债券市场波动如何影响银行业系统性风险——基于间接业务关联网络视角.pdf

南 开 经 济 研 究 NANKAI ECONOMIC STUDIES2023 年 第 8 期 No.8 2023 DOI:10.14116/j.nkes.2023.08.009 161 债券市场波动如何影响银行业 系统性风险 基于间接业务关联网络视角 杨丹卉 方 意 王晏如 摘 要：近年来，银行持有债券投资持续增加，债券市场的波动将对银行业系统性风险产生重要影响。基于此，本文将债券价格波动引入持有共同资产的抛售传染网络模型，从业务层面构建度量债券市场波动对银行业系统性风险影响的 AV 指标，并从银行杠杆、持有债券投资规模、间接关联性和债券市场波动等方面对该指标进行因素分解，同时将该指标与尾部依赖模型的CoVaR、MES 等指标进行对比，分析在不同阶段银行业系统性风险的主要驱动因子。研究结果表明：(1)从全样本来看，债券市场波动驱动的银行业系统性风险水平基本呈现出“前期下降，中期平缓上升，后期高位震荡”的阶段性特征；(2)从影响因素来看，持有债券投资规模是债券市场波动对银行业系统性风险的主要影响因素，而债券市场波动则对风险指标的局部波动产生作用；(3)从尾部依赖模型指标对比来看，从 2017 年起，随着银行业风险防控重点的明确，债券市场波动对银行业整体系统性风险不再发挥主要驱动作用。本文认为，银行应加强债券投资业务管理，监管机构也应加强风险源头防控，将债券投资等非传统领域风险纳入银行风险防控重点领域。关键词：银行债券投资；系统性风险；持有共同资产抛售；网络模型；时变风险 一、引 言 党的二十大报告要求，“加强和完善现代金融监管，强化金融稳定保障体系，依法将各类金融活动全部纳入监管，守住不发生系统性风险底线”。防范和化解系统性风险是金融工作的永恒主题。2021 年 12 月，中国人民银行发布宏观审慎政策指引(试行)，明确“宏观审慎政策的目标是防范系统性金融风险，尤其是防止系统性金融风险顺周期累积以及跨机构、跨行业、跨市场和跨境传染，增强金融体系韧性和稳健性”。2022 年 10 月，中国人民银行行长易纲在国务院关于金融工作情况的报告中强 杨丹卉，中央财经大学金融学院(邮编：102206)，E-mail：；方 意(通讯作者)，中国人民大学国家发展与战略研究院(邮编：100872)，E-mail：；王晏如，中央财经大学金融学院(邮编：102206)，E-mail：。本项研究得到国家自然科学基金面上项目“金融周期视角下的中国银行业系统性风险防范与化解研究”(71973162)、国家自然科学基金面上项目“金融文本大数据与银行业系统性风险：指标构建、应用与评估整合”(72173144)、国家自然科学基金面上项目“基于 GAS 模型的系统性金融风险测度及其在宏观经济预测中的应用研究”(71801117)、国家自然科学基金面上项目“银行流动性错配对我国银行系统性风险影响机制与监管研究”(72303267)的资助。感谢匿名审稿人的评论和建议，文责自负。杨丹卉、方 意、王晏如：债券市场波动如何影响银行业系统性风险 基于间接业务关联网络视角 162 调，“对跨行业、跨区域和跨境风险，加强监管协同和上下联动，牢牢守住不发生系统性金融风险的底线”。当前，国内外经济金融环境发生了深刻变化，不稳定、不确定、不安全因素明显增多，金融风险诱因和形态更加复杂，防范跨机构跨市场风险传染、扩散蔓延更为重要。近年来，由于利率市场化深入推进中银行息差收窄、实体经济周期性回落、银行信贷资产质量趋劣、同业竞争压力增加等，银行面临的资产配置压力增大。为使资金获得长期稳定的较高收益，以债券投资为主的证券投资已经成为银行除贷款资产以外的主要资产配置渠道。随着债券市场与银行体系之间的关联性日益增强，债券市场的波动可能产生风险传染，在银行间形成连锁反应，最终影响金融体系的稳定。当商业银行受到负面冲击面临处置资产时，相较于其他资产，抛售债券资产的优先级更高。由于当前我国债券市场的市场化程度仍然不高，这种行为可能引发债券价格急剧下降，引起其他持有债券的银行相继进行多轮抛售，最终导致一损俱损的“囚徒困境”式局面(马骏和唐晋荣，2018)。银行债券抛售情形时有发生。从国际来看，2023 年 3 月，美国硅谷银行宣告破产，瑞士信贷银行的 AT1 次级债券被直接减记为 0，此类风险事件导致全球央行大量抛售美国国债；从国内来看，2016 年底我国债券市场剧烈波动，多家商业银行当年汇报了债券投资亏损。