系统性金融风险测度方法及对中国的启示

开篇：润墨网以专业的文秘视角，为您筛选了一篇系统性金融风险测度方法及对中国的启示范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

学术界在反思已有测度方法为何没能对危机提出及时预警的同时,还在努力尝试发展更为有效的新测度方法。尽管此类研究在实践应用中往往不尽如人意,但由此拓展对系统性金融风险的更新和更深刻的认识,对于构建牢固金融体系仍具有重要的启示作用。

危机前系统性金融风险测度的主要思路

系统性金融风险测度的核心是金融危机,即金融机构大量损失或大量倒闭引起实体经济严重混乱的事件。从这一研究范畴看,系统性金融风险测度要重点实现以下功能:要能提供金融危机发生的先行信号而非同步信号;要能够充分考虑导致金融危机发生的相互影响行为;要能够充分说明危机的传递机制。

但实现系统性金融风险测度功能所面临的最大困难在于很难找到一个稳定且具有普遍解释力的金融危机成因分析框架。历经多年的研究,学术界发展了三种类型的系统性金融风险测度工具。但这些工具在原理上都与实践的要求有相当大的差距。

指标方法

最简单的系统性金融风险测度指标来自资产负债表,诸如银行的资本化率、不良贷款、贷款损失准备金等这一类的财务指标。IMF列出的“金融稳健指标”是这类指标的典型代表。应用这类指标存在的关键问题是,在给定会计规则的条件下,这些财务指标往往是“后视”的,它们很难作为金融危机的先行显示指标。

相比于资产负债表指标,评级的测度效果要好一点。评级通常是由评级机构或监管者基于更为保密的信息而做出的。评级的优势在于能将信息融入一个“前视”指标,其形式通常是期望违约或期望损失的概率估计。

向量自回归法

在缺少结构型计量模型的情况下,向量自回归(VARs)方法被视为一种能弥补这一缺陷的有用分析工具。VARs是一种典型的数据驱动统计模型,它对理论结构的依赖非常少。其典型方式是,将一系列变量动态化地彼此联系,这些动态关系最终还将受到一系列外生冲击的影响。这一工作机制意味着,如果金融危机可以由这些变量定义,则这一工具在分析系统性金融风险测度方面是多用途的。通过仿真,它能够产生内生变量的概率分布,并进而能够测度在给定时期内发生金融危机的可能性。

宏观压力测试

VARs的缺点催生了使用多模型来测度系统性金融风险的方法,宏观压力测试就是这类尝试的典型代表。与单个机构资产组合的压力测试类似,宏观压力测试是评估金融系统作为一个整体在罕见但又有可能的不利环境下的表现,这些负面冲击往往取自概率分布的尾部。应当说,这一方法显然受到“冲击―扩大”观点的影响。尽管具体形态存在很多不同,所有的宏观压力测试都具有以下共同部分:一个宏观模型,它用于产生外部冲击或追踪宏观经济场景,而这些场景则用来冲击相关部门的资产负债表以评估它们对金融系统的影响。

危机后系统性金融风险测度的新尝试

网络分析

金融网络被广泛定义为所有节点(银行)和链接(信贷和金融关联)的组合。这些链接存在于节点之间并影响节点的属性(例如,银行的资产负债表就受它与其他银行关联的影响),而链接的结构影响了整个系统的表现。金融网络分析的基本流程是:首先建立金融机构彼此间的风险暴露矩阵,而后用仿真冲击来描述金融系统的多米诺效应。在目前的初步研究尝试中,仿真冲击主要有两类:一是某一金融机构的违约可能引发的其他金融机构新一轮违约;二是某一金融机构的违约导致自身流动性紧缩,并引发向其融资的其他金融机构违约。

从理论上讲,金融网络分析在系统性金融风险测度方面具有多样化的功能:能提供不同压力事件下的多米诺效应的测度;能识别系统性联系和相应的脆弱性;能从系统和机构两个层面衡量损失;能追踪传染途径。相对于其他方法,这些功能在识别具有系统重要性金融机构和详细绘制风险传染图方面具有独特优势。

金融网络分析在实践中主要面临两个困难。第一个困难是,需要获取机构彼此间的风险暴露数据。这些相关信息往往只能被一国监管当局所获取,并且其中一些信息的收集和并非基于系统考虑基础之上。例如,银行往往只是在需要的时候将其对其他金融机构和其他国家的风险暴露排他性地发送至监管当局。第二个困难是,对金融机构行为方式的描述往往因过于简单而遭受诟病。一个典型事实是,网络结构形成和演进的机制假定并不能充分捕捉金融系统的反馈循环和内生反应。

