监盟IIII且噩噩噩跚跚牺珊"黯论中国系统重要性银行识别一一市场模型法还是指标法周强杨柳勇内容摘要:学术界对如何识别我国系统重要性银行进行了很多有益尝试，由于研究方法或样本不同，得出的结论存在一定差异。本文在同一个框架基础上对几种常用方法进行了分析和比较。研究结果发现，系统性风险贡献(åCoVaR)侧重于反映银行个体风险对系统性风险贡献的影响;边际期望损失(MES)侧重于反映市场风险;系统性风险指数(SRISK)侧重于反映规模、杠杆率等银行层面的因素;指标法也主要反映规模因素o本文认为，由于规模差异较大，衡量上市银行的系统性风险贡献时，规模因素会优于其他因素，使得各种方法得到基本一致的结果，即大型商业银行的系统重要性最高。鉴于当前我国银行业的发展现状，采用市场模型法并不会优于指标法，应在指标法的基础主，结合反映不同风险来源的市场模型法动态评估不同银行的系统重要性。关键词:系统性风险系统重要性银行市场模型法指标法中固分类号:F831 文献标识码~A51言2008年雷曼兄弟公司倒闭引发的"金融海啸"使人们认识到大型金融机构的冒险行为能够对金融体系造成巨大破坏，如何确定金融机构的系统重要性是制定和执行宏观审慎监管政策、防拖系统性风险的关键。巴塞尔委员会(BCBS)建议采用指标法，从规模、关联性、可替代性、复杂性和跨境业务五个方面衡量全球系统重要性金融机构(G-SIFIs)(BCBS, 2011)。另一类方法是基于公开市场数据建立预测模型。建立在VaR方法的基础上，Adrian & Brunnermeier (2011)提出条件在险价值方法(CoVaR)。CoVaR是指某一特定金融机构处于危机状态时整个金融体系的VaR该金融机构对整个金融体系的系统性风险贡献(åCoVaR)可以表示为该金融机构分别处于危机和正常状态时的CoVaR之差。这一方法的缺点是，无法估计置信水平以上的极端尾部事件带来的损失，并且不同金融机构的系统性风险贡献不具有可加性，无法考察整个金融体系的系统性风险水平。因此，Acharya et al. (2010) 提出用改进的ES方法衡量金融体系的系统性风险，每个金融机构的边际期望损失(MES)代表该金融机构对系统性风险的边际贡献。Banulescu& Dum trescu (2012)在MES方法的基础上加入金融机构的规模特征，提出CES方法衡量单个金融机构对金融危机的绝对风险贡献。Brownlees& En›gle (2012)认为，只有出现资本短缺时，金融机构才会产生风险溢出效应，他们将反映金融机构经作者简介:周强，经济学博士，供职于安徽省发展和改革委员会;杨柳勇，管理学博士，浙江大学经济学院副院长，教授、博士生导师。1170国际金融研究
酣睡踵跑跑回血皿困营状况的市值、负债等规模因素纳入系统性风险指数，提出SRISK方法，通过危机时金融机构的期望资本短缺衡量该金融机构的系统性风险贡献，所有金融机构的期望资本短缺总额代表整个金融体系的系统性风险。国内方面，徐超(2011)对指标法和市场模型法两类识别SIFIs的方法进行了详细综述。相关研究主要包括:巴曙松和高江健(2012)(指标法)、肖瑛等(2012)(CoVaR)、赵进文和韦文彬(2012)(MES)、方意等(2012)(SRISK)、苏明政等(2013)(CES)、严兵等(2013) (EVT)。采用市场模型衡量金融机构系统重要性的各种方法中，由于模型切入点不同，不同的方法倾向于衡量系统性风险来源的不同方面，从而得到不同的估计结果。此外，采用公开市场数据建立预测模型时，作为约束条件的极端事件或尾端分布特征的估计来自于样本数据的分布函数，不同的样本区间可能具有不同的尾部期望从而得到不同的估计结果。即使在同一样本区间内，对尾部条件的定义不同，估计结果也可能存在差异。本文在同一框架下对几种常用方法进行了分析和比较，对我国系统重要性银行识别框架的构建提供借鉴。一、系统重要性识到方法(一)定义假设金融市场存在N家银行，代表银行iE[I，N]在t时刻的收益率，市场收益率为所有银行收益率的加权，即rm，t=L ~t，其中Wit为银行i的权重。