自 2022 年 11 月中旬起，我国债券市场发生了近两年来的最大波动，当债券市场下跌时，理财产品等反应敏感，机构被动抛售债券，带来债券市场调整，而这又加剧了赎回压力，从而进一步放大了债券市场波动。然而，对于债券市场波动如何影响银行业系统性风险的研究仍较少。为分析上述问题，本文将债券市场的波动冲击纳入 Greenwood 等(2015)的持有共同资产的抛售传染模型，结合手工整理的我国 13 家上市银行 20102022 年半年报、年报中债券投资细分数据，计算得到衡量债券市场波动对银行业系统性风险影响的指标值，分解该指标观察各影响因素的贡献度，并利用该指标与尾部依赖模型指标进行对比，分析不同阶段银行业系统性风险的主要驱动因素。与已有研究相比，本文具有如下的边际贡献。第一，从数据样本方面，本文从业务层面构建了衡量债券市场波动对银行业系统性风险影响的高频指标。传统衡量银行业系统性风险的尾部依赖模型可以得到高频指标，但其基于金融市场数据，容易受到股票市场风险等的干扰；而从业务层面构建的指标，由于财务数据频率低而存在难以刻画高频时变风险的局限性。本文通过将债券市场的时变波动冲击引入间接业务关联网络模型，构建了业务层面时变风险指标。第二，从模型设计方面，本文改进了已有间接业务关联模型相关研究中重视资产负债表项目而轻视外部冲击的思路。在 Greenwood等(2015)持有共同资产的抛售传染网络模型等间接业务关联网络模型中，一般将外部冲击直接设定为常数值，认为风险来源于资产负债表所体现的持有共同资产，而很少将外部冲击作为风险来源。本文模型从“冲击-传染”的二维角度考虑了债券市场波动对银行业系统性风险的完整传导机制，可较为清晰地展现债券投资引发银行业系统性风险的形成机制。第三，立足于我国银行持续增加债券投资的现实背景，紧密响应现实 南 开 经 济 研 究 NANKAI ECONOMIC STUDIES2023 年 第 8 期 No.8 2023 163 研究需求，对银行债券投资和银行业系统性风险的相关研究进行了有效补充。近年来，国内从银行债券投资视角研究银行业系统性风险的文献主要有张琳和廉永辉(2020)、赵静等(2022)两篇。与张琳和廉永辉(2020)的研究不同，本文基于持有共同债券投资资产的间接业务关联网络角度，对债券市场引发银行业系统性风险的传导机制进行研究，且通过手工整理银行年报中的政府及中央银行债券等 4 类细分数据作为债券投资数据；与赵静等(2022)的研究不同，本文聚焦于各类别债券市场同时对银行债券投资发生冲击时银行业系统性风险的形成，且进一步对这一风险的时变趋势和影响因素等进行了研究。二、文献综述与理论传导机制 本部分首先从系统性风险度量指标、系统性风险间接业务关联网络、债券投资与银行业系统性风险等方面对相关文献进行回顾，然后对债券市场波动驱动银行业系统性风险的传导机制进行理论分析。（一）文献综述 1.系统性风险度量指标相关研究 对系统性风险的溢出效应进行合理评估是研究防范与化解系统性风险的重要一环。利用股票价格等金融市场的高频数据来刻画金融机构之间的尾部风险溢出水平，是目前被广泛使用的系统性风险度量方法。相关研究指标包括条件在险价值CoVaR指标(Adrian 和 Brunnermier，2016；刘海云和吕龙，2018；李政等，2019)、CoES 指标(Adrian 和 Brunnermier，2016；李政等，2019)、SES 指标(Acharya 等，2017)、边际期望损失 MES 指标(Acharya 等，2017；宫晓莉等，2020)、SRISK 指标(Brownlees 和 Engel，2017；梁琪等，2013；王道平等，2022；赵胜民和张博超，2022)、CCA 指标(Gray 和Malone，2008；苟文均等，2016；唐文进和苏帆，2017；王道平等，2022)、Granger 因果检验(Billio 等，2012；杨子晖，2020)、溢出指数指标(Diebold 和 Yilmaz，2014；梁琪等，2015)、TENET 方法(Hrdle 等，2016；李政等，2019)。尽管利用金融市场数据的系统性风险测度方法具有高频性、动态性等优点，但是该类方法存在一些不足之处：一是，对数据的有效性有较高要求，但鉴于我国金融市场发展尚不完善，金融市场的数据难以达到要求；二是，这类方法多属于条件方法，依靠历史数据揭示行为关系，在金融市场活跃时期可能无法捕捉系统性风险的积聚过程(李政等，2016)；三是，缺少对系统性风险内在生成机制的关注，难以展示风险在不同金融机构之间的传染过程(方意，2021)。