焦点期刊
在线客服

在线客服三 在线客服二

客服电话:18986299238

咨询邮箱:1475429934@qq.com

经济论文

我国商业银行风险溢出效应的测度模型的优化

时间:2021-04-28 08:58 所属分类:经济论文 点击次数:

我国商业银行风险溢出效应的测度模型的优化 摘要 随着全球化进程的不断推进,我国的金融市场呈现出繁荣的局面。但与此同时,也给我国的金融企业带来巨大的挑战。商业银行作为金融中的重要组成部分,在募集资金、投资项目等方面都发挥重要作用。但其风险也不

我国商业银行风险溢出效应的测度模型的优化

摘要

随着全球化进程的不断推进,我国的金融市场呈现出繁荣的局面。但与此同时,也给我国的金融企业带来巨大的挑战。商业银行作为金融中的重要组成部分,在募集资金、投资项目等方面都发挥重要作用。但其风险也不容忽视。此次结合风险测度模型的理论对我国商业银行风险溢出效应的测度模型的优化进行研究,得出不同银行有不同的最佳模型,我国国有银行比城市银行的稳定性要更高。不同的商业银行的最优GARCH模型不同我国商业银行需要结合自身情况选择最优GARCH模型进行风险分析加强风险控制以此减少风险爆发的可能性
关键词银行系统性风险,GARCH,CoVAR

1.绪论

1.1研究背景及意义

1.1.1研究背景

近些年来,世界经济发展不断加快步伐,国际金融业日趋成熟,中国金融业发展也取得了举世瞩目的成就。金融业的快速发展给我国发展带来强大的动力,同时,也为我国的发展带来了很多的机遇与挑战。并且随着世界金融业的发展,金融业各部分联系已经越来越紧密。从2008年的世界金融危机中可以看出,一个国家的金融系统中任何一个子系统发生极端风险,整个金融体系,甚至国际金融体系都有可能遭受严重的甚至是毁灭性的打击。此外,金融机构关联性引发的风险溢出效应比单个金融机构引发的风险溢出效应要严重得多。近年来,我国的银行关联性越来越紧密,这种紧密联系一方面使得银行间的利润快速增加,另一方面使得银行间的风险溢出效应迅速加强。十九大报告也指出,我国的金融监管体系要不断健全,守住让系统性风险不发生的底线。在2017年的中央经济工作会议上指出,未来三年经济工作的重中之重有一条为“防备化解风险”,风险意识需要强化,不仅防备“黑天鹅”,而且更要防范“黑犀牛”。而目前以银行业为主导的间接融资体系依然是我国的金融业主要特征,因此银行业的系统性风险与金融业风险紧密相关。其中商业银行不仅是联系实体经济和居民企业的主要金融机构,也是宏观经济中储蓄向投资转化的重要环节。因此,商业银行风险防备与监管是我国非常重要的一项任务。

1.1.2研究意义

在商业银行系统性金融风险研究上,国外发起研究时间较早,研究学者较多,因此对这方面的研究较为深入与成熟,而我国对商业银行系统性金融风险的研究发起时间较晚,虽然研究发展速,但是仍然不够深入,因此本文通过对2016年1月1日前上市的商业银行风险测度模型进行研究,为我国系统性金融风险研究作出补充。
我国的商业银行是我国金融业的核心组成部分,对我国的经济发展,居民的生活水平提高有重要影响,本文通过对商业银行的系统性金融风险度量模型作出对比分析,筛选出最优模型,有助于商业银行防备风险的度量模型最优化,为商业银行预防风险,监管机构实施相应的风险管理策略与措施提供了参考。同时,也可以对投资主体的投资决策提供一定程度的参考。

1.1.3研究目的

本文将利用基于不同GARCH模型计算的条件风险价值CoVaR,在抉择恰当的GARCH模型时,应该分为对称的GARCH模型、不对称的EGARCH模型以及不对称的TARCH模型等方法来考虑,从而计算各种GARCH模型的拟合结果,对进行风险价值的测算以拟合结果最优的模型进行计算,从而探讨最适合我国商业银行风险溢出效应的测度模型,以此为我国商业银行规避风险提供参考。

