金融風(fēng)險跨市場傳染的驅(qū)動機(jī)制研究

王優(yōu)銳 廖越馨

摘? ?要：本文基于廣義預(yù)測誤差方差分解測算我國7個金融市場的風(fēng)險溢出系數(shù)，進(jìn)一步構(gòu)建大型貝葉斯向量自回歸模型，探析影子銀行發(fā)展對我國金融風(fēng)險跨市場溢出的影響。結(jié)論表明：第一，影子銀行強(qiáng)化了我國金融風(fēng)險跨市場溢出水平，匯率、貨幣、黃金、大宗商品市場的風(fēng)險凈溢出有所增強(qiáng)，股票、債券、房地產(chǎn)市場的風(fēng)險凈溢入有所增強(qiáng)。第二，債券市場在所有市場中承壓最大，特別是貨幣市場向債券市場的風(fēng)險凈溢出效應(yīng)最強(qiáng)。第三，進(jìn)一步的格蘭杰因果檢驗發(fā)現(xiàn)，影子銀行打破了貨幣市場資金流向債券市場的政策約束，推升債券市場杠桿，這是影子銀行驅(qū)動貨幣市場風(fēng)險向債券市場溢出的根本原因。

關(guān)鍵詞：影子銀行；風(fēng)險跨市場溢出；貝葉斯估計；向量自回歸模型

中圖分類號：F830? 文獻(xiàn)標(biāo)識碼：A? 文章編號：1674-2265（2024）04-0022-10

DOI：10.19647/j.cnki.37-1462/f.2024.04.003

一、引言

傳染性是系統(tǒng)性金融風(fēng)險的核心概念，一個金融市場受到嚴(yán)重?fù)p失后，會通過市場之間的關(guān)聯(lián)迅速波及與之相關(guān)的市場，并最終對整個金融系統(tǒng)造成嚴(yán)重沖擊（楊子暉等，2020）[1]。在2008年國際金融危機(jī)后的新監(jiān)管框架中，抑制金融風(fēng)險的跨市場傳染成為核心內(nèi)容之一。新常態(tài)以來，我國不同金融市場疊加共振的頻率和幅度均有所上升，相關(guān)政策部門開始關(guān)注金融風(fēng)險跨市場傳染的危害，并將抑制金融風(fēng)險跨市場傳染作為政策的重要著力點。中國人民銀行原行長易綱在博鰲亞洲論壇2018年年會“貨幣政策的正?；狈终搲懻撋咸岢?，要特別關(guān)注跨市場、跨產(chǎn)品、跨機(jī)構(gòu)的風(fēng)險傳染?！吨袊鹑诜€(wěn)定報告（2019）》中明確指出，金融市場之間風(fēng)險交叉?zhèn)魅镜目赡苄约哟笫墙鹑诜€(wěn)定的重要威脅。2020年證監(jiān)會原主席易會滿在第十二屆陸家嘴論壇上表示，金融風(fēng)險跨市場、跨行業(yè)、跨領(lǐng)域交叉?zhèn)魅境蔀楫?dāng)前重要的風(fēng)險挑戰(zhàn)。

金融風(fēng)險跨市場傳染的強(qiáng)度與金融體系的制度安排密切相關(guān)。從我國近十余年的金融發(fā)展實踐看，影子銀行無疑是推升金融系統(tǒng)關(guān)聯(lián)性的重要因素。影子銀行投資模式多樣，交易結(jié)構(gòu)復(fù)雜，涉及多個主體，聯(lián)結(jié)多個市場，這些特征雖然一定程度上推動了利率市場化，但也加劇了風(fēng)險的跨市場傳染，威脅金融穩(wěn)定。深入研究影子銀行對金融風(fēng)險傳染的影響，從結(jié)構(gòu)性視角辨析影子銀行對不同金融市場和不同風(fēng)險傳染路徑的異質(zhì)性作用，對當(dāng)前防范化解重大風(fēng)險具有十分重要的現(xiàn)實意義。

影子銀行對風(fēng)險傳染的影響受到學(xué)術(shù)界的廣泛關(guān)注。當(dāng)前關(guān)于影子銀行與金融風(fēng)險傳染的研究有兩個不同的分支方向。一是風(fēng)險測度。學(xué)者們嘗試測算影子銀行作為風(fēng)險源頭對其他市場的影響，采用網(wǎng)絡(luò)分析等方法，將影子銀行視為一個單獨市場，分析影子銀行與其他市場的風(fēng)險關(guān)聯(lián)網(wǎng)絡(luò)特征（方先明等，2017；張冰潔等，2021）[2，3]。但是，這些研究缺乏對影子銀行的宏觀風(fēng)險效應(yīng)的分析，同時也未能很好地解答影子銀行加劇風(fēng)險傳染的原因和機(jī)制。二是風(fēng)險解釋。學(xué)者們通過構(gòu)建宏觀經(jīng)濟(jì)變量向量自回歸模型或者回歸模型，分析影子銀行放大金融風(fēng)險的機(jī)制（劉超和馬玉潔，2014；李文喆，2020）[4，5]，這一研究范式重點關(guān)注影子銀行的宏觀風(fēng)險效應(yīng)，給出了影子銀行放大金融風(fēng)險的機(jī)制解釋，但是對于風(fēng)險傳染的微觀特征缺乏深入探討。本文嘗試融合上述兩類研究方法，先構(gòu)建一個包含股票、債券、貨幣等7個市場的有向加權(quán)風(fēng)險溢出網(wǎng)絡(luò)，分析我國金融風(fēng)險跨市場溢出的特點，然后構(gòu)建一個大型貝葉斯向量自回歸模型，研究影子銀行對不同金融市場和風(fēng)險傳染路徑的異質(zhì)性影響。本文的主要貢獻(xiàn)是，將影子銀行視為風(fēng)險跨市場傳染的驅(qū)動機(jī)制而非一個獨立的金融市場，重點分析影子銀行是否以及如何影響金融風(fēng)險的跨市場傳染，實現(xiàn)了風(fēng)險測度和風(fēng)險解釋的有機(jī)融合。