由于以上不足，近年来出现了从资产负债表角度对系统性风险进行测度的关联网络模型，可以进一步分为直接业务关联网络和间接业务关联网络两类，与本文研究内容更为相关的是间接业务关联网络。相较于利用金融市场数据的风险测度方法，这类方法的优点包括：明确资产价格传染作为银行间关联性的来源、根据银行的实际资产负债表数据测算以及便于观察系统性风险的形成和传染过程等(葛鹏飞和黄秀路，杨丹卉、方 意、王晏如：债券市场波动如何影响银行业系统性风险 基于间接业务关联网络视角 164 2019)。2.系统性风险间接业务关联网络相关研究 Cifuentes 等(2005)较早地分析了间接业务关联网络的系统性风险，其构建了持有共同资产的关联网络模型，重点讨论当银行的非流动性资产面临抛售与价格减值相互作用时产生的系统性风险。Chen 等(2014)基于 Cifuentes 等(2005)的研究分析了机构资产组合的分散程度和杠杆率对资产价格传染的影响。Caccioli 等(2014)、Greenwood等(2015)、Cont 和 Wagalath(2016)、Cont 和 Schaanning(2017)、Duarte 和 Eisenbach(2021)等进一步将模型中的一种资产拓展为包含多种资产，并研究了杠杆率等银行微观特征与间接业务关联网络特征对系统性风险带来的影响。Aikman 等(2019)、Caccioli 等(2020)根据间接业务关联网络模型对多个金融子部门之间的系统性风险传导开展研究。其中，Greenwood 等(2015)构建了持有共同资产的抛售传染网络模型，其设计了一个线性传染模型，不考虑破产机制，以矩阵连乘形式进行迭代以计算风 险指标。近年来，国内学者也开始应用持有共同资产间接业务关联网络模型来分析风险传染问题，包括王占浩等(2016)、吴宜勇等(2017)、葛鹏飞等(2019)、沈沛龙等(2019)。以上文献都基于持有共同资产的角度考察了间接业务关联网络对系统性风险的影响，国内的文献根据各自不同的研究侧重点对国外原有模型进行了相应的调整或改进，但目前尚无从间接业务关联网络角度分析债券投资对银行系统性风险的研究。3.债券投资与银行业系统性风险的相关研究 在银行资产结构与其风险关系方面，已有文献主要研究非利息收入相关业务对银行风险的影响。多数文献认为非利息收入业务会增加银行业务的相似性、资产的共同性以及银行间的联系，且此类业务呈现顺周期性，在利率高位时增加相关资产配置(Fang 等，2013)，从而会增加银行系统性风险(Brunnermerier 等，2012；Williams，2016)。King 等(2016)比较了传统银行业务、证券交易业务和以资产证券化为代表的表外业务对银行带来的影响，发现持有证券资产较多的银行持股公司对系统性风险的贡献更大。Hirakata 等(2017)发现银行资产组合中证券投资相关部分在降低银行个体风险水平的同时却增加了银行系统性风险，并且单家银行证券投资对系统性风险的影响程度与其他银行参与证券投资的程度正相关。综上所述，在与系统性风险有关的既有文献中，关于利用金融市场数据度量风险的研究更为丰富和成熟，针对关联网络(尤其是间接业务关联网络)的研究还相对较少，而且此类模型的研究更重视资产负债表项目而轻视外部冲击，模型中财务数据频率低导致无法刻画时变的风险关联网络。此外，目前关于证券投资如何影响银行系统性风险的研究较少，对证券投资影响银行系统性风险的机制尚待进一步厘清，基于我国银行数据的研究也较为缺乏。鉴于此，本文借鉴 Greenwood 等(2015)的持有共同资产的抛售传染网络模型，引入债券市场波动作为模型中的冲击数值，通过计算得到银行因债券市场波动而抛售债券投资引发系统性风险的 AV 指标，并以此分析由债券市场波动驱动的银行业系统性风险。南 开 经 济 研 究 NANKAI ECONOMIC STUDIES2023 年 第 8 期 No.8 2023 165 （二）债券市场波动对银行业系统性风险的传导机制 为从量化角度研究债券市场波动对银行业系统性风险的影响，首先需要从理论角度分析债券市场驱动银行业系统性风险的传导机制。对于银行业系统性风险的形成一般从冲击和传染两个维度进行分析(刘元春和朱元倩，2011)。