l. CoVaR 假设银行i在q分位数的VaR定义为Pr(r~t~VaRiq) =q，将CoVaR定义为r~t=VaRiq时市场收益率的V此即Pr(rm，t运CovafvaklV叫)=qo Ad恤rriian& Bru阳nn阳l险贡献定义为银行i陷入危机时(归=V础aR民:~)的CoVaR和处于正常状态日时才(r孔~u♂马t严=M甜an)的CoVaR之差，即mli mlr;,=VaR mlr;,=Median ，，，，、A、‘ ，/’’ CoVaRq. =CoVaR~ "-CoVaRq宁q 进而可以将银行i的系统性风险贡献率表示为:ACoVaR%:lE=100×ACovdqlE/V叫(2) 设市场收益率低于临界值C时代表整个金融体系陷入危机，依据Acharyaet al. ( 2010) ，整个金融体系的期望损失可以表示为:(3 ) E囚S缸m酣比川矶t阳，ω(C伺ο)忡=Et-I(rm，叫'mt，l肌rm，t<κ<C)汩=~三:wmi 'A丑tzιιt←E-t1仇(r孔~ω时'~htlι|银行i的边际期望损失可以表示为:。ES二(C)(C)=一京了=Et_l(町.tlrm，t<C)( 4 ) 将MES与权重相结合可得到银行i对系统性风险的绝对贡献=~t(C)，该式的百分数形式可以表示为:N CES饥(C)=100xCES.( C 国际金融研究7111
监盛IIJI噩噩噩-棚"酬&Jß醉. Brownlees & Engle (2012)对MES方法进行了扩展，提出SRISK方法。SRISK是指整个金融体系在未来某段时间内陷入危机时单个银行的期望资本短缺，银行的期望资本短缺越多，对系统性风险的贡献越大。SRISK定义为:SRISK，，=m皿[0，kDi,’-(1-k) (1一LRMESi，')Wi，，](6) 其中，k为审慎资本充足率，D为银行的负债，W为银行的股权市场价值。相对于短期MES而言，LRMES代表长期边际期望损失定义为未来一段时间内市场收益率下降超过临界值C时，银行i的边际期望损失。设银行i的杠杆率1，，1=(D ,t+W,,) fW"，代人式(6)可得:iiSRISK,,=max[O ,k(1",-1 )W,,-( l-k) (I-LRMES,,)W,,] (7) iii式(7)表明银行的杠杆率与SRISK正相关。值得注意的是，由于国内部分商业银行同时在内地和香港发行股票，而且A股和H股不可跨市场销售，因此无论是以A股还是以H股的价格乘以总股本来计算总市值都有失公允，①股权市场价值的变化需同时考虑A股和H股收益率的波动，即H H W,,=W,’_l (1+(,) +Wi,H (1+r:，~_l)'代人式(6)可得修正后的SRISK公式:iiA A H H (8) SRISK,,=max{O,kDi,,-(1-k) [(1一LRMESi.，)W卢+(1-LRMES., ) W二]}ii为了便于比较不同银行的系统重要性，可以将SRISK表示成百分数形式:N (9) SRISK%,,=100xSRISKi,’ / L SRISKi,’ 4.指标法参考2011年《银监会关于中国银行业实施新监管标准的指导意见》以及巴曙松和高江健(2012)的研究，从规模、关联性、复杂性和可替代性四个方面衡量国内系统重要性银行。指标的具体设定如下:第一，规模指标以银行的总资产衡量，记为Asset;第二，关联性指标以银行金融系统内资产与金融系统内负债两个子指标衡量，分别记为Sasset和Sliability，其中金融系统内资产包括存放同业及其他金融机构款项、拆出资金和买入返售金融资产三项，金融系统内负债包括同业及其他金融机构存放款项、拆入资金和卖出回购金融资产兰项;第兰，复杂性指标以交易性资产与可供出售资产两个子指标衡量，分别记为Trade和Sale;第四，可替代性指标以公司类贷款和垫款与个人贷款和垫款两个子指标衡量，分别记为Cloan和凹oan。设每个指标占2St?毛的权重，每个子指标在该类指标中也占相等的权重则银行的系统重要性得分可以表示为.I Sasset" SliabilitYi., iAsset., 1 I imEiFLilyl平Sas吨平SliabilitYi.，1+ T-叫T" s-dT-Ls› c-'Zω- c p-TA 侃一比-h+ + + (二)估计方法1. ð.CoVaR的估计本文采用Koenker& Bassett (1978)提出的分位数回归估计ð.CoVaR。第一步建立分位数回归方程rm，，=叭+-y'qri"，估计参数叫、γU第二步计算银行i的临界收益率ri，t=VaRiq时的CoVaR，即Cω0-m副I，r阳'í，l=Me时di阳缸皿1币VadR:l ⑤本文采用的方法是，首先按照H股股本和H股价格计算H股市值，然后将全部A股股本(包括非流通股)乘以A股价格得A股市值，最后将两部分相加得到总市值。1'72国际金融研究
