本站小編為你精心準備了基于風險倍率擴增的非銀行金融論文參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

一、基于風險倍率擴增的綜合指標測算方法

（一）風險倍率擴增及其估計方法風險倍率擴增（RiskAmplifiedIndex，簡記為ΔP）是指某機構出險后使系統出現風險可能性增加的倍數（Gravelle，Li，2013）。將某一金融機構出險導致其他某個金融機構出險概率增加的倍數記為ΔP1：1；某一金融機構出險時導致其他所有機構同時出險的概率增加的倍數記為ΔP1∶αll。根據Gravelle＆Li（2013），假設金融體系中包含m家金融機構，Xi,t表示第i家金融機構第t期股票收益率的相反數，Yt表示上證指數日收益率的相反數，既定風險顯著性水平p③下不同金融機構的門檻值Qi（p）滿足P［Xi＞Qi（p）］＝p。剔除金融機構股價波動所受市場因素Yt的影響，至少有r家金融機構同時陷入困境或某一金融機構陷入困境事件下系統性風險可能性增加倍數的測算式為。

（二）基于風險倍率擴增與最大熵賦權的綜合指標合成使用風險倍率擴增的兩個組成部分（ΔP1∶1和ΔP1∶αll），同時兼顧金融機構規模和復雜性特征，通過最大熵原理可以構造測度系統重要性的綜合指標。多指標合成過程中權重是評價的關鍵。由于各指標權重系數隨機而定，不同方法得出的權重只是所有權重可能取值之一，因此，某組權重出現的概率越大，其對應的賦權方法越好。上述過程恰好與廣義最大熵賦權原理的核心思想一致。為此，本文基于廣義最大熵原理進行賦權計算與篩選。假設先驗權數矩陣Z（m×ml階）和向量p（m×ml階）的表達式如下式所示。雖然式（3）可以通過Newton算法求解，但由于在參數較多的情況下，Newton算法依賴于初始值的設定，容易收斂于局部最優解。因此，筆者采用模擬退火算法（SimulatedAnnealing，SA）①在自行編寫目標函數程序的基礎上求解式（3）。②由于一次SA運算所得結果往往不穩定，因此需要重復多次SA運算，并將結果的均值作為最小化目標函數的最終參數值。

二、樣本選擇、數據說明及其描述性統計

本文選擇的非銀行金融機構樣本為中國A股市場上市的16家③證券、保險、信托與租賃公司。為了研究非銀行金融機構對現有系統重要性評估結果的影響，筆者還選擇了中國A股市場上市的13家④商業銀行作為參照樣本。樣本數據區間為2009年11月17日至2013年11月30日，①涉及854個有效交易日的股價數據。數據來源Wind數據庫。由于樣本期間內上市公司進行過多次分紅配股，本文對所有股價進行了復權處理，并在此基礎上計算日收益率，最終得到的描述性統計特征（見表1）。考慮到兼顧金融機構規模和復雜性特征的要求，以樣本股價數據區間內金融機構總資產平均值表征規模，交易性金融資產平均值表征復雜性。②總資產和交易性金融資產均值由上市金融機構各期季報數據計算得到，數據來源于Wind數據庫和CCER數據庫。數據描述性統計特征結果如表1和表2所示。表1和表2第（8）至第（10）列的數據表明，非銀行金融機構與銀行的股價收益率序列均表現出有偏和尖峰厚尾的統計分布特征，適用極值理論。此外，筆者在表1和表2中還分別按規模（總資產）和復雜性（交易性金融資產）對各非銀行金融機構和銀行在整個金融機構體系中的位次進行了排序（如第（3）和第（5）列）。顯然，兩種排序標準下的排名順序存在較大差異。例如，中國平安在資產規模排序中位列第10，而在復雜性排序中位列第4；中信證券在資產規模排序中位列第17，而在復雜性排序中位列第8；海通證券在資產規模排序中位列第18，而在復雜性排序中位列第9。雖然工行的交易性金融資產最多，但交易性金融資產占總資產的比重卻相對其他金融機構低很多，例如，工商銀行為0.629，交通銀行為0.907，中國平安為3.018，海通證券為13.789，反映出各金融機構業務側重點不同。單純考慮規模因素很可能得出錯誤結論。因此，圍繞風險倍率擴增、規模和復雜性形成綜合評價指標后，引入非銀行金融機構進行測評很可能會帶來較現有研究的差異性評價結果。

