论文部分内容阅读
2008年美国金融危机爆发,以“次贷危机”为起始点,风险逐渐从基本面传导至“两房”、商业银行、投资银行、保险公司,众多重量级金融机构陷入困境,局势很快就演变为整个金融系统的巨大危机。金融危机从美国开始逐渐传染至欧洲、亚洲,最终蔓延至全球,中国的金融体系也未能幸免。此后,金融风险管理尤其是系统性风险管理成为了全球学者研究的重大课题。2015年中国A股股灾的爆发,给我国的金融风险管控体系提出了更高的要求。在当前我国金融体系不断发展、金融全球化进程不断推进的大背景下,深入研究系统性风险问题、防范风险爆发,对于我国宏观经济的持续发展具有重要意义。目前我国股市还处于发展中新兴市场,关于防范股票市场中系统性风险的相关规章制度与监管手段都不够完善与成熟。因此,发展更先进的系统性风险度量手段,增强对系统性风险的机构的预警能力,深化对系统性风险的影响因素的研究,对于目前阶段的中国股市极为重要。目前学术界对于系统性风险问题的探讨主要在于其定义、形成机理、测度方法、和影响因素。Kaufman(1996)提出了关于系统性风险定义的理论,他认为系统性风险是当市场中单个机构遭遇危机时,由于该机构具有的负外部性,导致整个金融体系的稳定性受到影响,甚至遭受巨大损失的可能性。Minsky(1987)、Kregel(1997)提出了金融脆弱性理论,Slovinetal.(1999)提出的风险传染理论,以此来解释风险产生的原因。在系统性风险的测度方式方面,Adrian和Brunnermeier(2011)提出的Δ CoVaR方法,成为了目前测度风险溢出的主流方式。Karimalis和Nomikos(2014)利用Copula函数的灵活性,再结合CoVaR方法,提出Copula-GARCH-CoVaR方法来度量欧洲银行机构的系统性风险溢出。Martin(1977)使用logit模型对银行的风险进行影响因素分析,并通过logit模型对银行的倒闭构建了预警模型。国内学者赵一林(2018)、叶康为(2017)也通过logit模型对银行的风险进行影响因素分析。然而,当前研究的重心仍然在于针对金融企业的系统性风险研究,而忽视了实体企业对于系统性风险的贡献。传统的线性logit模型无法捕捉错综复杂的市场信息如变量之间的非线性关系,因此logit模型在归因分析和预警分析上并不能达到理想的效果。这些问题都为系统性风险的监管体系提出了新的挑战。本文主要所探讨的问题是系统性风险溢出的测度、风险溢出的显著性检验以及系统性风险的归因分析与预测分析。首先,本文“自下而上”地研究了中国上市公司的系统性风险溢出情况,包括了针对金融企业的风险测度以及非金融企业的风险测度。在此基础上,还考察了上市企业的系统性风险溢出的显著程度,以识别系统性重要企业以及系统性风险溢出较为严重的行业。最后,本文以企业系统性风险的测度结果为基础,研究了企业层面的系统性风险重要影响因素,考察企业规模、企业杠杆、企业盈利能力、企业股票估值等因素对于企业系统性风险的贡献,并在此基础上构建精确度较高的企业系统性风险预警模型,旨在为金融风险管理者提供理论与实践上的支持。考虑到对系统性风险的研究要横跨多个时期,且对中国股市有较大影响力的股票主要集中在沪深300中,因此本文在数据上选择了沪深300指数成分股中的主力成分:182家上市公司,时间横跨2007年至2019年,其中包含了08年全球金融危机以及15年6月中国A股闪崩这两段比较重要的股市危机时期。在对系统性风险的测度上,本文主要采用GARCH-Copula-CoVaRR、CoES方法。在系统性风险溢出效应的显著性测试的设计上,本文构建了衡量企业系统性风险溢出的统计量K。为了得到K统计量的1%分位数,本文使用蒙特卡洛模拟方法得到统计量K的模拟分布。在系统性风险的归因与预测分析中,本文采用了具有可解释能力的决策树模型以及基于决策树衍生的集成学习模型,再结合以机器学习可解释性工具Shapely值,可以捕捉错综复杂的非线性信息。本文的所有科学计算过程均通过Python语言实现,且在整个实证过程中附带了大量由Python包Matplotlib产出的图表将研究结果可视化,使得整个研究过程更为直观且易于理解。本文构建了不同的GARCH-Copula模型,分别对企业与指数之间的整体相关结构与尾部相关结构进行了拟合,并基于此结果计算上市公司的系统性风险溢出:ΔCoVaR、ΔCoES。