我国上市银行业金融机构风险传染机制研究——基于时变DCC-Copula方法

发布时间：2020-12-24 09:30

　　本文基于2011年1月4日～2020年3月17日的上市银行业金融机构的股价数据,分两阶段研究银行业金融机构风险传染机制。先以时变Clayton相关系数来刻画银行整体和单家上市银行间的风险相关关系,动态考量单家上市银行的系统重要性;后使用Co Va R方法对极端风险在不同金融机构间的溢出方向作出判断。研究发现,一是国有大型银行、全国性股份制商业银行和区域性银行在银行系统内的风险重要性依次减弱;二是部分全国性股份制银行和区域性银行的系统重要性近年来上升较为明显;三是受疫情因素影响,2020年以来各家上市银行的系统重要性向上变化。基于此,文章给出提高动态跟踪商业银行系统性风险的能力、厘清不同银行间存在的风险溢出关系、警惕区域性银行系统重要性上升的风险等建议。 

【文章来源】：福建金融. 2020年08期

【文章页数】：7 页

【部分图文】：

波动率模型残差序列与概率积分变换后残差序列Spearman相关关系

福建金融2020年第08期图1波动率模型残差序列与概率积分变换后残差序列Spearman相关关系①概率积分转换过程由R语言package{copula}中pobs函数完成。图2平安银行（左）/中国工商银行vs中信CS银行指数的动态双尾和下尾相关系数变化趋势金融论衡金融福建FUJIANFINANCE2.Copula实证结果分析。根据Sklar定理，先将GARCH残差序列｛μt｝通过概率变换①转化为服从均匀分布U[0，1]的新序列。如图1所示，对经概率积分转换后的序列进行可视化和相关性分析，可见变换后的数据严格服从0-1均匀分布，符合Copula建模对数据的基本要求。本文从风险角度定义商业银行的系统重要性，相较于对称的双尾相关关系，更强调价格波动的下尾相关关系。因此，用各家上市银行业金融机构与中信CS银行指数间的下尾相关系数来刻画各家银行的系统重要性大校经计算后得到规模为2237×16的动态相关系数矩阵，分别将每列数据按“全部年份或单一年份”为跨度进行算术平均，以更好观察动态相关系数在近年来的动态变化情况。观察表3所列数据，一是从2011年1月4日至2020年3月17日总体算术平均的下尾相关系数看，商业银行的系统重要性表现按国有大型银行、全国性股份制银行和区域性银行依次减弱。二是比较2018年和2019年两列的下尾相关系数值，单家商业银行的系统重要性在不同年份出现相对变化，凸显计算32

【参考文献】：
期刊论文
[1]基于广义CoVaR模型的系统重要性银行的风险溢出效应研究[J]. 欧阳资生,莫廷程.  统计研究. 2017(09)
[2]欧洲主权债务危机传染效应研究——基于时变Copula方法[J]. 李堪.  世界经济与政治论坛. 2013(04)

博士论文
[1]中国银行体系的风险传染效应研究[D]. 宋群英.华中科技大学 2012



本文编号：2935410