基于风险倍率扩增的非银行金融论文范文

本站小编为你精心准备了基于风险倍率扩增的非银行金融论文参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

一、基于风险倍率扩增的综合指标测算方法

（一）风险倍率扩增及其估计方法风险倍率扩增（RiskAmplifiedIndex，简记为ΔP）是指某机构出险后使系统出现风险可能性增加的倍数（Gravelle，Li，2013）。将某一金融机构出险导致其他某个金融机构出险概率增加的倍数记为ΔP1：1；某一金融机构出险时导致其他所有机构同时出险的概率增加的倍数记为ΔP1∶αll。根据Gravelle＆Li（2013），假设金融体系中包含m家金融机构，Xi,t表示第i家金融机构第t期股票收益率的相反数，Yt表示上证指数日收益率的相反数，既定风险显著性水平p③下不同金融机构的门槛值Qi（p）满足P［Xi＞Qi（p）］＝p。剔除金融机构股价波动所受市场因素Yt的影响，至少有r家金融机构同时陷入困境或某一金融机构陷入困境事件下系统性风险可能性增加倍数的测算式为。

（二）基于风险倍率扩增与最大熵赋权的综合指标合成使用风险倍率扩增的两个组成部分（ΔP1∶1和ΔP1∶αll），同时兼顾金融机构规模和复杂性特征，通过最大熵原理可以构造测度系统重要性的综合指标。多指标合成过程中权重是评价的关键。由于各指标权重系数随机而定，不同方法得出的权重只是所有权重可能取值之一，因此，某组权重出现的概率越大，其对应的赋权方法越好。上述过程恰好与广义最大熵赋权原理的核心思想一致。为此，本文基于广义最大熵原理进行赋权计算与筛选。假设先验权数矩阵Z（m×ml阶）和向量p（m×ml阶）的表达式如下式所示。虽然式（3）可以通过Newton算法求解，但由于在参数较多的情况下，Newton算法依赖于初始值的设定，容易收敛于局部最优解。因此，笔者采用模拟退火算法（SimulatedAnnealing，SA）①在自行编写目标函数程序的基础上求解式（3）。②由于一次SA运算所得结果往往不稳定，因此需要重复多次SA运算，并将结果的均值作为最小化目标函数的最终参数值。

二、样本选择、数据说明及其描述性统计

本文选择的非银行金融机构样本为中国A股市场上市的16家③证券、保险、信托与租赁公司。为了研究非银行金融机构对现有系统重要性评估结果的影响，笔者还选择了中国A股市场上市的13家④商业银行作为参照样本。样本数据区间为2009年11月17日至2013年11月30日，①涉及854个有效交易日的股价数据。数据来源Wind数据库。由于样本期间内上市公司进行过多次分红配股，本文对所有股价进行了复权处理，并在此基础上计算日收益率，最终得到的描述性统计特征（见表1）。考虑到兼顾金融机构规模和复杂性特征的要求，以样本股价数据区间内金融机构总资产平均值表征规模，交易性金融资产平均值表征复杂性。②总资产和交易性金融资产均值由上市金融机构各期季报数据计算得到，数据来源于Wind数据库和CCER数据库。数据描述性统计特征结果如表1和表2所示。表1和表2第（8）至第（10）列的数据表明，非银行金融机构与银行的股价收益率序列均表现出有偏和尖峰厚尾的统计分布特征，适用极值理论。此外，笔者在表1和表2中还分别按规模（总资产）和复杂性（交易性金融资产）对各非银行金融机构和银行在整个金融机构体系中的位次进行了排序（如第（3）和第（5）列）。显然，两种排序标准下的排名顺序存在较大差异。例如，中国平安在资产规模排序中位列第10，而在复杂性排序中位列第4；中信证券在资产规模排序中位列第17，而在复杂性排序中位列第8；海通证券在资产规模排序中位列第18，而在复杂性排序中位列第9。虽然工行的交易性金融资产最多，但交易性金融资产占总资产的比重却相对其他金融机构低很多，例如，工商银行为0.629，交通银行为0.907，中国平安为3.018，海通证券为13.789，反映出各金融机构业务侧重点不同。单纯考虑规模因素很可能得出错误结论。因此，围绕风险倍率扩增、规模和复杂性形成综合评价指标后，引入非银行金融机构进行测评很可能会带来较现有研究的差异性评价结果。

