SCI论文（www.lunwensci.com）:
摘要：在当今的全球经济环境中，银行业面临着诸多挑战。其中，经济政策的不确定性以及投资者情绪的波动，对银行业的稳定和发展产生了深远的影响。文章利用CoVaR模型，对2008—2022年间22家具有行业代表性的上市银行系统性金融风险进行了测度。通过构建回归模型，深入研究了在经济政策不确定性的背景下，投资者情绪如何影响银行的系统性金融风险的变化。研究表明：经济政策不确定性能显著增强银行系统性金融风险；并且投资者情绪在这一过程中发挥了明显的中介作用。据此，提出了应对策略，包括正确处理经济政策不确定性与银行系统性金融风险的关系，投资者应保持理性投资和建立公开透明的信息体系。
关键词：经济政策不确定性；投资者情绪；银行系统性金融风险
引言
当前我国正处在历史变革关键期，然而，经济发展的道路并非一帆风顺，我国的经济发展同时面临着经济政策不确定性以及金融系统风险的潜在溢出效应。经济政策不确定性主要指的是政府在制定和实施经济政策时，由于国内外环境的快速变化，可能导致政策效果难以预测，从而对市场主体的信心和决策产生影响。这种不确定性可能会对投资、消费、就业等多个方面产生连锁反应，进而影响经济的稳定增长。与此同时，金融系统的稳定性对于经济的健康发展至关重要。在我国金融机构体系中，银行部门扮演着核心的角色。它们不仅是资金的主要提供者，也是金融服务的重要来源。然而，银行在面临金融风险溢出的同时还需承受经济政策不确定性带来的负面冲击[1]。如2022年3月10日某银行破产，这一事件不仅在金融市场上引起巨大的震动，更是直接影响到了我国的银行股表现，导致国内多家银行的股价出现集体下滑的现象。同时也为我国银行业风险管理和金融监管敲响了警钟。2023年的政府工作报告中指出，要加强境外风险防控，守住不发生系统性风险的底线。因此，分析经济政策不确定性对银行系统性金融风险的影响，积极做好风险预警对维护我国银行业安全、推动构建高水平社会主义市场经济体制具有重要意义。
学者们对银行系统性风险的关注主要集中在如何准确度量这一风险以及经济政策的不确定性如何对银行的系统性风险产生影响，往往忽视了投资者情绪在金融市场动态中的作用。投资者情绪，作为市场参与者心理状态和预期的集合，对金融市场的价格波动和资产配置有着深远的影响。在银行系统性风险的背景下，投资者情绪可能会导致资金流动性的剧烈变化，从而加剧市场的不稳定性。例如，当投资者普遍预期经济将出现衰退时，他们可能会减少对银行股票的投资，这反过来会增加银行的融资成本，进而可能引发或加剧银行的系统性风险。欧阳资生等（2023）的研究指出，当投资者情绪低迷时，可能会引发股市中的“羊群效应”。在此现象下，众多投资者往往会同时选择出售股票。这种行为不仅会加剧银行股价的波动性，而且在经济政策不确定性增加的环境中，还可能提升银行的系统性风险[2]。研究投资者情绪如何影响经济政策不确定性对银行系统性风险的作用，对于制定有针对性的经济政策以及防范和化解重大风险至关重要。因此，本文旨在具体探讨经济政策不确定性与投资者情绪对银行系统性风险的综合影响。
一、研究设计
（一）银行系统性金融风险测算方法
本研究采用Co VaR（条件风险价值）作为衡量和分析系统性金融风险的方法。通过比较特定金融机构在危机状态与正常状态下整个金融系统的VaR（风险价值）之间的差异，能够有效地评估单个机构对系统风险的贡献。与传统的VaR相比，Co VaR是一种条件分位数，它衡量的是在特定金融机构的风险值达到其VaR水平时，整个系统的VaR值[3]。这意味着Co VaR能够捕捉到金融机构间的相互作用和连锁反应，从而更准确地反映出单个机构对系统性风险的真实贡献。通过这种方式，Co VaR不仅能够更准确地反映出单个机构在系统性风险中的角色和影响，还能帮助监管机构、投资者和金融机构本身更好地管理和防范系统性风险，维护金融市场的稳定。
Co VaR是在正常市场条件下和一定的置信水平1−α上，测算出在给定的时间段内损失超过VaR值的条件期望值。本文的银行系统性金融风险参考Adrian等（2016）[4]公式表达如下。
其中，X代表资产的损益，而VaRα是指在置信水平为1−α的情况下的风险价值。条件风险价值是衡量风险溢出效应和系统性风险的有效指标之一。本研究选用了基于分位数回归的Co VaR模型来测度系统性风险。该模型通过分位数回归方法，对资产或投资组合的损失分布进行建模，以评估在不同的市场条件下，资产或投资组合的风险价值。
一旦确定了机构在正常运行和危机状态下的情况，便可以计算机构正常运行时与陷入危机时系统风险价值的差异，然后将差值标准化，得到ΔCoVaR指标，通过构建ΔCoVaR指标可以量化个体机构对系统风险的边际贡献[5]。
表示机构i对系统sys的风险贡献为：
