﻿ 互联网金融与中国商业银行之间的风险溢出效应研究
 上海理工大学学报  2020, Vol. 42 Issue (4): 375-383 PDF

Risk spillover effect between internet finance and Chinese commercial banks
DAI Wanrui, YAO Jian
Business School, University of Shanghai for Science and Technology, Shanghai 200093, China
Abstract: Based on the daily stock closing price data of 14 domestic commercial banks and internet finance index from 2013 to 2019, the quantile regression CoVaR model was used to study the two-way risk spillover effect between internet finance industry and state-owned banks, joint-stock banks and city commercial banks. The results show that: first, city commercial banks have the highest risk, and the risk for internet finance does not differ from that for city commercial banks. State-owned banks have the lowest risk. Second, there is a two-way asymmetric positive spillover between Internet finance and various types of commercial banks, and each commercial bank has a stronger risk spillover effect on Internet finance. Third, by comparing and analyzing the risk spillover values between the three types of commercial banks and Internet finance, it is found that the two-way risk spillover effect between Internet finance and city commercial banks is the strongest. Fourth, the size of banks is not the main criterion to determine the risk spillover intensity. The risk spillover effect between Internet finance and city commercial banks may be underestimated.
Key words: internet finance     commercial banks     quantile regression     CoVaR model     two-way risk spillover effect

1 研究模型与方法 1.1 CoVaR模型

20世纪90年代，JP Morgan提出了VaR理论，在风险理论测度方面做出了巨大贡献，现已成为风险管理领域的主流技术，被广泛应用。

VaR称为风险价值，是指某金融机构或市场在某一特定置信区间下可能发生的最大损失，其表达式为

 $\Pr ({X^i} \leqslant VaR_q^i) = q$ (1)

 $\Pr ({X^j} \leqslant CoVaR_q^{j|i}|{X^i} = VaR_q^i) = q$ (2)

 $\Delta CoVaR_q^{j|i} = CoVaR_q^{j|i} - VaR_q^j$ (3)

 ${\text{%}} CoVaR_q^{j|i} = (\Delta CoVaR_q^{j|i}/VaR_q^j)\times 100{\text{%}}$ (4)
1.2 分位数回归

2 实证分析 2.1 样本选取

2.2 数据处理

 ${R_t} = 100*{\rm ln}({P_t}/{P_{t - 1}})$ (5)

2.3 各银行与互联网金融的双向风险溢出效应

 $R_{0.05}^{\rm js} = {\alpha ^{\rm js|\rm hj}} + {\beta ^{\rm js|\rm hj}}R_{0.05}^{\rm hj}$ (6)
 $R_{0.05}^{\rm hj} = {\alpha ^{\rm hj|\rm js}} + {\beta ^{\rm hj|\rm js}}R_{0.05}^{\rm js}$ (7)
 $VaR_{0.05}^{\rm hj} = {\alpha ^{\rm hj|\rm js}} + {\beta ^{\rm hj|\rm js}}R_{0.05}^{\rm js}$ (8)
 $CoVaR_{0.05}^{\rm js|\rm hj} = {\alpha ^{\rm js|\rm hj}} + {\beta ^{\rm js|\rm hj}}VaR_{0.05}^{\rm hj}$ (9)

 $\begin{array}{l} {\alpha ^{\rm js|\rm hj}} = {\rm{ - 2}}{\rm{.354251}},\;{\beta ^{\rm js|\rm hj}} = {\rm{0}}{\rm{.468425}}\\ {\alpha ^{\rm hj|\rm js}} = {\rm{ - 3}}{\rm{.294703}},\;{\beta ^{\rm hj|\rm js}} = {\rm{0}}{\rm{.415645}} \end{array}$

 $\begin{array}{l} R_{0.05}^{\rm js} = {\rm{ - 2}}{\rm{.354251 + 0}}{\rm{.468425}}R_{0.05}^{\rm hj}\\ \;\;\;\;\;\;\;\;\;\;\;\;\;\left( { - 13.80920} \right)\left( {9.887992} \right) \end{array}$ (10)
 $\begin{array}{l} R_{0.05}^{\rm hj} = {\rm{ - 3}}{\rm{.294703 + 0}}{\rm{.415645}}R_{0.05}^{\rm js}\\ \;\;\;\;\;\;\;\;\;\;\;\;\;\left( {{\rm{ - 20}}{\rm{.55772}}} \right)\left( {{\rm{14}}{\rm{.81496}}} \right) \end{array}$ (11)

 $VaR_{0.05}^{\rm hj} = {\rm{ - 3}}{\rm{.294703 + 0}}{\rm{.415645}}R_{0.05}^{\rm js}$ (12)
 $CoVaR_{0.05}^{\rm js|\rm hj} = {\rm{ - 2}}{\rm{.354251 + 0}}{\rm{.468425}}VaR_{0.05}^{\rm hj}$ (13)

 $VaR_{0.05}^{\rm hj}{\rm{ = - 4}}{\rm{.256}},\;CoVaR_{0.05}^{\rm js|\rm hj} = {\rm{ - 4}}{\rm{.348}}$

 $VaR_{0.05}^{\rm js} = {\rm{ - 3}}{\rm{.966}},\;CoVaR_{0.05}^{\rm hj|\rm js} = {\rm{ - 4}}{\rm{.943}}$