三、非银行金融机构系统重要性评估的实证结果

（一）风险倍率扩增指数中kj取值的确定采用Matlab7.6编程，基于风险倍率扩增性指数计算式（1）对各金融机构股价日收益率数据进行转换并剔除大盘波动的影响，从α开始稳定后选取系列k值，将不同k值所对应的α值整理为α序列，并将序列均值作为最终α估计量值计算ΔP。根据全样本和参照样本数据，本文得到k的取值范围为[20，300]。鉴于篇幅有限，笔者不依次列出k的求解过程，仅以中国平安为例进行示范性说明。图1为当显著性水平为1%，计算中国平安导致安信信托出险概率增加的倍数ΔP1∶1时，估计P赞［min（Z1，Z2，Y）>q］和P赞［min（Z2，Y）>q］中的α（分别记为α1和α2）随k的变化过程。不难看出，当k≥120以及k≥140时，a1和a2的数值趋于稳定。

（二）引入非银行金融机构测评的差异性1．不同风险显著性水平下风险倍率扩增性估计与比较（1）不同风险显著性水平下ΔP1∶1的估计与比较如前文所界定，ΔP1∶1为衡量风险倍率扩增性的子指标，表示某单一金融机构出险导致其他某金融机构出险概率增加的倍数。从ΔP1∶1取值可知两机构间的相互影响具有非对称性。如，当中国平安出险时招商证券的出险概率增加24.35倍，而当招商证券出险时，中国平安出险的概率仅增加15.11倍。从既定风险显著性水平下，引入非银行金融机构对原排序结果的影响看，根据ΔP1∶1算术均值的大小可分别得到未加入非银行金融机构和加入非银行金融机构后基于风险倍率扩增性的排名，结果如表3和表4所示。表3和表4表明，引入非银行金融机构后原有银行排名顺序发生了较大改变。例如，招商银行由原来第3名下降为第5名，平安银行由第5名下降为第14名。从不同风险显著性水平下的估计结果看，比较表4第3列和第5列可知，低风险显著性水平（p=0.01）的风险倍率扩增性远大于高风险显著性水平下（p=0.05）的值。例如，浦发银行的风险倍率扩增性数值在风险显著性水平为1%时为20.56，而当风险显著性水平为5%时仅为2.57；渤海租赁的风险倍率扩增性数值在风险显著性水平为1%时为7.04，而当风险显著性水平为5%时仅为0.39。这表明，严重的危机使各机构之间的风险扩增关系表现得更为密切，且相比较而言，紧密程度的变化幅度在非银行金融机构中表现得更为明显。同一机构在不同风险显著性水平下，依ΔP1∶1值的排序也存在一定差异。笔者进一步还发现引入非银行金融机构后，在不考虑机构规模与复杂性等特性，而单纯使用修正的风险倍率扩增性数值对机构系统重要性进行测度时，排名结果与按规模和复杂度的排名结果相差较远。（2）不同风险显著性水平下ΔP1∶1的估计与比较表5给出了当p=0.005与p=0.01时各金融机构的ΔP1∶αll值。结果显示，对于所有金融机构，较小的风险显著性水平仍然对应较大的ΔP1∶αll，这一点与ΔP1∶1的分析结果一致，说明严重的危机将使各机构之间的关系更加密切的结论没有发生改变。对比表4和表5中ΔP1∶1和ΔP1∶αll的值发现，几乎对所有样本机构而言，在相同的风险显著性水平下ΔP1∶αll的值都小于ΔP1∶1的值；而在相同的风险显著性水平下，同一机构的ΔP1∶1和ΔP1∶αll在样本中的排名存在差异。这也说明在构造综合评价指标时需根据ΔP1∶1和ΔP1∶αll分别计算比较。2．基于风险倍率扩增的系统重要性综合指标测算利用计算得到的风险倍率扩增（ΔP1∶1和ΔP1∶αll）、规模指标（总资产）和复杂性指标（交易性金融资产），基于广义最大熵的思想分别构造系统重要性综合指标。根据前文制定指标步骤的说明，首先对数据进行标准化处理。由于利用最大熵原理赋权需要事先给出l组主观权重，此时形如式（2）的最优化问题中需要确定的参数有m×l个。为了控制参数求解的规模，笔者选取3组主观权重（l=3），分别为（0.5，0.25，0.25）、（0.25，0.5，0.25）和（0.25，0.25，0.5），并在此基础上得到先验权数矩阵Z。SA算法设定采用Matlab给出的默认值，执行1000次后得到的基于ΔP1∶1构造的综合指标权重为（0.270，0.334，0.396），基于ΔP1∶αll构造的综合指标权重为（0.326，0.338，0.336），计算得到的前10位系统重要性金融机构综合指标值及相应排名结果分别如表6所示。表6的计算结果和排名顺序显示，在综合指标测算下，基于ΔP1∶1和ΔP1∶αll的排列结果相差不大，①于是在一程度上说明了本文所构建的这一综合评价指标的稳定性。机构系统重要性排序的前5名为工商银行、中国银行、建设银行、交通银行和中国平安，样本中的国有银行全部位于系统重要性机构前列。这一结果也与周小川（2011）提出的“五大国有银行都是系统重要性银行”不悖。而中国平安包括在内，也说明我国在实施金融监管与宏观审慎政策时不能忽视对一些重要的非银行金融机构的监督与管理。此外，股份制商业银行的排名顺序为浦发银行、招商银行、兴业银行、民生银行、平安银行、华夏银行和中信银行，而不是规模相对较大的中信银行和民生银行排在前列。这一结果也给我国金融监管部门提供了新的启示。在前10名系统重要性金融机构中包括了中国平安、招商证券、中国人寿和中信证券4家非银行金融机构，再次说明了非银行金融机构在我国金融体系中的重要性。此外，将表6中的排名顺序与单纯按照规模或（和）复杂性程度的排序进行比较，笔者还发现，从关键性影响特征筛选角度看，相对于规模因素而言，按照综合指标的排名顺序与按照复杂性程度的排名顺序更为接近。这在一定程度上说明，对我国金融机构系统重要性的评价不能主要依据规模，监管当局应更多关注金融机构业务的复杂性。

