金融市场对银行业系统性风险的溢出效应及渠道识别研究

方 意 陈 敏 杨嬿平

一、引 言

2008年国际金融危机爆发已有十年之久，但危机爆发的原因仍然引起学界和政策界的持续关注。此次国际金融危机起源于美国的房地产次级贷款市场。美国前期房价的持续攀升以及以房地产次级贷款市场为基础的资产支持证券(MBS)的快速膨胀，使得房地产市场积累了大量风险。当房地产市场由上转下，前期累积的风险必然会通过金融机构直接持有房地产市场贷款的风险敞口渠道以及通过影响资产支持证券市场进而影响金融机构的关联性，对金融体机构的系统性风险产生极大的溢出效应。因此，房地产市场自身风险对金融机构系统性风险的溢出效应对于理解金融体系的系统性风险至关重要。

事实上，房地产市场只是金融市场的子市场。股票市场、货币市场、债券市场以及外汇市场等市场自身也存在一定的风险，这些市场都与金融机构尤其是银行业有各种直接或间接关联性。从中国金融体系运行实践看，中国的房地产市场尤其是一线城市，房价长期持续上涨，已经累积了一定程度的风险。中国房地产市场资金很大一部分来源于银行业，而银行业投放的信贷有较高的比例通过各种渠道流向了房地产市场(方意，2015)。中国的股票市场在 2008年、2015年都经历了巨幅震荡，尤其是 2015年的股市异常波动与银行业有着千丝万缕的关系。此外，自2006年以来，中国利率市场化、汇率市场化等金融自由化进程在加速推进，中国货币市场、债券市场以及外汇市场在不断发展和完善的同时，其波动性也在加剧，其对金融机构系统性风险的溢出效应问题也在日益凸显。那么，如何在一个系统框架下考虑这些溢出效应？如何根据这些溢出效应提出一个有益的系统性风险指标？又如何对这些溢出效应进行渠道识别？这是本文关注的核心问题。

与本文研究紧密相关的文献有两类：关于金融机构系统性风险度量的文献和关于金融市场风险溢出效应的文献。对于金融机构系统性风险度量的研究，目前主流的方法有尾部依赖模型和网络模型两类。其中，尾部依赖模型是以金融机构收益率(或损失率)分布的尾部依存关系为研究对象，最为经典的度量指标包括 Adrian和Brunnermeier(2016)提出的条件在险价值指标(CoVaR)、Acharya等(2017)提出的系统期望损失指标(SES)及边际期望损失(MES)以及Brownlees和Engel(2017)提出的系统性风险指标(SRISK)等。基于此，梁琪等(2013)运用SRISK指标、卜林和李政(2015)采用CoVaR和MES指标分别探讨了中国上市金融机构的系统性风险问题。网络模型则是根据金融机构之间形成的网络形状，模拟系统性风险的传染累积过程(IMF，2009)，如李政等(2016)基于网络分析法探析了中国金融机构网络的总体关联性，方意(2016)、方意和郑子文(2016)分别构建直接关联网络模型和持有共同资产间接网络模型对系统性风险的传染渠道与度量进行了研究。总体来看，这些研究更强调金融机构之间的关联性对系统性风险的影响，这虽然是金融机构系统性风险放大效应的核心机制，却忽略了在更大范围的金融体系环境下金融机构之外的金融市场因素可能会对金融机构系统性风险产生溢出效应。与此同时，已有研究表明，金融机构系统性风险是内生的(Danielsson等，2013)。因此，只有将金融机构放在包含金融机构和金融市场在内的金融体系框架下考察金融市场对金融机构系统性风险的影响，才能更好地认识金融机构系统性风险的内生性问题，也才能提高系统性风险管理的有效性。

对于金融市场的风险溢出效应，已有研究更多地侧重金融市场之间的相互关联性和传染性。其中，李成等(2010)运用四元 VAR(6)-GARCH(1，1)-BEKK 模型分析了中国股票市场、债券市场、外汇市场以及货币市场等主要金融市场之间的溢出关系。王茵田和文志瑛(2010)、史永东等(2013)分别采用VAR模型、Copula函数相关性的分位数测度方法对中国股票市场与债券市场之间的风险溢出效应进行了研究。方意(2015)则基于股票市场内部多维度对多个国家(或地区)主板市场和中小板、创业板市场之间的传染性进行了考察。显然，这些研究主要立足于金融市场本身来探讨金融市场内部结构之间的风险溢出效应，并未考虑金融市场与金融机构之间的溢出效应。事实上，金融体系的系统性金融风险不仅包括金融市场之间的传染性，还包括金融机构与金融市场之间、金融机构之间的传染性等(方意，2015)。因此，将金融市场与金融机构相关联，探讨金融市场对金融机构系统性风险的溢出效应显得尤为必要，这也是本文选题的立足点。

