论文部分内容阅读
摘 要：随着互联网技术的发展以及互联网金融的创新，互联网金融早已从最早意义上的商业银行开展的网上银行业务扩展到各个业务领域，互联网金融风险被不断放大，同时反过来对商业银行造成了风险溢出效应。从互联网金融发展现实出发，采用偏t分布的GARCH-CoVaR模型测度互联网金融对不同类型商业银行的风险溢出效应。结果发现，商业银行中国有银行风险最小、城商行风险最大。通过比较风险溢出值（%CoVaR）也发现，风险溢出最高的是国有银行，最低的是城商行。这一结论，对监管互联网金融系统性风险溢出，以及促进中国商业银行的稳健发展有一定的意义。
关键词：互联网金融;中国商业银行;风险溢出效应;VaR;GARCH-CoVaR
中图分类号：F832 文献标志码：A 文章编号：1673-291X（2018）36-0050-04
引言
根据国家互联网金融风险分析技术平台的监测数据，无论是数量，还是规模，中国的互联网金融行业已经稳居世界第一，然而也爆发出了新的风险隐患，如e租宝、大大集团和三农资本等平台的跑路事件给投资者带来损失，同时对我国金融系统稳定性造成了一定影响，引起了学术界热议。
对于系统性风险测量方法最先是由国外学者开始探究，最初基于发达金融市场有效性，Huang 等提出了“压力测试法”，但是对于像中国这样的发展中国家而言，此种方法不具有有效性[1];之后，由于博弈论的发展，Tarashev等[2]在博弈论的角度，总结出了夏普利值法，但是由于衡量的系统性风险条件过于苛刻且不实际，这种方法也未能普及[2]。国内方面，尹梅介绍了互联网金融的产生与发展情况，以及互联网金融的发展对传统商业银行的影响，并对此提出了相关建议[3]。张景桐主要针对互联网金融对传统金融的挑战进行相应的探究，以期通过调整传统金融的营销方式，实现传统金融的长期可持续发展[4]。邹静、王洪卫运用主成分分析法测算我国商业银行的系统性风险，接着运用突变分析和SVAR模型等计量方法实证互联网金融对我国商业银行系统性风险的影响，研究了风险路径[5]。吴诗伟、朱业、李拓构建动态面板GMM 模型，实证分析利率市场化与互联网金融对商业银行破产风险及不良资产风险的影响。研究结果表明，利率市场化直接推高商业银行破产风险与不良资产风险[6]。
国内对于互联网金融风险较少而且多处于定性分析，对于互联网金融对中国商业银行风险风险溢出效应方面分析甚少。本文从互联网金融发展现实出发，采用偏t分布的GARCH-CoVaR模型测度了互联网金融对不同类型商业银行的风险溢出效应。
（二）互联网金融的风险溢出效应
根据的GARCH-CoVaR的计算方法，计算出互联网金融和所有银行的风险溢出值%CoVaR序列，表4列出了所有银行的VaR序列、CoVaR序列和风险溢出值计算结果。需要说明的是，所有的VaR和CoVaR序列都是在95%的显著性水平下计算得出的，最终结果（如表4所示）。
从VaR和%CoVaR的计算结果来看，是有规律可循的，通过比较风险价值（VaR）可以发现，各类型银行与互联网金融本身具有的风险不同，商业银行中国有银行风险最小，最小的是工商银行和建设银行0.02，城商行风险最大，最大的是上海银行0.09，其中国有和股份商业银行风险均远远小于互联网金融风险，但是城商行比互联网金融风险相当。同时，通过比较风险溢出值（%CoVaR）发现，互联网金融对不同类型商业银行的风险溢出差别较大，风险溢出最高的是国有银行，最大的是建设银行3.47，其次是股份银行，最低的是城商行，最低的是南京银行0.13。再关注VaR与风险溢出值%CoVaR的关系问题，发现这二者也有明显的联系。互联网金融风险溢出值最高的建设银行，其%CoVaR值达到了3.47，但其VaR值仅为0.02。而VaR值最高的上海银行，达到了0.09，但其风险溢出值仅为0.93，比工商银行低了2.54，自身风险较小的银行反倒更容易受到互联网金融风险溢出影响，即互联网金融造成的系统性风险对于自身风险越小的银行溢出效应越大，这不仅证明了传统VaR方法的局限性，更重要的是说明互联网金融的迅速发展，打破了风险管理格局。
三、结论与启示
随着互联网技术发展以及互联网金融的创新，互联网金融早已从最早意义上的商业银行开展的网上银行业务扩展到各个业务领域，互联网金融风险被不断放大，同时反过来对商业银行造成了风险溢出效应。基于此，本文从互联网金融发展现实出发，为贴近我国金融市场非完全有效化的现实，采用偏t分布的GARCH-CoVaR模型测度了互联网金融对不同类型商业银行的风险溢出效应。首先，通过比较风险价值（VaR）发现，各类型银行与互联网金融本身具有的风险差异。之后，通过比较风险溢出值（%CoVaR）发现，互联网金融对不同类型商业银行的风险溢出差别，通过研究本文共得出以下结论和启示。
