金融风险跨市场传染的驱动机制研究.docx

金融风险跨市场传染的驱动机制研究摘要：本文基于广义预测误差方差分解测算我国7个金融市场的风险溢出系数，进一步构建大型贝叶斯向量自回归模型，探析影子银行发展对我国金融风险跨市场溢出的影响。结论表明：第一，影子银行强化了我国金融风险跨市场溢出水平，汇率、货币、黄金、大宗商品市场的风险净溢出有所增强，股票、债券、房地产市场的风险净溢入有所增强。第二，债券市场在所有市场中承压最大，特别是货币市场向债券市场的风险净溢出效应最强。第三，进一步的格兰杰因果检验发现，影子银行打破了货币市场资金流向债券市场的政策约束，推升债券市场杠杆，这是影子银行驱动货币市场风险向债券市场溢出的根本原因。关键词：影子银行；风险跨市场溢出；贝叶斯估计；向量自回归模型一、引言传染性是系统性金融风险的核心概念，一个金融市场受到严重损失后，会通过市场之间的关联迅速波及与之相关的市场，并最终对整个金融系统造成严重冲击（杨子晖等，2020）lo在2008年国际金融危机后的新监管框架中，抑制金融风险的跨市场传染成为核心内容之一。新常态以来，我国不同金融市场叠加共振的频率和幅度均有所上升，相关政策部门开始关注金融风险跨市场传染的危害，并将抑制金融风险跨市场传染作为政策的重要着力点。中国人民银行原行长易纲在博鳌亚洲论坛2018年年会“货币政策的正常化”分论坛讨论上提出，要特别关注跨市场、跨产品、跨机构的风险传染。中国金融稳定报告(2019)中明确指出，金融市场之间风险交叉传染的可能性加大是金融稳定的重要威胁。2020年证监会原主席易会满在第十二届陆家嘴论坛上表示，金融风险跨市场、跨行业、跨领域交叉传染成为当前重要的风险挑战。金融风险跨市场传染的强度与金融体系的制度安排密切相关。从我国近十余年的金融发展实践看，影子银行无疑是推升金融系统关联性的重要因素。影子银行投资模式多样，交易结构复杂，涉及多个主体，联结多个市场，这些特征虽然一定程度上推动了利率市场化，但也加剧了风险的跨市场传染，威胁金融稳定。深入研究影子银行对金融风险传染的影响，从结构性视角辨析影子银行对不同金融市场和不同风险传染路径的异质性作用，对当前防范化解重大风险具有十分重要的现实意义。影子银行对风险传染的影响受到学术界的广泛关注。当前关于影子银行与金融风险传染的研究有两个不同的分支方向。一是风险测度。学者们尝试测算影子银行作为风险源头对其他市场的影响，采用网络分析等方法，将影子银行视为一个单独市场，分析影子银行与其他市场的风险关联网络特征(方先明等，2017；张冰洁等，2021)2,3。但是，这些研究缺乏对影子银行的宏观风险效应的分析，同时也未能很好地解答影子银行加剧风险传染的原因和机制。二是风险解释。学者们通过构建宏观经济变量向量自回归模型或者回归模型，分析影子银行放大金融风险的机制(刘超和马玉洁,2014；李文吉吉，2020)4,5,这一研究范式重点关注影子银行的宏观风险效应，给出了影子银行放大金融风险的机制解释，但是对于风险传染的微观特征缺乏深入探讨。本文尝试融合上述两类研究方法，先构建一个包含股票、债券、货币等7个市场的有向加权风险溢出网络，分析我国金融风险跨市场溢出的特点，然后构建一个大型贝叶斯向量自回归模型，研究影子银行对不同金融市场和风险传染路径的异质性影响。本文的主要贡献是，将影子银行视为风险跨市场传染的驱动檄制而非一个独立的金融市场，重点分析影子银行是否以及如何影响金融风险的跨市场传染，实现了风险测度和风险解释的有机融合。二、文献综述跨市场传染是金融风险的主要表现形式，复杂网络分析是构建跨市场风险传染网络的重要工具。研究范式主要有以下三类：一是基于GARCH模型测算风险的跨市场传染。如KanaS(2000)6基于EGARCH模型研究6个发达国家股市和汇市的波动率溢出效应，发现存在股市向汇市的单向波动率溢出。Caporale等(2002)7采用BEKK-GARCH模型分析亚洲四国的股市和汇市联动关系。李成等(2010)8采用VAR-GARCH-BEKK模型研究了我国股票、债券、外汇及货币市场，发现上述市场具有很强的波动集聚性和持续性。二是基于格兰杰因果检验构建风险传染复杂网络并展开分析。Biuio等(2012)9通过双变量格兰杰因果检验构建了美国银行、保险、对冲基金等部门的收益率溢出网络，发现收益率溢出指标能够预警金融风险。