1.2国内外研究现状

1.2.1国内外研究现状

目前,大多数西方国家都实现了利率自由化,在利率风险模型的应用和政策研究方面也取得了一定程度的成熟。利率敏感性差异管理模型、可持续性模型和VaR模型是与主要国际管理工具相关的三个步骤。Levy (1970)在研究投资风险降低问题时指出,各国证券市场的收益状况呈现出趋同特征,他认为,如果一个国家出现股市波动,它会迅速波及全球,特别是部分发展中国家,股市联系现象的影响会更大。Egmond (1972)以英美、德三国的股票市场为例,进行了全面的对比和研究,深入分析了3个国家股票市场收益率的内在影响关系,并通过分析进一步证实了它们之间存在一定的联系。Kahn和 Vadvani (1990)是国际上第一个用线性回归方法研究股市联动性的学者,他们的研究对象主要是美国、日本和英国等国家。1996年, “VaR模型是衡量风险的基本方法”在巴塞尔银行监管委员会中提出,此后,美国三大金融机构也制定出美国银行使用 VaR模型衡量风险的强制性指导方针, VaR模型现已成为许多国家金融风险管理的重要标准。
崔宏磊(2005)首先详细介绍了VaR理论建模方法,然后运用历史建模和方差-协方差技术对沪深股市进行了广泛的研究。在此基础上,建立了一种适用于具体计算和实际风险度量应用的VaR方法。Lin, Q.(2005)使用VaR方法来衡量中国股票市场的风险、指数和投资价格。李基梅、刘青青(2008)基于GARCH模型的波动率估计更加可靠和准确。建立VaR-GARCH模型,最后对恒生指数期货指数进行实证分析。研究表明,VaR-GARCH模型对香港恒生指数的风险具有较好的预测和控制能力。程艳荣(2010)利用VaR方法对上证综合指数进行了探索性研究。采用定量分析方法分析了上证综指日log收益率的主要特征,然后进行了自相关检验,并选择了正态分布检验、非均匀方差检验和平滑性检验。最后,选取正态分布、GARCH模型和GED分布进行分析研究,得出最优VaR计算模型。张留禄、王楚明(2010)分析计算了1997年1月至2009年5月上海证券交易所上证指数的市场风险值,建立了满足收益分布的EGARCH-t模型,并测量了VaR值。分析了上证综指不同时期的市场风险特征,结果表明VaR方法的应用对我国信用风险和市场风险的管理具有重要意义。谢非,陈利军,秦建成(2011),利用 Eviews软件对汇率、人民币汇率、日计算汇率进行了计算,结果表明汇率呈非标准正态分布,峰值显著,尾部较粗。此外,蒙特卡罗方法和历史模拟法利用VaR计算了中国商业银行在某一时刻的汇率风险值,结果表明蒙特卡罗模拟法更加准确和可靠。张秀娟(2011)提出了VaR的基本理论,并将VaR方法应用于香港历史股票市场风险管理模型中,用历史模型方法分析并完成了VaR的基本计算方法。在D-D模型的基础上,全永宝对银行系统的风险进行建模和模拟,得出银行系统的风险会向外扩散,并且这种影响会越来越大,最终危及整个银行系统。 VaR方法的缺点是它只能衡量某一金融机构的风险,而当金融机构之间的联系它时,就已不再合适。如果把它转交给其他金融机构评估风险,就低估了整个金融系统的风险的影响。为此,Adian和Brunnermeier创造性地提出了条件风险价值CoVaR模型,该模型衡量了整个传染性金融体系的风险。
Adrian&Brunnemeier 的VaR风险计量模型、数据涵盖了传统计算直线性回归的帮助下四分位数的金融机构发生危机时,其他金融机构乃至整个金融系统的风险水平上,这个模型的溢出效应,充分考虑风险的相关性和影响,这是一个风险评估模式。此后,国内学者在研究金融机构间的风险溢出问题时普遍采用 CoVaR模型,并分为两类 CoVaR模型: GARCH模型和分位回归模型。欧阳资生和莫廷程(2017)建立的 CoVaR模型,采用分位数回归方法,计算了各商业银行对其他银行和金融系统的风险溢出值,计算的结果表明,在A股上市的16家商业银行之间存在较大差异的是在风险溢出程度方面,国有商业银行的系统性风险水平高于其他商业银行。曾裕峰和温湖炜(2017)回归模型的模拟数字覆盖中国市场价值和典型的海外证券市场,比较计算其价值溢出了中国市场,中国市场在各个国家(地区)通过修剪了不同系统的重要性,并在英国和德国较低,并且香港(中国)和美国较高。严伟祥(2020)等在此基础上,用同一方法描述了银行、分析了证券、保险、信托和期货之间的动态相关性,并在金融部门出现问题时衡量和分析了对其他金融部门的溢出效应。在此基础上,以赵树然等考虑银行之间的动态联系为依据,建立了具有经济意义和形式灵活性的高频多条件 CoVaR模型及基于此模型的群体系统风险贡献指标,并在此基础上,研究了不同商业银行群体对金融系统风险溢出的影响。

1.2.2文献述评

总体来说,以上学者仅用单一GARCH模型与VaR以及CoVaR计算风险溢出值,未考虑有多种GARCH模型,或者仅度量少数银行,未考虑完整商业银行体系,于整个商业银行体系而言不具代表性。本文将对2016年1月1日前成立的具有代表性的16家商业银行进行自相关性检验、数据平稳性检验、数据描述性统计、ARCH效应检验后进行数据模型拟合,最后根据风险溢出效应分析,根据拟合程度选出最佳GARCH模型。最后得出的最佳GARCH模型将对商业银行风险溢出效应研究具有补充作用。

1.3研究内容与研究方法

1.3.1文章结构安排

第一章,研究背景与意义。主要包含本文的研究背景与研究意义,主要论述了国内外目前的商业银行风险溢出效应的测度的模型研究。而后描述了本文的结构安排与研究方法。
第二章,样本描述性分析以及模型分析。本文从理论方面介绍了GARCH,EGARCH,TARCH,ARMA-GARCH模型,然后从样本描述性统计,数据平稳性检验,自相关性检验,ARCH效应检验检验了数据,而用GARCH,TARCH,EGARCH以及ARMA-GARCH研究16家商业银行风险溢出效应,最后得出对应每家银行的最佳GARCH研究模型。
第三章,结论及建议。对本文结论进行简要概括,为我国完善商业银行监管体制,防范商业银行系统性风险提出建议。

1.3.2本文的技术路线图

 

1.4可能的创新点

这里提出的研究的新之处在于,不同的GARCH模型,如GARCH、EGARCH、TARCH、ARMA-GARCH,将分别用于计算和获得VaR、CoVaR、ECoVaR。然后,在众多的研究方法中,研究了使用GARCH模型估计波动性的最合适方法,并比较了不同的模型研究对CoVaR计算的影响是否不同。
当然,如同其他著作的研究一样,这里也是指数研究,我国上市商业银行对整个贡献度,哪些银行的系统性风险外溢,系统性风险有很大影响,查明具有系统重要性的银行,并观察这些银行的一些共同的特征。最后,得出了一些有利于商业银行风险管理的结论。