基于已有文献，本文发现对于银行业系统性风险问题的研究不应将视角仅仅局限于银行体系内部银行之间的关联性，而应放在更大的金融体系背景下加入金融市场的风险源因素来考察金融市场对银行业系统性风险的溢出效应。为此，本文尝试对已有研究从以下几个方面进行改进。

第一，从金融体系视角，提出金融市场对银行业系统性风险溢出效应的解析框架，并以此构建改进的系统性风险指标。金融体系是包含金融机构和金融市场在内的一个完整体系。在这个统一框架下，金融市场与金融机构之间是相互关联和相互影响的。探讨金融市场对金融机构尤其是银行业的系统性风险，有利于扩大研究视野，更全面地理解银行业系统性风险的内生性及其生成机理，并借此对传统系统性风险指标进行合理的改进。

第二，根据溢出效应解析式对金融市场溢出效应进行因素分解，并通过经验数据予以量化。具体来说，金融市场的溢出效应可分解为金融市场自身的风险大小、银行在各金融市场的风险承担渠道、金融市场的信息溢出渠道以及单家银行的关联性渠道等四个环节。

第三，证实不同金融市场的溢出效应存在差异性，并通过溢出效应的渠道识别进行了解释。金融市场溢出效应的差异性主要取决于金融市场自身的风险大小、银行在各金融市场的风险承担渠道以及金融市场的信息溢出渠道三个环节。

二、溢出效应模型构建

金融市场的状态改变会影响单家银行和银行业整体风险，进而引起银行业系统性风险的变化。这就是金融市场对银行业系统性风险溢出效应。

（一）银行业系统性风险度量模型的改进

根据Adrian和Brunnermeier(2016)提出的CoVaR模型，本文首先以银行业系统损失率( S ystemt，为收益率的负值)为被解释变量，以单家银行损失率(Xi,t，为收益率的负值)为解释变量，同时加入各类金融市场收益率(或损失率)、波动率(Mk,t)作为状态变量，在q%分位数水平下构建分位数回归模型。具体形式如下：

式(1)中，Mk,t为第 k类金融市场的基本状态变量。k∈{1,2,3,4,5}，分别指代房地产市场、股票市场、货币市场、债券市场、外汇市场 5个金融市场。i指代第 i银行。在式(1)基础之上代入单家银行i在q%分位数下的风险值()，即可计算银行业整体的风险值：

式(2)中，符号“∧”表示估计之后的参数值。式(3)中的 Δ CoVaRi,t为单家银行的系统性风险贡献指标，之所以对单家银行处于中间状态时的银行业风险值进行扣除，原因在于只考虑银行 i出现压力引致的银行业脆弱性。对于单家银行的风险值，本文是以单家银行损失率为被解释变量，以各类金融市场基本状态作为解释变量进行分位数回归估计得到，具体见公式(4)。

当 5个金融市场整体由正常状态转为压力状态(或风险状态)时，单家银行受金融市场风险状态变化的影响也由正常状态转化为压力状态时，金融市场风险状态改变对银行业系统性风险的贡献度可表示为：

式(5)展示了在纳入金融市场风险因素后，金融市场整体风险变动对银行业系统性风险的贡献度，这是本文构建的核心指标。显然，与传统的对比可以发现，本文构建的这一核心指标不仅反映了金融市场风险变动因素，而且也包含了金融市场对单家银行风险的影响成份，考虑了更加内生化的系统性风险。在式(5)中，表示当任意一个金融市场均处于正常状态且单家银行i在金融市场影响下也处于正常状态时的银行业风险值则表示当5个金融市场均处于压力状态且单家银行i处于压力状态时的银行业风险值，具体计算公式如式(6)、式(7)：