Brunetti等(2019)10基于欧洲上市银行数据构建国际金融危机前后的银行间市场收益率关联网络，发现危机期间收益率网络的联动性显著增强。杨子晖等(2020)1基于非线性的格兰杰因果检验构建全球19个国家股票市场和外汇市场的风险传染关系发现，股票市场是风险的主要输出方，外汇市场则是风险的主要接收者。三是基于方差分解构建不同金融市场的风险传染网络并进行分析。Diebold和YilInaZ(2012)11基于方差分解方法,构建美国股票、债券、外汇和商品市场的波动率溢出网络，发现上述四个市场中有12%的波动是由跨市场传染造成的。此后，大量学者基于这一方法进行了深化研究。如1.iOW等(2018)12构建了一个7个国家4类金融市场的波动率溢出网络，研究发现全球金融市场波动的71.8%来源于不同国家和资产的溢出效应。Reboredo和Ugolini(2015)13研究美国绿色债券市场与国债、公司债、股票、货币、能源市场之间的收益率溢出关系，发现绿色债券会受到国债和货币市场的影响，但反向溢出效应不强。傅强和张颖(2015)14基于方差分解方法研究了我国银行、保险、房地产、证券等板块的风险溢出效应。刘超等(2017)15采用GARCH模型测算货币、资本、商品、外汇、黄金、房地产市场的条件方差,并基于方差分解方法研究了不同市场的风险溢出状况。宫晓莉和熊熊(2020)16基于TVPTAR模型的方差分解研究了我国6类金融市场之间的特质性波动溢出效应。近年来影子银行迅速发展，影子银行对我国金融稳定的影响成为受到广泛关注的话题。学术界对这一问题的研究主要沿两个方向展开：一是从微观机制出发分析影子银行对金融稳定的影响。Tang和Wang(2016)17将银行费用和佣金收入作为影子银行业务的代理变量，研究发现银行通过影子银行业务规避监管能改善盈利水平，但他们同时认为影子银行扰乱了信贷体系，给监管制度带来挑战。ACharya等(2020)18研究发现资管产品的发展给发行银行带来较大风险，造成资管产品收益率上升，银行间市场借贷利率上升，影响了发行银行在股票市场的表现。二是从宏观视角出发，通过对经济金融变量构建宏观模型，分析影子银行的影响。如李向前等(2013)19将信托贷款和委托贷款作为影子银行的测度指标，构建了一个金融稳定指数，通过向量自回归模型的脉冲响应分析发现影子银行导致我国金融稳定性降低。刘超和马玉洁(2014)4构建了一个包括影子银行、存贷款余额、同业拆借利率的向量自回归模型，研究发现影子银行对金融稳定产生了负向冲击。方先明等(2017)2利用宏观层面和金融机构层面的指标构建金融稳定指数，并基于TVP-VAR模型研究影子银行对金融稳定的影响，发现影子银行规模扩张短期内有助于促进金融稳定，但长期会对金融稳定造成不利影响。马德功等(2019)20发现，商业银行作为影子银行体系最主要的资金供给方，与影子银行的资产负债关联越高，受到的风险传染越强。李文吉吉(2020)5运用影子银行、经济增长、房价等变量构建结构向量自回归模型，研究发现影子银行主要通过房地产价格影响金融稳定。张冰洁等(2021)3发现，短期内影子银行的风险会通过汇率向实体经济传递，而长期内则会通过资产价格渠道传染到债券市场。三、金融风险跨市场溢出测度(一)有向加权风险溢出网络的构建方法本文参考Diebold和Yilmaz(2012)11提出的方法，通过构建向量自回归模型并进行广义预测误差方差分解来获得不同市场之间收益率溢出的有向加权网络。与基于格兰杰因果检验构建的网络相比，有向加权网络能够同时识别出节点风险溢出的方向和强度，目前在金融风险传染领域应用广泛。基于有向加权溢出网络，可以计算总体和结构性溢出系数，用于测度金融风险水平(1.ioW等，2017；Tsai,2017)12,21o先构建一个N变量VAP(p)模型：xt=i-lpixt-l+t(1)其中，xt是各市场的收益率指标，£t是服从独立同分布的随机误差项，£tN(0,).上式可以重新表述为移动平均形式：xt=i=0ooAit(2)其中，Ai是一个NXN的矩阵，服从如下递归过程：Ai=IAi-I+2Ai-2+pAi-p,对于i<0,有Ai=O。