二、文獻(xiàn)綜述

跨市場傳染是金融風(fēng)險的主要表現(xiàn)形式，復(fù)雜網(wǎng)絡(luò)分析是構(gòu)建跨市場風(fēng)險傳染網(wǎng)絡(luò)的重要工具。研究范式主要有以下三類：一是基于GARCH模型測算風(fēng)險的跨市場傳染。如Kanas（2000）[6]基于EGARCH模型研究6個發(fā)達(dá)國家股市和匯市的波動率溢出效應(yīng)，發(fā)現(xiàn)存在股市向匯市的單向波動率溢出。Caporale等（2002）[7]采用BEKK-GARCH模型分析亞洲四國的股市和匯市聯(lián)動關(guān)系。李成等（2010）[8]采用VAR-GARCH-BEKK模型研究了我國股票、債券、外匯及貨幣市場，發(fā)現(xiàn)上述市場具有很強(qiáng)的波動集聚性和持續(xù)性。二是基于格蘭杰因果檢驗構(gòu)建風(fēng)險傳染復(fù)雜網(wǎng)絡(luò)并展開分析。Billio等（2012）[9]通過雙變量格蘭杰因果檢驗構(gòu)建了美國銀行、保險、對沖基金等部門的收益率溢出網(wǎng)絡(luò)，發(fā)現(xiàn)收益率溢出指標(biāo)能夠預(yù)警金融風(fēng)險。Brunetti等（2019）[10]基于歐洲上市銀行數(shù)據(jù)構(gòu)建國際金融危機(jī)前后的銀行間市場收益率關(guān)聯(lián)網(wǎng)絡(luò)，發(fā)現(xiàn)危機(jī)期間收益率網(wǎng)絡(luò)的聯(lián)動性顯著增強(qiáng)。楊子暉等（2020）[1]基于非線性的格蘭杰因果檢驗構(gòu)建全球19個國家股票市場和外匯市場的風(fēng)險傳染關(guān)系發(fā)現(xiàn)，股票市場是風(fēng)險的主要輸出方，外匯市場則是風(fēng)險的主要接收者。三是基于方差分解構(gòu)建不同金融市場的風(fēng)險傳染網(wǎng)絡(luò)并進(jìn)行分析。Diebold和Yilmaz（2012）[11]基于方差分解方法，構(gòu)建美國股票、債券、外匯和商品市場的波動率溢出網(wǎng)絡(luò)，發(fā)現(xiàn)上述四個市場中有12%的波動是由跨市場傳染造成的。此后，大量學(xué)者基于這一方法進(jìn)行了深化研究。如Liow等（2018）[12]構(gòu)建了一個7個國家4類金融市場的波動率溢出網(wǎng)絡(luò)，研究發(fā)現(xiàn)全球金融市場波動的71.8%來源于不同國家和資產(chǎn)的溢出效應(yīng)。Reboredo和Ugolini（2015）[13]研究美國綠色債券市場與國債、公司債、股票、貨幣、能源市場之間的收益率溢出關(guān)系，發(fā)現(xiàn)綠色債券會受到國債和貨幣市場的影響，但反向溢出效應(yīng)不強(qiáng)。傅強(qiáng)和張穎（2015）[14]基于方差分解方法研究了我國銀行、保險、房地產(chǎn)、證券等板塊的風(fēng)險溢出效應(yīng)。劉超等（2017）[15]采用GARCH模型測算貨幣、資本、商品、外匯、黃金、房地產(chǎn)市場的條件方差，并基于方差分解方法研究了不同市場的風(fēng)險溢出狀況。宮曉莉和熊熊（2020）[16]基于TVP-VAR模型的方差分解研究了我國6類金融市場之間的特質(zhì)性波動溢出效應(yīng)。

近年來影子銀行迅速發(fā)展，影子銀行對我國金融穩(wěn)定的影響成為受到廣泛關(guān)注的話題。學(xué)術(shù)界對這一問題的研究主要沿兩個方向展開：一是從微觀機(jī)制出發(fā)分析影子銀行對金融穩(wěn)定的影響。Tang和Wang（2016）[17]將銀行費用和傭金收入作為影子銀行業(yè)務(wù)的代理變量，研究發(fā)現(xiàn)銀行通過影子銀行業(yè)務(wù)規(guī)避監(jiān)管能改善盈利水平，但他們同時認(rèn)為影子銀行擾亂了信貸體系，給監(jiān)管制度帶來挑戰(zhàn)。Acharya等（2020）[18]研究發(fā)現(xiàn)資管產(chǎn)品的發(fā)展給發(fā)行銀行帶來較大風(fēng)險，造成資管產(chǎn)品收益率上升，銀行間市場借貸利率上升，影響了發(fā)行銀行在股票市場的表現(xiàn)。二是從宏觀視角出發(fā)，通過對經(jīng)濟(jì)金融變量構(gòu)建宏觀模型，分析影子銀行的影響。如李向前等（2013）[19]將信托貸款和委托貸款作為影子銀行的測度指標(biāo)，構(gòu)建了一個金融穩(wěn)定指數(shù)，通過向量自回歸模型的脈沖響應(yīng)分析發(fā)現(xiàn)影子銀行導(dǎo)致我國金融穩(wěn)定性降低。劉超和馬玉潔（2014）[4]構(gòu)建了一個包括影子銀行、存貸款余額、同業(yè)拆借利率的向量自回歸模型，研究發(fā)現(xiàn)影子銀行對金融穩(wěn)定產(chǎn)生了負(fù)向沖擊。方先明等（2017）[2]利用宏觀層面和金融機(jī)構(gòu)層面的指標(biāo)構(gòu)建金融穩(wěn)定指數(shù)，并基于TVP-VAR模型研究影子銀行對金融穩(wěn)定的影響，發(fā)現(xiàn)影子銀行規(guī)模擴(kuò)張短期內(nèi)有助于促進(jìn)金融穩(wěn)定，但長期會對金融穩(wěn)定造成不利影響。馬德功等（2019）[20]發(fā)現(xiàn)，商業(yè)銀行作為影子銀行體系最主要的資金供給方，與影子銀行的資產(chǎn)負(fù)債關(guān)聯(lián)越高，受到的風(fēng)險傳染越強(qiáng)。李文喆（2020）[5]運用影子銀行、經(jīng)濟(jì)增長、房價等變量構(gòu)建結(jié)構(gòu)向量自回歸模型，研究發(fā)現(xiàn)影子銀行主要通過房地產(chǎn)價格影響金融穩(wěn)定。張冰潔等（2021）[3]發(fā)現(xiàn)，短期內(nèi)影子銀行的風(fēng)險會通過匯率向?qū)嶓w經(jīng)濟(jì)傳遞，而長期內(nèi)則會通過資產(chǎn)價格渠道傳染到債券市場。

