business will increase the systemic risk of banks. And interacting between scale and income structure can also reduce the systemic risk of banks. Moreover, we find that small banks with assets below a certain critical value conducting non-interest income business will increase their systemic risk, while large banks business with assets above the critical value conducting non-interest income will reduce their systemic risk.
The 2008 financial crisis showed that it was urgent to find a method to measure the systemic risk among financial institutions from the perspective of macro-prudential regulation, and the method of Long Run Marginal Expected Shortfall(LRMES) can measure the contribution of individual bank to the systemic risk. Based on the daily yield data of 14 listed commercial banks in China from January 2, 2008 to March 31, 2018, this paper uses the LRMES method to measure the contribution of Chinese listed commercial banks to the systemic risk, and establishes a panel data model with the variables of each bank's quarterly LRMES, scale, income structure, etc. The empirical results show that LRMES is more in line with the actual situation of China's banking industry. Expanding the scale of banks can reduce the systemic risk of banks, but developing non-interest income business will increase the systemic risk of banks. And interacting between scale and income structure can also reduce the systemic risk of banks. Moreover, we find that small banks with assets below a certain critical value conducting non-interest income business will increase their systemic risk, while large banks business with assets above the critical value conducting non-interest income will reduce their systemic risk.
引文
1.陈华和伍志文,银行体系脆弱性:理论及基于中国的实证分析,数量经济技术研究,2004年第9期,120-135。
2.范小云、王道平和方意,我国金融机构的系统性风险贡献测度与监管--基于边际风险贡献与杠杆率的研究,南开经济研究,2011年第4期,3-20。
3.冯超和谈颢阳,我国商业银行系统性风险评估与实证研究--基于预期期望损失方法测度,商业经济与管理,2014年第12期,81-90。
4.黄隽和章艳红,商业银行的风险:规模和非利息收入--以美国为例,金融研究,2010年第6期,75-90。
5.刘志洋,规模大的银行风险真的高吗--基于中国上市商业银行的实证研究,金融论坛,2015年第1期,66-72。
6.杨天宇和钟宇平,中国银行业的集中度、竞争度与银行风险,金融研究,2013年第1期,122-134。
7.张天顶和张宇,模型不确定下我国商业银行系统性风险影响因素分析,国际金融研究,2017年第3期,45-54。
8.张晓玫和毛亚琪,我国上市商业银行系统性风险与非利息收入研究--基于LRMES方法的创新探讨,国际金融研究,2014年第11期,23-35。
9.赵进文和韦文彬,基于MES测度我国银行业系统性风险,金融监管研究,2012年第8期,28-40。
10.郑荣年和牛慕鸿,中国银行业非利息业务与银行特征关系研究,金融研究,2007年第9期,129-137。
11.Acharya,V.,L.Pedersen,and T.Philippon,Measuring Systemic Risk,The Seventeenth Dubrovnik Economic Conference,2010.
12.Acharya,V.,R.Engle,and M.Richadson,Capital Shortfall:A New Approach to Ranking and Regulating Systemic Risks,American Economic Review 2012,Vol.102,59-64.
13.Brunnermeier,M.,G.Dong,and D.Palia,Banks'Non-interest Income and Systemic Risk,American Finance Association 2012 Chicago Meetings Paper,2012.
14.Brownlees,Christian,and R.Engle,Volatility,Correlation and Tails for Systemic Risk Measurement,http://ssrn.com/abstract=1611229,2011.
15.De Jonghe O.,M.Diepstraten,and G.Schepens,Banks'Size,Scope and Systemic Risk:What Role for Conflicts of Interest?Journal of Banking&Finance,2015,Vol.61,3-13.
16.Engle,R.,Dynamic Conditional Correlation:A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models,Journal of Business&Economic Statistics,2002,Vol.20,339-350.
17.Huang,X.,H.Zhou,and H.Zhu,Systemic Risk Contributions,Journal of Financial Services Research,2011,Vol.42,55-83.
18.Lee,C.,S.Yang,and C.Chang,Non-interest Income,Profitability,and Risk in Banking Industry:A Crosscountry Analysis,North American Journal of Economics and Finance,2014,Vol.27,48-67.
19.Scaillet,O.,Nonparametric Estimation of Conditional Expected Shortfall,Insurance and Risk Management Journal,2005,Vol.74,639-660.
20.Smith,R.,and J.Sinkey,An Analysis of Nontraditional Activities at U.S.Commercial Banks-Evidence of Market Discipline,Review of Financial Economics,1999,Vol.8,25-39.