通过对上式进行广义预测误差方差分解可以获得金融市场之间的风险溢出效应。xi对xj的未来Z期的广义预测误差方差可以表述为如下形式：?gijZ=。-Ijjz=OZ-IeriAzej2z=0Z-le,iAzA,zej(3)其中，是£t的方差协方差矩阵，ojj是2对角线上第j个元素，ei是第i个元素为1,其余元素为0的N维列向量。在广义预测误差方差分解中，每一行的和并不一定为1,因此,DiebOld和YilnIaZ(2012)11对方差分解结果进行标准化处理，公式如下：?gijZ=?gijZj=lN?gijZ(4)在上式基础上，可以计算由多个市场组成的整个金融系统的总体关联度，将其称为风险总溢出系数，公式为：SgZ=i,j=lijN7gijZi,j=三gijZ×100(5)在整个金融系统中，其他所有市场对市场i的风险溢出可以表示为如下公式：Sgi7Z=i=lijN9gijZi,j=lN?gijZ×100(6)市场i对其他所有市场的风险溢出可以表示为如下公式：Sg7iZ=j=lijN7gijZi,j=lN?gijZX100(7)市场i的风险净溢出可以表示为市场i向其他市场的风险溢出与其他市场向市场i的风险溢出的差，将其称为市场i的风险净溢出系数，其公式为：SgiZ=Sg?iZ-Sgi?Z(8)根据上述原理，市场i对市场j的风险净溢出可以表示为如下公式，将其称为市场i对市场j的风险净溢出系数：SgijZWgjiZi,k=lN?gikZ-?gijZj,k=lN?gjkZ(9)(二)变量选择和数据来源参考宫晓莉和熊熊(2020)16的研究，本文构建我国股票、债券、外汇、黄金、房地产、货币、大宗商品7个市场的收益率溢出网络。样本区间为2006年1月1日一2020年12月31日，涵盖了2008年国际金融危机、欧洲主权债务危机、2013年我国银行间市场“钱荒”、2015年我国“股灾”、2016年我国“债灾”和2020年新冠疫情等重要风险事件。本文选取的7个市场的相关指标见表1,数据均来源于万得数据库。对各指标进行以下处理：首先，由于上述7个市场的交易日并不完全一致，为了保证时间上的一致性，参考既有研究中的数据采集方法，采用共同交易窗口来处理数据，删除各市场交易时点不匹配的数据，保留公共交易时点下的数据，共得到3646个观测样本。其次，按照公式Rt=logptpt-1X100%,将除货币市场利率以外的其他6个指标转换为收益率数据。最后，对上述7个指标进行ADF单位根检验，结果显示在1%的显著性水平上所有变量均为I(0)过程，可以用于建立向量自回归模型。关于影子银行的规模，既有文献采用多种方法进行过测算，如Chang等(2016)22以委托贷款、信托贷款、未贴现银行承兑汇票为基础测算了我国影子银行的季度数据并定期对外发布，本文采用他们测算的数据。根据AIC准则，确定VAR模型的最优滞后期为1期。参照DiebOId和YihnaZ(2012)11,使用广义向量自回归的第10步预测计算风险溢出网络。通过步长为1个交易日、窗口为240个交易日的滚动估计，获得时变的风险总溢出系数、不同金融市场的风险净溢出系数、金融市场两两之间的风险净溢出系数。(三)金融市场风险总溢出系数的时变特征及驱动因素图1给出了金融市场风险总溢出系数的时变特征，我们在图中标识出近年来的重大风险事件以检验本文构建指数的科学性。由于滚动样本时间窗口为一年，因此，特定时点的风险总溢出系数表示过去一年的总体情况。为使影子银行增速与风险总溢出系数相对应，图1中的影子银行增速为季度环比增速4期移动平均值。从图中可以看出，2007年以来风险总溢出系数经历了四个阶段：一是2007年初一2013年6月，波动上升；二是2013年7月一2017年12月，震荡下行；三是2018年初一2020年3月，快速上升；四是2020年4月至今，高位回落。风险总溢出系数的波动能够很好地反映重要的风险事件，比如2007年7月美国次贷危机爆发和2009年10月初希腊主权债务危机爆发后，国外风险向国内传染，风险总溢出系数在此后均经历了一个上升期；2013年6月我国银行间市场爆发了历史上最严重的一次“钱荒”,风险总溢出系数在当年6月21日飙升至历史最高水平；2015年“股灾”期间风险总溢出系数震荡上升；2016年底“债灾”期间风险总溢出系数创阶段性高峰。