冲击是系统性风险的成因，可进一步分为外源冲击和内源冲击。外源冲击是银行所处环境的不利变化，如利率汇率冲击、资产价格波动等使银行面临市场风险以及实体经济下行等使银行面临信用风险(刘春航和朱元倩，2011；陶玲和朱迎，2016；Benoit 等，2017)。内源冲击主要指银行自身的脆弱性，对银行个体而言，杠杆水平、对各类风险的敞口等将影响其对风险的承担能力和反应程度，而银行体系内部个体之间的相关性、金融交易的复杂性又可能加剧银行业整体的脆弱性(Caccioli 等，2014)。系统性风险不仅受冲击这一源头所影响，冲击后风险的传染和扩散也是系统性风险形成的关键因素。银行业各机构之间业务、资产负债表具有较强的关联性，业务关联网络使风险在银行体系被传递和放大(陶玲和朱迎，2016)。根据风险传染依赖的银行业务关联网络类型，可以将传染分为直接传染和间接传染，有关文献在前文中已进行梳理，此处不再赘述。图 1 展示了债券市场波动影响银行业系统性风险的传导机制。从冲击维度看，债券市场波动使持有债券投资的银行受到初始冲击，银行的杠杆被动上升，为维持目标杠杆水平以达到监管要求，银行将对债券资产进行抛售；从传染维度看，受债券市场流动性等影响，银行对债券的大幅抛售将打压债券市场的资产价格，其他银行由于持有共同资产也将面临去杠杆压力，进而加入抛售行列，这使得债券资产价格进一步降低，“冲击-传染”过程使债券市场波动这一初始冲击因银行持有共同资产而不断被放大，在银行体系间扩散和传染，使得债券资产抛售的负面影响最终演化为银行业系统性 风险。图 1 债券市场波动影响银行业系统性风险的传导机制 可以看出，从理论而言，债券市场波动对银行业系统性风险的影响主要与债券市杨丹卉、方 意、王晏如：债券市场波动如何影响银行业系统性风险 基于间接业务关联网络视角 166 场波动、银行杠杆水平、持有债券投资规模(银行风险敞口)、银行体系的间接关联性等因素相关，后文将从实证角度对这些因素的影响情况进行具体分析。三、模型与数据说明 本文借鉴 Duarte 和 Eisenach(2021)对模型的设定思路，结合债券市场波动，对Greenwood 等(2015)的持有共同资产的抛售传染网络模型进行改进，计算债券市场波动驱动的银行业系统性风险 AV 指标，并将其与CoVaR 模型和 MES 模型等尾部依赖指标进行对比。下面对 AV 指标的模型构建、尾部依赖指标模型的设定以及数据选取情况进行介绍。（一）模型设定和构建 1.债券市场波动驱动的银行业系统性风险 AV 指标模型 Greenwood 等(2015)的模型对风险传导机制做出三个重要假设：(1)银行维持自身杠杆率不变；(2)银行维持各项资产的持有比例不变；(3)银行在抛售资产时会造成资产价格的线性下跌。本文沿用以上假设，样本银行共有 13 家(N13)，资产类别包括 5 类(K5)，分别是政府及中央银行债券、政策性银行债券、银行同业及其他金融机构债券、企业债券等 4 类银行债券投资，以及将银行总资产与这 4 类债券投资之和作差后构成的其他资产，当前时期为 t1，t1 为真实的样本时期。模型从银行债券投资遭受初始冲击 F 开始。Greenwood 等(2015)的模型将外生冲击 F 直接设为 1%的常数值，假设各项资产均受到这一恒定冲击。Duarte 和Eisenbach(2015)对冲击进行了新的设定，基准冲击为 1%，以各项资产的波动率为权重对基准冲击 1%进行加权，作为新的冲击。借鉴 Duarte 和 Eisenbach(2015)将各类资产分别按其风险情况设定冲击的思路以及由于主要关注债券市场波动会带来的市场风险，我们采用债券市场的动态波动率作为初始冲击1tF，并对各类债券市场的日间动态波动率根据 Glosten 等(1993)的 TGARCH 模型进行刻画。对此，我们采用与债券投资细分类别相对应的中证国债、中证政金债、中证金融债、中证企业债4 项指数的日频数据来衡量债券市场收益率。单类债券市场的收益率计算方法如下：111 1ln(/)ktktktrPP=(1)式(1)中，1ktr为 k 类债券市场的对数收益率时间序列，1ktP和1 1ktP分别为 k 类债券市场在 t1 时期和 t1-1 时期的价格指数。