式(6)和式(7)中，∀VaRMk,t表示 5个金融市场全处于压力状态，其中 k市场的压力状态(风险状态)值为 V aRMk,t。

借鉴 Adrian和 Brunnermeier(2016)，将金融市场对银行业系统性风险的贡献度以单家银行的资产市值(A)占比为权重进行加权平均，进一步得到考虑了i,t银行相对规模效应的银行业系统性风险。见公式(8)：

式(8)即为本文改进的银行业系统性风险度量指标。与之相对应的则是未考虑金融市场风险变动因素的传统银行业系统性风险指标ΔC oVaRt。显然，改进的银行业系统性风险指标剔除了式(5)中银行业系统性风险在空间维度上的差异性，仅仅从时间维度上刻画银行业系统性风险的动态变化，是本文后续实证关注的核心指标。

（二）单个金融市场溢出效应的度量模型

在某个金融市场和单家银行均处于风险状态下，银行业风险值可表示为：

进一步地，本文将式(11)中金融市场溢出效应在空间维度上的差异性剔除掉，从而得到仅反映时间维度上动态变化的金融市场溢出效应，即：

式(12)即为金融市场溢出效应的解析表达式。该式表明，金融市场溢出效应取决于四个基本要素：(1)金融市场自身的风险大小。表示单个金融市场风险由正常状态转为压力状态的变化程度，由此揭示了该金融市场风险对银行业造成的冲击大小。(2)金融市场与单家银行之间的关联性。表示当单个金融市场的风险状态发生改变时单家银行风险状态的改变程度，反映了单家银行风险状态对金融市场风险状态改变的敏感性。本文利用该变量度量金融市场与单家银行之间的关联性。(3)单个金融市场与银行业系统性风险之间的关联性。则刻画了给定其他条件下银行业风险值对金融市场基本状态改变的敏感度，揭示了单个金融市场与银行业风险值之间的直接关联性。(4)单家银行与银行业风险值之间的关联性。代表银行业风险值对单家银行基本状态改变的敏感度，揭示了单家银行与银行业风险之间的关联性。

基于此，本文认为，金融市场溢出效应的生成机制主要是通过以下环节实现(见图1)。(1)风险源：金融市场本身的风险大小。不同金融市场具有不同的风险特征，对于波动性较大的金融市场，极端情形与正常状态偏差极大，这种市场一旦处于压力情形，会发生巨大的损失，进而可能会对银行业风险造成极大的冲击。(2)传导渠道 1：金融市场的风险承担渠道。不同金融市场与银行业之间的关联路径和方式存在差异，从而形成不同的关联度和影响力。对于与银行业关联度高的金融市场，该市场的风险会迅速传递到单家银行，引起单家银行风险承担行为的改变，最终传递到整个银行业。(3)传导渠道 2：金融市场的信息溢出渠道。金融市场会借助市场自身的信息传递功能对银行业系统性风险产生直接影响。(4)传导渠道 3：单家银行的关联性渠道。在银行体系内部，银行之间存在复杂的直接和间接关联性(方意，2016)。当单家银行的风险发生改变，相互间的关联性会通过传染和放大机制加剧银行业的系统性风险。

图1 金融体系框架下金融市场对银行业系统性风险溢出效应的生成机理

三、变量选取与描述性统计

（一）变量选取及说明

本文主要考察房地产市场、股票市场、货币市场、债券市场、外汇市场5个金融市场。

对于股票市场，本文以沪深 300股票指数的波动率来衡量股票市场运行状态。根据 Danielsson等(2018)的研究可知，股票市场是通过波动率而不是收益率驱动银行业的风险承担。因此，利用股票市场波动率比通常采用的收益率更能反映该市场对银行业风险的影响。该研究发现，股票市场处于高波动率时往往与银行业风险的爆发同步。因此，股票市场波动率越大，越可能对银行业产生溢出效应。与此同时，股票市场波动率与股票市场周期紧密相关。当股票市场处于下行周期时，股票市场波动率越大，股票市场越处于压力状态。在计算波动率时，以20个交易日(约一个月)的窗口期作为基础。

对于房地产市场，本文采用中国证监会(CSRC)房地产行业总股本加权平均收盘价的收益率负值(即损失率)来反映房地产市场运行状态。本文选取房地产行业股票指数来反映房地产行业运行状况主要基于以下原因：(1)满足指标测算的数据高频性要求。本文要计算的系统性风险指标是周频数据，而且其他金融市场状态变量都是选取日频数据进行计算。尽管房地产市场有房价、房地产贷款、房地产销售收入等房地产市场基本面数据，但是这些数据最高只有月频，难以匹配其他状态变量。(2)房地产行业股票指数基本可以反映房地产行业运行状况。范小云等(2013)已经论证了中国股票市场的有效性，并以中国银行业股票数据测度中国银行业风险。此外，房地产行业指数损失率越高，房地产市场压力越大。

