基于ARJI-GARCH模型的中國上市銀行跳躍風險傳染網(wǎng)絡研究

王周偉 張 政

一、引 言

金融業(yè)的穩(wěn)定發(fā)展需要對系統(tǒng)性金融風險加以預先防范。系統(tǒng)性金融風險形成的關鍵在于復雜關聯(lián)傳染，防控的關鍵也就在于抑制關聯(lián)傳染。已有研究表明，銀行風險傳染的路徑主要有股市信息關聯(lián)傳染、同業(yè)拆借業(yè)務關聯(lián)傳染等。其中股市信息關聯(lián)傳染涉及金融事件信息沖擊、資產(chǎn)定價、市場均衡狀態(tài)及信息傳遞等環(huán)節(jié)，其機理最為復雜，一直是國內(nèi)外學界研究的焦點。

技術方面，系統(tǒng)性金融風險的度量模型被不斷推進。谷耀和陸麗娜①谷耀、陸麗娜：《滬、深、港股市信息溢出效應與動態(tài)相關性——基于DCC-（BV）EGARCH-VAR的檢驗》，《數(shù)量經(jīng)濟技術經(jīng)濟研究》2006年第8期，第142—151頁。較早把收益與波動作為股市信息波動的代理變量，用DCC-(BV)EGARCH-VAR模型測度了滬、深、港三個股市間的信息溢出效應；劉向麗等①劉向麗、成思危、汪壽陽等：《期現(xiàn)貨市場間信息溢出效應研究》，《管理科學學報》2008年第3期，第125—139頁。用AR-GARCH模型估算了標準正態(tài)分布下的波動和風險價值，用格蘭杰因果關系檢驗法，分別驗證了期現(xiàn)貨兩個市場的均值、波動和風險之間的信息溢出效應；等等。上述文獻先后拓展了研究對象，但屬于分別驗證，割裂了均值、波動和風險等一階矩與二階矩之間的關聯(lián)；李紅權等②李紅權、洪永淼、汪壽陽：《我國A股市場與美股、港股的互動關系研究：基于信息溢出視角》《經(jīng)濟研究》2011年第8期，第15—25+37頁。提出了基于交叉相關系數(shù)的信息溢出全方位檢驗體系，同時揭示了股市均值、波動和風險的信息傳遞全景圖，包括互動的方式、方向、相對強度、當期影響與多期滯后關系以及時變性，該文獻的分析視域為兩兩分析，缺乏全系統(tǒng)觀；梁琪等③梁琪、李政、郝項超：《中國股票市場國際化研究：基于信息溢出的視角》，《經(jīng)濟研究》2015年第4期，第150—164頁。以收益率為風險代理信息，利用有向無環(huán)圖和溢出指數(shù)法，把兩兩信息溢出拓展為多維信息溢出；李政等④李政、梁琪、涂曉楓：《我國上市金融機構關聯(lián)性研究——基于網(wǎng)絡分析法》，《金融研究》2016年第8期，第95—110頁。用VECM模型的格蘭杰因果關系檢驗構建了信息溢出關聯(lián)的有向含權網(wǎng)絡，拓展出信息溢出網(wǎng)絡分析；徐曉光等⑤徐曉光、廖文欣、鄭尊信：《滬港通背景下行業(yè)間波動溢出效應及形成機理》，《數(shù)量經(jīng)濟技術經(jīng)濟研究》2017年第3期，第112—127頁。利用廣義溢出指數(shù)法分析了行業(yè)間波動溢出效應；黃瑋強等⑥黃瑋強、莊新田、姚爽：《基于信息溢出網(wǎng)絡的金融機構風險傳染研究》，《系統(tǒng)管理學報》2018年第1期，第235—243頁。做出網(wǎng)絡拓撲結構特征分析；佟孟華等⑦佟孟華、邢秉昆、于洪濤：《中國銀行間風險核心傳遞中介與系統(tǒng)性風險》，《金融論壇》2019年第7期，第20—31頁。利用VAR模型和VECM模型及格蘭杰因果關系檢驗法，構建有向無權的信息溢出網(wǎng)絡。