动态波动率的计算方式为：221011 111 111 1,1 1tttti thcaubhd uI=+(2)为进一步增加企业债券市场波动率计算的准确性，本文参照中国工商银行 2022 年中报披露的债券投资组合信用评级情况，根据其明确评级的企业债券中 AAA 级占 72.76%、AA 级占 0.62%、A 和 A 以下占 26.62%的评级分布，将中债企业债 AAA 指数、AA 指数和 AA-指数的收盘价格按对应比值进行加权平均，得到企业债综合指数。南 开 经 济 研 究 NANKAI ECONOMIC STUDIES2023 年 第 8 期 No.8 2023 167 其中，,1 1,1 1,1 11 00 0i ti ti trIr，表示相对于正残差，负向残差更能导致波动率增加。在计算月频 AV 指标时，根据得到的日间动态波动率按月取均值，再乘以根号下 21(每月交易日天数)，从而得到国债市场、政策性金融债市场、金融债市场、企业债市场的月波动率结果1ktf。本文假设仅 4 类债券投资细分资产会被抛售，即模型中tF仅在可抛售资产类别(k)行的元素ktf为冲击数值，其余元素为 0，对于银行各类债券投资分别受其对应债券市场波动冲击的模型，冲击向量表示为：11 1,2 1,3 1,4 1,0tttttFffff=(3)模型的基本框架由两部分组成，这里引入用于划分风险传染的轮次 t，t 不是客观的时间概念，其不同于前述的 t1。tA为银行的资产矩阵，为 1313 阶对角矩阵，资产损失向量为tF，tF为 51 阶列向量，tE为银行在 t 时期的权益对角矩阵，tD为银行在t 时期的负债对角矩阵。B 为银行目标杠杆矩阵，是 1313 阶对角矩阵，M 为银行持有债券投资、其他资产等 5 类资产的比例矩阵，为 135 阶矩阵。由于抛售资产造成流动性折扣率矩阵 L 的具体数值缺乏经验数据，本文借鉴 Greenwood 等(2015)的设定，同时考虑到本文数据单位为百万元人民币，因此将流动性折扣率矩阵 L 设定为对角线元素为810/百万元的 55 阶对角矩阵，又由于其他资产不抛售，L 矩阵第 5 行第 5 列的对角线元素为 0。本文沿用 Greenwood 等(2015)的设定，认为银行遵循比最低监管标准更为严格的目标杠杆，将冲击前的杠杆假定为冲击后的目标杠杆。沿用 Greenwood 等(2015)和Duarte 和 Eisenbach(2021)等模型对于杠杆的设定，将杠杆设为 D/E，其中“D”采用银行资产负债表的“负债合计”数，“E”则采用“一级资本净额”。针对部分银行一级资本数据缺失的问题，借鉴方意和郑子文(2016)的研究，通过核心资本充足率与加权风险资产净额的乘积估算出银行的一级资本。又根据商业银行杠杆率管理办法的监管要求，杠杆率不得低于 4%，换算成本文的计算方式后，即杠杆水平最高不得超过24。本文按照 Greenwood 等(2015)的处理方法，当计算出的银行杠杆水平低于 24，则采用原本的值；如果高于 24，则设定取值为 24。第一步，在 t 时期，银行 4 类债券投资受到初始冲击发生直接损失，造成银行偏离目标杠杆，为了满足监管约束条件，需抛售资产以恢复至初始杠杆水平。遭受债券市场波动之后，银行产生的直接损失为：ttRMF=(4)偏离目标杠杆之后，为返回初始目标杠杆，需要抛售的各类资产金额为：=ttM ABR(5)在本文使用的 13 家样本银行从 2010 年年报至 2022 年中报的半年频数据(共 312 组数据)中，仅华夏银行2010 年年报这一组数据计算得出的银行杠杆为 29.14，超过 24。杨丹卉、方 意、王晏如：债券市场波动如何影响银行业系统性风险 基于间接业务关联网络视角 168 第二步，在 t1 时期，由于抛售造成资产流动性紧张，进而导致资产价格下跌，从而形成新一轮的损失为：1+=tttFLM BAMF(6)根据方意等(2021)对此模型的进一步剖析，由于在 t 期抛售资产后银行的总资产较冲击之前有所减少，需要在冲击及传染结束后更新资产情况，以避免高估首次传染导致的资产损失。因此，在 t1 期，银行资产的构成为：1diag()+=+ttttttAABAMFAMF(7)度量银行受到冲击后抛售所造成的权益损失比重 AV 指标为：111111+=ttttttttA MLM BAMFA MFAVee(8)式(8)中，11,1,.,1N=?个1。为进一步分析风险的传染机制，可对式(8)进行分解，最终可将 AV 指标分解成由3 种影响因子组成：?2(1)kknknnnkkknkAVab bm lmf =+?