互联网金融系统性风险度量研究

●本刊特稿

华北电力大学学报(社会科学版)

No.22019

互联网金融系统性风险度量研究

(1.财经大学金融学院,北京　100081;2.国债登记结算有限责任公司,北京　100033)

　　摘　要:互联网金融行业由于其独特的信息科技属性、“长尾”的特点,它的风险交叉传染性更高、可控性更低、负外部性更明显、隐蔽性更强。度量互联网金融系统性风险大小及其风险外溢程度对于维持金融系统的稳定性具有重要意义。本文建立基于分位数回归方程上的静态和动态CoVaR模型,度量了互联网金融行业与金融系统、银行、证券、保险业间的风险溢出关系,发现:金融子行业间存在正向、非对称的风险溢出效应,风险溢出会加大行业的自身风险,互联网金融对传统金融行业的风险总溢出效应显著高于传统金融行业的风险总溢出效应。

关键词:互联网金融;系统性风险;CoVaR模型;溢出效应

中图分类号:F830.95　　　文献标识码:A　　　文章编号:1008-2603(2019)02-0001-12

李建军1,冯　雪2

一、问题的提出

自被称为“互联网金融元年”的2013年起,大数据、云计算等互联网技术的广泛应用,带动了以第三方支付、P2P、股权众筹为代表的互联网金融行业的发展,但是,随之而来的风险问题也不容忽视。党的十九大特别要求“健全金融监管体系,守住不发生系统性金融风险的底线”。但由于缺乏监管以及互联网金融行业自身的风险特点等原因,近些年来,P2P网贷“爆雷潮”、“现金贷”“校园贷”乱象频出、虚拟货币相关的投机炒作盛行等风险问题频发,严重影响了投资者利益和社会稳定。

本文分析互联网金融系统性风险的特征、成因、传导机制,风险的大小、与其他金融行业的相互风险溢出效应,以及监管对系统性风险的影响,揭示其风险现象的原因,构建风险度量模型,测度互联网金融的系统性风险,分析系统性风险的大小以及对其他行业的传染程度,提出应对风险的建议。

二、文献综述

(一)互联网金融及其风险识别

互联网金融的概念最早由谢平(2012)提出,他认为,互联网金融是一个谱系的概念,是受互联网技术和互联网精神的影响,从传统银行、证券、保险、交易所等金融中介和市场到瓦尔拉斯一般均衡对应的无中介的所有金融交易和组织形式。2014年的《中国金融稳定报告》,对互联网金融的定义是借

收稿日期:2019-01-21

作者简介:李建军,男,财经大学金融学院院长,教授,博士生导师。

·1·

华北电力大学学报(社会科学版)

助于互联网技术和移动通信技术实现资金融通支付和信息中介功能的新兴金融模式。互联网金融本质还是金融,只是将互联网技术与金融有机结合,其核心功能、契约、风险等内涵均没有改变(谢平等,2014)。还有一些学者认为,互联网金融只是对金融销售渠道和获得渠道的创新(陈志武,2014)。

基于KMRW声誉模型、互联网经济学理论、梅特卡夫定律和长尾理论,互联网金融作为一种金融创新,显著降低了交易成本、减少了信息不对称、提高了金融运行的效率(王念等,2014)。互联网金融模式的出现使金融中介服务和金融资源配置突破空间和时间,呈现出电子化、系统化、特色化、高效性和自动化的趋势,金融服务效率得到提高(Chien-TaBruceHo等,2009)。互联网金融在提升金融市场运行效率的同时,也带来了更加复杂的金融工具和融资形式,其风险特点使得风险跨机构、跨市场、跨时空关联和交叉感染的可能性更加显著,因此互联网金融面临着很多特殊的风险。刘士余(2014)认为互联网金融主要存在三大风险,分别是机构法律定位不明确、资金的第三方存管制度缺失、内控制度不健全。谢平等(2014)认为互联网金融存在信息科技和“长尾”两类特殊风险。魏鹏(2014)认为互联网金融存在经营主体风险、法律合规风险、技术操作风险、市场流动风险、资金安全风险和货币风险等。互联网金融为传统的民间借贷提供了网络平台,信贷融资渠道趋于“脱媒”固有的信息不对称被放大(张斌,2017)。为此,有必要识别测度互联网金融的系统性风险。

(二)互联网金融系统性风险及其度量

从风险传染的角度来说,Hermosill(1996)认为系统性风险是指金融体系内机构倒闭或市场崩溃等极端事件通过传染一连串的机构和市场,引起多米诺骨牌效应,致使损失不断扩散和蔓延;互联网金融因其本质仍然是“金融”,因此其系统性风险的概念与传统金融具有一致性;但又融合了互联网行业,使其系统性风险具有交叉传染性更强、负外部性更明显、可控性降低、隐蔽性增强的独特特征(彭景、卓武扬,2016)。很多学者对导致系统性风险的具体原因进行了大量的研究。例如,Corsettiet直接或隐性担保时,产生的道德风险问题使得金融机构承担过度的风险。