上述文獻在股市信息傳染研究方面的探索卓有成效，但同時需要引起關注的是：第一，已有文獻的信息變量主要集中在收益率及其均值與波動，而大量實證研究發(fā)現(xiàn)，其分布具有顯著的右偏、尖峰、厚尾和集聚性特征，隱示極端風險發(fā)生概率極大，當前研究只關注了一、二階矩風險信息關聯(lián)傳染，風險價值多據(jù)正態(tài)分布估算，忽視了跳躍成分及其決定的偏度和峰度的時變性，故而風險傳染的強度、廣度和深度估算結果比較粗糙，不能揭示極端風險溢出關聯(lián)傳染。第二，2015年中國股災、2016年1月初中國股市兩次觸及兩檔熔斷、2020年3月9日至20日美國股市十天內(nèi)四次熔斷、2020年4月21日美國 5月輕質(zhì)原油期貨價格暴跌約300%等等事實和文獻研究均已表明，收益率變化普遍具有顯著的連續(xù)擴散成分和離散跳躍成分，跳躍不僅顯著正向影響波動，并且正向影響偏度和峰度。已有文獻多數(shù)是利用傳統(tǒng)GARCH模型預測波動，但該類模型主要考慮了連續(xù)波動部分，沒有考慮由極端沖擊和意外信息引發(fā)的高頻跳躍信息，忽略極端金融事件沖擊形成的風險擴（散）增（幅）加速機制。

鑒于此，本文創(chuàng)新性地采用了自回歸跳躍強度的跳躍GARCH模型，即ARJIGARCH模型。統(tǒng)一測度跳躍和預測條件波動，調(diào)整計算時變的偏度和峰度，與ARJIGARCH模型邏輯一致地依據(jù)一般分布計算修正風險價值，以綜合反映銀行股票收益率的一階、二階、三階和四階矩風險信息。隨后基于VAR模型的廣義方差分解技術，測度信息關聯(lián)度，構建系統(tǒng)信息關聯(lián)度網(wǎng)絡矩陣，進行風險信息傳染分析及復雜網(wǎng)絡分析。

本研究的主要貢獻在于：第一，中國股市普遍具有顯著跳躍性，跳躍正向影響股價波動，跳躍具有集聚性和杠桿效應①趙華：《中國股市的跳躍性與杠桿效應——基于已實現(xiàn)極差方差的研究》，《金融研究》2012年第11期，第179—192頁。，具有時變性、集聚性和跨期依賴等特征，于是選用ARJI-GARCH模型，預測條件波動率；股票收益率跳躍強化了尖峰、厚尾和右偏的高階矩非高斯特征，不同于一些文獻依然使用正態(tài)分布分位數(shù)定義估算風險價值，本文調(diào)整了正態(tài)分布的偏度和峰度，再利用一般分布意義的風險價值估算式，因此本文不僅在統(tǒng)一框架中預測了跳躍波動和條件波動率，而且邏輯一致地計算了跳躍風險價值。第二，用修正跳躍風險價值，綜合測度極端事件和意外沖擊下的銀行風險，用基于VAR模型的廣義方差分析技術，測度風險溢出和風險吸收指數(shù)，構建系統(tǒng)性風險溢出矩陣，分析銀行極端風險關聯(lián)傳染效應，從而拓展了銀行風險傳染研究。

二、研究設計

（一） ARJI-GARCH模型及其估計

極端事件沖擊時，股價會普遍發(fā)生顯著異質(zhì)性跳躍，跳躍具有時變性、集聚性和跨期依賴等特征。與其他跳躍GARCH模型相比，ARJI-GARCH模型可以在較好擬合時序金融數(shù)據(jù)的同時，最為有效地擬合具有特征的股價跳躍。因此本文選用ARJI-GARCH模型識別估算連續(xù)波動和跳躍波動。

1.ARJI-GARCH模型設定

ARJI-GARCH(1,1)模型是在普通GARCH(1,1)模型的均值方程中增加跳躍項。根據(jù)樣本收益率特征，可設定均值方程為AR（2）：

其連續(xù)波動為：

跳躍波動為：

跳躍強度是時變的，具有集聚性，ARJI-GARCH模型設跳躍強度λt服從ARMA(1,1)過程：

2.ARJI-GARCH模型的參數(shù)估計方法

由全概率公式可得：

則對數(shù)似然函數(shù)為：

3.ARJI-GARCH模型的條件波動率預測及其有效性評價

ARJI-GARCH模型的條件波動率預測式為：

為比較評價GARCH模型、JUMP-GARCH模型和ARJI-GARCH模型的預測效果，利用2008—2018年的數(shù)據(jù)估計模型，然后利用所估計的模型對余下的數(shù)據(jù)點進行預測，計算預測誤差指標，評價模型預測功能。假設預測樣本期為t=T+1,…,T+h，計算預測誤差指標：