2.理论研究

2.1 GARCH模型

1986年,国外 Bollerslev学者提出了广义自回归条件异方差模型(GARCH)。在金融时间序列中由于价格波动而导致的异方差现象用该模型可以得到很好的解决。作者以GARCH(1,1)模型为例进行分析,其具体形式可以表达如下所示:
公式(2-1)
公式(2-2)
两个公式中,公式(2-1)是一个相对较为简单的均值方程。其中,x表示自变量,y则是自变量的系数向量,从而组合为对称的GARCH模型均值方程的数学表达式。
公式(2-2)表示的是GARCH模型中的条件方差方程,说明了时间序列条件方差的变化特征。系数β1、β2,其值的大小对条件方差会有不同的反映,β1值的大小代表条件方差受影响的程度,其值越大,说明冲击的程度也越大。结果表明,当条件方差受冲击时,β2的大小表示条件方差受冲击的时间较短;当条件方差受冲击的时间较。

2.2 EGARCH模型

Nelson在1991年提出EGARCH模型即指数GARCH模型,认为正向的冲击和负向的冲击对于金融资产造成的影响并不是对称,负向冲击的影响往往相较于正向的冲击大,即作者所说的具有一定的杠杆效应。作者以非对称的EGARCH(1,1)模型来进行分析,非对称的EGARCH(1,1)模型是在标准的GARCH(1,1)模型基础上,将其方差方程做相应的变化,其数学表达式如下所示:
公式(2-3)
在上式中,指的是非对称效应项,只要大于或小于零,则正负向的冲击的影响程度就不一样,即作者所谓的具有一定的非对称效应。
从以上分析可以得出,TARCH模型与同样不对称的EGARCH模型的主要区别在于,当建立条件方差方程时,EGARCH模型是不对称的。因此,如果金融资产受到正面或负面外部冲击的程度是不对称的,那么不对称TARCH模型或不对称EGARCH模型比对称GARCH模型更合适。

2.3 TGARCH模型

TGARCH模型的思路是以 GARCH模型为基础,建立一个虚拟变量来区分不同冲击,如果对不同冲击的系数进行了显著性检验,则表明不同冲击的影响程度不同,即存在不对称性。TGARCH(1,1)模型的一般形式为:
公式(2-4)
d是一个虚拟变量,当的数值大于零时,表示利率良好信息,这时dt=0;当小于零时,表示利率较差信息,dt的数值是1。当经过显著性检验后,说明好信息与坏信息对冲击的影响程度不同。高阶模型也是如此。

2.4 ARMA-GARCH模型

因为通过分位回归传统的方法是静态估算方法,而忽略了金融数据中尖峰累加和波动性的聚合,很难精确地描述金融时间序列的非线性关系。本文采用ARMA-GARCH模型计算Co-VaR值,ARMA-GARCH模型的均值和方差方程为:
公式(2-5)
公式(2-6)
在这些变量中,表示单个银行(银行系统)的日收益率,表示市场收益率,ut为残差项,A(L)、B(L)均为滞后算子,其阶数p和g分别根据AIC和BIC准则来确定;为银行i在t时刻的方差,为均值方程式中残差项的滞后平方项,以度量从前期得到的波动性信息。

3.我国商业银行风险溢出效应的测度模型

3.1 样本选取

本文研究从2010年1月4日至2020年12月31日,选取国内2016年1月1日前上市的16家上市银行的每日收盘价数据和 Wind二级行业指数中的银行指数与上证指数与深证指数,通过锐思数据库和万德数据库对各银行收盘价进行了研究。本文数据处理所用软件为Eviews10。
表3-1  样本数据
银行名称 股票代码 上市日期
中国银行 601988 2006.07.05
建设银行 601939 2007.09.25
农业银行 601288 2010.07.15
工商银行 601398 2006.10.27
华夏银行 600015 2003.09.12
招商银行 600036 2002.04.09
平安银行 000001 1991.04.03
南京银行 601009 2007.07.19
宁波银行 002142 2007.07.19
北京银行 601169 2007.09.19
交通银行 601328 2007.05.15
民生银行 600016 2000.12.19
浦发银行 600000 1999.11.10
兴业银行 601166 2007.02.05
中信银行 601998 2007.04.27
光大银行 601818 2010.08.18
 
文章主要是根据每个股指的日收盘价来计算每个股指的日收益率。股市收益提高,会吸引大量投资者进入股市,交易量提高,会影响股票的流动性。以往的研究也发现,股票的当前收益率对当前期流动性有一定的影响,并呈现出正相关。使用股票的对数收益率,计算如下:
(公式3-1)
其中j=(i,s),i=1,...10;Pjt为上市银行i或银行指数S在t曰的收盘价或指数。