三、金融風(fēng)險跨市場溢出測度

（一）有向加權(quán)風(fēng)險溢出網(wǎng)絡(luò)的構(gòu)建方法

本文參考Diebold和Yilmaz（2012）[11]提出的方法，通過構(gòu)建向量自回歸模型并進(jìn)行廣義預(yù)測誤差方差分解來獲得不同市場之間收益率溢出的有向加權(quán)網(wǎng)絡(luò)。與基于格蘭杰因果檢驗構(gòu)建的網(wǎng)絡(luò)相比，有向加權(quán)網(wǎng)絡(luò)能夠同時識別出節(jié)點風(fēng)險溢出的方向和強(qiáng)度，目前在金融風(fēng)險傳染領(lǐng)域應(yīng)用廣泛?；谟邢蚣訖?quán)溢出網(wǎng)絡(luò)，可以計算總體和結(jié)構(gòu)性溢出系數(shù)，用于測度金融風(fēng)險水平（Liow等，2017；Tsai，2017）[12，21]。

先構(gòu)建一個N變量VAP（p）模型：

[xt=i=1pΦixt-1+εt]? ?（1）

其中，[xt]是各市場的收益率指標(biāo)，[εt]是服從獨立同分布的隨機(jī)誤差項，[εt～N（0，Σ）]。上式可以重新表述為移動平均形式：

[xt=i=0∞Aiεt]? ? （2）

其中，[Ai]是一個[N×N]的矩陣，服從如下遞歸過程：[Ai=Θ1Ai-1+Θ2Ai-2+…+ΘpAi-p]，對于[i<0]，有[Ai=0]。通過對上式進(jìn)行廣義預(yù)測誤差方差分解可以獲得金融市場之間的風(fēng)險溢出效應(yīng)。[xi]對[xj]的未來Z期的廣義預(yù)測誤差方差可以表述為如下形式：

[?gijZ=σ-1jjz=0Z-1e'iAzej2z=0Z-1e'iAzA'zej]? ? ?（3）

其中，[Σ]是[εt]的方差協(xié)方差矩陣，[σjj]是[Σ]對角線上第[j]個元素，[ei]是第[i]個元素為1，其余元素為0的N維列向量。在廣義預(yù)測誤差方差分解中，每一行的和并不一定為1，因此，Diebold和Yilmaz（2012）[11]對方差分解結(jié)果進(jìn)行標(biāo)準(zhǔn)化處理，公式如下：

[?gijZ=?gijZj=1N?gijZ]? ? （4）

在上式基礎(chǔ)上，可以計算由多個市場組成的整個金融系統(tǒng)的總體關(guān)聯(lián)度，將其稱為風(fēng)險總溢出系數(shù)，公式為：

[SgZ=i，j=1i≠jN?gijZi，j=1N?gijZ×100]? ? （5）

在整個金融系統(tǒng)中，其他所有市場對市場[i]的風(fēng)險溢出可以表示為如下公式：

[Sgi?Z=i=1i≠jN?gijZi，j=1N?gijZ×100]? ?（6）

市場[i]對其他所有市場的風(fēng)險溢出可以表示為如下公式：

[Sg?iZ=j=1i≠jN?gijZi，j=1N?gijZ×100]? ? （7）

市場[i]的風(fēng)險凈溢出可以表示為市場[i]向其他市場的風(fēng)險溢出與其他市場向市場[i]的風(fēng)險溢出的差，將其稱為市場[i]的風(fēng)險凈溢出系數(shù)，其公式為：

[SgiZ=Sg?iZ-Sgi?Z]? ? （8）

根據(jù)上述原理，市場[i]對市場[j]的風(fēng)險凈溢出可以表示為如下公式，將其稱為市場[i]對市場[j]的風(fēng)險凈溢出系數(shù)：

[SgijZ=?gjiZi，k=1N?gikZ-?gijZj，k=1N?gjkZ]? ? ?（9）

（二）變量選擇和數(shù)據(jù)來源

參考宮曉莉和熊熊（2020）[16]的研究，本文構(gòu)建我國股票、債券、外匯、黃金、房地產(chǎn)、貨幣、大宗商品7個市場的收益率溢出網(wǎng)絡(luò)。樣本區(qū)間為2006年1月1日—2020年12月31日，涵蓋了2008年國際金融危機(jī)、歐洲主權(quán)債務(wù)危機(jī)、2013年我國銀行間市場“錢荒”、2015年我國“股災(zāi)”、2016年我國“債災(zāi)”和2020年新冠疫情等重要風(fēng)險事件。本文選取的7個市場的相關(guān)指標(biāo)見表1，數(shù)據(jù)均來源于萬得數(shù)據(jù)庫。對各指標(biāo)進(jìn)行以下處理：首先，由于上述7個市場的交易日并不完全一致，為了保證時間上的一致性，參考既有研究中的數(shù)據(jù)采集方法，采用共同交易窗口來處理數(shù)據(jù)，刪除各市場交易時點不匹配的數(shù)據(jù)，保留公共交易時點下的數(shù)據(jù)，共得到3646個觀測樣本。其次，按照公式[Rt=logpt/pt-1×100%]，將除貨幣市場利率以外的其他6個指標(biāo)轉(zhuǎn)換為收益率數(shù)據(jù)。最后，對上述7個指標(biāo)進(jìn)行ADF單位根檢驗，結(jié)果顯示在1%的顯著性水平上所有變量均為I（0）過程，可以用于建立向量自回歸模型。

關(guān)于影子銀行的規(guī)模，既有文獻(xiàn)采用多種方法進(jìn)行過測算，如Chang等（2016）[22]以委托貸款、信托貸款、未貼現(xiàn)銀行承兌匯票為基礎(chǔ)測算了我國影子銀行的季度數(shù)據(jù)并定期對外發(fā)布，本文采用他們測算的數(shù)據(jù)①。

根據(jù)AIC準(zhǔn)則，確定VAR模型的最優(yōu)滯后期為1期。參照Diebold 和Yilmaz（2012）[11]，使用廣義向量自回歸的第10步預(yù)測計算風(fēng)險溢出網(wǎng)絡(luò)。通過步長為1個交易日、窗口為240個交易日②的滾動估計，獲得時變的風(fēng)險總溢出系數(shù)、不同金融市場的風(fēng)險凈溢出系數(shù)、金融市場兩兩之間的風(fēng)險凈溢出系數(shù)。

（三）金融市場風(fēng)險總溢出系數(shù)的時變特征及驅(qū)動因素

圖1給出了金融市場風(fēng)險總溢出系數(shù)的時變特征，我們在圖中標(biāo)識出近年來的重大風(fēng)險事件以檢驗本文構(gòu)建指數(shù)的科學(xué)性。由于滾動樣本時間窗口為一年，因此，特定時點的風(fēng)險總溢出系數(shù)表示過去一年的總體情況。為使影子銀行增速與風(fēng)險總溢出系數(shù)相對應(yīng)，圖1中的影子銀行增速為季度環(huán)比增速4期移動平均值。

