中国系统性风险的风险溢出效应研究

中国系统性风险的风险溢出效应研究

1、次贷危机引发的全球金融危机阐明了这一点。随着金融自由的提高，由单个金融机构产生的金融风险在不同的金融子市场之间相互传播，导致系统性风险的增加和系统性金融危机的加剧。由于风险溢出效应放大了单个金融机构或某一金融子市场对整个金融体系的冲击效应,因此,科学测度不同金融机构的风险溢出效应就成为系统性风险研究的一个重要内容。但是,传统的用于衡量金融风险程度的VaR系列模型却只能测度金融机构自身的风险,无法衡量金融领域内不同子市场之间的风险溢出效应。近年来,CoVaR(条件在险价值)模型非常流行,为克服VaR模型的缺陷提供了新思路。但问题是,将该方法直接用于分析中国金融业的风险溢出效应存在一系列后天不足,原因是与发达国家的混业经营不同,中国金融业目前面临的现实是,虽然具有混业经营的趋势,但从法律和监管角度看仍是分业经营、分业监管,系统性风险在不同金融子市场之间的传导特征不同于已经实行混业经营的发达国家,因此,当采用CoVaR模型测度中国金融业的风险溢出03效应时需要对其进行进一步拓展。基于此,本文拟以CoVaR理论构建GARCH模型,并引入对不同金融子市场之间相关关系描述性更强的Copula函数和对资产的厚尾特性及非对称性拟合效果更好的Skewed-t分布,对中国的银行、证券、保险以及信托四个子市场的风险溢出效应进行测度,为防范系统性风险在金融领域内不同子市场之间相互传染,提高中国金融业的抗风险能力提供实证依据。二、文献综述学术界一直都在尝试采用不同的方法测度金融风险,其中VaR模型最为流行。但是,从次贷危机到华尔街金融危机,再到欧债危机的发生打破了人们对金融风险的传统认识,学术界已不再囿于对金融风险的传统计量,转而聚焦于对金融风险的传染性即系统性风险进行测度。自然,作为得到普遍认可并广泛应用的传统计量模型——VaR模型因无法测度金融风险的传染效应而遭到诟病。这迫使学术界不得不探寻更加科学的风险测度工具。基于这种背景,近年来相继出现了多种测度系统性风险的方法。Huang等提出了“压力测试法”,但这一方法只对发达国家的金融市场有效,对于金融市场并不完善的发展中国家来讲,有效性大大降低。Tarashev等以博弈论为基础提出了夏普利值法,其优点是可将各金融机构的风险相加,但缺点是只能衡量单一固定事件发生时的系统性风险。Gray等认为,采用未定权益分析法(CCA)更能动态地反映系统性风险程度。但是,以上所有方法均无法衡量金融风险的传染程度。经过不断探索,Adian等在VaR模型的基础上首次提出了CoVaR模型,考虑了金融机构之间的风险联动效应,主要用于测度一家金融机构陷入困境后给其它金融机构乃至金融业带来的风险溢出效应。该方法得到了Bjarnadottir,Mainik以及Schaan-ning等人的充分肯定,被认为可操作性强。之后,不少学者采用该方法测度金融风险的传染,如López-Espinosa等运用CoVaR模型分析了全球商业银行系统性风险的影响因素后,认为该方法测度效果很好。当CoVaR模型逐渐成为学术界的流行方法后,中国学者也及时吸收并借鉴了这一方法并尝试对中国金融业的系统性风险进行实证分析,代表性研究成果主要有:范小云等比较了CoVaR方法与MES(边际风险贡献)方法的差异,并对次贷危机前后中国银行业的系统性风险进行了测度。李志辉、樊莉运用CoVaR方法和分位数回归技术,对中国上市商业银行的系统性风险溢出效应进行了估计,验证了以VaR为核心指标的线性监管政策不能有效防范系统性风险的观点。杨有振、王书华;肖璞也分别通过同样的方法证明中国上市商业银行存在系统性风险溢出效应,并发现规模大的银行系统性风险溢出效应较大。高国华、潘英丽利用动态CoVaR方法对中国14家上市商业银行的财务特征和系统性风险贡献度进行了分析。白雪梅、石大龙应用CoVaR模型测度了中国金融体系的系统性风险。但是,由于以上研究均运用分位数回归技术计算CoVaR,只能描述分位点与回归变量间的线性关系,不能刻画非线性关系,因此对相关关系的刻画很粗糙,导致CoVaR计算不准确。为避免这一问题,谢福座引入Copula函数,利用其在描述金融时间序列数据时所具有的优越性,结合GARCH模型和Copula函数对CoVaR进行计算,测度了亚洲三大股票市场指数间的风险溢出效应,大大提升了CoVaR计算结果的有效性。