可见，本文构建的风险总溢出系数可以有效反映我国金融市场的风险压力。图1显示影子银行与风险总溢出系数密切相关。2012年之前，二者走势高度一致，如影子银行增速分别在2008年3月和2010年6月达到阶段性高点，风险总溢出系数则分别在2008年2月和2010年6月达到阶段性高点，影子银行增速与风险总溢出系数几乎完全同步。2013年中一2016年末，影子银行增速和风险总溢出系数在大趋势上仍然具有很强的一致性，影子银行增速从2013年6月的8.2%下降至2016年“债灾”时的1%,同期风险总溢出系数从44.6%回落至23.2%,二者均呈回落趋势。2017年以来，影子银行增速和风险总溢出系数的同向变动趋势开始反转，两者呈现反向波动特征，如2016年12月一2017年12月影子银行增速稳步回升，但风险总溢出系数波动下行；2018年1月一2019年1月影子银行增速触底回升，而同期风险总溢出系数则持续回落。（四）各市场和不同传染路径风险净溢出系数的特征分析图2给出了样本期内不同金融市场的风险净溢出系数，可以看出不同市场的风险净溢出差异较大。股票、房地产市场大多数时候表现为风险净溢出，外汇、黄金、货币市场大多数时候则表现为风险净溢入，债券、大宗商品市场呈现出风险净溢出和风险净溢入的双向特征，在金融风险传染中扮演的角色较为复杂。本文测算的风险净溢出系数较好捕捉了极端风险事件。以2013年“钱荒”为例，风险主要从货币市场和债券市场溢出并向股票市场和房地产市场传染。这一风险事件主要在国内金融市场传染，涉外金融市场未受明显影响，故大宗商品市场和外汇市场的风险净溢出系数未受到明显影响。直观对比来看，影子银行对大宗商品市场的风险溢出可能存在一定影响。2014年之前影子银行快速增长，大宗商品市场主要表现为风险净溢出；2014年之后影子银行增长放缓，大宗商品市场风险净溢入情况有所增加。这可能与影子银行快速发展的驱动内核在2014年前后发生了转变有关。2014年前，影子银行的快速扩张实际是银行传统资产负债业务向表外延伸，这期间实体经济融资需求旺盛，影子银行对大宗商品市场的影响程度不高。2014年后，融资需求逐渐萎缩，影子银行的进一步扩张转向了监管空白领域，大量资金进入各类市场，影子银行也更多地开始借助大宗商品进行金融套利。由于不同市场风险溢出的特征差异较大且比较复杂，因此，仅通过直观对比无法精确刻画影子银行对金融风险传染机制的影响。图3进一步给出了不同市场两两之间的风险净溢出情况，由于篇幅有限，此处仅展示样本期内方差最大的前10条风险传染路径。可以看出，方差最大的前10条传染路径主要涉及债券、汇率、商品三个市场。债券市场向货币市场溢出的强度较大、波动性较高，这与我国货币市场资金主要投向债券市场的现实情况相吻合。股票市场向汇率市场的溢出较强，尤其是2018年以来溢出强度明显提高，一个可能的解释是“沪港通”和“深港通”开通后外资持有我国A股的比例不断上升，股市波动对外汇市场的影响随之增大。汇率向房地产市场的溢入强度较高，即风险从房地产市场向汇率市场传染，外资购买我国房产的规模较大，房地产波动会导致汇率承压。市场两两之间的风险净溢出波动性较大。一方面，虽然净溢出系数的方向变化不大，但净溢出系数的水平波动较大，如股市一商品市场的净溢出系数在样本期内大部分时期为正，但溢出的强度呈现明显的周期性波动；另一方面，净溢出系数的方向和强度均波动较大，如债券一汇率市场的风险溢出方向和强度均呈现出较强的波动性。上述分析表明，金融市场风险总溢出系数与影子银行具有很强的相关性。但是，金融风险跨市场传染会受到多种因素的影响,各市场的净溢出系数、市场两两之间的净溢出系数表现出很强的波勤性，仅通过描述性分析和直观观察很难捕捉到影子银行对风险传染的影响机制。因此，我们构建向量自回归模型并进行脉冲响应分析，来进一步捕捉影子银行发展对我国金融风险跨市场传染的影响机制。四、影子银行对风险跨市场传染的影响基于BVAR模型(一)贝叶斯向量自回归模型介绍无约束向量自回归模型(以下简称VAR)是宏观经济分析的重要工具，但存在参数过多、过度拟合等问题。本部分构建的向量自回归模型变量较多而样本期较短，采用常规估计会面临“维数诅咒”问题，无法准确估计模型参数，因此，我们采用贝叶斯方法估计模型参数。