 $\Delta CoVaR_{0.05}^{\rm js|\rm hj} = CoVaR_{0.05}^{\rm js|\rm hj} - VaR_{0.05}^{\rm js} = -0.382$
 $\Delta CoVaR_{0.05}^{\rm hj| \rm js} = CoVaR_{0.05}^{\rm hj|\rm js} - VaR_{0.05}^{\rm hj} = -0.687$

 $\begin{split} \% CoVaR_{0.05}^{\rm js|\rm hj} = & [(CoVaR_{0.05}^{\rm js|\rm hj} - VaR_{0.05}^{\rm js})/VaR_{0.05}^{\rm js}]\times \\ & 100\% = 9.63\% \\ \end{split}$
 $\begin{split} \% CoVaR_{0.05}^{\rm hj|\rm js}=&[(CoVaR_{0.05}^{\rm hj|\rm js}-VaR_{0.05}^{\rm hj})/VaR_{0.05}^{\rm hj}]\times \\ & 100 \%=16.14\% \\ \end{split}$

2.4 不同分位数下各银行与互联网金融的双向风险溢出效应

2.5 实证结果分析

3 结论与建议

a. 各上市商业银行风险测度的VaR绝对值均低于CoVaR绝对值，表明在计算风险时使用VaR模型容易低估风险。与VaR方法相比，CoVaR方法更能准确地测度金融机构在面临极端风险时可能存在的风险溢出效应，是一种更全面的风险测量方法。

b. 互联网金融与各类型商业银行的自身风险价值并不一样。国有银行风险最小，其中最小的是工商银行，表明国有银行的风险管控能力较强；其次是股份制银行；风险最大的是城市商业银行。互联网金融风险与城市商业银行风险水平相当。

c. 通过对分位数水平的不同取值，进一步分析互联网金融与各商业银行的双向风险溢出效应，结果表明，互联网金融与各类型商业银行之间均存在双向不对称的正向溢出，且各商业银行对互联网金融的风险溢出效应更强。其中，互联网金融对城商行的风险溢出效应最强、股份制银行次之、国有银行最小。反之，当各商业银行爆发风险时，也会对互联网金融行业造成冲击，其中，城市商业银行对互联网金融的风险溢出程度最大，国有银行与股份制银行相比，更易在极端风险水平下对互联网金融行业产生较大的风险溢出。

d. 当互联网金融行业与各商业银行之间发生风险溢出情况时，银行规模大小并不是决定风险溢出强度的主要标准。现实中，大家的直观感受更倾向于国有银行与互联网金融之间风险溢出效应更强，但实际上可能是城商行与互联网金融的双向风险溢出效应更大，城商行与互联网金融之间的风险溢出程度存在被低估的可能。

 [1] LIN L H, GENG X J, WHINSTON A. A new perspective to finance and competition and challenges for financial institutions in the internet era[J]. Electronic Finance, 2001(7): 13-25. [2] ALLEN F, MCANDREWS J, STRAHAN P. E-finance: an introduction[J]. Journal of Financial Services Research, 2002, 22(1): 5-27. [3] 牛蕊. 互联网金融对商业银行金融效率影响研究[J]. 山西大学学报(哲学社会科学版), 2019, 42(3): 122-131. [4] 管仁荣, 张文松, 杨朋君. 互联网金融对商业银行运行效率影响与对策研究[J]. 云南师范大学学报(哲学社会科学版), 2014, 46(6): 56-64. [5] CLAESSENS S, AYHAN KOSE M, TERRONES M E. How do business and financial cycles interact?[J]. Journal of International Economics, 2012, 87(1): 178-190. DOI:10.1016/j.jinteco.2011.11.008 [6] 戴国强, 方鹏飞. 利率市场化与银行风险—基于影子银行与互联网金融视角的研究[J]. 金融论坛, 2014(8): 13-19. [7] 李庆华, 李峰波, 徐淑华. 互联网金融与商业银行能互利共生吗?—基于利率联动与系统性风险视角[J]. 商业研究, 2019(8): 73-80. [8] ADRIAN T, BRUNNERMEIER M K. CoVaR[R]. New York: Federal Reserve Bank, 2009. [9] STOLBOV M. Assessing systemic risk and its determinants for advanced and major emerging economies: the case of ΔCoVaR[J]. International Economics and Economic Policy, 2017, 14(1): 119-152. [10] 李强, 覃春面, 董耀武. 中美贸易摩擦视角下的股、汇市风险溢出研究[J]. 武汉金融, 2019(10): 3-9. DOI:10.3969/j.issn.1009-3540.2019.10.001 [11] 陈珂, 张竞文. 互联网货币市场基金与金融市场风险溢出效应研究—基于GARCH-CoVaR模型[J]. 金融理论与实践, 2017(9): 41-46. DOI:10.3969/j.issn.1003-4625.2017.09.008 [12] 叶乔冰, 周伟. 我国商业银行综合风险网络传染效应度量研究—基于GARCH-CoVaR模型[J]. 金融管理研究, 2014(2): 204-226. [13] 王培辉, 尹成远, 袁薇. 我国保险业系统性风险溢出效应研究—基于时变Copula-CoVaR模型[J]. 南方金融, 2017(2): 14-24. DOI:10.3969/j.issn.1007-9041.2017.02.002 [14] 王帅, 李治章. 基于动态Copula-CoVaR模型的影子银行风险溢出效应研究[J]. 财经理论与实践, 2019, 40(2): 36-40. DOI:10.3969/j.issn.1003-7217.2019.02.005