al.(1999)通过建立货币危机的道德风险模型,提出金融机构由于缺乏必要的监管,特别是得到

对于系统性风险外溢效应的测度问题,Baumol(1963)最早提出了VaR模型,之后,VaR模型得到了大量的应用和推广,然而VaR模型在测度风险时存在对尾部风险测度不充分、低估极端价值波动(如金融危机和股市崩盘等引起的巨额损失)、不能捕捉风险外溢程度和方向的问题。张瑞锋、张世英等(2006)认为国内外已有的文献往往是利用方差间接测度风险,但现实中方差增大并不一定意味着风险增大。因而,他们引入分位数表示金融市场风险,利用金融市场间的影响概率来定量考察波动外溢效应。这一研究具有开创性,即将分位数引入到波动外溢效应研究框架上来。陈建青等(2015)构建静态和动态的CoVaR对我国银行、证券、保险业的风险溢出边际效应和风险溢出总效应进行研究,结果表明我国金融行业间的系统性风险具有正向性和非对称性;张晓(2016)采用AR-GARCH-CoVaR工具,运用指数表示金融市场产品特征,探讨互联网金融与传统金融行业的双向系统性风险的溢出效应。结果显示,互联网金融不仅具有风险最强的特性,还具有风险传染性,与传统金融行业相互进行不对称的风险促进,其中,与银行的相互影响程度最严重。

和虚拟化。同时,因为互联网金融所连接的投资方和融资方彼此是完全陌生的,投资方和融资方之间

三、理论机制分析

(一)互联网金融系统性风险的传递机制

互联网金融是一种新型的市场结构,与银行、证券、保险等金融中介发挥着一样的作用,也是对传统金融资金的一种转移、集聚和分流。所以当互联网金融公司出现资产价格下跌、资金短缺、兑付危机、倒闭等风险时,必定会因业务联系和金融机构间的相互关联性传导至其他金融行业。·2·

李建军等:互联网金融系统性风险度量研究

图1　互联网金融与传统金融的相互关联示意图

当互联网金融受到宏观环境的变化等外部因素或者是自身经营不善等内部因素的冲击时,会造成互联网金融的单个机构或行业内大面积发生系统性风险。违约、坏消息的扩散、外部溢出等均对系统性风险的扩散有一定的解释力,但它们其中都蕴含着资产价格波动的影子(温博慧、柳欣,2009)。Söhnke、Gregory和John(2007)用三种方法量化了334个国际银行(占全球银行总股本的80%)的系统性风险,发现可以通过股票价格的变化来预测系统性风险的发生。

1.抵押品价值———信贷渠道

(二)互联网金融系统性风险的传染渠道

互联网金融的融资平台与传统金融的银行相同,多数情况下放贷时均需要抵押担保。资产价格

则会通过影响抵押品的价值进而对金融风险产生影响。当这段时期资产价格较高时,抵押品价格也升高,进而P2P等发放贷款的平台倾向于发放更多的贷款,借款方的贷款需求也较高。在这种时期,由于P2P网贷平台发放了相对较多的贷款,为之后经济紧缩时产生危机埋下了隐患;当宏观经济环境变差,比如受到了来自方面的冲击,利率升高,资产价格降低,进而使得抵押品价值降低。在这种情况下,P2P网贷平台则会向借款方追加抵押品,而若借款方的经济状况不好无力补充抵押品时,他们甚至会放弃抵押品,继而引发大规模的违约和风险的传染、扩散。

2.资产负债———信贷渠道

与抵押品渠道类似,对于互联网金融借贷平台来说,信用风险是其最主要风险类型。资产价格的

变动会影响借款企业的资产负债情况。当资产价格高时,借款企业的资产负债情况较好,那么其负债违约率也较低;而资产价格下跌时则会导致借款企业的资产负债情况变差,负债违约率提高,引发作为中介的互联网金融平台的倒闭和交易对手方的资产状况。负债违约率与债务人的相关关系可以用下式表示:

p(XD)=

1

1+e-βXD

其中,XD是表示债务人资产负债水平的向量,XD的系数β显著异于0,并且违约率与资产负债率成正相关关系。这说明,债务人的资产负债情况可以继而影响债权人的资产负债情况,当债务人违约时,债权人的资产受到损失,信用风险逐渐外溢。

3.流动性———直接融资、信贷渠道

流动性风险是互联网金融的主要风险之一,互联网金融虽然可以通过技术手段有效地实现流动

性管理和风险预警,但互联网金融业务产生的信用中介活动经常伴随着流动性或期限转换问题,再加上其缺乏风险准备金、存款准备金、存款保险等制度的保障,因此发生流动性风险的可能性较高。当互联网金融企业遭受流动性风险时,首先会影响债权人、交易对手的流动性。比如,当货币市场基金

·3·

华北电力大学学报(社会科学版)

出现大量集中提取协议存款时,会对存款银行带来严重资金紧缺问题,进而传导至市场。当市场发生流动性危机时,金融机构和普通投资者均倾向于抛出股票房地产等资产来回收现金,这会带来资产价格的下跌;同时流动性紧缺会带来利率升高,资产价格进一步下跌;同时,持有类似资产组合的互联网金融机构的债权人会怀疑自己机构的流动性状况,产生市场恐慌,这种行为选择和心理、信息途径会加速和放大风险的传染。