协同风险模型

网络分析方法适用于分析金融机构间直接联系的系统效果,这特别适用于银行间市场。从金融稳定和风险管理的视角看,在金融机构层面评估由共同风险因素暴露造成的直接和非直接金融联系同样关键。金融机构典型的共同风险因素是采用类似的商业模式(例如类似的风险管理系统或资产组合)、共同的会计原则、市场对金融机构前途看法的巧合一致。协同风险模型就是通过衡量金融机构风险的相互依赖性来分析相互联系的风险。其具体思路是:在控制了共同风险因素之后,衡量一家金融机构的风险如何相对于另一家金融机构风险的变化而反应。实现这一思路的方法是追踪证券价格,因为一家机构信用风险对其他机构信用风险的影响通常能反映在证券价格之中。

协同风险模型的理论基石是信息能有效反映到价格中去,而这一点在实践中往往并不如此。协同风险模型在计量操作中存在的困难是,金融机构协同风险并没有展示出线性联系,也就是说,风险水平的增长并非成比例的。面对这一困境,分析者需要应用一些非线性分析方法来评估这类风险。一种尝试是应用极值理论。这类方法关注极端事件,而忽略了样本中大比例数据所包含的信息。在样本数据较少的情况下,矛盾尤显突出。另一种流行尝试是应用分位数回归分析。这一方法的思路是,分不同风险级别来识别机构违约风险的决定因素,这些决定因素包括共同风险因素和其他金融机构的违约风险。

危机依赖矩阵

在协同风险模型中,机构协同风险都是配对考察,而后将一家机构对所有其他机构的协同风险平均值视为该机构与系统的联系。此外,考察一群机构彼此联系的更为全面的方法是危机依赖矩阵方法。其基本思路是:首先估计所有机构资产回报的多元联合分布,这些多元联合分布能抓住所有机构彼此间的线性和非线性依赖关联以及这些关联随经济周期的变化,并能相应转化为所有机构的危机联和分布;在获得一系列机构的危机联合分布后,就有可能将这一分布细分为一系列有关危机的配对条件分布。通过这一方法,就有可能获得某一金融机构在其他金融机构陷入困境时遭遇困难的可能。这类条件概率收集汇合就成为危机依赖矩阵。

危机依赖矩阵在计量操作中面临的主要问题是,在将所有机构资产回报的多元联合分布转化为所有机构的危机联合分布过程中,需要依赖一些结构模型和相应基础数据,而这些与结构模型相联系的数据选择最终对结果影响甚大。

违约强度模型

从金融稳定的视角看,评估包括更广泛经济意义上的非直接金融联系也很关键。从某种意义上讲,单家金融机构对金融系统中其他金融机构的影响不仅具有“直接敲打”的影响,还涉及通过对实体经济影响形成的更广泛意义上的交织影响。违约强度模型试图用一种简化形式的银行违约时序统计模型来抓住金融机构间的直接和非直接系统性联系以及违约事件依级别而联系的特点。这个模型的主要特点是:违约率在危机事件中上升,这反映了事态进一步恶化的可能性因溢出效应而增加;违约率上升的程度是违约事件发生前的违约率的函数,这一描述阐明了违约率在实践中的表现。

小结与启示

纵观系统性金融风险测度的发展脉络,可以发现两点值得关注的现象。首先,金融系统的复杂性和不断演进的特性,使得系统性金融风险测度难以找到能较好并完整描述实际情况的理论模型和相应计量方法。这一理论背景决定了单独依靠某一方法就解决系统性金融风测度的想法在短期内难以实现。其次,目前系统性金融风险测度的研究方向集中于金融部门的彼此联系,这些方法大多是从某一视角观测金融危机的某一阶段特征;将多角度多阶段展开的测度研究结论汇总并综合,可能才是观测系统性金融风险测度的可行道路。

基于以上两点看法,本文对中国系统性金融风险测度的工作有如下建议。第一,要注意中国系统性金融风险形成机制的自身特性。目前,间接融资在中国金融系统中还占据主导地位,直接融资尽管发展迅速,但总体规模相对较小,且市场效率并不完全。这些特点决定了中国系统性金融风险测度要重点关注银行系统,并对任何引入证券市场信息的方法都要谨慎。第二,要加强基础数据的收集整理。金融监管当局在信息收集过程中,要强化对系统性金融风险测度的关注,这具体表现在信息指标的设计中。第三,要有侧重的借鉴当前系统性风险测度方法。从中国金融系统的自身特点看,IMF发展的“金融稳健指标”和网络分析方法值得特别关注和尝试。

(作者单位:中水金海北京房地产有限公司)