三、非銀行金融機構系統重要性評估的實證結果

（一）風險倍率擴增指數中kj取值的確定采用Matlab7.6編程，基于風險倍率擴增性指數計算式（1）對各金融機構股價日收益率數據進行轉換并剔除大盤波動的影響，從α開始穩定后選取系列k值，將不同k值所對應的α值整理為α序列，并將序列均值作為最終α估計量值計算ΔP。根據全樣本和參照樣本數據，本文得到k的取值范圍為[20，300]。鑒于篇幅有限，筆者不依次列出k的求解過程，僅以中國平安為例進行示范性說明。圖1為當顯著性水平為1%，計算中國平安導致安信信托出險概率增加的倍數ΔP1∶1時，估計P贊［min（Z1，Z2，Y）>q］和P贊［min（Z2，Y）>q］中的α（分別記為α1和α2）隨k的變化過程。不難看出，當k≥120以及k≥140時，a1和a2的數值趨于穩定。

（二）引入非銀行金融機構測評的差異性1．不同風險顯著性水平下風險倍率擴增性估計與比較（1）不同風險顯著性水平下ΔP1∶1的估計與比較如前文所界定，ΔP1∶1為衡量風險倍率擴增性的子指標，表示某單一金融機構出險導致其他某金融機構出險概率增加的倍數。從ΔP1∶1取值可知兩機構間的相互影響具有非對稱性。如，當中國平安出險時招商證券的出險概率增加24.35倍，而當招商證券出險時，中國平安出險的概率僅增加15.11倍。從既定風險顯著性水平下，引入非銀行金融機構對原排序結果的影響看，根據ΔP1∶1算術均值的大小可分別得到未加入非銀行金融機構和加入非銀行金融機構后基于風險倍率擴增性的排名，結果如表3和表4所示。表3和表4表明，引入非銀行金融機構后原有銀行排名順序發生了較大改變。例如，招商銀行由原來第3名下降為第5名，平安銀行由第5名下降為第14名。從不同風險顯著性水平下的估計結果看，比較表4第3列和第5列可知，低風險顯著性水平（p=0.01）的風險倍率擴增性遠大于高風險顯著性水平下（p=0.05）的值。例如，浦發銀行的風險倍率擴增性數值在風險顯著性水平為1%時為20.56，而當風險顯著性水平為5%時僅為2.57；渤海租賃的風險倍率擴增性數值在風險顯著性水平為1%時為7.04，而當風險顯著性水平為5%時僅為0.39。這表明，嚴重的危機使各機構之間的風險擴增關系表現得更為密切，且相比較而言，緊密程度的變化幅度在非銀行金融機構中表現得更為明顯。同一機構在不同風險顯著性水平下，依ΔP1∶1值的排序也存在一定差異。筆者進一步還發現引入非銀行金融機構后，在不考慮機構規模與復雜性等特性，而單純使用修正的風險倍率擴增性數值對機構系統重要性進行測度時，排名結果與按規模和復雜度的排名結果相差較遠。（2）不同風險顯著性水平下ΔP1∶1的估計與比較表5給出了當p=0.005與p=0.01時各金融機構的ΔP1∶αll值。結果顯示，對于所有金融機構，較小的風險顯著性水平仍然對應較大的ΔP1∶αll，這一點與ΔP1∶1的分析結果一致，說明嚴重的危機將使各機構之間的關系更加密切的結論沒有發生改變。對比表4和表5中ΔP1∶1和ΔP1∶αll的值發現，幾乎對所有樣本機構而言，在相同的風險顯著性水平下ΔP1∶αll的值都小于ΔP1∶1的值；而在相同的風險顯著性水平下，同一機構的ΔP1∶1和ΔP1∶αll在樣本中的排名存在差異。這也說明在構造綜合評價指標時需根據ΔP1∶1和ΔP1∶αll分別計算比較。2．基于風險倍率擴增的系統重要性綜合指標測算利用計算得到的風險倍率擴增（ΔP1∶1和ΔP1∶αll）、規模指標（總資產）和復雜性指標（交易性金融資產），基于廣義最大熵的思想分別構造系統重要性綜合指標。根據前文制定指標步驟的說明，首先對數據進行標準化處理。由于利用最大熵原理賦權需要事先給出l組主觀權重，此時形如式（2）的最優化問題中需要確定的參數有m×l個。為了控制參數求解的規模，筆者選取3組主觀權重（l=3），分別為（0.5，0.25，0.25）、（0.25，0.5，0.25）和（0.25，0.25，0.5），并在此基礎上得到先驗權數矩陣Z。SA算法設定采用Matlab給出的默認值，執行1000次后得到的基于ΔP1∶1構造的綜合指標權重為（0.270，0.334，0.396），基于ΔP1∶αll構造的綜合指標權重為（0.326，0.338，0.336），計算得到的前10位系統重要性金融機構綜合指標值及相應排名結果分別如表6所示。表6的計算結果和排名順序顯示，在綜合指標測算下，基于ΔP1∶1和ΔP1∶αll的排列結果相差不大，①于是在一程度上說明了本文所構建的這一綜合評價指標的穩定性。機構系統重要性排序的前5名為工商銀行、中國銀行、建設銀行、交通銀行和中國平安，樣本中的國有銀行全部位于系統重要性機構前列。這一結果也與周小川（2011）提出的“五大國有銀行都是系統重要性銀行”不悖。而中國平安包括在內，也說明我國在實施金融監管與宏觀審慎政策時不能忽視對一些重要的非銀行金融機構的監督與管理。此外，股份制商業銀行的排名順序為浦發銀行、招商銀行、興業銀行、民生銀行、平安銀行、華夏銀行和中信銀行，而不是規模相對較大的中信銀行和民生銀行排在前列。這一結果也給我國金融監管部門提供了新的啟示。在前10名系統重要性金融機構中包括了中國平安、招商證券、中國人壽和中信證券4家非銀行金融機構，再次說明了非銀行金融機構在我國金融體系中的重要性。此外，將表6中的排名順序與單純按照規模或（和）復雜性程度的排序進行比較，筆者還發現，從關鍵性影響特征篩選角度看，相對于規模因素而言，按照綜合指標的排名順序與按照復雜性程度的排名順序更為接近。這在一定程度上說明，對我國金融機構系統重要性的評價不能主要依據規模，監管當局應更多關注金融機構業務的復雜性。

