论文发表 | 论文范文 | 公文范文
最新公告:目前,本站已经取得了出版物经营许可证 、音像制品许可证,协助杂志社进行初步审稿、征稿工作。咨询:400-888-7501
您现在的位置: 新晨范文网 >> 保险论文 >> 信用风险论文 >> 正文

系统性信用风险论文

定制服务

定制原创材料,由写作老师24小时内创作完成,仅供客户你一人参考学习,无后顾之忧。

发表论文

根据客户的需要,将论文发表在指定类别的期刊,只收50%定金,确定发表通过后再付余款。

加入会员

申请成为本站会员,可以享受经理回访等更17项优惠服务,更可以固定你喜欢的写作老师。

一、模型与方法

(一)理论模型分析假设信用资产关联系统由2家企业组成,第1家企业是下游企业,第2家企业是上游企业。第1家企业向第2家企业采购原材料,第2家企业向第1家提供商业信用;模型时间分为2期,第t期2家企业正常经营,第t+1期第1家企业受到外部流动性冲击,发生违约,第2家企业受损。设企业信用资产为RA;非信用资产为URA;短期负债为STD;长期负债为LTD;净资产为NA。企业i(i=1,2)在t时刻的资产负债表平衡关系。假设资本市场是理性的,市场均衡的估值市净率在第t、t+1期是不变的,不妨设定为常数c。在t+1第1家企业信用违约而股价下降,并引发第2家企业股价随之下降,形成了股价联动[7]68-78。

(二)实证方法构建多变量金融时序Copula函数的关键在于,建立单变量金融时序分布模型与选择合适的多元Copula函数[32]。多元正态Copula函数不能反映变量之间的联合厚尾特征[33-34]。多元t-Copula函数可以用于研究变量之间的联合厚尾特征,其自由度越小,表明联合厚尾特征越明显[35]。1.边缘分布的确定金融资产收益率序列具有异方差、尖峰厚尾、时变、右偏与杠杆效应,适合用AR(1)-GJR(1,1)模型拟合边缘分布。2.Copula函数的选用多元t-Copula函数尾部较厚,能很好地拟合尾部相关关系[37-39]。因此,从理论上可以推断,多元t-Copula函数能够更好地度量股价的联动关系。本文使用Q-Q图、K-S检验判断单个多元Copula函数的拟合情况。同时,引入经验分布函数,构建反映拟合误差大小的平方欧式距离指标。该平方欧式距离反映了多元Copula函数拟合原始数据的误差情况。该指标值越小,说明偏差越小。3.Copula函数的时变过程与估计对于C-藤分解结构下的时变条件相关系数,Engle(2002)提出了比较常用的描述其时变过程的DCC(1,1)模型其中,ρt是t时刻的条件相关系数;向量εt是由选定的时变Copula函数边际分布逆函数转换得到的标准化残差;Q軒t是一个p×p矩阵,该矩阵对角线上的元素是Qt的平方根,其他元素为0;Qt和R分别是残差项的样本协方差与相关系数;rt是在项数为m(m>p)的移动窗中残差的相关系数。该时变Copula函数的参数估计可以由两步极大似然估计法完成[43]。第一步先利用最大似然估计法,估计边际分布AR(1)-GJR(1,1)模型中的参数;第二步对残差做概率积分转换,再利用最大似然估计法,估计时变Copula函数的参数。4.基于Copula函数的相关性分析选择合适的Copula函数后,拟合估计出其参数值,就可以利用表1中的计算式,计算出各相关系数值。在静态Copula函数中,其参数是不变的,计算出来的是静态总体相关性;如果采用时变Copula函数,参数ρt(t=1,2,…,T)是时变参数,就可以利用表1中公式,一一对应地计算出总体线性相关系数、非线性相关系数及尾部相关系数的动态时变过程。