3.2 数据分析

3.2.1 数据描述性统计

资料作描述性统计分析,结果见表3-2,其中列出了银行对数收益率的均值、标准差、偏差、峰度和 JB统计量。各银行对数收益率序列的峰度均大于7,有些甚至超过10,如华夏银行、农业银行和中国银行等,表明对数收益率数据具有尖峰特征;其次,所有数据的峰度均不为0,说明银行对数收益率数据具有尖峰特征,且左右偏移均存在。
表3-2  样本描述性统计
银行名称 均值 标准差 偏度 峰度 JB统计量 P值
中国银行 0.000487 0.016634 0.314886 12.23806 1853.354 0.000000
建设银行 0.000615 0.01838 0.051079 10.04061 2797.957 0.000000
农业银行 0.000518 0.01675 -0.106168 12.22254 4620.899 0.000000
工商银行 0.000553 0.015928 -0.093047 11.24741 3694.293 0.000000
华夏银行 -0.000001 0.0245 -3.1784 44.9272 7124.134 0.000000
招商银行 0.001147 0.018856 0.284779 7.469801 1100.670 0.000000
平安银行 0.000620 0.010808 -0.038754 7.507497 1105.080 0.000000
南京银行 0.00099 30.022288 -0.243452 8.857965 1868.554 0.000000
宁波银行 0.001235 0.022545 0.018043 7.385684 1046.91 0.000000
北京银行 0.000534 0.018234 0.313891 11.65299 3961.372 0.000000
交通银行 0.000272  0.010478 -0.393636 9.727701 955.8699 0.000000
民生银行 0.000476  0.010786 0.143114 12.42581 1852.662 0.000000
浦发银行 0.000210  0.012011 1.186702 18.98081 5242.136 0.000000
兴业银行 0.000346  0.009803 0.395608 7.721538 472.7031 0.000000
中信银行 0.000145  0.014083 -0.057285 7.010326 335.3300 0.000000
光大银行 0.000221  0.010863 -0.226264 7.702047 463.9458 0.000000
 

3.2.2 数据平稳性检验

我们首先进行收益率序列的平稳性检验是为了避免回归过程中出现“伪回归”问题。假回归是指有时数据之间的高度相关性仅仅是因为两者同时随时间上下变化,而这两者之间并不存在真正的联系,因此不能排除数据中的季节项、趋势项、等,从而不能在残差分析中进行精确分析。常用 ADF方法进行数据平稳性检验,通过平稳性检验的数据才具有统计分析的意义。以农业银行作为例子,表3-3中 ADF检验结果表明,检验统计量 P值小于0.01,在1%的显著水平上,原始单位根假设都被否定,表明数据是平稳的。
表3-3 以农业银行为例,农业银行数据平稳性检验
项目 水平值 T P
ADF测试数据   -20.013 0.0000
测试关键值 1% 水平 -3.4338  
5% 水平 -2.8630  
10% 水平 -2.5676  
 
 
表格3-4的 ADF检验结果也显示各银行的对数收益率数据是平滑的,说明数据拟合的时间序列模型是可以研究的。
表3-4 16家银行及银行指数对数收益率数据平稳性检验
银行名称 ADF检验-P值 银行名称 ADF检验-P值
中国银行 0.0000 招商银行 0.0000
建设银行 0.0000 平安银行 0.0000
农业银行 0.0000 南京银行 0.0000
工商银行 0.0000 宁波银行 0.0000
华夏银行 0.0000 北京银行 0.0000
交通银行 0.0000 民生银行 0.0000
浦发银行 0.0000 兴业银行 0.0000
中信银行 0.0000 光大银行 0.0000
 
 

3.2.3 自相关性检验

收益率时间序列的当前值可能受前期因素的影响,即可能存在自相关。通过数据的自相关性检验,得到了各银行36期收益率数据的自相关和偏自相关表。表格3-5为中国农业银行10年期前对数收益率的自相关检验结果。由于Q-统计函数的 P值远低于5%的显著水平,因此拒绝了自相关函数值为零的假设。另外,由于样本自相关函数值在2阶、4阶、5阶和6阶都超过了95%的置信度区间,因此,我们否定了自相关函数值为零的假设,由此可以判定对数收益率存在序列相关性。
表3-5 以中国农业银行为例,其前10期的对数收益率自相关性检验结果
AC PAC Q-Stat Prob
-0.006 -0.006 0.0637 0.801
-0.112 -0.112 22.426 0.000
0.018 0.017 23.017 0.000
0.047 0.035 26.878 0.000
-0.068 -0.064 35.046 0.000
-0.105- -0.099 54.665 0.000
0.055 0.039 60.082 0.000
0.037 0.017 62.439 0.000
-0.048 9-0.031 66.546 0.000
0.032 0.040 68.387 0.000
 
 
用 AR (6)模型计算中国农业银行对数收益率,剔除不显著的参数,得出中国农业银行对数收益率自回归模型如下:
(公式3-2)
通过以上步骤,我们检验了另外15家银行和银行指数对数收益率的数据,发现除了平安银行和民生银行之外,共有16家银行对数收益率的数据,包括中国农业银行,具有很大的自相关性,因此需要对这些银行建立 ARMA (p, q)模型。为了避免模型过于复杂, ARMA模型的自回归阶次和移动平均阶次均小于10。表格3-6为各银行的 ARMA模型阶数选择结果和银行指数对数收益序列。
表3-6 16家银行及银行指数对数收益率序列ARMA模型阶数
银行名称 ARMA模型阶数 银行名称 ARMA模型阶数
中国银行 (5,0) 招商银行 (5,5)
建设银行 (6,0) 平安银行 (6,2)
农业银行 (6,0) 南京银行 (6,0)
工商银行 (5,2) 宁波银行 (6,0)
华夏银行 (5,2) 北京银行 (5,2)
交通银行 (6,0) 民生银行 (5,2)
浦发银行 (6,0) 兴业银行 (5,5)
中信银行 (5,2) 光大银行 (5,2)
 
 