接下来,本文对不同时期上市公司的系统性风险溢出效应进行了显著性检验,以及针对风险溢出的归因分析和预测分析。本文共分为五个部分,第一章为绪论。第二章为文献综述,对目前研究进行了总结,并提出了目前研究的不足之处。第三章为研究设计,详细阐述了金融时间序列的均值建模ARMA方法、波动率建模GARCH方法、相关性建模Copula方法、机器学习模型方法,以及对于系统性风险测度指标的设计、系统性风险溢出效应显著性检验的设计和系统性风险归因分析的设计。第四章为上市公司系统性风险研究的实证分析部分。在本章,本文在沪深300指数主力成分股2007-2019年的数据的基础上,主要对比了不同Copula模型对企业与指数之间全局相关结构和尾部相关结构的拟合效果,最终确定了针对全局相关结构的学生t-Copula模型以及针对尾部相关结构的Clayton-Copula模型为最优模型,并将此模型应用于所有样本企业CoVaRR、CoES与ΔCoVaR、ΔCoES指标的计算中。基于蒙特卡洛模拟技术,完成了对所有样本企业的系统性风险溢出效应的显著性检验。最后,本文使用不同的机器学习模型对系统性风险进行了公司层面的归因分析和预测分析。第五章为最后一章,主要对本文整体研究做了归纳总结,同时提出了对应的政策监管建议,以及未来的研究展望。本文主要的研究结论有:(1)ΔCoES方法可以更准确地描述上市企业的系统性风险。相较于目前主流的系统性风险测度方法ΔCoVaR,ΔCoES方法可以捕捉到完整的系统尾部风险。(2)根据AIC、BIC指标来看,相对于混合Copula和Skew-t-Copula函数,Clayton-Copula对于指数与股票之间尾部收益率数据的联合概率分布拟合效果更好;而相对于高斯Copula,学生t Copula对于指数与股票之间整体收益率数据的联合概率分布拟合效果更好。(3)根据上市公司系统性风险溢出的测度结果,本文发现工业、金融业、信息技术中的上市企业产生的系统性风险溢出最为显著,这证实了并非只有金融机构会产生显著的系统性风险溢出。在中国金融体系中,若一些系统性重要的实体企业遭遇危机事件同样可能危及中国金融系统的稳健性。(4)从所有行业的角度出发,本文发现估值虚高、杠杆比率偏高、债务规模较为庞大的上市公司会产生更大的系统性风险;资产周转与资产弹性不足、财务风险较大的上市公司,同样更易产生显著的系统性风险溢出。但在金融行业中,情况却略有不同,规模越大、业务结构越复杂的金融企业会产生更大的系统性风险溢出,而金融企业的杠杆情况却对会企业系统性风险影响甚微。(5)相较于传统线性模型逻辑回归,决策树类模型对系统性重要企业的预测精准度更高,其中预测性能最好的是随机森林模型,这表明系统性风险与企业特征之间存在传统线性模型无法描述的非线性关系。本文主要的创新点是:(1)本文使用变周期结构的条件期望损失指标CoES,对中国上市公司包括金融企业以及大量实体部门企业的系统性风险溢出进行了细致深入地测度,在此基础上对系统性风险溢出设计了相应的假设检验,变周期结构的设计实现了与宏观审慎监管之间的一致性,为金融风险监管者提供了一种新的系统性风险测度的视角。(2)本文结合Shapely值与可解释性机器学习模型,从股票估值情况、规模、杠杆、盈利能力等多个角度来对上市企业系统性风险进行归因分析,动态地描述了企业微观因素对企业系统性风险的影响,为系统性风险的影响因素分析提供了新的方法与视角。(3)考虑到企业系统性风险与影响因素之间可能存在复杂的非线性关系,本文基于决策树的集成学习模型构建了中国系统性重要上市企业的预警模型,为我国金融风险监管者提供了一种新的系统性风险预警手段,也有利于机器学习与人工智能方法在金融风险管理领域里的推广,为金融科技的持续发展做出贡献。由于研究水平有限,本文的不足之处主要在于:(1)在于本文在窗口期的选择上,本文主要考虑到07-10年金融危机以及14年到16年A股的大涨大跌这两段关键时期,将07年-19年分割为四个时间段,具有一定的主观性。(2)本文在对系统性风险进行归因和预测时只考虑了微观公司层面的影响因素,而未将宏观因素以及更加复杂的商业网络因素纳入讨论的范围,而这些因素对于系统性风险的产生也是极为重要的。