论文部分内容阅读
随着我国金融自由化进程的加快和全球化的进一步发展，我国金融体系与世界金融体系的联系日趋紧密，这加剧了外部风险冲击对我国金融系统的影响，引发了我国金融市场的动荡。如2013年的“钱荒”，2015年的股市灾难和2016年的“股市熔断”，这一系列的金融风险事件已暴露出我国金融体系的脆弱性，这些危机的背后也都存在着不同程度的银行系统性风险。党的十九大将防范化解重大金融风险作为全面建成小康社会三大攻坚战之一，并指出守住不发生系统性金融风险的底线是我国金融工作的根本性任务。因此，研究我国商业银行系统性风险度量问题，对于维护金融稳定和经济健康发展具有重要的意义。
本文选取沪深300银行指数与我国14家上市商业银行的日度股价市场收益率数据，基于CoES理论对AR-GARCH-CoVaR进行改进，构建AR-GARCH-CoES模型来度量商业银行的系统性风险。相比于传统的CoVaR模型，AR-GARCH-CoES模型能够捕捉超过VaR阈值的尾部损失，能够考虑到更加严重的困境事件，即该指标更关注尾部损失的均值而不仅仅是单一分位点上的期望损失，能够更加合理有效地度量系统性风险。然后，考虑到金融市场波动在时间维度上所呈现的不同特征，本文引入变分模态分解(VMD)方法将商业银行的收益率数据进行分解重构，从时间维度视角度量商业银行的系统性风险，并使用K-S检验方法对其测度结果进行检验。研究结果表明：国有大型商业银行的系统性风险溢出效应高于股份制商业银行和城市商业银行，而股份制商业银行和城市商业银行的自身风险明显高于国有大型商业银行。商业银行的系统性风险贡献在时间维度上存在差异，国有大型商业银行的系统性风险贡献无论在短期还是在长期都高于股份制商业银行和城市商业银行。
本文选取沪深300银行指数与我国14家上市商业银行的日度股价市场收益率数据，基于CoES理论对AR-GARCH-CoVaR进行改进，构建AR-GARCH-CoES模型来度量商业银行的系统性风险。相比于传统的CoVaR模型，AR-GARCH-CoES模型能够捕捉超过VaR阈值的尾部损失，能够考虑到更加严重的困境事件，即该指标更关注尾部损失的均值而不仅仅是单一分位点上的期望损失，能够更加合理有效地度量系统性风险。然后，考虑到金融市场波动在时间维度上所呈现的不同特征，本文引入变分模态分解(VMD)方法将商业银行的收益率数据进行分解重构，从时间维度视角度量商业银行的系统性风险，并使用K-S检验方法对其测度结果进行检验。研究结果表明：国有大型商业银行的系统性风险溢出效应高于股份制商业银行和城市商业银行，而股份制商业银行和城市商业银行的自身风险明显高于国有大型商业银行。商业银行的系统性风险贡献在时间维度上存在差异，国有大型商业银行的系统性风险贡献无论在短期还是在长期都高于股份制商业银行和城市商业银行。