基于极值理论与熵的新型金融机构网络尾部风险溢出效应研究

《Poultry》：Tail Risk Spillover Effect in a New Financial Institution Network Based on Extreme Value and Entropy Theory

　　

本文以2014年至2024年中国57家上市金融机构为研究样本，结合极值理论（Extreme Value Theory, EVT）与TENET方法，构建了尾部风险（Tail Risk）溢出网络，并从系统、行业和机构三个层面分析了网络结构与关系。同时，利用节点熵（Entropy）指标辅助评估机构风险溢出的水平。研究发现，中国金融体系的尾部风险关联性呈现周期性波动，显著受到极端事件、国际经济摩擦和监管政策的影响，在危机时期上升，之后逐渐回落。各行业内部的风险溢出效应显著；金融科技（FinTech）机构的风险吸收能力最强，对外部冲击最为敏感，其对传统金融部门的风险溢出效应更强，是系统性风险（Systemic Risk）的关键枢纽。大型国有银行和领先的金融科技机构作为网络的核心节点，主导着风险积累。截至2023年底，各类风险事件显著加剧了保险业和金融科技领域的风险传导。证券机构的风险抵御能力最弱，对市场波动最为敏感，而银行业和保险业的风险趋势相对稳定。受其网络枢纽地位和技术创新特性的双重影响，金融科技机构的固有风险整体显著更高。

一、研究背景与意义

当前世界正经历百年未有之大变局，贸易摩擦与地缘政治冲突加剧，全球价值链加速重塑。全球化、数字化和金融创新提升了金融体系的不确定性，加速了资本流动和风险传导，使得现代金融市场更易遭受极端尾部风险的冲击。尾部风险是指由剧烈市场波动、系统性冲击或内部运营失败引发的低概率、高损失风险。传统风险评估方法难以捕捉尾部风险，而一旦单一机构爆发危机，便可能通过机构关联和市场恐慌迅速蔓延，威胁金融市场稳定和宏观经济。2008年全球金融危机和2023年欧美银行业动荡证实了尾部风险的积累与爆发可能引发机构破产、流动性短缺、信用收缩等系统性连锁反应。因此，研究金融市场运行规律、识别机构风险源头、厘清尾部风险的非线性传导机制和网络扩散特征，能为金融监管和系统性风险防范提供理论和实证支持。

现有研究中，学者们已采用多种方法度量尾部风险及其溢出效应，如CAViaR模型、TVP-VAR模型、DCC-GARCH-CoVaR模型等，并运用LASSO回归、Copula、复杂网络理论等方法构建风险网络。然而，大多数研究仍主要关注传统金融部门，对新兴金融科技实体关注不足；且在估计VaR时多采用分位数回归，可能低估极端风险。针对这些局限性，本研究创新性地将极值理论与TENET模型相结合，构建了包含金融科技公司的新型金融机构尾部风险溢出网络，旨在更准确地刻画极端情景下的风险关联，并区分正常市场波动与危机引发的风险传染。

二、关键技术方法

研究人员采用了以下主要技术方法：

1. 1.
   极值理论（Extreme Value Theory, EVT）中的POT模型：专门对极端尾部样本建模，以克服金融数据厚尾特征，计算各金融机构的在险价值（Value at Risk, VaR）。
2. 2.
   TENET网络模型：基于单指数分位数回归，引入SCAD惩罚进行变量选择，以捕捉机构间非线性因果传导效应，构建尾部风险溢出网络，并通过偏导数定义风险溢出效应。
3. 3.
   网络连通性指标：包括整体连通性（Total Connectivity, TC）、两类实体间连通性、部门流入/溢出强度、跨部门连通性以及单一机构流入/溢出强度。
4. 4.
   信息熵指标：采用近似熵（Approximate Entropy）和样本熵（Sample Entropy）衡量收益率序列的复杂性和随机性，辅助评估机构风险溢出水平。
5. 5.
   数据选取：以2014年1月1日至2024年3月31日期间57家上市金融机构（包括16家银行、18家证券、4家保险和19家金融科技机构）的周度数据为样本，并纳入资产权益比、资产规模、市账比、资产回报率等机构特征变量，以及利差、期限结构、信用利差、市场收益率、市场波动率和房地产市场收益等7个宏观状态变量。

三、研究结果

3.1 整体尾部风险溢出

整体连通性呈现周期性波动，与极端事件密切相关。2015-2016年股灾期间连通性剧烈波动并于2015年第二季度达到峰值225。2017年被称为史上最严金融监管年，互联网金融经历剧烈变革，推动整体连通性升至近年高点。2018年中美贸易战爆发后，连通性虽有所下降但仍维持高位。2021年新冠疫情引发金融市场剧烈震荡，连通性于2021年8月15日飙升至整个样本期最高值446。2023年硅谷银行破产和中植系崩塌等极端事件再次导致连通性大幅波动。