上述預測誤差指標值越小，模型預測效果越好。

（二） 參數(shù)調(diào)整與風險價值的估算及其有效性評價

1.分布偏度、峰度與風險價值的調(diào)整計算

已實現(xiàn)二階矩來源于連續(xù)波動和跳躍波動兩個部分，已實現(xiàn)偏度和已實現(xiàn)峰度只決定于跳躍部分。①王宜峰、范時昊、張曉磊：《已實現(xiàn)高階矩的風險傳染效應：基于馬爾科夫機制轉(zhuǎn)換的實證分析》，《系統(tǒng)管理學報》2019年第4期，第652—659頁。而跳躍GARCH模型都假設收益率跳躍幅度及其總跳躍幅度服從一般正態(tài)分布，但其實際分布并不是跳躍GARCH模型假設的正態(tài)分布，具有尖峰、厚尾與杠桿效應等非高斯特征，正態(tài)分布假設不能刻畫跳躍波動中的此類程式化現(xiàn)象②宮曉莉、熊熊、莊新田：《廣義雙指數(shù)分布的跳躍擴散模型下股指期貨波動研究》，《管理科學》2018年第3期，第149—159頁。，因此應用條件波動率預測值計算風險價值時，需要調(diào)整偏度系數(shù) 和峰度系數(shù)，調(diào)整計算式③Das S R,Sundaram R K.“Taming the Skew:Higher-Order Moments in Modeling Asset Price Processes in Finance”,Working paper,1997.為：

然后，把調(diào)整后的偏度系數(shù)和峰度系數(shù)代入一般分布意義下的VaR計算式④許啟發(fā)、張金秀、蔣翠俠：《基于支持向量分位數(shù)回歸多期VaR測度》，《系統(tǒng)工程學報》2014年第2期，第202—214頁。，可得修正的VaR計算公式：

其中，為置信水平 對應的標準正態(tài)分布分位數(shù)。

2.風險價值計算結果的有效性評價

依據(jù)GARCH模型、JUMP-GARCH模型和ARJI-GARCH模型的條件波動率預測值，計算出風險價值的結果，它們的有效性會有差異，采用Kupiec失敗頻率檢驗進行有效性評價。原假設:實際失敗率與設定的α相等，即N/T=α。

檢驗統(tǒng)計量為：

其中，N為實際收益率小于VaR的天數(shù)，即失敗天數(shù)；T為總的考察天數(shù)。

（三）銀行風險關聯(lián)傳染網(wǎng)絡的構建與分析方法

1.跳躍風險關聯(lián)傳染網(wǎng)絡的構建方法

股價信息關聯(lián)的常用測度方法主要有相關系數(shù)法、連接函數(shù)Copula法、格蘭杰因果關聯(lián)檢驗法和向量自回歸模型。相關系數(shù)法和連接函數(shù)Copula法能夠測度相關關聯(lián)程度及其顯著性，但無法測度關聯(lián)方向，無法構建有向含權網(wǎng)絡；格蘭杰因果關聯(lián)檢驗法能夠檢驗關聯(lián)的顯著性和方向，但無法測度出關聯(lián)程度，只能用于構建有向無權網(wǎng)絡。而向量自回歸模型屬于多方程交互模型，可以利用其廣義方差分解技術，系統(tǒng)估算出任意兩只股價收益率之間的不對稱雙向關聯(lián)程度和顯著性，由此可構建出有向含權關聯(lián)網(wǎng)絡及矩陣，便于做進一步的深化分析。因此本文對上市銀行跳躍風險價值構建向量自回歸（VAR）模型，測度風險關聯(lián)傳染程度，構建有向含權的跳躍風險關聯(lián)傳染網(wǎng)絡。

具有平穩(wěn)協(xié)方差的滯后期h的N個樣本變量VAR（h）模型為：

借助廣義方差分解技術，計算向前H步的機構之間的有向關聯(lián)系數(shù)：

建立有向含權關聯(lián)度矩陣，如表1所示：

表1 有向含權的系統(tǒng)性風險溢出關聯(lián)度矩陣

2.跳躍風險關聯(lián)的網(wǎng)絡分析與風險分析方法

（1）風險溢出傳染分析指標

定義銀行j系統(tǒng)性金融風險貢獻指數(shù)Cj為：

該指數(shù)表示當銀行j發(fā)生風險損失時，該風險將成比例地向系統(tǒng)中的其他銀行溢出。

（2）網(wǎng)絡總體特征分析指標

網(wǎng)絡關聯(lián)度反映了跳躍風險關聯(lián)網(wǎng)絡自身的穩(wěn)健性和脆弱性。網(wǎng)絡關聯(lián)度越高，說明某些銀行與較多的銀行關聯(lián)，這些銀行的穩(wěn)健關乎網(wǎng)絡安全，網(wǎng)絡脆弱性就高。計算式為：

其中：C為網(wǎng)絡關聯(lián)度；N為銀行數(shù)量；V為網(wǎng)絡中不可達的點對數(shù)。

網(wǎng)絡等級度H反映的是網(wǎng)絡中銀行之間非對稱的可達程度，以及網(wǎng)絡中各銀行的等級結構。網(wǎng)絡等級度越高則跳躍風險關聯(lián)網(wǎng)絡中銀行之間的等級層級越多，越多的銀行在跳躍風險關聯(lián)網(wǎng)絡中將處于從屬和邊緣地位。計算式為：