從圖中可以看出，2007年以來風(fēng)險總溢出系數(shù)經(jīng)歷了四個階段：一是2007年初—2013年6月，波動上升；二是2013年7月—2017年12月，震蕩下行；三是2018年初—2020年3月，快速上升；四是2020年4月至今，高位回落。風(fēng)險總溢出系數(shù)的波動能夠很好地反映重要的風(fēng)險事件，比如2007年7月美國次貸危機(jī)爆發(fā)和2009年10月初希臘主權(quán)債務(wù)危機(jī)爆發(fā)后，國外風(fēng)險向國內(nèi)傳染，風(fēng)險總溢出系數(shù)在此后均經(jīng)歷了一個上升期；2013年6月我國銀行間市場爆發(fā)了歷史上最嚴(yán)重的一次“錢荒”，風(fēng)險總溢出系數(shù)在當(dāng)年6月21日飆升至歷史最高水平；2015年“股災(zāi)”期間風(fēng)險總溢出系數(shù)震蕩上升；2016年底“債災(zāi)”期間風(fēng)險總溢出系數(shù)創(chuàng)階段性高峰。可見，本文構(gòu)建的風(fēng)險總溢出系數(shù)可以有效反映我國金融市場的風(fēng)險壓力。

圖1顯示影子銀行與風(fēng)險總溢出系數(shù)密切相關(guān)。2012年之前，二者走勢高度一致，如影子銀行增速分別在2008年3月和2010年6月達(dá)到階段性高點，風(fēng)險總溢出系數(shù)則分別在2008年2月和2010年6月達(dá)到階段性高點，影子銀行增速與風(fēng)險總溢出系數(shù)幾乎完全同步。2013年中—2016年末，影子銀行增速和風(fēng)險總溢出系數(shù)在大趨勢上仍然具有很強(qiáng)的一致性，影子銀行增速從2013年6月的8.2%下降至2016年“債災(zāi)”時的1%，同期風(fēng)險總溢出系數(shù)從44.6%回落至23.2%，二者均呈回落趨勢。2017年以來，影子銀行增速和風(fēng)險總溢出系數(shù)的同向變動趨勢開始反轉(zhuǎn)，兩者呈現(xiàn)反向波動特征，如2016年12月—2017年12月影子銀行增速穩(wěn)步回升，但風(fēng)險總溢出系數(shù)波動下行；2018年1月—2019年1月影子銀行增速觸底回升，而同期風(fēng)險總溢出系數(shù)則持續(xù)回落。

（四）各市場和不同傳染路徑風(fēng)險凈溢出系數(shù)的特征分析

圖2給出了樣本期內(nèi)不同金融市場的風(fēng)險凈溢出系數(shù)，可以看出不同市場的風(fēng)險凈溢出差異較大。股票、房地產(chǎn)市場大多數(shù)時候表現(xiàn)為風(fēng)險凈溢出，外匯、黃金、貨幣市場大多數(shù)時候則表現(xiàn)為風(fēng)險凈溢入，債券、大宗商品市場呈現(xiàn)出風(fēng)險凈溢出和風(fēng)險凈溢入的雙向特征，在金融風(fēng)險傳染中扮演的角色較為復(fù)雜。本文測算的風(fēng)險凈溢出系數(shù)較好捕捉了極端風(fēng)險事件。以2013年“錢荒”為例，風(fēng)險主要從貨幣市場和債券市場溢出并向股票市場和房地產(chǎn)市場傳染。這一風(fēng)險事件主要在國內(nèi)金融市場傳染，涉外金融市場未受明顯影響，故大宗商品市場和外匯市場的風(fēng)險凈溢出系數(shù)未受到明顯影響。

直觀對比來看，影子銀行對大宗商品市場的風(fēng)險溢出可能存在一定影響。2014年之前影子銀行快速增長，大宗商品市場主要表現(xiàn)為風(fēng)險凈溢出；2014年之后影子銀行增長放緩，大宗商品市場風(fēng)險凈溢入情況有所增加。這可能與影子銀行快速發(fā)展的驅(qū)動內(nèi)核在2014年前后發(fā)生了轉(zhuǎn)變有關(guān)。2014年前，影子銀行的快速擴(kuò)張實際是銀行傳統(tǒng)資產(chǎn)負(fù)債業(yè)務(wù)向表外延伸，這期間實體經(jīng)濟(jì)融資需求旺盛，影子銀行對大宗商品市場的影響程度不高。2014年后，融資需求逐漸萎縮，影子銀行的進(jìn)一步擴(kuò)張轉(zhuǎn)向了監(jiān)管空白領(lǐng)域，大量資金進(jìn)入各類市場，影子銀行也更多地開始借助大宗商品進(jìn)行金融套利。由于不同市場風(fēng)險溢出的特征差異較大且比較復(fù)雜，因此，僅通過直觀對比無法精確刻畫影子銀行對金融風(fēng)險傳染機(jī)制的影響。

圖3進(jìn)一步給出了不同市場兩兩之間的風(fēng)險凈溢出情況，由于篇幅有限，此處僅展示樣本期內(nèi)方差最大的前10條風(fēng)險傳染路徑?？梢钥闯觯讲钭畲蟮那?0條傳染路徑主要涉及債券、匯率、商品三個市場。債券市場向貨幣市場溢出的強(qiáng)度較大、波動性較高，這與我國貨幣市場資金主要投向債券市場的現(xiàn)實情況相吻合。股票市場向匯率市場的溢出較強(qiáng)，尤其是2018年以來溢出強(qiáng)度明顯提高，一個可能的解釋是“滬港通”和“深港通”開通后外資持有我國A股的比例不斷上升，股市波動對外匯市場的影響隨之增大。匯率向房地產(chǎn)市場的溢入強(qiáng)度較高，即風(fēng)險從房地產(chǎn)市場向匯率市場傳染，外資購買我國房產(chǎn)的規(guī)模較大，房地產(chǎn)波動會導(dǎo)致匯率承壓。

市場兩兩之間的風(fēng)險凈溢出波動性較大。一方面，雖然凈溢出系數(shù)的方向變化不大，但凈溢出系數(shù)的水平波動較大，如股市—商品市場的凈溢出系數(shù)在樣本期內(nèi)大部分時期為正，但溢出的強(qiáng)度呈現(xiàn)明顯的周期性波動；另一方面，凈溢出系數(shù)的方向和強(qiáng)度均波動較大，如債券—匯率市場的風(fēng)險溢出方向和強(qiáng)度均呈現(xiàn)出較強(qiáng)的波動性。

