论文部分内容阅读
摘 要：本文以16家上市商业银行的股价为样本数据，选取2007—2015年为样本区间，建立GARCH-La-VaR模型，分析我国上市商业银行的市场流动性风险。实证结果表明：大型国有银行更易受到市场流动性风险冲击，且银行业的整体风险水平的波动与宏观经济的走势趋同。La-VaR模型的使用给商业银行的流动性风险监管提供了新的思路与方法。
关键词：上市商业银行；市场流动性风险；La-VaR模型
中图分类号：F830.33 文献标识码：A 文章编号：1674-2265（2016）09-0017-06
一、引言
一直以来，流动性风险并未受到金融业的广泛关注，直至2008年的金融危机，才凸显出流动性风险管理在商业银行风险管理中的缺失。为了有效防范我国银行业流动性风险，中国银监会于2014年1月颁布了《商业银行流动性风险管理办法（试行）》，旨在建立起应对我国商业银行流动性风险的预警机制。目前来看，流动性风险的测度与监管仍处于探索期，并且在以往的监管中，人们过多地把关注投向银行流动性风险中的融资流动性风险，鲜有目光对资产流动性风险进行研究及管控。
通常情况下，对流动性公认的描述是能够安全快速地将所需数量的金融资产转换成现金形式，并且对整体的市场价格来说，其影响微乎其微 （格罗斯顿，L.R.和哈里斯，L.E.，1998）。对于流动性风险的测度，已有学者做出一系列研究。德姆塞茨（Demesetz，1968）首次提出用买卖报价价差作为流动性的衡量指标，并由此被广泛应用于流动性风险研究的各个领域。阿米胡德（Amihud，2002）等采用非流动性测度指标ILLIQ测度流动性风险，指标的具体含义为每日回报的绝对值与成交金额之间的比值，也就是说ILLIQ指标越低，股票的流动性就会越高。扎德卡（Ronnie Sadka，2006） 则认为流动性会受到信息不对称的影响，从而导致流动性风险。根据巴塞尔协议II以及市场风险的测度，金融市场的流动性风险的度量也可以使用“在险价值”（Value at Risk）概念。黑贝勒和佩尔松（H?berle和Persson，2000） 定义流动性风险调整后的在险价值为一个投资组合的常规清算后的潜在损失。基于以上思路，班吉亚和迪博尔德（Bangia A和Diebold F，1999）正式提出了在传统在险价值模型（VaR）的基础上通过价差来计量流动性的La-VaR模型。久田和山井（Hisata和Yamai，2000）则进一步根据La-VaR模型及流动性在市场中的水平将资产的流动性分为两类，分别是内生流动性与外生流动性。经过格雷戈尔、卫和祖佩尔（Gregor N.F.、Wei和Hendrik Supper，2013）的验证表明，囊括买卖价差和日收益率变量的La-VaR模型在预测流动性调整后投资组合的损失上的性能十分出色。迪翁（Georges Dionne，2015）对La-VaR模型进行改良，建立起基于盘中价值的流动性调整在险价值（LIVaR），以解释市场风险与平仓前的事前流动性风险。
我国早期的文献对于商业银行流动性风险的研究颇少，主要的测度指标包括流动性的四大维度（市场宽度、深度、弹性和即时性）、换手率及阿米胡德所提出的ILLIQ指标。针对银行业的流动性风险，周毓萍（2005）认为流动性缺口是用于管理流动性风险的量化指标，银行的流动性需求能得到保证的前提是，预测的流动性缺口应略小于银行的可立即变现的资产总额。沈沛龙和王晓婷（2013）为了进行流动性风险评级，构建了随机流动比率模型，并测算中国 12 家上市银行的流动性风险距离和风险概率。而在VaR模型的风险测度框架下，我国的研究主要集中于资本市场，宋逢明和谭慧（2004）考虑到传统的VaR模型中流动性风险的缺失，结合中国股票市场的实际特点，建立了结合流动性风险调整的VaR模型。林辉（2010）利用La-VaR模型对亚洲金融危机中泰铢汇率进行研究，结果表明流动性是金融危机的指示器。闫昌荣（2012）引入流动性调整的CAVaR模型反映资产流动性的变动对未来风险的影响，并对中国股票市场的流动性风险进行实证分析。王书华、杨有振（2013）着眼于构建La-VaR模型所进行的商业银行流动性风险研究，证实了商业银行的流动性风险与其资产规模反向变动。
按照流动性风险来源的不同，可以将流动性风险大致分为融资流动性风险与市场流动性风险。融资流动性风险是指银行业与生俱来的风险，即无法筹集资金应对客户取款要求的风险，是由商业银行“短存长贷”传统业务性质决定的。而市场流动性风险则是指无法及时用合适的价格将金融资产出售的风险。随着银行与资本市场（股票、债券）的关系日益密切，银行的融资越来越多地借助于资本市场，因而资本市场上的“流动性枯竭”会造成流动性风险。融资流动性风险与市场流动性风险相辅相成，共同决定了商业银行总体的流动性风险。