第一，各类型银行与互联网金融本身具有的风险不同，商业银行中，国有银行风险最小，其中最小的是工商银行和建设银行，其次是股份银行，最大的是城商行风险最大，其中最大的是上海银行。同时发现，国有和股份商业银行风险均远远小于互联网金融风险，但是城商行比互联网金融风险相当。
第二，互联网金融对不同类型商业银行的风险溢出差别较大，风险溢出最高的是国有银行，其中最大的是建设银行，其次是股份银行，最低的是城商行，其中最低的是南京银行。
第三，整体来看，互联网金融和各商业银行自身的风险差异不大，但是互联网金融对各个商业银行风险溢出差异较大。同时发现，自身风险较小的银行反倒更容易受到互联网金融风险溢出影响，即互联网金融造成的系统性风险对于自身风险越小的银行溢出效应越大。
基于以上研究结论，本文得出的政策启示是，密切关注互联网金融和各大商业银行风险，重点关注互联网金融行业和城商行的经营风险;同时关注互联网金融对中国商业银行系统性风险溢出效应，重点跟踪互联网金融对国有银行的溢出风险;严防互联网金融出现极端风险情况后向商业银行传导;互联网金融的迅速发展，打破了风险管理格局，加强各方面宏观审慎监管，才能避免因风险溢出效应加大引起的系统性金融危机。
参考文献：
[1] Huang Xin，Zhou Hao，Zhu Haibin.A framework for assessing the systemic risk of major financial institutions[R].BIS Working Paper，2009，（281）：1-37.
[2] Tarashev N.，Borio C.，Tsatsaronis K.Attributing systemic risk to individual institutions[R].BIS Working Papers，2010，（308）：1-21.
[3] 尹梅.互聯网金融与商业银行关系研究[J].中国商论，2017，（33）.
[4] 张景桐.互联网金融对传统金融的挑战[J].财会学习，2018，（9）.
[5] 邹静，王洪卫.互联网金融对中国商业银行系统性风险的影响——基于SAVR模型的实证研究[J].财经理论与实践，2017，（1）.
[6] 吴诗伟，朱业，李拓.利率市场化、互联网金融与商业银行风险——基于面板数据动态GMM 方法的实证检验[J].金融经济学研究，2015，（6）.
关键词：互联网金融;中国商业银行;风险溢出效应;VaR;GARCH-CoVaR
中图分类号：F832 文献标志码：A 文章编号：1673-291X（2018）36-0050-04
引言
根据国家互联网金融风险分析技术平台的监测数据，无论是数量，还是规模，中国的互联网金融行业已经稳居世界第一，然而也爆发出了新的风险隐患，如e租宝、大大集团和三农资本等平台的跑路事件给投资者带来损失，同时对我国金融系统稳定性造成了一定影响，引起了学术界热议。
对于系统性风险测量方法最先是由国外学者开始探究，最初基于发达金融市场有效性，Huang 等提出了“压力测试法”，但是对于像中国这样的发展中国家而言，此种方法不具有有效性[1];之后，由于博弈论的发展，Tarashev等[2]在博弈论的角度，总结出了夏普利值法，但是由于衡量的系统性风险条件过于苛刻且不实际，这种方法也未能普及[2]。国内方面，尹梅介绍了互联网金融的产生与发展情况，以及互联网金融的发展对传统商业银行的影响，并对此提出了相关建议[3]。张景桐主要针对互联网金融对传统金融的挑战进行相应的探究，以期通过调整传统金融的营销方式，实现传统金融的长期可持续发展[4]。邹静、王洪卫运用主成分分析法测算我国商业银行的系统性风险，接着运用突变分析和SVAR模型等计量方法实证互联网金融对我国商业银行系统性风险的影响，研究了风险路径[5]。吴诗伟、朱业、李拓构建动态面板GMM 模型，实证分析利率市场化与互联网金融对商业银行破产风险及不良资产风险的影响。研究结果表明，利率市场化直接推高商业银行破产风险与不良资产风险[6]。
国内对于互联网金融风险较少而且多处于定性分析，对于互联网金融对中国商业银行风险风险溢出效应方面分析甚少。本文从互联网金融发展现实出发，采用偏t分布的GARCH-CoVaR模型测度了互联网金融对不同类型商业银行的风险溢出效应。
（二）互联网金融的风险溢出效应