对于货币市场，本文采用上海银行间同业隔夜拆借利率(Shibor)表示货币市场运行状态。上海银行间同业隔夜拆借利率是中国应用范围最广的货币市场基准利率之一，能够比较有效地反映货币市场的流动性松紧。当 Shibor升高时，说明银行间市场资金相对短缺，货币市场面临较大的流动性压力。

对于债券市场，本文采用中债综合指数收益率负值(即损失率)来表示债券市场运行状态。中债综合指数能够全面地反映中国债券市场的价格变动趋势，当中债综合指数损失率较高时，意味着债券市场价格较低，该市场处于压力状态。

对于外汇市场，本文采用直接标价法下人民币兑美元中间价的收益率负值(即损失率)表示外汇市场运行状态。美元是主导性的国际结算和计价货币，美元储备在全球和中国外汇储备占比始终在 60%以上。因此，人民币兑美元的汇率水平代表着中国外汇市场人民币汇率的基本走势。长期以来，中国国际收支基本处于顺差地位，国内大多数银行持有的外汇资产通常大于外汇负债。因此，当人民币兑美元汇率损失率上升时，意味着人民币呈升值态势，银行资产负债表遭受较大汇率损失，此时外汇市场处于压力状态。

此外，本文以各金融市场指标的右侧尾部分位数指代金融市场的压力状态。对于单家银行损失率变量，本文采用单家银行股票收盘价的收益率负值表示；对于银行业系统损失率变量，本文采用样本银行总市值加总的收益率负值表示。

（二）描述性统计

基于数据可得性，本文以中国上市商业银行为研究样本。同时，由于中国银行、中国工商银行等大型商业银行主要是在 2007年 9月底之前完成上市，本文最终选取的样本时间跨度为2007年10月12日(周五)—2018年3月30日(周五)，样本为剔除数据缺失严重的中国农业银行和光大银行后的 14家上市商业银行，数据全部来源于Wind数据库。表1为三类基本变量的描述性统计。

关于样本频率的选取，本文的单家银行收益率负值和银行业收益率负值数据均采用周频。对于金融市场数据，本文首先采用金融市场的日频数据进行分位数回归(滚动窗口选择 120个交易日，约半年)，然后采用日期匹配法将每一周的周五数据提出来，从而将日频数据转化为周频数据。此外，本文所涉及的正常状态是 50%的分位数水平，压力状态使用95%的分位数水平。

表1 三类基础变量的描述性统计

四、银行业系统性风险改进指标的度量结果

基于构建的溢出效应模型，本文首先测度在金融市场、单家银行特定风险状态下的银行业风险。然后，测算出金融市场风险状态改变对银行业系统性风险的贡献度。该贡献度指标是从系统性风险空间维度出发看待单家银行对银行业系统性风险的贡献。最后，得到改进的银行业系统性风险指标。该指标则是从系统性风险时间维度出发考察银行体系系统性风险随时间的演进趋势。

（一）改进指标的基本特点

表2为改进指标及相关指标的描述性统计结果。由表2可以看出，在中国5个金融市场风险均处于压力状态下，单家银行风险和银行业系统性风险的平均值为正值，且在金融市场风险状态改变下单家银行对银行业系统性风险的贡献度总体呈现正向(均值为 8.460)。由此可初步论证，当金融市场风险增加，银行业系统性风险也会随之增加。

表2 改进指标及溢出效应指标的描述性统计

（二）改进指标的合理性分析

图 2展示了金融市场压力状态下的单家银行风险和金融市场状态改变下单家银行对银行业系统性风险的贡献度。由图 2可以看出，这两个指标在时间维度上基本一致。这表明，随着时间的推移，伴随着金融市场压力状态下单家银行风险的上升，金融市场状态改变对银行业系统性风险的平均贡献度也呈递增趋势。