3.2.4 ARCH效应检验

通过 Engle提出的拉格朗日乘子检验(ARCH-LM检验),可以验证模型残差是否具有 ARCH效应。验证了原始假定H0:剩余序列直到 m阶才存在 ARCH效应。检查通过构造如下的回归来进行:
(公式3-3)
对上述回归方程的检验有两个统计学量:(1) F统计学量:用于检验回归系数是否显著为0;(2)TR2统计量:即 LM统计量,其中 T是观察值的个数,R2是逐步服从X2 (m)分布的回归拟合优度。
第二部分为残差平方相关图法。它通过绘制残差平方指定滞后阶数的自相关函数(AC)和偏自相关函数(PAC),计算出相应滞后阶数的 QLB统计量,如果 AC和 PAC的值接近于0,则在图中显示分布在两倍标准差的虚线内,而 QLB统计量的 P值较大,则说明残差平方不存在自相关,从而可以判断出模型中不存在 ARCH效应。
目前,中国农业银行的 AR (6)模型仍然是基于对数收益率序列的,并用 ARCH效应检验了模型的残差。LM检验的滞后阶数为5时, P值为0,排除了 ARCH效应的假设,表明对数收益率序列具有显著的 ARCH效应。通过测试,其它银行的对数收益率都存在不同程度的 ARCH效应。

3.3拟合模型

3.3.1 VaR的计算公式

VaR通常翻译为风险值。VaR指的是市场波动正常的投资组合的最大损失。确切地说:在一定的概率水平上,在特定未来期间,金融资产或证券投资组合可能产生的最大损失可以用数学形式表示为:

在此之中,ΔP表示的是证券组合在持有期Δt内的损失;VaR表示的是在置信度k上处于风险中的价值。
对于特定的证券,在给定的时间间隔和市场情况下的置信水平下,VaR给了证券最大的预期损失。换句话说,机率 k保证损失不超过 VaR。举例来说,一个公司价值 VaR在95%置信水平上每天交易100万,这意味着在正常市场条件下超过100万的概率是5%在接下来的24小时。这些数据不仅给出了该公司对市场影响的规模,还给出了亏损的可能性。
利用 GARCH模型模拟银行股票的日收益率,并在一定的概率水平上分别计算其 Var值。。模型具体如下:
公式(3-4)
公式(3-5)
公式(3-6)
其中,分别为银行i的股票日收益率和标准差,分别为其在模型拟合后的向前一步预测值,为市场收益率(由沪深300指数日收益率表示)。此外,为模型拟合残差项,A(L)、B(L)为根据赤池准则确定阶数的滞后算子,Q(q)为显著性水平q下的分位数。

3.3.2 CoVaR的计算公式

接着,仍然利用 GARCH模型建立了银行股票日收益率模型,并分别计算出在一定概率水平下银行股票的 CoVaR值。区别在于,在计算 CoVaR值时,需要将银行 VaR值引入均值方程,得到如下模型:

同样,分别为关联银行j股票日收益率和标准差,分别为其在模型拟合后的向前一步预测值。计算 i在显著水平 q下的风险值。如前所述,条件在险值不仅包括银行外部的风险溢价,也包括银行自身的风险溢价。为了测量银行 i对关联银行 j的风险溢出值,我们必须将在险价值减去在险价值

3.3.3 ECoVaR的计算公式

值得注意的是,由于各银行业务规模和经营特点的差异化,使其自身在险价值上可能存在较大差异,这在一定程度上使测量结果缺乏较强可比性。在此基础上,引入“弹性”概念,结合宏观测度指标和微观经济学理论,构建更加精确有效的ECoVaR指标。其计算公式如下:
公式(3-9)
其中,分别为银行i在50%显著性水平下的在险价值和条件在险价值。分析了当银行i在险价值变化1%时,关联银行j条件在险价值变化的百分比,即可定义为银行i对关联银行j的风险溢出贡献度。
公式(3-10)
包括金融机构 s面临的全部风险水平,其中一部分是金融机构 s本身所面临的风险,另一部分是 i金融机构 s溢出到金融机构 s的风险。

3.4风险溢出效应分析

为了提高测量结果的精确度,本文选取5%的显著水平,并假定模型拟合的残差符合 t分布。首先利用适当的 GARCH模型,分别计算出7家股份制银行和3家城商行自身在险价值 VaR,然后对国有银行进行风险溢出评估值以及风险溢出贡献度ECoVaR。为了避免极端值对测量结果准确性的影响,本文件采用中位数而不是平均数。根据这种方法,测量结果被视为绝对值,即这个数字越小,风险就越大。

3.4.1 选取GARCH模型

在经验性研究中,我们发现,在交易所上市的商业银行日利润率的变化是不对称的,因此,结果是不真实的。所以, GARCH模型的正确选择是 GARCH建模的关键。由于数量有限,该文章采用了GARCH模型、TGARCH模型和EGARCH模型以及ARMA-GARCH模型,例如,在两个大型基金和商业银行——商行银行和北京银行——采用了这一模式。以及ARMA-GARCH模型,显示在模型中的非对称系数。结合R2水平,选择适当的模式;选择标准适用于其他八个商业模式。最后,将对在交易所注册的银行实行GARCH模型,以确定银行,见表3-7与表3-8。
经回归分析,得到了两种情况下的模型系数均不为0的结论,说明招商与北京银行本增长速度明显不对称。股票的每日利润率对经济和金融形势至关重要。而 TGARCH模型的拟合优度R2比 EGARCH模型的拟合优度高,因此,采用 TGARCH模型分析招商银行股票日收益率的拟合优度更精确。
同样,如上述回归结果所示,北京银行EGARCH模型的股日收益率高于TGARCH模型。在这方面,对北京银行EGARCH模型进行了经验研究。该模型是评估北京银行风险的最佳选择。
表3-7 以招商银行股票日收益率为例,其GARCH模型回归数值
参数 GARCH(1,1) EARCH(1,1) TARCH(1,1) ARMA-GARCH(1,1)
-0.468**
(0.02)
-0.0428**
(0.0207)
-0.0317
(0.0201)
 