规模因子杠杆因子关联性因子(9)根据式(9)可知，银行业系统性风险的形成源于三方面：(1)规模因子a，代表银行的风险敞口；(2)杠杆因子(1)b b+，表示银行业整体杠杆水平；(3)关联性因子2kknknnnkkknkmlmf，表示银行业持有资产的关联程度。式(9)表明，若银行业持有债券投资的规模较大、杠杆水平较高且持有资产关联性较高，则在债券市场波动冲击下，银行业系统性风险水平将较高。2.尾部依赖指标模型 由于CoVaR 模型和 MES 模型分别基于 VaR 和 ES 这两类刻画单项资产风险的标准测度，具有很好的经济意义，是测度系统性风险的主流方法(宫晓莉等，2020)，本文选取的尾部依赖模型指标是CoVaR 模型和 MES 模型。对于CoVaR 模型，本文采用状态变量回归方法，状态变量回归方法的两个核心方程均为分位数回归，分位数选择 5%。借鉴 Adrian 和 Brunnermeier(2016)的方法，本文选择以下 7 个宏观状态变量：短期国债收益率、期限价差、短期“TED”价差、信用价差、股市收益率、股市波动率以及房地产部门超额收益率，详细定义如表 1 所示。利用每家银行市值作为权重加权计算得到时间维度的银行体系系统性风险指标。对于 MES 模型，本文选取 5%为分位数，计算得到时间维度系统性风险指标，记为 5_MES。在计算每 1 周的 MES 时，以包含该周在内的前连续 60 周为 1 个窗口期。对该窗口期的银行体系收益率,sys tr按从小到大的顺序进行排列，选择其中排序前 5%所 具体分解过程放至附录，读者可扫描本文首页二维码，获取电子版附录。南 开 经 济 研 究 NANKAI ECONOMIC STUDIES2023 年 第 8 期 No.8 2023 169 对应的样本期，计算该样本期的银行个股收益率,i tr平均值，记为该期的5iMES，利用该期各银行市值为权重计算该期的时间维度系统性风险指标。以上计算的是周频指标，月频指标通过该月的周频指标取算术平均得到。表 1 状态变量介绍 变量 计算方式 国债收益率 3 月期国债收益率差分值 期限价差 10 年期国债收益率减去 3 月期国债收益率的差分值 短期“TED”价差 3 月期 Shibor 利率减去 3 月期国债收益率的差分值 信用价差 10 年期 AAA 级企业债收益率减去 10 年期国债收益率的差分值 股市收益率 沪深 300 收益率 股市波动率 沪深 300 指数 22 个交易日计算的滚动收益率标准差 房地产部门超额收益率 Wind 房地产指数收益率-Wind 银行部门指数收益率 （二）数据说明 本文的样本银行为工商银行、农业银行、建设银行、中国银行、中信银行、华夏银行、平安银行、招商银行、浦发银行、兴业银行、民生银行、北京银行、宁波银行共 13 家银行。由于本文的模型需要将银行债券投资细分为政府及中央银行债券、政策性银行债券、银行同业及其他金融机构债券、企业债券等 4 类数据，该债券投资细分数据仅在银行半年报、年报的财务报表附注中进行披露。为使模型中冲击和资产类别数据的频率匹配度更高，本文以半年度为频率，根据银行半年报和年报手工整理 4 类银行债券投资细分数据，这要求样本为 A 股上市银行。除去与本文债券投资细分类别划分不一致或上市时间较短的银行，本文最终选取了工商银行等 13 家银行作为样本。根据 2022年中报，此 13 家样本银行在整个银行业的规模占比为 77.97%，且在最大限度上覆盖了我国近两年来的系统重要性银行名单。因此，本文选取的样本数据对系统重要性银行以及我国银行业的整体情况具有较强的代表性。本文尾部依赖模型的数据则来源于此 13 家样本银行的股票价格数据和相关宏观经济数据。为保证数据充足性和时效性，同时考虑到银行的上市时间、开始披露债券投资细分数据时间等因素，选择的样本期间为 2010 年 7 月至 2022 年 6 月，数据来源于各银行的半年报、年报和 Wind 数据库。四、实证结果分析 本部分从四个角度来分析债券市场与银行业系统性风险的传导效应。（一）债券市场波动对银行业系统性风险影响的分项指标 AV 度量分析 在 AV 指标模型中，银行债券投资数据可实现的最高频率是半年频，但度量冲击 F值的债券市场动态条件波动率可为日频、月频等相对高频指标。在使模型不同组成部分频率尽可能匹配的前提下，弥补 Greenwood 等(2015)模型所得结果频率偏低的不杨丹卉、方 意、王晏如：债券市场波动如何影响银行业系统性风险 基于间接业务关联网络视角 170 足，采用债券市场动态条件波动率的月频数据作为模型中的冲击 F 值，计算得到相对高频的连续月频 AV 指标，从而模拟债券市场冲击相对高频地按月对银行持有债券资产进行扰动而银行以半年度为频率对资产进行调整的情况，由此来观察债券市场波动对银行业系统性风险的影响。