综上所述，针对商业银行流动性风险的研究主要反映在以下三个方面：第一，国外有关La-VaR模型的研究相对成熟，国内研究主要集中于La-VaR模型的实证研究，改进模型的研究相对较少；第二，国内构建La-VaR模型进行实证研究主要着眼于资本市场，将La-VaR方法用于商业银行的流动性风险测度的较少；第三，以往有关商业银行流动性的研究通常关注于融资流动性风险，模型构建多采取财务指标，鲜有学者采用La-VaR模型针对市场流动性风险进行研究。
针对国内使用La-VaR模型对商业银行市场流动性风险的研究仍处于探索期的现状，本文选取16家上市商业银行为样本，基于BDSS模型（1999）构建适用于商业银行体系的La-VaR模型，对商业银行所面临的市场流动性风险进行测度。本文分为五个部分，第二部分为模型设定与实证方法设计，第三部分为实证分析，第四部分为估计结果与分析，最后为结论与政策启示。
二、模型与实证方法设计 （一）模型设定
归根结底，La-VaR模型的建立是处于VaR体系的框架之下，而在险价值（Value at Risk）被定义为在某一特定的持有期内，资产组合在某一个既定的置信水平下可能会遭受的最大损失。简单来说，假设某资产组合在其持有期为20天、置信水平为95%情况下的VaR为1000元，则可认为，持有期末仅有5%的可能性出现损失大于1000元的情况。
传统的VaR模型主要衡量的是资产组合所面临的市场风险，并没有涵盖流动性风险在内，考虑到这一点，1999年，班吉亚、迪博尔德、斯库尔曼、施特格（Bangia、Diebold、Schuermann、Stroughair）提出了基于买卖价差的流动性风险模型——La-VaR模型，也就是BDSS模型。他们的基本思路为：在传统VaR模型的基础上加上了一个增量，这个增量也就是价差带来的流动性风险。也就是说，BDSS模型实质上可分为两个部分，其中一部分代表资产组合在市场上的价格波动所带来的市场风险，而另一部分代表基于价差计算出的流动性风险，由此得到了La-VaR模型。
假设某资产当前的中间价格为[S0]，资产的对数收益率为[rt=lnStSt-1～N（μ，σ2）]，收益率[rt]代表的是资产真实价值给投资者带来的收益。本吉亚等（Bangia等）给出了未来1个持有期内，置信水平为c、头寸为1单位的La-VaR的解析式：
[La-VaR=S01-expμ-zcσ+12（ε+γσε）]
其中，[ε]表示相对价差的期望值，[σε]表示相对价差的标准差，[γ]是相对价差的刻度因子，也就是在正态分布假设下所对应的置信水平。由于在进行资产交易的时候，存在着要价与报价，所以价差总是为总价差的一半，也就需要相对价差乘上1/2。
本文在BDSS模型的基础上，结合上市商业银行股价数据，对上市商业银行的市场流动性风险进行研究，并对买卖价差进行了改进。设定股票价格的开盘价为[Pk]，收盘价为[Ps]，最高价[Ph]，最低价[Pl]，价差[S0]则为最高价[Ph]与最低价[Pl]的差值，中间价格[Pt=（Pk+Ps+Pl+Ph）/4]。
（二）实证方法设计
本文首先对各家上市商业银行中间价格收益率序列进行描述性统计、平稳性检验、相关性检验及ARCH效应检验，在存在高阶ARCH效应的基础上建立GARCH模型，误差项采用T分布或GED分布，随后根据估计波动率计算出各家上市商业银行的La-VaR值及标准化La-VaR值，最后依据各家银行的标准化La-VaR结果构造出反映银行业整体状况的标准化银行业La-VaR指数。
三、实证分析
（一）数据选择
选择目前上市的16家银行为数据样本，包括工商银行（GS）、建设银行（JS）、农业银行（NY）、中国银行（ZG）、北京银行（BJ）、南京银行（NJ）、宁波银行（NB）、浦发银行（PF）、中信银行（ZX）、华夏银行（HX）、光大银行（GD）、交通银行（JT）、民生银行（MS）、平安银行（PA）、兴业银行（XY）、招商银行（ZS）。数据的样本区间选择2007年1月1日至2015年12月31日，数据来源于万得数据库。
由于各家上市银行的上市时间前后不一及收益率的特殊波动情况，对数据进行以下处理：（1）去除各家银行除权、除息所引起的收益率巨幅波动数据；（2）所有银行统一样本区间，若因停牌、上市较晚造成数据空白，则统一保留，以保全各个样本之间的可比性。
（二）基本数据检验
1. 描述性统计及正态分布检验。以各家上市银行每日的中间价格为数据，对其取对数并差分，得到收益率r，即：
[r=ln（ptpt-1）]
其中，[pt]为各家上市银行第t日的中间价格，[pt-1]为第t-1日最后的中间价格，其描述性统计结果见表1。
JB检验统计量结果表明，各家上市商业银行中间价格日收益率序列拒绝原假设，并不服从正态分布，且通过对比偏度和峰度数据，收益率序列呈现出金融序列惯有的特征—尖峰厚尾性。16家上市商业银行中，有11家呈现出左偏的态势，5家为右偏，据此，在建立GARCH模型时，应选择更加适宜的T分布或GED分布。
2. 平稳性检验。使用ADF单位根检验法检验股票价格收益率序列的平稳性，结果显示，各家上市银行收益率序列在不含常数项和趋势项、含常数项不含趋势项及含常数项和趋势项三种情况下，ADF值均小于1%水平上的临界值，即拒绝单位根假设，收益率序列均为平稳序列。