(1)此处的非利息收入占比为非利息收入与营业总收入之比。
(1)经营杠杆﹦(息税前利润+固定成本)/息税前利润。
(1)几何平均增长率相当于复利增长,较相当于单利增长的算术平均增长率更科学。
(1)不同于以往文献大多以非利息收入占营业总收入之比度量非利息收入占比,本文关注点之一是资产规模效应,故认为非利息收入占总资产之比更适合本文的研究目的。
(1) 14家上市商业银行为4家大型商业银行、3家城商行以及7家股份制商业银行。由于本文所采用的方法需要采用上市银行每日收益率,故只能计算已上市的商业银行的系统性风险贡献度,而对那些没有上市的银行目前还没有合适的估计方法。但是中国已上市的商业银行在其规模、盈利能力、竞争力、风险管理能力、行业影响力等方面都在很大程度上超过了非上市商业银行,位于整个银行系统的发展领先地位,故本文认为,14家上市商业银行能够在一定程度上代表中国商业银行的整体状况。
(2) 本文利用stata12软件计算波动率和动态相关系数。
(1)样本中的非利息收入占比的标准差是0.0029,资产规模(LNAT)的5%分位数是17.0873。利用表4的结果计算其影响作用如下:0.0029×(7.8247-0.3972×17.0873)=0.003009111。
2.范小云、王道平和方意,我国金融机构的系统性风险贡献测度与监管--基于边际风险贡献与杠杆率的研究,南开经济研究,2011年第4期,3-20。
3.冯超和谈颢阳,我国商业银行系统性风险评估与实证研究--基于预期期望损失方法测度,商业经济与管理,2014年第12期,81-90。
4.黄隽和章艳红,商业银行的风险:规模和非利息收入--以美国为例,金融研究,2010年第6期,75-90。
5.刘志洋,规模大的银行风险真的高吗--基于中国上市商业银行的实证研究,金融论坛,2015年第1期,66-72。
6.杨天宇和钟宇平,中国银行业的集中度、竞争度与银行风险,金融研究,2013年第1期,122-134。
7.张天顶和张宇,模型不确定下我国商业银行系统性风险影响因素分析,国际金融研究,2017年第3期,45-54。
8.张晓玫和毛亚琪,我国上市商业银行系统性风险与非利息收入研究--基于LRMES方法的创新探讨,国际金融研究,2014年第11期,23-35。
9.赵进文和韦文彬,基于MES测度我国银行业系统性风险,金融监管研究,2012年第8期,28-40。
10.郑荣年和牛慕鸿,中国银行业非利息业务与银行特征关系研究,金融研究,2007年第9期,129-137。
11.Acharya,V.,L.Pedersen,and T.Philippon,Measuring Systemic Risk,The Seventeenth Dubrovnik Economic Conference,2010.
12.Acharya,V.,R.Engle,and M.Richadson,Capital Shortfall:A New Approach to Ranking and Regulating Systemic Risks,American Economic Review 2012,Vol.102,59-64.
13.Brunnermeier,M.,G.Dong,and D.Palia,Banks'Non-interest Income and Systemic Risk,American Finance Association 2012 Chicago Meetings Paper,2012.
14.Brownlees,Christian,and R.Engle,Volatility,Correlation and Tails for Systemic Risk Measurement,http://ssrn.com/abstract=1611229,2011.
15.De Jonghe O.,M.Diepstraten,and G.Schepens,Banks'Size,Scope and Systemic Risk:What Role for Conflicts of Interest?Journal of Banking&Finance,2015,Vol.61,3-13.
16.Engle,R.,Dynamic Conditional Correlation:A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models,Journal of Business&Economic Statistics,2002,Vol.20,339-350.
17.Huang,X.,H.Zhou,and H.Zhu,Systemic Risk Contributions,Journal of Financial Services Research,2011,Vol.42,55-83.
18.Lee,C.,S.Yang,and C.Chang,Non-interest Income,Profitability,and Risk in Banking Industry:A Crosscountry Analysis,North American Journal of Economics and Finance,2014,Vol.27,48-67.
19.Scaillet,O.,Nonparametric Estimation of Conditional Expected Shortfall,Insurance and Risk Management Journal,2005,Vol.74,639-660.
20.Smith,R.,and J.Sinkey,An Analysis of Nontraditional Activities at U.S.Commercial Banks-Evidence of Market Discipline,Review of Financial Economics,1999,Vol.8,25-39.
(1)此处的非利息收入占比为非利息收入与营业总收入之比。
(1)经营杠杆﹦(息税前利润+固定成本)/息税前利润。
(1)几何平均增长率相当于复利增长,较相当于单利增长的算术平均增长率更科学。
(1)不同于以往文献大多以非利息收入占营业总收入之比度量非利息收入占比,本文关注点之一是资产规模效应,故认为非利息收入占总资产之比更适合本文的研究目的。
(1) 14家上市商业银行为4家大型商业银行、3家城商行以及7家股份制商业银行。由于本文所采用的方法需要采用上市银行每日收益率,故只能计算已上市的商业银行的系统性风险贡献度,而对那些没有上市的银行目前还没有合适的估计方法。但是中国已上市的商业银行在其规模、盈利能力、竞争力、风险管理能力、行业影响力等方面都在很大程度上超过了非上市商业银行,位于整个银行系统的发展领先地位,故本文认为,14家上市商业银行能够在一定程度上代表中国商业银行的整体状况。
(2) 本文利用stata12软件计算波动率和动态相关系数。
(1)样本中的非利息收入占比的标准差是0.0029,资产规模(LNAT)的5%分位数是17.0873。利用表4的结果计算其影响作用如下:0.0029×(7.8247-0.3972×17.0873)=0.003009111。