上述分析表明，金融市場風(fēng)險總溢出系數(shù)與影子銀行具有很強(qiáng)的相關(guān)性。但是，金融風(fēng)險跨市場傳染會受到多種因素的影響，各市場的凈溢出系數(shù)、市場兩兩之間的凈溢出系數(shù)表現(xiàn)出很強(qiáng)的波動性，僅通過描述性分析和直觀觀察很難捕捉到影子銀行對風(fēng)險傳染的影響機(jī)制。因此，我們構(gòu)建向量自回歸模型并進(jìn)行脈沖響應(yīng)分析，來進(jìn)一步捕捉影子銀行發(fā)展對我國金融風(fēng)險跨市場傳染的影響機(jī)制。

四、影子銀行對風(fēng)險跨市場傳染的影響——基于BVAR模型

（一）貝葉斯向量自回歸模型介紹

無約束向量自回歸模型（以下簡稱VAR）是宏觀經(jīng)濟(jì)分析的重要工具，但存在參數(shù)過多、過度擬合等問題。本部分構(gòu)建的向量自回歸模型變量較多而樣本期較短，采用常規(guī)估計會面臨“維數(shù)詛咒”問題，無法準(zhǔn)確估計模型參數(shù)，因此，我們采用貝葉斯方法估計模型參數(shù)。貝葉斯向量自回歸模型將參數(shù)看作是具有某種先驗分布的隨機(jī)變量，先驗分布與似然函數(shù)結(jié)合得到后驗分布，避免了VAR模型的自由度損失問題。假設(shè)一個滯后期為p的VAR模型：

[yt=a0+j=1pAjyt-1+εt]? （10）

其中，[yt]是一個m×1階的矩陣，[εt]是m×1階的殘差項，[εt?N0，Σε]，上式可以寫成如下緊湊形式：

[Y=XA+E] 或者[y= Im?Xθ+e]? （11）

其中，[Y]和[E]是T×m階的矩陣，[X= x1，…，xt']是一個T×（mp+1）階矩陣，[xt=1，y't-1，…，y't-q]，[θ=VECA]，[e?N（Σε?IT）]。貝葉斯估計的優(yōu)勢在于對先驗信息的利用，本文采用常用的Minnesota先驗分布。Minnesota先驗分布假設(shè)[Σε]已知，先驗分布[θ?Nθ0，V0]。根據(jù)貝葉斯定理，后驗分布可以表述成如下形式：

[πθ|y∝exp-12θ-θ'V-1θ-θ]? ? （12）

其中，后驗均值[θ]為：

[θ=V-10+Σ-1??X'X-1V-10θ0+Σ-1??X'y]

（13）

后驗方差[V]為：

[V= V-10+Σ-1??X'X-1]? ? （14）

采用Minnesota先驗分布進(jìn)行估計時，需要先設(shè)定模型超參數(shù)。對于先驗分布的均值[θ0]，參考既有研究將其設(shè)定為0。對于先驗分布的方差[V0]，其元素為[vlij]，[l=1，…，p]，[vlij]，形式如下：

[vlij=λ1lλ32，i=jλ1λ2σilλ3σj2， i≠j]? ? （15）

其中，[σi]是矩陣[Σε]對角線上的第[i]個元素。[λ1]的取值范圍是[0，∞]，[λ2]的取值范圍是（0，1），[λ3]的取值范圍是[0，1]。在確定模型參數(shù)時，本文使用matlab BayVAR工具包，以誤差平方和最小為目標(biāo)對超參數(shù)進(jìn)行搜索，最終確定參數(shù)值。

本部分通過構(gòu)建的貝葉斯向量自回歸模型考察影子銀行對金融風(fēng)險跨市場傳染的影響，共涉及以下三類變量：一是影子銀行季度環(huán)比增速，根據(jù)Chang等（2016）[22]測算的影子銀行規(guī)模計算得到。二是風(fēng)險總溢出系數(shù)、金融市場風(fēng)險凈溢出系數(shù)、兩兩市場之間的風(fēng)險凈溢出系數(shù)，均由本文測算得到。由于影子銀行數(shù)據(jù)的頻率為季度，為了使風(fēng)險溢出數(shù)據(jù)和影子銀行數(shù)據(jù)匹配，我們分季度重新測算了風(fēng)險溢出系數(shù)值。三是GDP季度環(huán)比增速、各項貸款季度環(huán)比增速，引入這兩項指標(biāo)是為了控制經(jīng)濟(jì)增長和正規(guī)金融對風(fēng)險溢出的影響，該兩項指標(biāo)根據(jù)Chang等（2016）[22]的數(shù)據(jù)計算得到。樣本期為2006年第一季度—2020年第四季度。ADF單位根檢驗顯示在5%的顯著性水平上所有變量均為I（0）過程。

（二）影子銀行對各金融市場風(fēng)險凈溢出的影響

先構(gòu)建一個包含金融市場風(fēng)險總溢出系數(shù)、7個市場風(fēng)險凈溢出系數(shù)、影子銀行季度環(huán)比增速、GDP季度環(huán)比增速和各項貸款季度環(huán)比增速共11個變量的貝葉斯向量自回歸模型，考察影子銀行對總體金融風(fēng)險和各市場的影響。網(wǎng)格搜索確定的超參數(shù)取值為[λ1] =0.31，[λ2] =0.21，[λ3] =0.91，AIC準(zhǔn)則顯示模型最優(yōu)滯后期為2。由于無法確定不同變量之間影響的先后順序，此處采用廣義脈沖響應(yīng)進(jìn)行分析。