阑珊跚跚棚..盟 llIDl困(1)计算.1CoVaR:=γ与(VaR-VaR ) (10) qO52. MES的估计本文对MES的估计依据Brownlees& Engle (2012)的思路。首先，引入二元动态时间序列模型:r时=σ叫ε刷民，t=σi.，Pi"Bm，'+σi，t训丐:ELt(11) (ε叫，豆，，)-F 其中，σ刚和σu分别代表市场和银行收益率的条件波动率，ρ1，'为市场和银行的条件相关系数B叫和毛IJ是均值为O方差为1的独立同分布随机变量，分别代表对市场和银行的冲击。将式(11)代入式(4)可得:MESi.'=O"呻i，.Et-l问IBm，，<C饥，)阳+σ怦M训辛否，E’ ’--1 (怡ι♀ι.ω忡.1Iε弘肌1B凡|刚m凡"怆，t，<κCωIσ凡酣J归,) = i,.Et-l (rrn,llrrn,l<C )+O"i"泸丐~Et-l(~i)ε时<ClO"m，，)(12) 其中，ßi，，=P~矶Jσm"衡量了基于CAPM模型的市场风险对银行i的影响，E'-I(~i~1ε时<C/O"m，，)衡量了市场和银行尾端分布相关性的影响。其次，采用Scaillet(2005)提出的非参数方法估计式(12)的尾部期望。假设代表金融市场处于危机状态的临界值C取q分位数下市场收益率的非条件VaR，则:主K呼叫εm主K(千ι)~i，'E’_1 (ε皿，1ε，<K)’=1 T , E’_1 (~i，，1εm，，<K) = T ~K(咛且)ZK(咛且)其中，时aRm/σ，时，K仅)=[ , K (U)也K(U)为核函数，h为正频宽参数。本文假设频宽时师，x服从标准正态分布。再次，采用GJR-GARCH模型(Glostenet 址，1993)估计银行和市场的条件波动率町、σ叫:σ;FmG+αmdL1叫mGr:HIL1+BJL-1(13)σi，，=Wi，G+αIAJγIdLII;←1+Rd←(14) (1 r,.<O 其中1:二l'’[,’ ,- f=m. 这一设定用于考察杠杆效应，即相对于正面冲击，负面冲击更能导时lOr[., ~O . 致波动率增加。为了更好地考察厚尾特征，设标准化残差服从t分布。最后，采用DCC模型(Engle，2002; Aielli, 2006)估计银行和市场的条件相关系数队。设P，为银行和市场收益率的时变动态相关矩阵，二者的条件协方差矩阵可以表示为:IσÌ-'O 1f1 P lrσi.' 0 1 H.=.= 1 ，.门'，"11 _’ .’ " . lOσ盹，Jlpi"1 J lO σm，' J Engle (2002 )在其提出的DCC框架中引人正定的伪相关矩阵Q"使得:P，=diag(Q，)吨A吨(Q，)-1I2(15) 然而，Aielli (2∞6)发现Engle(2002)框架下对Q，的估计存在非一致性，因此为了避免这一问题，本文对Q，的估计采用Aielli(2∞6)的修正，即:(16) Q同1-α-ß)S+αε1-1ε~~I+ Q’-I 其中，〈→=diag(Q,) If2B"εt为采用GJR-GARCH模型得到的标准化残差，α和。为非负参数且满足α+ß<l。 国际金融研究7311
监坚fIJIDl噩噩'搁跚跚棚3. SRISK的估计由式(6)可知，估计SRISK的关键是预测银行的LRMES，可以通过蒙特卡罗模拟实现。设当前时刻为t，预测区间为h，预测过程分为四个步骤:第一步，从样本中有放回地随机抽取S次长度为h的标准化残差序列{ε啊，ELJ=1，s=1，…，S;第二步，以样本内最后一期(t期)的动态波动率和相关系数为初始值，结合第一步抽取的标准化残差代入GJR-GARCH和DCC方程，通过迭代计算下一期的波动率和相关系数，进而代人式(11)计算相应的市场和银行收益率;第三步，依据式(17)计算h期市场和银行的累计收益率:(17) RSf，t+l咄=exp{五二，t+'T}-1, f={m,i} 第四步，依据式(18)计算LRMES:zL RL1HhI{R;H1山<C}LRMESi，t+l'呻(C)=-'='-5'川m，l'Tl:tt-n(18) L:=I I{R~，t..l:t ..h <C} 其中，h期累计市场收益率小于临界值C时1{Rm时附<C}=I，反之取0。