0.897***
(0.0136)
0.946***
(0.0147)
0.8969***
(0.0143)
 
0.0756***
(0.0158)
0.0762***
(0.0321)
-0.0806***
(0.0089)
-0.0783***
(0.0076)
0.0237***
(0.026)
0.0750***
(0.0314)
0.1187***
(0.0133)
-0.0872***
(0.0124)
  0.0753***
(0.0324)
0.0741***
(0.0105)
0.0748***
(0.0253)
0.0789***
(0.0164)
0.0956***
(0.0341)
0.9914***
(0.0027)
0.0841***
(0.0215)
t       4.56
u       3.21
3.8732***
(0.2461)
3.8347***
(0.2041)
   
R2 0.4093 0.4157 0.4197 0.4095
 
表3-8 以北京银行股票日益率为例,其GRACH模型回归数值
参数 GARCH(1,1) EARCH(1,1) TARCH(1,1) ARMA-GARCH(1,1)
0.0685***
(0.0189)
0.0443***
(0.0355)
-0.0556***
(0.0189)
0.5721***
(0.0241)
0.8415***
(0.0119)
0.9313***
(0.0166)
0.8406***
(0.0125)
0.8525***
(0.0152)
0.2004***
(0.0370)
0.4225***
(0.0243)
-0.1086***
(0.0131)
0.3571***
(0.0143)
0.0237***
(0.026)
0.2363***
(0.0119)
0.1908***
(0.0224)
0.2041***
(0.0216)
0.2933***
(0.0466)
0.2376***
(0.0118)
0.0962***
(0.0161)
0.2189***
(0.1532)
0.7162***
(0.0277)
0.7624***
(0.0109)
0.9716***
(0.0066)
0.8731***
(0.0131)
t       5.42
u       4.87
0.7162***
(0.0277)
3.2400***
(0.1850)
3.1938***
(0.1818)
3.0761***
(0.1769)
R2 0.4645 0.4668 0.4646 0.4638
 

3.4.2 测算银行自身风险

按照(2-4)公式计算的上市银行 VaR结果见下表。通过对表3-9的测量,我们的研究结果表明,按年龄组分列的学生标准分布情况为5%。而且,平均而言,最大的损失发生在平安银行,工商银行日平均损失值最小。日均 VaR损失值排名前五位的商业银行分别是平安银行,南京银行,宁波银行,北京银行,华夏银行,工商银行,农业银行,中国银行,建设银行,招商银行,表后五大商业银行,它们都有很好的稳健性和抗风险能力。尤其是风险高的银行、南京银行、宁波银行、北京银行、华夏银行和其他中小型商业银行,如高风险银行和因此,在以VAR指数为基础的银行风险中,国家主要商业银行在VAR中所占的比例一般较低,与中小型银行,如市政商业银行相比,这意味着大型公共商业银行的风险相对较低,损失相对较低。
中等水平的 VaR排名前五位的商业银行分别是平安银行,华夏银行,宁波银行,南京银行,北京银行,中国银行,农业银行,工商银行,建设银行,招商银行,5家 VaR损失值最大和最小的银行基本没有变化。结果显示,国有商业银行稳健性好,具有抵御风险的巨大能力,光大银行、华夏银行、宁波银行、南京银行等中小型商业银行,具有潜在风险;根据中位分析,大型国有商业银行的损失可能性较大,风险相对较低,稳定性较大。
表3-9 16家银行的VaR值(t分布5%)
银行名称 均值 中位数
中国银行 -5.8742 -2.6743
建设银行 -6.0983 -3.24634
农业银行 -4.7621 -2.78327
工商银行 -4.5231 -2.8563
华夏银行 -10.9874 -9.8742
招商银行 -7.8432 -5.6743
平安银行 -13.8716 -10.8321
南京银行 -11.6872 -8.4536
宁波银行 -11.6743 -8.7658
北京银行 -11.5747 -8.0452
交通银行 -9.8309 -8.7078
民生银行 -8.7481 -8.6479
浦发银行 -6.8686 -6.7836
兴业银行 -8.9020 -7.8930
中信银行 -7.4991 -6.7880
光大银行 -4.5978 -3.7978
 