影子銀行發(fā)展對金融風(fēng)險跨市場溢出產(chǎn)生了顯著影響。從脈沖響應(yīng)圖可以看出（見圖4）：一是影子銀行提升了金融市場的總體風(fēng)險溢出程度，1單位的影子銀行沖擊導(dǎo)致風(fēng)險總溢出系數(shù)最多上升0.6個單位，且這一影響持續(xù)兩年左右。可見，影子銀行復(fù)雜的業(yè)務(wù)結(jié)構(gòu)將不同市場關(guān)聯(lián)起來，確實會增大風(fēng)險跨市場傳染的壓力。二是影子銀行對不同金融市場的影響存在顯著的異質(zhì)性。影子銀行強(qiáng)化了外匯市場、貨幣市場、黃金市場和大宗商品市場的風(fēng)險凈溢出，即影子銀行的發(fā)展使得上述四個市場的風(fēng)險更容易傳染給其他市場。其中，黃金市場的反應(yīng)最強(qiáng)烈，影子銀行1單位沖擊導(dǎo)致黃金市場風(fēng)險凈溢出上升2個單位，但這一影響僅持續(xù)了一個季度；對外匯市場影響的持續(xù)性最強(qiáng)，在沖擊發(fā)生后的8個季度后回歸至0，持續(xù)時間長達(dá)兩年。貨幣市場和大宗商品市場的脈沖響應(yīng)強(qiáng)度均在1.5左右，持續(xù)時間均為1個季度。三是影子銀行造成股票市場、債券市場和房地產(chǎn)市場的風(fēng)險凈溢出下降，即影子銀行使上述三個市場更容易受到其他市場的影響。其中，債券市場反應(yīng)最強(qiáng)烈，1單位影子銀行沖擊導(dǎo)致債券市場風(fēng)險凈溢出下降了4.5個單位，在所有市場中受到的沖擊最大。影子銀行的發(fā)展使得債券市場成為風(fēng)險“洼地”，主要是由于大量資金通過影子銀行產(chǎn)品最終流向債券市場，其他市場的風(fēng)險極易沿著資金鏈向債券市場溢出。房地產(chǎn)市場風(fēng)險凈溢出下降1.5個單位，影響持續(xù)8個季度左右。股票市場風(fēng)險凈溢出在第1期上升0.2個單位，但第2期之后開始下降且一直持續(xù)至第8期。

綜上，影子銀行提升了我國金融市場的風(fēng)險溢出強(qiáng)度，導(dǎo)致金融風(fēng)險從匯率、黃金、貨幣和大宗商品市場向債券、股票和房地產(chǎn)市場傳染，特別是債券市場受影子銀行的沖擊最大。

（三）影子銀行對不同風(fēng)險傳染路徑的影響分析

進(jìn)一步構(gòu)建一個包含金融市場兩兩之間風(fēng)險凈溢出系數(shù)③、影子銀行季度環(huán)比增速、GDP季度環(huán)比增速和各項貸款季度環(huán)比增速共24個變量的貝葉斯向量自回歸模型，考察影子銀行對不同風(fēng)險傳染渠道的影響。網(wǎng)格搜索確定的超參數(shù)為[λ1] =0.91，[λ2] =0.01，[λ3] =0.01，AIC準(zhǔn)則顯示模型最優(yōu)滯后期為2。圖5給出了影子銀行對不同市場兩兩風(fēng)險凈溢出系數(shù)的沖擊，其中第i行第j列表示的是市場j向市場i的風(fēng)險凈溢出系數(shù)對影子銀行沖擊的脈沖響應(yīng)圖。

由于影子銀行業(yè)務(wù)模式具有高度復(fù)雜性和多樣性，不同風(fēng)險傳染渠道對影子銀行沖擊的脈沖響應(yīng)差異明顯。通過脈沖響應(yīng)圖可以看出，影子銀行極大地增強(qiáng)了債券市場的風(fēng)險溢入，影子銀行的發(fā)展導(dǎo)致其余六個市場向債券市場的風(fēng)險傳染均有所提高。特別是貨幣市場向債券市場的風(fēng)險溢出，最多上升了2.3個單位，影響持續(xù)三個季度，在所有風(fēng)險傳染渠道中反應(yīng)最強(qiáng)烈。其次是黃金市場向債券市場的風(fēng)險溢出，最多上升0.96個單位；再次是商品市場向債券市場的風(fēng)險溢出，最多上升0.91個單位。影子銀行提升了黃金市場的風(fēng)險凈溢出水平，即影子銀行的發(fā)展加劇黃金市場向其余六個市場的風(fēng)險傳染，特別是黃金市場向債券市場的風(fēng)險傳染上升最明顯。

影子銀行對其他市場風(fēng)險溢出路徑的影響更加復(fù)雜。如股票市場，面對影子銀行沖擊，股票市場向債券、房地產(chǎn)和貨幣市場的風(fēng)險溢出增強(qiáng)，向外匯、黃金和商品市場的風(fēng)險溢入增強(qiáng)，即影子銀行的發(fā)展導(dǎo)致股票市場的風(fēng)險更容易向債券、房地產(chǎn)和貨幣市場傳染，但同時也導(dǎo)致外匯、黃金和商品市場的風(fēng)險更容易傳染至股票市場。影子銀行的發(fā)展使股票市場成為風(fēng)險傳染的“中繼器”。貨幣、外匯、房地產(chǎn)和商品市場的表現(xiàn)與股票市場類似。影子銀行對不同風(fēng)險傳染路徑的這種異質(zhì)性復(fù)雜影響，極大提升了風(fēng)險防范的難度，這是影子銀行威脅金融穩(wěn)定的一個重要表現(xiàn)。

五、業(yè)務(wù)視角下影子銀行扭曲風(fēng)險傳染機(jī)制的再討論

前述分析表明，債券市場的風(fēng)險傳染特征受影子銀行影響最大，特別是貨幣市場向債券市場的風(fēng)險溢出在所有傳染渠道中受影響最大。本部分從業(yè)務(wù)視角出發(fā)，以貨幣市場向債券市場的風(fēng)險溢出為例，進(jìn)一步討論影子銀行扭曲金融風(fēng)險傳染的內(nèi)在機(jī)制。

（一）關(guān)于影子銀行影響貨幣向債券市場風(fēng)險溢出的兩個假設(shè)

2015年以來我國貨幣市場進(jìn)入低利率、低波動時期，2015—2020年7天銀行間同業(yè)拆借利率均值為2.97%，標(biāo)準(zhǔn)差為0.56，而2010—2015年的均值和標(biāo)準(zhǔn)差分別為3.54%和1.27。在這樣一種宏觀背景下，從貨幣市場融入低成本短期資金，并在債券市場加杠桿投資，成為金融機(jī)構(gòu)獲得超額利潤的一種普遍操作模式。但是，在影子銀行出現(xiàn)之前，債券投資者只能通過場內(nèi)回購的方式加杠桿，政策約束較多，杠桿水平被嚴(yán)格限制。如《上海證券交易所債券質(zhì)押式回購交易風(fēng)險控制指引》規(guī)定，融資回購交易放大倍數(shù)最大不超過五倍；證監(jiān)會《公開募集證券投資基金運作管理辦法》規(guī)定，公募基金場內(nèi)回購形成的凈杠桿不超過40%。影子銀行使金融機(jī)構(gòu)有了突破監(jiān)管限制的工具，投資者通過場外產(chǎn)品設(shè)計，利用委外投資、債券代持等結(jié)構(gòu)化影子銀行產(chǎn)品，掃清了資金流動障礙，打通了貨幣市場和債券市場，將債券市場杠桿推升至較高水平。中央國債登記結(jié)算有限責(zé)任公司2016年底測算顯示，我國債券代持規(guī)模為12萬億元，債券代持使債券市場杠桿從109%上升至156%。貨幣市場推升債券市場杠桿這一現(xiàn)象增大了貨幣市場風(fēng)險向債券市場傳染的壓力。當(dāng)市場流動性穩(wěn)定時，貨幣市場資金大量涌入債券市場，兩個市場的聯(lián)系日益緊密，債券市場杠桿不斷上升；而當(dāng)貨幣市場出現(xiàn)波動，資金面較為緊張時，貨幣市場向債券市場的資金流動便會停滯甚至發(fā)生逆轉(zhuǎn)，債券市場杠桿高位承壓，甚至出現(xiàn)擠兌式拋售，導(dǎo)致價格大幅波動，最終體現(xiàn)為貨幣市場風(fēng)險向債券市場傳染。上述關(guān)系如圖6所示。