刘晓星等;王永巧、胡浩也分别借助同样的方法测度了中国大陆与美国、中国香港等股票市场间的风险溢出效应。尽管如此,现有研究文献仍然存在两点不足:1研究视角上,只关注中国商业银行或者国内外证券市场之间的系统性风险溢出效应,缺乏对中国不同金融子市场之间的风险溢出效应研究;2技术手段上,大多数研究直接采用分位数回归技术测度Co-VaR,很少结合中国金融数据的特点对模型的拟合进行优化以使测度结果更加精确,即使有人注意到了Copula函数的拟合效果,但却忽略了GARCH残差项分布对测度结果的影响。基于此,本文拟采用GARCH-Copula-CoVaR模型,分别测度银行、保险、证券、信托对中国金融业的系统性风险溢出效应以及相互之间的风险溢出效应。具体步骤为:首先,构建模型并求解,拓展Co-VaR模型;其次,测算并分析银行、保险、证券、信托对金融业的系统性风险溢出效应的贡献度以及各子市场相互之间的风险溢出效应;最后,得出研究结论13及启示。本文的主要贡献是:1不但测度了不同子市场对中国金融业的系统性风险贡献程度,还测度了各金融子市场相互之间的风险溢出效应,弥补了国内研究的不足,揭示出系统性风险的最大爆发源;2拓展了CoVaR模型,引入Skewed-t分布和对金融市场间相关关系描述性更强的Copula函数,使得模型的科学性更强。三、模型构建(一)CoVaR模型CoVaR模型是指在一定概率水平下,当某子市场在未来特定时间内达到最大损失时,其它子市场的最大可能损失。给定置信水平1-α,当子市场i的损失值为VaRjα,t时,子市场j的条件在险价值CoVaRj|i|iα,t为:Pr(ΔRjt≤CoVaRj|i|it|Δ|ΔRit=VaRiα,t)=α(1)由定义可以看出,CoVaRj|i|iα,t在本质上是VaRjα,t,当j=s(s代表整个金融业)时,将金融业s总的风险价值CoVaRs|i|iα,t分成无条件在险价值VaRsα,t和溢出风险价值ΔCoVaRs|i|iα,t两部分,更能反映一子市场出现危机对其它子市场的影响。子市场i对金融业的风险溢出效应可以通过溢出风险价值测度:ΔCoVaRs|i|iα,t=CoVaRs|i|iα,t-VaRsα(2)为了更加准确的测度子市场间风险溢出效应,将溢出风险价值进行去量纲化处理:%CoVaRs|i|iα,t=ΔCoVaRs|i|iα,tVaRsα,t×100%=CoVaRs|i|iα,t-VaRsα,tVaRsα,t×100%(3)(二)GARCH-Copula-CoVaR模型根据对CoVaR模型的介绍可以看出,CoVaR本质上就是某一随机变量处于分位点时另一随机变量的条件概率分布的α分位数。分位数其实就是对密度函数求变上限积分,理论上讲只要知道了密度函数,就可以求得CoVaR。本文引入Skewed-t分布(偏态t分布)和Copula函数,借助GARCH模型对CoVaR进行计算,计算步骤如下:1.引入Skewed-t分布Skewed-t分布是由Hansen提出的一种t分布的扩展分布,在t分布的基础上加入了一个偏度参数λ,对金融资产序列的非对称性和后尾性能够更加准确的描述,其概率密度函数为:h(zt|η|η,λ)=bc(1+1η-2(bzt+a1-λ)2)-(η+1)/2zt<-a/bbc(1+1η-2(bzt+a1+λ)2)-(η+1)/2zt≥{-a/b(4)其中,a=4λc((η-2)/(η-1)),b2=1+3λ2-a2,c=Γ((η+1)/2)/π(η-2)Γ(η/2槡),2<η<∞为自由度,-1<λ<1为偏度参数,若λ为正则变量右偏,存在正收益率的可能性更大。显然,当(4)式中λ=0且η→∞时,Skewed-t分布退化为正态分布;当λ=0且η为任一有限实数时,Skewed-t分布退化为普通t分布。2.计算每一个子市场i对金融系统s的溢出风险价值ΔCoVaRs|i|iα,t首先,对于每一个子市场i来说,其在险价值VaRjα,t可通过GARCH模型拟合结果直接求出:VaR=Vt-1Zασ槡ΔT(5)其中Vt-1为该子市场第t-1期资产,Zα为zit对应的α分位数,σ为收益率标准差估计值,ΔT为资产持有期。根据公式(5)即可算出资产在一段时间内的VaRjα,t值。