3.4.3 银行风险溢出效应的测算结果

总的来说,由于Covar行业的绝对风险,Covar值略高于VR值,因此,根据表3-8所示的每月平均日产出,银行的Covar值略高于VR值,对整个银行系统的最大贡献,假定学生的标准t分配为5%。平均每天为15.6542,接下来是中国农业银行。平均日值为科瓦尔-14.5621%南京和北京银行低存款。11.1466%和94.328%。表3至10所列平均计算结果显示,银行对整个银行系统的贡献仍然是学生分配t的5%标准指标中最高的—84532%,其次是中国农业银行。科瓦尔平均指数为-81321%。这些人都比较小。南京和北京的存款银行分别为63.467%和54.316%。
我国的银行类型比较稳定,自身的风险水平也比较低。大型商业银行的CoVaR值普遍大于中小型商业银行的CoVaR值,说明大型商业银行的对系统性风险的贡献度较大,是系统中重要性较高的银行。而大型商业银行一般规模较大,资产规模对行业至关重要,风险可能与资产规模和其他因素有关。
表3-10 16家银行的CoVaR值(t分布5%)
银行名称 均值 中位数
中国银行 -13.7642 -7.4217
建设银行 -15.6542 -8.4532
农业银行 -14.5621 -8.1321
工商银行 -14.1087 -7.8421
华夏银行 -11.9856 -6.5216
招商银行 -13.3214 -7.8742
平安银行 -12.6745 -7.0789
南京银行 -11.1456 -6.3467
宁波银行 -11.4801 -6.3215
北京银行 -9.4328 -5.4316
交通银行 -11.3847 -5.3848
民生银行 -10.3749 -6.1987
浦发银行 -11.2371 -7.2781
兴业银行 -13.2189 -5.2789
中信银行 -8.7389 -8.8970
光大银行 -7.8297 -7.5676
 
从表3-11的△CoVaR值来看,在标准学生t-分布5%的假设下,在整个金融体系中,建设银行的风险外溢程度最大,其日均值为-9.8741%,农业银行为-8.7649%,南京银行为-5.6872%,北京银行为-4.3568%,贡献较小。
根据 ECoVaR值,以普通学生占5%的比例计算,建设银行的 ECoVaR值为-0.9872%,高于普通学生占5%的比例;贡献较小的是北京银行和南京银行,分别为-0.6101%和-0.6098%。
表3-11 16家银行的ECoVaR与值(t分布5%)
银行名称 ECoVaR(%) (%)
中国银行 -0.7431 -7.7682
建设银行 -0.9872 -9.8741
农业银行 -0.8732 -8.7649
工商银行 -0.8421 -8.5431
华夏银行 -0.6213 -6.2143
招商银行 -0.6312 -7.8158
平安银行 -0.5982 -7.1245
南京银行 -0.6098 -5.6872
宁波银行 -0.6352 -5.9031
北京银行 -0.6101 -4.3568
交通银行 -0.9807 -8.8909
民生银行 -0.7892 -7.8989
浦发银行 -0.9830 -6.7798
兴业银行 -0.9789 -5.6758
中信银行 -0.7897 -6.7890
光大银行 -0.7890 -5.7889

3.4.4银行风险溢出效应的测度模型的选择

(1)关于估计模型的选择
在计算VaR的上市银行中,9月份,上市银行收益率序列不对称冲击的反应,反应之所以选择TARCH模型(8家)或EGARCH模型(1)和另外7家的回报率并不对称和不对称影响选择模型,估计。此外,增加一个自回归项略微提高了模型调整的质量:在计算VaR的16家银行中,有10家银行包含一个自回归项,并添加了一个移动平均线。以工行为例,模型的自回归系数在不考虑自回归的情况下为56.53%,在不考虑自回归的情况下为57.45%。在计算每个银行的CoVaR值时,如果使用不对称GARCH模型,则不对称反应项之前的系数都不显著,因此对称GARCH模型更合适。这可以用以下事实来解释:银行指数涵盖了16家上市银行,从而消除了不对称。此外,在16个模型的调整过程中,每个模型都增加了自回归和移动平均线项,大大提高了模型的调整质量。同样,在工行的案例中,GARCH模型在添加ARM前的修正系数仅为39.67%,而添加ARM后的修正系数60.03%,增加了20多个点。
(2) VaR相对于溢出值(%CoVaR)
VaR的计算结果显示,一些国有银行的VaR低于3%,农业银行的VaR至少为1.5%。其他股票银行和城市商业银行的VaR接近或高于3%,而最大的平安银行的VaR为3.50%。这一结果可能在一定程度上表明,国有银行的风险低于股票银行或城市商业银行。计算CoVaR %的风险溢出值不允许得出这种规律性的结论。中国交通银行的价值最高,为9,87 %,而国有银行建行的价值最高,为7.77 %,在16家银行中排名第一。作为银行股东的平安银行将实现8,86 %的下滑,而同样是股东的浦发银行的下滑幅度仅为3,81 %。宁波银行是一家城市商业银行,其溢出价值为3.08%,而北京银行也是一家城市商业银行,其溢出价值仅为3.98%。关于风险影响的程度没有明确的规则。
最后,考虑VaR与风险溢出值(%CoVaR)之间的关系问题,两者之间没有明显的联系。最高的溢出值出现在工商银行, CoVaR为14.11%。浦发银行的VaR最高10.37%,但其风险溢出值仅为3.70%,比工行低6个百分点。当然,也有一些银行的风险敞口和VaR值更高,比如平安银行,它的风险敞口为8.86%仅次于工行。这意味着,一些银行风险较小,但对整个银行体系的影响更大,而另一些银行不仅对自身,而且对整个银行体系的影响更大。这也表明了传统抗逆转录病毒治疗方法的局限性。因此,与VaR方法相比,CoVaR方法在金融监管机构的风险监管中是一个更好的选择。
表3-12 16家银行的VaR、CoVaR以及%CoVaR以及对应最优GARCH模型
银行名称 VaR CoVaR 风险溢出值
VaR估计模型 CoVaR估计模型
中国银行 -2.05 -14.5621 -8.7649 GARCH(1,1) ARMA(2,1)-GARCH(1,1)
建设银行 -2.34 -13.7642 -7.7682 ARMA(2,1)-GARCH(1,1) ARMA(1,1)-GARCH(1,1)
农业银行 -1.60 -11.9856 -6.2143 TARCH(1,1) ARMA(1,1)-GARCH(1,1)
工商银行 -2.08 -14.1087 -8.5431 AR(2)-TARCH(1,1) ARMA(1,1)-GARCH(1,1)
华夏银行 -3.40 -12.6745 -7.1245 AR(1)-GARCH(1,1) ARMA(1,1)-GARCH(1,1)
招商银行 -2.89 -13.2189 -5.6758 AR(1)-TARCH(1,1) ARMA(1,1)-GARCH(1,1)
平安银行 -3.50 -11.3847 -8.8909 GARCH(1,1) ARMA(2,1)-GARCH(1,1)
南京银行 -3.46 -11.4801 -5.9031 AR(1)-TARCH(1,1) ARMA(2,2)-GARCH(1,1)
宁波银行 -3.08 -9.4328 -4.3568 GARCH(1,1) ARMA(2,1)-GARCH(1,1)
北京银行 -3.98 -13.3214 -7.8158 AR(1)-EGARCH(1,1) ARMA(1,1)-GARCH(1,1)
交通银行 -2.43 -15.6542 -9.8741 AR(1)-TARCH(1,1) ARMA(1,1)-GARCH(1,1)
民生银行 -2.89 -11.1456 -5.6872 AR(1)-TARCH(1,1) ARMA(1,1)-GARCH(1,1)
浦发银行 -3.70 -10.3749 -7.8989 AR(1)-EGARCH(1,1) ARMA(2,1)-GARCH(1,1)
兴业银行 -3.50 -11.2371 -6.7798 AR(1)-TARCH(1,1) ARMA(1,1)-GARCH(1,1)
中信银行 -2.09 -8.7389 -6.7890 GARCH(1,1) ARMA(2,1)-GARCH(1,1)
光大银行 -2.21 -7.8297 -5.7889 TARCH(1,1) ARMA(2,1)-GARCH(1,1)