通過上述梳理可以發(fā)現(xiàn)，較低且穩(wěn)定的貨幣市場利率會催生金融機(jī)構(gòu)對于影子銀行業(yè)務(wù)的需求，而影子銀行的存在則進(jìn)一步便利了債券市場的加杠桿行為，推高債券市場杠桿，這是影子銀行加劇貨幣市場風(fēng)險向債券市場傳染的內(nèi)在邏輯。我們提出兩個假設(shè)，利用格蘭杰方法進(jìn)一步檢驗這一論斷：

假設(shè)1：貨幣市場利率和波動性是影子銀行增速的格蘭杰原因。

假設(shè)2：影子銀行增速是債券市場杠桿的格蘭杰原因。

（二）指標(biāo)構(gòu)建及檢驗結(jié)果

假設(shè)1和假設(shè)2共涉及4項指標(biāo)。由于影子銀行數(shù)據(jù)為季度頻率，因此，我們采用季度數(shù)據(jù)進(jìn)行格蘭杰因果檢驗。其中，影子銀行增速（gshb）的含義與第四部分相同。其余指標(biāo)的含義如下：

1. 債券市場杠桿率（blev）。參考市場機(jī)構(gòu)的做法，用債券托管量/（債券托管量-待回購債券余額）測度債券市場杠桿率。根據(jù)上述指標(biāo)的月度值計算得到月度的杠桿率，然后進(jìn)行季度平均獲取季度的債券市場杠桿率數(shù)據(jù)。

2. 貨幣市場利率（int）和波動率（vol）：直接采用7天銀行間同業(yè)拆借利率代表貨幣市場利率水平。對于貨幣市場波動率，目前并沒有官方指標(biāo)，因此，我們采用GARCH（1，1）模型提取貨幣市場利率的條件方差測度市場波動率，GARCH（1，1）模型如下：

[Rt=μt+σtεt，εt～WN0，1]? ? （16）

[σ2t=ω+αRit-1-μi2+βσ2t-1]? ? （17）

其中，[Rt]是銀行間7天同業(yè)拆借利率，[μt、ω、α、β]是模型的系數(shù)，[σt]是條件方差時間序列，用以測度市場波動率的測度。[Rt]和[σt]均為日度頻率數(shù)據(jù)，對其取季度平均得到季度的貨幣市場利率（int）和波動率（vol）數(shù)據(jù)。格蘭杰因果檢驗的樣本期為2006年第一季度—2020年第四季度。對blev、int、vol和gshb四個變量進(jìn)行平穩(wěn)性檢驗，結(jié)果表明四個變量均為I（0）過程，可以直接進(jìn)行格蘭杰因果檢驗。AIC準(zhǔn)則顯示最優(yōu)的滯后期為2個季度。檢驗結(jié)果見表2。可以看到，模型在5%的顯著性水平上拒絕了int不是gshb的格蘭杰原因的原假設(shè)，即貨幣市場利率是影子銀行增速的格蘭杰原因；在1%的顯著性水平上拒絕了vol不是gshb的格蘭杰原因的原假設(shè)，即貨幣市場波動率是影子銀行增速的格蘭杰原因。據(jù)此，假設(shè)1得到了驗證，貨幣市場利率和波動率會引起影子銀行增速的變動。模型在5%的顯著性水平上拒絕了gshb不是blev的格蘭杰原因，即影子銀行的增速會引起債券市場杠桿的變化，假設(shè)2也得到驗證。

六、結(jié)論與政策建議

本文基于廣義預(yù)測誤差方差分解，構(gòu)建我國股票、債券等7個金融市場的有向加權(quán)風(fēng)險溢出網(wǎng)絡(luò)，測算不同金融市場和傳染渠道的風(fēng)險溢出系數(shù)，進(jìn)一步構(gòu)建包含風(fēng)險溢出系數(shù)和影子銀行增速的大型貝葉斯向量自回歸模型，探析影子銀行發(fā)展對我國風(fēng)險跨市場傳染的影響機(jī)制。結(jié)論表明：一是影子銀行強(qiáng)化了我國金融風(fēng)險跨市場溢出水平，影子銀行1單位沖擊導(dǎo)致風(fēng)險總溢出系數(shù)最大上升0.6個單位，持續(xù)時間為兩年。影子銀行增強(qiáng)了匯率、貨幣、黃金和大宗商品市場的風(fēng)險凈溢出，其中黃金市場反應(yīng)強(qiáng)度最大，匯率市場反應(yīng)持續(xù)時間最長。影子銀行增強(qiáng)了股票、債券和房地產(chǎn)市場的風(fēng)險凈溢入，其中債券市場反應(yīng)強(qiáng)度最大，房地產(chǎn)市場反應(yīng)持續(xù)時間最長。二是影子銀行沖擊使債券市場承壓最大，其他6個子市場向債券市場的風(fēng)險溢出均有所增強(qiáng)。影子銀行導(dǎo)致股票、貨幣、外匯、房地產(chǎn)和商品市場向一部分市場的風(fēng)險溢出上升，向另一部分市場的風(fēng)險溢入上升，強(qiáng)化了這些市場風(fēng)險傳染的“中繼器”作用。三是面對影子銀行沖擊，貨幣市場向債券市場的風(fēng)險溢出在所有傳染渠道中反應(yīng)最強(qiáng)烈。進(jìn)一步基于格蘭杰因果檢驗的分析發(fā)現(xiàn)，貨幣市場利率和波動率是影子銀行增速的格蘭杰原因，影子銀行增速是債券市場杠桿的格蘭杰原因。影子銀行成為貨幣市場資金流向債券市場的中介，刺激債券市場杠桿率上升，加大了貨幣市場風(fēng)險向債券市場傳染的壓力。