贝叶斯向量自回归模型将参数看作是具有某种先验分布的随机变量，先验分布与似然函数结合得到后验分布，避免了VAR模型的自由度损失问题。假设一个滞后期为P的VAR模型：yt=aO+j=lpAjyt-l+t(10)其中，yt是一个niXl阶的矩阵，£t是m><l阶的残差项，et?NO,上式可以写成如下紧凑形式：Y=XA+E或者y=Im?X÷e(11)其中，Y和E是TXnl阶的矩阵，X=xl,，xt'是一个TX(mp÷l)阶矩阵,xt=l,y,t-l,y,t-q,=VECA,e?N(e?IT)o贝叶斯估计的优势在于对先验信息的利用，本文采用常用的Minnesota先验分布。Minnesota先验分布假设0已知，先验分布0?N90,VOo根据贝叶斯定理，后验分布可以表述成如下形式：11Iyocexp-i2-,V-1-(12)其中，后验均值为：=V-10+-177X,X-IV-IO0+-l?X'y(13)后验方差V为：V=V-10+-127X,X-l(14)采用Minnesota先验分布进行估计时，需要先设定模型超参数。对于先验分布的均值O,参考既有研究将其设定为Oo对于先验分布的方差V0,其元素为vlij,1=1,，p,Evlij1.形式如下：vlij=1132,i=jl2il3j2,ij(15)其中，。口是矩阵2£对角线上的第i个元素。人口的取值范围是0,8,入2的取值范围是(0,1),入3的取值范围是0,Ilo在确定模型参数时，本文使用matIabBayVAR工具包，以误差平方和最小为目标对超参数进行搜索，最终确定参数值。本部分通过构建的贝叶斯向量自回归模型考察影子银行对金融风险跨市场传染的影响，共涉及以下三类变量：一是影子银行季度环比增速，根据Chang等(2016)22测算的影子银行规模计算得到。二是风险总溢出系数、金融市场风险净溢出系数、两两市场之间的风险净溢出系数，均由本文测算得到。由于影子银行数据的频率为季度，为了使风险溢出数据和影子银行数据匹配，我们分季度重新测算了风险溢出系数值。三是GDP季度环比增速、各项贷款季度环比增速，引入这两项指标是为了控制经济增长和正规金融对风险溢出的影响，该两项指标根据Chang等(2016)22的数据计算得到。样本期为2006年第一季度一2020年第四季度。ADF单位根检验显示在5%的显著性水平上所有变量均为I(0)过程。(二)影子银行对各金融市场风险净溢出的影响先构建一个包含金融市场风险总溢出系数、7个市场风险净溢出系数、影子银行季度环比增速、GDP季度环比增速和各项贷款季度环比增速共11个变量的贝叶斯向量自回归模型，考察影子银行对总体金融风险和各市场的影响。网格搜索确定的超参数取值为入l=0.31.2=0.21,3=0.91,AIC准则显示模型最优滞后期为2。由于无法确定不同变量之间影响的先后顺序,此处采用广义脉冲响应进行分析。影子银行发展对金融风险跨市场溢出产生了显著影响。从脉冲响应图可以看出(见图4)：一是影子银行提升了金融市场的总体风险溢出程度，1单位的影子银行冲击导致风险总溢出系数最多上升0.6个单位，且这一影响持续两年左右。可见，影子银行复杂的业务结构将不同市场关联起来，确实会增大风险跨市场传染的压力。二是影子银行对不同金融市场的影响存在显著的异质性。影子银行强化了外汇市场、货币市场、黄金市场和大宗商品市场的风险净溢出，即影子银行的发展使得上述四个市场的风险更容易传染给其他市场。其中，黄金市场的反应最强烈，影子银行1单位冲击导致黄金市场风险净溢出上升2个单位，但这一影响仅持续了一个季度；对外汇市场影响的持续性最强，在冲击发生后的8个季度后回归至0,持续时间长达两年。货币市场和大宗商品市场的脉冲响应强度均在1.5左右，持续时间均为1个季度。三是影子银行造成股票市场、债券市场和房地产市场的风险净溢出下降，即影子银行使上述三个市场更容易受到其他市场的影响。其中，债券市场反应最强烈，1单位影子银行冲击导致债券市场风险净溢出下降了4.5个单位，在所有市场中受到的冲击最大。影子银行的发展使得债券市场成为风险“洼地”，主要是由于大量资金通过影子银行产品最终流向债券市场，其他市场的风险极易沿着资金链向债券市场溢出。房地产市场风险净溢出下降1.5个单位，影响持续8个季度左右。股票市场风险净溢出在第1期上升0.2个单位，但第2期之后开始下降且一直持续至第8期。