由我院方意副教授和bevictor伟德官网管理科學與工程學院荊中博副教授、紐約大學吳姬（我院2019屆卓越項目本科生）、天津财經大學bevictor伟德官网李政副教授合作撰寫的論文《非核心負債、尾部依賴與中國銀行業系統性風險》發表于《世界經濟》2020年第4期。

本文從銀行機構業務特征出發，将非核心負債與刻畫關聯性的尾部依賴模型（例如△CoVaR方法）相結合，探讨銀行業系統性風險的累積過程，明确銀行業系統性風險的關鍵來源。在此基礎上，通過描述性分析和嚴謹的計量分析驗證該指标的有效性。具體而言，本文的貢獻主要包括：

第一，基于理論梳理，将非核心負債與尾部依賴模型相結合構建能夠有效測度中國銀行業系統性風險指标（核心指标），為系統性風險防範提供理論支撐。

本文通過理論分析認為，利用銀行業的非核心負債數據比利用股票數據的傳統測度方法能更加準确地刻畫時間維度系統性風險的累積。原因在于：①從微觀基礎和宏觀表現來看，非核心負債與核心負債存在巨大差異，這種差異使得銀行機構在承擔較高的非核心負債水平時将增加自身脆弱性，為風險爆發埋下隐患。銀行股票收益數據主要測度風險的實現，且股票數據可能涵蓋銀行風險之外的信息，存在一定的噪音。②不同于股票收益下跌帶來風險實現值的攀升，非核心負債水平的快速上升則會帶來銀行機構累積風險的上升。風險實現與風險累積是風險的兩種狀态，且風險累積更重要（方意和陳敏，2019）。因此，本文是從風險的本源來研究系統性風險。

此外，∆CoVaR指标被提出之後，諸多學者通過計量技術改進△CoVaR指标的估計方法。實質上，∆CoVaR指标的改進思路有2點：①圍繞底層數據和風險理念改進；②圍繞關聯性建模技術改進。現有研究仍然使用股票市場數據，并以風險實現作為建模理念，因此這些研究主要是從第②點改進指标。本文則是從第①點改進∆CoVaR指标。除此之外，本文在構建核心指标時将傳統的下行分位數依賴改進為上行分位數依賴，更加符合風險累積的理念。

實證研究的驗證方面：①通過對比利用基本尾部依賴模型（△CoVaR方法）以及更加考慮網絡關聯性的（Lasso-△CoVaR方法）尾部依賴模型得到的核心指标可以發現，核心指标在時間維度上的表現主要依賴于底層數據的選擇而非關聯技術方法的選擇。②本文構建的系統性風險指标（核心指标）能很好地捕捉樣本期間的4次沖擊，分别為2008年國際金融危機（第1次沖擊）、2013年中國銀行業“錢荒”（第2次沖擊）、2015年中國股市異常波動（第3次沖擊）和2018年中美貿易摩擦（第4次沖擊）等典型沖擊事件下銀行業系統性風險波動。

第二，采用多種方法驗證指标的有效性。本文提出了系統性指标3個方面的有效性，分别為：捕捉沖擊事件的有效性；排除噪音信息的有效性；捕捉規模特征的有效性。捕捉沖擊事件的有效性，指的是本文核心指标能夠較好地捕捉到樣本期間發生的系統性風險事件沖擊；排除噪音信息的有效性，指的是本文核心指标能夠排除股票市場等非銀行業自身業務等方面的信息。捕捉規模特征的有效性，指的是本文核心指标不需要額外增加規模因子便能夠準确捕捉規模特征，避免“小機構、大貢獻”問題。由此可見，前2個方面都是針對整個銀行業系統性風險，驗證時間維度系統性風險的有效性。第3個方面則是針對銀行機構層面，驗證空間維度風險指标的有效性。

具體的實施過程中，本文通過核心指标走勢圖分析、事件分析法來探讨捕捉沖擊事件的有效性，通過安慰劑檢驗來探讨排除噪音信息的有效性，通過各指标得到的系統重要性銀行排序與銀行規模相關性探讨捕捉規模特征的有效性。

第三，探究中國銀行業系統性風險的驅動因子，為系統性風險化解提供理論支撐。本文從非核心負債增速與銀行機構關聯性兩個角度剖析4次沖擊事件中的銀行業系統性風險波動的驅動因子，并以此論述這4次沖擊期間銀行業系統性風險的形成機理差異。

最後，本文将季度數據增加至月頻數據，采用滾動窗口構建核心指标，論述了本文核心指标在進行系統性風險監測時受“前瞻性偏差”問題影響較小。