假设每一个子市场i的收益率Rit满足GARCH模型:Rit=μit+εi,t;μt=α0+α1Rt-1;εi,t=zi,tσi,t,其中,残差序列zi,t独立同分布,本文假设其服从skewed-t分布,条件方差满足标准GARCH(1,1)条件:σ2i,t=βi0+βi1ε2i,t-1+βi2σ2i,t-1。接着,运用多元相关性分析函数Copula函数计算CoVaRs|i|iα,t。由于Copula满足Sklar定理:即当F是边缘分布为F1,F2的二维联合分布函数时,一定存在一个Copula函数C:[0,1]2→[0,1],使得:F(x1,x2)=C(F1(x1),F2(x2))(6)根据Sklar定理,可以进一步推导出联合分布F所对应的密度函数:f(x1,x2)=c(F1(x1),F2(x2))f1(x1),f2(x2)(7)其中c(μ,ν)=ue785C(μ,ν)/ue785μue785ν为Copula函数的密度函数,fn(xn)是边缘分布Fn(xn)的密度函数。假设收益率序列Rit和Rst的联合密度函数为f(Rst,Rit),则序列Rst关于序列Rit的条件密度函数fs|i|i(Rst|R|Rit)=f(Rst,Rit)fi(Rit)(8)又公式(7)中Copula函数的定义可得:23fs|i|i(Rst|R|Rit)=c(Fs(Rst),Fi(Rit))fs(Rst)(9)由此,收益率序列Rst关于序列Rit的条件分布函数为:Fs|i|i(Rst|R|Rit)=∫Rst-∞c(Fs(Rst),Fi(Rit))fs(Rst)dRst=α(10)其中Fs和Ft为Copula函数的边缘分布函数,根据定义,CoVaRs|i|iα,t为Rit=VaRiα,t时Rst的在险价值。则方程∫Rst-∞c(Fs(Rst),Fi(Rit))fs(Rst)dRst=α中只有Rst一个未知数,求解方程即可求出CoVaRs|i|iα,t。与计算单个子市场VaR相同,假设Rit和Rst满足GARCH模型,其残差序列zit和zst独立同skewed-t分布。由于Rit和Rst分别是zit和zst的单调增函数,根据Copula函数的性质,相应的Copula函数不变,则对收益率序列的研究可以转换为对残差序列的研究,即:∫Rst-∞c(Fs(Zst),Fi(Ziα,t))fs(zst)dzst=α(11)其中Zsα、Ziα分别是zst和zit的α分位数,根据公式CoVaRs|i|iα,t=Vst-1Zsασst槡ΔT即可更加方便地求出CoVaRs|i|iα,t。再根据公式(2)和(3)求出相应的ΔCoVaRs|i|iα,t和%CoVaRs|i|iα,t。四、中国金融业风险溢出效应实证分析(一)数据选取和基本统计量描述本文选取中证内地金融指数(以下简称“中证指数”)作为金融业总指数。选取这一指数的理由如下:该指数以42家中国内地上市金融企业作为成分股,用以反映沪深A股中金融企业在股票市场上的整体表现。在我国目前已上市的45家金融企业中,中证指数包含了除香溢融通、中航投资和渤海租赁外的其它42家金融企业,其中包括16家商业银行,19家证券公司,3家信托公司以及4家保险公司,以上企业的总资产占我国金融系统资产总额的90%以上,因此该指数具有良好的代表性。本文对样本数据的选取是,从中证指数成分股的42家金融企业中选取29家1,取其每一交易日收盘价,每个企业的观测值1350个。样本时间跨度是2007年第四季度至2013年第三季度,涵盖了2007年以来美国次贷危机发生后的整个时间段,也包括了2010年以来欧债危机以及2008年以来我国实施的财政刺激政策、地方政府债务水平凸显、利率市场化改革、房地产市场调控等对我国金融业有重大影响的事件。所有上市企业的股票市场数据均来自于国泰安数据库,数据处理使用Matlab(R2012a)。本文对基本统计量的描述步骤如下:首先,对中证指数及各子市场收盘价取对数一阶差分并乘以100来计算每日百分比收益率,即:Rit=100×ln(pit/pit-1)。其中,pit对应的是该子市场第t日的市场价格指数。然后,对所有股票指数的百分比收益率序列进行基本信息描述性统计,其中,各子市场收益率为子市场内各企业收益率的均值,如表1所示。