四、测度方法设计

本文对商业银行系统性风险贡献测度是基于CoVaR(ConditionalValueatRisk)法,运用分位数回归测度互联网金融的系统性风险贡献度序列。对于给定置信区间,x%水平下的VaR表示在一段时期内,组合的损失有x%高于VaR值,即VaR值是组合分布x分位点的数值。首先,定义为VaRiq为:其中,金融机构i的随机变量,q为分位点,VaR表示在险价值。条件的概念。根据这个定义,CoVaR可以表示为:

Pr(Xi⩽VaRiq)=q

(1)

CoVaR则是指当一家金融机构出现危机时,整个系统的VaR值,是一个以某个机构经营状态为

C(X)

Pr[Xi⩽CoVaRj||C(Xi)]=qq

i

即某金融机构j发生某事件C(Xj)时,金融机构(或整个系统)i的VaR值。

定义金融机构i对金融机构j的风险贡献度为:

jXj=VaRjqXj=Medianj=CoVaRi|-CoVaRi|ΔCoVaRi|qqq

(2)(3)

本文研究所使用的是各金融行业的股价收益率数据,由于现实中的金融数据是呈尖峰厚尾分布的,不是标准的正态分布,不能采用传统线性回归方法进行估计。相较于传统线性回归,分位数回归可以更加全面的描述被解释变量条件分布的全貌,而不是仅仅分析被解释变量的均值。因为分位数回归能够捕捉分布的尾部特征,所以可以更好地测度由尾部事件引起的金融风险。基于此,本文用分位数回归(QuantileRegression)来计算不同金融行业的CoVaR。首先运用周收益率数据计算静态CoVaR,即样本期内某个金融子行业i对系统性风险的贡献;然后采用日度收益率数据,加以一系列的市场因子为状态变量,建立动态CoVaR模型,估计风险的时间序列动态变化。

(一)不随时间变化的静态CoVaR值的估计方法

为测度单一金融行业陷入困境时对整个金融系统或其他行业的风险贡献度,建立如下分位数回归:

jjj

+βi|Riq=αi|qqR^

^

^

其中Ri代表行业i的收益率序列,Rj代表行业j的收益率序列,Rj对Ri做分位数为q的回归,可以得到估计参数αiq|j和βiq|j。下表达式:

　　通过将样本从小到大依次排序,取q分位数对应的值近似代替无风险价值VaRiq和VaRjq。将无风险价值和估计参数代入方程(),可得到CoVaRiq|j,进而通过下式得到ΔCoVaRiq|j。　　(二)随时间变化的动态CoVaR值的估计方法·4·

jj

=CoVaRi|-VaRiqΔCoVaRi|qq

jjjj

=VaRiq|VaRjq=αi|+βi|CoVaRi|qqqRq

^

^

^

^

(4)

根据CoVaR的定义,CoVaRiq|j为当行业j收益率处于水平时行业i的风险价值,由此可以得到如

(5)

(6)

李建军等:互联网金融系统性风险度量研究

上述方法得到的是某段时间内静态的风险溢出结果,为了得到某段时间内的动态的风险溢出序列,本文使用一系列的滞后一期的状态变量Mt-1来描述资产收益率序列,这些变量可以反映金融系统的状态,并且捕捉到资产收益率尾部风险的时变性,它们有:

(1)波动率指数,本文选用的是MSCI中国A股最小波动率指数;

率之差代表;

(2)流动性利差,度量短期流动性风险,由三个月银行间质押式回购利率与三个月国债到期收益(3)短期国债收益率变化,使用六个月国债到期收益率代表,该指标可以一定程度上反映当前或两个固定收益的因素,用来描述资产收益尾部随时间的变动趋势:

(4)收益率曲线斜率,由十年期国债到期收益率与六个月国债到期收益率的差代表,反映期限(5)信用利差,用十年期2A级的企业债与十年期国债的到期收益率之差代表,该指标一定程度分位数回归估计各上市商业银行R值,分位点选择为5%。

Xjt=αj+γjMt-1+εjt

j

Xit=αi|j+βi|jXt+γi|jMt-1+εi|t

未来的宏观经济状况;

利差;

上是经济周期的指示器。

通过上面两个方程进行分位数回归,可以得到:

^^

VaRjt(q)=αjq+γjqMt-1

^

^

(7)

最后,在此基础上,可以计算j行业对i行业的风险溢出大小:

jj

=CoVaRi|-VaRit(q)ΔCoVaRi|t(q)t(q)j行业对i行业的风险贡献度为:

j

=αi|j+βi|jVaRjt(q)+γi|jMt-1CoVaRi|t(q)(8)(9)(10)

jji

=ΔCoVaRi|%CoVaRi|q(q)q(q)/VaRq(q)