3. 相关性检验。对中间价格的对数收益率序列r进行相关性检验，通过分别计算各家上市银行日交易中间价格收益率的Q统计量，得到各个银行序列的滞后期、Q统计量及其相伴概率，结果显示，各序列在1%的显著性水平上拒绝了无自相关性的原假设，即原序列存在自相关性。从各个滞后阶数所对应的相关系数来看，滞后3阶之后的结果远小于滞后1阶的结果。
4. ARCH效应检验。结合Jarque-Bera检验和自相关检验的结果，首先对各家上市银行中间价格对数收益率序列进行自回归，方程为：[rt=μt+βrt-1+εt]，随后对各个序列的残差进行ARCH-LM检验，一般来说，如果LM检验的滞后期很长（如大于7），检验依然显著，则说明残差序列存在高阶ARCH（q）效应，所以在这里选择滞后期为7。
根据ARCH效应检验结果可以看出，16家上市银行的中间价格收益率序列均存在着高阶ARCH效应，绝大多数银行结果在1%的水平上显著，只有2家银行结果在5%的水平上显著。
（三）GARCH模型估计
通过各项基本检验可知，各家上市银行股票中间价格收益率均为平稳序列，所以建立一般均值回归方程。在建立GARCH族模型之前，基于AIC与SC信息最小的准则，本文选择滞后阶数（p，q）为（1，1）。鉴于标准正态分布的假设不符合金融序列常有的尖峰厚尾特性，本文在进行实证时将残差设定为t分布或者广义误差分布（GED分布），据此建立GARCH模型。 如表3所示，以AIC与SC值最小为原则，建立各个银行股票中间价格收益率所对应的GARCH模型。其结果显示，所有银行均可取得[μ2t-1]与[σ2t-1]系数之和小于1，且z统计量在1%的水平上显著的模型结果，由此，可求得各家上市银行收益率序列的估计波动率及La-VaR值。
四、估计结果与分析
（一）国有银行相对于股份制银行更具市场流动性风险
为了描述各家上市银行流动性风险变化所具备的规律，在此借鉴林辉（2010）的标准化La-VaR值作为描述流动性风险的具体指标，即La-VaR值与中间价格的比值。表4给出了各家上市银行2007—2015年间经过流动性调整后的标准化La-VaR值的描述性统计。由于篇幅限制，各家上市商业银行La-VaR值折线图略去。
从标准化La-VaR值的直观统计结果来看，四大国有银行（工商银行、建设银行、农业银行、中国银行）的La-VaR值结果相对于其他上市银行更具波动性。首先，从结果最大值角度来看，工商银行高居第一位，农业银行、建设银行、中国银行分别居于三、四、五位。其次，从波动幅度来看，工商银行依然居于首位，且四家国有银行均在排序结果前50%的范围之内。由此可见，相对于股份制银行，国有银行更容易受到与资本市场相关的市场流动性风险的影响。该结论的表述与戴振华、黄涛珍、杨海荣（2015）的研究成果相得益彰。对于该实证结论，笔者认为主要的原因有以下三点：首先，从微观市场角度来看，本文基于资本市场中的股票市场分析银行业的市场流动性风险状况，就各家银行的流通市值占银行板块总体流通市值的程度而言，国有银行的流通市值份额要远大于股份制银行，市场地位也更为重要，因此，在面对市场整体流动性水平波动时，国有银行的参与程度会相对较高，所面临的市场流动性风险也会相对较大。其次，从银行经营结构来看，到目前为止，我国金融市场依旧处于欠发达状态，传统的存贷款业务依然是银行资金的主要来源与供给渠道，相对于股份制银行而言，大型国有银行更具有资产规模的优势，而这种优势却恰恰决定了国有银行对利率风险、汇率风险等市场风险更加敏感，任何的市场波动都可能会导致国有银行市场流动性的明显变化，无形之中加剧了其市场流动性风险水平。最后，从宏观流动性调控角度来看，大型国有银行作为银行业的主力军，相对于股份制银行来说，更容易受到中央银行针对宏观流动性而进行的一系列调控手段的影响，任何流动性注入行为都有可能造成国有银行自身市场流动性水平的变动，从而使得国有银行相对股份制银行更具市场流动性风险。截至2014年末，我国国有银行的资产规模占整个银行业的份额为41.2%。不管是针对监管层还是上市银行的高层管理者而言，都要更加注重国有银行资产流动性的波动。
（二）La-VaR模型可测度宏观经济状况对银行业流动性风险的影响
本文在各家上市商业银行流动性标准化La-VaR值的基础之上，构造出代表银行业总体的标准化银行业La-VaR指数。根据市值加权指数的计算准则，依据各家上市银行在股票市场中现有流动的市值进行赋权，并根据各家银行的上市时间及时调整整体权重，最终得到以市值加权的标准化银行业La-VaR指数。具体计算公式如下：
[LAVaRS=i=116PiPS*LAVaRi]
其中，[Pi] 为第i家上市银行的流通市值，[PS] 为16家银行整体的流通市值，[LAVaRi] 为第i家上市银行的标准化La-VaR值。具体指数结果见图1所示。
图1：标准化银行业La-VaR指数折线图