其中，Co VaRsys|Xi=VaR表示以机构i的损失值为VaR时，给定置信水平1−q。
（二）CoVaR估计方法
首先，构建基于单个机构收益率序列的分位数回归模型：
其中，R代表的是第i个机构的股票日收益率序列。为了衡量风险，本文将q设定为5%来考察单个机构陷入困境的状态。M为一系列控制变量。
单个机构对整个股票市场的风险溢出效应可通过以下分位数回归模型进行分析：
（三）变量选取原则及数据来源
被解释变量：本文选取条件风险价值（Co VaR）测度银行系统性风险，作为本文的被解释变量。
解释变量：经济政策不确定性指数（EPU）。为了量化分析经济政策不确定性对银行系统性金融风险的影响，本文采用了Baker（2016）构建的经济政策不确定性指数[6]。该指数是基于对《南华早报》新闻内容的文本分析而构建的。由于Baker构建的这一指数提供的是月度数据，为了适应季度分析的需要，本文将每个季度内各月份数据的算术平均值除以100作为衡量经济政策不确定性的指数。
中介变量：中国投资者情绪（CICSI）。在金融市场中，投资者情绪作为一种重要的心理和行为因素，扮演着桥梁的角色，连接经济政策的不确定性与市场的稳定性。本文选取CSMAR中的中国投资者情绪指数作为对投资者情绪的度量，本文将每季的月度数据的算数平均值作为中国投资者情绪的度量指标。
控制变量：本文选取了总资产（Asset）作为衡量银行总体规模的基本指标，它反映了银行的经济实力；净资产收益率（ROE）用于评估银行利用自有资本的效率；市账比（MB）体现了投资者对银行未来发展潜力的预期；资产负债率（DTA）揭示了银行的吸储能力和风险水平。这四个指标被选作企业微观层面的控制变量。在宏观经济层面，本文选取沪深300指数的波动率（HS_sd）来衡量市场整体波动性和风险；通货膨胀增长率（CPI）揭示了物价水平的变化；货币供应量增长率（M2）则作为央行货币政策的一个重要参考指标。以上数据均来自于CSMAR数据库。各变量定义说明如表1所示。
选取中国银行业中具有代表性的22家银行为研究对象（如表2），这些银行不仅在国内具有重要的经济地位，而且在全球经济中也扮演着关键角色。这些银行占据了近90%的中国银行系统资产，能够较好地反映中国银行业的主要特征。本研究收集了2008年1月1日—2022年12月31日的银行日交易收盘价数据，总计63 940条记录。这些日度数据被用来测度银行系统性风险，并且通过取平均值的方法，转换成1 062条季度数据，以便于进行回归分析。
（四）数据描述性统计
本文主要的变量描述性统计结果如表3所示。22家上市银行的系统性风险的均值为0.83，这表明从整体上看，这些银行对整个金融系统稳定性的影响相对较小，然而，数据之间的显著差异揭示了不同银行对系统性风险的贡献存在明显的变化，符合研究的基本需求。本文将经济政策不确定性季度指数除以100，目的是为了消除量纲的影响，经处理后，该指数的季度均值为3.82.投资者情绪指数的均值为42.06，其波动范围从最小值的30.83到最大值的65.13.关于其他变量的详细统计特征，见表3。
二、实证分析
（一）基准回归分析
为了分析经济政策不确定性对银行系统性风险的影响，本文构建如下基础模型：
在当下的经济环境中，政策不确定性成为了一个不可忽视的因素，它对金融市场的稳定性产生了显著影响。特别是对于银行业而言，由于其在金融体系中的核心地位，经济政策的波动可能会引发一系列的连锁反应，从而对银行系统性风险产生深远的影响。为了深入研究经济政策不确定性与银行系统性风险之间的关系，本文通过构建基准回归模型，以探讨两者间的相互作用。在初步的基准回归分析中，本文没有引入任何控制变量，这样做的目的是为了单独观察和评估经济政策不确定性对银行系统性风险的直接影响，从而获得一个不受其他因素干扰的基础效应量度（见表4第1列）。随后，为了深入理解经济政策不确定性与银行系统性风险之间的相互作用，我们在基准回归模型中加入了一系列的控制变量，回归结果如表4第2列。
从上表可以看出，经济政策不确定性对银行系统性金融风险的系数为0.356，且在1%水平上显著。这意味着当经济政策不确定性增加时，银行系统性金融风险也会相应的上升。在增加控制变量进行回归后，这种正向关联的程度有所加强，经济政策不确定性对银行系统性金融风险的系数变为0.613，且在1%水平上显著。并且银行的负债率越高，银行的系统性风险越大，合理的资产负债率对于银行来说至关重要，他需要控制在适当的范围内，以保证银行的稳定性和安全性。如《巴塞尔协议》规定的商业银行的风险资本核心充足率为8%，这意味着资产负债率应该在92%以下才被认为是正常水平。
（二）投资者情绪机制分析