其中，K為表征網(wǎng)絡中對稱可達的點對數(shù)，最大可能對稱可達的點對數(shù)用max(K)來表示。

網(wǎng)絡密度是網(wǎng)絡中實際存在的邊數(shù)與可容納的邊數(shù)上限的比值。它反映跳躍風險關聯(lián)網(wǎng)絡的緊密程度。網(wǎng)絡密度越大，則銀行之間風險溢出關聯(lián)就越緊密，跳躍風險關聯(lián)的網(wǎng)絡結構對各銀行風險產(chǎn)生的傳染影響也越大。一個具有N個節(jié)點和L條連接邊的網(wǎng)絡，其網(wǎng)絡密度為：

網(wǎng)絡密度取值范圍為[0,1]。當網(wǎng)絡為全連通時，d(G)=1；當網(wǎng)絡中不存在連邊關系時，d(G)=0。

網(wǎng)絡效率反映了銀行間跳躍風險空間關聯(lián)網(wǎng)絡中各銀行之間的連接效率。計算式為：

若網(wǎng)絡效率越低，平均路徑長度越大，則說明銀行間關聯(lián)距離越大，銀行關聯(lián)路徑中存在較多的連線，兩個機構之間的風險傳染需要經(jīng)過較多的節(jié)點，銀行間跳躍風險關聯(lián)網(wǎng)絡就越穩(wěn)定。

（3）銀行的網(wǎng)絡中心性和網(wǎng)絡優(yōu)勢特征分析指標

有向含權網(wǎng)絡中，各節(jié)點的網(wǎng)絡中心性測度指標主要有出（入）度數(shù)中心度、出（入）接近中心度、中介中心度和出（入）特征向量中心度等，網(wǎng)絡優(yōu)勢地位用限制度反映，如表2所示。

表2 網(wǎng)絡中心性測度指標

（4）銀行角色群體的塊模型分析

塊模型是一種網(wǎng)絡節(jié)點角色歸類的方法。該方法先用CONCOR法及層次聚類方法對網(wǎng)絡節(jié)點進行分類，再比較該節(jié)點實際內(nèi)外關聯(lián)數(shù)量占比與所在群體的期望內(nèi)外關聯(lián)占比大小組合，把網(wǎng)絡節(jié)點歸類為凈受溢者、雙向溢出者、經(jīng)紀人和凈溢出者四種角色①王周偉、劉少偉、魏偉等：《中國地方政府債務風險關聯(lián)網(wǎng)絡的空間特征與影響因素》，《統(tǒng)計與信息論壇》2019年第12期，第22—31頁。。設群體Bk中有gk個行動者，在網(wǎng)絡節(jié)點總體中有g個行動者，歸類規(guī)則如表3所示，由此可得到風險傳染網(wǎng)絡角色劃分結果。

表3 風險溢出關聯(lián)角色分類

三、實證結果與分析

（一）樣本選擇及數(shù)據(jù)來源

樣本選取2008年之前上市的14家商業(yè)銀行，收集2008年1月1日至2019年12月31日期間這些銀行股票的收盤價，剔除非交易日期，共2 925條數(shù)據(jù)，數(shù)據(jù)均來自Wind數(shù)據(jù)庫。選取收盤價對數(shù)一階差分來計算每日的對數(shù)收益，得到各家銀行的對數(shù)收益率，并將其擴大100倍。

（二）樣本數(shù)據(jù)的描述性分析

表4給出了14家商業(yè)銀行對數(shù)收益率的基本統(tǒng)計特征。

表4 變量描述性統(tǒng)計

由表4可知，各家銀行的收益率均值位于0附近，反映了收益率以0為中心上下波動的特征，收益率的標準差均較大，說明其跳躍波動較為頻繁顯著。另外，樣本中的各上市銀行收益率的偏度都不為0，峰度也都大于3，J-B統(tǒng)計量均不接近0，說明所選取的14家上市銀行收益率都呈現(xiàn)出了典型的尖峰、厚尾特征。此外，從各上市銀行收益率的ADF檢驗來看，ADF的P值均接近0，即所選取的樣本中的收益率時間序列均是平穩(wěn)的，從而保證了模型建立的穩(wěn)健性。