可以发现，整个样本区间大致分为三个阶段：第一阶段是2007年初至2010年中。2008年末至2009年初出现流动性风险La-VaR峰值，并在此期间出现巨幅波动，这与次贷危机的时间恰好匹配，并对应危机的爆发与救市，La-VaR模型所代表的资产流动性呈现出极速上升和逐步下降的形态。第二阶段是2010年中至2013年中，指数表现为小幅震荡，总体波动较为平缓，以反映危机过后宏观经济稳定运行的态势。第三阶段是2013年中至2015年末，指数再度出现频繁波动，且幅度较上一阶段来说有所增大。随着我国利率市场化的进程加快，宏观经济的结构型转型以及金融业深化改革，金融系统的稳定性不免会受到影响，但指数结果显示，我国银行的流动性风险仍处于可控的范围之内。
五、结论与政策启示
本文着眼于商业银行市场流动性风险，进行了实证研究，具体的研究结果与政策启示如下：
第一，国有银行更容易受到与资本市场密切相关的市场流动性的冲击。一旦资本市场的“流动性枯竭”，对国有银行的威胁将大于股份制银行。对此，应更侧重于对国有银行市场流动性风险进行管控，结合其他股份制银行，完善整个流动性监管体系，以防范大规模流动性危机。
第二，银行业市场流动性风险变化呈现趋同性，且La-VaR指数波动与宏观经济运行状况相匹配。La-VaR指数清晰显示，银行业在次贷危机时期市场流动性风险达到峰值，且在经济复苏期波动较为平稳。在推动金融改革的进程中，要根据现有的实体经济状况，重新设定风险底线，并结合历史数据进行压力测试，为进一步的金融创新提供风险管控依据。
第三，La-VaR模型为流动性风险监管提供了新的技术支撑。虽然《巴塞尔协议III》将流动性风险纳入风险监控体系，并提供了流动性覆盖率和净稳定资金比率两个指标作为衡量标准，但并未给出更为灵活准确的计量模型指标。而La-VaR模型的出现无疑给中国商业银行流动性监控提供了更加精准的计量方法，这对维护银行体系的稳健性具有重要意义。
参考文献：
[1]Glosten，L.R.，Harris，L.E. 1988. Estimating the components of the bid/ask spread[J].Journal of Financial Economics，（21）. [2]Demesetz H. 1968. The cost of transaction[J].Quarterly Journal of Economics，（ 82）.
[3]YakovAmihud. 2002. Illiquidity and stock returns： cross-section and time-series effects[J].Journal of Financial Markets，（5）.
[4]Ronnie Sadka. 2006. Momentum and Post-earnings Announcement Drift Anomalies：The Role of Liquidity Risk[J].Journal of Financial Economics，（80）.
[5]Bertsimas，D.，Lo，A.W. 1998. Optimal control of execution costs[J].Journal of Financial Markets，（1）.
[6]H?berle，R.，Persson，P.G. 2000. Incorporating Market Liquidity Constraints in Value-at-Risk[J].BanquesetMarchés，（44）.
[7]Hisata Y.，YashuhiroY. 2000. Research Toward the Practical Application of Liquidity Risk Evaluation Methods[R].Working Paper of Bank of Japan.
[8]Gregor N.F. Wei.Hendrik Supper. 2013. Forecasting liquidity-adjusted intradayValue-at-Risk with vine copulas[J]..Journal of Banking &Finance，（37）.
[9]刘林，倪玉娟.股市流动性市场关注度与创业板上市公司转板选择[J].证券市场导报，2012，（5）.
[10]张蕊，王春峰.中国银行间债券市场流动性风险影响因素及其关联性[J].系统工程，2010，（3）.
[11]王东旋，张峥，殷先军.股市流动性与宏观经济[J].经济科学，2014，（3）.
[12]周毓萍.浅论Var与商业银行流动性风险管理[J].科技与产业，2005，（12）.
[13]宋逢明，谭慧.VaR模型中流动性风险的度量[J].数量经济技术经济研究，2004，（6）.
[14]林辉.条件异方差La-VaR模型及其对金融危机的实证研究[J].统计与决策，2010，（17）.
[15]闫昌荣.基于流动性调整CAVaR模型的风险度量方法[J].数量经济技术经济研究，2012，（3）.