五、实证结果

(一)变量选取与数据说明

本文选取了中证指数公司编制的互联网金融指数,该指数选取了不超过100家与支付、融资、投资、保险、金融信息服务以及其他与互联网金融相关的代表性沪深A股作为样本股,这些公司所做的业务包括第三方支付、P2P、众筹、小贷、互联网基金、互联网券商、互联网银行、互联网保险、征信、金融信息服务等,可以较好地反映互联网金融主题公司的整体表现。对于其他金融行业的股价指数,本文选取了银行、证券、保险业的申银万国二级行业指数,该指数是基于我国行业分类标准基础而编制的二级行业股价指数,对行业内的股价加权平均,反映行业的市场情况,该指数因其分类标准的严格、准确性被国内学者大量引用。以上股价指数的选择具有一定的代表性和权威性。

为消除异方差,对原始股价指数进行求收益率的处理,为使结果更加显著,将结果乘以100:

X=100×ln(

it

PitPit-1

)(11)

对于动态分析中的状态变量,本文用到了MSCI中国A股最小波动率指数、三个月银行间质押式回购利率、三个月国债到期收益率、六个月国债到期收益率、十年期国债到期收益率和十年期2A级的企业债到期收益率用于构造状态变量。

·5·

华北电力大学学报(社会科学版)

本文研究的时间区间是从2012年7月1日到2018年1月5日,因为中证互联网金融指数于

2012年7月1日开始编制。考虑到风险传导的时滞性,静态分析采用的是周股价收益率;为更细致地反映金融行业间的风险外溢情况动态变化,动态分析采用的是日股价收益率。共获得1346个日度数据、284个周度数据,数据均来自WIND数据库。

(二)数据描述性统计

Jarque-Bera检验来检验总体分布的正态性,若收益率数据服从正态分布,则Jarque-Bera检验的p值大于临界值0.05,且偏度和峰度分别在0和3左右。

通过检验发现,所有股价收益率序列的Jarque-Bera统计量对应的p值均小于0.05,说明收益率序列不是正态分布,结果见表1。收益率序列的峰度均大于正态分布时的峰度3;除了保险业外,其他行业收益率图像均左偏,偏度为负;从收益率序列的Q-Q图来看,图形并非直线,并且两端存在弧度。以上结果说明收益率序列确实是呈现“尖峰厚尾”特征,采用分位数回归进行估计更加准确。

　　表1　金融子行业与金融系统股价指数收益率的描述性统计

行业互联网金融

银行证券保险金融系统

均值0.07810.04810.02470.07390.0469

标准差2.00431.65952.47452.01791.7224

偏度-0.6719-0.1559-0.03790.1158-0.1774

峰度5.80049.94636.94597.05758.8431

Jarque-Bera0.69092704.184872.79925.66761920.435

P值0.00000.00000.00000.00000.0000

在测算VaR与CoVaR的时间序列前,需要对数据的正态性和平稳性进行检验。本文使用

位数回归均采用5%分位数水平。

ADF单位根的检验结果显示所有收益率序列都是平稳序列,可以进行分位数回归,本文所有分(三)静态CoVaR模型实证结果

采用周度收益率数据进行静态CoVaR回归,采用EVIEWS6.0得出回归结果见表2。

　　表2　各行业与金融系统间的风险溢出效应测度结果

i系统系统系统系统

j互联网金融

银行证券保险

VaRi-3.50-2.0728-3.4360-2.8562

VaRj-2.2715-2.2715-2.2715-2.2715

α-2.1044(-17.97)-0.8588(-17.84)-1.2672(-22.15)-1.2800(-17.23)

∧

β0.48(17.92)0.94(69.49)0.5886(41.19)0.7319(45.70)

∧

CoVaRi|j-4.0358-2.8223-3.28-3.3703

ΔCoVaRi|j-1.73-0.5508-1.0183-1.0988

对表2的结果进行分析,可以得出:券行业第二,银行业最小。

(1)风险的行业分布:由最大损失价值VaR给出各行业自身风险大小,互联网金融风险最大,证(2)风险边际溢出效应:β的系数表示风险边际溢出效应,即某行业的风险每变化一个单位引起

^^

金融系统风险的变化程度。结果的系数均为正,说明金融子行业的风险增加均会溢出到金融系统中,带来金融系统的风险增长。从β的系数大小可以看出,银行业对金融系统的风险边际溢出效应最大,·6·

李建军等:互联网金融系统性风险度量研究

其风险每增加一个单位,会对金融系统的风险造成0.94个单位的增长;边际风险溢出效应第二大的是保险业,每单位的风险增加会对金融系统带来0.73个单位的风险增长;边际风险溢出效应最小的是互联网金融行业,每单位的风险增加仅会对金融系统带来0.个单位的风险增长。

(3)风险总溢出效应:CoVaR的大小表示的是风险总溢出效应。可以从结果看出当各行业发生

风险时,金融系统的条件风险价值均大于其自身的风险价值,说明各行业发生风险时均对金融系统有溢出效应;△CoVaR是行业风险溢出对金融系统带来的风险增加值。从CoVaR和△CoVaR结果可以得出,互联网金融的风险溢出总效应最大,保险业和证券业的风险溢出总效应大小相近,保险业略大于证券的风险溢出总效应,银行的风险溢出总效应最小。