综上，影子银行提升了我国金融市场的风险溢出强度，导致金融风险从汇率、黄金、货币和大宗商品市场向债券、股票和房地产市场传染，特别是债券市场受影子银行的冲击最大。（三）影子银行对不同风险传染路径的影响分析进一步构建一个包含金融市场两两之间风险净溢出系数、影子银行季度环比增速、GDP季度环比增速和各项贷款季度环比增速共24个变量的贝叶斯向量自回归模型，考察影子银行对不同风险传染渠道的影响。网格搜索确定的超参数为l三0.91,2=0.01,3=0.01,AIC准则显示模型最优滞后期为2。图5给出了影子银行对不同市场两两风险净溢出系数的冲击，其中第i行第j列表示的是市场j向市场i的风险净溢出系数对影子银行冲击的脉冲响应图。由于影子银行业务模式具有高度复杂性和多样性，不同风险传染渠道对影子银行冲击的脉冲响应差异明显。通过脉冲响应图可以看出，影子银行极大地增强了债券市场的风险溢入，影子银行的发展导致其余六个市场向债券市场的风险传染均有所提高。特别是货币市场向债券市场的风险溢出，最多上升了2.3个单位，影响持续三个季度，在所有风险传染渠道中反应最强烈。其次是黄金市场向债券市场的风险溢出，最多上升0.96个单位；再次是商品市场向债券市场的风险溢出，最多上升0.91个单位。影子银行提升了黄金市场的风险净溢出水平，即影子银行的发展加剧黄金市场向其余六个市场的风险传染，特别是黄金市场向债券市场的风险传染上升最明显。影子银行对其他市场风险溢出路径的影响更加复杂。如股票市场，面对影子银行冲击，股票市场向债券、房地产和货币市场的风除溢出增强，向外汇、黄金和商品市场的风险溢入增强，即影子银行的发展导致股票市场的风险更容易向债券、房地产和货币市场传染，但同时也导致外汇、黄金和商品市场的风险更容易传染至股票市场。影子银行的发展使股票市场成为风险传染的“中继器”。货币、外汇、房地产和商品市场的表现与股票市场类似。影子银行对不同风险传染路径的这种异质性复杂影响，极大提升了风险防范的难度，这是影子银行威胁金融稳定的一个重要表现。五、业务视角下影子银行扭曲风险传染机制的再讨论前述分析表明，债券市场的风险传染特征受影子银行影响最大，特别是货币市场向债券市场的风险溢出在所有传染渠道中受影响最大。本部分从业务视角出发，以货币市场向债券市场的风险溢出为例，进一步讨论影子银行扭曲金融风险传染的内在机制。（一）关于影子银行影响货币向债券市场风险溢出的两个假设2015年以来我国货币市场进入低利率、低波动时期，20152020年7天银行间同业拆借利率均值为2.97%,标准差为0.56,而20102015年的均值和标准差分别为3.54%和1.27。在这样一种宏观背景下，从货币市场融入低成本短期资金，并在债券市场加杠杆投资，成为金融机构获得超额利润的一种普遍操作模式。但是，在影子银行出现之前，债券投资者只能通过场内回购的方式加杠杆，政策约束较多，杠杆水平被严格限制。如上海证券交易所债券质押式回购交易风险控制指引规定，融资回购交易放大倍数最大不超过五倍；证监会公开募集证券投资基金运作管理办法规定，公募基金场内回购形成的净杠杆不超过40%o影子银行使金融机构有了突破监管限制的工具，投资者通过场外产品设计，利用委外投资、债券代持等结构化影子银行产品，扫清了资金流动障碍，打通了货币市场和债券市场，将债券市场杠杆推升至较高水平。中央国债登记结算有限责任公司2016年底测算显示，我国债券代持规模为12万亿元，债券代持使债券市场杠杆从109%上升至156%。货币市场推升债券市场杠杆这一现象增大了货币市场风险向债券市场传染的压力。当市场流动性稳定时，货币市场资金大量涌入债券市场，两个市场的联系日益紧密，债券市场杠杆不断上升；而当货币市场出现波动，资金面较为紧张时，货币市场向债券市场的资金流动便会停滞甚至发生逆转，债券市场杠杆高位承压，甚至出现挤兑式抛售，导致价格大幅波动，最终体现为货币市场风险向债券市场传染。上述关系如图6所示。通过上述梳理可以发现，较低且稳定的货币市场利率会催生金融机构对于影子银行业务的需求，而影子银行的存在则进一步便利了债券市场的加杠杆行为，推高债券市场杠杆，这是影子银行加剧货币市场风险向债券市场传染的内在逻辑。我们提出两个假设，利用格兰杰方法进一步检验这一论断：假设1：货币市场利率和波动性是影子银行增速的格兰杰原因。