（三）ARJI-GARCH模型的參數(shù)估計結果與有效性評價

14家上市銀行日對數(shù)收益率的自相關系數(shù)拖尾，偏自相關二階截尾，于是收益率連續(xù)均值方程選用AR（2）模型；ARCH LM檢驗顯示收益率殘差具有ARCH效應，需用GARCH模型，而殘差平方相關圖表明存在一階ARCH效應，建立GARCH（1,1）模型擬合。以一倍正負標準差為門限值觀察識別條件殘差跳躍，發(fā)現(xiàn)樣本期間，受2008年全球金融危機、2013年錢荒、2015年股災和2016年熔斷等極端金融事件和意外沖擊影響，收益率都有顯著的多次大幅跳躍，這些跳躍具有集聚性與不對稱性特征。因此經(jīng)過多次試算，選用AIC和SC值最小的ARMA（1,1）模型擬合跳躍強度變化，用ARJI-GARCH（1,1）模型擬合14家上市銀行的日對數(shù)收益率序列，估計模型參數(shù)，預測條件波動率。結果如表5所示。

表5 樣本銀行的ARJI-GARCH模型參數(shù)估計

由表5可知，所有樣本銀行收益率的跳躍幅度的均值和方差參數(shù)都是在1%顯著水平上顯著，而跳躍次數(shù)的跳躍強度，招商銀行收益率在10%顯著水平上顯著，寧波銀行收益率在5%顯著水平上顯著，其他所有銀行收益率跳躍次數(shù)的跳躍強度都在1%顯著水平上顯著，所有銀行收益率的一階自相關跳躍強度系數(shù)和一階移動平均項系數(shù)都在1%顯著水平上顯著，說明這些顯著跳躍都具有集聚性。說明選用ARJI-GARCH（1,1）擬合是比較合適的。

利用式（13）、（14）和（15），匯總計算樣本銀行條件波動率預測偏差，結果見表6。

表6 模型預測效果比較

由表6可知，ARJI-GARCH（1,1）模型的三個預測偏差指標值都是最小，說明其預測效果更好。宏觀審慎監(jiān)管需要較準確高效的風險監(jiān)測，于是選用ARJI-GARCH模型預測包含連續(xù)波動和跳躍波動的條件波動率。

（四）基于ARJI-GARCH模型的VaR估算結果與有效性評價

利用式（12）預測銀行條件波動率，根據(jù)公式（16）、（17）計算得到修正的偏度系數(shù)St和峰度系數(shù)kt，代入修正后的VaR測度公式（18），取τ=0.05，計算得到樣本銀行風險價值。其描述統(tǒng)計結果如表7所示。

表7 銀行風險價值的描述性統(tǒng)計

銀行風險價值VaR的絕對值越大，表示面對風險沖擊時該銀行自身的風險越高，從表7可以看出，國有制銀行的風險價值VaR絕對值及其標準差普遍最小，較其他銀行更為穩(wěn)健安全些。而股份制銀行表現(xiàn)不一，中信銀行和民生銀行風險較小，但中信銀行風險價值波動較大；平安銀行風險為第二大，但風險變化不大，而浦發(fā)銀行風險最大，且其風險波動也是最大。

Kupiec失敗比率檢驗結果表明，利用ARJI-GARCH模型預測的條件波動率和修正的偏度和峰度計算的修正風險價值的失敗比率最接近理論失敗次數(shù)，在1%的顯著水平下是顯著的。

（五）銀行間風險傳染的網(wǎng)絡構建結果與分析

1.銀行風險傳染的權重矩陣構建結果與分析

由表7中樣本銀行風險價值序列的ADF單位根檢驗結果可知，14個銀行的風險價值序列均是平穩(wěn)的，從而保證了模型建立的穩(wěn)健性。按照模型AIC和SC值最小化準則，確定滯后階數(shù)H=4，估計參數(shù)構建VAR（4）模型。再根據(jù)式（22）做廣義方差分解分析得到關聯(lián)度，得到銀行跳躍風險傳染的權重矩陣，計算每家銀行的風險吸收效應、風險溢出效應、系統(tǒng)風險暴露、系統(tǒng)風險貢獻及風險凈溢出效應，及全部樣本銀行的總風險溢出。結果如表8所示。

由表8可知，第一，跳躍風險溢出效應結果表明，全樣本銀行間總風險溢出指數(shù)高達30.2%，這表明中國上市銀行之間的風險溢出傳染效應顯著。就銀行跳躍風險溢出效應和溢出效應而言，銀行跳躍風險溢出效應差異不大，招商銀行跳躍風險溢出效應第二大，跳躍風險吸收效應最小，其風險凈溢出效應最大，系統(tǒng)重要性最強；交通銀行跳躍風險溢出效應最大，跳躍風險吸收效應較小，其風險凈溢出效應第二，系統(tǒng)重要性很強。第二，跳躍風險吸收效應結果表明，銀行跳躍風險吸收效應差異較大，極差為46.5；建設銀行、中國銀行和工商銀行三家國有銀行風險吸收效應較大，建設銀行的跳躍風險吸收效應最大，中國銀行、華夏銀行和南京銀行的跳躍風險吸收效應為第二梯隊，這些銀行最容易遭受關聯(lián)銀行跳躍風險傳染沖擊，較為脆弱。第三，從反映風險傳染擴散能力的系統(tǒng)風險貢獻來看，平安銀行和浦發(fā)銀行的系統(tǒng)風險貢獻最大，其次是交通銀行、華夏銀行、招商銀行、興業(yè)銀行和北京銀行。從反映跳躍風險吸收的系統(tǒng)風險暴露來看，建設銀行、華夏銀行和南京銀行的系統(tǒng)風險暴露較高，位于前三。