互联网金融作为新兴的行业,在吸引大量资金流入、大量从事相关业务的公司成立、给一些投资者带来了高收益的同时,也因其的信息科技属性、法律定位不明确、监管滞后等问题,伴随着非常大的风险。P2P行业报告显示,截至2017年底,累计P2P平台数量达到5970家,但其中问题平台数量达到4039家;还有这两年风险频发的贴着互联网金融标签的“股权众筹”、“校园贷”、“现金贷”,实则却是非法集资、高利贷等违法行为。可见,互联网金融这些年的野蛮生长确实使得自身蕴含着很大的风险。我国是银行主导型的金融市场体系,银行在其中发挥着主导作用,并且我国银行业的发展在这些年日益成熟,针对于银行业的风险控制、监督管理、法律法规也相对完善,虽然自2012年互联网金融开始发展以来,对银行业也造成了相当大的冲击,银行的表外业务、创新业务大量增加,但因为银行业具有“大而不能倒”的系统性重要意义,我国针对银行风险业务的监管也是非常及时和严格,降低了风险发生的可能性,所以银行业还是一个相对稳定的行业,其风险在金融系统子行业中也相对较小。改革开放以来,我国建立社会主义市场经济,虽然经过40年的发展,我国市场经济正在日趋完善,但相对于西方发达国家还存在欠缺,这也使得从事直接融资业务的证券行业承受着较大的风险,伴随着我国近几年的资产价格泡沫,影子银行规模的飞速增长,证券行业发行了大量的资管产品、层层嵌套,将资金投入到房地产等高风险行业,所以证券行业的风险也相对较高,位于第二位。而保险业作为具有负债性、广泛性和保障性的特殊行业,其资金来源涉及的承保对象涉及千家万户,所以国家对保险业的风险容忍度很低,其风险位于倒数第二位。

风险边际溢出效应的结果显示,银行业的风险边际溢出效应最大,即金融系统对银行业风险变化的敏感度最高。这与前文的分析也是相符的,我国作为银行业主导的金融市场体系,银行业的风险波动自然对金融市场的风险影响最大。保险业的风险边际溢出效应第二,因为保险业一端连接着广大的承保人、承包企业,另一端保险公司吸纳的保费又使得其成为了市场上重要的机构投资者,为银行、证券业的资管产品提供资金。所以,若保险业发生风险,一方面会使得市场产生恐慌,由公众信心这条传导渠道使得风险传向金融市场;另一方面,会造成资金链的断裂,风险会通过流动性渠道向金融市场溢出。证券业的风险溢出效应位于第三位,没有银行业和保险业强烈,这主要是因为证券公司的债务融资主要依靠债券市场和银行间拆借市场来募集,资金来自公众的比例较小。最后,互联网金融业的风险边际溢出效应最小,这主要是因为互联网金融行业的规模相较银行、保险、证券来说很小,对于市场的渗透度不深,所以单位风险的波动引起金融市场风险波动也相对较为轻微。

衡量风险溢出的总效应的CoVaR和△CoVaR是行业自身风险与边际溢出效应的线性函数,最终综合行业自身风险大小以及其风险边际溢出效应的结果,互联网金融对金融体系的风险溢出程度最大,保险业略大于证券业的风险溢出程度,银行业最小。说明在所选取的时间段内,互联网金融行业对金融体系溢出了最多的风险。

接下来,本文对金融子行业之间的风险溢出效应进行了测度,结果见表3。

·7·

华北电力大学学报(社会科学版)

　　表3　金融子行业之间风险溢出效应测度结果

i银行证券保险互联网金融

证券保险互联网金融

银行保险互联网金融

银行证券

j互联网金融互联网金融互联网金融

银行银行银行证券证券证券保险保险保险

VaRi-3.50-3.50-3.50-2.0728-2.0728-2.0728-3.4360-3.4360-3.4360-2.8562-2.8562-2.8562

VaRj-2.0728-3.4360-2.8562-3.50-3.4360-2.8562-3.50-2.0728-2.8562-3.50-2.0728-3.4360

α-2.1935(-19.88)-2.7911(-21.33)-2.5982(-19.00)-3.1023(-13.56)-2.7783(-13.46)-2.0611(-17.)-2.5858(-21.60)-1.6176(-21.35)-2.0734(-19.01)-3.0727(-15.05)-2.0611(-17.)-2.8263(-19.44)

^

β0.4767(17.81)0.8244(41.97)0.5534(10.82)1.0394(22.95)0.8174(32.87)0.5871(41.33)0.4319(25.34)0.6077(11.04)0.52(16.13)0.8174(32.87)0.8060(39.19)0.5608(8.72)

^

CoVaRi|j-3.8834-5.7137-4.5865-4.2514-4.9361-3.7583-4.6031-3.1017-4.1616-4.6300-3.7583-5.1285

ΔCoVaRi|j-1.8106-2.2777-1.7303-0.70-1.5001-0.9021-1.0581-1.02-1.30-1.085-1.6855-1.6925

对表3结果进行分析,可以得出:

金融行业的风险贡献度大致只有20%—30%。

(1)相较于其他行业的风险溢出,互联网金融行业的风险主要来源于其自身,其他行业对互联网(2)互联网金融对传统行业的风险溢出:对于银行、证券、保险业来说,互联网金融行业的风险溢