图2 金融市场压力下单家银行风险及其对系统性风险的贡献度

此外，Benoit等(2017)已证实，对于给定金融机构 i，采用分位数回归方法估计ΔCoVaR时，银行业系统性风险对单家银行风险的敏感度()在时间维度上为常数。也即，ΔCoVaR与VaR只在空间维度上存在较大差异，而在时间维度上ΔCoVaR与VaR的走势基本一致。本文估计的在时间维度上的一致性也恰恰印证了这一点，也间接证实了本文指标度量的准确性和合理性。

图3进一步对比了传统的与改进的银行业系统性风险指标。从实证结果看，相对而言，改进的银行业系统性风险指标具有更明显的趋势性特点。在历史的系统性风险事件时点(如：2008年第3季度国际金融危机、2013年第2季度中国银行间市场“钱荒”、2015年第2季度中国股市异常波动等)，改进的银行业系统性风险指标均有明显的上升反应。相较而言，银行业系统性风险的传统指标变化则相对平稳，波峰不够显著，尤其是并未识别出2013年“钱荒”带来的系统性风险变化，风险识别能力较为有限。

图3 改进和传统的银行业系统性风险度量指标对比

（三）中国银行业系统性风险的动态特征

基于改进的银行业系统性风险指标，本文进一步考察了中国银行业系统性风险的动态特征。由图3可以看出，自2007年第3季度以来，中国银行业系统性风险的变化大致可分为三个阶段。

(1)第一阶段(2007年第 3季度—2010年第 3季度)：中国银行业系统性风险处于高位。此阶段，中国银行业系统性风险呈现出的特点与当时的国际金融危机紧密相关。2007年8月美国的次贷危机爆发，在2008年第3季度雷曼兄弟破产后，美国次贷危机演变成国际金融危机。在国际金融危机的冲击下，中国国内金融市场不可避免地受到冲击而发生动荡，对银行业系统性风险产生正向的溢出效应(也即增加了系统性风险)。

(2)第二阶段(2010年第 4季度—2014年第 4季度)：中国银行业系统性风险呈现明显的下降趋势。整体而言，该阶段国际金融市场相对稳定，中国经济进入经济转型期，房地产等资产价格泡沫被部分挤掉，国内金融市场价格相对稳定，这在很大程度上降低了国内银行业的系统性风险，并在2014年第4季度达到样本期的最低点。

(3)第三阶段(2015年第1季度—样本期末)：中国银行业系统性风险在经过剧烈波动后开始缓慢增加。在此阶段，中国经历了 2015年 6月的“股市异常波动”和2015年8月的“8.11汇改”，国内金融市场发生剧烈震动，对应的银行业系统性风险也出现大幅上升，随后在低位开始逐步上升。

纵观中国银行业系统性风险的动态变化，本文进一步发现，三次大的危机事件给中国银行业系统性风险带来的影响不尽相同。其中，2008年全球金融危机给中国银行业系统性风险带来的影响明显弱于2015年中国股市异常波动带来的破坏力。这说明，虽然 2008年国际金融危机影响深远，但这次金融危机主要冲击的是以美国为首的发达国家，对中国的影响更多地体现在外部国际环境的恶化，而2015年中国股市异常波动则反映为中国国内市场环境的剧烈震荡，对中国银行业系统性风险的冲击更为直接。此外，2013年“钱荒”对中国银行业系统性风险的影响弱于 2015年的中国股市异常波动。这根本上源于2013年“钱荒”事件主要发生在银行间市场，冲击的是银行等金融机构的融资成本，而 2015年股市异常波动冲击的是股票市场上所有投资者和企业的资产净值，涉及面更广，对银行业影响更大。

五、单个金融市场溢出效应量化及渠道识别

本文首先测度了金融市场分别在正常和压力两种状态下的银行业风险。然后进一步得到当金融市场风险由正常状态转化为压力状态时单个金融市场对银行业系统性风险的溢出效应。在剔除空间维度上个体差异性之后，本文得到单个金融市场溢出效应在时间维度上的动态变化。

（一）金融市场溢出效应的市场差异性

由表2的统计性描述来看，5个金融市场对中国银行业系统性风险总体上均产生正向溢出效应(均值均为正)。但是，不同金融市场的溢出效应存在较大的差异性。其中，房地产市场的溢出效应最显著(均值为6.639)，其次是股票市场(均值为4.397)，而货币市场、债券市场和外汇市场的正向溢出效应水平基本一致，相对较小。这在一定程度上表明，在中国银行业系统性风险的生成过程中，房地产市场和股票市场两大金融市场发挥了较大的作用。由图 4可以进一步看出，房地产市场和股票市场的溢出效应在中国银行业系统性风险中发挥主导性作用，而货币市场、债券市场和外汇市场的重要性则相对较弱。

