（ 西南财经大学统计学院，四川 成都  610071）

【摘要】从大量的金融资产中提取出的系统风险比基于β系数的单变量方法更为有效，但资产规模的增加会导致“纬数灾难”等问题，难以获得准确估计。本文在将金融资产收益分为公共系统因素和个体特质因素基础上，提出用具有条件异方差形式的动态潜在因子模型（CHDL）估计和预测动态系统因素，用非参数核密度估计系统下跌时的边际期望损失（MES）。利用上海证券市场180只样本股进行了实证分析，通过 IC和Onat检验发现个股和各板块存在显著的系统因子；利用CHDL模型对个股和各板块的系统因子和资产未来收益进行了估计和预测，在此基础上计算边际期望损失。Mincer-Zarnowitz回归最优检验法表明，CHDL模型计算的系统风险比常用的市场指数模型具更高的准确。
关键词：系统风险  ； 动态条件异方差潜在因子模型 ； 边际期望损失
中图分类号: F222.3 , F832.5􀀁 􀀁          文献标识码: A 

Measuring the system risk of the large panel of assets
—Based on conditional heteroskedasticity dynamic latent factor model
Abstract: The recent global financial crisis emphasized the importance of the system risk. Based on the systematic and idiosyncratic factors of assets returns, we propose a conditional heteroskedasticity dynamic latent factor model to measure and forecast the dynamic common factor. Using the CHDL model, the MES can be measured with nonparametric kernel estimation. The empirical application on a set of SSE 180 index stocks finds that the tests and criteria point towards one dynamic common factor driving the co–movements in single stock and sectors. Using the dynamic common factor, MES can be estimates. The Mincer-Zarnowitz regression test shows CHDL provides better systematic risk forecast than the methods based on market returns both in single stock and sectors.
Key Words:  System risk；  CHDL model；  MES