我国股市不仅是一个“政策市”，而且其特点之一是市场中散户数量众多。散户投资者的投资决策往往基于个人的直觉、情感或者是市场上流传的各种信息，导致他们的交易行为往往更加情绪化和短期化，这在一定程度上增加了市场的风险。因此本文在基准回归的基础上使用以下模型，继续研究投资者情绪作为中介变量的作用。
首先，使用第一个方程式检验经济政策不确定性对银行系统性金融风险的直接影响。然后，用第二个方程式探究经济政策不确定性如何影响投资者情绪。最后，通过最后一个方程式研究投资者情绪对银行系统性金融风险的影响。如果β1系数均显著，则说明投资者情绪在经济政策不确定性与银行系统性金融风险之间起到了中介作用。检验结果如表5所示。
从表5的回归结果来看，β1系数均很显著，这表明在经济政策不确定性对银行系统性金融风险的影响过程中，投资者情绪的中介作用是显著的。投资者在做出投资决策时，往往会考虑未来的经济环境和政策走向。因此，当政策出现不确定性时，投资者可能会感到不安，对未来经济前景产生担忧。这种担忧会直接影响到投资者的情绪。尤其是当投资者情绪发生大规模波动时，会对金融市场产生深远的影响[7]。例如，如果投资者普遍悲观，他们可能会减少对银行股票的投资，或者更加倾向于将资金转移到被认为是更加安全的资产类别中。这种资金流动的变化会增加银行的融资成本，甚至可能导致银行间市场的流动性紧缩，增加银行的系统性金融风险。
三、结论与建议
本研究选取了22家上市银行为研究对象，采用CoVaR模型来对这些银行的系统性金融风险进行估算。并基于实证模型，深入研究了经济政策不确定性和投资者情绪对银行系统性金融风险的影响，有以下发现。
第一，经济政策不确定性对银行系统性金融风险具有显著的正向影响。具体来说经济政策不确定性会对银行系统性金融风险产生显著的正向影响，即经济政策不确定性越大，银行系统性风险越高。
第二，经济政策不确定性影响银行系统性金融风险，部分通过投资者情绪这一渠道体现。在经济政策不确定性增强的时期，投资者情绪往往倾向于悲观，从而导致银行系统性金融风险升高。
为了防范系统性风险，守住不发生系统性风险的底线，维护市场稳定，基于上述结论，本文给出如下建议。
首先，正确处理经济政策不确定性和银行系统性金融风险的关系。一方面，尽可能地减少经济政策的不确定性，通过加强政策沟通、提高政策透明度等方式，让市场对经济政策的走向有一个清晰的预期。另一方面，加强对银行系统性金融风险的监控和预警，及时发现和处置风险点，防止风险的蔓延和扩散[8]。
其次，投资者应保持理性，对银行经营状况要有理性的认识。在数字化时代，信息量呈现爆炸式增长，因此投资者必须依赖于可靠的数据来源，从而确保自己的投资决策建立在坚实而稳健的基础上，转换经济政策不确定性对银行系统性金融风险的作用。
最后，建立公开透明的信息体系。在当前的金融市场中，银行与投资者之间往往存在信息不对称的现象，这通常会导致投资者在面对市场波动时，产生非理性的恐慌情绪。因此，监管机构需要及时介入，以调节股票市场的价格波动，并监督银行异常的管理行为。
参考文献：
［1］王之扬，王欢，夏凡.经济政策不确定性对银行风险承担的影响［J］.武汉金融，2022（7）：41-53.
［2］欧阳资生，陈世丽，杨希特，等.经济政策不确定性、网络舆情与金融机构系统性风险［J］.管理科学学报，2023，26（4）：62-86.
［3］顾海峰，朱慧萍.经济政策不确定性是否会影响银行系统性风险?［J］.系统工程理论与实践，2022，42（9）：2350-2366.
［4］ADRIAN T，BRUNNERMEIER M K.CoVaR［J］.American Economic Review，2016，106（7）：1705-1741.
［5］杨璐，刘永文.经济政策不确定性对股票市场系统性风险的影响研究——基于动态CoVaR模型的实证分析［J］.生产力研究，2022（8）：131-135.
［6］BAKER S R，BLOOM N，DAVIS S J.Measuring economicpolicy uncertainty［J］.The Quarterly Journal of Economics，2016，131（4）：1593-1636.
［7］李洋，佟孟华，褚翠翠.经济政策不确定性与系统性金融风险传染——基于中国上市金融机构微观数据的经验证据［J］.金融经济学研究，2021，36（4）：31-47.
［8］王帅.投资者情绪对商业银行风险承担影响实证研究［J］.中南财经政法大学学报，2015（4）：95-101.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！ 文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jingjilunwen/78121.html
