机构困境关联下风险溢出网络研究——基于我国上市金融机构的实证
|
摘要
现有金融网络实证研究鲜有涉及机构陷入困境引发风险关联的描述,而现实中的系统性风险往往通过这种极端情形下的关联进行传导。选取2008—2017年上市金融机构数据,以机构间极端风险溢出能力建立有向加权网络,对我国金融行业间的风险动态关联趋势进行分析,并结合网络指标对其中关键金融机构节点进行了识别。结果表明,风险溢出网络对极端金融事件有较好描述作用,网络整体在危机期间的极端风险关联水平较高,2017年金融风险有所释放;银行机构节点具有较强的风险外溢属性,证券机构较易受到其他网络节点的风险冲击,网络中风险溢出关键节点正从早期的国有商业银行向证券业转变。
The current financial network empirical research few concern risks associated with institutional predicament,but the systemic risk in reality is often transmitted through such an extreme case. Based on the data of listed financial institutions from 2008 to 2017, a directed weighted network is established with the extreme risk spillover ability among institutions. The trend of dynamic risk correlation among financial industries in China is analyzed, and the key financial institution nodes are identified with network indicators. The results show that the risk spillover network has a better description of extreme financial events, and the extreme risk correlation level of institutions is higher during the crisis. China's financial risk declined in 2017. The bank institution nodes have strong risk spillover properties, and the securities institutions are more vulnerable to the risk of other network nodes. The key nodes of risk spillovers in the network are changing from the early state-owned commercial banks to the securities industry.
The current financial network empirical research few concern risks associated with institutional predicament,but the systemic risk in reality is often transmitted through such an extreme case. Based on the data of listed financial institutions from 2008 to 2017, a directed weighted network is established with the extreme risk spillover ability among institutions. The trend of dynamic risk correlation among financial industries in China is analyzed, and the key financial institution nodes are identified with network indicators. The results show that the risk spillover network has a better description of extreme financial events, and the extreme risk correlation level of institutions is higher during the crisis. China's financial risk declined in 2017. The bank institution nodes have strong risk spillover properties, and the securities institutions are more vulnerable to the risk of other network nodes. The key nodes of risk spillovers in the network are changing from the early state-owned commercial banks to the securities industry.
引文
[1]Billio M, Getmansky M, Lo A W, et al. Econometric Measures of Connectedness and Systemic Risk in the Finance and Insurance sectors[J]. Social Science Electronic Publishing, 2012, 104(3):535-559.
[2]Nier E, Yang J, Yorulmazer T, et al. Network Models and Financial Stability[J]. Journal of Economic Dynamics&Control, 2007, 31(6):2033-2060.
[3]黄玮强,庄新田,姚爽.基于信息溢出网络的金融机构风险传染研究[J].系统管理学报,2018,27(2):235-243.
[4]De Bandt O, Hartmann P. Systemic Risk:A Survey[R]. European Central Bank, 2000.
[5]Cifuentes R, Ferrucci G, Shin H S. Liquidity Risk and Contagion[J]. Journal of the European Economic Association, 2005, 3(2/3):556-566.
[6]Adrian T, Shin H S. Liquidity and Financial Cycles[J]. Ssrn Electronic Journal, 2008, 68(256):1-18.
[7]Diebold F X, Yilmaz K. Measuring Financial Asset Return and Volatility Spillovers, with Application to Global Equity Markets[J]. Economic Journal, 2009,119(534):158-171.
[8]张金林,贺根庆,王伟.中国金融市场间风险溢出效应的实证研究:基于四元VEC-GARCH(1,1)-BEKK模型[J].中央财经大学学报,2012(7):26-31.
[9]Adrian T, Brunnermeier M K. CoVaR[J].American Economic Review, 2016, 106(7):1705-1741.
[10]Girardi G, Erg u?n A T. Systemic Risk Measurement:Multivariate GARCH Estimation of CoVaR[J]. Social Science Electronic Publishing, 2013, 37(8):3169-3180.
[11]Castro C, Ferrari S. Measuring and Testing for the Systemically Important Financial Institutions[J].Journal of Empirical Finance, 2014, 25(3):1-14.
[12]白雪梅,石大龙.中国金融体系的系统性风险度量[J].国际金融研究,2014(6):75-85.
[13]刘志洋,宋玉颖.商业银行流动性风险与系统性风险贡献度[J].南开经济研究,2015(1):131-143.
[14]陈国进,钟灵,张宇.我国银行体系的系统性关联度分析:基于不对称CoVaR[J].系统工程理论与实践,2017,37(1):61-79.