根据的GARCH-CoVaR的计算方法，计算出互联网金融和所有银行的风险溢出值%CoVaR序列，表4列出了所有银行的VaR序列、CoVaR序列和风险溢出值计算结果。需要说明的是，所有的VaR和CoVaR序列都是在95%的显著性水平下计算得出的，最终结果（如表4所示）。
从VaR和%CoVaR的计算结果来看，是有规律可循的，通过比较风险价值（VaR）可以发现，各类型银行与互联网金融本身具有的风险不同，商业银行中国有银行风险最小，最小的是工商银行和建设银行0.02，城商行风险最大，最大的是上海银行0.09，其中国有和股份商业银行风险均远远小于互联网金融风险，但是城商行比互联网金融风险相当。同时，通过比较风险溢出值（%CoVaR）发现，互联网金融对不同类型商业银行的风险溢出差别较大，风险溢出最高的是国有银行，最大的是建设银行3.47，其次是股份银行，最低的是城商行，最低的是南京银行0.13。再关注VaR与风险溢出值%CoVaR的关系问题，发现这二者也有明显的联系。互联网金融风险溢出值最高的建设银行，其%CoVaR值达到了3.47，但其VaR值仅为0.02。而VaR值最高的上海银行，达到了0.09，但其风险溢出值仅为0.93，比工商银行低了2.54，自身风险较小的银行反倒更容易受到互联网金融风险溢出影响，即互联网金融造成的系统性风险对于自身风险越小的银行溢出效应越大，这不仅证明了传统VaR方法的局限性，更重要的是说明互联网金融的迅速发展，打破了风险管理格局。
三、结论与启示
随着互联网技术发展以及互联网金融的创新，互联网金融早已从最早意义上的商业银行开展的网上银行业务扩展到各个业务领域，互联网金融风险被不断放大，同时反过来对商业银行造成了风险溢出效应。基于此，本文从互联网金融发展现实出发，为贴近我国金融市场非完全有效化的现实，采用偏t分布的GARCH-CoVaR模型测度了互联网金融对不同类型商业银行的风险溢出效应。首先，通过比较风险价值（VaR）发现，各类型银行与互联网金融本身具有的风险差异。之后，通过比较风险溢出值（%CoVaR）发现，互联网金融对不同类型商业银行的风险溢出差别，通过研究本文共得出以下结论和启示。
第一，各类型银行与互联网金融本身具有的风险不同，商业银行中，国有银行风险最小，其中最小的是工商银行和建设银行，其次是股份银行，最大的是城商行风险最大，其中最大的是上海银行。同时发现，国有和股份商业银行风险均远远小于互联网金融风险，但是城商行比互联网金融风险相当。
第二，互联网金融对不同类型商业银行的风险溢出差别较大，风险溢出最高的是国有银行，其中最大的是建设银行，其次是股份银行，最低的是城商行，其中最低的是南京银行。
第三，整体来看，互联网金融和各商业银行自身的风险差异不大，但是互联网金融对各个商业银行风险溢出差异较大。同时发现，自身风险较小的银行反倒更容易受到互联网金融风险溢出影响，即互联网金融造成的系统性风险对于自身风险越小的银行溢出效应越大。
基于以上研究结论，本文得出的政策启示是，密切关注互联网金融和各大商业银行风险，重点关注互联网金融行业和城商行的经营风险;同时关注互联网金融对中国商业银行系统性风险溢出效应，重点跟踪互联网金融对国有银行的溢出风险;严防互联网金融出现极端风险情况后向商业银行传导;互联网金融的迅速发展，打破了风险管理格局，加强各方面宏观审慎监管，才能避免因风险溢出效应加大引起的系统性金融危机。
参考文献：
[1] Huang Xin，Zhou Hao，Zhu Haibin.A framework for assessing the systemic risk of major financial institutions[R].BIS Working Paper，2009，（281）：1-37.
[2] Tarashev N.，Borio C.，Tsatsaronis K.Attributing systemic risk to individual institutions[R].BIS Working Papers，2010，（308）：1-21.
[3] 尹梅.互聯网金融与商业银行关系研究[J].中国商论，2017，（33）.
[4] 张景桐.互联网金融对传统金融的挑战[J].财会学习，2018，（9）.
[5] 邹静，王洪卫.互联网金融对中国商业银行系统性风险的影响——基于SAVR模型的实证研究[J].财经理论与实践，2017，（1）.
[6] 吴诗伟，朱业，李拓.利率市场化、互联网金融与商业银行风险——基于面板数据动态GMM 方法的实证检验[J].金融经济学研究，2015，（6）.