出对它们影响最大。在互联网金融行业出现危机的情况下,银行业的风险波动高达87%。互联网金融的产生是对商业银行业务的极大冲击,网贷平台、互联网理财、余额宝的产生对商业银行的资产业务和负债业务的分流和竞争,那么就不可避免地会和银行产生业务联系;而第三方支付公司更是将银行与支付机构实现了直连,将银行的部分流动资金分流至自身的备付金账户。在这种情况下,一旦互联网金融行业发生风险,会使得银行业受到严重的冲击。

互联网金融对保险业也是一次“行业洗牌”般的冲击,作为互联网金融四大细分板块之一,国内首家互联网保险公司———众安保险利用大数据技术和互联网直销,将保险的理念引入生活的各类场景,率先向传统保险行业发起冲击。随后,大量互联网保险公司跟进成立并获得巨额融资。2017年全年,互联网保险实现保费收入1835.29亿元,六年来翻了约20倍。互联网保险实现了传统保险产品线上化,对传统代销模式产生了很大的冲击,各大传统保险公司也纷纷与电商平台合作,实现保险产品的网络直销。因此,当互联网金融的发生风险时,会通过保险产品传导至传统保险公司,互联网金融对保险业的风险贡献度为61%。

(3)传统行业间的风险溢出:传统金融行业间的风险相互溢出效应的结果显示保险业对其他金

融行业的溢出程度高,这是因为保险业在遭遇极端风险时,更容易造成市场恐慌,从而向银行业、证券·8·

李建军等:互联网金融系统性风险度量研究

业溢出。而保险业与其他两个行业的业务往来大多是银行代销保险产品、证券公司代理保险公司买入卖出证券,所以银行、证券业的风险对保险业风险影响相对较小。

(四)动态CoVaR模型实证结果

采用日度股票指数收益率数据和状态变量的日度数据进行分位数回归,结果见表4。

　　表4　风险价值(VaR)模型的参数估计

变量VIXLSC

变量名称常数项波动率

金融系统-1.74560.5292-0.07-0.3688

互联网金融-5.7394

∗

0.4080∗

∗

-1.5069∗

SLOPEYIELDCS

收益率曲线斜率国债收益率流动性利差信用利差

∗∗

0.2349∗

∗

-0.9793∗

-0.0821

1.2868

0.1553∗-0.6388∗-0.1722-1.00811.8398

∗

-2.2441

银行

∗∗

0.4737∗-0.95

-7.0790

证券

∗

注:∗、∗∗、∗∗∗分别表示在1%、5%和10%的置信水平下通过显著性检验。

1.578

4.42∗

-0.1951∗-0.5012

∗∗

0.2590∗-0.7969

-2.33480.7311

保险

0.0205-0.6867

从表4可以看出,无论是金融系统还是各金融子行业,其风险价值均与股市波动率显著相关,从波动率的系数来看,互联网金融行业与证券业是受整个股市波动影响最大的两个行业,股市波动率变化一个单位,会带来这两个行业股价收益率超过0.4个单位的变动;金融系统、互联网金融业和银行业与代表期限利差的收益率曲线斜率显著相关,说明对经济增长和通胀的预期会影响整个金融系统、互联网金融行业和银行业的股价收益率;证券业与国债收益率指标相关,国债收益率可以反映当前债市的行情,当国债收益率较高时说明市场流动性紧张,债券市场低迷,因而证券市场股价收益率较低;流动性利差是三个月银行间回归利率与三个月国债到期收益率之差,度量的是短期流动性风险,除了金融系统和保险业,其他三个行业的股价收益率均会受短期流动性风险影响。

下面研究互联网金融行业的风险溢出情况下,其他行业的条件风险价值。将互联网金融的VaR代入CoVaR与状态变量的分位数回归方程中。得到各行业的在互联网金融发生危机时的条件风险价值(CoVaR)模型的参数估计,结果见表5。

　　表5　条件风险价值(CoVaR)模型的参数估计

变量VaRVIX

i

C

变量名称互联网金融风险价值收益率曲线斜率国债收益率流动性利差信用利差波动率常数项

0.4983

金融系统-2.0988

∗

0.1267∗0.2831

∗∗∗

SLOPEYIELDCSLS

0.4495

0.01170.00931.01

-1.8402

银行

∗∗∗

0.8360

-3.3740

证券

∗∗∗

注:∗、∗∗、∗∗∗分别表示在1%、5%和10%的置信水平下通过显著性检验。

∗∗

-0.2059∗-0.8751

1.1837

-0.2681∗-0.7588

∗

-1.95∗

2.7683∗-0.1434∗

∗

0.1914∗0.5107

∗∗

0.5756∗-0.0505

-1.0638-0.10410.0748

保险

∗

-0.1963∗-1.0081

1%的显著性水平下显著相关,互联网金融的遭受的极端损失每增加一个单位,会导致金融系统、银行、证券、保险业受到的风险损失冲击分别增加0.50、0.45、0.84、0.58个单位。这与静态的风险冲击结果是吻合的,静态的互联网金融的风险冲击下,证券业的风险总溢出效应也是最大的。