表1各股指收益率序列的描述性统计内地金融指数信托银行证券保险Mean-0.051217-0.005574-0.065278-0.089920-0.094403Median-0.0598540.072948-0.038130-0.088392-0.110757Maximum9.5469457.6871907.8373167.0005377.222841Minimum-9.515117-17.70793-9.345613-11.72605-7.926589Std.Dev.2.2477782.2863441.2891221.3625241.756981Skewness-0.020856-0.482305-0.424678-1.205065-0.235789Kurtosis5.4564356.2328268.76926813.770014.878001Jarque-Bera339.2630639.74291911.4136846.282210.7405Probability0.0000000.0000000.0000000.0000000.0000001其余13家企业由于上市时间晚、数据不足而剔除。从表1可以看出,各子市场与总指数的偏度系数都略小于0,呈现出一定的左偏状态,峰度系数都远远大于3,“尖峰”特性明显,其中,证券业偏度系数绝对值最大为-1.205065,其峰度系数也高达13.77001,呈现出明显的“尖峰厚尾”特征。同时,各JB检验结果概率值均为0,拒绝了各收益率正态性的假设,即在1%显著水平下各股票指数收益率序列都显著异于正态分布,据此可以初步判断各类股票指数收益率序列均不服从正态分布。为了更好地观察各类股票指数收益率的特质,将每个子市场股票收益率序列的时间变化描绘如图1所示。图1各子市场收益率序列时间变化图从图1可以看出,各子市场的股票收益率序列变动基本上比较平稳,且其主要走势极其类似。从时间序列看,2007至2010年间的波动幅度明显大于2010至2013年间,这种协同波动趋势说明各金融子市场之间的相互影响关系越来越强,任何子市场出现问题都有可能波及到其它子市场,一旦系统性风险来临谁都不可能独善其身。(二)溢出风险价值的计算根据对表1的分析,各股票指数收益率序列均不服从正态分布,并且呈波动丛集的特点,表明可能43存在ARCH效应,对此,利用GARCH模型对各指数收益率序列进行拟合来弥补正态分布的不足。但是,由于本文采集的是高频时间序列数据,而GARCH模型残差项服从正态分布,不能充分描述数据的尖峰后尾特性。为此,本文拟在GARCH模型残差项服从Skewed-t分布的假设下计算溢出风险价值。具体做法是:首先,对各企业股票收益率序列、各子市场股票收益率序列以及中证指数收益率序列进行ADF检验,结果如表2所示。表2各股、各子市场以及中证指数收益率序列ADF检验结果机构名称ADF检验统计量信托安信信托-32.19654陕国投A-38.37527爱建股份-34.60851银行工商银行-36.54131建设银行-36.07613中国银行-37.49561兴业银行-35.91228浦发银行-37.20431北京银行-38.85959宁波银行-39.72295华夏银行-38.26593民生银行-36.73355中信银行-38.81814南京银行-39.09756交通银行-36.49809平安银行-36.60018招商银行-36.63899证券太平洋-38.39966海通证券-23.42996西南证券-16.58521国金证券-36.05591中信证券-38.13836长江证券-36.57800国元证券-37.32764东北证券-35.39686宏源证券-36.82142保险中国太保-37.05244中国人寿-37.20057中国平安-35.75547信托业-35.43467银行业-23.68598证券业-14.30353保险业-33.00137中证指数-37.172581计算中选取目前应用最广泛的二元正态Copula函数作为最优拟合函数。由于数据太多,在此不对每个行业的计算结果一一列出,仅列示计算结果,其中,各行业收益率为行业内各机构收益率均值。从表2可以看出,其ADF检验统计量(绝对值)明显大于各自1%显著水平下的临界值-3.432563,因此,在1%显著水平下,各股指收益率序列是平稳的,因此可以直接建立GARCH模型计算VaR和CoVaR。其次,也是本文的研究目的所在,分别计算不同子市场对金融业的系统性风险溢出效应以及各子市场相互之间的风险溢出效应。1.