（三）次級梯隊非銀行金融機構系統重要性評估結果如果將前10名系統重要性金融機構中的中國平安、招商證券、中國人壽和中信證券稱為第一梯隊中的非銀行金融機構，那么筆者將剩余機構統稱為次級梯隊中的金融機構。表7給出了次級梯隊中銀行與非銀行金融機構的綜合測評值與排名。

四、結論

識別系統重要性金融機構是對其加強監管的前提和基礎，測度中國金融機構的系統重要性，在宏觀金融風險管理理論和實踐上都具有重要意義。盡管系統重要性金融機構的監管框架已納入到了巴塞爾協議Ⅲ之中，但有關系統重要性金融機構的評估方法卻仍未達成一致。本文將中國上市銀行和非銀行金融機構同時作為研究對象，圍繞風險擴增指數，并利用最大熵原理構造市場、規模和復雜性三結合的綜合指標，對我國上市銀行與非銀行金融機構的系統重要性進行測度。在構造綜合指標過程中利用最大熵原理賦權并利用模擬退火算法求解最優權重，避免單純主觀賦權造成的偏誤。主要結論如下。第一，中國系統重要性金融機構前5名為工商銀行、中國銀行、建設銀行、交通銀行和中國平安，樣本中的國有銀行全部位于系統重要性機構前列。這一結果與周小川（2011）提出的“五大國有銀行都是系統重要性銀行”一致。中國平安位于前5名，也說明我國在實施金融監管與宏觀審慎政策時不能忽視對一些重要的非銀行金融機構的監督與管理。第二，實證結果表明，引入非銀行金融機構后使原有銀行系統重要性排名順序發生了較大改變。在前10名系統重要性金融機構中有中國平安、招商證券、中國人壽和中信證券4家非銀行金融機構，強調了非銀行金融機構在我國金融體系中的重要性。第三，綜合排序后，股份制商業銀行的排名順序為招商銀行、浦發銀行、興業銀行、民生銀行、中信銀行、華夏銀行和平安銀行，而不是規模相對較大的中信銀行和民生銀行排在前。相對于規模因素而言，按照綜合指標的排名順序與按照復雜性程度的排名順序更為接近。這在一定程度上說明，對我國金融機構系統重要性的評價并不能主要依賴規模，監管當局應更多關注金融機構業務的復雜性。第四，基于風險倍率擴增性指數所構建的系統重要性綜合指標在測度金融機構系統重要性方面具有一定的穩定性，在相同的風險顯著性水平下，同一機構的ΔP1∶1和ΔP1∶αll在樣本中的排名順序存在一定的差異，而在基于風險倍率擴增性指數所構建的系統重要性綜合指標測算下，基于ΔP1∶1和ΔP1∶αll的排名順序相差不大，一定程度上說明了本文所構建的這一綜合評價指標具有穩定性。第五，嚴重的危機將使各機構之間的關聯性更加緊密。無論對ΔP1∶1還是對ΔP1∶αll，風險顯著性水平低時（p=0.01）的風險倍率擴增指數值幾乎都遠大于風險顯著性水平高時（p=0.05）的值，表明嚴重的危機使各機構的關系更加緊密。

作者：溫博慧李向前袁銘單位：天津財經大學金融系副教授天津財經大學金融系副主任教授天津財經大學統計系講師