银行间困境传染及系统重要性与脆弱性识别——基于DebtRank算法

基于我国各商业银行的银行间资产和银行间负债总体数据,利用最大熵法间接推断得到银行间借贷关联网络.在此基础上,利用DebtRank算法研究了单一冲击和共同冲击情形下我国商业银行损失困境的传染过程,进而衡量银行的系统重要性和系统脆弱性及其影响因素.研究结果表明,在特定情形下,银行损失困境给系统内其他银行造成的权益损失反而比银行违约造成的损失更大.我国商业银行没有位于“高脆弱性/强重要性”区域,表明我国银行体系较为安全.在影响因素方面,平均资产回报率对银行的系统重要性具有显著的负向影响,贷款拨备率、一级资本充足率和同业拆借率均对银行的系统重要性具有显著的正向影响;一级资本充足率和资产规模对银行的系统脆弱性均具有显著负向影响,同业拆借率对银行的系统脆弱性具有显著的正向影响.研究结果不仅有助于各银行了解自身处境,而且为金融监管提供依据.

双向反馈视角下银行业系统性风险评估与防范——基于DebtRank算法的实证分析

银行系统性风险不仅在金融机构内部传染,更有可能源于实体经济的外部冲击。鉴于此,本文将实体行业纳入银行系统性风险分析框架,基于26家银行2008-2019年年报数据,采用DebtRank算法对银行-实体双向传染风险进行研究,探讨二者间风险反馈传导机理,评估系统性风险大小,识别系统重要性与系统脆弱性机构。研究表明,在银行系统性风险评估中,忽略实体行业与银行间的双向反馈关系将低估风险,可能导致决策错误;中、农、工、建、交均为系统重要性银行,部分股份制银行兼具系统重要性与系统脆弱性属性,需监管部门重点关注;制造业、房地产业、建筑业等为系统重要性行业,而此类行业的最大债权银行也恰为系统重要性银行。防范银行业系统性风险不仅要加强银行内部风险控制,更要立足经济金融全局视角精准施策,从源头防范系统性风险的发生。

双渠道下的银行系统性风险研究

金融市场是一个复杂的网络,银行之间不仅通过同业拆借的直接渠道进行风险传染,还通过持有共同资产的间接传染渠道进行风险传染。本文使用2018~2021年193家中国的银行数据,构建了银行间同业拆借网络和银行持有共同资产网络,使用DebtRank算法来度量银行体系的系统性风险。本文结果表明:1) 双渠道下的系统性风险显著都大于各个单一渠道的风险,且行业冲击下的系统性风险更高;2) 我国银行体系的系统性风险总体上逐年下降,但在2020年略有上升;3) 大型银行引发的系统性风险高于小型银行,国有银行抵御风险的能力更强;4) 制造业引发的系统性风险最大;商业租赁行业的流动性状况受新冠肺炎的影响最大,引发的系统性风险在2020年最高;房地产业引发的系统性风险在2021年下降得最为明显,中国对房地产的调控政策在2021年起到了明显的作用。

基金系统性风险影响因素研究

中国公募基金投资者中个体投资者约99.7%,然而个体投资者更容易受到外部环境及情绪的影响,使得在市场面临冲击时产生大量赎回需求,从而增加引发系统性风险的可能。本文首先定义基金间风险敞口,使用DebtRank算法对基金系统性风险进行评估。同时从基金个体、基金市场以及外部环境三个层面选取5个可能对基金系统性风险产生影响的因素。并使用2007~2022年中国股票型基金数据建立固定效应回归模型研究基金系统性风险的影响因素。结果发现系统重要性和脆弱性以及股票市场波动率对基金系统性风险有着正显著作用,而基金规模和基金净值收益率对基金系统性风险有着负向作用。该结果在进行了Heckman两阶段检验后依然成立。本研究为防范基金系统性风险提供一定的决策依据。

改进的DebtRank算法与系统重要性、系统脆弱性研究

从影响因子、传播方式以及影响程度三个方面改进了DebtRank算法并应用到银行同业拆借市场模型中.研究发现,不发生机构倒闭时,在改进的DebtRank算法下系统的损失等于各个机构对系统损失的贡献之和;不同的初始冲击造成的系统损失、机构损失相互独立.根据机构的系统重要性、系统脆弱性是系统内生决定的假设,给出了DebtRank算法下机构的系统重要性、系统脆弱性权值与次序的定义,证明了一般意义下机构的系统重要性次序、系统脆弱性次序分别由损失矩阵列向量与初始所有者权益向量、损失矩阵行向量与初始所有者权益向量决定.另外,对我国银行数据的研究表明机构的系统重要性与系统脆弱性不一致,而且随时间变化,最后对系统性金融风险的监管提出了建议.