[16]戴振华，黄涛珍，杨海荣.利率市场化对上市商业银行流动性风险影响的实证分析[J].新疆社会科学，2015，（3）.
关键词：上市商业银行；市场流动性风险；La-VaR模型
中图分类号：F830.33 文献标识码：A 文章编号：1674-2265（2016）09-0017-06
一、引言
一直以来，流动性风险并未受到金融业的广泛关注，直至2008年的金融危机，才凸显出流动性风险管理在商业银行风险管理中的缺失。为了有效防范我国银行业流动性风险，中国银监会于2014年1月颁布了《商业银行流动性风险管理办法（试行）》，旨在建立起应对我国商业银行流动性风险的预警机制。目前来看，流动性风险的测度与监管仍处于探索期，并且在以往的监管中，人们过多地把关注投向银行流动性风险中的融资流动性风险，鲜有目光对资产流动性风险进行研究及管控。
通常情况下，对流动性公认的描述是能够安全快速地将所需数量的金融资产转换成现金形式，并且对整体的市场价格来说，其影响微乎其微 （格罗斯顿，L.R.和哈里斯，L.E.，1998）。对于流动性风险的测度，已有学者做出一系列研究。德姆塞茨（Demesetz，1968）首次提出用买卖报价价差作为流动性的衡量指标，并由此被广泛应用于流动性风险研究的各个领域。阿米胡德（Amihud，2002）等采用非流动性测度指标ILLIQ测度流动性风险，指标的具体含义为每日回报的绝对值与成交金额之间的比值，也就是说ILLIQ指标越低，股票的流动性就会越高。扎德卡（Ronnie Sadka，2006） 则认为流动性会受到信息不对称的影响，从而导致流动性风险。根据巴塞尔协议II以及市场风险的测度，金融市场的流动性风险的度量也可以使用“在险价值”（Value at Risk）概念。黑贝勒和佩尔松（H?berle和Persson，2000） 定义流动性风险调整后的在险价值为一个投资组合的常规清算后的潜在损失。基于以上思路，班吉亚和迪博尔德（Bangia A和Diebold F，1999）正式提出了在传统在险价值模型（VaR）的基础上通过价差来计量流动性的La-VaR模型。久田和山井（Hisata和Yamai，2000）则进一步根据La-VaR模型及流动性在市场中的水平将资产的流动性分为两类，分别是内生流动性与外生流动性。经过格雷戈尔、卫和祖佩尔（Gregor N.F.、Wei和Hendrik Supper，2013）的验证表明，囊括买卖价差和日收益率变量的La-VaR模型在预测流动性调整后投资组合的损失上的性能十分出色。迪翁（Georges Dionne，2015）对La-VaR模型进行改良，建立起基于盘中价值的流动性调整在险价值（LIVaR），以解释市场风险与平仓前的事前流动性风险。
我国早期的文献对于商业银行流动性风险的研究颇少，主要的测度指标包括流动性的四大维度（市场宽度、深度、弹性和即时性）、换手率及阿米胡德所提出的ILLIQ指标。针对银行业的流动性风险，周毓萍（2005）认为流动性缺口是用于管理流动性风险的量化指标，银行的流动性需求能得到保证的前提是，预测的流动性缺口应略小于银行的可立即变现的资产总额。沈沛龙和王晓婷（2013）为了进行流动性风险评级，构建了随机流动比率模型，并测算中国 12 家上市银行的流动性风险距离和风险概率。而在VaR模型的风险测度框架下，我国的研究主要集中于资本市场，宋逢明和谭慧（2004）考虑到传统的VaR模型中流动性风险的缺失，结合中国股票市场的实际特点，建立了结合流动性风险调整的VaR模型。林辉（2010）利用La-VaR模型对亚洲金融危机中泰铢汇率进行研究，结果表明流动性是金融危机的指示器。闫昌荣（2012）引入流动性调整的CAVaR模型反映资产流动性的变动对未来风险的影响，并对中国股票市场的流动性风险进行实证分析。王书华、杨有振（2013）着眼于构建La-VaR模型所进行的商业银行流动性风险研究，证实了商业银行的流动性风险与其资产规模反向变动。
按照流动性风险来源的不同，可以将流动性风险大致分为融资流动性风险与市场流动性风险。融资流动性风险是指银行业与生俱来的风险，即无法筹集资金应对客户取款要求的风险，是由商业银行“短存长贷”传统业务性质决定的。而市场流动性风险则是指无法及时用合适的价格将金融资产出售的风险。随着银行与资本市场（股票、债券）的关系日益密切，银行的融资越来越多地借助于资本市场，因而资本市场上的“流动性枯竭”会造成流动性风险。融资流动性风险与市场流动性风险相辅相成，共同决定了商业银行总体的流动性风险。
综上所述，针对商业银行流动性风险的研究主要反映在以下三个方面：第一，国外有关La-VaR模型的研究相对成熟，国内研究主要集中于La-VaR模型的实证研究，改进模型的研究相对较少；第二，国内构建La-VaR模型进行实证研究主要着眼于资本市场，将La-VaR方法用于商业银行的流动性风险测度的较少；第三，以往有关商业银行流动性的研究通常关注于融资流动性风险，模型构建多采取财务指标，鲜有学者采用La-VaR模型针对市场流动性风险进行研究。