（二）金融市场溢出效应的渠道识别

根据金融市场溢出效应公式可知，金融市场溢出效应存在差异性的关键之处在于金融市场自身的风险大小、银行对金融市场的风险承担渠道与金融市场的信息溢出渠道三个环节。

1.金融市场自身的风险大小

金融市场自身的风险是金融市场溢出效应生成机制的风险源。由图5可以看出，5个金融市场自身的风险冲击存在较大差别。其中，房地产市场风险波动最大，其次是股票市场和货币市场，而债券市场和外汇市场风险波动极小。事实上，各个金融市场风险冲击的这一特点与中国金融市场的基本现状是相符的。

图4 不同金融市场溢出效应与银行业系统性风险的关系

(1)房地产业作为中国的支柱性产业，对外部经济环境和调控政策极为敏感，造成房地产市场波动剧烈。截至 2017年底，中国房地产开发投资完成额累积达到109798亿元，其对GDP累计同比贡献率达到5%左右。若将与房地产业紧密相关的建筑业和金融业等产业考虑进去，房地产业对经济增长的贡献度大约在 20%左右。与此同时，房地产业受宏观经济运行和政策调控影响极大。2008年全球金融危机带来外部经济环境的恶化、2015年国内面临经济下行和“去库存”政策的压力，这些因素都引起了中国房地产价格的大幅下跌，2009年和 2015年房地产价格同比最大跌幅分别达到2%和6%。

(2)中国股票市场是在经济转型背景下建立和发展起来，受宏观经济运行和政策干预影响较大，从而带来较大的市场波动。股票市场是中国经济的晴雨表。宏观经济运行状况会迅速反应到股票价格上，引起股票价格波动。与此同时，中国股票市场是在由计划向市场的经济转型背景下建立起来，期间市场的制度设计和监管约束不尽完善，行政命令干预也时有发生，股票市场波动势必会增大。类似于房地产市场，受全球金融危机和国内“去库存”政策等的影响，股票市场分别在2008年和2015年也经历了较大波动。但是，由于中国仍以间接融资为主导，股票市场在金融体系占比有限，加之股票市场存在涨跌停板等避免市场过度波动的机制安排，因而股票市场风险波动程度远远低于房地产市场。

(3)受中国金融自由化程度等因素的约束，货币市场、债券市场和外汇市场等其他市场波动并不大。对于货币市场，其是短期资金价格决定的重要市场。虽然中国利率市场化进程不断推进，但利率传导和调控机制仍不够顺畅，货币市场利率波动有限。由图5可以看出，除2011年持续的紧缩货币政策、2013年银行间市场爆发的“钱荒”使得中国货币市场利率出现了剧烈的波动外，货币市场利率走势整体上相对平稳。对于债券市场，该市场是经济主体融资的重要场所，但目前该市场债券品种过于集中，以安全性高的国债和金融债券为主，这些债券较高的信用等级和流动性使得该市场运行整体较为平稳。对于外汇市场，其是外币资产交易的场所，由于中国人民币汇率形成机制尚未完全市场化，加之资本与金融账户尚未完全放开，人民币汇率走势相对稳定。

图5 不同金融市场的风险冲击对比

2.金融市场的风险承担渠道

金融市场的风险承担渠道本质上反映了金融市场与单家银行之间的关联性。由图6可以看出，房地产市场与单家银行的关联性最强，其次是股票市场，而货币市场、债券市场和外汇市场的影响基本一致，明显弱于房地产市场和股票市场。由此说明，房地产市场、股票市场的风险承担渠道发挥的作用更大。

图6 金融市场的风险承担渠道

(1)银行在房地产市场的风险承担。房地产业与银行之间存在紧密的关联性，这一渠道主要通过以下两类关联性实现。

首先，房地产业是银行最重要的信贷业务领域之一，这种直接的敞口关联性使得房地产市场的运行会对银行风险承担产生直接的冲击。根据 Wind数据库统计，2010—2015年间，中国金融机构人民币贷款余额中，用于房地产行业的贷款占比平均为 6.8%，仅次于个人贷款、制造业、交通运输业和批发零售业，而且个人贷款中有60%以上属于个人购房贷款，加之其他行业也在产业链条上与房地产行业存在关联性(方意，2015)，因此金融机构用于房地产行业的实际直接贷款比例估计在 20%以上。此外，银行为绕过金融监管开展的表外理财等影子业务也在很大程度上流向房地产市场，形成对房地产的间接信贷支持。当房地产市场出现风险压力，与房地产直接关联的银行信贷必然遭受损失。