二、计算结果与分析

(一)研究样本根据企业之间存在的信用关联,选择宝钢股份(BGGF)、必和必拓(BHP)、力拓(RIO)、上海汽车(SHQC)、上港集团(SGJT)、山西煤电(SXMD)、青岛海尔(QDHE)和中国船舶(ZGCB)在内的几家企业作为研究样本,研究这些企业从2001年1月2日至2011年4月28日之间的股价联动。列出了6个样本企业股价收益率序列数据的描述统计指标。由表2可知,6个变量的峰度都在10以上,呈现尖峰分布,其中,SGJT收益率分布最尖;BHP、RIO、SHQC、SGJT的偏度都大于0,其中,SGJT收益率分布右偏程度最大;BGGF、XSMD的偏度小于0,说明与正态分布、t分布相比较,适合选用左偏的t分布拟合样本收益率数据。

(二)边际分布拟合检验根据white检验结果可知,3个统计量的P值都拒绝“不存在异方差”的原假设,说明异方差比较突出。表明收益率序列适合选用ARCH模型。本文中的边际分布选用带有杠杆效应的AR(1)-GJR(1,1)-Skewt模型。其模型估计的参数值如表3所示。从AIC、BIC、LL值看,AR(1)-GJR(1,1)-Skewt模型的有效性好于AR(1)-GJR(1,1)-t模型①。8个序列的自由度估计值都比较小,说明它们的分布都具有厚尾特征,其中上港集团的尾部最厚。另外,使用时变Copula函数估计时变条件相关系数时,需要把序列数据通过概率积分转换为U(0,1)分布序列。本文对边际分布拟合情况还进行了独立性检验与同分布检验。拉格朗日乘数检验结果表明,在5%显著水平下,这8个序列都不存在自相关,可以认为转换后的序列相互独立;非参数K-S检验结果表明,转换后的8个序列在5%显著水平上服从U(0,1)分布。这些结论表明,边际分布采用AR(1)-GJR(1,1)-Skewt模型非常合理。

(三)利用多元t-Copula函数静态度量股价的联动效应常用的固定参数多元Copula函数包括多元正态Copula函数和多元t-Copula函数。在这两个函数的Q-Q图中,本文无法区分其拟合优劣;而由多元正态Copula函数的K-S检验可知,在0.01显著水平上拒绝原假设,说明多元正态Copula函数不能很好地拟合多元时序数据;而多元t-Copula函数拟合该的多元数据序列。从Copula函数与经验分布函数之间的平方欧式距离来看,多元正态分布Copula函数的平方欧式距离为0.3873,多元t分布Copula函数的平方欧式距离为0.0568,多元t-Copula函数可以较好拟合该股价原始数据的经验分布情况,与理论分析一致。根据各样本收益率序列的条件边际分布,利用多元Skewt分布函数与多元t-Copula函数之间的关系,信用资产关联各企业股票收益率之间的多元t-Copula函数非线性相关系数如表4所示。从表4可以看出,受中外股市之间的一体化约束,宝钢股份(BGGF)与必和必拓(BHP)、力拓(RIO)之间,必和必拓(BHP)、力拓(RIO)与上海汽车(SHQC)、上港集团(SGJT)、山西煤电(SXMD)、青岛海尔(QDHE)、中国船舶(ZGCB)之间的相关系数都很低,但其他信用资产关联企业之间的相关系数都在0.5左右,存在中等程度的正相关联动现象。