将LRMES和相应的银行负债、股权市场价值以及适当的k值代人式(6)或式(8)可以得到该时刻的SRISK值。①系统重要性识到万法实证比较--、(一)样本选择与数据来源截至目前，包括H股在内，我国共有17家上市银行，考虑到农业银行、光大银行、重庆农村商业银行于2010年上市，数据较少，因此从样本中剔除，最终选取14家银行为样本，样本区间为2∞8年1月2日至2012年12月31日。其中，民生银行、招商银行、中国银行、工商银行、交通银行、中信银行、建设银行7家银行同时或先后在内地和香港上市。由于民生银行H股上市时间较晚，因此民生银行H股数据区间为2010年1月4日至2012年12月31日。季度资产负债表数据来自于银行历年各期报告，日股票价格和股权市场价值数据来自同花顺iFinD数据库。本文使用的银行日收益率为对数收益率，计算公式为Tt=ln(p/p. ) ，其中p，为银行在t期的股票收盘价。与已有相关研究不同，本文的市场收益率取所有样本银行日市值加权收益率，计算过程中对同时在内地和香港上市银行的A股和H股收益率进行单独加权，从而使得市场收益率能够同时反映A股和H股的波动。②为了捕捉时间变化对模型参数的影响，本文对aCoVaR、MES和LRMES的估计均采用2年期滚动窗口法，同时为了减少计算量，估计的频率为月度。③因此，本文实际的预测区间始于2∞9年12月。估计过程中的相关参数取值如下:估计aCoVaR和MES时分位数q=;估计LRMES时采用6个月的预测期(h=120)，模拟的次数S=1∞∞，鉴于中国金融市场波动的实际情况，假设金融体系出现系统性危机的临界值C=-30%。(二)实证比较依据三种市场指数的定义，本文选择代表个体风险的VaR、代表市场风险的日以及代表银行特征的杠杆率(leverage)和资产规模(size)作为系统性风险的影响因素。图1给出了2009年12月至2012年12月期间所有样本银行各系统性风险指数与主要影响因素月度均值之间的截面关系。①'A+H银行采用式(8)计算SRISK，其他银行采用式(6)。②i十算过程中将以港币计价的H股市值按当日汇率换算成以人民币计价。③本文比较了3年期、4年期和5年期的不同窗口对估计结果的影响，发现不同窗口下得到的结果基本一致，因此为得到更多的样本，本文选择2年期滚动窗口。1174国际金融研究2014’9
跚跚棚r..nDI皿j嗣Q口 . . . . . Qce . 唱。.018'.-气b 呈阳宅♀」0.创Q创<J Q Q但 Q8 Le LE 0,04 Beta VaR A B lC 4∞c ()白的][阳陆的. . 1~3∞c z豆、./2∞c)EHf . E阳出CJ:) 11 13 15 17 19 2COCO∞∞ω(JJJω∞lO(JJJC四α∞14∞∞11'00∞Leverage Size (亿元)C D 固1三种市场指放与相关影响因素截面均值的关系从截面角度看，本文发现dCoVaR与VaR存在较大差异，这与Adrian& Brunnermeier (2011) 的研究结果一致，银行较大的个体风险并不意味着较高的系统性风险贡献(见图lA)。从表1可以看出，dCoVaR与银行规模之间的关系并不显著，而且与其他商业银行相比，四家大型商业银行的个体风险水平最低。但是从系统性风险贡献率的角度看中国银行、工商银行和建设银行个体风险的风险溢出能力较高，这与肖琪等(2012)的研究结果基本一致。表1基于ßCoVaR的上市银行系统重要性排序排名 CoVaR VaR 1 浦发银行华夏银行中国银行招商银行2 宁波银行工商银行交通银行3 兴业银行建设银行4 工商银行离原银行交通银行民生银行平安银行浦发银行5 兴业银行6 浦发银行民生银行7 南尽银行招商银行招商银行北尽银行中信银行8 ~t尽银行宁波银行北尽银行9 南王丑银行中信银行民生银行10 中信银行11 建设银行交通银行兴业银行中国银行12 工商银行平安银行华夏银行建设银行宁波银行13 14 平安银行中国银行华夏银行注:该排序为2012年12月份的结果A+H的银行均以A股数据为准。MES与日高度相关，银行的边际期望损失主要取决于该银行面临的市场风险(见图1B)。从表2可以看出，MES与银行规模之间的关系也不显著，招商银行面临的市场风险最大。从前文对自的定义可知，市场风险取决于两个因素:银行和市场的相关性以及银行的波动率。从图2可以看出，虽然2014’9 国际金融研究7511