[15]Allen F, Babus A. Networks in Finance[J]. Social Science Electronic Publishing, 2008, 6(1):383-419.
[16]Hautsch N, Schaumburg J, Schienle M. Financial Network Systemic Risk Contributions[J]. Ssrn Electronic Journal, 2013, 19(2):202-240.
[17]H a?rdle W K, Wang W, Yu L. Tenet:Tailevent Driven Network Risk[J]. Journal of Econometrics, 2016, 192(2):499-513.
[18]欧阳红兵,刘晓东.中国金融机构的系统重要性及系统性风险传染机制分析:基于复杂网络的视角[J].中国管理科学,2015,23(10):30-37.
[19]李政,梁琪,涂晓枫.我国上市金融机构关联性研究:基于网络分析法[J].金融研究,2016(8):95-110.
[20]刘超,徐君慧,周文文.中国金融市场的风险溢出效应研究:基于溢出指数和复杂网络方法[J].系统工程理论与实践,2017,37(4):831-842.
[21]Tumminello M, Aste T, Di M T, et al. A Tool for Filtering Information in Complex Systems[J]. Proceedings of the National Academy of Sciences of the United States of America, 2005, 102(30):10421.
[22]周天芸,杨子晖,余洁宜.机构关联、风险溢出与中国金融系统性风险[J].统计研究,2014(11):43-49.
(1)在利用CoVaR方法进行分位数回归时,通常q取值为0.01或0.05,本文主要研究极端风险传递情况,故将q取值为0.01。
(2)为搜索溢出效应较强的连边,运用算法时对双向溢出的总效应对矩阵作绝对值化、对称化处理。
(1)依据公司上市时间,样本中上市银行包含:浦发、华夏、民生、招商、南京、北京、兴业、交通、工商、建设、中国、中信、平安、宁波、农业、光大、无锡、江苏、杭州、常熟、上海、贵阳、吴江、江阴、张家港;上市证券公司包含:中信、国投、国金、西南、华鑫、海通、太平洋、东北、锦龙、国元、长江、宝硕、招商、光大、华泰、兴业、广发、山西、东方、东吴、方正、国海、国盛、西部、申万、国信、东方、东兴、国泰、华安、中原、银河、创业;上市保险(包含保险控股)公司包括:西水、平安、太保、人寿、天茂、新华。
(2)计算过程较为复杂,如2015年样本机构数为51,则需进行51*50次CoVaR运算,如需各年度βj|iq与CoVaRj|iq,t表格可向作者索取。
(3)风险溢出效应CoVaR值为一个关于时间t的一个序列,由于数据过于庞杂,不便列出,具体数值可向作者索取,文中所述XX年度机构i对机构j的风险溢出效应通常指年度CoVaR均值。
(1)限于篇幅,这里仅给出2008年和2013年的PMFG风险网络,圆形代表银行,矩形代表证券公司,三角代表保险机构,为反映“乌龙指”事件的影响,2013年网络图中的光大证券用稍大的倒三角标出。
(1)在节点数量确定的前提下,PMFG网络的连边数量是一个确定的值,导致通常网络分析中路径数量、网络直径等基本网络状态指标不适宜用于度量该网络。
(2)2013年的波动与光大证券的“乌龙指”事件也有关联,当年8月16日,光大证券套利策略系统出现问题,光大银行分两次拉升多支权重股至其停盘,导致A股市场出现暴涨。在此之后,受影响的150多只股票阶段性回落,光大证券停盘一天后迅速跌停,其在极端情况下与其他机构的风险联动很好地反映在了其网络指标中。
[2]Nier E, Yang J, Yorulmazer T, et al. Network Models and Financial Stability[J]. Journal of Economic Dynamics&Control, 2007, 31(6):2033-2060.
[3]黄玮强,庄新田,姚爽.基于信息溢出网络的金融机构风险传染研究[J].系统管理学报,2018,27(2):235-243.
[4]De Bandt O, Hartmann P. Systemic Risk:A Survey[R]. European Central Bank, 2000.
[5]Cifuentes R, Ferrucci G, Shin H S. Liquidity Risk and Contagion[J]. Journal of the European Economic Association, 2005, 3(2/3):556-566.
[6]Adrian T, Shin H S. Liquidity and Financial Cycles[J]. Ssrn Electronic Journal, 2008, 68(256):1-18.
[7]Diebold F X, Yilmaz K. Measuring Financial Asset Return and Volatility Spillovers, with Application to Global Equity Markets[J]. Economic Journal, 2009,119(534):158-171.