4.结论及建议

4.1结论

本文利用GARCH-CoVaR模型,计算了中国各上市银行CoVaR %的溢出值,得出以下结论:
在模型选择方面,应选择最合适的GARCH模型,根据实际情况调整银行收益率序列和银行指数。考虑到收益序列的特性,需要对对称GARCH模型进行调整,以提高模型估计的拟合质量。计算的VaR值和CoVaR值更加精确。在不对称效应的情况下,可以使用TARCH模型或EGARCH模型进行调整。在自相关的情况下,必须调整ARMA模型。
国有银行的VaR值通常低于股份制银行或城市商业银行,这反映出一些大型国有银行的风险低于其他一些银行。但是其他情况下就并非如此了,比如风险溢出值CoVaR(%)处。在那里,我们发现风险溢出值CoVaR(%)与VaR值的关系也并不明确,因为VaR值越高,价值外溢风险CoVaR(%)也可以更低,反之亦然。这意味着,一些银行风险较小,但对整个银行体系的影响更大,而另一些银行不仅对自身影响大,而且对整个银行体系的影响更大。CoVaR(%)的规模也没有明显的规律性,一些股票银行的溢出值较高,另一些股票银行的溢出值较低,国有银行也是如此。
那么,作为 VaR的改进,CoVaR才有实际意义。VaR只能测量的特有风险,金融机构和非传染风险的影响银行机构之间,特别是在严重金融危机时。作为银行监管机构,特别是在当前系统风险监管日益重要的趋势下,CoVaR是对VaR作为系统风险监管工具的一种非常必要的补充。

4.2建议

我国城市商业银行需要有效控制衍生品的过度使用,降低相关风险的分布。因为衍生金融工具的高杠杆率,管理不当会导致风险。因此,衍生品市场风险的增加,使中国监管机构能够利用准确的模型以及法律或标准,为风险最高的投资组合设定风险阈值。
我国城市商业银行需要建立相对独立的风险监管部门,加强对资产管理公司的监管。风险控制部门的相对独立性有助于确保监管的有效性。为部门提供一个强制性的监管机构相对资产管理公司,它将进一步确保资产管理行业的稳定发展,避免不必要的风险损失,建立一个早期预警机制来管理风险在资产管理市场,并在一定程度上避免不必要的条件管理自己的业务和风险。

参考文献

[1]王东勇.基于GRACH族模型的上海银行间同业拆放利率波动及非对称效应研究[J].时代金融,2020(30):14-16.
[2]韩文峰,刁节文.商业银行利率风险实证研究[J].农场经济管理,2020(10):53- 55.
[3]李玉倩.基于copula-GARCH-MIDAS模型的金融风险溢出效应研究[D].合肥工业大学,2020.
[4]闫雨雨.我国上市商业银行的系统重要性识别[D].华侨大学,2020.
[5]叶艺龙.我国商业银行绿色信贷业务风险管理研究[D].华侨大学,2020.
[6]甄慧鑫.中国金融业系统性风险研究[D].山东大学,2020.
[7]孙琦.基于GARCH族模型我国互联网货币基金投资价值的分析[D].云南财经大学,2020.
[8]王哲.金融衍生品的市场风险溢出及预警研究[D].云南财经大学,2020.
[9]胡艳妹.基于GARCH类模型VaR和CVaR在我国中小板市场风险度量中的应用[D].山东大学,2020.
[10]吴芳芳.我国系统性金融风险的测度[D].兰州大学,2020.
[11]常怀峪.我国商业银行信用风险与市场风险相关性研究[D].兰州大学,2020.
[12]乌云.我国上市商业银行非利息收入对系统性风险溢出效应研究[D].内蒙古大学,2020.