假设2：影子银行增速是债券市场杠杆的格兰杰原因。（二）指标构建及检验结果假设1和假设2共涉及4项指标。由于影子银行数据为季度频率，因此，我们采用季度数据进行格兰杰因果检验。其中，影子银行增速(gshb)的含义与第四部分相同。其余指标的含义如下：1.债券市场杠杆率(blev)o参考市场机构的做法，用债券托管量/(债券托管量-待回购债券余额)测度债券市场杠杆率。根据上述指标的月度值计算得到月度的杠杆率，然后进行季度平均获取季度的债券市场杠杆率数据。2.货币市场利率(int)和波动率(VOl)：直接采用7天银行间同业拆借利率代表货币市场利率水平。对于货币市场波动率，目前并没有官方指标，因此，我们采用GARCH(1,1)模型提取货币市场利率的条件方差测度市场波动率，GARCH(1,1)模型如下：Rt=t+tt,£tWN0,1(16)2t=+Rit-l-i2+2t-l(17)其中，Rt是银行间7天同业拆借利率，pt、3、a、B是模型的系数，ot是条件方差时间序列，用以测度市场波动率的测度。Rt和。日均为日度频率数据，对其取季度平均得到季度的货币市场利率(int)和波动率(vol)数据。格兰杰因果检验的样本期为2006年第一季度一2020年第四季度。对blev、int、VOl和gshb四个变量进行平稳性检验，结果表明四个变量均为I(0)过程，可以直接进行格兰杰因果检验。AIC准则显示最优的滞后期为2个季度。检验结果见表2。可以看到，模型在5%的显著性水平上拒绝了int不是gshb的格兰杰原因的原假设,即货币市场利率是影子银行增速的格兰杰原因；在1%的显著性水平上拒绝了vol不是gshb的格兰杰原因的原假设，即货币市场波动率是影子银行增速的格兰杰原因。据此，假设1得到了验证，货币市场利率和波动率会引起影子银行增速的变动。模型在5%的显著性水平上拒绝了gshb不是blev的格兰杰原因，即影子银行的增速会引起债券市场杠杆的变化，假设2也得到验证。六、结论与政策建议本文基于广义预测误差方差分解，构建我国股票、债券等7个金融市场的有向加权风险溢出网络，测算不同金融市场和传染渠道的风险溢出系数，进一步构建包含风险溢出系数和影子银行增速的大型贝叶斯向量自回归模型，探析影子银行发展对我国风险跨市场传染的影响机制。结论表明：一是影子银行强化了我国金融风险跨市场溢出水平，影子银行1单位冲击导致风险总溢出系数最大上升0.6个单位，持续时间为两年。影子银行增强了汇率、货币、黄金和大宗商品市场的风险净溢出，其中黄金市场反应强度最大，汇率市场反应持续时间最长。影子银行增强了股票、债券和房地产市场的风险净溢入，其中债券市场反应强度最大，房地产市场反应持续时间最长。二是影子银行冲击使债券市场承压最大，其他6个子市场向债券市场的风险溢出均有所增强。影子银行导致股票、货币、外汇、房地产和商品市场向一部分市场的凰险溢出上升，向另一部分市场的风险溢入上升，强化了这些市场风险传染的“中继器”作用。三是面对影子银行冲击，货币市场向债券市场的风险溢出在所有传染渠道中反应最强烈。进一步基于格兰杰因果检验的分析发现，货币市场利率和波动率是影子银行增速的格兰杰原因，影子银行增速是债券市场杠杆的格兰杰原因。影子银行成为货币市场资金流向债券市场的中介，刺激债券市场杠杆率上升，加大了货币市场风险向债券市场传染的压力。结合本文结论，针对下一步影子银行发展和我国金融风险防控，提出如下政策建议：一是加大风险监测力度。建立全覆盖的资管统计监测体系，建立风险跨市场传染的监测制度，重点加强债券市场风险监测，防范货币市场流动性风险向债券市场传染。提升对外汇、大宗商品等外向型市场的风险预警水平，防范外部风险通过影子银行业务向国内传染。二是严控不合规加杠杆行为。影子银行所引发的不合规加杠杆是重要的风险隐患，容易成为金融风险的导火索。因此，要完善监管政策措施，加大政策执行力度，提升金融机构内控水平，控制债券交易加杠杆行为。三是推动关于规范金融机构资产管理业务的指导意见平稳有序实施。一方面，要积极推动影子银行风险化解，特别是对于违规影子银行业务要及时取缔；另一方面，也要密切关注影子银行压降过程中的苗头性风险，给予金融机构必要的转型时间。