結(jié)合本文結(jié)論，針對下一步影子銀行發(fā)展和我國金融風(fēng)險防控，提出如下政策建議：一是加大風(fēng)險監(jiān)測力度。建立全覆蓋的資管統(tǒng)計監(jiān)測體系，建立風(fēng)險跨市場傳染的監(jiān)測制度，重點加強(qiáng)債券市場風(fēng)險監(jiān)測，防范貨幣市場流動性風(fēng)險向債券市場傳染。提升對外匯、大宗商品等外向型市場的風(fēng)險預(yù)警水平，防范外部風(fēng)險通過影子銀行業(yè)務(wù)向國內(nèi)傳染。二是嚴(yán)控不合規(guī)加杠桿行為。影子銀行所引發(fā)的不合規(guī)加杠桿是重要的風(fēng)險隱患，容易成為金融風(fēng)險的導(dǎo)火索。因此，要完善監(jiān)管政策措施，加大政策執(zhí)行力度，提升金融機(jī)構(gòu)內(nèi)控水平，控制債券交易加杠桿行為。三是推動《關(guān)于規(guī)范金融機(jī)構(gòu)資產(chǎn)管理業(yè)務(wù)的指導(dǎo)意見》平穩(wěn)有序?qū)嵤?。一方面，要積極推動影子銀行風(fēng)險化解，特別是對于違規(guī)影子銀行業(yè)務(wù)要及時取締；另一方面，也要密切關(guān)注影子銀行壓降過程中的苗頭性風(fēng)險，給予金融機(jī)構(gòu)必要的轉(zhuǎn)型時間。

注：

①相關(guān)數(shù)據(jù)見：https：//www.atlantafed.org/cqer/research/china-macroeconomy.aspx。

②2006—2020年金融市場每年平均有243個交易日，故將窗口設(shè)定為240個交易日相當(dāng)于1年。

③由于A對B的溢出與B對A的溢出是相反數(shù)，因此，7個市場兩兩之間共存在21條不同絕對值的傳染渠道。

參考文獻(xiàn)：

[1]楊子暉，陳里璇，陳雨恬.經(jīng)濟(jì)政策不確定性與系統(tǒng)性金融風(fēng)險的跨市場傳染——基于非線性網(wǎng)絡(luò)關(guān)聯(lián)的研究 [J].經(jīng)濟(jì)研究，2020，（01）.

[2]方先明，謝雨菲，權(quán)威.影子銀行規(guī)模波動對金融穩(wěn)定的溢出效應(yīng) [J].經(jīng)濟(jì)學(xué)家，2017， （01）.

[3] 張冰潔，汪壽陽，魏云捷，趙雪婷.我國影子銀行的風(fēng)險傳導(dǎo)渠道及監(jiān)管對策研究 [J].系統(tǒng)工程理論與實踐，2021，41（01）.

[4]劉超，馬玉潔.影子銀行系統(tǒng)對我國金融發(fā)展、金融穩(wěn)定的影響——基于2002—2012年月度數(shù)據(jù)的分析[J].經(jīng)濟(jì)學(xué)家，2014，（04）.

[5]李文喆.中國影子銀行的經(jīng)濟(jì)學(xué)分析：對金融穩(wěn)定的影響 [J].金融監(jiān)管研究，2020，（05）.

[6]Kanas A. 2000. Volatility Spillovers Between Stock Returns and Exchange Rate Changes： International Evidence [J].Journal of Business Finance & Accounting， （3）.

[7]Caporale G M，Pittis N，Spagnolo N. 2002. Testing for Causality‐in‐Variance：An Application to the East Asian Markets [J].International Journal of Finance & Economics，（3）.

[8]李成，馬文濤，王彬.我國金融市場間溢出效應(yīng)研究—基于四元VAR-GARCH（1，1）-BEKK模型的分析 [J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2010，（06）.

[9]Billio M，Getmansky M，Lo A W，Pelizzon L. 2012. Econometric Measures of Connectedness and Systemic Risk in the Finance and Insurance Sectors [J].Journal of financial economics， 3.

[10]Brunetti C，Harris J H，Mankad S，Michailidis G. 2019. Interconnectedness in the interbank market [J].Journal of Financial Economics，（2）.

[11]Diebold F X，Yilmaz K. 2012. Better to Give than to Receive： Predictive Directional Measurement of Volatility Spillovers [J].International Journal of Forecasting，（1）.

[12]Liow K H，Liao W C，Huang Y. 2018. Dynamics of International Spillovers and Interaction：Evidence from Financial Market Stress and Economic Policy Uncertainty [J].Economic Modelling， （68）.

[13]Reboredo J C，Ugolini A. 2015. Systemic Risk in European Sovereign Debt Markets：A CoVaR-copula Approach [J].Journal of International Money和Finance， （51）.

[14]傅強(qiáng)，張穎.我國金融系統(tǒng)的風(fēng)險溢出效應(yīng)研究—基于溢出指數(shù)的實證分析 [J].宏觀經(jīng)濟(jì)研究，2015，（07）.

[15]劉超，徐君慧，周文文.中國金融市場的風(fēng)險溢出效應(yīng)研究——基于溢出指數(shù)和復(fù)雜網(wǎng)絡(luò)方法 [J].系統(tǒng)工程理論與實踐，2017，（04）.

[16]宮曉莉，熊熊.波動溢出網(wǎng)絡(luò)視角的金融風(fēng)險傳染研究 [J].金融研究，2020，（05）.

[17]Tang J，Wang Y. 2016. Effects of Shadow Banking on Return：A Empirical Study Based on Chinese Commercial Banks [J].International Journal of Financial Research，（1）.

[18]Acharya V V，Qian J，Su Y，Yang Z. 2020. In the Shadow of Banks：Wealth Management Products and Issuing Banks' Risk in China [J].NYU Stern School of Business.

[19]李向前，諸葛瑞英，黃盼盼.影子銀行系統(tǒng)對我國貨幣政策和金融穩(wěn)定的影響 [J].經(jīng)濟(jì)學(xué)動態(tài)，2013，（05）.

[20]馬德功，趙新，韓喜昆.商業(yè)銀行參與影子銀行業(yè)務(wù)與金融風(fēng)險傳染——基于影子銀行體系資金供給方的視角 [J].重慶大學(xué)學(xué)報（社會科學(xué)版），2019，25（03）.

[21]Tsai? I C. 2017. The Source of Global Stock Market Risk：A Viewpoint of Economic Policy Uncertainty [J].Economic Modelling，（60）.

[22]Chang C，Chen K，Waggoner D F，Zha T. 2016. Trends and Cycles in China's Macroeconomy [R].NBER MacroeConomics Annual， 30（1）.