(四)利用时变多元t-Copula函数度量股价的联动效应不同边际分布下时变t-Copula函数的相关系数时变方程参数估计值如表5所示。从AIC、BIC、LL值看,对于条件相关系数的时变过程G-DCC、t-DCC,边际分布选用AR(1)-GJR(1,1)-Skewt模型最合理,但时变G-DCC过程拟合效果最差,t-DCC过程则最好。本文选用AR(1)-GJR(1,1)-Skewt模型作为边际分布,选用时变过程为t-DCC的多元t-Copula函数为多元连接函数,动态拟合计算动态条件相关系数,得到8个按照C-藤结构分解的pair-copula函数的时变无条件相关拟合的AIC、BIC、LL值分别是-7158.6、-7141.7、3582.3。利用这28个时变Copula相关系数的时间序列数据,计算出相对应的时变等级相关系数、秩相关系数与尾部相关系数的时间序列,如表6所示。从表6可以看出,4个相关系数都显示出,股价呈现低度正相关性,具有弱板块效应;时变Copula相关系数的集中趋势值最大,尾部相关系数最小。但是,时变Copula相关系数的绝对离散波动程度、波动幅度最大;从离散系数、极差/平均值的结果可以看出,尾部相关系数的相对离散波动程度最大。从时变Copula相关系数可以看出,在C-藤结构下条件相关系数的均值在0.0583~0.7376之间,呈现出弱相关关系,因为条件相关系数有正值、负值,相关方向存在转换,正负抵消导致简单平均值的结果较小。其他16个条件相关系数均为正值,平均值在0.5左右,呈现出中等强度的相关性。从条件相关系数值的离散指标可以看出,标准差从0.0573~0.1042,绝对变化范围从0.2628~0.5706,最大相对幅度变化范围从0.4899~6.2644,说明条件相关系数的时变性较强。为了观察条件相关系数的时变特征,本文也分别在标准差最小与最大、离散系数最小与最大、波幅最小与最大等6种情况下,计算了时变Copula函数度量的4个时变相关系数,均表现出相同的变化趋势,而且在常态相关性走强时,股价板块效应的作用愈加强大,同时暴跌暴涨的相关性走强;在常态相关性走弱时,股价板块效应的作用减弱,由一家企业股价大幅涨跌引发的信用资产关联企业同时暴跌暴涨的相关性走强。

三、结论

本文将资产关联与市场均衡相结合,利用会计等式,构建了企业信用资产的网络传染模型,分析了信用网络渠道直接传染的股价联动现象。利用静态相关与时变相关的多元Copula函数,拟合计算企业组合之间的全局相关系数、时变的无条件与条件相关系数,验证了理论模型研究提出的企业信用资产网络传染联动现象及其度量与时变特征。实证研究结果表明,边际分布适合选用AR(1)-GJR(1,1)-Skewt模型;连接函数适宜选用多元t-Copula函数。信用资产关联企业的股价之间具有较强的网络传染联动效应,基于多元t-Copula函数的静态与动态相关度量方法可以较好地度量网络传染联动效应,无条件相关系数与条件相关系数都表现出不同程度的显著时变性。实证研究结果还表明,信用资产关联企业之间的相关性存在以下几个方面特征:第一,信用资产关联的企业股价之间具有较强的联动效应,因我国资本市场的发达程度与国际化水平的差异导致国内外企业股价之间的相关性存在明显差异,国内的相关性低于国外,国外企业与国内企业之间的相关性较低,原因在于国内外证券市场分割比较明显,力拓、必和必拓2家公司的股票收益率与国内6家企业股票收益率间的相关性比较低。第二,从全局相关性看,国内6家企业股票收益率间的相关性比较接近,低于国外2家公司间相关性水平,表明国内证券市场的成熟程度低于美国市场,同时也反映了信用资产关联企业之间的稳定性相对较强,信用资产关联上的企业具有水平大致相同的公司风险。第三,条件相关系数与无条件相关系数,都表现出显著的较强时变性。基于如上研究结论,本文认为信用资产关联核心企业在利用信用资产关联协同效应的同时,应当注意控制链上企业的流动性风险与信用风险,并以组合管理的理念,优化信用资产关联组合结构、运营方式与利益分配格局;同时,网络核心企业应当构建信用资产关联的综合风险管控机制,有效监测信用资产关联系统中的重要风险因素,并预防信用资产关联上系统重要性企业的信用风险,审慎管理信用资产关联上的系统性风险。

作者:茆训诚王周伟单位:上海师范大学商学院

系统性信用风险论文责任编辑:杨雪    阅读:人次