四E皿噩噩E圃'四"帽ZE各银行与市场的相关性较高，但是不同银行之间的差异并不明显。从图3可以看出，大型商业银行的平均动态波动率显著低于其他商业银行，这正是大型商业银行面临较低的市场风险的主要原因。尽管这样，考虑规模因素以后，大型商业银行的绝对风险贡献仍然要高于其他商业银行，绝对风险贡献最高的分别是建设银行、工商银行和中国银行，与苏明政等(2013)的研究结果基本一致。表2基于MES的上市银行系统重要性排序排名MES Beta CES~ l 招商银行招商银行建设银行2 兴业银行民生银行工商银行3 民生银行兴业银行中国银行4 北尽银行北ER银行招商银行5 华夏银行华夏银行交通银行6 宁波银行宁波银行民生银行7 平安银行平安银行兴业银行8 南京银行南尽银行中信银行9 浦发银行浦发银行浦发银行10 中信银行中信银行北尽银行11 建设银行交通银行平安银行12 工商银行建设银行华夏银行13 交通银行工商银行宁波银行14 中国银行中国银行南乐银行注:该排序为2012年12月份的结果A+H银行MES，Beta的比较以A股数据为准，由于CES%具有可加性，A+H银行CESI1岛的比较以A股和H股加权后的结果为准。 o. 7 O. 1 0 妆，矿、c铲c乒松~，"1;乒乒JPe萨♂心Pcdb护c铲c铲心Pctp d铲拚c沪c萨'护c沪c沪c沪c沪￠币'护c萨"萨'护c静'护c苦vdvc4'一一-大型商业银行-…..0其他商业银行图2我国上市银行的平均动态相关系数 二 .. . 二，二.0 , . , , . . , . 一一 ‘于 。d'c乒乒乒c伊拉r;::，...，.'V忡忡...，.r;::，'o♂心P〈Fc手v沪庐ß'♂'V...，.'V♂3小个个个命个小小小个小个个命命命小个气i''V~ 'V~ 'V~ 'V~ 'V~ 'V~ 'V~ ’1)"’ ’V" '1)叫~’V" ’V" ’V" ’V" 'lì叫t>"'’1 一一-大型商业银行……·其他商业银行图3我国上市银行的平均动态波动率SRISK与银行杠杆率的相关度较弱，但是与银行规模高度相关(图lC、D)。从表3可以看出，四家大型商业银行系统性风险贡献最大，其次是股份制商业银行，最后是城市商业银行。从整个样1176国际金融研究
噩喇喇翩翩圆圆11血困本区间来看，四家大型商业银行的系统性风险贡献占比约为60%-70%.股份制商业银行的占比约为309奋斗0%.城市商业银行的占比低于4%。表3基于SRISK的上市银行系统重要性排序排名SRISK Leverage Size 建设银行华夏银行工商银行工商银行平安银行建设银行2 中国银行兴业银行中国银行3 4 交通银行浦发银行交通银行5 兴业银行中国银行招商银行浦发银行中信银行兴业银行6 7 中信银行民生银行民生银行民生银行交通银行浦发银行8 招商银行9 ~~尽银行中信银行平安银行南京银行平安银行10 华夏银行宁波银行华夏银行11 北京银行工商银行北尽银行12 宁波银行招商银行宁波银行13 南尽银行建设银行南f丑银行14 注:该排序为2012年12月份的结果。总体上，从截面角度看，不同的市场指数得到了不同的系统重要性排序结果。接下来，我们进一步考察三种市场指数与主要影响因素之间时间维度的相互关系。数据的处理上，单位根检验结果显示该面板数据是平稳的，根据Hausman检验结果选择固定效应模型，同时针对模型表现出的异方差和截面相关性，采用Driscoll& Kraay (1998)的方法对标准差进行调整，以增强稳健性。①表4给出了各市场指数与主要影响因素的面板回归结果。从表4可以看出，虽然从截面角度看.LlCoVaR 与VaR相关性较弱，但是从时间角度看，银行VaR的变动是LlCoVaR变动的主要驱动因素，二者呈显著正相关。