针对国内使用La-VaR模型对商业银行市场流动性风险的研究仍处于探索期的现状，本文选取16家上市商业银行为样本，基于BDSS模型（1999）构建适用于商业银行体系的La-VaR模型，对商业银行所面临的市场流动性风险进行测度。本文分为五个部分，第二部分为模型设定与实证方法设计，第三部分为实证分析，第四部分为估计结果与分析，最后为结论与政策启示。
二、模型与实证方法设计 （一）模型设定
归根结底，La-VaR模型的建立是处于VaR体系的框架之下，而在险价值（Value at Risk）被定义为在某一特定的持有期内，资产组合在某一个既定的置信水平下可能会遭受的最大损失。简单来说，假设某资产组合在其持有期为20天、置信水平为95%情况下的VaR为1000元，则可认为，持有期末仅有5%的可能性出现损失大于1000元的情况。
传统的VaR模型主要衡量的是资产组合所面临的市场风险，并没有涵盖流动性风险在内，考虑到这一点，1999年，班吉亚、迪博尔德、斯库尔曼、施特格（Bangia、Diebold、Schuermann、Stroughair）提出了基于买卖价差的流动性风险模型——La-VaR模型，也就是BDSS模型。他们的基本思路为：在传统VaR模型的基础上加上了一个增量，这个增量也就是价差带来的流动性风险。也就是说，BDSS模型实质上可分为两个部分，其中一部分代表资产组合在市场上的价格波动所带来的市场风险，而另一部分代表基于价差计算出的流动性风险，由此得到了La-VaR模型。
假设某资产当前的中间价格为[S0]，资产的对数收益率为[rt=lnStSt-1～N（μ，σ2）]，收益率[rt]代表的是资产真实价值给投资者带来的收益。本吉亚等（Bangia等）给出了未来1个持有期内，置信水平为c、头寸为1单位的La-VaR的解析式：
[La-VaR=S01-expμ-zcσ+12（ε+γσε）]
其中，[ε]表示相对价差的期望值，[σε]表示相对价差的标准差，[γ]是相对价差的刻度因子，也就是在正态分布假设下所对应的置信水平。由于在进行资产交易的时候，存在着要价与报价，所以价差总是为总价差的一半，也就需要相对价差乘上1/2。
本文在BDSS模型的基础上，结合上市商业银行股价数据，对上市商业银行的市场流动性风险进行研究，并对买卖价差进行了改进。设定股票价格的开盘价为[Pk]，收盘价为[Ps]，最高价[Ph]，最低价[Pl]，价差[S0]则为最高价[Ph]与最低价[Pl]的差值，中间价格[Pt=（Pk+Ps+Pl+Ph）/4]。
（二）实证方法设计
本文首先对各家上市商业银行中间价格收益率序列进行描述性统计、平稳性检验、相关性检验及ARCH效应检验，在存在高阶ARCH效应的基础上建立GARCH模型，误差项采用T分布或GED分布，随后根据估计波动率计算出各家上市商业银行的La-VaR值及标准化La-VaR值，最后依据各家银行的标准化La-VaR结果构造出反映银行业整体状况的标准化银行业La-VaR指数。
三、实证分析
（一）数据选择
选择目前上市的16家银行为数据样本，包括工商银行（GS）、建设银行（JS）、农业银行（NY）、中国银行（ZG）、北京银行（BJ）、南京银行（NJ）、宁波银行（NB）、浦发银行（PF）、中信银行（ZX）、华夏银行（HX）、光大银行（GD）、交通银行（JT）、民生银行（MS）、平安银行（PA）、兴业银行（XY）、招商银行（ZS）。数据的样本区间选择2007年1月1日至2015年12月31日，数据来源于万得数据库。
由于各家上市银行的上市时间前后不一及收益率的特殊波动情况，对数据进行以下处理：（1）去除各家银行除权、除息所引起的收益率巨幅波动数据；（2）所有银行统一样本区间，若因停牌、上市较晚造成数据空白，则统一保留，以保全各个样本之间的可比性。
（二）基本数据检验
1. 描述性统计及正态分布检验。以各家上市银行每日的中间价格为数据，对其取对数并差分，得到收益率r，即：
[r=ln（ptpt-1）]
其中，[pt]为各家上市银行第t日的中间价格，[pt-1]为第t-1日最后的中间价格，其描述性统计结果见表1。
JB检验统计量结果表明，各家上市商业银行中间价格日收益率序列拒绝原假设，并不服从正态分布，且通过对比偏度和峰度数据，收益率序列呈现出金融序列惯有的特征—尖峰厚尾性。16家上市商业银行中，有11家呈现出左偏的态势，5家为右偏，据此，在建立GARCH模型时，应选择更加适宜的T分布或GED分布。
2. 平稳性检验。使用ADF单位根检验法检验股票价格收益率序列的平稳性，结果显示，各家上市银行收益率序列在不含常数项和趋势项、含常数项不含趋势项及含常数项和趋势项三种情况下，ADF值均小于1%水平上的临界值，即拒绝单位根假设，收益率序列均为平稳序列。