表8 銀行跳躍風險傳染的權重矩陣 單位：%

三種所有制銀行的五個風險傳染指標的平均值，如表9所示。

表9 分所有制的平均風險指數(shù)

由表9可知，三類銀行的平均風險溢出效應相近，而風險吸收效應差異較大，國有制銀行最大，城市商業(yè)銀行次之，股份制銀行最??；與二者對應，股份制銀行的風險凈溢出效應最大，國有制銀行和城市商業(yè)銀行主要是吸收效應。從風險貢獻指數(shù)來看，股份制銀行、城市商業(yè)銀行顯著大于國有制銀行；從系統(tǒng)風險暴露指數(shù)來看，各銀行類型的系統(tǒng)風險暴露指數(shù)差異不是很大。這說明我國國有制銀行資產(chǎn)規(guī)模較大，但業(yè)務經(jīng)營合規(guī)保守，信息披露充分，外部沖擊免疫力較強，不會對其他關聯(lián)銀行發(fā)生關聯(lián)傳染，分散吸收系統(tǒng)性風險較多；相反，股份制銀行經(jīng)營相對激進，金融業(yè)務創(chuàng)新比重較大、復雜性強，風險承擔較多，內(nèi)外信息不對稱程度較高，風險沖擊緩釋能力較弱，容易依信息關聯(lián)路徑傳染風險，風險吸收能力也較弱。這一結論與胡利琴等人的結論①胡利琴、胡蝶、彭紅楓：《機構關聯(lián)、網(wǎng)絡結構與銀行業(yè)系統(tǒng)性風險傳染——基于VAR-NETWORK模型的實證分析》，《國際金融研究》2018年第6期，第53—64頁?；疽恢?。

2.鄰接矩陣構建與銀行風險傳染網(wǎng)絡圖繪制結果及分析

選取銀行風險傳染的權重矩陣中除對角線外關聯(lián)系數(shù)的平均數(shù)作為閾值水平（η=2.159），銀行間關聯(lián)度大于閾值，則元素取值為1，否則取值為0，將上市銀行風險傳染的權重矩陣X=(SHi←j)n×n轉(zhuǎn)化為二值鄰接矩陣Y=(Yij)n×n。

把權重矩陣和鄰接矩陣對應元素相乘，得到有向含權網(wǎng)絡矩陣，繪制銀行間風險關聯(lián)傳導的有向含權網(wǎng)絡圖，見圖1。可以看出，我國上市銀行風險傳染呈現(xiàn)出明顯的空間網(wǎng)絡特征，無孤立孤島節(jié)點。

圖1 上市銀行間風險傳導的空間關聯(lián)網(wǎng)絡圖

3.上市銀行間風險傳染網(wǎng)絡的總體特征與風險分析

從網(wǎng)絡總體關聯(lián)描述計算結果看，網(wǎng)絡關聯(lián)數(shù)為99，該網(wǎng)絡的節(jié)點數(shù)為14個，平均關聯(lián)數(shù)7.07，即平均每家上市銀行與7家銀行之間有顯著的風險傳染關系；整體網(wǎng)絡關聯(lián)度為1，即每家銀行都可以直接或者間接通過相關銀行與其他銀行有風險傳染關系，說明我國金融風險在上市銀行間的傳導具有明顯的空間關聯(lián)和溢出效應；網(wǎng)絡等級為0.631 6，說明我國上市銀行金融風險間的傳導存在明顯的等級結構。網(wǎng)絡效率(為0.192 3)較低，則說明銀行之間存在更多的連線，銀行之間風險的聯(lián)系更加緊密，也越容易通過銀行間跳躍風險空間關聯(lián)網(wǎng)絡傳染風險。網(wǎng)絡密度（即聚類系數(shù)為0.544）較大，銀行之間跳躍風險溢出比較緊密，單一銀行爆發(fā)的極端跳躍風險極易通過整體網(wǎng)絡溢向其他銀行。網(wǎng)絡平均路徑長度為1.048，說明每家銀行通過1到2家相關銀行就會與其他銀行關聯(lián)傳染風險，整體網(wǎng)絡連接較為緊密，說明銀行跳躍風險關聯(lián)網(wǎng)絡具有“小世界網(wǎng)絡”特征①小世界網(wǎng)絡模型是一類具有較小的平均路徑長度又具有較高的聚類系數(shù)的網(wǎng)絡的總稱。，該網(wǎng)絡中銀行跳躍風險傳染速度很快，風險擴（散）增（幅）加速機制作用較強，網(wǎng)絡穩(wěn)健性較弱。