这同时意味着银行个体风险对系统性风险的贡献率较为稳定。不管从截面还是时间角度看，市场风险都是MES的主要驱动因素，此外个体风险与MES的变动也呈显著正相关。杠杆率和规模的变动是SRISK变动的主要驱动因素，但是个体风险和市场风险对SRISK的影响不显著。袭4各指数对主要影晌因素的回归结果dCoVaR MES ln (SRISK) 回归1回归2回归3回归4回归5回归6回归俨-’ ∞阳阳o.∞g Constant 59) () () () ) ( -5.() ( (2) ’阳 VaR () () () () -0.α)() 阳’" -0.α)() Beta ( ) () () (卢)-0.创)()’" ’" ∞" Leverage () () () ( ) o.∞4" ’" -’ Ln (Size) () () () () 观测数513 513 513 513 502 502 502 Adj R-squared 注*、牌和***分别代表1Qt:l岛、5%和1%的显著性水平:括号内数值为相应的t值。针对单个变量的回归，本表只给出了对因变量影响最大的回归结果。①具体可以采用stata软件处理，参见Hoechle(2∞7)的研究。 国际金融研究
E}mmG踵'酣棚躏酣睡表5给出了基于指标法的2012年上市银行系统重要性排序。从表5可以看出，大型商业银行具有更高的系统重要性，规模最大的工商银行系统重要性得分最高，规模相对较小的交通银行系统重要性得分虽然高于股份制商业银行，但差距并不明显。规模最小的城市商业银行系统重要性得分最低。指标法的构建主要基于银行的资产负债表数据，资产规模较大的银行各项资产负债业务往往也具有较大的规模，因此不难看出规模是指标法的最主要影响因素。表5基于指标法的上市银行系统重要性排序排名银行规模关联性复杂性可替代性得分1 工商银行 中国银行2 ω32 建设银行3 交通银行4 兴业银行5 民生银行6 7 招商银行 浦发银行8 ∞4 中信银行9 0~876 平安银行10 。;悦。 11 华夏银行 北京银行12 的 宁波银行13 O.∞5308 O.∞3983 商Ji!，银行14 O.∞9531 O.∞3048 注:该排序为2012年12月份的结果。结论与政策建议-由、本文在同一框架基础上重点考察了aCoVaR、MES、SRISK三种常用的市场模型法。研究结果发现，不同的方法倾向于解释系统性风险来源的不同方面，aCoVaR侧重于反映银行个体风险对系统性风险贡献的影响，MES侧重于反映市场风险的影响，相对于其他商业银行而言，大型商业银行面临较低的个体风险和市场风险，主要原因在于它们具有更低的波动率。SRISK侧重于反映资产规模、杠杆率等银行层面因素的影响。然而加入规模特征以后aCoVaR%表明大型商业银行的个体风险具有更高的系统性风险贡献率，CES%表明出现金融危机时大型商业银行的绝对期望损失更大，SRISK%表明大型商业银行的系统性风险占比超过了60%。这些结果与指标法得到的结果基本一致。事实上，截至2012年底，14家样本银行中四家大型商业银行总资产占比达到了%，资产规模的巨大差距导致了规模因素占优于其他因素，使得不管采用市场模型法还是指标法，大型商业银行均具有最大的系统性风险贡献。这一结果背后的机理在于中国特殊的金融体系特征，大型商业银行均脱胎于新中国成立初期"大一统"的国家银行体系，即使在金融体系多元化发展的今天，大型商业银行仍然占据中国金融体系的主导地位，使得它们天然地具有系统重要性。学术界对市场模型法的研究尚处于发展完善阶段，估计结果的稳健性有待进一步检验。本文认为，鉴于目前中国上市银行数量较少且规模差异较大采用市场模型法衡量上市银行的系统重要性不会优于指标法，应在指标法的基础上，结合反映不同风险来源的市场模型法进行动态评估，实施差异化的监管措施。实际操作过程中，首先，应谨慎对待指标法的赋权比重，赋权行为体现了监管当局的风险判断和偏好，虽然提高某一指标的赋权比重有利于引导银行降低该指标在银行业务中的比重，从而降低其系统重要性得分，但同时对其他指标较低的赋权比重又会带来反向的激励。因此，在没有更好的约束机制的情况下参考G-SIBs的估计方法可行的做法是给每一指标赋予相同的权重。其次，指标的构成和估计过程应该公开、透明，并且具有连续性和稳定性，以合理引导1178国际金融研究2014’9