3.2 两类实体间的尾部风险溢出

传统金融部门对自身的尾部风险溢出小于对新型金融部门的溢出，而新型金融部门对自身的溢出则大于对传统金融部门的溢出。新型金融部门因其业务跨界融合和技术创新的不稳定性，容易产生不稳定的风险传染。2018至2021年间，传统金融部门向自身和新型金融部门的溢出较小且稳定，但2022年后向新型金融部门的溢出变得更为显著和波动。新型金融部门的自身溢出在整个样本期内显著高于对传统金融部门的溢出，且波动性高。

3.3 部门尾部风险溢出

金融科技部门吸收的风险量最高且波动最大，保险部门吸收风险相对较少。银行业在2018年因与金融科技深度融合及扩大开放，尾部风险流入强度波动显著。从溢出强度看，金融科技部门在整个样本期内向外溢出强度最大，尤其在2016-2017年达到峰值，推动了整体连通性达到最高水平。2023年，中植系崩塌和硅谷银行破产等事件使整体连通性飙升至334，此时金融科技部门风险溢出强度增加，而其他部门保持稳定，表明整体连通性变化主要由金融科技部门驱动。此外，各行业内部风险溢出均强于跨行业溢出。

3.4 机构间尾部风险溢出

2018年和2023年的网络图显示，2023年网络密度整体高于2018年。2023年金融科技与证券部门联系更紧密，主要表现为证券部门向金融科技部门的溢出，且金融科技机构对保险机构的风险溢出效应更强。具体而言，2018年SY与ZKJC之间存在高强度双向风险溢出关系；2023年NS对BOB、CL对CPIC、ZKJC对SY表现出高强度尾部风险溢出。在2023年第一季度（硅谷银行破产），金融科技和证券机构主要表现出尾部风险溢出，CPIC和BOB为主要风险吸收者。在第四季度（中植系崩塌），网络密度更大，主要表现为银行和证券部门向金融科技部门的溢出以及金融科技和银行部门内部的溢出，GF对EM的尾部风险溢出最强。

3.5 各机构熵分析

近似熵在各机构间差异不大，而样本熵波动剧烈，反映各机构收益率序列复杂性差异较大，从而导致面临的风险水平差异显著。2018年和2023年的熵值整体高于2015年，表明中美贸易摩擦、意大利预算危机、硅谷银行破产等事件对中国金融市场影响更大。证券机构的熵值大于银行机构，表明其抗风险能力较弱。金融科技机构的熵值较为集中且处于较高水平，表明其固有风险整体高于传统金融机构。对市值前十的传统金融机构的分析显示，样本熵在2018年达到最大值，之后在2021-2023年保持平稳，2023年后又呈上升趋势。对市值前五的金融科技机构分析发现，其样本熵整体趋势与传统机构相似，但数值更大，反映出科技创新属性带来的额外风险。

四、结论与讨论

研究人员的主要研究结论如下：

金融体系的整体互联互通性呈现显著的周期性波动，与金融市场极端事件存在密切因果关系。在极端事件发生前，市场恐慌常导致尾部风险整体相关性急剧上升，拓宽风险传染渠道；在危机化解阶段，积极有效的风控措施恢复市场信心，降低整体相关性，表明机构间风险因果联系的强度随金融体系复苏而减弱。全球经济冲突事件和金融行业监管政策对金融网络连通性有显著影响。

四个金融部门各自对自身的尾部风险溢出强度均高于对其他部门的溢出。由于金融科技部门的技术创新不稳定性，其对传统金融部门的尾部风险溢出强度显著大于传统金融部门对金融科技部门的溢出。尽管2016年的监管约束缓解了金融科技部门的尾部风险溢出，但其自身风险溢出仍保持在较高水平。金融科技部门在整个样本期内始终保持高风险可接受水平，对外部冲击的敏感性更大，因而易于成为风险聚集点。

大型国有银行和领先金融科技机构是金融网络的核心节点，表现出显著的尾部风险溢出和流入强度，对系统性风险积累贡献巨大。2023年第四季度尾部风险溢出强度升高，表明中植系级别危机事件引发的连锁反应直接导致保险机构和金融科技机构的风险敞口显著增加，并大幅增强了其风险传导能力，使其成为主要风险源，与其他机构形成强因果风险关系。

从单个金融机构角度看，证券机构对市场波动相对敏感，其样本熵值在股灾和硅谷银行事件等冲击下显著上升，反映其动态行为高度复杂，抗风险能力薄弱。银行和保险机构因业务经营稳健，熵值波动温和。金融科技机构如东方财富和同花顺通过信息及软件服务连接众多金融机构和投资者，在网络中占据关键位置，暴露于较高风险之下。同时，由于技术创新属性，金融科技机构的固有风险显著高于传统金融机构。