3. 相关性检验。对中间价格的对数收益率序列r进行相关性检验，通过分别计算各家上市银行日交易中间价格收益率的Q统计量，得到各个银行序列的滞后期、Q统计量及其相伴概率，结果显示，各序列在1%的显著性水平上拒绝了无自相关性的原假设，即原序列存在自相关性。从各个滞后阶数所对应的相关系数来看，滞后3阶之后的结果远小于滞后1阶的结果。
4. ARCH效应检验。结合Jarque-Bera检验和自相关检验的结果，首先对各家上市银行中间价格对数收益率序列进行自回归，方程为：[rt=μt+βrt-1+εt]，随后对各个序列的残差进行ARCH-LM检验，一般来说，如果LM检验的滞后期很长（如大于7），检验依然显著，则说明残差序列存在高阶ARCH（q）效应，所以在这里选择滞后期为7。
根据ARCH效应检验结果可以看出，16家上市银行的中间价格收益率序列均存在着高阶ARCH效应，绝大多数银行结果在1%的水平上显著，只有2家银行结果在5%的水平上显著。
（三）GARCH模型估计
通过各项基本检验可知，各家上市银行股票中间价格收益率均为平稳序列，所以建立一般均值回归方程。在建立GARCH族模型之前，基于AIC与SC信息最小的准则，本文选择滞后阶数（p，q）为（1，1）。鉴于标准正态分布的假设不符合金融序列常有的尖峰厚尾特性，本文在进行实证时将残差设定为t分布或者广义误差分布（GED分布），据此建立GARCH模型。 如表3所示，以AIC与SC值最小为原则，建立各个银行股票中间价格收益率所对应的GARCH模型。其结果显示，所有银行均可取得[μ2t-1]与[σ2t-1]系数之和小于1，且z统计量在1%的水平上显著的模型结果，由此，可求得各家上市银行收益率序列的估计波动率及La-VaR值。
四、估计结果与分析
（一）国有银行相对于股份制银行更具市场流动性风险
为了描述各家上市银行流动性风险变化所具备的规律，在此借鉴林辉（2010）的标准化La-VaR值作为描述流动性风险的具体指标，即La-VaR值与中间价格的比值。表4给出了各家上市银行2007—2015年间经过流动性调整后的标准化La-VaR值的描述性统计。由于篇幅限制，各家上市商业银行La-VaR值折线图略去。
从标准化La-VaR值的直观统计结果来看，四大国有银行（工商银行、建设银行、农业银行、中国银行）的La-VaR值结果相对于其他上市银行更具波动性。首先，从结果最大值角度来看，工商银行高居第一位，农业银行、建设银行、中国银行分别居于三、四、五位。其次，从波动幅度来看，工商银行依然居于首位，且四家国有银行均在排序结果前50%的范围之内。由此可见，相对于股份制银行，国有银行更容易受到与资本市场相关的市场流动性风险的影响。该结论的表述与戴振华、黄涛珍、杨海荣（2015）的研究成果相得益彰。对于该实证结论，笔者认为主要的原因有以下三点：首先，从微观市场角度来看，本文基于资本市场中的股票市场分析银行业的市场流动性风险状况，就各家银行的流通市值占银行板块总体流通市值的程度而言，国有银行的流通市值份额要远大于股份制银行，市场地位也更为重要，因此，在面对市场整体流动性水平波动时，国有银行的参与程度会相对较高，所面临的市场流动性风险也会相对较大。其次，从银行经营结构来看，到目前为止，我国金融市场依旧处于欠发达状态，传统的存贷款业务依然是银行资金的主要来源与供给渠道，相对于股份制银行而言，大型国有银行更具有资产规模的优势，而这种优势却恰恰决定了国有银行对利率风险、汇率风险等市场风险更加敏感，任何的市场波动都可能会导致国有银行市场流动性的明显变化，无形之中加剧了其市场流动性风险水平。最后，从宏观流动性调控角度来看，大型国有银行作为银行业的主力军，相对于股份制银行来说，更容易受到中央银行针对宏观流动性而进行的一系列调控手段的影响，任何流动性注入行为都有可能造成国有银行自身市场流动性水平的变动，从而使得国有银行相对股份制银行更具市场流动性风险。截至2014年末，我国国有银行的资产规模占整个银行业的份额为41.2%。不管是针对监管层还是上市银行的高层管理者而言，都要更加注重国有银行资产流动性的波动。
（二）La-VaR模型可测度宏观经济状况对银行业流动性风险的影响
本文在各家上市商业银行流动性标准化La-VaR值的基础之上，构造出代表银行业总体的标准化银行业La-VaR指数。根据市值加权指数的计算准则，依据各家上市银行在股票市场中现有流动的市值进行赋权，并根据各家银行的上市时间及时调整整体权重，最终得到以市值加权的标准化银行业La-VaR指数。具体计算公式如下：
[LAVaRS=i=116PiPS*LAVaRi]
其中，[Pi] 为第i家上市银行的流通市值，[PS] 为16家银行整体的流通市值，[LAVaRi] 为第i家上市银行的标准化La-VaR值。具体指数结果见图1所示。
图1：标准化银行业La-VaR指数折线图