睡醒躏醋捆匾血幽国银行的预期和行为。再次，监管部门应当重视相关数据的搜集和整理，建立完善的风险监管数据体系。最后，加快金融市场化改革，打破市场分割，完善市场在金融资源配置上的决定性作用是准确识别中国系统重要性银行的制度保障。(责任编辑辛本胜)参考文献:[1]巴曙松，高江健.基于指标法评估中国系统重要性银行口].财经问题研究，2012 (9): 48-56 [2]方意，赵胜民，王道平.我国金融机构系统性风险测度一一基于DCC-GARCH模型的研究口].金融监管研究，2012 (11): 26-42 [3]苏明政，张庆君，赵进文.我国上市商业银行系统重要性评估与影响因素研究一一基于预期损失分解视角[J].南开经济研究，2013 (3): 110-122 [4]肖瑛，刘轶，杨苏梅.相互关联性、风险溢出与系统重要性银行识别[J].金融研究，2012 (12): 96-106 [5]徐超.系统重要性金融机构识别方法综述[J].国际金融研究，2011 (11): 57-64 [6]严兵，张禹，王振磊.中国系统重要性银行评估一一基于14家上市银行数据的研究口].国际金融研究，2013 (2): 47-57 [7]赵进文，韦文彬.基于MES测度我国银行业系统性风险口].金融监管研究，2012 (8): 28-40 [8] Acharya, V. V., Pedersen, L. H., Philippon, T., Richardson, M. P. Measuring Systemic Risk[R]. NYU Work›ing Paper, 2010 [9] Adrian, T., Brunnermeier, M. K. CoVaR[R]. Federal Reserve Bank of New York Staff Repo巾，2011 [10] Aielli, G. Dynamic Conditional Correlations: On Properties and Estimation [R]. Technical Report, Department of Statistics, Un iversity of Florence, 2006 [11] Banulescu, G.-D., Dumitrescu, E.-I. Which are the SIFIS? A Component Expected Shortfall (CES) Approach to Systemic Risk[R]. Working Paper, SSRN, 2012 [12] Basel Committee on Banking Supervision. Global Systemically Important Banks: Assessment Methodology and the Additional 10ss Absorbency Requirement[R]. BCBS publications, 2011 [13] Brownlees, T. C., Engle, R. F. Volatility, Correlation and Tails for Systemic Risk Measurement [R]. NYU Working Paper, 2012 [14] Driscoll, J., Kraay, A. C. Consistent Covariance Matrix Estimation witb Spatially Dependent Data[J]. The Review of Economics and Statistics, 1998 (4): 549-560 [15] Engle, R. Dynamic Conditional Correlation: A Simple Class of Multivanate Generalized Autoregressive Condition›al Heteroskedasticity Modles[J]. Joumal of Business & Economic Statistics, 2002, 20 (3): 339-350 口6]Glosten, L. R., Jaganantban, R., Runkle, D. E. On the Relation between the Expected Value and the Volatili›ty of the Nominal Excess Retum on Stocks[J].