不同子市场对金融业的系统性风险溢出价值测度首先利用公式(5)计算各子市场在险价值VaR。再将各子市场收益率对应的独立同skewed-t分布的残差序列Zit的α分位数Ziα代入公式(11),求解得出金融业对应的残差独立同分布序列zst的分α位数Zsα,结合公式CoVaRs|i|iα,t=Vst-1Zsασst槡ΔT计算出条件在险价值CoVaRs|i|iα,t1。最后根据公式(2)和(3),先计算出金融业的VaR计算结果(-2.52165),再求出各子市场对金融业的溢出风险价值ΔCoVaRs|i|iα,t和标准化溢出风险价值%CoVaRs|i|iα,t,如表3所示。从表3可以看出,各子市场的在险价值VaR由大到小依次为:信托(-5.5730)、银行(-4.3896)、保险(-3.1657)、证券(-2.4387),差别并不大。但是,根据其标准化溢出风险价值大小进行排序,情况却出现了很大变化,银行业的标准化溢出风险价值(即系统性风险贡献度)最大,为20.3410,其次是证券业,为16.1089,而保险业和信托业的%CoVaR仅分别为3.5041和2.2480。说明银行业对我国金融业的系统性风险溢出效应贡献最大,其次是证券业,这一结论与白雪梅等人认为我国银行业的系统性风险贡献度最大,而证券业的系统性风险贡献度最小的结论不完全一致。表3各子市场对金融业的VaR,CoVaR,△CoVaR及%CoVaR计算结果Skewed-t分布VaRCoVaR△CoVaR%CoVaR信托-5.5730-2.5783-0.05672.2480银行-4.3896-3.0346-0.512920.3410证券-2.4387-2.9279-0.406216.1089保险-3.1657-2.6100-0.08843.504153那么为什么四个子市场对中国金融业的系统性风险贡献度会出现如此大的差异?对此本文的分析如下:首先,银行业之所以贡献最大,是因为我国长期以来一直实行的是银行主导型的金融体系,商业银行的融资规模占金融体系融资总量的比重最大,即使是在融资渠道已实现多元化的今天,商业银行的信贷规模仍然占社会融资总规模的50%左右。根据“金融加速器理论”和“商业银行风险承担理论”,商业银行出于自身利益考虑,在经济保持高速发展时期,为了实现其收益最大化,必然尽其可能为实体经济提供更多信贷资金支持,从而推动经济过度繁荣;但当经济发展速度变慢,出现下降后,商业银行的表现则刚好相反。因此,过高的融资规模和流动性不足的特质使我国银行业成为系统性风险的天然存储库。尤其是2008年金融危机后,4万亿投资规模的投放主渠道就是商业银行。这种集中、大规模投放必然导致信贷规模急剧膨胀,不良资产急剧上升。进入2014年以来,商业银行不良贷款余额同比增长22.72%,局部地区不良贷款和不良率双双骤升1就是最好的证明。此外,随着混业经营趋势的形成,银行业与其它金融子市场的融合程度也将越来越强,这也在一定程度上也加大了银行业对系统性风险溢出的贡献度。尤其是近年来通过银信、银证、银保合作等业务,信贷资金通过影子银行流向房地产等高风险市场,导致银行业的系统性风险贡献度大大提高。其次,证券业之所以贡献次之,是因为中国的证券市场自诞生以来就一直处于功能被异化的状态。从证券市场的两大主要子市场——股票市场和债券市场看,很长时间一直处于“跛腿”发展状态,股票市场发展不但起步早,而且规模远远大于债券市场。就股票市场发展看,功能出现了严重扭曲,首先是发行制度存在先天缺陷,最早的证券市场就是为帮助国有企业脱贫解困服务的,众多上市公司只是将证券市场作为低成本甚至是无成本筹资的场所,在国有企业大批改制并发行、上市期间,出现了国有企业股份制改造的力度越大,向证券市场输入的股份公司越多,则证券市场上流通的“劣币”也就越多的现象。其次,在“劣币驱逐良币”的发行制度安排下,1见《金融时报》,2014年7月24日:不良贷款上涨,“重灾区”向中东部扩展。流通市场自然功能变异,沦为一个投机盛行的大赌场。从上证指数2001年的1600多点到2007年的6000点,再到之后已经持续了7年的2000点左右就足以说明中国股票市场的风险程度。虽然近年来随着股票发行制度、监管制度、信息披露制度等的不断完善,股票市场发展出现了一些新变化,同时,债券市场、衍生工具市场等也从无到有,由小到大,但是,与股票市场相比,这些子市场规模仍然偏小,不足以与股票市场抗衡。