与VaR模型的参数估计相比,波动率的影响度有所下降,只有金融系统和证券业在5%显著性水平上显著,这说明股市的波动率会显著影响行业的股价收益率,但在风险的传导机制中,整个股市的波动性影响不大。但我们注意到,流动性利差的系数在CoVaR模型中变得非常显著,并且流动性利

·9·

从表5可以看出,金融系统、银行、证券、保险业的条件风险价值均与互联网金融的风险价值在

华北电力大学学报(社会科学版)

差与各行业的条件风险价值呈负相关关系。这是因为,当流动性利差增大时意味着市场的流动性缩紧,在这种情况下,互联网金融的风险会通过流动性渠道更大程度地向其他行业溢出。

(五)整体分析

互联网金融风险均显著加大了金融系统、银行、证券、保险业的风险,并且可以大致看出,互联网金融对银行业的风险溢出程度较大,并且各行业的绝对条件风险价值与风险价值走势基本一致。从各金融行业的最大损失风险价值和最大条件损失风险价值可以观察到,有两个大致的时间区间风险损失一直在加大并且达到了风险损失的极值,即2013年9月到2014年6月、2015年5月到2015年底。第一个时间区间内,整个股市表现不佳,上证指数在2200点附近震荡,但并没有明显下跌的趋势,而条件风险价值却在这个时间段不断下跌,这主要是因为P2P网贷平台的风险开始显现。来自网贷之家的数据显示,P2P网贷运营平台数量在2010年仅有10家,到2012年增加到了200家,20132013年到2014年,问题平台的数量就从74家增加到了367家,互联网金融所开始显露出来的风险引起了投资者的重视和市场的恐慌,风险在这个阶段出现了像其他行业的外溢。

为了分析风险的相对溢出效应,需要计算风险贡献度,结果见图2所示:

年达到了800多家,贷款余额和投资者数量到2013年底分别达到了300多亿元和17万人。然而,从

图2　互联网金融风险对其他金融行业的风险贡献度时间序列图

从图2可以看出,从2013年中旬到2014年初互联网金融对各行业的贡献度都处于一个高位,尤其是对证券业的风险贡献度非常高。这段时间与各行业的自身风险曲线和绝对风险溢出曲线相同,即缺乏监管的互联网金融风险开始集中爆发,对其他行业有着较大的风险溢出。接下来从2014年底到2016年互联网金融的风险贡献度一直呈现明显的下降趋势,但这段时间各行业自身风险都很大,这说明互联网金融的风险溢出程度降低。2015年7月、8月,监管机构集中出台《关于促进互联网金融健康发展的指导意见》、《互联网保险业务监管暂行办法》、《关于审理民间借贷案件适用法律若干问题的规定》和《关于对通过互联网开展股权融资活动的机构进行专项检查的通知》等文件,针对网络借贷、互联网股权融资、互联网保险等业务都做出了和规范,监管的出台可能是降低了互2015年的集中监管出台之后,互联网金融对证券行业的风险贡献度大大下降,这是因为监管政客户维护等证券业务。但由于近三年来的第三方支付、余额宝的互联网理财依旧在呈现着爆发式的增长,所以对金融系统和银行业的风险溢出依然很大。到2017年底,互联网金融风险的溢出程度又到了一个高位,这是因为2017年底监管机构对金融乱象、资产泡沫在进行集中整顿,市场流动性非常·10·

联网金融风险外溢程度的原因之一,本文将在下一部分具体探讨对互联网金融风险的影响。策明确了证券业务必须在持牌机构内部完成,互联网企业只能定位于导流,不能介入证券开户、交易、

李建军等:互联网金融系统性风险度量研究

差,使得资金链条紧张,资产价格波动剧烈,风险溢出效应加大。

六、研究结论与建议

(一)研究结论

本文用分位数回归的方法度量了互联网金融行业与金融系统、其他金融子行业间的风险溢出关系,分别计算了静态和动态CoVaR。得到以下结论:

1.静态分析结果显示:第一,互联网金融、银行、证券、保险业在自身遭受风险损失时,均会对金

融系统溢出风险。在本文所选定的时间区间内,银行业的风险边际溢出效应最大,互联网金融的风险总溢出效应最大;第二,金融子行业间存在正向、非对称的风险溢出效应,互联网金融对传统金融行业的风险总溢出效应显著高于传统金融行业的风险总溢出效应,并且,银行业受互联网金融行业的风险溢出冲击最大。

2.动态分析结果显示,互联网金融行业会对金融系统以及其他金融子行业带来波动的风险溢(二)建议

出,会加大其自身的风险。并且,风险溢出效应的强弱与互联网金融自身风险大小显著相关,此外,还与市场的短期流动性情况、股市波动情况和监管的实施有一定的关联。

1.健全互联网金融监管体系

在国家层面上出台互联网金融监管的法规,在传统的机构监管的基础上,明确各监管部门的

权责划分,加强各部门的协调配合,避免监管缺位或监管重叠。引入功能监管,对于互联网金融交叉性金融产品、跨市场金融创新的混业经营业务,应进行功能监管,正确处理好互联网金融机构的牌照发放、日常监管和风险处置责任在不同监管机构间的权责划分,防范风险的交叉感染。