[8]张金林,贺根庆,王伟.中国金融市场间风险溢出效应的实证研究:基于四元VEC-GARCH(1,1)-BEKK模型[J].中央财经大学学报,2012(7):26-31.
[9]Adrian T, Brunnermeier M K. CoVaR[J].American Economic Review, 2016, 106(7):1705-1741.
[10]Girardi G, Erg u?n A T. Systemic Risk Measurement:Multivariate GARCH Estimation of CoVaR[J]. Social Science Electronic Publishing, 2013, 37(8):3169-3180.
[11]Castro C, Ferrari S. Measuring and Testing for the Systemically Important Financial Institutions[J].Journal of Empirical Finance, 2014, 25(3):1-14.
[12]白雪梅,石大龙.中国金融体系的系统性风险度量[J].国际金融研究,2014(6):75-85.
[13]刘志洋,宋玉颖.商业银行流动性风险与系统性风险贡献度[J].南开经济研究,2015(1):131-143.
[14]陈国进,钟灵,张宇.我国银行体系的系统性关联度分析:基于不对称CoVaR[J].系统工程理论与实践,2017,37(1):61-79.
[15]Allen F, Babus A. Networks in Finance[J]. Social Science Electronic Publishing, 2008, 6(1):383-419.
[16]Hautsch N, Schaumburg J, Schienle M. Financial Network Systemic Risk Contributions[J]. Ssrn Electronic Journal, 2013, 19(2):202-240.
[17]H a?rdle W K, Wang W, Yu L. Tenet:Tailevent Driven Network Risk[J]. Journal of Econometrics, 2016, 192(2):499-513.
[18]欧阳红兵,刘晓东.中国金融机构的系统重要性及系统性风险传染机制分析:基于复杂网络的视角[J].中国管理科学,2015,23(10):30-37.
[19]李政,梁琪,涂晓枫.我国上市金融机构关联性研究:基于网络分析法[J].金融研究,2016(8):95-110.
[20]刘超,徐君慧,周文文.中国金融市场的风险溢出效应研究:基于溢出指数和复杂网络方法[J].系统工程理论与实践,2017,37(4):831-842.
[21]Tumminello M, Aste T, Di M T, et al. A Tool for Filtering Information in Complex Systems[J]. Proceedings of the National Academy of Sciences of the United States of America, 2005, 102(30):10421.
[22]周天芸,杨子晖,余洁宜.机构关联、风险溢出与中国金融系统性风险[J].统计研究,2014(11):43-49.
(1)在利用CoVaR方法进行分位数回归时,通常q取值为0.01或0.05,本文主要研究极端风险传递情况,故将q取值为0.01。
(2)为搜索溢出效应较强的连边,运用算法时对双向溢出的总效应对矩阵作绝对值化、对称化处理。
(1)依据公司上市时间,样本中上市银行包含:浦发、华夏、民生、招商、南京、北京、兴业、交通、工商、建设、中国、中信、平安、宁波、农业、光大、无锡、江苏、杭州、常熟、上海、贵阳、吴江、江阴、张家港;上市证券公司包含:中信、国投、国金、西南、华鑫、海通、太平洋、东北、锦龙、国元、长江、宝硕、招商、光大、华泰、兴业、广发、山西、东方、东吴、方正、国海、国盛、西部、申万、国信、东方、东兴、国泰、华安、中原、银河、创业;上市保险(包含保险控股)公司包括:西水、平安、太保、人寿、天茂、新华。
(2)计算过程较为复杂,如2015年样本机构数为51,则需进行51*50次CoVaR运算,如需各年度βj|iq与CoVaRj|iq,t表格可向作者索取。
(3)风险溢出效应CoVaR值为一个关于时间t的一个序列,由于数据过于庞杂,不便列出,具体数值可向作者索取,文中所述XX年度机构i对机构j的风险溢出效应通常指年度CoVaR均值。
(1)限于篇幅,这里仅给出2008年和2013年的PMFG风险网络,圆形代表银行,矩形代表证券公司,三角代表保险机构,为反映“乌龙指”事件的影响,2013年网络图中的光大证券用稍大的倒三角标出。
(1)在节点数量确定的前提下,PMFG网络的连边数量是一个确定的值,导致通常网络分析中路径数量、网络直径等基本网络状态指标不适宜用于度量该网络。
(2)2013年的波动与光大证券的“乌龙指”事件也有关联,当年8月16日,光大证券套利策略系统出现问题,光大银行分两次拉升多支权重股至其停盘,导致A股市场出现暴涨。在此之后,受影响的150多只股票阶段性回落,光大证券停盘一天后迅速跌停,其在极端情况下与其他机构的风险联动很好地反映在了其网络指标中。