可以发现，整个样本区间大致分为三个阶段：第一阶段是2007年初至2010年中。2008年末至2009年初出现流动性风险La-VaR峰值，并在此期间出现巨幅波动，这与次贷危机的时间恰好匹配，并对应危机的爆发与救市，La-VaR模型所代表的资产流动性呈现出极速上升和逐步下降的形态。第二阶段是2010年中至2013年中，指数表现为小幅震荡，总体波动较为平缓，以反映危机过后宏观经济稳定运行的态势。第三阶段是2013年中至2015年末，指数再度出现频繁波动，且幅度较上一阶段来说有所增大。随着我国利率市场化的进程加快，宏观经济的结构型转型以及金融业深化改革，金融系统的稳定性不免会受到影响，但指数结果显示，我国银行的流动性风险仍处于可控的范围之内。
五、结论与政策启示
本文着眼于商业银行市场流动性风险，进行了实证研究，具体的研究结果与政策启示如下：
第一，国有银行更容易受到与资本市场密切相关的市场流动性的冲击。一旦资本市场的“流动性枯竭”，对国有银行的威胁将大于股份制银行。对此，应更侧重于对国有银行市场流动性风险进行管控，结合其他股份制银行，完善整个流动性监管体系，以防范大规模流动性危机。
第二，银行业市场流动性风险变化呈现趋同性，且La-VaR指数波动与宏观经济运行状况相匹配。La-VaR指数清晰显示，银行业在次贷危机时期市场流动性风险达到峰值，且在经济复苏期波动较为平稳。在推动金融改革的进程中，要根据现有的实体经济状况，重新设定风险底线，并结合历史数据进行压力测试，为进一步的金融创新提供风险管控依据。
第三，La-VaR模型为流动性风险监管提供了新的技术支撑。虽然《巴塞尔协议III》将流动性风险纳入风险监控体系，并提供了流动性覆盖率和净稳定资金比率两个指标作为衡量标准，但并未给出更为灵活准确的计量模型指标。而La-VaR模型的出现无疑给中国商业银行流动性监控提供了更加精准的计量方法，这对维护银行体系的稳健性具有重要意义。
参考文献：
[1]Glosten，L.R.，Harris，L.E. 1988. Estimating the components of the bid/ask spread[J].Journal of Financial Economics，（21）. [2]Demesetz H. 1968. The cost of transaction[J].Quarterly Journal of Economics，（ 82）.
[3]YakovAmihud. 2002. Illiquidity and stock returns： cross-section and time-series effects[J].Journal of Financial Markets，（5）.
[4]Ronnie Sadka. 2006. Momentum and Post-earnings Announcement Drift Anomalies：The Role of Liquidity Risk[J].Journal of Financial Economics，（80）.
[5]Bertsimas，D.，Lo，A.W. 1998. Optimal control of execution costs[J].Journal of Financial Markets，（1）.
[6]H?berle，R.，Persson，P.G. 2000. Incorporating Market Liquidity Constraints in Value-at-Risk[J].BanquesetMarchés，（44）.
[7]Hisata Y.，YashuhiroY. 2000. Research Toward the Practical Application of Liquidity Risk Evaluation Methods[R].Working Paper of Bank of Japan.
[8]Gregor N.F. Wei.Hendrik Supper. 2013. Forecasting liquidity-adjusted intradayValue-at-Risk with vine copulas[J]..Journal of Banking &Finance，（37）.
[9]刘林，倪玉娟.股市流动性市场关注度与创业板上市公司转板选择[J].证券市场导报，2012，（5）.
[10]张蕊，王春峰.中国银行间债券市场流动性风险影响因素及其关联性[J].系统工程，2010，（3）.
[11]王东旋，张峥，殷先军.股市流动性与宏观经济[J].经济科学，2014，（3）.
[12]周毓萍.浅论Var与商业银行流动性风险管理[J].科技与产业，2005，（12）.
[13]宋逢明，谭慧.VaR模型中流动性风险的度量[J].数量经济技术经济研究，2004，（6）.
[14]林辉.条件异方差La-VaR模型及其对金融危机的实证研究[J].统计与决策，2010，（17）.
[15]闫昌荣.基于流动性调整CAVaR模型的风险度量方法[J].数量经济技术经济研究，2012，（3）.
[16]戴振华，黄涛珍，杨海荣.利率市场化对上市商业银行流动性风险影响的实证分析[J].新疆社会科学，2015，（3）.