2.切实保护金融消费者权益

对互联网金融机构实施除自律监管外的强制监管:第一,加强信息披露和透明度,使得互联网金

融机构充分履行风险告知义务,让消费者详细了解投资产品的风险和收益;第二,完善金融消费者的维权通道和反馈机制,降低消费者的维权成本,通过反馈意见及时做出应对。通过切实保护金融消费者的权益,降低恐慌的扩散和大规模发生风险的可能性。

3.加快建设“监管科技”系统

对于互联网金融不断的技术演进、业务创新和风险变化,监管当局只有随时调整、优化监管,

才能跟得上互联网金融的发展。监管当局可以积极利用监管科技的五大基石———云计算、大数据、人工智能、加密技术,以及区块链等技术创新改进金融监管框架,丰富监管工具和方法,加快建设监管科技系统,提高监管的自动化程度。

[参考文献]

[1]陈志武.互联网金融到底有多新[J].新金融,2014(4):9-13.-100.-23.

[2]陈建青,王擎,许韶辉.金融行业间的系统性金融风险溢出效应研究[J].数量经济技术经济研究,2015(9):[3]刘士余.秉承包容与创新的理念,正确处理互联网金融发展与监管的关系[J].清华金融评论,2014(2):20[4]魏鹏.中国互联网金融的风险与监管研究[J].金融论坛,2014(7):3-9.

(4):4-11.

[5]王念,王海军,赵立昌.互联网金融的概念、基础与模式之辨———基于中国的实践[J].南方金融,2014

·11·

华北电力大学学报(社会科学版)

[6]彭景,卓武扬.我国互联网金融系统性风险的特征、成因及监管[J].西南金融,2016(10):3-7.大学学报,2009(6):76-81.

[8]谢平,邹传伟.互联网金融模式研究[J].金融研究,2012(12):11-22.

[7]温博慧,柳欣.金融系统性风险产生的原因与传导机制———基于资产价格波动的研究评述[J].中南财经[9]谢平,邹传伟,刘海二.互联网金融监管的必要性与核心原则[J].国际金融研究,2014(8):3-9.[10]张斌.互联网金融规制的反思与改进[J].南方金融,2017(3):37-45.

[11]张瑞锋,张世英,唐勇.金融市场波动溢出分析及实证研究[J].中国管理科学,2006(5):14-22.

[12]张晓.互联网金融与传统金融的双向系统性风险溢出效应研究———基于AR-GARCH-CoVaR模型分析[J].[13]Baumol,W.J.AnExpectedGain-confidenceLimitcriterionforPortfolioSelection[J].ManagementScience,1963[14]CorsettiG,PesentiP,RoubiniN.Papertigers?:AModeloftheAsianCrisis[J].EuropeanEconomicReview,[15]Ho,C.T.B.,Wu,D.D.OnlineBankingPerformanceEvaluationUsingDataEnvelopmentAnalysisandPrincipal[16]Lez-HermosilloBG,PazarbasiogluC,BillingsR.BankingSystemFragility:LikelihoodVersusTimingofFailure-[17]SöhnkeM.Bartram,GregoryW.Brown,&JohnE.Hund.Estimatingsystemicriskintheinternationalfinancial

中南财经大学研究生学报,2016(2):-70.(1):174-182.

1999(7):1211-1236.

ComponentAnalysis[J].Computers&OperationsResearch,2009(6):1835-1842.

AnApplicationtotheMexicanFinancialCrisis[J].IMFWorkingPapers,1996(142).system[J].JournalofFinancialEconomics,2007(3):835-869.

ResearchonSystemicRiskMeasurementofInternetFinance

(1.SchoolofFinanceCentralUniversityofFinanceandEconomics,Beijing100081,China;

2.ChinaCentralDepository&ClearingCo.Ltd.,Beijing100033,China)

Abstract:Becauseofitsuniqueinformationtechnologyattributeand“longtail”characteristic,the

LIJian-jun1,FENGXue2

InternetFinanceindustryriskhasthefollowingcharacteristics:highercrossinfectionprobability,lowercontrollability,moreobviousnegativeexternalitiesandstrongerconcealment.MeasuringInternetfinancesystemicriskanditsriskspilloverisofgreatsignificanceformaintainingthestabilityofthefinancialsystem.modelbasedonquantileregression.ThemodelmeasuresVAR(valueatrisk)ofeachindustryaswellasthespillovereffectbetweenfinancialsubsectors.Riskspillovereffectwillincreasetheindustry'sownrisk.Thetheriskspillovereffectoftraditionalfinancialindustry.

Keywords:internetfinance;systemicrisk;CoVaRmethod;spillovereffect

(责任编辑:杜红琴)

WechooseCoVaRmodelwhichbelongstomarketmodelmethodandestablishstaticanddynamicCoVaRriskspilloverdegreebetweenInternetfinanceandthefinancialsystem,thebankingindustry,thesecuritiesindustryandtheinsuranceindustry.Theconclusionsareasfollows:thereisapositiveandasymmetricrisktotalriskspillovereffectofInternetFinanceonthetraditionalfinancialindustryissignificantlyhigherthan

·12·