4.風險傳染網(wǎng)絡中銀行的中心性與地位優(yōu)勢分析

依據(jù)表2計算跳躍風險傳染網(wǎng)絡中的銀行中心性指標，如表10所示。

表10 銀行重大風險網(wǎng)絡中心度指標

由表10可知，浦發(fā)銀行、興業(yè)銀行、中信銀行和南京銀行的出度中心度最大，說明這些銀行的溢出傳染效應范圍最廣。各銀行的入度中心度差異不大，說明這些銀行接受風險傳染的范圍基本相當。城市商業(yè)銀行、股份制銀行的出接近中心度較大，說明這些銀行最接近溢出網(wǎng)絡中心及各節(jié)點，最容易發(fā)出網(wǎng)絡最廣泛的最強傳染。國有制銀行、部分股份制銀行的入接近中心度較大，說明這些銀行最接近受傳染網(wǎng)絡中心，最容易受到網(wǎng)絡最強傳染。浦發(fā)銀行、興業(yè)銀行、中信銀行和南京銀行的中介中心度最大，說明這些銀行是網(wǎng)絡中最強的傳染中介。從特征向量中心度看，沒有呈現(xiàn)出明顯的銀行類型差異，浦發(fā)銀行、興業(yè)銀行、中信銀行和南京銀行的出特征向量中心度最大，最容易發(fā)出網(wǎng)絡最廣泛的最強傳染；交通銀行、工商銀行和寧波銀行為第二梯隊，中國銀行、建設銀行、平安銀行、民生銀行、招商銀行和北京銀行的出特征向量中心度為0，說明這些銀行的綜合溢出傳染關聯(lián)數(shù)為0，反過來，這些銀行的入特征向量中心度較高，說明其綜合吸收傳染效應較大。該網(wǎng)絡中銀行的出度中心度、出接近中心度和出特征向量中心度指標之間差異較大，節(jié)點度數(shù)分布呈現(xiàn)嚴重不均勻分布，基本符合冪律分布和zipf定律，說明該網(wǎng)絡溢出關聯(lián)具有“無標度”特征，容錯性和穩(wěn)健性較強，但如遇到針對風險凈溢出效應較強和系統(tǒng)風險貢獻較大的銀行的選擇性攻擊，網(wǎng)絡脆弱性很大。

總體網(wǎng)絡結構洞可以很好地比較銀行間的網(wǎng)絡優(yōu)勢地位，結構洞計算結果顯示，華夏銀行和寧波銀行的等級度最高，其運用風險網(wǎng)絡結構洞的能力最強，而大多數(shù)銀行的等級度都較高，表明這些銀行的網(wǎng)絡傳染中介作用都較強。

5.風險傳染網(wǎng)絡中的銀行角色塊模型分析結果

利用CONCOR算法，設最大分割深度為2，收斂標準為0.2，分析銀行網(wǎng)絡角色。銀行角色甄別結果如表11所示。

表11 各風險溢出角色之間的溢出關聯(lián)分析

由表11可知，銀行跳躍風險關聯(lián)網(wǎng)絡總共有99個顯著關聯(lián)關系，其中三個群體內(nèi)部關聯(lián)數(shù)為23，群體之間的關系數(shù)為76，表明群體之間存在明顯的跳躍風險關聯(lián)溢出效應。銀行角色可以劃分為凈吸收者、雙向溢出者和凈溢出者三類角色；凈吸收者包括中國銀行、建設銀行、北京銀行、平安銀行、招商銀行和民生銀行，該板塊的實際內(nèi)部關聯(lián)比例小于預期內(nèi)部關聯(lián)比例，而接收關聯(lián)數(shù)高于發(fā)出關聯(lián)數(shù)，該群體最容易受到風險信息傳染沖擊，系統(tǒng)脆弱性較大；雙向溢出者包括興業(yè)銀行、中信銀行、南京銀行、浦發(fā)銀行和寧波銀行，該板塊的實際內(nèi)部關聯(lián)比例高于其預期內(nèi)部關聯(lián)比例，且發(fā)出關聯(lián)數(shù)與接收關聯(lián)數(shù)均較高，風險傳遞幅度較高，傳染中介作用突出；凈溢出者包括工商銀行、交通銀行和華夏銀行，該板塊的實際內(nèi)部關聯(lián)比例低于預期內(nèi)部關聯(lián)比例，但是發(fā)出關聯(lián)數(shù)很高且接收關聯(lián)數(shù)較少，屬于風險擴散主發(fā)源地，系統(tǒng)重要性較高。