其次，以房地产作为抵押品开展信贷业务是目前最常见的信贷担保模式，这种间接的挂钩关联性使得房地产业对银行风险承担产生放大传染效应。目前，银行在信贷审核阶段，通常要求提供房地产等资产作为抵押品，且授信额度在很大程度上取决于抵押品的市场价值。在经济上行周期，房地产价格呈顺周期上升态势，房地产抵押品价值的上升使得与之挂钩的银行信贷规模不断扩大，这会进一步推升房地产价格，由此形成房地产价格与银行房地产信贷规模的螺旋上升机制。在这一过程中，银行在房地产市场承担了过多的风险。一旦当房地产业受到外部冲击出现价格下跌时，房地产价格与银行房地产信贷规模之间迅速进入螺旋下降模式，银行在资产抛售过程中遭受的损失也在不断恶化，银行风险加剧。

(2)银行在股票市场的风险承担。类似于房地产市场，股票市场与银行之间的关联性主要表现在以下两个方面。

一方面，银行开展的影子业务使其与股票市场存在一定的业务关联性。在当前的监管政策下，中国银行类金融机构不能直接投资于股票市场，但银行资金可通过将表内业务转移到表外或借助通道途径间接进入股票市场，形成股票市场的风险敞口。当股票市场出现波动，这些表外业务也会受到冲击，使银行遭受损失。

另一方面，股票市场对企业资产负债表的影响使其与银行之间也存在一定的间接放大效应。股票作为企业资产的重要组成部分，其价值的变动会对企业资产负债表产生冲击。在股票市场的上行期，股票价值上升会优化企业的资产负债表和提高企业的净值表现，银行的信贷规模和风险承担随之上升，二者也存在螺旋上升机制；而当股票市场波动率较高时，股票价值缩水会恶化企业的资产负债表，这会使得与企业存在信贷业务关系的银行面临较高的信贷违约风险，迫使银行进行降杠杆操作，金融系统进入下行周期。

(3)银行在其他金融市场的风险承担。不同于房地产市场和股票市场，货币市场、债券市场和外汇市场三大金融市场与银行的关联性相对较弱。

对于货币市场，货币市场利率对银行的影响更多是通过资金价格来实现。当货币市场利率下降，银行负债端的资金成本和资产端的投资收益都会受到影响，最终的净效应存在一定的不确定性。与此同时，中国利率市场化进程虽然在不断推进，但存贷款利率的隐性约束(即央行的非正式指导)仍然存在，市场利率整体的波动相对平稳，银行承担的利率风险有限。

对于债券市场，银行通过发行金融债券并持有债券资产参与到债券市场，形成了与债券市场的直接关联性。据Wind上市银行的财务报表附注数据统计，自2006年中期以来，中国银行持有的债券类金融资产占银行全部资产的比例整体偏低，且呈大幅下降趋势，最高仅为 1.4%，目前保持在 0.7%的水平上。这表明银行在债券市场的直接风险敞口较低，债券市场冲击对银行造成的风险相对较小。与此同时，银行持有的债券类资产中，国债和金融债券等安全性金融债券占比高，平均占比在 60%以上，而这些债券具有相对较高的流动性。这意味着，当债券市场受到冲击，银行持有的这些高流动性债券资产易于变现且变现折扣低，这在很大程度上弱化了银行在资产抛售行为下造成的螺旋加速机制。

对于外汇市场，银行的跨境资产与负债业务在一定程度上反映了银行与外汇市场的关联度。根据国际货币基金组织IFS数据库统计，在2006—2017年间，中国存款性银行的跨境资产占银行资产总额的平均比例仅为 2.6%，而跨境负债占其资产总额的比例则不到 1%。由此可见，中国的银行部门在外汇市场上的风险敞口并不大。与此同时，中国资本与金融账户尚未完全放开，银行跨境资金的流动在很大程度上受到约束，因而外汇市场发生波动对银行外汇资产抛售行为的影响极为有限。