基于多层DebtRank模型的银企系统重要性仿真研究

金融是现代经济的核心,经济的持续健康发展离不开金融系统的稳定。本文从银企间不同贷款期限的借贷关系和不同投资周期的共同资产持有关系出发,构建多层DebtRank模型,基于计算实验方法考察银企系统重要性识别效果与银企内部特征。模型仿真结果表明:在模型构建的整个银企系统中,仅有极少部分的银企表现出系统重要性特征。该部分“重要性”银企表现出显著同质性特征,即“重要性”银企的所有者权益及收益处于较高水平,明显异质于所有者权益为负且亏损严重的“脆弱性”银企;相较银企间共同资产持有关系,银企间借贷关系对于多层DebtRank的系统重要性识别更能发挥有效作用;银企多层DebtRank模型较为稳健,可较为真实地从理论层面反映系统“重要性”银企内部特征,有利于监管机构提取并有效识别系统重要性银企进而保证金融系统稳定。

系统性风险:金融系统与实体经济间反馈效应

金融系统与实体经济间高度的关联性,使得系统性风险在金融系统与实体经济间具有反馈效应.本研究提出了度量系统性风险反馈效应方法,并利用中国2013年~2017年银行与实体企业相关数据进行实证研究.结果表明:忽视实体经济的作用,将会造成低估银行系统性风险,实体经济不同行业对银行系统性风险的影响具有显著差异性;银行系统对实体经济系统性风险具有显著影响,而且不同类型银行的影响具有显著差异性;银行系统对整个经济系统的系统性风险贡献程度随着时间在变化,不一定就比实体经济的高.在此基础上,本研究进一步揭示了系统性风险的影响因素.

土地财政与地方政府债务系统性风险传染效应分析

文章基于土地财政与地方政府债务系统性风险密切关联的事实,运用复杂网络理论,借鉴DebtRank算法思想,构建地方政府债券网络级联失效模型,测度省级地方政府债务系统性风险传染效应,并在此基础上分析土地财政与其关联关系。研究发现:(1)银行端系统性风险值显著小于政府端系统性风险值;东、中、西部地区的地方政府债务系统性风险传染效应存在显著差异,东部发达地区的地方政府债务系统性风险传染效应最高,西部欠发达地区的地方政府债务系统性风险传染效应最低。(2)土地财政规模与地方政府债务系统性风险传染效应呈显著的正相关关系且均存在二八效应;系统性风险传染效应高的地方政府节点,其自身脆弱度较低,不易发生系统性风险;自身脆弱度高的地方政府节点,其系统性风险传染效应较低,对整体债券网络的传染效应也比较有限。

银行抽贷、银企网络与系统性风险传染

在系统性风险传染过程中,银行可能主动实施抽贷,该变化将影响银企网络结构中节点的关联程度,进而影响银企网络结构的性质。本文以银行和企业的资产负债表为基础,构建银企间动态的网络结构,根据DebtRank模型,研究抽贷行为通过改变网络结构影响系统性风险的机制。本文以 200家中国企业和 25家银行为样本,实证结果表明在风险传染过程中,抽贷行为具有加速恶化企业部门系统性风险的效果。因此银行的微观审慎行为与宏观审慎监管之间存在一定冲突。在监管过程中,要将银行的微观审慎行为和宏观审慎监管进行协调。

系统性金融风险多层网络传染与控制研究

考虑银行间同业拆借和持有共同资产两种关联,采用债务排序方法构建了系统性金融风险多层网络传染模型,并基于2012~2017年我国银行业数据对系统性金融风险及其影响因素进行了实证研究。研究结果表明,在多层网络中的系统性金融风险要大于单一网络的风险之和,不同规模银行的主要风险来源渠道不同,资产冲击对银行系统的影响要远大于单一银行冲击对银行系统的影响。风险敞口和行业资产规模是系统性金融风险的主要影响因素,并且净资产能够显著降低系统性金融风险。同时,增加银行资产集中度并不会降低系统性金融风险,要同时考虑风险敞口、杠杆倍数等因素的共同影响。此外,相比市场流动性,资产缓冲对系统性金融风险的影响更大,并且存在一个阈值,当大于这个阈值时,系统性金融风险会显著降低。