图 2 展示了当银行持有的政府及中央银行债券、政策性银行债券、银行同业及其他金融机构债券、企业债券等 4 类债券投资同时受到其对应债券市场波动冲击时，AV指标从 2010 年 7 月至 2022 年 6 月的变化情况。整体来看，AV 指标在样本区间的波动较为剧烈，可以看出银行业系统性风险对于债券市场的波动反应较为灵敏。依据图 2中存在的“下降平缓上升高点震荡”的阶段性图形变化特征，结合图中 AV 指标较为明显的“由低到高”的转折时点，选取 2014 年 8 月、2016 年 11 月和 2019 年 12 月作为三个阶段划分点，将 AV 指标的变化趋势划分为四个阶段，相关统计结果见表 2。图 2 银行各类债券投资分别受到其对应债券市场波动冲击时的 AV 指标 注：横坐标为样本期间，从 2010 年 7 月至 2022 年 6 月；纵坐标为计算得到的衡量债券市场波动对银行业系统性风险影响的 AV 指标；图中曲线表示 AV 指标在样本期间的变化趋势；虚线为各阶段划分点，具体为 2014 年 8 月、2016 年 11 月和 2019 年 12 月。表 2 银行各类债券投资分别受到其对应债券市场波动冲击时 AV 指标的阶段性统计特征 阶段期间 均值(%)波动率(%)最大值(%)最小值(%)期间主要情况 2010.072014.08 05.131.6810.622.48 债券市场初步发展，前期债券投资占银行资产较高比例 2014.092016.11 05.491.06 07.403.34 债市流动性冲击，2013 年“8 号文”发挥作用 2016.122019.12 08.181.92 16.396.13 债券市场“萝卜章”事件，银行增配利率债 2020.012022.06 12.712.3717.569.33 银行利率债投资规模增加，重大公共卫生事件，债券市场风险事件 结合图 2 和表 2 可知，债券市场波动驱动银行系统性风险在第四阶段的风险均值最高，从第一阶段到第四阶段呈现上升趋势。第四阶段的波动也最为剧烈，第二阶段相对平缓，第一、三阶段次之。(1)第一阶段，我国债券市场尚处于初步发展时期，债券只数较少和规模较小，债券资产与银行总资产的比值呈现下降趋势。(2)第二阶段，由债券市场波动冲击驱动的银行业系统性风险均值水平较第一阶段有所上升。2013 年“8 南 开 经 济 研 究 NANKAI ECONOMIC STUDIES2023 年 第 8 期 No.8 2023 171 号文”对银行理财资金投资于“非标资产”总量进行了严格控制，商业银行采用委外投资方式来增加杠杆，相应资金直接或者通过各种通道进入债券市场。银行表内资金也开始向存贷款和债券投资等业务倾斜，银行债券资产的占比迅速上升。(3)第三阶段，在债券市场风险和银行债券投资规模同时增大的作用下，此阶段由债券市场波动驱动的银行业系统性风险继续增加。2016 年 12 月某券商证券工作人员使用假章签订债券“代持”协议的“萝卜章”事件引发金融机构之间的信任危机，利率风险演化为流动性冲击，资金链的断裂引发了诸多连锁反应。2018 年银保监会发布商业银行流动性风险管理办法，新增监管指标对利率债都设置了较为优惠的权重系数，银行通过增配利率债以满足流动性风险指标监管要求。(4)第四阶段，银行持有政府及中央银行债券规模增加、重大公共卫生事件及债券市场风险事件等因素导致由债券市场波动驱动的银行业系统性风险保持在较高水平且风险波动比较频繁。2020 年发生华晨、永煤等多起高信用等级国企债券违约事件，其在导致二级市场企业债券大幅下跌的同时，产生的流动性冲击对利率债也造成了一定影响。在此之后，防范化解债券市场风险的系列举措使风险水平有所下降，但近期国内外宏观环境等多种风险因素交织，银行债券投资规模仍不断扩大，使风险程度再度攀升。综上所述，AV 指标的阶段性变化特征与近年来我国债券市场和银行业系统性风险相关事件所发生的时段基本一致。这表明，本文构建的债券市场波动对银行业系统性风险影响 AV 指标在时间维度上较好地反映了这一风险的时变特征。（二）影响因素分析 根据 AV 指标的模型构建过程可知，债券市场波动对银行业系统性风险的影响程度主要与银行杠杆、持有债券投资规模、间接关联性和债券市场波动等因素相关。