引言
    2007-2009的全球金融危机充分体现了在全球经济一体化和金融全球化背景下，各个国家金融机构之间紧密相连、相互影响的特征，也展露出金融体系极度脆弱性和敏感性，系统性风险的蔓延和扩大成为金融危机爆发的直接诱因并得到了广泛重视。各国金融监管部门纷纷出台防范和控制系统性风险的一系列规定。中国、美国以及欧洲等国家将控制金融市场系统风险作为金融稳定的首要任务，制定各种政策强化对系统风险的预警。
    监测系统风险的关键在于对系统风险进行量化。Garleanu（2007）、Acharya（2010）、Boyson（2010）、Giesecke（2011）等学者分别从金融市场流动性、金融资产相关性、危机的传染效应、突发事件发生的可能性等方面对银行、证券等市场的系统风险进行量化分析。这一系列研究是从系统风险的表现特征出发，通过探讨系统风险的成因，间接测量特定市场的系统风险大小。由于不同的金融机构风险表现特征并不相同，究竟是流动性还是金融资产之间危机的感染效益或者其它原因引起了系统风险？对于这些问题的理论探讨, 不同的研究者有着各种不同的结论(Acharya,2009）。
根据IMF的定义，系统风险是整个金融市场出现危机或者金融资产价格普遍下跌的状况。这为从金融资产自身的统计特征出发直接测量系统风险提供了依据。罗登跃和王春峰等（2007）、陈收和曹雪平（2007）分别计算了深市和沪市β系数，度量证券市场系统风险。β系数是通过资产价格和市场价格之间的相关性评估系统风险的大小，但不区分市场面临上涨或者下跌压力时金融资产的风险变化（Klarman，1991），不足以测度金融机构所面临的系统风险。近年来理论界提出用个体金融资产在市场整体下跌时的边际期望损失（简称MES）计算金融资产的系统风险（Acharya，2009）。计算MES的方法大体可以归纳为两种，一是用单个金融资产的β系数乘以金融市场指数的期望损失（简称ES）；二是采用Brownlees和Engle（2010）[9]提出的方法，用多元GARCH模型估计个体金融资产和市场指数之间的相关性，预测和模拟市场指数下跌时的期望损失。Brownlees和Engle的方法得到了较广的应用，纽约大学Stern商学院的V-lab实验室应用该方法，从2011年开始披露美国证券市场各个行业或者板块的系统风险。  
    上述直接测量系统风险的方法大都是将单个金融资产和市场指数进行对比，通过估计金融资产波动和市场波动之间的关联性来计算系统风险。例如，Brownlees和Engle使用美国证券价格研究中心（CRSP）的公布的加权价格指数作为市场指数。罗登跃和王春峰等（2007）、陈收和曹雪平（2007）使用深证综指、上证综合指数和深圳成分指数计算个股的β系数。现有金融市场指数，包括沪市和深市指数是以发行量或者交易量作为权数计算的，少部份权重大的金融资产对市场指数影响相当大，甚至能够左右指数走势。对于新兴国家的证券市场或者外汇、银行等金融行业而言，由于本身市场交易机制尚在健全和完善中，权重股对股指的影响极大，难以事先找到能够准确代表市场系统变化的指数。
    根据金融理论，单个金融资产收益中包括反映整体市场状况的系统因素和反映单个金融资产异质特征的个体因素（Sharpe，1964；Fama,，1968）。最近的研究文献中，杨华蔚和韩立岩（2011）用连续时间的鞅模型证明了整个市场层面的系统风险和公司面临的个体风险都会产生风险溢价，影响金融资产的收益。实际上，金融资产中包括的系统因素是无法之间观测到的。CAPM以及APT等经典的定价模型都是用可观测变量，如市场指数或者宏观经济变量等代替潜在因素。这种替代将含有潜在变量的模型转化为传统的计量经济模型，简化了模型估计程序。但这些经典的定价模型都存在严格的假定条件和较大的扩展空间，在理论或者实践中受到一系列挑战。对于潜在因子的一个重要的研究方法是潜在因子模型（latent factor model，Bai和Ng，2006）。潜在因子模型与传统的因子分析较为相似，所不同的是模型中的潜在因子可以具有各类型的动态结构。国内学者，彭建刚和吕志华（2009），谢尚宇、汪寿阳等（2011）分别利用潜在因子模型研究了多元系统风险因子信用模型以及金融危机中的信用传染效应等。在用潜在因子解释金融资产收益方面，Kritzman等（2011）在假定金融资产是等方差同分布的基础上，通过传统主成份方法对个体金融资产收益率进行分解，用分解得到的主成份计算系统风险指数。Alessi等（2010）将条件异方差加入广义动态因子模型（Forni，2009），用DCC模型估计各个潜在因子之间的相关性，提出了因子多元GARCH模型并给出该模型的一系列理论性质。Alessi等的研究拓展了广义潜在因子模型，为用动态潜在因子模型提取金融资产的系统因子和计算系统风险奠定了基础。
    金融市场中交易的资产数量非常多，数据维度很高，直接从大规模、高纬度的金融资产数据中估计系统风险会面临维数灾难等问题。本文提出一个动态条件异方差潜在因子模型，对大规模高维度金融资产收益面板数据进行降维，分解出具有时变特征的系统因子和潜在因子，用系统因子计算单个金融资产的MES，评估金融资产所面临的系统风险。本文的研究是Alessi等（2010）等广义动态因子模型的推广，不同之处在于提取出金融资产个体时变特征，能够对系统风险和个体风险的时变性、持续性进行分析，并使对系统风险的预测成为动态预测。该方法不需要事先设定市场指数作为系统因子的代理变量，避免了Brownlees和Engle（2011）的研究在中国应用时无法获得准确市场指数的难题，为系统风险的估计和计算探索出一种新方式。
本文剩余的部分是如此安排的，第二部分是动态条件异方差潜在因子模型的设定和估计，第三部分提出基于CHDL模型的MES计算方法，第四部分是沪市180指数样本股的CHDL模型实证分析，第五部分是个股和板块的系统风险预测和检验，最后部分是本文结论。