注：相关数据见：https：/www.atlantafed.orgcqerresearch/china-macroeconomy.aspxo20062020年金融市场每年平均有243个交易日，故将窗口设定为240个交易日相当于1年。由于A对B的溢出与B对A的溢出是相反数，因此，7个市场两两之间共存在21条不同绝对值的传染渠道。参考文献：1杨子晖，陈里璇，陈雨恬.经济政策不确定性与系统性金融风险的跨市场传染一一基于非线性网络关联的研究J.经济研究，2020,(01).2方先明，谢雨菲，权威.影子银行规模波动对金融稳定的溢出效应J.经济学家，2017,(01).3张冰洁，汪寿阳，魏云捷，赵雪婷.我国影子银行的风险传导渠道及监管对策研究J.系统工程理论与实践，2021,41(01).4刘超，马玉洁.影子银行系统对我国金融发展、金融稳定的影响一一基于2002-2012年月度数据的分析J.经济学家，2014,(04).5李文拮.中国影子银行的经济学分析：对金融稳定的影响J.金融监管研究，2020,(05).6KanasA.2000.VolatilityspilloversBetweenStockReturnsandExchangeRateChanges：InternationalEvidenceJ.JournalofBusinessFinancefeAccounting,(3).7CaporaleGM,PittisN,SpagnoloN.2002.TestingforCausality-in-Variance：AnApplicationtotheEastAsianMarketsJ.InternationalJournalofFinance&Economics,(3).8李成，马文涛，王彬.我国金融市场间溢出效应研究一基于四元VAR-GARCH(1,1)-BEKK模型的分析j.数量经济技术经济研究，2010,(06).9BillioM,GetmanskyM,1.oAW,Pelizzon1.2012.EconometricMeasuresofconnectednessandSystemicRiSkintheFinanceandlnsuranceSectorsJ.Journaloffinancialeconomics,3.10BrunettiC,HarrisJH,MankadS,MichailidisG.2019.InterconnectednessintheinterbankmarketJ.JournalofFinancialEconomics,(2).IllDieboldFX,YilmazK.2012.BettertoGivethantoReceive：PredictiveDirectionalMeasurementofvolatilityspilloversJ.InternationaljournalofForecasting,(1).121.iowKH,1.iaoWC,HuangY.2018.DynamicsoflnternationaispilloversandInteraction：EvidencefromFinancialMarketstressandEconomicPolicyUncertaintyJ.EconomicModelling,(68).13ReboredoJC,UgoliniA.2015.SystemicRiskinEuropeanSovereignDebtMarkets：ACoVaR-copulaApproachJ.JournalofInternationalMoney和Finance,(51).14傅强，张颖.我国金融系统的风险溢出效应研究一基于溢出指数的实证分析J.宏观经济研究，2015,(07).15刘超，徐君慧，周文文.中国金融市场的风险溢出效应研究一一基于溢出指数和复杂网络方法J系统工程理论与实践，2017,(04).16宫晓莉，熊熊.波动溢出网络视角的金融风险传染研究J.金融研究,2020,(05).17TangJ,WangY.2016.EffectsofShadowBankingonReturn：AEmpiricaistudyBasedonchineseCommercialBanksJ.InternationalJournalofFinancial