ηleJoumalofFinance， 1993,48 (5): 1779-1801 [17] Hoechle, D. Robust Standard Errors for Panel Regressions with Cross-sectional Dependence [1]. The Stata Jour›nal, 2007, 7 (3): 281-312 [18] Koenker, R., Bassett, G. W. Regression Quantiles[J]. Econometrica, 1978 46 (1): 33-50 [19] Scaillet, O. Nonparametric Estimation of Conditional Expected Shortfall[J]. Insurance and Risk Management Jour›nal, 2005 (74): 639-660 Abstract:ηlere have been many studies on the assessment of China ’s systemically important banks. Based on difIerent approaches or samples, the conclusions are not all tbe same. This paper compares some common approaches under the same framework. The conclusions are as followed: tends to reflect how the nsks of individual financial institutions contribute to systemic risks. MES tends to reflect tbe market risks. SRISK tends to reflect the bank level characteristics such as tbe lever›age level and the size, while tbe size is also one of the main determinants of indicator-based approach. For large commercial banks, the size would play a dominant role compared with other factor百indetermining their systemic risk contributions, which means tbese banks have the highest systemic importance. In the light of current situation of China ’s banking system, market›based approach is not superior to indicator-based approach. It is suggested to combine botb indicator-based approach and marked-based approach to reflect difIerent nsk sources to dynamically assess difIerent banks’ systemic importance. Keywords: Systemic Risk; Systemically Important Bank; Market-Based Approach; Indicator-Based Approach 国际金融研究79如