（三）次级梯队非银行金融机构系统重要性评估结果如果将前10名系统重要性金融机构中的中国平安、招商证券、中国人寿和中信证券称为第一梯队中的非银行金融机构，那么笔者将剩余机构统称为次级梯队中的金融机构。表7给出了次级梯队中银行与非银行金融机构的综合测评值与排名。

四、结论

识别系统重要性金融机构是对其加强监管的前提和基础，测度中国金融机构的系统重要性，在宏观金融风险管理理论和实践上都具有重要意义。尽管系统重要性金融机构的监管框架已纳入到了巴塞尔协议Ⅲ之中，但有关系统重要性金融机构的评估方法却仍未达成一致。本文将中国上市银行和非银行金融机构同时作为研究对象，围绕风险扩增指数，并利用最大熵原理构造市场、规模和复杂性三结合的综合指标，对我国上市银行与非银行金融机构的系统重要性进行测度。在构造综合指标过程中利用最大熵原理赋权并利用模拟退火算法求解最优权重，避免单纯主观赋权造成的偏误。主要结论如下。第一，中国系统重要性金融机构前5名为工商银行、中国银行、建设银行、交通银行和中国平安，样本中的国有银行全部位于系统重要性机构前列。这一结果与周小川（2011）提出的“五大国有银行都是系统重要性银行”一致。中国平安位于前5名，也说明我国在实施金融监管与宏观审慎政策时不能忽视对一些重要的非银行金融机构的监督与管理。第二，实证结果表明，引入非银行金融机构后使原有银行系统重要性排名顺序发生了较大改变。在前10名系统重要性金融机构中有中国平安、招商证券、中国人寿和中信证券4家非银行金融机构，强调了非银行金融机构在我国金融体系中的重要性。第三，综合排序后，股份制商业银行的排名顺序为招商银行、浦发银行、兴业银行、民生银行、中信银行、华夏银行和平安银行，而不是规模相对较大的中信银行和民生银行排在前。相对于规模因素而言，按照综合指标的排名顺序与按照复杂性程度的排名顺序更为接近。这在一定程度上说明，对我国金融机构系统重要性的评价并不能主要依赖规模，监管当局应更多关注金融机构业务的复杂性。第四，基于风险倍率扩增性指数所构建的系统重要性综合指标在测度金融机构系统重要性方面具有一定的稳定性，在相同的风险显著性水平下，同一机构的ΔP1∶1和ΔP1∶αll在样本中的排名顺序存在一定的差异，而在基于风险倍率扩增性指数所构建的系统重要性综合指标测算下，基于ΔP1∶1和ΔP1∶αll的排名顺序相差不大，一定程度上说明了本文所构建的这一综合评价指标具有稳定性。第五，严重的危机将使各机构之间的关联性更加紧密。无论对ΔP1∶1还是对ΔP1∶αll，风险显著性水平低时（p=0.01）的风险倍率扩增指数值几乎都远大于风险显著性水平高时（p=0.05）的值，表明严重的危机使各机构的关系更加紧密。

作者：温博慧李向前袁铭单位：天津财经大学金融系副教授天津财经大学金融系副主任教授天津财经大学统计系讲师