密度像矩陣分析結果顯示，跳躍風險溢出網(wǎng)絡的密度值為0.544，凈吸收者的吸收效應體現(xiàn)在各個板塊，雙向溢出者的溢出與吸收效應主要體現(xiàn)在板塊內(nèi)部以及與凈溢出者的關聯(lián)，凈溢出者的溢出效應作用于凈吸收者和雙向溢出者。

四、研究結論及啟示

股價顯著跳躍是普遍的，具有時變性、集聚性和杠桿效應等特征，跳躍又顯著正向影響股價波動，進一步強化了股票收益率的“尖峰厚尾右偏”等非高斯分布特征，于是，本文選用ARJI-GARCH模型，在一個框架中聯(lián)合實現(xiàn)跳躍擬合及條件波動率預測，隨后修正偏度和峰度，利用一般分析下的風險價值計算式，估算了修正的風險價值，測度銀行跳躍風險；隨后利用基于VAR模型的廣義方差分解技術，構建銀行跳躍風險關聯(lián)度矩陣，計算分析了銀行風險溢出與吸收指數(shù)及系統(tǒng)性金融風險溢出貢獻與風險暴露指數(shù)，并做了復雜網(wǎng)絡分析。

研究結論與啟示歸納起來，有以下幾點：

第一，ARJI-GARCH（1,1）模型擬合銀行股價條件波動相對更具優(yōu)勢；Kupiec失敗比率檢驗結果表明，計算修正風險價值有效準確程度顯著較高。這說明外部沖擊會給金融市場帶來顯著重大的跳躍風險，需要我們動態(tài)一致地做好宏觀政策調(diào)控與金融審慎管理，增強可預見性，創(chuàng)造良好的金融穩(wěn)定環(huán)境，減少并抑制外部沖擊，同時有效引導信息、政策、信念與交流，協(xié)調(diào)穩(wěn)定市場預期。

第二，僅就銀行跳躍風險關聯(lián)傳染而言，建設銀行的風險吸收效應最大，其風險凈溢出效應也最小，而交通銀行風險溢出最大，系統(tǒng)重要性強，風險吸收最小，其風險凈溢出效應第二。招商銀行的系統(tǒng)重要性較強，華夏銀行和南京銀行比較脆弱。從風險傳染擴散能力和接受能力看，平安銀行和浦發(fā)銀行的系統(tǒng)風險貢獻最大，建設銀行、華夏銀行和南京銀行的系統(tǒng)風險暴露較高，位于前三。銀行風險傳染有溢出和吸收之分，立足微觀個體防控系統(tǒng)性風險，就要“強身健體”，樹立主動合規(guī)、審慎穩(wěn)健經(jīng)營的風險文化，深入推進金融供給側改革，改善金融供給的質(zhì)量和效率，有序釋放存量金融風險，夯實資本實力，增強風險緩釋和抵御能力，減少風險溢出傳染。

第三，綜合考慮出入度數(shù)及關聯(lián)銀行重要性三維信息，浦發(fā)銀行、興業(yè)銀行、中信銀行、南京銀行的出特征向量中心度最大，最容易發(fā)出網(wǎng)絡最廣泛最強傳染。華夏銀行、寧波銀行的等級度最高，運用風險網(wǎng)絡結構洞的能力最強。工商銀行、交通銀行和華夏銀行為風險主要溢出者，為系統(tǒng)重要性銀行。雙向溢出者角色有興業(yè)銀行、中信銀行、南京銀行、浦發(fā)銀行和寧波銀行五家銀行，受到外部傳染的同時也扮演著溢出的角色，在風險溢出關聯(lián)中起到了“中介”的作用。凈受溢者有中國銀行、建設銀行、北京銀行、平安銀行、招商銀行和民生銀行，系統(tǒng)脆弱性較大。銀行角色不同，其在系統(tǒng)性金融風險形成演化中的作用不同，守住底線就要按照銀行角色實施分類治理。風險溢出者銀行是銀行業(yè)系統(tǒng)性金融風險的源頭所在，應當參照系統(tǒng)重要性銀行的附加監(jiān)管要求，實施附加資本要求、附加杠桿率要求、TLAC總損失吸收能力要求及特別處置機制等，對于具有系統(tǒng)重要性的風險溢出者銀行，還可以附加額外監(jiān)管，如流動性管理、大額風險暴露、業(yè)務許可等。風險凈受溢者銀行是銀行業(yè)系統(tǒng)中最為脆弱的機構所在，應當全面加強微觀審慎監(jiān)管，促使這類銀行強化風險治理，拓展資本補充渠道，創(chuàng)新資本工具和非資本債務工具，提升外部風險總損失吸收能力，實施銀行總損失的緩釋和吸收能力監(jiān)管。