当股票市场的风险已经大到如此程度时,也就意味着证券业的风险之大。因此,证券业对中国金融业的系统性风险贡献程度仅小于银行业。最后,保险业和信托业的贡献之所以大大低于银行业和证券业,是因为这两个子市场在我国金融体系中所占比重相对较小,发展规模不大。但是,一个值得警惕的新现象是,信托业近年来的经营风险正在不断上升,对金融业的系统性风险溢出效应的贡献度正在提升,从2013年以来先后出现的中诚信托、中融信托、吉林信托刚性兑付危机中已足以看出问题的严重性。从今后看,随着中国经济发展速度放缓,金融市场环境复杂程度提高,整体上看,我国金融业的系统性风险溢出效应还有进一步加大的可能,但是,各子市场对金融业系统性风险溢出效应的贡献度排序也可能会发生变化。2.各子市场相互之间的风险溢出效应测度风险溢出效应不仅表现为各子市场对金融业整体的系统性风险溢出效应,还表现为金融风险在不同子市场之间的传导,即不同子市场之间的风险溢出效应。学术界近年来之所以对风险溢出效应高度关注,正是基于金融风险在不同机构和子市场之间传染的快速性和复杂性。因此,测度不同金融子市场之间的风险溢出效应也是不可忽视的重要内容。表4列出了在Skewed-t分布假设和0.01置信水平下,各金融子市场相互之间的标准化溢出风险价值%CoVaR。从表4可以得出两个实证结果:(1)各子市场之间都存在风险溢出效应,但不同市场之间的风险溢出程度差别很大。其中银行业与证券业之间的风险溢出效应最大,分别为银行63业对证券业25.5250,证券业对银行业23.9102;而保险业与其它子市场之间的风险溢出效应最小,其对信托、银行、证券业分别为2.1555、5.6885、3.8920,而信托、银行、证券业对保险业也只有2.0648、5.8294、3.9107。这表明两层含义:一是银行业或证券业出现极端风险情况时给对方带来的影响远远大于信托业和保险业;二是保险业出现极端风险情况时给其它行业带来的影响都非常小。之所以会出现如此大的差别,我们认为,主要原因是虽然各子市场都通过各种形式的金融创新开展相互合作,但总的来看,由于银行业和证券业在金融体系中所占份额大,合作关系起步最早,合作途径多,联系比其它子市场更密切,如银证转账、银证通、理财、同业拆借、国债回购业务等。相比之下,其它子市场之间的合作途径要少得多。另外,保险业除了在金融市场中所占份额较小外,更重要的是其业务经营相对单一。但是,有合作就有风险。从今后看,随着信贷资产证券化业务的大面积展开,银证之间的合作前景将更加广阔,因此,必须高度关注银证之间的风险溢出效应。同时,还有一个值得高度警惕的新现象是,虽然从计算结果看银信之间的风险溢出效应不大,但从现实情况来看,近年来银信之间已经积累了不少问题,风险溢出效应也正在加大,从近年来一系列银信合作产品出现刚性兑付的事件中都可以看到银行的影子1。表4各子市场之间标准化溢出风险价值%CoVaR计算结果→信托→信托→银行→证券→保险信托→----7.63339.29192.0648银行→7.6976----25.52505.8294证券→9.880023.9102----3.9107保险→2.15555.68853.8920----注:“→”代表风险溢出的方向,例如:信托业对银行业的标准化溢出风险价值为7.6333,银行业对信托业的标准化溢出风险价值为7.6976。(2)各子市场之间的双向风险溢出效应呈非对称性。除溢出程度不同外,各子市场相互之间的风险溢出效应还不对称,例如,证券业对银行业的%CoVaR为23.9102,而银行业对证券业的%CoVaR则为25.5250,相差为1.6148。这说明当银行业发生极端风险时对证券业的影响要略大于证券业发生12014年7月24日,中诚信托宣布“诚至金开2号”确定延期,该产品7月25日到期,是一款典型的银信合作项目。极端风险时对银行业的影响。同样,银行业和证券业对信托业的风险溢出大于信托业对这两个子市场的风险溢出。对此我们的解释是,由于各子市场在我国金融体系中所处的地位高低不同,银行业作为我国金融体系中的主导子市场,业务经营综合性强,波及面广,一旦其发生风险将会波及整个金融业;相反,以股票市场为例,尽管上证综合指数已经连续七年熊市,但对中国金融业的整体影响却比银行业小得多。但是,从今后看,随着我国金融混业经营步伐的加快,不同子市场之间的关联性也将越来越大,一旦