下面，本文进一步分析 AV 指标与这些影响因素之间的关系。银行杠杆(Leverage)由式(10)给出。其中，,1i tD为 t1 时期各银行的总负债，,1i tE为t1 时期各银行的一级资本净额，银行杠杆为 t1 时期 13 家样本银行一级资本净额总和与资产总和的比值。银行杠杆越高，其传染的可能性越大，且传染时抛售资产的数量越多，因而系统性风险越大。1,1,111NNti ti tiiLeverageDE=(10)持有债券投资规模(Ratio)由式(11)给出。其中，,1i tTradingLoan代表 t1 时期各银行持有的政府及中央银行债券、政策性银行债券、银行同业及其他金融机构债券、企业债券等 4 类债券投资之和；,1i tA为 t1 时期各银行的总资产，持有债券投资规模为 t1 时期13 家样本银行债券投资总和与资产总和的比值。由于模型中的风险源是债券市场波动风险，风险敞口由银行持有的债券投资组成，它从风险源数量角度给出银行遭遇债券市场初始冲击的规模大小。理论上，持有债券投资规模越大(即风险敞口越大)，银行体 2013 年 3 月 25 日，银监会下发中国银监会关于规范商业银行理财业务投资运作有关问题的通知(银监发20138 号)。杨丹卉、方 意、王晏如：债券市场波动如何影响银行业系统性风险 基于间接业务关联网络视角 172 系遭遇的冲击规模越大，进而风险越高。1,1,111NNti ti tiiRatioTradingLoanA=(11)参照方意和荆中博(2022)对间接关联性(IAC)的定义，本文的间接关联性考虑 4项银行债券投资。式(12)中，表示 t1 时期银行 i 持有 4 类债券投资的权重向量为1itw，各个分量代表银行 i 持有某类债券投资占其持有 4 类债券投资总和的比例。在式(13)中借鉴数学的余弦相似度指标概念，t1 时期银行 i 与银行 j 由于持有债券投资导致的间接关联性为 IACit1,jt1。式(14)中，N 为样本银行数目，IACit1表示 t1 时期银行 i 与其他银行的平均间接关联性，从而1tIAC为 t1 时期银行体系的平均关联性。当两家银行持有债券投资的结构越类似，两家银行之间的关联性则越强。当银行 i 持有某类债券投资资产的流动性偏低且持有比例较高时，该银行的抛售行为将导致此类资产的价格大幅降低，此时若银行 j 也持有较多的该类资产，则其将承担的资产损失程度也较高。()11,11,21,4,=?ititititwwww(12)()()()111,144221,1,11=Titjtitjtit kjt kkkwwIACww(13)11,111ititjtj iIACIACN=(14)1111NtitiIACIACN=(15)债券市场波动(Shock)如前文所述，基于中证综合债指数计算得到对数收益率时间序列和根据 Glosten 等(1993)的 TGARCH 模型来构建的动态时变波动率，作为衡量债券市场整体波动情况的债券市场波动指标。理论而言，银行受到的冲击程度越大，系统性风险水平越高。图 3 给出了以上指标与本文 AV 指标之间相关情况，由于衡量间接关联性指标的数据为各银行持有债券投资占比，该类数据能够获取的最高频率为半年频，因此图 3中的各项指标均以半年度为频率。从其中可以发现，银行杠杆(Leverage)和持有债券投资规模(Ratio)与 AV 指标之间的相关程度最高，债券市场波动(Shock)其次，间接关联性(IAC)再次。为验证上述从图 3 中观察到的结论是否成立和探究 AV 指标的主要影响因素，本文将 AV 指标作为被解释变量，分别并同时将银行杠杆、持有债券投资规模、债券市场波动和银行间接关联性作为解释变量，将 AV 指标的滞后一期作为控制变量，进行多元线性回归。将单个影响因素作为解释变量的模型设定为：t11t1-11=+ttAVXAV(16)式(16)中，X 代表单个影响因素，分别为银行杠杆(Leverage)、持有债券投资规模 南 开 经 济 研 究 NANKAI ECONOMIC STUDIES2023 年 第 8 期 No.8 2023 173 (Ratio)、债券市场波动(Shock)和间接关联性(IAC)。其回归结果如表 3 第(1)列至第(4)列所示。图 3 AV 指标与银行杠杆等影响因素的关系 注：横坐标为日期，跨度为 2010 年 12 月至 2022 年 6 月；各