3.金融市场的信息溢出渠道

不同金融市场拥有不同的信息量和信息频率，这些信息在一定程度上会改变银行业整体的生态环境，从而改变银行业系统性风险的大小。

由表3可以看出，金融市场信息溢出渠道对银行业系统性风险均具有正向作用。其中，股票市场的信息溢出渠道发挥的作用最大，其次是债券市场和货币市场，而房地产市场与银行业系统风险之间的其它关联性相对较弱。

表3 金融市场信息溢出渠道的描述性统计

股票市场、债券市场和货币市场拥有较为发达的二级市场，市场交易活跃，市场价格也综合反映了市场上宏观经济与微观个体、短期与长期等各个层面上的信息，市场上任何新的信息释放都会在一定程度上引起这些金融市场的价格波动。虽然这些市场的日价格波幅受到制度安排的一定约束，但波动极为频繁和敏感。在房地产市场上，由于交易标的存在较大异质性，交易的活跃程度相对较低，市场价格更多地是反映经济基本面和长期的因素，波动频率低，所包含的信息量相对较少。因此，从信息溢出渠道视角看，相对于房地产市场，股票市场、债券市场和货币市场丰富的价格信息会对银行业系统性风险产生更显著的影响。

六、结论与政策启示

对于银行业的系统性风险测度，已有研究直接从银行体系内部的关联性出发，没有站在整个金融体系视角进行分析，造成对银行业系统性风险的形成机制理解不深。本文从股票市场、房地产市场、货币市场、债券市场、外汇市场等金融市场与银行业之间的溢出效应视角，探讨银行业系统性风险的生成。具体而言，本文得出以下主要结论。

1.本文改进的银行业系统性风险指标加入了金融市场风险变动因素，更全面地考察了银行业系统性风险的生成机制。该指标相对于传统的指标具有更明显的趋势性，而且对银行业系统性风险具有更强的敏感性和风险识别效果。

2.基于改进的银行业系统性风险指标，本文将中国银行业系统性风险划分为三个阶段。第一阶段在2007年第3季度—2010年第3季度，此阶段中国银行业系统性风险处于高位；第二个阶段是2010年第4季度—2014年第4季度，此阶段中国银行业系统性风险呈显著下降趋势；第三个阶段则是2015年第1季度至样本期末，此时中国银行业系统性风险经过剧烈波动后开始缓慢上升。

3.金融市场对银行业系统性风险均具有正向的溢出效应，但不同金融市场的溢出效应存在明显的市场差异性。其中，房地产市场和股票市场的溢出效应最大，在中国银行业系统性风险中发挥主导性作用；而货币市场、债券市场和外汇市场的溢出效应相对较弱，且作用效果基本一致。

4.基于解析表达式，本文识别出金融市场溢出效应的传导渠道，具体包括金融市场自身的风险大小、银行对金融市场的风险承担渠道以及金融市场的信息溢出渠道。(1)从金融市场自身的风险大小看，房地产市场风险波动最大。(2)从金融市场的风险承担渠道看，房地产市场和股票市场风险状态的改变对单家银行风险影响最大。(3)从金融市场的信息溢出渠道看，相对于房地产市场，股票市场、债券市场和货币市场价格对市场信息反应更敏感，对银行业系统风险的作用更显著。

综上所述，房地产市场和股票市场等金融市场对银行业系统性风险具有较大的正向溢出效应，而且这两大市场自身的风险波动以及银行对该市场的风险承担渠道起到关键性作用。因此，从金融市场入手管理中国银行业系统性风险显得尤为必要。为此，本文提出以下建议。

第一，监管部门在管理银行业系统性风险时，不仅要关注银行业系统本身，还应在更大金融体系框架下，密切关注和实时测度金融市场尤其是房地产市场和股票市场自身的风险变化，从风险源头有效控制金融市场对银行业系统性风险的溢出效应。

第二，监管部门应有效监测金融市场与银行部门之间的各种关联性。一方面，应严格监控银行的表外理财、委托贷款与投资等表外资产业务，切断银行与房地产、股票市场的隐性关联，防范银行在金融市场上的过度风险承担。另一方面，进一步完善逆周期监管政策和措施，削弱银行业信贷活动与房地产市场和股票市场之间的螺旋加速机制，以有效防范系统性风险在上行金融周期的过度累积。